许多企业已经开始培训员工使用 AI，开放 Copilot，制定内部规则，并在销售、服务或运营中测试首批 AI 智能体。然而，实际商业价值往往仍低于预期。
根据我的经验，问题很少是缺少技术。真正的障碍在于：企业把新的 AI 能力放进旧的工作模式中。岗位说明、决策路径、绩效指标和交接方式没有改变。AI 加速了个别任务，却没有改善完整价值流。
这正是下一阶段的重要管理任务：企业不能只引入 AI，还必须重新设计工作，使人与 AI 能够共同创造更好的结果。
Deloitte 的研究清楚揭示了这一差距。近 60% 的员工已经有意识地在工作中使用 AI，但只有 14% 的受访领导者认为组织擅长设计人机互动。59% 的企业仍采用技术导向方式，把 AI 叠加在原有系统和流程之上。1 Microsoft 2026 Work Trend Index 同样显示，企业文化、管理者支持和人才机制等组织因素，与受访者所感受到的 AI 成效之间的关联，是个人因素的两倍以上。2
结论很明确：AI 就绪度正在成为工作设计问题。
为什么仅靠培训无法解决问题
AI 素养非常重要。员工必须理解模型能做什么、如何审核输出以及风险在哪里。但培训本身不会重新设计流程。
销售人员可以非常熟练地使用提示词，却仍然每天从三个系统中拼接信息。客服人员可以使用 AI 助手，却仍然需要五次审批才能处理一个例外。财务人员可以在几分钟内生成分析，但组织仍然需要四周才能做出决策。
Deloitte 指出，许多企业优先开展 AI 素养培训和技能提升，但真正重新设计岗位、工作流和职业路径的企业要少得多。只有 34% 的受访企业正在深度重塑产品、流程或商业模式；37% 仍停留在较表层的应用，几乎没有改变原有流程。3
| 技术导向的引入方式 | 人机协作工作设计 |
|---|---|
| “我们应该给团队什么工具？” | “流程必须稳定交付什么结果？” |
| AI 辅助单个任务 | 人与 AI 共同构建端到端价值流 |
| 原有角色保持不变 | 重新定义角色、决策权和例外处理 |
| 以使用率衡量成功 | 以质量、速度、成本和风险衡量成功 |
| 事后控制 | 在工作流中嵌入控制和升级机制 |
只优化左侧，可能提高个人生产力；设计右侧，才能改变整个企业的绩效。
必须从结果出发重新思考工作
传统岗位说明通常把一组任务捆绑在一起：回复邮件、制作报告、筛选线索、审核合同或处理客户咨询。对于 AI 时代的运营模式，这种视角过于粗略。
更好的设计单位是结果。在销售中，结果可能是一个包含完整 CRM 背景的合格商机；在客户服务中，是在规定时间内给出正确解决方案；在财务中，是一份假设清晰、可以审计的预测。
只有结果明确后，工作才能被合理拆解：
| 层级 | 客户咨询示例 |
|---|---|
| 输入 | 邮件、表单、会议记录或工单 |
| 理解 | 识别意图、紧急程度、客户和背景 |
| 知识工作 | 整合政策、产品知识和历史记录 |
| 决策 | 选择回复、报价、升级或拒绝 |
| 执行 | 发送沟通并更新系统 |
| 控制 | 监测质量、风险和结果 |
| 学习 | 把错误、例外和新知识反馈到系统 |
这种拆解能够避免两个常见错误。第一，不会因为技术上可以自动化，就默认应该自动化一切。第二，人的参与不再是一句模糊承诺，而是明确嵌入需要判断、责任、同理心或谈判的环节。
Fassbender 人机协作工作设计画布
在实践中，我建议管理层做出七项设计决策。它们把流程设计、运营模式和治理连接成一套中型企业真正能够运行的工作体系。
| 设计决策 | 管理问题 | 具体产出 |
|---|---|---|
| 1. 结果 | 哪项业务与工作结果必须改善？ | 目标、基线与质量定义 |
| 2. 工作拆解 | 哪些活动、决策和例外组成完整流程？ | 端到端工作地图 |
| 3. 互动模式 | 人与 AI 应建立怎样的关系？ | 每个环节的互动模式 |
