当AI开始有工号、有OKR,企业还按老办法管理吗? | 现场派
10月16日晚,中欧上海校区115教室座无虚席。由2025级上海4班、5班、6班联合承办的EMBA红枫论坛,这一期的定位很直接:真问题、真案例、真落地。
一个人能带几个数字员工?中层还剩下多少不可替代的判断?团队考核按人头编制算还是按人机协同的实际产出算?这些问题没有标准答案,但当晚的论坛嘉宾们,各自带着一组已经跑出来的数据和案例,拼出了一条完整路径:从超级个体,到超级组织。

88%的企业用了AI
只有14%见到效果
第一位登台的易路创始人兼CEO王天扬(中欧EMBA2005级),上来就给出两组数字:88%的中国企业已经部署了AI,但只有14%取得了显著效果;70%的员工认为自己准备好了,但只有27%的领导者认为自己准备好了。
“个人很强,企业很慌。”王天扬说,今天善用AI的个体觉得自己像神一样,但组织的竞争力没有把一群“神”凑在一起。
他给出一个公式:组织竞争力=(人才密度×AI杠杆)÷组织摩擦。分子大家都懂,真正拉开差距的是分母——部门、岗位、流程、权限,这些传统组织的“摩擦力”,正在吞掉AI带来的红利。
解法是什么?王天扬的答案只有一句话:把岗位拆成任务。
工业时代的组织先定岗定编,再招人;AI原生的组织反过来,先把经营中的复杂问题拆成一个个任务,再判断每个任务由AI做、由人做、还是人机协同做。
他举了招聘的例子。传统企业里,业务部门要一个人,需求被层层转述、层层加工。HR为了显示工作量,简历给得越多越好,漏斗前端越做越大,全组织花大量时间做无谓的筛选。
而在AI驱动的招聘里,业务负责人直接说“我的产品总监离职了,帮我找人代替他”,AI基于过去八到十年积累的招聘市场数据(背后是三四十万个技能标签)直接完成调研、画像、搜索、初筛,人只在最后做面试决策。
选人用人这件事,本来是个艺术,今天真的可以变成科学。


把5个层级压成2.5个
王天扬带来的完整案例是协鑫,一家拥有4家上市公司、4万多人的新能源制造集团。从2023年打数据基础,到2025年引入AI做人才选拔,再到2026年全面启动AI原生组织转型,协鑫的成果相当硬:管理层级从5层压缩到2.5层,中层减少50%—60%,人效提升20%。
怎么做到的?三步。
第一步,大改小、小改专:把岗位拆成任务,把任务交给专家,组织围绕任务而非部门运转,底层用AI中台统一所有数据。
第二步,岗位重构:对全部岗位做“AI适配度评估”,分清哪些任务可被AI替代、哪些可被AI增强、哪些必须由人完成;再把绩优员工的技能蒸馏成Skill、封装进Agent,推广到全组织,过去的成功经验就此固化、可复制。
第三步,流程再造:把决策收进一个“智能大脑”,流程分三级——AI全自动执行、AI执行加人工确认、AI辅助人决策。
最终形成的组织形态,王天扬称之为“哑铃型”:顶端是少数懂业务、会用AI的“超级大脑”,底部是大量执行者(包括数字员工),中间那层又薄又小。
以前中层做两件赖以生存的事,上传下达和战略分解。今天AI加上leader,一次性就分解完了。还有外企中层著名的“边界管理”技能——部门墙没了,润滑剂也就不需要了。


