AI都在进步，你的组织怎么还在原地内耗

上一期的文章里，我们探讨了人机协同团队的构成。显然，从“纸面实力”上，人机协同团队具有巨大优势，但这个团队真的能“兑现天赋”吗？实际的运作过程中，真的会一帆风顺？恐怕并非如此。

现实中，有的企业恰恰是越用AI越乱。本期内容，将说清楚这里面的门道。一定要坚持看到最后，相信您对人机协同团队会有认知上的进阶。

01 人机协作——五环运作模型

为了理解人机协同团队的“动态运作”，可以把人机协同团队的运作拆解为五个环节，形成闭环。

图1-1：人机协作的五环运作模型

资料来源：穆胜咨询

第一环：任务分解（Task Decomposition）。将经营目标拆解为可执行的作业单元（任务单元）。AI时代的分解逻辑与传统不同：传统分解遵循“组织架构”（谁负责、谁汇报）；人机协同的分解遵循“任务的可交付性”，其分解的颗粒度是指向结果的“工作流”，以及支撑“工作流”的若干作业单元，每个作业单元负责一个“可交付任务”。“作业单元”的判断标准很简单——这项任务是否有明确的输入、固定的判断规则、可验证的输出？“工作流”的判断标准则是——这些任务是否最大程度指向经营结果。能通过这两类检验的任务，才是可以交给AI智能体的任务。

第二环：人机分工（Human-AI Allocation）。分工不是“人做一部分、AI做一部分”的简单切分，而是在此基础上要确定“决策权”，据此，分工应该按“决策权”而非“工作量”切分。人类保留三类权力：目标设定权、例外裁决权、结果担责权；AI智能体获得三类权力：任务执行权、方案生成权、在既定阈值内的自主决策权。这一分工方式，与穆胜咨询定义的智能体组织的“市场化激励”逻辑的内核一致——谁创造经营价值，谁获得激励反馈；AI创造了执行价值，但经营价值的最终确认仍由市场反馈，由人类完成确认。

第三环：决策权配置（Decision Rights）。这是人机协同团队设计中最容易被低估、也最容易出事的一环。企业必须明确回答：哪些决策AI智能体可以自主做？哪些AI建议后必须由人审批？哪些绝对不能做？

参考业界的实践标准，通常按风险分级设置三类闸门：低风险动作（检索已批准知识库、草拟文本）可最小人工介入；中风险动作（修改内部工单、生成客户回复草稿）需事后复核；高风险动作（资金划转、生产权限变更、受监管数据导出、对外发布、执行代码）必须事前人类审批（AI Cyber Check，2026）。决策权配置的本质，是把“信任”从模糊态度变成清晰规则。

第四环：协作协议（Collaboration Protocol）。人机之间、AI与AI之间的协作需要“协议”。我们对这一点的判断很自信，认为其极具前瞻性：智能体组织里“以大量AI为节点，充满了人-AI、AI-AI的协作，由于API接口形成了标准化的通信协议，辅以有激励性的经济契约，协作会很顺畅”（穆胜咨询，2026）。请注意其中两个要素：标准化通信协议（技术层）+有激励性的经济契约（制度层）。 如果只做前者，就只是“技术连通”；只有加上后者，才成为“协作”。

第五环：反馈闭环（Feedback Loop）。穆胜咨询将这种闭环理解为知识管理体系或流程，并进一步定义为“知识流赋能机制”。微软《2026 Work Trend Index》则提出了“学习系统”（Learning System）概念——企业捕获代理工作流中的信号，把“哪些有效、哪些无效”反馈回业务运作方式，其产出被称为“自有智能”（Owned Intelligence），即会累积的组织知识（Microsoft，2026）。这是人机协同团队区别于“自动化流水线”的关键：自动化执行固定程序，赋能机制则会让组织在实践过程中变聪明。

02 运作保障——四大护航机制

五环模型搭建了人机协同团队的运作基础，但为了确保这种运作的效能，还需要关注四个要点。可以说，忽略其中任何一项，都会让原本丝滑的运作陷入困局，甚至导致效能崩塌。

一是异常处理。人机协同团队的抗风险能力，不取决于AI智能体处理常规任务的能力，而取决于例外上抛机制（Escalation）的设计质量。Klarna的教训是最好的注脚：其AI助手一度处理约三分之二的客服对话，相当于853名全职员工的产出；但2025年5月，CEO Sebastian Siemiatkowski承认，因过度倚重成本指标，服务质量下降，公司开始重新招聘人类客服；Q3其客服与运营成本升至5000万美元（上年同期4200万美元），但与此同时实现了约6000万美元的AI节省（公开报道，2025—2026）。AI确实有效，但“过度依赖”本身带来了成本。 这说明例外上抛机制不能只是“AI处理不了就转人工”，还必须包含“AI处理得了、但处理得不好”的识别能力。

二是信任机制。信任不是一次授予、永久有效的。业界已形成“受控自主”（controlled autonomy）的共识：有用的自主性必须被限制在一个清晰、可观测的控制平面之内（AI Cyber Check，2026）。信任的建立遵循“低风险试点→观察生产证据→逐步放开”的路径，通常需要先经过30—90天的只读试点，再要求90天的生产运行证据，才考虑放开高风险自主权（AI Cyber Check，2026）。

