来源：HRflag

　　一张组织架构图，曾经可以解释一家公司的大部分运转方式。谁负责业务，谁提供支持，谁向谁汇报，哪些事情必须逐级审批，都能在方框与连线之间找到位置。员工遇到问题，沿着这张图寻找相应的人；管理者安排任务，也习惯先确定任务属于哪个部门。

　　AI进入工作之后，这套熟悉的路径开始出现另一种可能。员工可以先向智能体询问制度，由系统查找资料、识别适用条件，再把需要判断的部分交给负责人。任务仍然有人承担责任，但从提出需求到得到结果，中间经过的人和环节，都有机会重新安排。

　　2026年10月1日，《财富》将这场讨论概括为：AI冲击组织架构，员工需要“反学习”。这个表述很有冲击力，却不能被理解为企业已经不需要部门、管理者和汇报关系。更值得企业高管与HR关注的，是组织图背后那套安排工作的逻辑，正在接受新的检验。

　　据The AI Chronicle对首届Fortune AIQ峰会的转述，HPE首席人才官Stacy Dillow关注的是重新设计工作，而不只是把AI放进原有流程。Palo Alto Networks首席人才官Danielle Gonzalez介绍，定制AI智能体使IT工单减少83%，并支持HR、财务和法务工作流。她还谈到学习与反学习，以及通过可观察面试、黑客马拉松了解候选人的现场表现；Lennar首席人力资源官Drew Holler则强调员工对自身技能提升的责任。

　　这几条信息放在一起，讨论的已经不只是技术采购。工作怎样组织、能力怎样形成、人才怎样识别，开始成为同一个管理问题的不同部分。HR过去熟悉的岗位、招聘、培训与绩效，也因此需要放到一条完整的业务链条里重新审视。

　　由这些变化延伸出的一个判断是， AI让企业有条件重新拆分任务，再据此调整人才标准。 过去做过什么，仍然是有价值的证据，但面对新问题能否建立方法、验证结果、修正判断，会变得更加重要。对管理者而言，真正需要更新的，既有员工手中的工具，也有企业用来理解工作的那套标准。

　　组织架构图还在，工作已经有了新的走法

　　传统组织架构之所以有效，是因为专业能力、信息和决策权通常分布在不同部门。财务掌握预算与核算，HR掌握人才与制度，IT掌握系统和权限，业务部门掌握客户与市场。一项任务需要经过这些部门，往往是因为完成它所需的资源确实分别保存在那里。

　　AI让其中一部分资源变得更容易调用。员工不必认识所有制度负责人，也能先检索到与问题相关的规定；业务经理不必等到专门会议，才能获得一份供讨论的数据分析草稿。专业部门仍然负责规则和质量，但每一次获取信息，未必都需要一次人工交接。

　　不妨用一个假设的员工入职场景理解这种变化。新员工正式到岗前，通常需要完成资料提交、账号开通、设备准备、培训安排和团队介绍，涉及HR、IT与用人部门。过去，这些事项可能分别由不同的人提醒、登记和追踪，员工也需要理解多个系统的使用方式。

　　如果企业把这些步骤连接起来，员工只需要在一个入口提出或确认需求。系统可以按照岗位与到岗时间准备待办，提醒材料缺口，并把需要负责人确认的事项送到相应位置。这里的变化并不是把几个部门合并，而是让一次入职可以围绕员工的实际经历顺畅推进。

　　因此，讨论AI时代的组织设计，只看部门数量是不够的。某家公司可以保持现有组织架构，同时显著缩短任务交接；另一家公司即使调整了层级，工作仍然可能按照原有方式流转。决定体验和效率的，是信息、权限与责任如何在任务中连接，而不只是图上的方框怎样摆放。

　　组织架构图解释谁对什么负责，工作流程解释一件事怎样真正完成。 AI让这两者之间的关系更值得被看见：部门可以继续提供稳定的专业能力，任务则可以按照业务需要调用这些能力。管理者的注意力，也就需要从“这件事归谁”进一步移向“怎样让这件事完成得更好”。

