AI让个人变快了为什么公司却没有变快大模型正在大幅降低智力供给的成本。过去依赖专业人才完成的写作、分析、设计和编程工作正在变成可以随时调用的能力。智力越来越充裕判断力和组织能力开始变得更加稀缺。个人使用AI效率提升立竿见影。但在企业中个人产出增加也可能带来更多错误、返工、审核与协作成本。技术能力并不会自动转化为组织生产力。上海交通大学博士生导师周曦博士做客中欧EMBA“合一讲堂”分享企业迈向AI原生AI Native组织的关键路径。以下是讲座内容的整理。周曦上海交通大学博士生导师云从科技集团股份有限公司董事长、总经理01企业真正的瓶颈过去一段时间很多企业推广AI的方式很直接。发账号、买额度、鼓励员工多用甚至把Token消耗量当作“拥抱AI”的指标。一个员工原来一天完成10件事现在完成20件事如果他的产出需要更多人审核错误率上升返工增加下游又接不住企业最终得到的未必是更高的利润。因为个人效率与组织效率不是一回事。企业真正的瓶颈往往不在一个员工的生产速度而在于整个系统是否稳定协同• 跨部门如何配合• 质量如何控制• 上一个岗位的输出如何稳定成为下一个岗位的输入• 出了问题由谁判断由谁负责如何回滚• 人的经验如何沉淀而不是随着人员流动一起消失如果旧流程不变只是在每个员工身边增加一个AI助手企业很可能只是让原有系统“跑得更快”却没有改变系统本身。而一个本来就充满部门墙、审批、汇报和反复协调的组织跑得越快甚至可能制造更多混乱。02从技术突破到生产力中间还隔着什么理解今天的AI需要把时间拉长。蒸汽机、电力、信息化过去几次重大技术革命都经历了相似的过程。先有技术突破再出现新的生产工具最后才是组织重构和生产力跃迁。真正的生产力革命往往发生在技术被重新组织之后。以电力革命为例。最初人们只是用大型电机替代蒸汽机。电机更便宜、更稳定但工厂布局和生产流程没有根本变化因此效率提升有限。真正的转折是小型电机成熟以后。每个工位可以有独立动力设备加上零件标准化、精密制造以及泰勒科学管理等新的管理思想最终才出现了福特流水线。流水线的诞生不只是因为“电更先进”。它至少等待了三件事• 单工位的生产工具成熟• 不同工位能够标准化连接• 新的管理方法能够驾驭新的生产系统。ChatGPT的出现像当年的电灯泡Claude Code等单工位工具是小电机AI Native组织才是福特生产线。今天的AI大致处在类似电力革命1910年的阶段。大模型已经出现面向专业岗位的工具开始形成但真正成熟的集成生产系统以及与之相匹配的管理体系尚未建立。因此今天企业的AI转型推进不顺并不奇怪。不是企业不努力而是很多基础条件本来就还在形成之中。03AI Native不是“全员都在用AI”很多企业把AI Native理解成员工都有AI账号公司接入了大模型内部部署了知识库。这些当然有价值但还不足以构成智能体组织。真正的AI Native组织至少有三个特征。第一Agent运行在业务主路径上。所谓“主路径”指企业完成一次核心业务所必须经过的执行链路。如果每一次任务都必须等一个人打开邮件、看材料、判断、转发、汇报再进入下一步那么人的处理速度仍然是整个系统的瓶颈。当客户规模扩大10倍时企业所需的人力增长趋近于零才真正接近AI Native组织形态。第二专家能力可以沉淀和复制实现知识平权。过去一个优秀销售离职一部分客户经验可能就没了一个技术骨干离开很多隐性的判断方式也会随之消失。在智能体组织中理想状态是一个专家解决了一个问题这种能力不只属于这个人而可以被沉淀进系统复制到100个、1000个智能体实例中。专家能力由稀缺供给转化为可复制的组织能力。第三管理从“周期性汇报”转向“实时反馈”。企业之所以需要周报、月度分析会和季度经营会很大程度上是因为人的信息处理能力有限只能定期汇总、集中判断。但对一个持续运行的智能体系统来说一个问题既然今天已经出现为什么要等到月底才讨论未来很多管理机制可能会从“发现问题—汇报—开会—决策—层层下发”变成“实时发现—即时判断—更新规则—同步到所有执行节点”。