← 文章 / 行业与公司动态
虎嗅 35分钟前 · 2026-11-18 02:15:52 · 0 阅读

当个体拥有越来越强的 AI 能力,组织如何把个体创造力转化为组织能力?|「CORE」

本文来自微信公众号: 第二呼吸 2ndBreath ,作者:AriaLI,原文标题:《当个体拥有越来越强的 AI 能力,组织如何把个体创造力转化为组织能力?|「CORE」》

从写文档、做分析、处理数据,到用Vibe Coding搭建小工具,AI正在让个体拥有前所未有的创造力和执行能力。

与此同时,不少企业也在经历一场安静的失控。

Gartner 2026年第二季度对2000多名CIO和技术高管的调查显示,71%的组织计划在未来12个月内部署Agentic AI,但只有21%具备相应的治理能力。另一份覆盖900多名技术从业者的报告显示:81%的团队已经过了规划阶段,但只有14.4%的Agent在上线时获得了完整的安全审批;超过一半的Agent在没有任何安全监控或日志记录的状态下运行。

01

旧问题,新形态

在AI时代,企业也开始遇到一系列“新”问题:

API Key散落在各处,权限管理缺乏规范。公开的模型API Key出现在代码仓库、配置文件、聊天记录和共享文档里;一个泄露的Key可能在几十个Agent、应用和脚本里同时使用。

知识沉淀在个人的上下文里。个人积累的Prompt和上下文存在自己的对话历史里无法共享,相同岗位的人各自摸索没有经验累加,换了人全部归零。

Agent在不同团队之间重复生长。不同团队各自搭建Agent、Skills和工作流,缺乏统筹,Agent重复开发且彼此之间难以协作,形成一个个“AI孤岛”。

Vibe coding快速产出也在快速堆积技术债。AI生成的脚本和Agent能解决眼前的问题,但缺乏维护约定、交接文档和迭代机制。一项IEEE的研究指出,vibe coding在企业软件环境中“效果较差”,因为它会引入漏洞、累积技术债并导致架构漂移。

这些问题看起来像是属于AI时代的新挑战,但是放回到企业数字化转型的历史中,又有些似曾相识。

系统孤岛、数据分散、重复建设、资产不可持续——过去在推进数字化转型时,企业反复在与这几个词打交道。今天很多看似新出现的问题,只是随着AI的普及转移到了新的载体上,从产品、系统变成了Agent,从数据烟囱变成了上下文烟囱。

AI让个体获得了前所未有的技术创造力,同时也让组织再次面对一个老问题:如何管理、共享和积累这些分散生长出来的能力。当个体拥有越来越强的AI能力,组织如何把个体创造力转变为企业能力?

02

从“人人用AI”到“组织即AI”

目前,大多数企业对AI的推广,还是围绕一个目标展开:让每一个人都用上AI,提高个人工作效率。但个人效率的提升,并不意味着组织能力也会同步提升。

美团核心本地商业CEO王莆中提到美团在AI变革早期就踩过不少坑。2月初开源智能体OpenClaw全球爆火,美团开启“全员养虾”运动,10万名员工养了8万只龙虾,两周做出10万个Skill,日均token账单高达上千万。但是提效还没看到,权限管理、模型幻觉等问题先冒了出来,甚至干扰了真实经营。

这也是现在不少企业面临的尴尬,上岗的Agent越来越多,但生产力未必同步提升。智能体如何从单点提效升级为可扩展、可审计、可管控的组织智能,正成为企业AI转型的现实挑战。

我们可以把AI带来的效率变化分成三个层次:

第一层是个人拥有AI能力。一个人借助AI提高效率、完成更多的工作,他可能使用AI写代码、做分析、搭建Agent或工作流。此时能力完全附着于个人身上,企业获得的是这个在岗位期间个人生产率的增长。

第二层是团队共享AI能力。一个人验证过的Agent被团队和其他人复用,并沉淀团队经验进行优化,prompt和上下文被沉淀为团队资产,新成员不需要从头摸索和搭建。此时个人能力扩展为团队能力,变成团队的存量。

