AI为什么是算力革命倒逼生产关系重构的质变时刻？|生产关系|质变

作者：王敬华校审：李文慧排版：习丌

设想这样一个管理情境：客户要求提前交货，销售想保住订单，生产担心挤占既有排程，采购找到了替代材料，质量部门却不能放行。每个部门都在为企业负责，企业仍然迟迟给不出一个可以兑现的答复。

给这个场景加上AI，事情会怎样？销售可以更快整理客户信息，采购可以更快比对供应方案，生产可以更快测算排程。但只要替代材料由谁批准、其他客户的交期能否调整、额外成本由谁接受仍然没有说清，几份更好的方案就可能继续停在同一场协调会上。

总经理真正需要的，是组织能够作出一个有依据的决定，并把它兑现。提前交、分批交，或者不接受这次要求，都可能是正确答案；答案取决于事实、能力和取舍，不取决于谁的AI报告写得更漂亮。

这正是AI带给企业的深层问题：当获取信息、形成方案乃至执行部分工作的能力发生变化，企业原有的分工和权责关系，还适不适合完成同一个经营结果？

要回答这个问题，需要把AI放回动力革命、能源革命与算力革命的演进中。蒸汽和电力怎样从新的技术能力进入新的生产方式，为我们理解算力革命中的AI提供了历史参照；由此才能进一步判断，今天哪些分工与权责安排正在面临改变的压力。

当AI能够参与理解信息、分析问题、形成方案等脑力工作，并在授权范围内执行部分任务，企业就需要重新审视人与AI怎样分工，以及相应的权责怎样安排。AI的质变意义正在这里：算力进一步进入了人的知识工作，企业要处理的，也从怎样使用工具，延伸到怎样组织共同劳动、分配决定权和分享成果。

个人更快以后，企业还要跨过哪道坎

AI已经进入许多人的日常工作，但个人做得更快，企业未必就能更快兑现客户承诺。

麦肯锡2026年8月发布的全球AI调查，汇集了当年5月至6月间97个国家1719名受访者的回答。其中，80%报告AI提高了个人工作效率，37%报告AI对所在组织的息税前利润产生了正向贡献。一些未报告企业整体利润贡献的受访者，仍报告所在业务职能获得了成本或收入收益。

这组数字呈现的是不同层次的自报收益。个人少花一小时，可能意味着少加班、服务质量改善，也可能释放出尚未用起来的产能；只有当企业找到相应需求、改变资源使用，或者减少真正发生的成本，收益才可能进一步进入经营结果。个人效率与企业利润不能直接相减，利润暂未变化也不能证明组织没有改变。

麦肯锡同年7月发布的另一项调查，把工作方式放进了观察范围。研究基于2月至4月750名已在工作中使用AI的员工及管理者的回答，将组织区分为个人工具赋能、跨职能流程自动化和工作方式重塑三个阶段。在回答企业价值问题的领导者中，报告已经获得价值的比例分别为13%、24%和48%。这是不同组织之间的同期关联，管理基础、资源和业务选择也会影响结果，不能解释为依次升级就会得到相应回报。

管理者可以由此追问：省下来的时间，究竟停在了哪里？

如果报价准备变快了，订单却卡在质量验证，下一步就应改善验证能力；如果所有条件都已满足，决定仍在多个部门之间等待，就该检查授权与协调；如果交付已经变快，客户却没有更多需求，问题可能转向产品、渠道或商业模式。不同的约束，需要不同的经营选择。

局部提效要成为整体收益，必须经过具体的经营传导。当瓶颈从“做不出方案”转向“有方案却无法行动”，组织问题才以更鲜明的方式进入管理者视野。要理解这种转移的分量，还需要从眼前的应用，回到生产力革命的历史。

三次生产力革命：从换用新能力，到重新组织生产

本文沿着三次生产力革命展开：以蒸汽机为代表的动力革命，以电力为代表的能源革命，以及以计算机、网络和人工智能为代表的算力革命。这是一条观察基础能力变化的历史主线：机器动力怎样扩展，能源怎样送达和使用，机器怎样从处理信息进一步参与分析、判断等脑力工作。三个重点相互承接，也有交叠，不能把它们理解为彼此割裂的三个时代。

