来源：HRflag

　　从工作价值出发，重新理解岗位、管理与人才配置。

　　一份岗位说明书里，通常装着许多性质不同的工作。招聘负责人既要理解业务用人的理由，也要跟进面试安排、整理反馈、协调录用条件，还要回答管理者临时提出的各种问题。过去，这些事情被放进同一个岗位，主要是因为它们需要一个人持续串联；当AI能够接手其中一部分，原来捆绑在一起的工作，就有了重新组合的空间。

　　这种变化已经进入组织设计的讨论。Gartner在2026年10月2日发布的文章中介绍，一项在其2026应用创新与商业解决方案大会期间进行的调查显示，74%的受访者认为AI将使团队规模缩小，仅2%认为团队会扩大。这里的比例反映的是受访者的预期，不能理解为74%的企业已经缩编，原文也没有披露足以将结果外推至全部企业的样本信息。 [1]

　　比这组数字更值得企业高管和HR负责人关注的，是它背后的工作变化。一个团队的规模可能减小，承担的业务范围却可能扩大；一个岗位的常规任务可能减少，判断和协调的责任却可能增加。假如仍然沿用原来的岗位边界和考核办法，就很难准确看见这种变化，更难判断企业究竟得到了多少新增能力。

　　Gartner将这一方向称为“AI塑造型组织”，核心是围绕创造价值的工作和结果重新组织角色。 [1] 这个概念提供了一个讨论起点：企业可以从希望改善的业务结果出发，再分析流程、能力与人员配置。以下关于组织设计的讨论，是沿着这一问题展开的管理分析，文中的招聘、培训和客户服务场景均为说明逻辑的模拟情境，不对应特定企业的实际经历。

　　对CEO而言，这关系到AI投入如何进入经营结果。对HR而言，这关系到岗位体系、人才培养和管理机制如何跟上业务变化。双方需要共同回答的，是技术释放出来的时间和能力，最终被组织用在了哪里。

　　AI进入企业之后，岗位变化最值得观察的地方，是工作内容、决策权限和结果责任有没有同步变化。 只在岗位名称里加上“AI”两个字，员工可能仍然沿着原来的链条等待信息、提交材料和逐级确认。真正的组织变化，需要发生在每天的工作怎样启动、怎样交接、怎样完成之中。

　　岗位开始变化，先看它里面装着什么

　　讨论AI对工作的影响时，岗位往往是最容易被看见的单位。组织架构图上有多少个框，招聘计划里有多少个名额，薪酬预算里有多少个人，管理者都可以很快得到答案。可是，一个岗位的名称只能说明它大致处在什么位置，并不能说明它里面的每项工作都以相同速度变化。

　　以招聘工作为例，安排面试时间与判断候选人是否适合业务，是两种性质不同的任务。前者更多依赖明确规则、可用时间和系统记录，后者需要理解岗位的真实要求，并在不完整的信息中形成判断。即使技术大幅减少了安排和记录的时间，招聘人员承担的业务判断也不会自动变得简单。

　　Gartner把角色变化概括为压缩、扩展和重新组合，并提出管理者的职责将更多转向辅导员工与支持结果达成。 [1] 在实际管理中，这几种变化完全可能同时出现在一个岗位里。比如，HR业务伙伴用于整理周报的时间减少了，却需要更早进入业务讨论，还可能与数据人员共同承担一项新的组织诊断任务。

　　所谓压缩，可以先理解为某些任务需要的人工作业减少。一个需要多次整理、核对和搬运信息的工作包，有机会在系统中更连贯地完成。企业由此得到的是一种可重新安排的工作容量，而这部分容量能否支持更高价值的活动，还需要后续的组织安排。

　　扩展则意味着员工开始覆盖过去较难触及的工作范围。HR人员可以借助AI更快读懂业务材料，市场人员可以更方便地理解一份技术说明，业务主管可以更及时地获得团队信息。这样的扩展可以改善讨论质量，但仍需要明确哪些结果由本人负责，哪些判断需要专业人员确认。

　　重新组合的意义，在于企业有机会把原本分散的工作连接起来。招聘渠道分析、候选人体验和入职准备，可能围绕“帮助合适的人尽快进入有效工作状态”形成更紧密的协作。参与人员可以保留各自的专业归属，同时为同一段业务结果承担清晰的责任。

