2026-11-10 · 22 min read

人机协同的四层架构:为什么不该一上来就做战略层

一份关于人机协同四层架构的课程文稿整理。文章先指认一个很常见的失败:董事长拍板做公司级 Agent 平台,半年后平台有了,员工还在各自聊天;或者全员培训,业务流程一点没变。根因是入场层级没想清楚。四层从下到上是个人、团队、业务、战略,成熟顺序通常不能颠倒。文中给出每层的具体做法——个人层的三个阶段与那条容易被忽略的授权边界、团队层把「协议」翻译成三件事、业务层的解构重组四步、战略层的信号推演落地。最后是一张按层自诊的清单。

本文整理自课程文稿《03-人机协同的四层架构设计》。与前两篇一样,文稿末尾自注「内容由 AI 生成」,属整理稿而非逐字记录。

文中的企业案例与数字均沿用文稿原述,未做外部核验。

前两讲给了两个基础判断:协同需要新的接口,组织需要新的能力节点。

这一讲把这两个判断落成一张地图。因为再笼统地说「我们要推动 AI」,已经没有意义了——同一句话落在不同层级,难度和做法完全不同。

两种很常见的失败

他先描述了两种他都见过的场景。

**第一种,从战略层起手。**董事长拍板,成立专项组,做一个公司级的 Agent 平台,希望从上面把整个组织带起来。

半年之后:平台有了。员工还是各自聊天,根本不用,甚至停在原地。

**第二种,做工具培训。**大家都会用了,有的还考了证。但对业务流程、对组织收益,几乎没有改变。

他说问题出在入场层级——协同的层级没想清楚。

四层,以及为什么不能颠倒

层解决什么问题
个人层员工怎么和 AI 一起工作
团队层多人、多 agent 之间怎么交接和协作
业务层改一条完整流程,让部分任务稳定交给 agent
战略层外部信号怎么进决策,重要假设怎么快速推演,拍板后组织能不能马上动

四层是相连的,但成熟顺序通常不能颠倒。

他的推演很朴素:个人层太弱,大家没有基本的手感和对 agent 的底层理解,后面根本动不起来。有了手感,团队层没形成协议,业务线之间串不起来,流程就会乱。业务层没跑通,战略层也做不了。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart TB
    S["战略层<br/>信号 · 推演 · 执行"] --> B["业务层<br/>改一条完整流程"]
    B --> T["团队层<br/>协议 · 交接 · 责任"]
    T --> I["个人层<br/>和 AI 一起工作"]
    I -.->|"底层不牢<br/>上面全部空转"| S

上图是这张地图。虚线那一条是重点:上层不是自然生长的,它是被下层托住的。

给大多数企业的建议

他没有让人从最底下慢慢爬。

对多数中国企业来说,我更建议把团队层作为主要切口。个人层同步培训,业务层选一条流程试,战略层先搭基础设施。

这样既不会停留在「个人提效」,也不会一上来背太大的组织包袱。

个人层:三个阶段和一条边界

一个人怎么用 AI,很容易分出三段。

**第一阶段,问答。**遇到任务打开模型,问问题、改文案、做总结。价值很直接:省时间、感觉轻松。

但缺点也很直接:**每天从零开始。**没有记忆库、没有知识库、没有上下文、没有循环。今天问完,明天换一个人再问一遍,经验沉淀不下来。

**第二阶段,沉淀 skill。**今年 agent 能力变强、skill 被推成通用协议之后,员工开始能反复使用、把方法留下来。客户研究、简历筛选、周报分析。

效果是:第一次调两个小时,第二次十分钟。对个人形成了复利。

**第三阶段,编排。**能调用多个 agent 和 skill,串成一条任务链。比如做新品分析:一个去查市场,一个去扒多媒体数据,再接内部销售接口做交叉分析。

这时人不再亲手执行,精力放在设定目标、推进顺序、保证判断和最终责任。

那条容易被忽略的边界

这一段我认为是全篇最实用的观察。

一到二靠个人学习就能完成;二到三靠培训很难完成。

因为编排意味着调用企业数据、触发流程、访问别人的节点——也意味着要对结果负责。

没有组织授权,他最多只能在自己电脑里做。

所以当你看到一批员工已经沉淀了 skill,却形成不了完整工作流时,**不要急着给他们上课。**先去看权限、数据、责任有没有开放,规范有没有做好。

这句话很值钱,因为它把「员工能力问题」重新诊断成了「组织授权问题」。

团队层:协议就是三件事

他说团队层最容易被技术词吓到,其中最大的一个就是「协议」。

把它翻译成日常语言,只有三件事:

  1. 任务交接过来,我怎么看得懂。
  2. 知识留下来之后,别人怎么接着用。
  3. 出了问题之后,最后谁来兜底。

他说这三件事就是所谓协议的实质。而每一件都对应一个具体的失败场景。

一、任务交接协议

市场部门的一个 agent 生成了一份客户线索,销售的 agent 要接着跟进。

如果前一个系统输出自由文本,后一个系统要的是字段——客户行业、预算、意向——那中间还得有个人重新整理。

AI 看起来参与了两个环节,但协同其实没跑通。

所以交接协议要解决的是:什么叫做完成、产物字段怎么命名。

二、知识共享协议

很多团队已经有大量个人 skill,但这些问题都没答案:谁做的、什么版本、谁可以用、离职之后还能不能用。

结果是:知识虽然电子化了,但还是私人资产。

共享协议要提前定下四样:署名、版本、可见范围、调用权限。

三、质量与责任协议

AI 输出错了怎么办。哪些场景必须人工复核。轻微错误谁来修,严重错误谁来回滚或关停。有没有日志可以回看。

这一层如果模糊,后果他讲得很具体:团队会越来越谨慎,大家都怕担责,谁都不敢把任务交给 agent。

他给了这条链一个反向的结论:协议做得越好,跨部门会议会自然减少,因为信息和责任已经提前写进工作方式里。协议做不好,再强的模型也只会放大混乱。

那管理者还要不要管

他的回答我觉得很适合给中层看。

管理者不需要亲自写协议,但需要知道一份成熟协议应该解决哪些问题。

摩根大通:CEO 为什么要亲手写规则

他给了一个跨两个时代的案例。

2017 年,他们用合同智能体处理大量合同文档,重点很清楚:把高重复、规则相对稳定的工作自动化,省律师工时。这是早期机器学习和自动化的典型。

2026 年,讨论往前一步。Jamie Dimon 亲手做了一套针对某类金融分析任务的工作规则。

他强调:不要理解成 CEO 开始学编程。

对 CEO 来说,更重要的是亲自感受 AI 形成的新工作协议。

具体感受什么:用自然语言提问之后,系统怎么读数据、怎么生成分析、怎么把结果组织成可决策的信息;它会在哪些地方犯错、需要什么复核。

为什么管理层必须有这种手感?因为接下来很多治理规则要由管理层自己拍板。

而没看过 agent 怎么工作的人,容易走两个极端:太乐观(这么强了,放开就行)或太保守(不了解,干脆不碰)。

更稳妥的决策,建立在对能力边界的基本理解上。

他把这个案例的价值分成两层:底层自动化必须做,把重复劳动拿掉;再往上,高管要理解人机混合工作的基本协议,才能决定权限、负荷、责任怎么设。

业务层:不要从技术方案开始

进入业务层,问题变得更实际:原来的流程怎么拆,哪些动作给 agent,哪些留给人。

他给了一条很硬的纪律:不要从技术方案开始,先拿一条现有流程出来。

四步

**第一步,解构。**把流程拆到每个动作能用一句话讲清。

他拿客户响应举例。今天的流程是:客服先看,转给销售,销售找产品确认,遇价格问题问财务,最后人工整理回复。

这些动作混在一起时,很难判断 AI 该放在哪。所以要拆到原子级:识别客户身份、提取需求、匹配产品、查询库存、判断价格权限、生成回复、人工确认发送。

**第二步,重组。**看三个条件:是不是高频、规则是不是清楚、错误成本是不是可控。

三个条件越满足,越适合先交给 agent。而涉及重大价格承诺、法律责任、关键客户关系的动作,还是留给人。

**第三步,agent 化。**把适合的动作做成 skill,定清楚输入输出、什么时候触发、用哪个版本、失败时回退到哪里。

他特意加了一句:不是一次性出一个最牛的方案,而是小步快跑、稳定优化。

**第四步,治理。**监测调用成功率、失败在哪里、异常点是什么、哪些要抽检、多大的业务损失要暂停。

财务、业务、合规三条止损线都要设定好。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    A["解构<br/>拆到原子动作"] --> B["重组<br/>三个条件筛选"]
    B --> C["agent 化<br/>输入输出 · 触发 · 回退"]
    C --> D["治理<br/>成功率 · 抽检 · 三条止损线"]
    D -->|"跑起来再迭代"| B

上图是这四步。注意最后那条回边:治理发现的问题会回到重组,而不是推倒重来。

跑通之后,默认值变了

他给了一个我认为最能说明变化的判断。

**以前每个动作默认交给人;现在每个动作先判断最合适的执行者是谁。**是人、是 agent,还是两者协同。

Newfront:把任务拆细,二选一就消失了

保险业很适合讲这件事,因为有大量标准化动作,也有很多不能轻易交出去的复杂判断。

Newfront 服务高速成长的企业客户,询价、续保、理赔里都有大量资料收集、信息核对、进度查询。重复度高、等待时间长。过去员工在邮件和系统之间来回处理,客户要等很久才拿到结果。

他们把这一段交给 agent 跑:需求进来,系统快速读取信息、准备材料、给出初步结果;员工复核之后,复杂的方案选择、客户沟通、判断责任仍由人掌握。

他要你学的是那个双轨制原则:标准化的部分尽量用机器,专业、判断、关系型的东西留给人。

而很多企业卡在一个思维误区:这项工作到底能不能让 AI 做。

更好的问题是:这项工作里的哪个部分适合交给 agent,哪些部分需要人保持最终控制。

把任务拆细之后,大多数流程都能找到那个组合。

员工角色也跟着变:过去价值很大一部分来自处理大量细碎动作;动作被接走之后,时间要放到复核、异常、沟通和具体判断上。

战略层:三个动作,不是更大的 agent

他先否掉一个误解:战略层不等于做一个更大的 agent。

它要解决的是三件事:更快得到信号、更快做推演、拍板之后组织能不能马上接上。

那个一周才拿到数据的场景

他描述了一个很多 CEO 都有的体验。

会上突然问:这个区域为什么连续两个月下滑?