蒸汽机扩展了机械动力的来源和用途，使更多生产不必紧邻合适的水流；电力使发电、输送与用电能够在空间上分开，动力可以更灵活地到达不同设备；计算机与网络扩大了信息处理和协作范围，AI则在这些基础上，进一步参与理解问题、形成方案和执行任务。它们改变的对象不同，却都让企业有机会重新安排生产。

经济学家蒂莫西·布雷斯纳汉与曼努埃尔·特拉赫滕贝格在1995年提出的通用目的技术框架，有助于解释这种影响：一项技术可以用于许多领域，自身具有持续改进的潜力，还能与应用领域的创新相互促进。其意义超出了某台设备的效率，延伸到围绕它形成的产品、工艺、技能和组织。新技术能做什么，与企业学会怎样使用它，是相互推动的两件事。

由此，可以区分企业面对新技术的两类改变。换源，改变的是完成工作的能力来源；再造，改变的是这些能力怎样被组织起来完成工作。用电机带动原有传动轴，用软件处理原来的表单，给员工配备AI助手，都可能先改善既有工作；如果进一步调整设备布局、工序衔接、任务分工和决定权，变化就进入了生产组织本身。

这个区分用来辨认变化发生在哪里，不是给历史规定统一顺序。企业可以一边采用技术，一边改变工作；新的组织方式也可能先在旧技术条件下出现，再被新技术放大。换源本身能够产生收益，再造则要回答另一层问题：当能力条件已经改变，原来的协作关系还是否适合？

同样不能把蒸汽、电力和计算机的扩散压成一张倒计时表。某项发明问世、设备占比过半、一个行业生产率加速，衡量的是不同事件，不能据此推算AI还要等待多少年。历史真正值得比较的，是新能力怎样与工艺、组织、技能和市场结合，以及什么条件使这种结合迟迟不能发生。

循着这个问题，先看动力革命，再看能源革命，最后回到AI在算力革命中的位置。

动力革命：机器生产与工厂制度怎样共同长成

蒸汽时代的组织变化，要从一座使用水力的工厂说起。

1771年，理查德·阿克莱特在英国克罗姆福德建立水力纺纱厂。机器、工人和管理被集中起来，生产需要共同的作业时间、工序衔接与现场协调。这里重要的变化，是劳动开始围绕集中配置的机器来安排：个体怎样工作，越来越受到共同生产过程的约束。这种工厂组织已经在水力条件下发展，并未等待成熟的旋转式蒸汽动力成为基础。

这段历史说明，技术与组织的关系比“先发明机器，再产生工厂”更复杂。机器生产提出了组织共同劳动的要求，水力工厂先形成了相应安排；后来蒸汽动力扩展了机器生产的可能，已有的工厂制度也为它提供了使用场所。两者相互促进，才使更大规模的生产成为可能。

英国科学博物馆保存的一台1788年旋转式蒸汽机，曾在伯明翰的工厂驱动多台金属抛光机器。它展示了蒸汽怎样从抽水等用途进一步进入机器生产。随着性能和经济性改善，蒸汽减少了工厂对适宜水力地点的依赖，也通过交通运输扩展了生产与市场相连的范围。不过，燃料、供水、运输和设备成本仍然约束选址，工厂并没有因此摆脱一切地理条件。

新的动力能够驱动更多机器，却不会替管理者安排好所有工序。原料怎样进入，工人怎样配合，前一道工作何时交给后一道，谁有权规定作业节奏，仍要通过组织来解决。集中动力扩大了共同生产的规模，也使雇佣、指挥、监督和专业分工成为更突出的关系。工人的技能和生计，就在这样的生产安排中受到影响。

动力扩大与收益实现之间，也有经济条件的距离。尼古拉斯·克拉夫茨在2004年发表的增长核算研究中指出，蒸汽对英国经济增长的贡献经历了长期积累，性能改善、成本下降和应用范围扩展都很重要；水力在不少条件下仍有竞争力。因此，企业继续使用水力，不能一概解释为拒绝进步。只有新动力与实际用途、成本和组织能力相适应，改造才有经营依据。