　　因此，一次岗位盘点可以从员工最近实际完成的工作入手。哪些任务已经显著加快，哪些任务仍然需要长时间等待，哪些新增责任没有被写进岗位说明书，都比泛泛讨论某个岗位会不会消失更容易得到有用结论。HR把这些差异呈现出来，管理层才能看见工作变化的真实幅度。

　　这里还需要保留对专业深度的尊重。AI让一个人更容易接触其他领域的知识，并不意味着他已经具备那个领域的完整判断能力。岗位边界可以调整，但关键决策的专业要求仍应当清楚，否则岗位扩展就容易变成职责模糊。

　　从业务结果出发，才能算清组织需要什么

　　当岗位内容可以变化，组织设计的起点也需要调整。过去的讨论常从现有部门和人员配置出发，再给每个岗位寻找可以使用AI的环节。现在可以把讨论提前到业务目标，让管理层先说清楚希望在哪个经营结果上取得改善，再决定如何组织相关工作。

　　这样的目标需要足够具体。销售部门希望更快回应客户，HR部门希望新员工更快胜任，研发部门希望缩短一个方案进入验证的时间，这些都可以成为讨论起点。它们需要进一步转化为可以观察的结果，才能帮助团队判断技术和流程调整究竟有没有作用。

　　比如，招聘工作的价值不能只通过招聘人员每天处理了多少份简历来判断。企业真正关心的是，关键业务是否及时获得适合的人，候选人是否充分理解岗位，新员工进入岗位后能否达到预期。简历处理速度是其中一个过程因素，它的改善需要与后续的匹配质量和入职表现联系起来。

　　假设一家公司准备让一个新业务团队更快形成战斗力。HR可以与业务负责人共同界定哪些岗位对业务启动最关键、什么能力必须在入职时具备、什么能力可以在工作中培养。只有这些条件相对明确，AI辅助搜索、信息整理和面试准备，才能朝着同一个目标发挥作用。

　　这个讨论也会暴露目标之间的取舍。招聘速度更快，可能需要业务部门更早参与岗位定义；录用条件更灵活，可能需要薪酬和业务负责人建立更及时的决策方式。技术可以帮助提供材料和分析，但经营选择仍然需要有权限的人作出。

　　对于高管来说，价值目标还需要对应资源配置。一个有明确客户需求的团队，释放出来的能力可以用于覆盖更多客户；一个处在产品探索阶段的团队，则可能把能力用于增加验证次数。两种安排都可能合理，但它们需要不同的评价方式，不能只用同一个人均工作量指标衡量。

　　HR参与这类讨论的意义，是把业务目标翻译成组织条件。目标需要哪些专业能力，哪些人员必须共同工作，谁拥有决策权限，哪些支持可以共享，都应当进入设计。这样形成的人员方案，更容易解释为什么某个位置需要加强，也更容易说明为什么某段流程可以简化。

　　人员配置是工作设计之后的一项重要结论，业务目标和能力要求需要在它之前说清楚。 企业当然需要控制投入，也需要考虑预算约束，但一个人数目标本身无法解释工作如何完成。只有把这条逻辑接上，组织调整才有机会同时照顾效率、质量和后续发展。

　　一个人快了，整条流程还需要一起走

　　个人效率提升，是AI价值最容易被感知的部分。一份初稿更快出现，一段访谈更快整理，一份材料更快归纳，员工当场就能知道自己省下了多少时间。企业的业务结果却通常经过多个环节，一个节点的加速需要沿着流程传递，才能形成完整的收益。

　　2023年发表于《科学》的一项实验，为这种任务层面的改善提供了证据。研究让453名受过大学教育的专业人士完成与职业相关的写作任务，并随机让其中一部分人使用ChatGPT，结果显示平均完成时间减少40%，产出质量提高18%。这些数字对应的是实验中的专业写作任务，不能直接套用为一家企业全部工作的效率增幅。 [2]

　　把这一观察放进企业情境，可以看到一个经常被忽略的环节。假设培训负责人原来需要较长时间整理需求访谈，AI现在可以帮助他更快生成结构化摘要。可如果课程目标仍然需要等待业务主管确认、内部讲师仍然没有排出时间，项目的最终交付日期就未必发生同样幅度的变化。