　　这并不意味着所有工作都适合跨越现有边界。涉及重大决策、利益协调或敏感信息的事项，仍然需要明确的授权和专业判断。更可行的变化，是减少可以被规则和系统承接的重复协调，把人的注意力留给那些需要真正理解情境的环节。

　　只有9%取得显著进展，说明难题还在工作本身

　　ServiceNow《2026年企业AI成熟度指数》提供了一个值得仔细理解的数字：59%的受访组织已经在使用智能体AI，但只有9%在建立自主、多步骤工作流方面取得显著进展。该研究覆盖19个、12个行业，调查对象包括4500名高管与2000名员工。它提示的是“使用AI”与“让AI连接多个步骤完成工作”之间的距离，不能被简化成AI使用率只有9%。

　　个人层面的改善通常更先被看见。会议前的资料很快备齐，访谈录音变成有条理的记录，一份原本要花半天准备的方案也有了可供修改的初稿。可是，文档生成得更快，并不自动意味着后续的核对、讨论、审批和执行也会同步加快。

　　以一份假设的招聘需求为例，用人经理可以借助AI迅速写出岗位说明。若预算是否批准、岗位目标是否清楚、内部是否有人可以转岗仍然没有确认，招聘团队还是需要补足这些信息。文档制作时间缩短了，整个招聘周期却未必因此明显改变，因为主要等待发生在别处。

　　一份岗位说明已经写完，一项招聘却仍在等条件确认，两种速度就这样出现在同一件工作里。个人效率关心某个动作用了多少时间，组织效率还要考虑动作之间怎样连接，以及结果能否顺利进入下一环节。对CEO和CHRO而言，评估AI项目时只看文档生成时间，会遗漏相当一部分真正影响业务的等待。

　　企业可以从一个边界清楚的流程开始，而不必一上来重构全部管理体系。例如，在员工制度咨询中，让系统提供有依据的解答，同时把复杂问题转交专业人员；在入职服务中，让多个步骤共享到岗时间与岗位信息。这样的改进规模有限，却能检验数据是否可用、职责是否清楚、服务是否真正完成。

　　如果试点只是记录工具使用次数，管理者容易看到热闹的表面。更有解释力的证据，是员工是否减少重复提交，问题是否在承诺时间内解决，人工接手时是否已经得到足够信息。工具采用情况仍然值得记录，但它需要与业务效果一起被理解。

　　对HR来说，这也是参与AI转型的入口。HR熟悉员工怎样经历流程，能够判断某项要求是否清楚、某种安排是否便于执行，以及流程变化会怎样影响岗位。把这些经验带到项目设计中，AI才更容易成为真实工作的一部分，而不仅是一项新增功能。

　　工单减少83%，专业岗位的价值该怎样理解

　　Palo Alto Networks的工单案例之所以受到关注，是因为它把技术能力与工作结果联系了起来。报道中的83%，描述的是IT工单减少这一具体指标，而不是企业全部支持工作减少83%。它不能直接换算为人员需求，更不能用来推算其他公司的组织调整幅度。

　　对企业管理者而言，这类案例可以引出一个更实用的问题：当标准化咨询更容易自助完成，专业团队接下来怎样配置时间。系统能够回答的事项越多，人工服务就越有机会集中到复杂情境、特殊需求和跨部门协调上。岗位价值也就需要从“处理了多少请求”延伸到“解决了什么难题”。

　　以HR工作为例，告知一项制度的具体条款，与判断它在特殊情境下怎样适用，是两种不同的任务。前者有机会通过清晰的知识库与检索服务提高效率，后者往往需要了解业务背景、员工处境和管理目标。它们都属于HR服务，却不应该使用完全相同的评价方式。