动力革命让机器生产能够在更大范围内展开，工厂制度则把机器与人的劳动组织成共同的生产过程。它提供的启示，是新能力必须进入具体的劳动关系才能形成生产，而这些关系既可能先行探索，也会随着技术扩散继续变化。

但集中动力仍要借助轴系和皮带送到机器旁。工厂的布局与工序，因而还要服从动力传递的条件。电力带来的新空间，正是在这个位置展开。

能源革命：动力送达每台机器，生产才有新的布局可能

在依赖集中机械传动的工厂里，一台原动机通过架设的传动轴和皮带带动多台机器。工人搬着半成品往来于设备之间，机器能放在哪里、怎样调整位置，受到传动结构的限制。生产需要顺畅的工序，动力却必须沿着既有轴系送达，两者未必一致。

电力为这种不一致提供了新的解决空间。工厂可以用电机继续带动原有轴系，也可以把共同传动拆成较小的机群，进一步让单台机器独立取得动力。沃伦·迪瓦恩1983年关于电气化的研究区分了这些安排：成组驱动已经能够带来灵活性与组织改进，单元驱动则进一步减少了机器对共同轴系的依赖。不同方式曾长期并存，选择与工艺、设备和成本有关。

当机器能够分别取用动力，管理者就更有条件按加工顺序和物料流动安排设备，减少为了配合传动结构而发生的搬运。车间不必只围着动力来源安排工作，可以更多地围着产品怎样完成来设计。由此打开的收益，不仅来自动力使用本身，还来自布局、衔接和劳动组织的改变。

1913年，福特在高地公园工厂把可互换零件、细分劳动和物料连续流动组合成影响深远的移动装配线。亨利·福特博物馆的史料显示，这种安排经过从部件到整车底盘的渐进试验。让物料移动到工作者面前，减少了搬运，也重新安排了工人的动作与工作节奏。它是生产方式变化的鲜明例子，但不能单独归功于电动机，更不能成为所有行业共同的质变年份。

在这样的生产方式中，收益和人的处境紧密相连。设备怎样摆，决定了人怎样配合；节奏怎样设定，影响了劳动强度和自主空间；产量提高之后，成果怎样在投资者、管理者和劳动者之间分配，又成为新的管理与社会问题。电气化的意义由此超出了机器升级，也进入了指挥、协调和利益关系。

这些变化还需要供电、设备、厂房与技能相互配合。保罗·戴维1990年关于电力与计算机的研究提醒人们，旧厂房和设备仍有使用价值，改建需要成本，企业不会因为一项新技术出现就同时停产重建。新建工厂可以在设计之初更充分地利用新条件，旧厂则要比较继续使用与改造的代价。技术已经可用，与改造已经合算，是不同的判断。

这也解释了组织改变为什么经常慢于工具采用。旧安排承载着正在履行的订单、已经熟悉的技能和维持经营的投入。重新配置这些关系，需要设计、试验和学习；等待有时来自合理取舍，有时则来自已经失去依据、仍无人愿意调整的习惯与权力。

能源革命提供的新自由，是能力可以更灵活地送达生产单元；企业需要完成的改变，是让工序、协作与责任用好这种自由。沿着这条线看算力革命，问题便从机器怎样取得动力，转向工作怎样取得知识，以及取得知识之后谁有权行动。

算力革命的演进：从处理信息到参与分析、判断与执行

算力革命首先大幅扩展了信息处理的规模和速度。计算机、软件与网络把原先分散的业务记录连接起来，使企业能够处理更多交易、协调更长的供应链，并在更大范围内组织工作。在这个过程中，技术与组织同样相互塑造。大型计算机扩大了集中处理业务的能力，个人电脑让更多岗位能够直接使用计算工具，网络与云服务又改变了信息连接和计算资源取得的方式。这些形态不断叠加，并没有按整齐的年代依次退场。

1990年，迈克尔·哈默提出业务流程重组，强调围绕结果设计工作。蒂莫西·布雷斯纳汉、埃里克·布林约尔松和洛林·希特在2002年发表的企业研究，也讨论了信息技术与更广的岗位职责、分散决策和团队组织之间的互补关系。流程、岗位和决策关系的变化，早已是算力革命的一部分。