　　在这种情况下，项目值得追踪的是从需求提出到课程投入使用的全过程。材料制作占了多久，等待反馈占了多久，确认后又因什么原因返工，都需要进入同一张工作记录。记录足够具体，团队才知道下一步应当优化材料质量、反馈机制，还是参与者之间的协作方式。

　　有些企业会自然地发现，更多时间花在等待而非制作上。等待有时来自人员繁忙，有时来自决策权限不清，也可能来自不同部门对目标的理解不同。AI可以帮助梳理信息和提示未完成事项，但要缩短这些等待，仍然需要管理者调整工作安排和授权方式。

　　流程优化也可以从交接要求开始。一个环节向下一个环节提交什么材料、这些材料达到什么程度才算完整、接收方在多长时间内回应，都应当有相对稳定的规则。AI参与之后，如果材料的格式和质量更一致，双方就可以减少重复确认，把讨论集中到真正存在分歧的地方。

　　这意味着企业评估AI应用时，需要同时看任务和流程两个层面。员工完成一项工作用了多少时间，能够说明工具的直接帮助；一项业务从启动到达成结果用了多少时间，则更接近组织获得的收益。把两类数据放在一起，管理层才能判断技术改善是否真正传递到了经营活动中。

　　流程中的责任安排也应当随之更新。假如AI生成的材料还需要人员大量核验，核验时间就应当计入这项工作的成本，并为核验者安排适当的容量。只有把所有人的实际投入都算进去，企业才不会把某个环节省下的时间，误认为整条流程已经节省的时间。

　　能力覆盖更广，专业分工也会随之调整

　　当流程中的基础工作更容易完成，一个员工可以接触的业务范围会扩大。过去需要其他专业同事帮助梳理的问题，现在可能先借助AI形成一个相对完整的讨论稿。企业因此有机会改善跨部门对话的准备质量，让不同专业的人更早进入实质性的判断。

　　宝洁参与的一项研究，提供了一个有价值的观察。哈佛商学院AI研究机构对该研究的介绍显示，在新产品开发早期的方案任务中，使用AI的个人表现可以达到未使用AI的传统两人团队的水平，AI也帮助商业和研发背景的参与者提出更兼顾不同专业视角的方案。研究发生在明确的任务情境里，不能据此得出所有岗位都能由一个人承担的结论。 [3]

　　对组织设计而言，可以由此提出一个需要在本企业验证的推论。原本用来帮助员工理解其他专业的部分沟通，可能转移到更早的准备阶段；专业同事则可以把时间用于检查重要假设和处理较复杂的问题。这样调整后，协作的价值仍然存在，只是参与时间和讨论内容可能有所变化。

　　在一个模拟的客户服务场景里，服务人员可以借助AI查询产品说明，整理客户描述，并生成需要进一步确认的问题。技术专家接到的问题因此可以更完整，减少来回补充背景的时间。专家仍然需要判断复杂问题的原因，但不必把同样多的时间花在解释最基础的产品信息上。

　　岗位扩展最容易遇到的难题，是覆盖范围和责任范围没有同时说清楚。员工能够起草一份分析，并不意味着他有权对所有分析结论作出最终承诺；能够解释常见情况，也不意味着他应当独自处理专业例外。企业可以把可以自行完成、需要专业复核和需要升级决策的事项明确写出来，让员工知道能力扩展的实际边界。

　　这一边界也影响团队成员的成长。一个有经验的HR人员，可以在AI辅助下更快理解销售团队的业务资料，但要形成可靠的组织判断，还需要参与业务讨论、观察客户需求，并理解业绩形成的过程。技术提供的信息入口可以扩大，专业能力的形成仍然需要真实任务和持续反馈。

　　因此，复合能力可以被具体描述。一个负责新员工培养的人，需要理解业务岗位的工作要求，能够组织学习任务，并有能力分析员工在工作中的表现；AI可以帮助他整理资料和设计初稿。这样的描述比要求“同时懂业务、懂数据、懂技术”的泛化标签更清楚，也更容易用于选人和培养。

　　企业还可以重新安排专家的参与方式。专家不一定在每个项目的所有阶段都深度投入，但可以在关键假设形成时介入，在高影响决策前复核，并把可重复的经验转化为组织知识。这样既能让更多员工获得专业支持，也有机会让专家把时间集中在最需要经验的工作上。

