你的企业为 AI 智能体做好准备了吗？

[解读]

AI 带来的生产力变革不仅仅是效率提升，而是对组织架构的根本性重构。正如百年前电力取代蒸汽机时，工厂必须从多层结构变为单层以适应新动力一样，智能体时代要求企业打破以人为中心的工作流。Daron Acemoglu 预测的微弱增长是基于“旧瓶装新酒”的假设，而真正的爆发在于重构数据基建（机器可读）、开放 API 接口以及重新定义人类角色（从执行者转变为规则制定者与核查者）。这不是一次简单的工具升级，而是一场关于“连接方式”的底层革命。

当电力首次引入工厂时，管理者们并没有重新设计他们的建筑。他们仅仅是用电动机替换了中央蒸汽机，却保留了那些遍布厂房、用于分配动力的皮带、滑轮和转轴系统。结果是，生产效率的提升微乎其微。制造商们花了数十年才意识到，要真正释放电力的潜力，必须拆除那些为了适应重力动力分配而建的老式多层工厂，转而建造单层厂房，以便机器可以根据工作需求灵活摆放。

今天，我们在人工智能（AI）面前也站在了类似的拐点。尽管围绕 AI 智能体（AI Agents）的讨论热火朝天，但大多数组织正在犯下与早期工厂主相同的错误：他们试图将 AI 硬生生地“栓”在为人设计的系统上，然后疑惑为什么结果不尽如人意。

这正是为什么诺贝尔奖得主 Daron Acemoglu 广被引用的预测——AI 在未来十年仅能带来 0.5% 的生产力增长——很可能是一个严重的低估。他的模型假设 AI 只是在现有结构内自动化任务。如果你什么都不改变，这 0.5% 确实是下限；但如果你愿意重构，这绝不是上限。

那么，所谓的“重构”需要什么？它需要我们认识到，我们的软件、结构和工作流程原本是为人类工作者设计的，而这种假设已经深深嵌入了现代企业运作的每一层。（注：我是 Pairium AI 的联合创始人，该公司致力于构建 AI 智能体的个性化。）

信息系统 (Information Systems)

几十年来，组织一直以方便人类阅读的格式存储知识：排版精美的网站、带表格的 PDF、图文并茂的幻灯片、带标题和要点的文档。数据不仅是展示给人看的，也是以这种方式存储的。

作为约翰霍普金斯大学 AI Agent Lab 的联席主任，我亲眼目睹了这一点：员工手册、HR 手册和政策文档都以这种为人眼设计、而非为机器处理设计的格式存储。

在 AI Agent Lab，我们正在直接解决这个问题。我们将散落在大学网站、SharePoint 文件夹和 PDF 库中的 HR 文档，转换为组织在统一目录结构下的纯文本 Markdown 文件。这种转换听起来很平庸，但效果是戏剧性的：AI 智能体现在可以同时搜索所有 HR 政策，交叉引用福利信息与休假政策，并回答那些以前需要员工在五个不同系统中导航并阅读几十页内容才能解决的问题。

同样的模式也出现在科学研究中。斯坦福的 Biomni 系统将数百种生物医学工具、数据库和数据集集成到一个单一的、智能体可访问的界面中。结果：以前需要几个月的全基因组关联研究现在只需 20 分钟即可完成。原本估计需要三周人力才能完成的任务——分析来自 30 个人的 450 多个可穿戴数据文件——在 35 分钟内就完成了。该系统甚至处理了来自 336,000 个单细胞的基因活动数据，识别出了人类研究人员需要数月才能发现的已知调控关系和新型转录因子。

这就不仅仅是 Acemoglu 模型所预测的 0.5% 生产力增长了。当复杂的分析从“数月”缩短到“分钟”，你看到的是千倍的改进，而不仅仅是边际自动化。

几十年来，组织都知道数据孤岛的代价。但当人类是唯一穿梭于这些孤岛之间的人时，整合只是一种“锦上添花”。它能节省时间、减少挫折、在边际上改善决策。但当智能体进入画面时，整合变得具有变革性。一个能访问统一数据的智能体不仅工作得更快；它还能跨领域建立连接，而这是任何人类都没有带宽去尝试的。

大多数组织无法重新设计像 Salesforce 或 SAP 这样的供应商软件，但他们控制着政策、程序和机构知识的存储方式。PDF 和 SharePoint 文件夹是一种选择，而非必然。

