AI智能体：重塑组织、人机关系与未来竞争力

题图｜虎嗅拍摄

许多企业负责人希望借助AI智能体来达成“业务升级”的目标。然而，AI智能体并非只是一个即插即用的功能模块，它更像是一场人机协同模式的深度再造。

若缺乏精准的场景定位、数据沉淀和反馈机制，AI智能体的部署不仅难以释放技术价值，反而可能造成流程梗阻。

真正实现“智能体原生”的企业运作，意味着从任务拆解到角色分工、再到决策链路的全盘优化：你的核心需求是否清晰？自主执行与人工监督如何平衡？在多智能体协同的未来，组织如何筑牢核心竞争力？

若这些问题尚未梳理清楚，而仅将AI智能体视为“替代人力”的捷径，它可能带来的不是赋能，而是内耗。

近期《AI无悖论》节目邀请中欧国际工商学院管理学副教授杨蔚、网易集团副总裁阮良与衔远科技Frontis AI联合创始人兼首席执行官任成元，探讨大厂AI落地实战，分享从游戏、电商到智能体应用的洞见：

l当AI从技术概念走向企业实战，智能体如何重塑业务流程、组织形态与人机关系？

lAI时代的企业组织形态变革，会对传统企业的管理层级与权力分配带来哪些颠覆性影响？

l在人机角色反转趋势下，如何平衡AI执行效率与人类创新的价值？

l中美AI应用的差异化路径会如何影响全球AI技术的发展方向，中国能否凭借算力效率优势建立独特的竞争壁垒？

l对于初创企业而言，如何在泡沫周期中精准把握技术转化节奏，避免被资本周期裹挟而偏离核心业务？

本期主持人为中欧国际工商学院管理学副教授杨蔚，以下为交流实录（虎嗅有删编）：

大厂AI智能体落地实录

杨蔚：二位从什么时候开始关注、涉及AI相关业务？整个历程是什么样的？

阮良：网易多年前就开始用AI赋能游戏。但新一代AI技术在产品效果和内部效率提升上有巨大的提升。AI现在在游戏里相当于一个非常高智能的NPC。举个例子，当你玩一款游戏竞技类的游戏，要真实匹配到跟你棋逢对手的玩家其实是比较困难的。AI可以做到每次匹配都有一个比较细分的对手。剧情类的游戏仅可以进行传统的对话，还可以聊天，有些用户甚至把它当做树洞。由于AI NPC提供了像人一样的情感反馈，玩家会更愿意投入在游戏里面。

杨蔚：根据您的描述，AI NPC提供了个性化的链接，如果每一个游戏都这么做，是否会改变游戏行业的竞争格局？

阮良：我认为在大的层面上不会显著改变游戏的竞争，AI会让游戏更好玩、更温暖，提升内容延展性和玩家粘性。但平常喜欢玩吃鸡类游戏的人，不会因为另一款游戏有了个AI我转而偏向那个游戏。它只会把原来的内容放大。

任成元：京东从2016年开始做AI，我们关心的是，怎样能通过AI使得消费链条上的决策效率大幅提升。我们用智能体来做人或者消费市场行为模拟，我们最早把AI用在了消费个性化和产业创新的加速上。每一个人可能都会找到独属于他独一无二的这样的一个对应的产品服务价值。所以这也是我们对未来智能体AI的发展，如何去变革我们的生活、产业方面的一些想象空间。

中欧国际工商学院管理学副教授杨蔚

杨蔚：智能体到底是一个什么样的概念？

阮良：我个人认为，智能体（Agent）更像“人”，能处理很多低频的事件。当碰到意外情况的时候，它有大模型判断规划，可以去帮你操作。

任成元：对，以往的技术不具备智能体有的自主性，智能体能联通环境并去做一些事情。大家最期待的突破是他的反思和自我进化，比如给他一个任务后，他没写对，他可以去不断的反思到底哪里出了问题。多次反思以后，他能找到这个路径，这是所谓的智能体完整的自主性的体现。

阮良：AI论文里一个词叫“Aha Moment”，就是他可能突然涌现了一种反思的过程。当这条新的路径是人类都没有想过的路径时，我们称之为“Alpha Moment”。Agents AI是医疗领域的专家会诊，系统性的难题，单一的agent无法解决，可能就需要一堆agents循环调用。每个专业他只能做好自己专业的事情，AI也一样，强调专业性就会丧失通用性。

网易集团副总裁阮良

杨蔚：就像一个悖论。

任成元：对，但这个悖论可以找到最优解，可能是一个更加泛化通用的智能体的编排者协调者。他会去协调无数个非常专业的agent来做事情。你遇到不同的问题，我知道要调取不同的专家，如何编排他，如何去协调、监督、反馈，最后达成结果。