　　小团队能够承担多少工作，取决于背后的支持

　　团队规模缩小的讨论，很容易把注意力集中到前台的人数。一个项目只有几个人，看起来就显得轻巧而高效，但这几个人可能使用了公司长期积累的数据、专业知识和共享服务。评估组织模式时，需要把这些支撑条件一起纳入，而不能只观察最靠近业务结果的那一小组人。

　　对成熟企业来说，过去积累的专业体系可以成为优势。产品知识、客户服务经验、标准作业流程和内部案例，都有机会通过更易使用的系统进入一线工作。前提是这些知识能够被正确识别、及时更新，并在员工需要的时候以合适的形式出现。

　　设想一个负责新员工入职的小组。小组可以借助系统自动推进日程和材料，但系统能否正确回答员工的问题，还依赖公司政策、岗位资料和部门流程是否准确。若这些基础信息缺少统一维护，前台人员仍然需要不断回到不同部门寻找答案，团队容量也会被这些补充工作占用。

　　由此可以形成一种实际的分工思路。业务团队负责定义场景、判断结果和发现例外，共享支持团队负责维护可以被多个业务共同使用的工具与知识。HR、IT和业务负责人再共同确定哪些需求值得做成通用能力，哪些需求适合留在具体团队中解决。

　　这类支持工作需要有明确的负责人。谁负责政策更新，谁检查系统中使用的版本，谁处理员工报告的错误，谁决定一个不再适合业务的工具退出使用，都应当有人承担。否则，一项看起来已经完成的AI应用，仍然会在日常维护中消耗业务团队大量时间。

　　广告

　　同时，共享支持需要贴近实际工作。一个统一系统如果无法理解业务场景，员工就可能很难用它完成眼前的任务；一个业务团队自行搭建的工具如果缺少维护，也不容易持续使用。比较可行的安排，是让业务专家与技术人员围绕一个明确问题共同工作，再决定哪些做法值得推广。

　　团队规模还需要覆盖正常运行之外的情况。关键人员休假、业务需求突然增加、系统暂时不可用，都可能影响交付，组织设计应当留出相应的接替和支持安排。人数更少可以成为效率改善的结果，但稳定交付仍然需要一定的余量和知识传承。

　　一个小团队的真实能力，应当连同它所使用的共享资源、专业支持和维护投入一起衡量。 这能够帮助高管更准确地判断一种模式是否适合扩大，也能够让HR看见前台之外需要培养和配置的人才。组织的轻巧程度，最终要通过完整运行的成本和效果来检验。

　　管理者的工作，会更靠近人的判断

　　当员工更容易直接获得信息，管理者用于转述情况和整理进度的部分工作有机会减少。团队讨论也可以更早进入具体问题，减少对背景材料的重复解释。这个变化给管理者腾出的时间，可以用于帮助员工形成更好的判断，并让团队在不同目标之间作出清楚的选择。

　　教练式管理在企业里需要对应真实行动。它包括帮助员工界定问题、识别不可靠的假设、理解业务取舍，并在实际工作结束后复盘判断依据。单纯增加谈话次数，或者把进度会议换一个名称，并不会自然产生这样的效果。

　　比如，一位招聘人员借助AI很快整理出候选人的经历摘要。管理者可以和他一起检查岗位的关键要求是否足够清晰，哪些经历能够支持能力判断，哪些部分还需要进一步验证。这样的讨论有助于员工理解为什么某条信息重要，也让后续的面试和沟通更有针对性。

　　在另一个模拟情境中，团队同时收到几项业务需求，AI可以帮助估算不同安排的工作量。管理者仍然需要判断哪些需求优先、哪些承诺可以调整，以及哪些资源值得争取。这里的价值来自对业务情境的理解和责任承担，工具提供的分析能够改善准备，却不能代替经营选择。

　　这种管理方式也会改变会议。会前可以用系统整理关键事实，会上则把时间集中到未解决的问题和需要作出的选择。会议结束时，团队需要知道决定了什么、依据是什么、由谁执行，以及出现什么情况时应当重新讨论。

　　更充分的信息和更明确的授权，还可能让管理者支持更多员工。可这需要同时考虑团队成员的经验、工作复杂度和专业差异，不能把管理幅度扩大当作单独的目标。一个正在学习的新团队，可能需要更密集的反馈；一个经验较充分的团队，则可能需要更多自主安排的空间。