三是安全与伦理。对于安全的控制，是人机协作团队绩效的关键，任何高绩效的人机协作团队，都可能因为对安全的忽略而导致绩效崩塌。人机协作团队的绩效因为AI智能体而大幅提升，但同样有可能因为这种模式而下坠。麦肯锡的数据证明了这个观点，他们提供了一个反直觉的发现：AI高绩效企业遭遇的AI负面相关事件反而更多（51%的组织在过去一年至少报告一次负面AI事件），因为它们把AI推进到了更高风险、更复杂的领域；差别不在“有没有出事”，而在“有没有控制”——高绩效者更可能拥有“人在环中”（human-in-the-loop）规则、严格的输出验证、集中式AI治理，以及高层可见的监督参与（McKinsey，2025）。风险治理能力，正在成为AI时代真正的竞争壁垒。

四是学习迭代。需与“异常处理”配对：每一次异常，都应沉淀为知识（进入知识库）、规则（进入权限/阈值配置）或能力（进入模型微调）。穆胜咨询的“知识萃取→知识沉淀→知识分享”知识管理闭环，正是这一机制的组织化表达（穆胜咨询，2025）。

03 人机团队——加载重器的未知战队

上文中，我们盘点了人机协同团队在静态构成上有哪些升级。在阐述了这类团队的运作流程和护航机制后，我们有必要重新审视他们究竟达成了怎样的升级，更有必要理解这类团队在底层运作机制上的变化。

我们将这些不同维度的升级总结如下：

表1-1:动态运作上人机协同团队的升级

资料来源：穆胜咨询

必须强调最后一行的警示。穆胜咨询的观察是：AI让每个部门都能自己拉数据、自己出分析、自己做方案，理论上该提升协同，实际却往往相反——每个部门都有了一套属于自己的数据口径和分析模型，“过去开会是公说公有理、婆说婆有理，现在是公有公的模型、婆有婆的模型”（穆胜咨询，2026）。穆胜咨询认为“AI仅仅作为一种工具，有放大组织问题的机制”：AI不会自动修复协作损耗，它会把原有的问题放大得更专业、更难被驳倒。

综合以上，人机协同团队与传统纯人类团队的差异，可以归结为三个机制性变化。这些变化不仅仅是好处，更像是加载了一件重型武器，如果不能驾驭，反而会形成反噬。

机制一：能力可配置。传统团队的能力来自成员的个人禀赋与培养；人机协同团队的能力可以“配置”——通过模型、知识库、提示与工作流，把能力装进组织，而非装进个人。这带来了穆胜咨询强调的“让平凡人做非凡事，让非凡人做超凡事”的可能，也带来了新的风险：能力若配置不当，错误也会被规模化。

机制二：协作可编程。传统协作依赖沟通、默契与信任；人机协同的协作可以被写成协议、权限与契约。这让协作的成果可预期，大大降低了内部交易成本，尤其让“人”这个变量对协作结果的负面作用降到最低（因为能力不足、意愿不足、谋求私利等）。同时，这让协作第一次成为“可设计对象”，也因此使“设计”的责任空前加重。

机制三：损耗仍属组织。这是最不容回避的一条。AI提升个体效率，但协作损耗仍然会在组织层面发生。当多个个体的效率以不同速度提升时，短板依然决定高度；不仅如此，以AI作为工具的大企业病——如某国内互联网大厂形成的部门之间互甩AI方案——还会形成更大程度的协作损耗。在金字塔组织里叠加AI，等于是官僚主义加载了AI武器，得到的是“更重的金字塔”，而不是“智能体组织”（穆胜咨询，2026）。

关于AI提效是否发生，目前的研究有不同的反馈。

MIT¹的田野实验提供了一份人机组队效率的直接证据。研究者将2300多名参与者随机分配到“人—人”组与“人—AI”组，共同为一家真实组织创作广告文案；结果“人—AI”组的个人生产力提升约60%，沟通更聚焦任务，广告文案质量更高，但与此同时，团队协调/信任也下降了，整体来说，团队净绩效不一定全面显著优于“人-人”组，在部分协作任务中甚至更差（MIT，2025）。这是“人机协同不会自动提升组织效率”的有力证据。

另一组数据也为“AI带来组织提效”的乐观情绪降温：斯坦福HAI²指出，即使表现最好的AI智能体，也只能成功完成所分配任务的约24%，这导致一些早期采用者在裁员后重新雇佣人类员工（Stanford HAI，2025）。

Gartner则预测，到2027年底超过40%的agentic AI项目将被取消，原因是成本上升、业务价值不清与风险控制不足。他们也警示，过度聚焦AI采用率与个体效率导致大量“快而差”的AI生成工作，这已成为组织的头号生产力流失源（Gartner，2026）。

结论是清晰的：人机协同的效率红利在“单任务”层面已被验证，在“整团队”层面尚在验证之中；而能否兑现，取决于组织设计，而非技术本身。

¹ 这项研究通常归在 MIT Sloan 集体智能/人机协作研究团队，核心作者是：Mohammad Alsobay，MIT Sloan 研究员/博士生，研究人机团队协作、团队绩效与协调机制；Abdullah Almaatouq：MIT Sloan 助理教授，研究计算社会科学、集体智能、人—AI 协作与网络实验；Thomas W. Malone：MIT Sloan 教授、MIT 集体智能中心创始主任，代表作《Superminds》，长期研究人机协作组织和集体智能。

² 斯坦福 HAI 不是一家公司，而是斯坦福大学下属的跨学科研究机构，全称 Stanford Institute for Human-Centered Artificial Intelligence（斯坦福大学以人为本人工智能研究院）。它成立于 2019 年，由斯坦福大学推动，核心定位是：不以技术本身为唯一中心，而是研究 AI 如何更好地服务人类。