AI改变的不只是岗位也可能是企业管理节奏本身。04企业Agent落地还缺三样东西如果把企业生产系统拆开看今天至少还有三道真正的难关。第一单工位AI工具还不够成熟。今天多数人使用AI主要还是通过一个通用对话框。用户需要自己提问、拆任务、验证结果这很像早期计算机的“命令行”。但真正推动信息化生产率提升的从来不只是PC而是后来针对不同岗位出现的CAD、ERP和大量专业软件。AI时代也会经历同样的过程。企业真正需要的不是所有人面对同一个聊天框而是财务有财务Agent销售有销售Agent研发有研发Agent。每一个高价值工位都需要真正针对工作场景设计的专业生产工具。第二多人、多Agent的集成系统还不成熟。一个人使用AI相对简单。但一旦变成几个人和多个Agent共同工作问题立即复杂起来。谁可以给Agent下指令不同指令冲突时听谁的上下游岗位如何交接什么时候系统自动执行什么时候必须由人介入信息如何共享权限如何隔离传统流水线之所以高效是因为输入、输出和协作方式已经被系统设计好了。工人不需要反复“求人帮忙”也无需每天汇报自己拧了几颗螺丝。流程本身就在推动工作向前运行。而今天很多白领组织依然高度依赖人际协调。加入AI以后如果没有新的集成系统很可能变成一群人围着一群AI协作关系反而更加复杂。第三也是最难的一关新的管理学还没有出现。过去管理的是人未来企业需要同时管理人和智能体。AI出错责任如何归属谁负责审查如何设置质量门禁和回滚机制员工的经验被沉淀进系统后知识贡献如何衡量甚至AI本身也是全新的管理对象。它可能能力很强、速度极快、充满创造力同时也可能毛躁、犯错、不稳定。怎样“管理一个AI同事”今天并没有成熟答案。技术问题可以通过研发逐步解决但组织问题往往更难。因为组织变革本质上会重新定义权力、利益和责任。当系统可以直接根据数据分配资源原来的管理者做什么当智能体可以跨部门完成工作原来的部门边界是否还需要存在当知识可以自动沉淀过去依靠信息差形成的岗位价值会不会下降所以企业转型最大的阻力往往来自内部。技术可以买账号可以发模型可以接入但组织中的利益、权力和责任结构不会自动改变。这也是为什么老板一个人想变往往不够。05今天该做的三件事既然很多基础条件还没有完全成熟企业今天最需要做的不是宣布“全面AI Native”而是找到可落地的路径。第一旧厂装小电机新厂做新物种。对于成熟运行的业务先用被验证有效的AI工具提高关键工位效率。并且管理者自己先用形成对AI能力边界的真实体感。什么事情AI擅长什么事情容易出错哪里必须审查什么情况下需要回滚。与此同时逐步建立质量标准、审查机制、异常处理和回滚机制。对于新业务、新团队从一开始就按照智能体组织的方式设计不必背负旧流程和旧利益结构。第二不做几十个Demo先跑通一条“微生产线”。全公司几十个部门一起上AI项目看起来热闹最终却容易形成大量彼此孤立的Demo。企业需要的不是更多试点而是跑通一条闭环的业务链。选择一条相对短的流程岗位不要太多协作关系不要太复杂参与者愿意拥抱变化业务价值可以清楚衡量。然后把多个工位连接起来形成稳定、可复用、可衡量的智能体业务闭环。这就是“微生产线”。衡量它的也不应该是Token消耗量而是结果。质量有没有提高周期有没有缩短返工有没有下降客户规模扩大时人力是否仍然线性增长组织知识是否在持续沉淀Token是成本不是产出。第三在实践中发明新管理学。真正领先的企业不能只等技术公司解决问题而要一边使用新技术一边创造新的组织方法。包括人和Agent如何分工如何设计授权和审查如何处理异常和责任如何衡量组织产出以及如何分配知识贡献带来的价值。一条跑通的“微生产线”最终应该沉淀出四类东西清晰的业务流、明确的质量标准、可复用的规则以及与新分工相匹配的岗位和利益机制。这些东西比做几十个AI Demo更有价值它们才是未来规模化复制的基础。每一次技术革命最先改变的往往是工具真正拉开企业差距的却是后来发生的组织重构。模型让AI拥有智力组织让AI形成生产力。未来企业真正的AI竞争力不是谁先用了更强的模型而是谁先建立起一套能够驾驭智能体的组织系统。