　　评价管理者时，也需要看到这种差别。团队是否能够及时完成必要的选择，员工能否逐步独立处理复杂任务，重复发生的问题是否得到解决，都可以成为有用的观察。只看管理者手下有多少人，或者每周开了多少次会，很难准确反映他对团队能力的贡献。

　　对HR而言，管理者培养可以更多围绕真实业务案例展开。让主管练习如何检查AI生成的分析、如何与员工讨论不确定性、如何在信息不完整时明确决策条件，比只讲抽象的管理理念更容易进入日常工作。管理者能把这些做法用在团队里，技术带来的信息优势才更容易转化为人的成长。

　　HR需要同时看见岗位、流程和业务结果

　　岗位发生变化之后，HR会遇到一个很实际的问题。员工的日常工作已经调整，岗位名称、职级标准和绩效表格却可能仍然沿用原来的描述。组织需要一套能够连接这些变化的办法，让业务负责人、员工和HR对岗位承担什么责任形成共同理解。

　　一个可行的起点，是为正在变化的岗位建立简洁的工作记录。记录可以包括近期承担的主要任务、使用AI的环节、仍需要人工判断的事项，以及与其他团队的交接。HR不必一次性建立一个庞大的新体系，但需要让重要变化进入可以持续讨论的材料。

　　这份记录与岗位说明书的用途不同。岗位说明书表达相对稳定的职责，工作记录则帮助企业观察变化，并判断哪些变化值得固化。比如，一位负责培训的人已经开始持续参与业务需求分析，HR就可以与业务部门讨论，这是否应当成为岗位的正式职责，以及相应的能力和权限如何配置。

　　HR还可以在关键流程上连接不同岗位。招聘、入职和试用期培养分别由谁负责并不难查，比较难的是看清这几段工作之间的目标是否连续。把新员工进入有效工作状态的全过程放在一起，可以帮助企业发现需要共同承担的结果，而不只看各环节是否完成了自己的动作。

　　在这个过程中，业务负责人需要提供经营背景。一个团队为什么急需补充能力，当前最重要的任务是什么，哪些经验能够缩短学习时间，这些信息决定人才方案是否准确。HR则需要帮助业务把需求表达得更清楚，避免把所有问题都归结为增加一个岗位或寻找一个所谓的全能人才。

　　人才配置也因此有了更多选择。企业可以招聘，也可以在内部培养或调动员工，还可以把某项专业支持安排为多个团队共享。哪种方式更合适，需要结合任务持续时间、能力形成的周期和业务稳定性来判断，AI的作用则应当放进这个完整方案里评估。

　　这样的工作需要HR靠近业务，但并不要求HR取代业务负责人。双方各自提供专业判断，共同确定组织条件，再由拥有相应权限的人作出决定。边界明确，HR的贡献也会更容易被看见，因为它能够解释一项人员安排如何支持具体的经营目标。

　　对于CHRO来说，这意味着组织设计可以成为一个持续开展的工作。业务目标变化、工具能力变化、员工技能变化，都可能让原来的岗位组合出现新的调整空间。HR建立定期观察和讨论机制，就能够把岗位更新与实际工作保持联系，也让人员决策拥有更充分的依据。

　　技能培养，要让员工在工作里长出新能力

　　岗位可以重新组合，员工的能力却需要时间形成。一个工具培训结束以后，员工可能学会了生成材料，但还没有学会判断材料是否符合业务要求。企业如果希望岗位承担更大的责任，就需要同时为员工提供练习、反馈和逐步增加难度的机会。

　　学习目标可以从员工必须完成的真实任务中提取。负责招聘的人需要能够提出有效的验证问题，负责培训的人需要判断课程是否帮助员工改善表现，负责员工关系的人需要理解具体情境和沟通影响。不同岗位都可以使用AI，但这些专业能力仍然决定工作最终能达到什么水平。

　　因此，一项AI培训可以围绕一段完整任务组织。员工先界定目标，再使用工具完成初稿，随后检查资料来源、分析关键假设，并根据反馈修改。培训的结果可以体现为一份经过验证的工作成果，也可以体现为员工能够解释自己为什么采用某个方案。