第三层是组织拥有AI能力。Agent的身份、权限、发现、审计有统一规则,跨团队的Agent可以安全协作,组织能够根据运行数据和反馈持续调整知识、流程和任务分配。此时能力不再依赖任何一个具体的人,而是嵌入组织的结构和机制之中。

AI可以直接提升个人生产率,也可以在一定条件下提高组织效率。但只有当个体创造的知识、方法和执行能力能够被组织吸收、共享、复用和持续优化时,生产率提升才有机会转化为长期、可积累的组织竞争力。

因此组织可控性不应通过限制个体创造来实现,恰恰相反,应该让个体创造的能力可见、可共享、可复用、可治理来实现持续价值的发挥。

03

让Agent成为组织能力的新单元

IDC的一项调查显示,95%的受访企业至少有一个由公司出资的Agent工作流投入生产,平均每家公司运行着约11个Agent工作流。

但这似乎又出现了另一个奇怪的现象:薛定谔的增效。即是说,Agent越早越多,员工也能说出效率提高的个例,但在算清楚总账之前没人能知晓是否真的实现了企业增效。

一类问题是Agent demo做得很酷炫,但一上线就挂。

一些企业缺少内部知识库和知识沉淀,管理者希望用AI提升运营效率,但骨感的现实是实际的经营分析场景仍依赖各种复杂的Excel表。于是团队为满足管理者的要求快速搭建了可演示的Agent,但却发现它对业务know-how的理解和落地之间存在着巨大的差距。

Agent能够调用模型、工具和数据,并不意味着它真正具备完成业务任务的能力。真实业务中的Know-how,往往不只存在于正式文档和数据库里,还分散在员工多年的工作经验、系统使用习惯、口口相传的判断规则,以及那些从未被明确记录的例外处理方式中。

例如业务运营和财务等部门,因为历史积累下来的excel表非常庞杂,各类过往数据源可以已无从追溯,表格中都是各种复杂的引用和公式嵌套,再加上一些无法清晰总结的个人经验逻辑。缺少这些上下文,Agent即使能够执行流程,也未必能够做出符合业务实际的判断。

比起给模型接入几个工具、写一段Prompt、快速搓出一个绣花枕头的Agent,更重要的是识别任务所依赖的业务知识、规则和判断逻辑,将其中可以标准化的部分沉淀下来,并通过真实业务案例验证Agent是否真正理解任务。

第二类问题是Agent批量生产却没有形成能力复用,还带来了治理困难。

有的互联网公司已经成立了AI中台部门替全公司开发Agent,但各个业务部门仍会按照自己的需求搭Skills和工作流。由于缺乏统筹,Agent被重复开发,且推广时碰上复杂的组织问题,遇到多Agent协作时甚至出现内耗和打架。

这其实是过去企业数字化建设中非常熟悉的问题:技术平台已经存在,但业务需求仍然分散在各个部门,每个团队都在解决自己的问题,却没有形成组织层面的能力共享机制。

另外,Agent数量越多,这个问题越明显。不同Agent使用不同的知识版本、执行规则和接口,多Agent协作时如果边界和责任归属界定不清晰,就会出现重复执行、相互覆盖、反复修改的问题。

所以比起建立Agent开发平台,企业还需要一套组织级的能力管理机制。需要让各团队清晰知道已有的Agent和Skills,明确它们的能力范围、适用场景和维护责任,让经过验证的通用能力能够被复用,避免各自开发的Agent变成新的数字化孤岛。

第三类现实的问题是企业很难算清楚AI到底有没有实现增效。

单个Agent的试点很容易展示价值,但当被放进真实业务链路,结果可能完全不同。一个业务任务往往需要多个Agent串联完成,而多Agent犯错时,错误会沿着工作流积累。按照最简单的串行模型,假设三个环节的Agent各自成功率都是70%,整个链路的成功率只有34.3%。