这种变化在零售业有具体表现。美联储理事兰德尔·克罗斯纳在2006年关于生产率的演讲中，讨论了信息技术如何与零售业务实践相结合。他举出的变化包括改善供应商与零售商之间的供应链衔接，让订单进展更加可见。对一家连锁企业而言，门店信息即使传得更快，补货规则、供应协同与人员行动仍不改变，信息的价值就可能停在报表里；这一经营推论，同样适用于今天对AI的观察。

所以，AI并非第一次使组织有条件减少层级、重做流程或扩大协作。它把这场革命向前推进的地方，需要在机器所能参与的工作类型中寻找。对于许多边界清楚的业务，软件可以按照事先设计的规则处理；面对客户的新要求、含义不完整的材料或相互冲突的条件，理解、分析和衔接则长期高度依赖人。AI正在扩大机器可以参与的任务范围，使部分难以逐项预先写成规则的工作，也能得到机器辅助。

例如，面对提前交货的请求，原有系统可以查出库存、订单与排程；要把这些记录联系起来，解释客户真正需要什么、比较几种调整的代价，通常还要由不同岗位的人完成。接入适当模型和工具后，其中一部分材料归纳、方案比较乃至执行步骤，可以在人提出目标、给定权限并核查结果的条件下，由AI参与完成。企业因此可以在具体业务中使用AI提供的分析、方案建议和任务执行支持。

这里的变化，已经超出了把同一项计算做得更快。过去，一段工作交给哪个岗位，往往也就决定了到哪里取得所需知识；现在，部分原来依赖专家在场的能力，可以在经过表达、授权与检验之后，供更多任务使用。人仍要提供专业判断，但工作与岗位之间的对应关系，有了重新组合的空间。

经济学者恩里克·伊德与爱德华·塔拉马斯在2025年发表的《知识经济中的人工智能》中，正是从AI承担部分难以预先写成明确规则的脑力工作出发，讨论知识分工及人的收益可能怎样变化。这个理论模型提示，AI以辅助者还是自主执行者的方式进入工作，会带来不同的组织与分配后果，不能预先把所有企业归入同一种未来形态。

算力在支持信息处理的同时，进一步参与一部分理解问题、形成方案和执行工作的过程。这种能力供给的变化，使企业有条件重新安排人与AI在这些工作中的分工；它怎样进一步触动生产关系，是下一步需要回答的问题。

AI为什么成为质变时刻：能力供给开始触动分工与权责

知识工作有了新的能力来源，企业原有的协调方式还是否适合？这个问题把AI在算力革命中的变化，进一步带到了分工与权责关系面前。

回到交期请求。过去，等待可能主要发生在收集材料、请专家分析和形成备选方案的过程中；如果AI使这些工作明显加快，而一项具备条件的决定仍要经过多层协调和逐级请示，继续增加模型能力就难以消除剩下的等待。原来为集中知识、协调专业分工而形成的安排，便需要重新检验：哪些仍在守住必要边界，哪些已经让能够完成的工作迟迟无法行动？

当这种等待影响客户响应、增加协调成本，或者使企业失去本来可以把握的经营机会时，调整就有了现实压力。“倒逼”发生在这里：新能力打开了新的生产可能，原有分工与权责却限制了这种可能的实现，管理者必须处理两者之间的不匹配。压力来自具体的经营处境，无法仅凭一场技术演示宣告。

组织原来怎样集中知识，也会受到影响。专家把经验传给少数熟悉的同事，与把经过检验的部分经验供更多任务调用，会形成不同的能力供给范围。如果所有使用者仍必须逐次等待原专家处理，每个人配上AI后增加的方案，反而可能拥堵在少数判断节点上；如果把所有判断都放出去，又可能失去专业质量。企业要重新区分可复用的知识、需要本人承担的专业判断，以及可以在明确条件下前移的决定权。

这也让协调成本的变化具有两面性。AI可以帮助人更快理解不同部门的材料，也会产生更多待选方案、核验工作和例外。它既可能支持前端自主，也可能增强总部集中分析的能力。最终怎样分工，取决于知识能否可靠使用、错误的后果和责任的安排，不能从工具的分布直接推导组织必然走向分散。