　　这种练习特别适合暴露看起来已经完成、实际上还需要判断的部分。AI生成的培训方案可能结构很完整，但业务部门是否具备实施时间，讲师是否理解岗位要求，学员是否有机会在工作中应用，都需要继续确认。员工学会检查这些条件，才算开始把技术能力接到业务能力上。

　　人员的经验也可以在这一过程中进入组织。一个专家在复核材料时，往往会指出哪些假设容易被忽视，哪些信息需要进一步核验，哪些例外不能沿用常见办法。把这些反馈记录成案例，能够帮助其他员工理解判断过程，而不仅仅记住一个标准答案。

　　年轻员工的培养同样需要重新安排。整理资料、准备报告和观察讨论，过去常常是他们熟悉业务的入口；当其中部分任务由AI辅助完成，企业可以让新人更早参与问题澄清和成果复核。关键在于让他们仍然有机会看见工作的完整链条，理解信息如何形成判断，判断又如何影响结果。

　　岗位学习还需要与业务周期结合。员工在工作繁忙时，很难靠额外完成一套课程建立复杂能力，主管可以把学习任务放进现有项目，并安排有经验的人提供短而具体的反馈。这样一来，能力培养的投入更容易与业务成果相连接，也更容易判断哪些学习方式有效。

　　AI帮助员工更快获得信息，企业仍然需要帮助员工形成可以独立使用的判断。 这一点会影响人才梯队能否持续成长，也会影响组织对少数专家的依赖程度。技能建设的价值，最终体现为更多员工能够在明确边界内承担真实责任，并在新的任务面前知道如何继续学习。

　　考核跟着工作变化，员工才知道力气往哪里用

　　岗位和技能的更新，需要得到绩效机制的支持。一个员工被要求利用AI提高工作质量，却仍然只按提交材料的数量评价，他就很难判断额外投入复核和业务沟通是否值得。考核标准能够说明组织希望员工把释放出来的时间用于什么，也能够让主管的日常反馈保持一致。

　　以培训工作为例，课程数量和参训人数可以反映活动覆盖，却不足以单独说明学习效果。企业可以进一步观察学员在工作中是否用上了相关能力，主管是否看到具体表现改善，以及课程内容是否回应了业务任务。不同层次的指标共同使用，能够保留必要的过程信息，也让结果更接近业务需求。

　　招聘工作也可以采用相似的思路。处理速度、候选人沟通和流程完整性仍然值得追踪，但需要与岗位匹配、入职准备和后续表现相联系。这样评价时，招聘人员就能够知道，使用AI省下的时间可以用于提高需求理解和沟通质量，而不必只用于增加处理量。

　　结果指标也需要考虑个人能够影响的范围。新员工的表现受到主管支持、业务条件和团队协作等因素影响，不能把全部结果责任集中到招聘人员身上。企业可以让相关角色共同承担一部分结果，同时明确各自能够控制的过程，让合作具有实际的激励基础。

　　对AI使用本身的评价，则可以保持相对克制。登录次数、生成次数和工具使用时长能够说明使用情况，但很难直接说明价值；一个员工可能只在少数关键任务上使用AI，就获得了明显改善。管理者可以把工具数据作为了解工作方式的线索，再结合成果质量和实际投入作出判断。

　　绩效讨论还需要看见常规任务之外的贡献。有人维护团队知识，有人帮助同事检查错误，有人把一次有效做法整理成可复用的流程，这些工作可能改善了许多人的产出。若它们长期不进入评价，员工就会很难为这些工作安排时间，共享能力也不容易持续积累。

　　职级和薪酬讨论可以沿着同样的逻辑更新。员工承担了更复杂的判断、协调更大的业务范围，或者帮助团队形成了稳定的专业能力，就需要在岗位价值评价中得到体现。这样的评价仍然需要符合企业的管理原则，但应当能够解释职责变化与回报之间的关系。

　　在调整初期，企业也可以保留一段观察期。先说明新的工作目标和评价方式，再通过实际案例校准尺度，比立即用一个未经验证的指标作出重大判断更稳妥。员工理解规则、主管能够解释规则，绩效机制才能支持岗位变化，并为后续调整提供可信的信息。

　　释放出来的时间，仍然需要一项经营决定

　　AI让任务更快完成以后，企业会得到一种新的选择空间。员工可以承担更多同类工作，也可以把时间用于更复杂的问题，或者让一些原来排不上日程的业务尝试得以启动。哪种安排更有价值，需要管理层结合实际需求作出决定，而不能只根据工具显示的提效比例推导。