答:我们回去拉一下数据。

三天后有第一版,发现还缺渠道信息。再过一周补齐。

**这时决策已经失效了。**市场情况早就变了。

他的诊断很准:卡点不在 CEO 的判断力,在于原来的组织没法支撑实时判断。

三个动作

**信号扫描。**关键市场变化、成本波动、竞品动作,不能靠层层汇报。要在重要节点上形成稳定的信号捕捉机制,让管理者看到尽量新鲜的东西。这类大量扫描、归纳、异常提示,很适合 agent。

**模拟推演。**CEO 提出一个假设,比如价格下降会怎样、某个供应商中断会影响哪些订单、新市场开辟后现金流怎么支撑。过去要组织很多人做测试、开讨论,现在很多推演可以交给战略级 skill 快速跑出结论。

**执行落地。**决策做完,组织多快能动起来。如果每次都要一层层开会拆解任务,快决策没有意义。可以通过协议化接口,快速同步到相关人员的 agent 知识或任务线里。

他的总结:未来管理层的优势,会越来越依靠一套可以随时调用的 AI 组织能力。信号够不够快、推演够不够准、决策下去能不能成形。

三个零售案例,三种卡点

他放了三个体量和背景都不同的案例,恰好对应战略层的三个动作。

案例卡点对应能力
全球消费品公司市场、渠道、消费者反馈分散,数据汇总慢信号扫描
传统零售商怕折腾,一次改错成本高模拟验证,小范围试点再决定是否扩大
牛仔靴品牌一线问题多,总部立项太慢执行节点灵活,一线在规则内自行解决

第三个案例他讲得最有意思:店员团队能在很短时间内做出一个可用的库存工具。

总部不需要给每一个局部问题立项,一线可以在规则范围内解决——这就是网状的节点能力。

三个案例合起来,就是战略层的完整逻辑:

上面要看得见、能快速验证;下面要接得住、能快速执行。

而很多企业的情况是:CEO 判断力很好,战略会上想得很清楚,落地却整个组织慢了半拍。问题不在战略本身,在于没有信号基础、没有推演能力,或者没有足够的执行节点。

按层自诊

最后他给了四句话,用来判断自己站在哪一层。

症状说明什么
大部分员工还停留在临时聊天个人层的基础能力不够,要补
skill 各自保存、交付格式不统一团队层的协议没建立
没有任何一条完整流程跑过人和 agent 的组合业务层还在做局部提效
CEO 提出假设,很久才拿到可信数据和推演战略层的基础设施没跟上

一个今天就能做的动作

他的建议很小,但可执行:

选一条你熟悉的业务流——销售备会、客户响应、内容生产都行。把它画成两栏:一栏写今天哪些动作由人完成,一栏写未来哪些可以交给 agent 和 skill。

然后想这两边怎么交接。

他说这个简单动作,能让很多问题暴露出来。

我的三点补充

以下是评注,不是原片内容;取舍由我负责。

**第一,这篇最反直觉的地方是「主切口选团队层」。**直觉上,要么从最底层培训起,要么从最高层战略压下来。他偏偏选了中间。理由是两边都有明确的失败模式:只做个人层,效率提升留在个人电脑里,组织拿不到;只做战略层,平台建起来没人用。团队层是唯一能把个人产出沉淀成组织资产的位置——因为它同时管交接和兜底。

**第二,那条「二到三需要授权」的边界,值得当成诊断工具用。**它把「员工不会用」和「员工不敢用/不能用」区分开了。前者要培训,后者要动权限和数据。这两件事的解法完全不同,而多数组织习惯性地用前者去解后者,于是培训做了一轮又一轮,工作流还是串不起来。看到有人反复沉淀 skill 却编排不出流程,先查授权,别再加课。

**第三,「这项工作能不能让 AI 做」这个问法本身就是障碍。**Newfront 那段给的是替代问法:**哪一部分适合交出去,哪一部分必须由人最后控制。**前者是二选一,大多数情况下答案是「不能」,于是流程原地不动;后者是拆解,几乎每条流程都能找到组合。这个换句子的动作,比任何工具都更能推动落地。


一句话总结:**推动 AI 这句话,落在四层上是四件不同的事。**选错入口,越努力越空转。

搜索全站

输入关键词,查找项目与实践记录。