这里面其实有一个概念是AI原生。随着AI越来越像人，我们要思考AI原生的组织形态是否有可能超越人类的组织形态。

阮良：但是agent构成的这样的组织可能跟人形成的组织有很大的差异。AI原生到来以后，由agent构成的一个组织会如何改变组织这个性质，很值得研究。

任成元：一个鲜活的案例是在编程里面应用AI，我们刚开始认为说AI是辅助我们的程序员来编程的，但很快发现人只是AI的拐杖。人更多的是辅助AI解决主流程中遇到的卡点。

衔远科技Frontis AI联合创始人兼首席执行官任成元

阮良：我们以前写代码，肯定会受限于自身的生理条件、学识和所处环境。团队人数增多后，又产生大量的沟通需求，随之而来的就是熵增。所以越是复杂、规模越大的产品，开发效率反而越低，但AI来了之后，很可能一个人或者两三个人，就能凭借AI完成一个产品诉求。AI是24小时不间断工作的，可以同时跑多台电脑让它并行处理。

任成元：人类对复杂性的系统认知是有边界的，但是AI不会，只要给他足够的算力，放一万个agent进去，同时并行1000个任务，任务之间是有复杂的前后逻辑关联的时候，没有问题，但是人绝对做不了这件事情。

杨蔚：让AI去并行，需要有一个非常有经验的工程师或开发者，这个人是一个什么样的作用呢？

阮良：很有经验的工程师。但我认为这是阶段性的，现阶段AI的确还没有那么强，人类的经验还特别重要，但是当AI越来越进化的时候，可能产品经理就可以直接指挥agent去做。

任成元：我认为真正的专家能够深度的理解为什么要做这件事。会定义问题，而不是会处理问题。它的核心是和上下游或者价值系统本身的连接怎么样。有没有超越技能本身在思考未来如何跟AI适配的一种设计。

阮良：就像教父里面那句台词说，真正聪明的人，他几秒钟就能洞察一个事情的本质。但不是聪明人的话，你可能一辈子都想不清楚这个问题，陷入在无穷无尽的执行当中。

思考AI时代的职业教育与职业发展

杨蔚：大学生和职场人如何锻炼总结经验、发现问题的能力？

任成元：我的思考是如何连接价值系统。站在企业核心层理解如何去管理、分配、监督任务。

杨蔚：我们的组织会不会更加扁平化？随着工种被AI代替。

任成元：组织的存在实际是为了解决问题，创造价值。如果你把事情放在首位，不需要科层，在AI原生化阶段，其实是以agent为主，人为辅助。如此就需要重新去看待你管理的这些资源的核心。是算力，是数据，之后才是人。

因此未来HR的定义会有很大的变化，因为人才结构发生了变化，基础层绝大部分是数字员工，中层以上是人类。这时候你就发现HR绝大部分工作，你可能要去关注的是人和这些agent之间的协同问题。怎么去把理解好的目标和任务下发到整个agent的这套网络里面，然后如何通过这套网络来判断高管或人类的价值贡献。

杨蔚：所以我们未来的毕业生，首先得搞懂AI智能体的工作逻辑，这很可能会成为企业最看重的一项核心能力。

阮良：是的，这方面的话，其实现在的年轻人还是很有机会。因为大家都是在同一起跑线上。

任成元：某种意义上我会看好AI原生这一代。因为在AI里边有非常多的边界，现在我们还限制于人类过往经验。AI原生这一代一出生他就各种尝试，能探索到更远的AI的那个边界。

杨蔚：你越是一张白纸，你越有可能去到更远的地方。

AI智能体的实际应用

杨蔚：AI智能体现在在二位公司企业的实践中有什么样的具体应用呢？

阮良：我们公司现在有个很典型的应用场景——给明星员工打造数字分身。优秀的产品经理还是销售总会被同事追问各种基础问题，严重耽误核心工作。我们就把这些员工的文档、聊天记录等数据整合起来，搭建一个搭载大模型agent的知识库，训练成数字员工。这样一来，70%左右的问题都能由数字员工解答，明星员工就能抽身去做创造性工作了。

这个模式还能复制到销售和导购场景。比如销售见客户前，不用再到处问案例，直接查知识库agent就能拿到详尽资料；直接拉高服务下限。

任成元：我们更关注如何用AI拉高企业的上限——希望借助于AI，把创新创造力大幅的提升。从企业的角度，你的上限和下限就是创新和效率，创新可能决胜你的未来，效率是说如何活得更好。我们开发了“首席增长官”的AI系统，把管理学的方法论植入进去，让它帮高管实时分析市场、跟踪竞争对手，结合企业特性生成个性化的战略建议。这个系统的难点在于企业数据的个性化问题，每家公司的数字化程度、赛道都不一样。