但数据格式只是问题的一部分。即使信息结构正确，智能体仍面临障碍：系统之间互不通话、操作界面设计为“点击”而非“指令”、身份验证假设是人类在发出请求。目前的变通方案（让 AI “看”屏幕并点击按钮的工具）揭示了这种错配有多深。我们是在要求计算机假装成人类去使用另一台计算机。

解决方案是通过编程接口（API）暴露系统能力。与其让智能体在门户网站上“点击”，系统应该提供一个直接通道，让智能体可以进行身份验证、请求数据并采取行动。在评估新工具时，“API 优先”的架构应该是一项硬性要求，而不仅仅是加分项。即使是遗留系统也可以通过智能体可访问的接口进行封装。像 MCP 这样的协议是迈向标准化的早期步骤，但真正的催化剂将是那些率先进行“重连”并在绩效上超越那些仍通过人类界面运行智能体的组织。

人类层级 (The Human Layer)

塑造了我们软件的假设，同时也塑造了我们的组织：围绕人类局限性而非智能体优势设计的系统。

组织层面的问题更深。企业层级结构的存在有两个相关原因。首先，人类处理信息的能力有限（Herbert Simon 称之为“有限理性”）。组织通过将复杂问题分解为可管理的部分并在各级分配责任来解决这一认知限制。其次，协调是昂贵的（Ronald Coase 在《企业的性质》中的洞见）。寻找信息、谈判协议、监控绩效：所有这些都需要时间和金钱。层级结构在内部处理这些活动，因为这比不断去市场交易更便宜。

AI 智能体动摇了这两个基础。它们能瞬间跨部门访问数据、调和不一致、识别模式并生成报告。它们没有层级结构所要迁就的认知限制。而且它们以接近零的边际成本协调信息，极大地压缩了曾为中层管理存在提供正当性的交易成本。

这就产生了一个问题：如果智能体既能处理协调又能处理执行，人类该做什么？

答案不是“什么都不做”。而是去做那些智能体不能或不应该做的工作：定义成功是什么样子的、做出涉及价值观和权衡的判断、处理超出正常参数的异常情况（即使是先进的 AI 模型在处理异常时也与人类判断有很大偏差）、建立需要信任和在场的关系、以及在出错时承担责任。

在实践中，我看到人类角色正在向“所有者（Owners）”和“核查者（Verifiers）”转移。

所有者定义成功是什么样子的。他们设定方向，做出涉及价值观和权衡的判断，并确定智能体运作的约束条件。这是先行者的工作：识别机会、构建问题框架、选择战略。至关重要的是，所有权不能委托给智能体，因为它涉及的是关于价值观的决定，而非优化。我们应该优先考虑速度还是准确性？进入这个市场还是专注于其他地方？这些问题没有客观正确的答案。

核查者审计产出，处理异常，并在出错时承担责任。他们审查智能体的产出，在错误级联放大之前捕捉它们，并对超出正常参数的情况做出判断。验证不能委托给智能体，因为问责制必须保留在人类手中。当事情出错时，必须有人为此负责。

以客户引导（Onboarding）为例。所有者说：“这应该在 5 分钟内完成，并在 24 小时内达到 80% 的激活率。”智能体构建流程并朝着该目标优化。核查者审计边缘情况：为什么这 200 个用户流失了？

或者考虑麻省理工学院（MIT）的 Cheeseman Lab，他们分析 CRISPR 基因敲除筛选结果。实验室主任 Iain Cheeseman 过去要花数百小时手动解释该调查哪些基因簇。现在，一个由 Claude 驱动的系统自动化了这一分析，识别共享的生物过程并标记需要跟进的基因。但 Cheeseman 仍然做最终决定：哪些基因值得投入 2 万美元以上的专项筛选实验？智能体识别模式并提供置信度水平；人类拥有资源分配的决定权。关键是，验证层捕捉到了重要的东西：智能体识别出了被其他 AI 模型视为噪音而忽略的 RNA 修饰路径，从而实现了研究人员错过的发现。

这种从执行向授权和监督的转变，对招聘有直接的影响。在我自己的工作中，我已经改变了评估研究生助理的方式。曾经定义初级角色的繁琐任务现在可以由智能体处理。相反，我需要的是具有高代理感（High Agency）的人：那些能识别值得解决的问题、定义成功是什么样子、并验证智能体产出是否符合其愿景的人。