能力可以重新组合，决定权和责任却不能含糊。模型能提出改交期方案，不等于它有权影响另一位客户；它能识别风险，也不等于它可以替企业接受风险。企业要同时回答：哪些工作可以交给人机组合完成，哪些决定可以前移，哪些专业判断必须独立保留，谁对完整结果负责，以及新增成果怎样分配。

所谓生产关系重构，在本文聚焦的企业组织层面，指的就是这种分工、指挥协调、能力使用和利益分配关系的调整。它涉及谁控制和调用关键能力、谁拥有决策权、谁承担责任、谁分享收益，也影响员工怎样成长和表达异议。本文据此讨论企业关系的变化，不把它延伸为所有制必然发生某一种变化的断言。

沿用电力的比喻，单台机器可以就地取得动力，具体任务也开始能够直接获得AI提供的分析和执行支持，减少对某个岗位或某位专家随时在场的依赖。但这个比喻有边界：AI的分析和建议可能出错，专家仍承担训练、判断和专业责任，不能把知识像电流一样看作接入接口就能可靠使用。这个差别决定了，AI时代需要同时重审能力配置与责任安排。

因此，时代的转折与企业的实现，要放在两个层次观察：前者是可供选择的生产方式发生变化；后者是企业真正改变了某类情境下谁能作决定、怎样协调行动、谁承担后果和分享收益。这种改变是否必要、是否值得，要在具体业务中检验。

AI的质变意义，在于算力开始更广泛地参与分析、判断等脑力工作；生产关系的重构压力，则来自新的能力与既有工作秩序之间的不匹配。企业怎样回应这种压力，将决定技术带来的可能性能否进入自己的生产方式。

从一项交期请求开始，把能力、权力与责任接起来

宏观变化落到企业，首先表现为一项工作究竟怎样作出决定。

对开篇的交期请求，企业应先区分评估与承诺：形成一份可行方案，并不等于已经答应客户提前交货。销售说明客户需求和商业价值，生产提供排程约束，采购提出供应选择，质量人员完成必要验证，AI协助整理事实和比较方案；这些工作共同服务于一个明确结果——企业能否接受这次请求，以及愿意承担什么代价。

继续这个设想。过去，订单负责人难以及时看清调整对其他订单和成本的影响，只能逐次依赖集中分析和总经理协调；现在，AI在获准范围内关联业务记录、整理冲突并比较方案，关键依据由相关专业人员核查，订单负责人因而更容易获得完整的判断材料。若这类分析在实际使用中达到所需可靠性，企业就有条件把常见情形的决定权前移。

企业可以据此作出一项具体授权：在既定成本限额内、不影响其他客户承诺且通过专业验证时，由具备相应授权的订单负责人决定采用哪一种内部方案，并交由具备对外承诺权限的商务责任人完成客户协商，约定落实后再组织履约。超出成本限额或涉及跨客户取舍时，才交给有权处理该项冲突的人决定。这样改变的，是常见情形下的决定权和协调方式。

在这个场景中，订单负责人承担衔接各方、组织取舍并解释完整结果的责任，专业人员则继续承担相应判断责任。质量验证未通过，交期压力不能替代专业结论；AI给出的依据不可靠，就需要复核或改用其他办法。把完整结果交给一个人负责，并不意味着把所有专业责任都压给他，更不能让内部责任分工成为企业回避对外责任的理由。

这种安排要成立，参与者必须共同知道结果是什么、边界在哪里、各自能作什么判断，以及凭什么验收、何时需要停止或升级。信息、资源与权限应当同责任一起到位，否则所谓结果负责人只会成为新的压力承受者。任务可以动态组合，责任必须始终有人接续。

从具体业务场景出发，先明确为谁形成什么结果，再安排能力、任务和责任，企业才有依据判断哪些关系值得改变。工资核算、标准采购等边界清楚的工作，已有流程能够可靠完成，就应继续使用；即使是交期请求，落实既有授权或修好一个接口已经足够，也不必扩大改造。

