2026-11-10 · 18 min read

企业缺的不是更强的模型,是消化智能的能力

一份关于人机协同的课程文稿整理。起点是两个方向相反的数字:Agent 投入在猛涨,而 Gartner 预测到 2027 年四成 Agentic AI 项目会被取消。文稿给的解释是结构性错位——局部在加速,流程没动。全文按这个逻辑往下推:协同的中心词从「沟通」变成「托付」,托付需要接口,而接口意味着过去靠口头协商兜住的模糊必须先被写下来。中间三个案例:Anthropic 的三个内部数字(六成工程师用上 AI,但可完全托付的部分只占很小一截)、Uber 一年预算四个月烧完、以及一条测试:那个会用 AI 的员工离职后,他的能力还在不在。

本文整理自课程文稿《01-人机协同的底层逻辑》。文稿末尾自注「内容由 AI 生成」,所以它不是逐字稿,而是对讲座的整理与压缩。

本文在此基础上重排,个别数字沿用文稿原述,未做外部核验。有两处我做了标注:一处是文稿说了「三种」但只讲清两种,另一处是数据来源本身。

两个方向相反的数字

一头是涨。模型能力、使用量、企业投入,都在快速上升,文稿里有一处用了很高的增长量级来描述这件事。

另一头是撤。Gartner 预测,到 2027 年会有相当一部分 Agentic AI 项目在企业内部被取消,文稿给的比例是四成。

把这两个数字放在一起看,能得出的最直观结论是「AI 不行了」。但文稿给的解释是另一个:企业正在出现一种结构性的错位。

模型一直变强,变得非常可用;而组织内部还在用原来的工作方式。

一台马力过大的发动机

他先用了一个比喻。

你突然得到一台马力极大的发动机,但底盘、方向盘、刹车都没升级。发动机越强,车不一定跑得更快,反而越来越危险。

放到企业里,症状非常具体。

员工一天能产出过去一周的材料。Agent 可以连续执行任务、处理复杂内容。数据能被实时分析。

但审批还是按原流程走。权限还是要临时申请。跨部门还是要人协调。出了问题还是找不到责任人。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    A["模型变强"] --> B["局部产出提速<br/>一天做完一周的活"]
    B --> C["审批仍走原流程"]
    C --> D["权限临时申请"]
    D --> E["跨部门靠人协调"]
    E --> F["整体拥堵<br/>拿不到结果"]

上图是这条因果链:**加速发生在局部,堵点留在流程里。**局部越快,堵点前的堆积越严重。

所以他下了一个判断:企业现在缺的不是更强的模型,是消化智能的能力。

协同的中心词变了

过去谈协同,中心词是「沟通」。

开会、发邮件、写文档、做汇报,本质上都是让一个人理解另一个人。很多管理者的时间,也主要消耗在对齐信息、确认进度和催付上。

Agent 进来之后,中心词变成「托付」。

这两者的差别,文稿讲得很干净:

你问 AI 一个问题,得到答案,工作就结束了。 你把一件工作托付给它,它要理解目标、调用资源、执行步骤、交付结果,而结果还要被复核。

所以组织必须为托付型工作提供清晰的接口。接口这个词后面还会回来,它是整篇的枢纽。

周报这个例子

他做了一个前后对比。

过去托付给 Agent 之后
谁收集周五开会同步,PM 整理智能体每天读各节点的输出
谁判断周一开会拍板管理者每天早上花十分钟
信息形态汇报材料自动生成的进度与差异卡片

但真正的变化不在快慢,在管理动作的性质:

从定期收集信息,变成持续订阅组织的状态。

过去需要人去汇报,现在管理可以直接订阅节点的运行结果。

这个案例有个前提,他强调了两遍:每个节点的输入必须是标准化的。

否则 Agent 拿到的是一堆无法对齐的东西,加进来等于多此一举。

于是他给出了人机协同的第一条原则:先改变交接方式。

Anthropic 的三个数字

第二个案例来自 Anthropic 对内部工作变化做的一次研究。他挑出三个数。

  • 约六成工程师已经得到 Agent 的协助。
  • 但真正可以完全托付给 AI 的部分,只占极小的一个区间,文稿给的是零到两成。
  • 另有约四分之一多一点的工作,过去因为成本太高、能力不足、时间不够而没做,现在反而能做了。