单个Agent看起来已经具备一定可用性,并不代表由它们组成的业务流程也具备同样的可靠性。实际场景中,错误还可能在后续环节被放大,产生额外的人工检查、纠错和返工成本。

Agent治理中强调可观测和可审计,本质是让错误在传导过程中可追溯、可拦截。可靠性设计需要包含人工确认节点和分层级授权,保证Human-in-the-loop。另外,需要把评估维度从单个Agent转向端到端业务产出,从业务视角和业务指标衡量其价值。除了任务完成率、处理时间、正确率以外,也需要关注人工介入率和返工率,同时还需要追踪Agent复用率、跨团队协作次数等。

Agent规模化的真正挑战,不是如何更快地生产Agent,而是如何让Agent理解业务、共享能力、可靠协作。当Agent不再只是一个个独立的应用,而是成为组织能够管理、调用和持续优化的能力网络时,AI才真正开始从个人生产力工具转变为组织能力。

04

AI原生组织:持续进化

企业从人人用AI走向真正的AI原生组织,需要经历怎样的演进?Google提出了一个成熟度模型作为观察框架,用来观察和评估目前所在的阶段。

下面内容是我个人对这张图的理解,不代表Google官方解释内容。

Level 1|个人增强:人人用AI

个人开始广泛使用AI提高生产率,企业中涌现出超级个体。每个人都可能拥有自己的AI助手、Prompt、工作流和小工具,但能力主要掌握在个人手中,组织的AI水平取决于少数人的水平。

Level 2|团队协作:Agent能力共享

Agent能力开始共享,人和Agent、Agent和Agent参与团队任务,组织逐渐形成新的协作网络。AI能力不再只是个人工具,而开始成为团队资源并形成团队沉淀。

Level 3|组织治理:能力可见、可控、可复用

身份、权限、注册发现、审计和可观测机制逐步建立,组织能够管理跨团队、跨平台的Agent能力。能力变得可识别、可控制,不再依赖某个人“知道它在哪里”。

(对于“统一平台”这点个人认为平台可以多元,治理需要统一,重要的是基于统一规则的协同能力)

Level 4|组织进化:数据驱动的持续优化

组织不仅能够调用Agent完成任务,还能够根据业务运行产生的数据和反馈,持续优化自身的知识、任务分配、业务流程和Agent能力,形成自我改进的闭环。

例如在售后服务场景中,企业可以持续分析故障类型、诊断准确率、服务响应时间和客户反馈,识别哪些知识需要更新、哪些流程需要调整、哪些任务可以进一步交给Agent自动处理,以及哪些环节需要增加人工判断。

此时AI不再只是执行既定流程,而是参与组织能力的持续改进。这才是从数字化组织走向AI原生组织更深层的变化。

联想与中国人民大学商学院2026年9月联合发布的《AI原生组织转型指南》把AI原生组织定义为:

“将AI深度融入企业业务模式和工作流程,使智能体成为组织的新型生产力,并与碳基员工共同构建高效、灵活、可持续进化的人智共创组织”

一个组织不会因为其用了AI就成为“原生”,而是因为它的知识、流程和能力能够随着运行反馈持续变化才成为了AI Native,AI也从一组组静态资产真正成为组织能力。

05

真正的组织进化,不是让每个人都变成超级个体

回到最初的问题:当个体拥有越来越强的AI能力,组织如何把个体创造力转化为组织能力?

我认为企业需要关注的已经不只是如何让每个人用好AI,而是如何让个人创造的知识和能力进入团队,如何让Agent成为可共享、可协作的组织资源,以及如何建立相应的治理机制,让这些能力能够持续积累和进化。

这也意味着,AI时代的组织管理需要发生一些变化。

AI时代,真正的竞争力可能不再是组织拥有多少会使用AI的员工或部署了多少Agent,而是组织能否把个体创造力转化为共享的能力,并让这些能力持续积累、协同和进化。

从人人用AI到组织即AI,改变的不只是技术使用方式,而是企业沉淀知识、分配任务、协同执行和持续进化的方式。

原始来源: 虎嗅

评论 (0)