前端要能行动，内核就要提供可以信赖的公共能力

一项交期请求能够顺利完成，还只是局部进展。如果每个部门都各建一套智能体，采购、生产和销售可能分别保存不同的供应商资格判断；同一项规则变化以后，有的系统已经更新，有的还在沿用旧版。局部能力越多，企业反而可能需要花更多时间解释差异、核实依据和重新协调。

这就需要一套共同的组织安排，使前端行动有可靠支持。菌丝体组织所说的“强内核、活前端”，首先回答的正是这个问题：强内核守住使命、共同事实、专业标准、身份权限、公共能力和风险底线；活前端接近顾客和现场，在边界内感知、组合和行动。内核提供可信赖的支持，前端才能在适当范围内自主判断。

共同能力的价值，要在业务能否更可靠地行动中体现；若内核把所有使用都变成新一轮审批，它也可能成为新的等待中心。

电网的比喻在这里仍然有用。共同能力可以反复调用，前端就不必各自建设全部基础；但企业提供的公共能力还要带着解释与责任，让使用者知道它适用于什么问题、依据什么事实、谁负责维护、结果怎样核查。只有模型接口而没有这些共同约定，工作仍会停在相互等待与重复确认中。云平台提供算力和模型服务，企业的公共能力还要把自身的事实、专业标准和授权关系接入工作，两者承担着不同的职责。

组织安排要进入日常运行，还需要相应的数字支撑。一项交期评估会经过销售、采购、生产和质量等不同系统，各系统保存自己的业务记录，工作却必须作为一个整体持续推进。参与者需要知道当前由谁负责、哪些条件已经满足、下一步可以作什么决定，以及出现异常由谁接手。因此，AI时代，企业需要一套能够承载跨系统工作秩序的数字载体，把分散在不同系统中的能力与行动组织起来。

这套载体可以通过改造和连接既有系统逐步形成。订单、库存与质量等业务事实仍由相应系统维护，数字载体把跨系统的任务、权限、证据和异常处理接起来，使协作关系可以执行、可以追溯。系统建设的起点，是让有价值的工作能够连续完成，再把反复需要的能力沉淀为共同支持。事实来源、必要权限和责任边界应在前端行动前说清，其余能力则可以随真实场景逐步完善；建设完整平台不应成为解决第一个问题的先决条件。

公共能力还要从真实工作中生长。一项交期评估结束，除了验收客户结果，企业也应留下哪些判断有效、哪些事实不足、为什么某个方案被否决。比如某类替代材料反复因缺少验证资料而受阻，就可以把所需资料与适用条件整理成候选规范。让原团队之外、具备相应资格的人在相似情境中使用，再经独立验收和有权者采纳，经验才有依据进入共同规则；采纳之后仍需有人维护，条件变化时应修正或退役。

这就是“解决一个问题，规范一类问题”：企业要把一次成功中可复用的部分辨认出来，并在原班人马之外接受检验。组织能力的增长，要看有效经验能否离开原班人马继续发挥作用。数字载体承载工作，组织学习改进共同能力，两者接在一起，前端才不必每次都从头寻找答案和协调关系。

企业不能停机重来：商业模式、文化与人的安排必须同行

旧厂房还有订单要交，旧组织也有客户、员工和现金流要维持。管理者面对的不是新旧方案在纸面上的比较，而是怎样在维持经营的同时，为下一种工作方式腾出空间。

新业务、新团队可以较少受到既有结构牵制，适合从一开始就设计清楚的权责与能力关系；存量业务则可以利用系统更新、产能调整或流程改善的窗口，分段检验。两者之间的差异并不天然证明新组织更先进，还要看业务难度、人员能力和资源投入是否可比。

资源有限的企业，可以从相邻的一两类经营情境起步，复用已有系统与人员。试点范围小，不意味着责任安排可以含糊；规模尚小，也不意味着必须照搬大企业的完整平台。先让一个确有价值的问题得到可重复的解决，再判断是否扩展，通常比同时启动大量互不相接的演示更有经营意义。