　　一个员工问培训费用如何报销，系统可能依据规定给出材料清单。若业务部门希望为一项跨地区项目设计新的学习安排，HR仍然需要判断投入与目标是否匹配，并与相关负责人共同确定方案。标准信息获取变得方便之后，专业人员可以把更多精力用在这种需要讨论和取舍的工作上。

　　但这种转移不会自行完成。原来的任务减少以后，如果岗位目标、工作安排和绩效标准没有更新，员工未必知道释放出的时间应当投入哪里。企业需要把预期说清楚，例如参与岗位能力梳理、改善入职体验，或帮助管理者识别团队中的关键能力缺口。

　　衡量这类变化，也不能只看咨询量是否下降。咨询量减少可能意味着服务更加便利，也可能意味着员工没有找到合适入口，两者需要通过解决率、满意度和后续反馈来区分。专业团队的贡献，应当与员工获得的帮助和业务完成的质量一起观察。

　　由此看，AI对支持职能的影响，未必首先表现为某个岗位消失。更早发生的变化，可能是岗位内部的任务比例重新分配，原来占用时间较多的工作被系统承接，而专业判断的重要性上升。HR需要尽早看见这种变化，帮助员工形成新的贡献方式。

　　“反学习”不是放弃经验，而是知道经验何时需要更新

　　学习新工具相对容易描述，反学习却更容易被误解。它听起来像是要求员工放下多年积累，甚至否定过去的成绩。实际上，企业更需要的是保留经验中有价值的判断，同时检查那些依赖旧条件形成的做法是否仍然适用。

　　经验通常包括两部分：一部分是对业务、客户和人的理解，另一部分是完成任务时习惯采用的路径。客户关心什么、团队协作有哪些约束，这些理解可能依然重要；寻找资料、制作初稿和汇总信息的方法，则可能随着工具变化而更新。将两部分区分开，反学习才不会变成一个模糊的要求。

　　假设一位经验丰富的HR经理长期通过访谈梳理岗位职责。AI可以帮助整理记录、发现重复描述，并生成供讨论的初步结构，但岗位之间的边界是否合理，仍然需要专业人员判断。经理需要更新的是资料处理方法，同时把多年积累的业务理解投入更深入的核对和讨论。

　　真正值得观察的，是一个人遇到新证据时怎样行动。原来的方法仍然有效，他能够解释保留它的理由；新方法表现更好，他也能够调整工作方式，并把调整后的做法教给团队。这样的适应能力有清楚的证据，比简单表示“拥抱变化”更有说服力。

　　反学习也包括修正对AI的认识。有些任务经过试验适合交给系统，有些任务需要人机共同完成，还有一些任务暂时仍应主要由专业人员承担。员工如果能够依据结果改变自己的使用边界，同样体现了学习能力，而不是只有扩大使用范围才算进步。

　　因此，人才评估可以增加对判断更新过程的关注。面试或复盘中，管理者可以请员工说明某次调整发生在什么条件下、依据是什么、结果怎样，以及哪些部分继续保留。这样获得的材料，既能说明适应能力，也能看见经验如何转化为新的工作方法。

　　对员工而言，这种标准也更公平。年轻员工可能更早接触新工具，员工则更容易识别业务约束和结果中的异常，两种优势都有机会在真实任务中发挥作用。企业需要识别的是人与任务之间的适配，而不是用年龄、工具数量或表达热情来替代能力判断。

　　招聘开始看现场，因为未来的工作很难只靠过去解释

　　传统面试十分依赖候选人对过去的叙述。项目规模、承担角色、取得成绩和遇到困难，都是理解职业经历的重要线索。它们帮助企业确认一个人接触过什么工作，也让面试双方能够在有限时间内建立基本认识。

　　随着任务和工具持续变化，过去的经历还需要与现场表现互相印证。同样参与过一个项目，不同人的实际贡献和独立判断可能存在差异；没有做过完全相同的任务，也不意味着一个人无法迅速建立方法。招聘因而需要补充一种证据：候选人在接近真实工作的情境中，怎样处理问题。