换电动机没用
拆传动轴才有用
王天扬讲的是组织这一端,阿里云公共云事业部解决方案副总陈立伟讲的是技术那一端。但他开场的第一个比喻,就把两端打通了。
“电力1882年就发明了,但真正在企业里引发生产力革命,等了将近40年。”陈立伟说,当年的工厂只是把中央的蒸汽机换成电动机,传动轴不动、产线布局不动,什么效果都没有。
直到有一天,工厂拆掉那根传动轴,把小电动机铺到每个生产环节,流水线诞生了,电力的威力才真正释放。
今天大模型进企业,关键问题是一样的,企业的“传动轴”拆了没?PC进企业等了20年,等的不是电脑本身,而是成本下降、Office软件生态、以及会用软件的一代人。
每一轮生产力变革,卡脖子的未必是技术,还有配套的基础设施。
那么AI时代的“马具”是什么?陈立伟借用了技术圈的概念Harness(马具)——模型本身只会“输入一段文字、输出下一个字”,是马具让它会计划、会执行、会检查、会反思。
映射到企业内部,是四件事:让Agent接入企业上下文才能“计划得准”;打通HR、CRM、MES等内部系统才能“执行得了”;建立可观测体系才知道“它干得怎么样”;把优秀员工的经验蒸馏沉淀下来,才能让它“越干越好”。
阿里自己的实践是最好的注脚。编程产品团队只有几十人,用户却爆发式增长到数百万,服务跟不上。于是团队“长”出了一个数字员工“Q仔”。
它在钉钉里有工号、有主管、有OKR——召回率和准确率;它能读源代码、查文档、开讨论组,遇到不会的问题,主动找对应的真人工程师请教,记住答案,下次就会了。
三个月里,它在企业内部完成了自我进化。
更有意思的是,阿里数字员工不是IT部门规划出来的,是业务团队自己长出来的。平台提供底座,懂业务的人自己设计数字员工的职责、权限和OKR。
三个月时间,数字工号从280多号排到了4000多号。
陈立伟把AI落地分成三个阶段:工具辅助、Agent入网(数字员工独立承担流程中的真实环节)、组织协同重构。


从一个人带一支AI小队
到“蜂群”
腾讯云AI首席解决方案架构师周为洲,把视角收回到个人。
他给出一组来自一线的数字,在腾讯产品线里,“一个人带一支AI小队”已成为常态,并行任务吞吐量是原来的5—6倍。知道要做什么、验收标准是什么,中间的规划和执行就交给Agent,甚至可以用另一个Agent去检验它。
但放大到整个企业的账本上,数字就没那么好看了。即便是跑得最好的一批优等生团队,ROI也只到百分之三四十。
个体的效率上去了,组织的账本还没跟上。
周为洲用凯文·凯利《失控》里的“蜂群”作比喻,AI把试错成本降到极低之后,小团队、小作坊里会长出战斗力惊人的“超级团队”,他们共享知识、及时反馈,甚至能为高层提供更多的路径选择。
他建议,不要等调好了组织再上AI,先把那批最会用AI的人找出来,给他们激励、给他们舞台,他们贡献的东西会超乎想象。


最后一公里:
判断力、品味和人的责任
圆桌环节,华尔街见闻创始人吴晓鹏(中欧EMBA2025级)把讨论拉回到“人”。
作为一家内容公司的创始人,他对效率的态度近乎克制。华尔街见闻内部正在推进阿米巴式的小团队独立核算,内容同事的效率普遍提升了数倍,但他主动踩了刹车。
原因不在技术,在责任。做内容生意,卖出去的是可信度——今天稿件从选题到成稿,已经是多Agent协作的流水线,唯独发出前的最后一道关口,他坚持留给人。判断、品味、增量信息——最后一公里的把关,是机器替代不了的。
他还分享了一个耐人寻味的观察,在金融投研领域,AI的战绩并不好。一些AI交易大赛,给每个模型一万美元实盘操作,最后大多以亏损收场。
“巴菲特和索罗斯靠的不是算力,是一套自己的哲学、方法和价值观组成的稳定系统。”他说。
这恰好回应了“大模型会不会吞噬一切”的争论,模型求的是最大公约数,而不同行业不同企业的专业知识、经验和上下文,恰恰是公约数之外的东西。
圆桌主持人、中欧决策科学与管理信息系统谭寅亮教授总结,资本市场也经历过同样的摇摆,软件股股价曾因“大模型吞噬软件”的担忧深度回调,之后逐步修复;主流观点也渐趋一致:大模型提供了很好的地基,但最后一公里,仍要靠懂行业、懂流程、手握数据的人走完。

整场红枫论坛回答了一个问题,AI落地,功夫该下在哪儿?答案在工具采购清单之外的四件事——把问题拆成任务;把上下文交给Agent;把组织的摩擦降下来;最后,给判断力留一个位置。
论坛开场时,EMBA课程主任黄生教授说过的一句话,到散场时回味正合适。“敢不敢用AI给的答案,取决于你有没有原理级的认知。越是AI给答案的时代,判断力越值钱。”
超级个体已经出现。超级组织,才刚开始。█
现场派
在中欧EMBA“现场派”,跟随教授、同学,从海外实境课走进不同国家与市场,从国内实境课深入本土产业与企业,也在日常班级活动中抵达经营一线,去看一门生意如何发生,一家公司如何生长,一个市场究竟被什么力量所塑造。