商业模式决定改造怎样得到供养。如果企业按服务时间收费，效率提升以后，收入是否会随工时下降？如果顾客更看重响应和可靠性，新的能力能否支持不同的服务承诺与定价？如果节约时间只是让同样的服务提前完成，而企业没有新增客户，暂时空出的能力又无法转成成本节约，利润就未必增加。这并不抹掉员工少加班或服务改善的价值，却要求经营者说明新的能力怎样得到持续供养。成本节约可以是有效收益，新增收入也可以是方向，没有必要要求每项AI改进都同时完成商业模式革命。

文化则影响人愿不愿意把真实问题带进新系统，这种影响体现在具体取舍中：部门为了客户共同结果让出局部便利，会得到认可还是在本部门考核中吃亏？一个员工指出模型判断有问题，管理者是暂停核查，还是要求他服从系统？这些反复发生的选择，比“拥抱AI”的口号更能决定人们实际怎样工作。要求一位资深员工交出多年积累的方法，如果企业只计算由此节省了多少人，他就有理由担心自己正在帮助组织削弱自己的位置。仅仅鼓励“拥抱变化”，无法消除这种利益冲突。

如果一项专业经验被更多团队复用，贡献者的评价与回报就应考虑它对共同结果的贡献，而不只计算本人处理了多少单；承担维护、训练和纠错的人，也需要相应的时间与资源。企业据此安排成长机会、认可和收益，同时为岗位变化准备培训与转岗条件，知识共享才有持续的利益基础。

岗位继续承载专业积累、人员培养和长期责任，任务流动并不意味着把人拆成随时可以更换的零件。中层也不必只剩审批或被取消两种结局：定义问题、训练人员、维护标准、处理例外，本来就是重要的管理工作。

监督方式同样需要改变。如果每次暴露异常都会立即转为追责，员工就可能隐藏问题，系统得到的反馈也会失真。应当区分诚实报告、合理试错与失职，保留专业异议、申诉和停止行动的渠道，并说明运行记录如何使用。责任与信息、权限、资源和回报一起配置，重构才不是把压力换一种方式向下传递。

领导者因此要同时承担经营和关系调整的责任：既为探索留出资源，也给投入设定可检验的阶段目标；既说明哪些能力需要发展，也坦诚交代岗位变化可能带来的代价。技术团队可以帮助实现工具，贡献怎样被认可、利益怎样调整、过渡由谁承担，却需要企业真正作出决定。

这些安排会影响改造成本和推进速度，也决定新工作方式能否持续。它们不是技术项目完成之后再补上的“软工作”，而是生产关系发生变化时需要同时作出的经营选择。

重构是否值得，要由经营结果回答

技术打开了新的生产可能，经营结果决定新的组织安排是否值得延续。对企业来说，既要看工作关系是否真正改变，也要看这种改变能否持续交出可靠结果。

工作方式已经调整，劳动收入和记录工时也可能暂未显著变化。安德斯·洪卢姆与埃米莉·韦斯特高在2026年3月修订的一项丹麦研究中，将AI采用调查与行政劳动力记录联结，观察到AI相关的新任务与工作调整；但在截至2024年12月、ChatGPT推出后约两年的窗口内，未检测到劳动收入和记录工时的显著影响。这一结果提醒我们，不能用这些劳动指标暂时不动，反向证明工作关系没有变化；也不能看到关系改变，就提前宣布经济回报已经实现。

另一种解释是配套投入尚未形成回报。布林约尔松、丹尼尔·罗克和查德·西弗森提出的生产率J曲线，把流程、技能与管理经验等无形投入纳入解释：企业先投入建设，部分成果稍后才显现，统计也未必及时反映。这个解释要求企业辨认正在形成什么能力、投入怎样转成可观察的结果，不能据此假定每个暂时亏损的项目都值得等待。

模型能力与监督成本始终是另一项约束。AI能处理更多例外，可能减少等待，也可能产生更多需要核查的建议。把任务交给机器以后，如果复核、返工和解释错误增加的成本，超过了时间、质量和风险改善等全部收益，改造就失去了经济意义。对于错误难以发现、后果难以补救的工作，即使技术演示流畅，企业也有理由保留较严格的集中控制。