AI让个人变快了为什么公司却没有变快大模型正在大幅降低智力供给的成本。过去依赖专业人才完成的写作、分析、设计和编程工作正在变成可以随时调用的能力。智力越来越充裕判断力和组织能力开始变得更加稀缺。个人使用AI效率提升立竿见影。但在企业中个人产出增加也可能带来更多错误、返工、审核与协作成本。技术能力并不会自动转化为组织生产力。上海交通大学博士生导师周曦博士做客中欧EMBA“合一讲堂”分享企业迈向AI原生AI Native组织的关键路径。以下是讲座内容的整理。周曦上海交通大学博士生导师云从科技集团股份有限公司董事长、总经理01企业真正的瓶颈过去一段时间很多企业推广AI的方式很直接。发账号、买额度、鼓励员工多用甚至把Token消耗量当作“拥抱AI”的指标。一个员工原来一天完成10件事现在完成20件事如果他的产出需要更多人审核错误率上升返工增加下游又接不住企业最终得到的未必是更高的利润。因为个人效率与组织效率不是一回事。企业真正的瓶颈往往不在一个员工的生产速度而在于整个系统是否稳定协同• 跨部门如何配合• 质量如何控制• 上一个岗位的输出如何稳定成为下一个岗位的输入• 出了问题由谁判断由谁负责如何回滚• 人的经验如何沉淀而不是随着人员流动一起消失如果旧流程不变只是在每个员工身边增加一个AI助手企业很可能只是让原有系统“跑得更快”却没有改变系统本身。而一个本来就充满部门墙、审批、汇报和反复协调的组织跑得越快甚至可能制造更多混乱。02从技术突破到生产力中间还隔着什么理解今天的AI需要把时间拉长。蒸汽机、电力、信息化过去几次重大技术革命都经历了相似的过程。先有技术突破再出现新的生产工具最后才是组织重构和生产力跃迁。真正的生产力革命往往发生在技术被重新组织之后。以电力革命为例。最初人们只是用大型电机替代蒸汽机。电机更便宜、更稳定但工厂布局和生产流程没有根本变化因此效率提升有限。真正的转折是小型电机成熟以后。每个工位可以有独立动力设备加上零件标准化、精密制造以及泰勒科学管理等新的管理思想最终才出现了福特流水线。流水线的诞生不只是因为“电更先进”。它至少等待了三件事• 单工位的生产工具成熟• 不同工位能够标准化连接• 新的管理方法能够驾驭新的生产系统。ChatGPT的出现像当年的电灯泡Claude Code等单工位工具是小电机AI Native组织才是福特生产线。今天的AI大致处在类似电力革命1910年的阶段。大模型已经出现面向专业岗位的工具开始形成但真正成熟的集成生产系统以及与之相匹配的管理体系尚未建立。因此今天企业的AI转型推进不顺并不奇怪。不是企业不努力而是很多基础条件本来就还在形成之中。03AI Native不是“全员都在用AI”很多企业把AI Native理解成员工都有AI账号公司接入了大模型内部部署了知识库。这些当然有价值但还不足以构成智能体组织。真正的AI Native组织至少有三个特征。第一Agent运行在业务主路径上。所谓“主路径”指企业完成一次核心业务所必须经过的执行链路。如果每一次任务都必须等一个人打开邮件、看材料、判断、转发、汇报再进入下一步那么人的处理速度仍然是整个系统的瓶颈。当客户规模扩大10倍时企业所需的人力增长趋近于零才真正接近AI Native组织形态。第二专家能力可以沉淀和复制实现知识平权。过去一个优秀销售离职一部分客户经验可能就没了一个技术骨干离开很多隐性的判断方式也会随之消失。在智能体组织中理想状态是一个专家解决了一个问题这种能力不只属于这个人而可以被沉淀进系统复制到100个、1000个智能体实例中。专家能力由稀缺供给转化为可复制的组织能力。第三管理从“周期性汇报”转向“实时反馈”。企业之所以需要周报、月度分析会和季度经营会很大程度上是因为人的信息处理能力有限只能定期汇总、集中判断。但对一个持续运行的智能体系统来说一个问题既然今天已经出现为什么要等到月底才讨论未来很多管理机制可能会从“发现问题—汇报—开会—决策—层层下发”变成“实时发现—即时判断—更新规则—同步到所有执行节点”。