　　可观察面试可以围绕岗位任务设计，而不是额外安排一场表演。对于HRBP岗位，企业可以提供经过脱敏或虚构的团队数据，要求候选人形成一份初步分析，并说明下一步需要了解什么。面试官由此观察问题界定、信息使用和业务沟通，而不只听一段准备充分的经历介绍。

　　题目不必追求复杂，条件却需要接近岗位的实际要求。例如，团队流动情况有所变化，同时存在业务调整、岗位需求改变和管理者反馈不一致的情况，候选人需要先区分事实与推测。优秀的表现可能体现为识别信息不足，并提出合理的核实步骤，而不是马上给出一个确定结论。

　　如果岗位日常允许使用AI，评估也可以在规定条件下允许使用。候选人需要说明输入了什么信息、如何检查输出，以及最后作了哪些修改，面试官则观察他是否理解自己的方案。工具参与以后，人的贡献依然可以被看见，只是评估需要更加关注选择与验证过程。

　　最终交付物的精美程度，不应该遮住这一过程。一份结构完整的方案，如果无法解释关键假设，不能证明候选人具备相应判断力；一份仍有不足的初稿，如果明确指出了证据缺口和验证路径，也可能显示出良好的专业基础。招聘团队需要将表达质量与思考质量分别记录。

　　这并不意味着行为面试和履历核实失去作用。现场任务提供的是某个情境下的表现，长期可靠性、合作方式和既往成果仍然需要其他证据支持。更稳妥的做法，是让不同评估方式回答不同的问题，再结合岗位需要形成整体判断。

　　招聘逻辑的变化由此变得具体：企业仍然了解过去，但开始更认真地观察候选人如何进入一个尚不完全熟悉的问题。对于变化较快的岗位，这种能力可能决定入职后的成长速度。HR也因此需要把招聘需求从一串经验关键词，进一步翻译成可以观察的行为与结果。

　　现场任务怎么设计，才能看见真正的能力

　　从叙述转向观察，并不等于把面试时间拉长，或者要求候选人完成大量额外工作。任务应当与岗位相关，范围有限，能够在约定时间内提供有用的评估信息。企业也需要事先说明规则，让候选人知道可以使用哪些资料、哪些工具，以及结果如何被评价。

　　以招聘负责人岗位为例，一个合适的任务可以是审阅一份虚构的业务用人需求。候选人需要识别目标是否清楚、能力要求是否合理，以及还有哪些信息影响招聘计划。它能够呈现岗位理解和沟通判断，又不必让候选人为企业免费完成一套真实的招聘方案。

　　评估标准更好在任务开始前确定。问题识别、证据使用、方案可行性和结果验证，可以分别设置与岗位有关的观察点，再用具体行为解释不同表现。这样，面试官就不容易只凭方案是否新颖、表达是否自信作出判断。

　　任务中也可以安排一次条件变化，观察候选人怎样修正方案。例如，在初步讨论后说明预算范围调整，或者某项关键资料尚未确认，让候选人解释哪些安排需要改变。这里要看的不是应对压力时的表演，而是能否识别变化对任务的实际影响。

　　对需要协作的岗位，短时间的共同讨论也有价值。候选人可以与面试官一起检查一个方案的假设，澄清分歧，再形成下一步安排。是否认真处理他人的信息、能否说明自己的取舍，往往比独自完成一份漂亮文稿更接近日常工作。

　　广告

　　黑客马拉松则适合某些强调创新和协作的情境，但不必成为所有岗位的标准配置。时间紧张的团队活动，可以呈现探索方式和合作过程，却未必充分反映长期交付的稳定性。企业采用哪种形式，仍然应该由岗位任务决定，而不是由形式本身的热度决定。

　　评估完成以后，HR还可以检验它是否真正有用。把招聘时记录的行为与入职后的表现进行对照，看看哪些观察能够解释适应速度和工作质量，再逐步调整题目。这样，可观察面试才能形成可积累的方法，而不是一次令人印象深刻的招聘活动。