　　一个简单的假设可以说明其中的差别。假设某团队有10名员工，每人每周在一类任务上节省2小时，账面上合计释放20小时，但这些时间分散在不同的人和不同的时段。它们能否被组合成一项完整工作，还取决于任务能否调整、员工是否具备相应能力，以及是否有值得投入的需求。

　　假如团队需要加强客户沟通，这20小时可以被安排为更充分的准备和更及时的跟进。假如团队准备开发一项新服务，部分时间可以用于访谈和验证，而其余时间仍然需要维持日常工作。企业可以先观察这些安排是否产生有效结果，再决定是否调整更长期的资源配置。

　　相应的价值计算，也需要覆盖全部投入。工具订阅、系统连接、知识维护和人工复核都可能产生成本，员工学习新方法也需要一定时间。把这些投入和业务改善放在同一段时间内观察，能够帮助高管判断一项应用的收益是否稳定，而不仅是演示时是否显得高效。

　　有些收益适合直接计算，有些则需要更长时间观察。减少重复处理和缩短交付周期，可以相对较快地记录；更好的客户沟通和更准确的人才匹配，可能需要结合后续表现判断。企业可以区分这些收益的形成周期，避免用同一个短期尺度要求所有应用立即证明价值。

　　HR能够在这里提供重要的信息。员工实际把时间花在哪里，岗位扩展后是否出现新的能力缺口，管理者的辅导时间是否够用，都与资源安排有关。财务部门、业务部门和HR共同看这些信息，更容易识别技术投入与人员安排之间的关系。

　　员工对变化的理解，也会影响信息能否真实呈现。企业可以清楚说明试点的业务目标、学习安排和评价方式，并对影响个人职责的变化及时沟通。员工知道节省时间之后需要承担什么、能够获得什么支持，才更容易把实际工作中的问题和有效做法反馈出来。

　　因此，释放时间只是经营讨论的开始。管理层还需要决定这部分容量是否投入新增业务，是否用于提高服务质量，或者是否支持岗位之间重新分工。这个决定越具体，员工越容易把新能力用在同一个方向上，企业也越容易看见AI投入的实际回报。

　　从一条流程开始，把组织设计做成可验证的工作

　　对于希望采取行动的企业，可以先选择一条边界清楚、业务价值明确的流程。新员工入职准备、常见客户需求响应、培训需求分析，都可以作为候选，但适不适合试点仍然需要看本企业的任务量和条件。一个好的起点，应当能够让参与者说清楚现在怎样工作，以及改善之后希望得到什么结果。

　　试点启动时，可以由业务负责人、HR和技术人员共同确定目标。业务负责人说明结果要求，HR帮助梳理角色与能力，技术人员判断哪些环节可以得到可靠支持。每个参与者都知道自己提供什么专业判断，试点就更容易避免在工具选择和职责讨论之间反复徘徊。

　　随后可以记录一段实际工作作为基线。流程从什么时候开始，到什么时候结束，各环节投入多少时间，发生多少次返工，哪些问题需要专业人员介入，都可以通过真实任务收集。基线不需要追求复杂，但需要能够与调整后的工作进行合理比较。

　　比如，在新员工入职的模拟场景中，企业可以关注入职前材料是否准备完整、员工是否及时获得工作所需信息、主管是否明确安排了最初的任务。AI可以辅助处理常见信息与提醒，HR和主管则分别承担政策解释、岗位准备与培养安排。观察重点始终围绕员工能否更顺畅地进入工作，而不只是系统发送了多少条消息。

　　一段流程经过调整以后，可以先保持有限范围运行。参与者记录哪些环节改善了，哪些问题依然需要人工处理，以及原来没有想到的新工作是什么。这里的发现同样有价值，因为组织设计需要理解完整的投入和结果，不能只选择最容易展示的成功片段。

　　评价时，可以把交付周期、成果质量、总投入和员工体验放在一起看。周期更短是否伴随着更多返工，质量改善是否主要来自专家投入，员工是否知道自己承担的责任，都应当进入讨论。只有这些条件足够清楚，试点经验才更适合用于调整岗位和扩展到其他团队。