AI改变的不只是岗位也可能是企业管理节奏本身。04企业Agent落地还缺三样东西如果把企业生产系统拆开看今天至少还有三道真正的难关。第一单工位AI工具还不够成熟。今天多数人使用AI主要还是通过一个通用对话框。用户需要自己提问、拆任务、验证结果这很像早期计算机的“命令行”。但真正推动信息化生产率提升的从来不只是PC而是后来针对不同岗位出现的CAD、ERP和大量专业软件。AI时代也会经历同样的过程。企业真正需要的不是所有人面对同一个聊天框而是财务有财务Agent销售有销售Agent研发有研发Agent。每一个高价值工位都需要真正针对工作场景设计的专业生产工具。第二多人、多Agent的集成系统还不成熟。一个人使用AI相对简单。但一旦变成几个人和多个Agent共同工作问题立即复杂起来。谁可以给Agent下指令不同指令冲突时听谁的上下游岗位如何交接什么时候系统自动执行什么时候必须由人介入信息如何共享权限如何隔离传统流水线之所以高效是因为输入、输出和协作方式已经被系统设计好了。工人不需要反复“求人帮忙”也无需每天汇报自己拧了几颗螺丝。流程本身就在推动工作向前运行。而今天很多白领组织依然高度依赖人际协调。加入AI以后如果没有新的集成系统很可能变成一群人围着一群AI协作关系反而更加复杂。第三也是最难的一关新的管理学还没有出现。过去管理的是人未来企业需要同时管理人和智能体。AI出错责任如何归属谁负责审查如何设置质量门禁和回滚机制员工的经验被沉淀进系统后知识贡献如何衡量甚至AI本身也是全新的管理对象。它可能能力很强、速度极快、充满创造力同时也可能毛躁、犯错、不稳定。怎样“管理一个AI同事”今天并没有成熟答案。技术问题可以通过研发逐步解决但组织问题往往更难。因为组织变革本质上会重新定义权力、利益和责任。当系统可以直接根据数据分配资源原来的管理者做什么当智能体可以跨部门完成工作原来的部门边界是否还需要存在当知识可以自动沉淀过去依靠信息差形成的岗位价值会不会下降所以企业转型最大的阻力往往来自内部。技术可以买账号可以发模型可以接入但组织中的利益、权力和责任结构不会自动改变。这也是为什么老板一个人想变往往不够。05今天该做的三件事既然很多基础条件还没有完全成熟企业今天最需要做的不是宣布“全面AI Native”而是找到可落地的路径。第一旧厂装小电机新厂做新物种。对于成熟运行的业务先用被验证有效的AI工具提高关键工位效率。并且管理者自己先用形成对AI能力边界的真实体感。什么事情AI擅长什么事情容易出错哪里必须审查什么情况下需要回滚。与此同时逐步建立质量标准、审查机制、异常处理和回滚机制。对于新业务、新团队从一开始就按照智能体组织的方式设计不必背负旧流程和旧利益结构。第二不做几十个Demo先跑通一条“微生产线”。全公司几十个部门一起上AI项目看起来热闹最终却容易形成大量彼此孤立的Demo。企业需要的不是更多试点而是跑通一条闭环的业务链。选择一条相对短的流程岗位不要太多协作关系不要太复杂参与者愿意拥抱变化业务价值可以清楚衡量。然后把多个工位连接起来形成稳定、可复用、可衡量的智能体业务闭环。这就是“微生产线”。衡量它的也不应该是Token消耗量而是结果。质量有没有提高周期有没有缩短返工有没有下降客户规模扩大时人力是否仍然线性增长组织知识是否在持续沉淀Token是成本不是产出。第三在实践中发明新管理学。真正领先的企业不能只等技术公司解决问题而要一边使用新技术一边创造新的组织方法。包括人和Agent如何分工如何设计授权和审查如何处理异常和责任如何衡量组织产出以及如何分配知识贡献带来的价值。一条跑通的“微生产线”最终应该沉淀出四类东西清晰的业务流、明确的质量标准、可复用的规则以及与新分工相匹配的岗位和利益机制。这些东西比做几十个AI Demo更有价值它们才是未来规模化复制的基础。每一次技术革命最先改变的往往是工具真正拉开企业差距的却是后来发生的组织重构。模型让AI拥有智力组织让AI形成生产力。未来企业真正的AI竞争力不是谁先用了更强的模型而是谁先建立起一套能够驾驭智能体的组织系统。