　　培训的下一步，是让新方法进入日常工作

　　当企业希望员工能够处理新的任务，培训自然会受到重视。工具介绍、示范课程和实践活动，都能帮助员工开始接触AI。可是，培训结束以后能否形成稳定的工作方式，还取决于岗位是否提供了合适的练习机会和使用条件。

　　ServiceNow同一份2026年报告显示，只有21%的受访组织评估过全企业范围的AI技能，42%的受访员工认为获得的AI培训不足。这样的结果提示，企业不仅需要提供学习资源，也需要了解不同岗位真正缺少什么能力。培训是否到位，应当结合任务需要和员工反馈判断。

　　一个薪酬专业人员与一位招聘专员，可能都需要学习AI，但学习重点不会完全相同。前者更需要理解敏感信息的使用边界、计算核对和结果解释，后者可能更需要练习岗位需求分析、访谈整理与沟通材料生成。共同的基础课程可以保留，后续实践则需要进入各自的工作场景。

　　更容易产生持续效果的安排，是选择一项真实而边界清楚的任务，让员工带着问题学习。比如，尝试改进一份岗位访谈记录的整理方式，或者优化员工咨询中的知识检索，再比较新旧方法的结果。员工能够看到具体收益，也更容易发现哪些环节仍然需要专业判断。

　　练习过程需要有人提供反馈。直接主管可以说明什么样的交付物能够进入业务讨论，同事可以指出实际使用中的障碍，专业部门则可以帮助核对规则。课程提供起点，这些反馈帮助员工把学到的方法调整成可用于本岗位的做法。

　　企业还需要给这种调整留下合理的时间。熟练使用新工具之前，员工可能要经历比较、修改和验证，短期内未必每次都节省时间。管理者如果能够区分练习阶段与成熟应用阶段，就更容易判断投入是否值得，也更容易让员工持续参与。

　　个人当然需要主动学习，但主动性要在可以行动的条件中体现。企业提供合适的工具、清晰的规则和任务反馈，员工则投入时间练习，说明遇到的问题，并逐步改进方法。双方各自承担责任，能力提升才更容易进入实际工作，而不只是停留在课程完成记录里。

　　新人仍然需要练基本功，只是练习路径可以改变

　　当AI能够整理资料、生成初稿和处理部分标准问题，企业还会遇到一个人才培养问题。许多基础任务原本也是新人理解业务、积累经验的入口，如果工作安排发生变化，学习路径也需要随之调整。否则，工具能够完成一项任务，员工却未必知道它为什么要这样完成。

　　例如，整理访谈记录看起来是基础工作，却能让新人了解岗位语言、识别信息差异，并逐渐理解业务人员真正关心什么。AI可以承担初步整理，新人仍然可以通过核对关键内容、检查遗漏和补充问题参与其中。任务形式改变了，理解业务的机会仍然可以保留。

　　同样，制作一份分析初稿，不只有文档产出的价值。选择指标、解释变化和确认数据来源，本身就是训练专业判断的过程。若AI参与初稿生成，主管可以要求新人说明关键数据和假设，再共同讨论哪些内容能够采用、哪些需要进一步核实。

　　这种培养方式对带教提出了更明确的要求。主管需要知道任务中哪些步骤主要消耗时间，哪些步骤有助于形成能力，并据此安排新人参与。能够加速的环节可以加速，有学习价值的判断过程则值得保留和解释。

　　员工的作用也因此更加清楚。他们可以将隐含在经验中的判断依据讲出来，解释为什么某个结果看似合理却需要复核，或者某个例外应该单独处理。AI提供了更快生成材料的可能，专业带教则帮助新人理解材料与真实业务之间的关系。

　　HR在设计培养项目时，可以关注员工是否形成了逐步扩大责任范围的路径。从核对材料到解释结果，再到独立提出方案和处理例外，每一阶段都有可以观察的表现。这样，人才发展与任务变化就能相互连接，企业也更容易持续积累专业能力。