这不是关于消除职位，而是关于改变这些职位的要求。那些为了执行技能而招聘的组织会发现这些技能正日益商品化。而那些为了所有权和验证能力、为了智能体所缺乏的判断力而招聘的组织，会发现他们的人才比以往任何时候都更有价值。

安全保障 (The Safeguards)

一个拥有所有权限的智能体也能破坏一切。这就是官僚主义体现价值的地方。表格、签字和强制审查的出现，是为了在组织扩张时防止错误、确保公平并解决协调问题。这些流程的存在是为了在错误变得不可逆转之前捕捉它们。

AI 系统已经证明了为什么这很重要。如果没有适当的检查，虚构的引文和幻觉会进入官方报告。当智能体大规模运作并拥有客户数据、财务系统和运营数据库的写入权限时，这些风险会成倍增加。一个有缺陷的输出可以在几秒钟内波及数千笔交易——这比任何人类审查流程能捕捉到的速度都要快得多。

这就是为什么智能体优先的组织从一开始就需要独立的验证。检查可以从简单的确定性规则（校验和、基于规则的警报、审批门槛）到交叉检查其他 AI 系统的 AI 系统。关键在于独立性：验证者不能与它监控的系统共享相同的故障模式。人类的角色变成了审查这些检查所标记的异常、调查模式、并完善智能体可以无人监督地做什么的边界。

实践中的“重连” (Rewiring in Practice)

以一家公司的月度财务对账为例。今天，会计师要花几天时间从各种系统下载数据、匹配交易、调查差异并准备报告。在一个“重连”后的组织中，每个财务系统都通过直接渠道暴露其交易数据。智能体同时从所有来源提取数据，使用财务团队定义的规则匹配交易，并标记任何不一致的地方。会计师的工作从“做匹配”转变为“设定参数”：多少差异是可接受的？哪些交易类型需要特殊处理？哪些差异需要人类审查？

或者考虑我们在 AI Agent Lab 如何处理教职员工资格认证。认证需要记录教职员工是否达到特定的凭证门槛，这个过程传统上意味着管理员要手动审查简历、交叉引用学位要求和学术活动，并追讨缺失的文件。在我们重连后的方法中，教职员工凭证作为结构化数据存在，智能体可以直接查询。智能体识别他们的学术和教学活动，根据认证要求检查他们的资格，并标记任何处于边缘的人。对于这些情况，它会起草个性化邮件请求特定的缺失文件。人类验证边缘情况并批准发出的通信。结果：一个以前需要几个月的过程现在只需几个小时。

前进之路 (The Path Forward)

向智能体优先运营的过渡并不需要大规模的转型。它需要在四个领域进行具体的改变：

数据：纯文本化。将政策、程序、会议记录和机构知识转换为像 Markdown 这样的纯文本格式。将它们存储在可搜索的目录结构中。PDF 和格式化文档变成给人类看的输出，而不是智能体的真理来源。这是大多数组织可以立即做出的最高杠杆率的改变。
工具：构建智能体工具。创建允许智能体查询公司数据并采取行动的编程接口。从对知识库的只读访问开始，然后添加带有人类审批门槛的写入功能。每一个智能体可以直接访问的系统，就是一个它不必去“点击”的系统。
角色：围绕所有权和验证重组。对于每个角色，确定什么是所有权（定义成功，设定约束），什么是验证（审计产出，处理异常），什么是执行（智能体领地）。招聘时看重代理感（Agency），而不仅仅是技术技能。那些能蓬勃发展的人，将是那些能明确说明他们想要什么并能验证他们是否得到了它的人。
保障：建立独立验证。标记异常的基于规则的警报。针对高风险行动的审批门槛。这些检查必须简单、确定，并且独立于它们所监控的 AI 系统。

成功完成这一转型的组织将会发现工厂主们最终关于电力所学到的道理：真正的收益不来自于用新技术替代旧技术，而来自于重新想象工作本身是如何完成的。优势属于那些围绕它进行重新设计的人。问题在于，你是选择“重连”你的组织以释放智能体的潜力，还是继续用旧蒸汽机的皮带来传动电动机？