云从科技周曦：AI让个人提速，公司为什么没变快？

AI让个人变快了，为什么公司却没有变快？

大模型正在大幅降低智力供给的成本。过去依赖专业人才完成的写作、分析、设计和编程工作，正在变成可以随时调用的能力。智力越来越充裕，判断力和组织能力开始变得更加稀缺。

个人使用AI，效率提升立竿见影。但在企业中，个人产出增加也可能带来更多错误、返工、审核与协作成本。技术能力，并不会自动转化为组织生产力。

上海交通大学博士生导师周曦博士做客中欧EMBA“合一讲堂”，分享企业迈向AI原生（AI Native）组织的关键路径。以下是讲座内容的整理。

周曦

上海交通大学博士生导师

云从科技集团股份有限公司董事长、总经理

01

企业真正的瓶颈

过去一段时间，很多企业推广AI的方式很直接。发账号、买额度、鼓励员工多用，甚至把Token消耗量当作“拥抱AI”的指标。

一个员工原来一天完成10件事，现在完成20件事，如果他的产出需要更多人审核，错误率上升，返工增加，下游又接不住，企业最终得到的未必是更高的利润。

因为个人效率与组织效率不是一回事。

企业真正的瓶颈，往往不在一个员工的生产速度，而在于整个系统是否稳定协同：

• 跨部门如何配合？

• 质量如何控制？

• 上一个岗位的输出，如何稳定成为下一个岗位的输入？

• 出了问题由谁判断，由谁负责，如何回滚？

• 人的经验如何沉淀，而不是随着人员流动一起消失？

如果旧流程不变，只是在每个员工身边增加一个AI助手，企业很可能只是让原有系统“跑得更快”，却没有改变系统本身。

而一个本来就充满部门墙、审批、汇报和反复协调的组织，跑得越快，甚至可能制造更多混乱。

02

从技术突破到生产力

中间还隔着什么？

理解今天的AI，需要把时间拉长。

蒸汽机、电力、信息化，过去几次重大技术革命都经历了相似的过程。先有技术突破，再出现新的生产工具，最后才是组织重构和生产力跃迁。

真正的生产力革命，往往发生在技术被重新组织之后。

以电力革命为例。最初，人们只是用大型电机替代蒸汽机。电机更便宜、更稳定，但工厂布局和生产流程没有根本变化，因此效率提升有限。

真正的转折，是小型电机成熟以后。每个工位可以有独立动力设备，加上零件标准化、精密制造，以及泰勒科学管理等新的管理思想，最终才出现了福特流水线。

流水线的诞生，不只是因为“电更先进”。它至少等待了三件事：

• 单工位的生产工具成熟；

• 不同工位能够标准化连接；

• 新的管理方法能够驾驭新的生产系统。

ChatGPT的出现，像当年的电灯泡；Claude Code等单工位工具是小电机；AI Native组织才是福特生产线。

今天的AI，大致处在类似电力革命1910年的阶段。大模型已经出现，面向专业岗位的工具开始形成，但真正成熟的集成生产系统，以及与之相匹配的管理体系，尚未建立。

因此，今天企业的AI转型推进不顺，并不奇怪。不是企业不努力，而是很多基础条件，本来就还在形成之中。

03

AI Native

不是“全员都在用AI”

很多企业把AI Native理解成员工都有AI账号，公司接入了大模型，内部部署了知识库。这些当然有价值，但还不足以构成智能体组织。

真正的AI Native组织，至少有三个特征。

第一，Agent运行在业务主路径上。

所谓“主路径”，指企业完成一次核心业务所必须经过的执行链路。如果每一次任务都必须等一个人打开邮件、看材料、判断、转发、汇报，再进入下一步，那么人的处理速度仍然是整个系统的瓶颈。