　　绩效要看结果，也要看结果怎样形成

　　工具变化以后，原有绩效指标也需要检查。以文档数量、处理次数或工作时长为主要依据的指标，可能无法完整反映AI参与后的贡献。员工生成了更多材料，是否真的推动了决策和执行，还需要进一步观察。

　　绩效并不因此只剩一个最终结果。许多岗位的价值包含及时发现问题、提高信息质量和帮助其他人完成工作，这些贡献未必马上反映为收入或成本变化。评价体系需要把与岗位有关的结果和行为连接起来，避免一味增加指标，也避免只凭印象判断。

　　以招聘团队为例，缩短招聘周期有价值，但还要考虑需求是否准确、候选人是否适配，以及用人经理是否获得了充分支持。若AI帮助更快准备材料，团队可以把时间投入需求澄清和候选人沟通，再观察整体招聘质量。工具节省时间的意义，需要在后续工作中得到体现。

　　在员工服务中，回复速度也可以与问题解决情况一起衡量。系统快速提供了一段答复，员工是否理解、是否能据此完成操作，决定了服务是否真正有效。复杂问题转交人工之后是否顺利处理，同样需要纳入观察，而不是在自动回复时就宣布任务完成。

　　绩效标准应当让员工知道，企业最终珍视的是哪些贡献，以及这些贡献如何被看见。 如果企业鼓励员工分享可复用的方法，评价就需要承认这种分享对团队的帮助；如果希望员工谨慎验证结果，也需要为核对和专业判断留下位置。目标和评价一致，员工才更容易形成稳定的工作选择。

　　对AI使用次数或使用时长，可以把它们作为了解采用情况的辅助信息。不同岗位、不同任务的使用频率天然存在差异，不能直接据此排序能力或贡献。更重要的是员工能否说明工具怎样改善了交付，以及哪些环节仍然由自己承担判断。

　　绩效讨论也可以成为更新工作方式的机会。主管和员工共同回顾一段时间内的任务，识别哪些方法有效、哪些结果需要改进，再决定下一阶段的重点。这样，绩效不只记录成绩，还能帮助企业把个人实践转化为更清楚的岗位要求。

　　管理者的工作，会从分派任务延伸到设计协作

　　AI参与越来越多的任务以后，管理者需要理解团队实际拥有的能力。人员经验、工具能力、数据条件和专业支持共同影响一项任务能否完成，不能只根据岗位名称判断资源。安排工作，也就需要同时考虑谁适合负责、系统能够承接什么，以及哪里必须保留人工判断。

　　不妨设想一位管理者准备一项业务分析任务。AI可以先整理已有资料、生成供讨论的结构，团队成员负责检查事实、补充一线信息，专业人员再核对关键假设。管理者需要确定这些环节之间怎样交接，以及什么时候可以把结果用于决策。

　　过去，管理者可以把一项要求交给熟悉业务的同事，许多没有说出口的条件由经验补足。系统加入以后，这些条件值得更清楚地写进任务说明，包括目标、可用资料、适用范围和交付要求。把原先依赖默契的部分说明白，既有助于AI工作，也能减少团队成员理解上的差异。

　　授权也需要与任务相匹配。整理公开资料、提出初步建议和改变实际业务安排，所需的判断与权限并不相同，不能因为都通过同一个工具完成，就把它们视为同一种动作。管理者需要和专业团队一起说明系统可以走到哪里，哪些事项应当提交负责人决定。

　　这项工作通常需要HR、IT和业务共同参与。HR理解岗位责任和员工使用体验，IT理解系统与权限，业务负责人理解任务目标和结果要求。各方把这些信息放到同一个流程中讨论，比单独增加一个工具更有机会形成可持续的协作方式。