| 4. 决策权 | AI 可以建议、决定或执行什么？ | 决策与授权矩阵 |
| 5. 控制与升级 | 哪些阈值限制自主性？ | 审核规则、审批与升级路径 |
| 6. 角色与能力 | 哪些人的角色和能力会改变？ | 角色模型、责任矩阵与赋能计划 |
| 7. 学习系统 | 如何反馈成效、错误和改进？ | KPI、复盘与持续改进周期 |
这张画布刻意不从工具开始，而是从结果开始，以学习系统结束。只有当技术在运营模式中的角色明确后，企业才选择具体工具。
用五种互动模式取代笼统的“人工在环”
“由人工审核结果”听起来很负责任，但还不是可靠的设计。企业必须更精确地定义人与 AI 如何互动。
AI 作为助手：AI 准备信息，人负责执行和决策。AI 作为协作者：人与 AI 通过多轮互动共同完善方案、分析或选项。AI 作为教练：AI 提供建议和反馈，但不接管决策。AI 作为执行型智能体：AI 在明确边界内完成规定步骤。AI 作为受监督的运营者：AI 大体自主运行流程，人负责监控阈值、例外和系统表现。
Microsoft 也根据人的参与强度和智能体执行强度区分类似模式。关键不在于哪种模式看起来更先进，而在于哪种模式适合具体工作、风险和所需判断力。2
例如，高风险流程可以让 AI 完成研究和一致性检查，但最终决定仍由负责人员作出。标准化的内部数据传输则可以由 AI 在规定边界内直接执行，只对异常情况进行升级。
决策权是新运营模式的核心
当 AI 不再只是生成文字，而是开始操作系统、设定优先级或触发行动时，它就从工具逐步变成组织中的行动者。自主性、持续运行和授权改变了管理任务。4
一套实用的授权矩阵可以区分四个层级：
| 层级 | AI 权限 | 人的角色 | 适用场景 |
|---|---|---|---|
| 提出建议 | AI 生成选项 | 人完全负责决定 | 新任务、敏感任务或测试不足的任务 |
| 批准后执行 | AI 准备行动 | 人在执行前批准 | 财务、法律或直接影响客户的步骤 |
| 执行并升级例外 | AI 在明确边界内行动 | 人处理异常 | 稳定且具备可测阈值的流程 |
| 在授权范围内自主运行 | AI 在狭窄范围内决定和执行 | 人监控系统表现 | 高度标准化、可逆且可观察的流程 |
此时，**人在环上监督（Human-on-the-Loop）**比逐项审批更有价值。人不需要批准每一笔动作，而是定义目标、边界和升级机制，监控模式并在偏离时介入。这并不是更弱的控制，而是一种能够随交易规模扩展的控制方式。
责任仍然属于人。Deloitte 报告显示，目前只有约五分之一的企业对自主 AI 智能体拥有成熟的治理模式。3 因此，决策权和控制架构不能等到试点完成后再补充。
中型企业真正需要哪些角色
中型企业不必立刻建立大型 AI 卓越中心，但必须明确责任。同一个人可以承担多个角色，但任何关键职能都不能隐形。
| 角色 | 核心责任 |
|---|---|
| 管理层发起人 | 目标、优先级、预算和冲突决策 |
| 流程负责人 | 端到端结果、流程绩效和变更 |
| 业务 AI 负责人 | AI 系统的业务配置和价值实现 |
| 质量负责人 | 质量标准、测试、抽样和错误模式 |
| 数据负责人 | 访问、质量、用途限制和数据责任 |
| AI 运营负责人 | 运行、监控、成本和技术升级 |
| 风险与合规 | 风险等级、控制要求和证据记录 |
这些角色也改变了管理方式。管理者不再只是分配任务，而要定义结果、设定质量标准、为实验创造空间，并决定何时把新的工作方式变成正式标准。
Microsoft 的研究说明了这一层的重要性。只有 26% 的受访 AI 用户认为领导层在 AI 方向上清晰且一致。65% 担心如果不快速适应就会落后，但 45% 认为专注当前目标比用 AI 重塑工作更安全。只有 13% 表示，即使实验没有立即成功，企业也会认可工作重塑行为。2
如果绩效指标只奖励旧系统，再多培训也无法真正建立新工作方式。