阮良：我还有个不同的视角，AI不仅能拉高老板和高管的上限，也能拉高一线员工的上限。过去像BI报表这种数据工具，只有老板和高管能用，因为需要专业的数据团队支撑。但现在AI能让一线销售、区域经理直接调取数据，自己拿到决策依据，这其实是一种“数据平权”。

任成元：这里面提到了组织内的决策信息流转，我们现在开发了CIP——战略决策层的助理，我们有两套agent系统，一套给决策层，一套给执行层。决策层确定战略方向后，AI会自动把这个“context”下发到员工的agent里，员工的所有工作思考，都基于公司的战略框架。如果偏离了战略，系统会直接提醒。

阮良：还有个很有意思的的场景，AI如何去降低企业内部的信息差的。比如说活动复盘。过去企业做促销复盘，报告都是层层上报、被“抹平”过的，真实原因往往被掩盖。现在AI能直接整合销售数据、客服反馈、社交媒体评论，生成客观的复盘报告。

任成元：我们帮一个IP品牌做了全流程的AI活动管理。AI会自动制定促销计划，分解到店铺装修、内容撰写、采购备货等各个环节，给出六七十分的初稿，人再在这个基础上优化。老板只需要做两次确认，就能生成80分以上的方案。而且AI会持续跟踪活动数据，复盘时精准定位问题。不过这里也出现了新问题——员工会越来越依赖AI，慢慢丧失主动思考的能力。

杨蔚：这确实是个隐患，短期能提升效率，长期可能会影响创新。

任成元：我们也在探索新的激励机制——让AI助理记录员工的参与度和建设性建议的贡献度。如果员工能指出AI方案的不足并优化，系统就会给他更高的评价，倒逼员工主动思考。

阮良：对年轻人来说，这种机制反而更友好。只要用好AI下属，做出成绩，贡献就会被客观记录，这其实更有利于公平。

杨蔚：未来会不会出现一个人带着一堆agent就能撑起一家公司的情况？

阮良：短期来看还不太可能，因为AI做战略决策时，数据有很大局限性。它只能拿到互联网公开数据和企业自有数据，拿不到友商的内部信息，而这些信息往往很关键。人不一样，人可以通过外联、社交拿到这些隐性数据，还能靠直觉做判断。

任成元：未来企业里，人的核心价值会聚焦在外联和洞察上——去获取AI拿不到的数据，去做AI做不了的战略判断。而AI则会承担中后台的重复性、高频次工作。就像现在海外已经出现了个人开发者靠AI年营收几千万美金的案例，未来“一人公司”可能会成为一种新形态，但肯定是少数。

中美智能体应用的差异

杨蔚：中美在AI智能体上有什么明显的差异？为什么很多中国团队会先做海外市场？

阮良：最核心的是付费意愿。北美企业和用户愿意为AI工具付费，比如一个计算卡路里的应用，每月订阅19、29美金都有人买单；但中国用户习惯了免费服务，哪怕是国产大模型，想收费都很难。

任成元：还有人力成本的差异。欧美人力成本高，AI替代人的价值感特别明显；而中国人力成本相对低，企业算下来，雇人可能比买AI系统还划算。

阮良：而且中国是制造业大国，未来AI对制造业的赋能潜力巨大。但制造业的特点是成本敏感，不可能像欧美那样大量采购昂贵的GPU，这也会推动我们在算力效率上持续突破。

任成元：我非常同意。其实现在的大语言模型还只是AI发展的0.1阶段，未来多模态、世界模型才是方向，这对算力和存储的需求会是现在的十倍以上。真正的AI爆发还没到来，未来5到10年，芯片、能源、算力效率会迎来全方位的挑战和机遇。

杨蔚：很多人说AI行业有泡沫，两位怎么看？创业者现在还能进场吗？

阮良：泡沫肯定是有的，但泡沫不是坏事。就像互联网早期一样，泡沫能吸引资本和人才进场，最终才能烧出真东西。没有泡沫的行业，反而没什么创业机会。

任成元：对创业者来说，泡沫期其实是最好的机会——只有浪大的时候，小公司才有机会冲到浪尖。当然这对创业者的要求更高，要能在风浪中把握节奏。现在AI行业没有长期的护城河，快就是唯一的优势，只有每天都保持领先，才能在竞争中存活。

阮良：不过像腾讯这样的公司，靠着以人为本的网络效应，还是有很强的长期壁垒。它可能不会最先冲出去，但很容易后发制人。

任成元：但上一个时代的壁垒，未必能在AI时代延续。谷歌靠着transformer的技术积淀，在AI浪潮中快速调整，重新回到领先位置；而Meta虽然技术底子厚，但因为文化和业务整合的问题，表现就相对滞后。这说明技术变革期，大公司的转型速度和文化适配性至关重要。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4821790.html?f=wyxwapp