　　对于中层管理者，变化并不意味着经验失去价值。协调资源、解释目标、识别异常和培养团队，仍然需要对具体业务和人的理解，只是日常工作中可以减少一部分重复信息处理。企业也可以据此帮助管理者重新安排时间，让他们更充分地参与需要判断和沟通的环节。

　　由此延伸出的一个管理判断是，团队能力将越来越取决于协作安排的质量。拥有优秀员工和先进工具是基础，让两者在合适的任务中发挥作用，则需要清晰的设计与持续反馈。管理者的贡献，也应该在这种设计和改进中被看见。

　　从跨专业协作看，人才的边界可以更宽

　　AI帮助员工调用知识之后，跨专业工作也出现了新的可能。一个人不必先成为另一个领域的专家，才可以理解相关问题并参与初步讨论，但仍然需要知道自己的理解到哪里为止。这样的变化有机会扩大岗位的协作范围，同时保留专业审核的必要性。

　　一项较早的研究提供了参考。2025年发布的宝洁相关现场实验涉及776名专业人员，研究考察AI对团队协作与专业知识共享的影响；宝洁在当年4月的官方介绍中表示，AI有助于不同背景的员工提出更平衡的方案，使用AI的团队完成任务约快12%。这些结果来自特定任务与实验条件，不宜直接推算为所有岗位的表现变化。

　　对企业来说，这个案例更有启发的地方，是跨专业知识可以怎样进入讨论。市场人员理解客户需求，技术人员理解实现条件，AI能够帮助双方更早看到彼此关心的问题。具体方案仍然需要各自核对，但讨论的起点可以变得更加充分。

　　HR也可以从这种视角重新理解业务能力。HRBP不必成为财务或产品专家，却可以借助工具更好地理解相关概念和材料，再与业务人员确认事实。最终价值仍然来自对组织和人的专业判断，只是判断能够建立在更完整的业务信息之上。

　　人才发展因此可以关注员工是否具备连接专业的能力。能够理解相关领域的基本约束，提出合适的问题，并在需要时找到专业支持，有助于一个人参与更复杂的任务。这种能力与深厚的本专业知识可以共同发展，而不是要求所有人变成无所不包的通才。

　　企业安排内部项目时，也可以让员工在明确支持条件下逐步尝试新的任务。先参与资料核对与方案讨论，再承担部分协调和交付，能够观察能力是否真正扩大。机会与反馈连接起来，人才的成长就不只依靠增加一个培训标签，也不只依靠岗位名称的变化。

　　CHRO需要把这些变化接成一套人才安排

　　当任务、协作和能力同时变化，HR很难只调整某一个模块。招聘增加了现场评估，入职后却没有对应的培养安排；培训鼓励新方法，绩效却仍然只统计旧任务，这些环节之间就需要进一步对齐。CHRO的重要工作，是让企业希望获得的能力，在不同人才流程中得到一致的支持。

　　这可以从岗位理解开始。选择一组已经受到AI影响的岗位，与业务经理和员工共同梳理实际任务，区分标准信息处理、专业判断、沟通协调和结果负责各自占据的位置。梳理的目的，是知道工作怎样变化，再决定岗位要求与支持安排需要怎样更新。

　　随后，招聘和发展可以围绕同一组能力形成连接。招聘时观察候选人如何界定问题、使用证据和修正方案，入职后就提供相应任务、带教与反馈。到了绩效讨论，再看这些能力怎样转化为实际贡献，员工也更容易理解企业的期待。

　　组织设计则需要结合业务结果逐步调整。某项流程的交接减少以后，企业可以观察原有专业支持是否仍然充分、负责人是否清楚，以及员工是否获得更好的体验。只有任务运行情况提供了证据，才更容易判断是否需要进一步调整协作关系或岗位配置。

　　对于CEO，CHRO能够提供的价值，也会从人员情况延伸到组织能力。一项业务目标需要什么能力，哪些能力可以通过内部发展获得，哪些适合外部招聘，哪些任务可以由现有工具支持，都可以放到同一个讨论中。这样的讨论更接近经营需要，也让人才投入的依据变得清楚。