　　如果试点证明某段流程已经形成稳定做法，就可以更新相应的职责和支持安排。把哪些任务交给系统、哪些任务由员工判断、哪些情况需要升级写进日常工作规则，同时补充培训与评价方式。组织变化由此进入真实工作，而不只是停留在一份关于未来的规划材料里。

　　推广也需要保留对业务差异的判断。一个适合标准化需求的办法，进入更复杂的项目时，可能需要增加专业复核和例外处理；一个适合经验丰富团队的办法，进入新团队时，可能需要更多辅导。企业复制的是已经验证的工作原理，再根据实际条件调整，而不是简单复制同一套人员数量。

　　未来的岗位，仍然要在每天的工作中长出来

　　从Gartner的讨论出发，可以看到组织设计正在面对一个更具体的问题。技术使部分任务的完成方式发生变化，企业需要重新理解这些任务如何组合成岗位，以及岗位如何共同支持经营结果。对高管和HR负责人来说，这项工作的价值，在于把技术可能提供的能力转化为组织实际能够使用的能力。

　　变化未必表现为一张全新的组织架构图。它可能表现为招聘人员更早参与业务需求讨论，培训负责人开始持续跟踪岗位表现，主管把更多时间用于辅导，专家把可重复的经验整理成共享支持。只要这些变化有清楚的责任、合适的权限和持续的评价，它们就可以在现有组织中逐步形成作用。

　　企业原有的积累，也可以在这个过程中重新发挥价值。经验丰富的员工、熟悉业务的管理者、长期沉淀的知识，都有机会通过新的工作方式被更多人使用。技术扩大信息获取和任务处理的能力，组织则需要安排专业判断、协作关系和人才成长，使这种扩大能够持续下去。

　　对于HR而言，下一份岗位说明书可以从一次真实的工作复盘开始。员工已经能够更快完成什么，接下来愿意且有能力承担什么，业务最需要他改善什么结果，这些问题的答案能够帮助岗位逐步更新。每一次更新都有实际工作的依据，组织也就更容易在变化中保持清楚的方向。

　　对于CEO而言，下一次AI投入讨论可以同时带上一份工作设计。技术准备支持哪段流程，谁对结果负责，需要什么专业支撑，改善将如何验证，都可以在同一次讨论中说清楚。投入与组织安排连接起来，企业才更容易判断下一步应该加强工具、培养人员，还是调整协作方式。

　　未来一段时间，许多岗位的名称可能仍然熟悉，里面的工作却会逐渐不同。企业可以让这种变化被及时看见，让员工在新的任务里获得支持，让业务结果成为持续调整的依据。AI重写岗位的过程，也就有机会成为企业重新组织经验、能力和责任的过程。

　　参考资料与口径说明

　　1. Gartner：《The AI-Shaped Organization Reimagines Work， Not Jobs》，2026年10月2日。74%与2%为2026应用创新与商业解决方案大会期间调查的受访者预期；原文未披露样本量、抽样方式及完整结果分布，本文未对未披露部分作推断。

　　https://gcom.pdo.aws.gartner.com/en/articles/ai-shaped-organization

　　2. Shakked Noy、Whitney Zhang：《Experimental evidence on the productivity effects of generative artificial intelligence》，Science，2023年7月，381卷，187—192页，DOI：10.1126/science.adh2586。453人为实验参与者规模，40%与18%分别指实验写作任务平均完成时间减少及产出质量提高，不代表全岗位、全企业的普遍增幅。

　　https://pubmed.ncbi.nlm.nih.gov/37440646/

　　3. Harvard Business School AI Institute：《The Cybernetic Teammate: How AI is Reshaping Collaboration and Expertise in the Workplace》，2025年4月2日。所介绍的宝洁研究考察新产品开发早期方案任务，文中有关个人与两人团队表现的比较，限于该研究情境，不对应企业实际人员配置比例。

　　https://aiinstitute.hbs.edu/the-cybernetic-teammate-how-ai-is-reshaping-collaboration-and-expertise-in-the-workplace/

　　本文对岗位设计、人才培养、绩效管理与试点安排的建议为管理分析，不作为Gartner原文结论转述。招聘、培训、客户服务及入职情境均为模拟说明，时间释放的算例为假设计算，不对应具体企业的披露数据。

　　原文链接：https://mp.weixin.qq.com/s/Z_UhnHdod_xFZwt28WMjIA