第三个数字最容易被跳过,但它把「AI 替代人力」这个框架拆掉了。

他给的描述是:人和 AI 都更忙了,只是忙的东西不一样。

AI 接走的是检索、草拟、转换、重复执行,还有一些辅助判断。人开始把更多时间放在定义目标、复核结果、跨界尝试、取舍和创新上。

员工未必更清闲,但他能完成过去负担不起的工作。

给管理者的两个启示

**第一,不要只用节省工时衡量 AI。**一个团队用上 AI 之后,工作量可能没有减少,但服务范围反而扩大了几倍。

**第二,团队关系会变。**当员工不再需要频繁找同事咨询基础信息,过去建立在信息互助上的连接就会变弱。他的观察是:现在的 AI 化组织里,员工更愿意和 AI 协同,自己独立完成任务。

所以组织必须创造新的协作方式,比如共同设计 skill,共同复核复杂的判断。

他把这件事收成三个问题:

  1. 哪些工作应该交给 AI
  2. 哪些判断需要保留
  3. 人和人接下来为什么还要一起工作

智能密度:三个画面

他用了「智能密度」这个概念,给了三个正在发生的画面。

**画面一,员工产能分化。**过去同岗位之间的差距大概在两成上下。AI 进来之后,一部分员工把经验沉淀成 skill,同时调用多个工具、用 Agent 跑复杂任务,产能会阶梯式跃迁。他用了一个很宽的量级区间来描述这个跃迁幅度。

**画面二,决策响应速度缩短。**过去一个业务异常,从发现到汇报,最少一两天,最多一周甚至一个月。接口打通之后,很多场景可以实时监测,当天识别异常,几小时内完成判断。

**画面三,接口数量取代人数。**过去跨部门协作主要依托人际关系。现在它同时存在于人与 Agent、Agent 与 Agent、Agent 与数据系统之间。组织的复杂度不再只取决于人数,也取决于接口的数量。

三个画面指向同一件事:智能密度不是「装了多少 AI」,而是智能如何在组织里流动。

一个可以验证的判断

讲到这里,他给了一个我认为全篇最实用的测试。

如果某个会用 AI 的员工离职,他的能力也随之消失,那说明智能还绑在个人身上,没有进入组织。

反过来,什么样算进入组织了:这个人走了,他的技能、数据接口、工作协议、规范还能被持续调用。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart TB
    Q["一个会用 AI 的员工离职"] --> P{"他的能力还在吗"}
    P -->|"不在了"| A["智能绑在个人身上<br/>人走能力走"]
    P -->|"还在"| B["智能进入了组织<br/>技能 · 接口 · 协议 · 规范"]