这些替代解释，决定了“倒逼”不能成为所有问题的统一诊断。如果只升级模型就足以改善一个稳定任务，企业可以直接取得收益；如果需求不足，再分配决定权也不会自动增加订单。只有当可靠的新能力已具备，而既有分工、授权与协作成为明显约束时，本文提出的关系调整才是直接回应。

企业因此需要沿三个层次观察同一场景。先看任务层，处理和等待时间是否缩短、错误与返工怎样变化；再看结果层，交期、质量、服务承诺是否得到兑现；最后看经营层，新增收入、真实成本、客户关系和现金占用是否改善，并把模型使用、系统维护、监督、培训与过渡投入算进去。三个层次可以不同步，不能只挑其中最好看的一个宣布成功。

在条件允许时，可以比较工作难度和投入相近的团队，或对相似场景分阶段实施，同时记录需求、人员和业务条件的变化。这样的比较仍未必能够排除全部干扰，但至少能让企业区分：结果改善究竟来自模型升级、增加人手，还是某项授权与协作调整。人工接管率等过程信号也要放在任务难度、质量与风险暴露可比的条件下理解。找到瓶颈怎样变化，下一步投资才有依据。

日常经营中，还有一些更直观的信号：客户请求能否减少对领导临时协调的依赖；新团队能否独立复用已经沉淀的能力；放宽行动权限以后，质量和风险是否仍在可接受范围内。信号必须与同类工作的难度、实际投入和结果一起看。智能体更多、流程重构数量更多，甚至人工接管率更低，都不能单独证明组织已经变好。

停止条件也应提前说清。如果改造后跨部门等待没有减少，监督和协调反而持续增加，就该检查设计是否过重；如果前端行动不断越过专业底线，就该收紧权限和范围；如果只有原班人马才能维持结果，就不能把试点当作可复制能力。反过来，若修好接口或落实既有授权就能取得同等结果，就没有必要为了一个新名称继续扩大改造。

至于组织形态，AI可能支持前端更自主，也可能让总部更容易集中分析和决定。企业应当检验哪种安排更适合自己的任务、能力和风险，而不是把层级越少、智能体越多当成方向正确。菌丝体组织提出的强内核与活前端，是对这一两难的管理回答之一，是否有效仍要由真实实践检验。

让新的能力进入真实的责任关系

回到那项要求提前交货的客户请求。

值得追求的变化，是企业能够及时找到可信事实，让合适的人和数字能力进入工作，在权限内形成决定，在专业边界内执行，再用业务证据验收。客户得到的是一个能够兑现的答复，员工知道自己可以做什么判断、遇到冲突向谁求助，负责人也能解释企业为什么接受或拒绝这次要求。

从以蒸汽机为代表的动力革命，到以电力为代表的能源革命，再到今天的算力革命，基础能力的扩展不断改变生产的可能性，也推动人们重新安排共同工作的方式。工厂制度、生产布局与信息流程的演进，都发生在技术、组织、技能和市场的相互作用之中。换用新能力可以改善已有工作，围绕新能力重新组织生产，则要求企业作出更深的经营与关系调整。

AI使企业有条件重新安排一部分分析、方案形成和任务执行工作，让人与AI以新的分工共同完成任务。这正是它沿着这条演进线，在算力革命中带来的质变意义。由此产生的重构压力，最终要由企业通过具体的权责选择来回应。买来能力之后，让谁使用，允许作出什么决定，怎样验证，谁承担代价，怎样分享收益，这些问题都无法随软件账号一同交付。

AI打开了重新组织脑力工作的空间，企业必须决定能力、权力、责任与利益怎样重新对应。从有价值的工作开始，在持续经营中形成可靠的共同能力，并让参与者拥有相应的成长机会与尊严，新的生产力才有条件进入企业可以长期维持的生产关系。

点击下方关键字，查看原创热文

（截至26年9月）

业务系统：| | | |

数智科普：| | |

米多是国内领先的营销数字化整体解决方案提供商，为企业提供顶层设计（营销数字化蓝图/架构/体系等）、系统规划（一物一码/智能营销/渠道管理）及运营落地（扫码发红包/一元换购/五码合一等）提供服务，用数字化驱动业务增长。