当客户规模扩大10倍时，企业所需的人力增长趋近于零，才真正接近AI Native组织形态。

第二，专家能力可以沉淀和复制，实现知识平权。

过去，一个优秀销售离职，一部分客户经验可能就没了；一个技术骨干离开，很多隐性的判断方式也会随之消失。

在智能体组织中，理想状态是，一个专家解决了一个问题，这种能力不只属于这个人，而可以被沉淀进系统，复制到100个、1000个智能体实例中。

专家能力由稀缺供给，转化为可复制的组织能力。

第三，管理从“周期性汇报”转向“实时反馈”。

企业之所以需要周报、月度分析会和季度经营会，很大程度上是因为人的信息处理能力有限，只能定期汇总、集中判断。

但对一个持续运行的智能体系统来说，一个问题既然今天已经出现，为什么要等到月底才讨论？

未来很多管理机制，可能会从“发现问题—汇报—开会—决策—层层下发”，变成“实时发现—即时判断—更新规则—同步到所有执行节点”。

AI改变的，不只是岗位，也可能是企业管理节奏本身。

04

企业Agent落地

还缺三样东西

如果把企业生产系统拆开看，今天至少还有三道真正的难关。

第一，单工位AI工具还不够成熟。

今天多数人使用AI，主要还是通过一个通用对话框。用户需要自己提问、拆任务、验证结果，这很像早期计算机的“命令行”。

但真正推动信息化生产率提升的，从来不只是PC，而是后来针对不同岗位出现的CAD、ERP和大量专业软件。

AI时代也会经历同样的过程。

企业真正需要的，不是所有人面对同一个聊天框，而是财务有财务Agent，销售有销售Agent，研发有研发Agent。每一个高价值工位，都需要真正针对工作场景设计的专业生产工具。

第二，多人、多Agent的集成系统还不成熟。

一个人使用AI，相对简单。但一旦变成几个人和多个Agent共同工作，问题立即复杂起来。

谁可以给Agent下指令？不同指令冲突时听谁的？上下游岗位如何交接？什么时候系统自动执行，什么时候必须由人介入？信息如何共享，权限如何隔离？

传统流水线之所以高效，是因为输入、输出和协作方式已经被系统设计好了。工人不需要反复“求人帮忙”，也无需每天汇报自己拧了几颗螺丝。流程本身就在推动工作向前运行。

而今天很多白领组织依然高度依赖人际协调。加入AI以后，如果没有新的集成系统，很可能变成一群人围着一群AI，协作关系反而更加复杂。

第三，也是最难的一关，新的管理学还没有出现。

过去管理的是人，未来企业需要同时管理人和智能体。

AI出错，责任如何归属？谁负责审查？如何设置质量门禁和回滚机制？员工的经验被沉淀进系统后，知识贡献如何衡量？

甚至，AI本身也是全新的管理对象。它可能能力很强、速度极快、充满创造力，同时也可能毛躁、犯错、不稳定。

怎样“管理一个AI同事”，今天并没有成熟答案。

技术问题可以通过研发逐步解决，但组织问题往往更难。因为组织变革，本质上会重新定义权力、利益和责任。

当系统可以直接根据数据分配资源，原来的管理者做什么？当智能体可以跨部门完成工作，原来的部门边界是否还需要存在？当知识可以自动沉淀，过去依靠信息差形成的岗位价值会不会下降？

所以，企业转型最大的阻力，往往来自内部。

技术可以买，账号可以发，模型可以接入，但组织中的利益、权力和责任结构，不会自动改变。

这也是为什么，老板一个人想变，往往不够。

05

今天该做的三件事

既然很多基础条件还没有完全成熟，企业今天最需要做的不是宣布“全面AI Native”，而是找到可落地的路径。

第一，旧厂装小电机，新厂做新物种。

对于成熟运行的业务，先用被验证有效的AI工具，提高关键工位效率。

并且，管理者自己先用，形成对AI能力边界的真实体感。什么事情AI擅长，什么事情容易出错，哪里必须审查，什么情况下需要回滚。与此同时，逐步建立质量标准、审查机制、异常处理和回滚机制。

对于新业务、新团队，从一开始就按照智能体组织的方式设计，不必背负旧流程和旧利益结构。

第二，不做几十个Demo，先跑通一条“微生产线”。

全公司几十个部门一起上AI项目，看起来热闹，最终却容易形成大量彼此孤立的Demo。

企业需要的不是更多试点，而是跑通一条闭环的业务链。

选择一条相对短的流程，岗位不要太多，协作关系不要太复杂，参与者愿意拥抱变化，业务价值可以清楚衡量。然后把多个工位连接起来，形成稳定、可复用、可衡量的智能体业务闭环。这就是“微生产线”。

衡量它的，也不应该是Token消耗量，而是结果。质量有没有提高？周期有没有缩短？返工有没有下降？客户规模扩大时，人力是否仍然线性增长？组织知识是否在持续沉淀？

Token是成本，不是产出。

第三，在实践中发明新管理学。

真正领先的企业，不能只等技术公司解决问题，而要一边使用新技术，一边创造新的组织方法。

包括人和Agent如何分工，如何设计授权和审查，如何处理异常和责任，如何衡量组织产出，以及如何分配知识贡献带来的价值。

一条跑通的“微生产线”，最终应该沉淀出四类东西：清晰的业务流、明确的质量标准、可复用的规则，以及与新分工相匹配的岗位和利益机制。

这些东西，比做几十个AI Demo更有价值，它们才是未来规模化复制的基础。

每一次技术革命，最先改变的往往是工具，真正拉开企业差距的，却是后来发生的组织重构。

模型让AI拥有智力，组织让AI形成生产力。

未来企业真正的AI竞争力，不是谁先用了更强的模型，而是谁先建立起一套能够驾驭智能体的组织系统。