上图是这个测试的分叉。它的价值在于不需要自评:不用讨论「我们的组织能力强不强」,只问那个人走了以后,哪样东西还在跑。

Uber:一年预算四个月烧完

第三个案例。

Uber 的 CTO 说,原本计划用一整年的 AI 预算,四个月就用完了。同期 Claude Code 在他们内部的渗透率,很短时间升到八成以上。

表面看是预算方向的失控。他说往深处看是另一件事:旧的组织已经不能重新计算智能产能了。

过去的软件成本相对稳定:一个员工一个账号一年多少钱,财务很容易预测。

现在不一样。员工调用的模型算力、工具成本都不标准——有人用得多,有人用得少;有的任务冗余,有的简约。这些调用不好核算,成本越来越高,但产出也在成倍增长。

所以他的判断是:单个工程师每月花五百、两千还是两万,都不能脱离他创造的价值单独判断。

这条判断往下推,有两个失败方向。

  • 财务只看得到成本上升,就会压缩智能产能的预算,顺带压掉生产力和速度。
  • 业务只追求调用量,不看能力质量、不复核风险,成本会迅速失控。

还有一层文稿带了一句,我认为最要紧:越来越多代码由 AI 生成,但哪些能进生产、哪些必须审查、哪些是模型问题、哪些是员工问题,很多企业没有认真想过。

所以 Uber 真正的问题不是钱烧得快,是计量、治理与责任体系错配。

未来不能按软件许可那样管,要按节点产出、调用价值、风险等级来控制。

数据提醒:以上数字均沿用文稿原述,属于转述性质,未回溯原始研究。Uber 与 Anthropic 这两组数字如果要对外引用,建议先核到源头。

接口:一个技术词翻回业务

这一节是我认为全篇最值钱的部分。

他说很多人听到「接口」会觉得这是技术部门的词。但对业务来说,接口就是工作完成之后,任务能不能顺利、规范地交接。

过去的协作有很大模糊空间,因为人可以现场协商:

  • 表格字段不统一,同事过来问一句,对齐一下。
  • 文档名字不清楚,凭经验推测。
  • 责任没写明,开个会解决。

人可以理解模糊的信息,包括暗示,也能临时快速达成一致。

但 Agent 不参与协商。

它必须知道:输入是什么、输出是什么、什么叫做完成、用哪个版本、谁复核、出异常怎么办。

他说得很准:这些细节就是未来组织在协作上要做的新的协议。

一个销售团队的例子

销售每天提交客户记录:有人写进 CRM,有人发语音,有人在群里甩一句今天的进展。

如果想让 Agent 做自动的客户风险分析,它多半做不出来——因为它拿不到完整的输入。

不是模型不够聪明,是输入没有标准化。

协作失败的三种方式

他说市面上有三种,但文稿实际讲清了两种。

第一种,工具和 skill 很多,但没有统一的目标与交付标准。

以前一个组做方案能交三份,现在能交三百份。信息变多了,判断反而更复杂,剩下的多是冗余和垃圾。他说这常见于内容、广告、资讯和知识密集型行业。

第二种,大企业各部门各做各的。

Agent 之间无法互调,数据要反复重建。

(文稿写了「三种」,但第三种没有展开。我不替它补。)

落地第一步

他没有让人马上去做宏大的组织变革,而是给了很具体的动作。

**先梳理真实的协同场景。**问这几个问题:

  • 一项任务从哪里来
  • 谁先接住
  • 中间经过哪些环节、哪些人
  • 哪里调用了 AI
  • 哪些输出进入下一个 Agent 环节
  • 哪些环节需要人工

然后他说,对多数中国企业来说,协议化的第一步不需要很技术。

可以先从周报、会议这类通用场景开始:把交付物的字段命名、责任人、复核规则统一下来,看看在这些层面上协同怎么迈出第一步。

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,那个「离职测试」是全篇最值得抄下来的东西。**组织能力这类话题最容易滑向形容词——协同度高、数字化程度好,说了等于没说。而它给出的是一个可以验证的命题:**人走了,哪样东西还在跑。**这比任何成熟度模型都好用,因为它不需要自评,也骗不了人。

**第二,Uber 那个案例的本质是计量问题,不是预算问题。**旧的会计量的是座位和许可,Agent 时代要量的是节点产出。而计量体系不换,预算很容易被当成纯成本压掉。管不了的东西,最后都会被当成浪费——这条规律在这里又一次成立。

**第三,「接口」这个词的翻译最值钱。**它把一个技术词翻成了业务能听懂的话,同时指出了一个真相:**过去组织靠人的临场协商来容忍模糊,Agent 不参与协商,所以模糊必须先被写下来。**这不是 AI 制造的官僚化,是 AI 揭穿了原来靠口头兜住的那一部分。字段命名、责任人、复核规则,这些东西一直缺着,只是过去被人补上了。


一句话总结:Agent 没有让企业多出一双手,而是把企业原来靠口头兜住的那些接口,一个个逼到了明面上。

搜索全站

输入关键词,查找项目与实践记录。