　　对员工而言，变化是否可信，取决于企业能否提供具体说明。岗位目标如何更新、学习资源在哪里、评价依据是什么，以及新的工作机会怎样获得，都比笼统要求适应AI更加有用。员工看到可以采取的行动，才更容易把变化转化为自己的职业发展。

　　企业可以先改进一段工作，再决定怎样扩大

　　这样的转型不必以一张全新组织图作为起点。企业可以先选择一段重复需求较多、边界清楚、结果容易验证的工作，例如入职协调或制度咨询，明确希望改善的体验和结果。试点范围有限，反而便于管理者看清变化发生在哪里。

　　开始之前，需要保留原有流程的基本信息。任务经过哪些环节、员工在哪里等待、人工支持投入在哪里，以及最终服务质量如何，都是后续比较的依据。没有这一步，新工具上线以后即使使用活跃，也不容易判断它是否真正改善工作。

　　试点运行时，可以邀请使用者与负责人共同反馈。员工说明入口是否方便、答复是否可用，专业人员说明接手的信息是否完整，管理者观察结果是否达到预期。各方的反馈能够帮助团队发现需要调整的地方，也能避免只从系统运行情况判断成效。

　　如果改进获得稳定结果，企业再决定哪些做法值得复制。知识维护方式、任务交接规则和员工培训材料，都可以随之完善，再逐步延伸到相近场景。扩大范围的依据应当是已经形成的能力与效果，而不是试点展示时的吸引力。

　　人才安排也可以跟着这一过程更新。参与试点的员工获得了什么新能力，原有岗位腾出了哪些时间，后续需要怎样的专业支持，都能够通过真实工作被看见。HR据此调整发展和招聘计划，比根据一个通用趋势立即重写全部岗位，更容易形成有用的管理动作。

　　回到财富500强高管的讨论，传统组织架构受到挑战，意味着企业需要更认真地审视工作与人才之间的关系。过去的岗位安排可以继续提供稳定性，新的任务方式则为能力发挥提供更多可能。两者如何连接，将是管理者需要持续回答的问题。

　　未来的人才标准，会更加重视一个人如何理解问题、调用资源、验证结果，并在条件变化后调整方法。 履历记录了已经走过的路，现场表现帮助企业看见接下来能够怎样行动。HR能够把这种判断接到招聘、培养、绩效和组织设计中，AI带来的效率提升才更有机会转化为持续的组织能力。

　　参考资料

　　1. Fortune，Preston Fore，2026年10月1日：Fortune 500 chief people officers say AI has killed org charts， and employees who will thrive need to ‘unlearn’。 https://fortune.com/2026/10/01/fortune-aiq-summit-executives-hpe-palo-alto-networks-lennar-workforce-org-charts/

　　2. The AI Chronicle，2026年10月2日：Fortune 500 CPOs: AI has killed org charts and demands employees who can ‘unlearn’。用于峰会发言及企业案例的补充转述。 https://theaicronicle.com/en/news/economics/fortune-500-ai-org-charts-unlearning

　　3. ServiceNow，Enterprise AI Maturity Index 2026。文中9%、59%及调查范围参见报告第5页、第15页；技能评估与培训数据参见第19页。 https://www.servicenow.com/content/dam/servicenow-assets/public/en-us/doc-type/resource-center/white-paper/wp-enterprise-ai-maturity-index-2026.pdf

　　4. Dell’Acqua等，2025年：The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise，NBER Working Paper 33641。用于补充跨专业协作的研究背景。 https://www.nber.org/papers/w33641

　　5. Procter & Gamble，2025年4月4日：The Future of Collaboration: How AI is Supplementing Teamwork and Innovation at P&G。 https://us.pg.com/blogs/how-ai-supplements-teamwork-and-innovation/

　　原文链接：https://mp.weixin.qq.com/s/IZeSN3bxHUjMBrOnq2CyHg