来源：HRflag

　　2026年8月，路透社披露了Meta内部一项代号为“Project OT”的组织转型计划。按照报道，这项计划试图把公司推向“AI原生”形态：AI接管大量日常工作，更小、更灵活的人类团队负责方向、判断和监督，一些团队在情景推演中甚至讨论过更高60%的人员缩减。不过，这个比例针对的是部分团队的激进情景，并非全公司统一裁减60%；Meta也明确表示，相关方案同时包含人员转岗、关闭空缺岗位和组织精简，并不是所有推演都会进入执行。

　　真正值得企业高管和HR负责人注意的，是计划后来出现的转折。路透社称，原定于5月和11月推进的两轮调整，在第一轮实施前夕发生变化：5月约10%的人员调整仍然进行，但公司叫停了对11月第二轮全公司调整的规划。促成转向的因素并不只是员工反应，内部数据还暴露出一个更硬的经营问题：AI让代码产量急剧增加，却没有带来同等幅度的有效产品交付，伴随而来的技术事件和修复成本反而上升。

　　这并不是一个“AI失败”的简单故事。Meta仍在大规模投资AI，2026年第二季度营收达到608亿美元，同比增长28%，当季资本开支为310.8亿美元，全年资本开支预期被收窄至1300亿—1450亿美元；与此同时，公司仍在招聘和配置关键AI人才。 更准确的理解是：技术方向没有改变，但组织提前兑现了尚未被验证的生产率，结果让裁员、工作流、绩效机制与员工信任在同一时间承压。

　　对正在制定AI战略的企业而言，这个案例的价值，不在于判断Meta某项内部计划的对错，而在于看清一种越来越常见的管理冲动。当董事会要求解释AI投入回报，管理层很容易把“未来可以自动化的任务”直接换算成“今天可以减少的人数”；当资本开支和模型成本不断上升，这种换算会显得格外诱人。可AI真正改变的并不是一张静态编制表，而是一套由任务、流程、决策、质量和责任共同构成的生产系统。

　　如果工作系统没有先完成改造，人员缩减就不是AI红利的兑现，而是在用组织韧性为技术的不确定性垫资。 这正是Meta这段经历留给企业管理者最重要的提醒，也是HR不能只把AI转型当成技能培训或人员效率项目的原因。

　　INSIGHT 01

　　一场看似激进的转型，真正撞上的却是“时间差”

　　Project OT所描绘的组织形态并不陌生。传统产品团队通常由10—20人组成，工程师、产品经理、设计师、数据科学家、用户研究等角色边界清晰，层级也相对完整；AI原生团队则被压缩为3—5人的“小舱式团队”，由3—4名“builder”和一名方向负责人组成，专业人才转为共享资源。这样的设计迎合了当下更流行的管理想象：少数高密度人才带着AI代理，可以覆盖过去一支完整团队的工作面。

　　这个想象有真实的技术基础。AI编码工具确实可以加速原型开发、测试、文档编写和代码迁移，智能代理也正在从回答问题走向执行多步骤任务。麦肯锡2026年全球调查显示，近九成受访组织已在至少一个职能中经常使用AI，44%的组织正在推进企业级规模化应用，高于一年前的38%；大型企业在一个或多个职能中规模化使用AI代理的比例，也从27%升至40%。

　　问题在于，技术能力的进步速度、组织吸收能力的成熟速度和财务计划要求的兑现速度，并不在同一条曲线上。模型演示可以在数周内令人惊艳，工作流改造往往需要数月，岗位能力与管理制度的迁移则可能需要更久。管理层如果把演示时的更佳表现视为日常运营的稳定表现，再把这种表现直接写进年度人力预算，就会把技术可能性误当成组织确定性。

　　Meta内部数据恰好呈现了这种时间差。路透社报道，AI推动内部软件平台和基础设施相关的代码变更量同比增加220%，但真正转化为面向用户的新功能或功能升级，只增长了36%。与此同时，重大技术和安全事件同比增加40%，员工用于“救火”的时间增加70%，这说明系统获得了更高的生成速度，却没有同步建立更强的验证、集成、监控与问责能力。

　　这组数字值得被所有管理团队贴在AI项目会议室里。 产量不是产能，速度不是价值，自动生成也不等于自动交付。 当AI把上游输出放大数倍，而下游评审、测试、合规、上线和客户反馈仍按原有方式运行时，企业得到的可能不是效率，而是更快抵达瓶颈的能力。

　　INSIGHT 02

　　AI生产率最容易被高估的地方，是把“更多输出”当成“更好结果”

　　传统知识工作长期受制于产出速度，管理者习惯用文档数量、代码提交、方案版本、客户触达和处理工单来理解忙碌程度。生成式AI出现后，这些可见输出突然变得便宜：一名员工可以在同样时间内生成更多代码、更多分析、更多营销内容，也可以同时驱动多个代理完成任务。若绩效系统仍然奖励这些中间产物，AI越强，组织越容易制造出一片繁荣的“数字烟雾”。

　　真正的经营价值却发生在输出之后。代码要通过评审、测试和安全验证，营销内容要带来有效线索，分析报告要改善决策，客服回复要解决问题而不是转移问题，招聘工具要提升适配度而不是增加简历处理量。只有当这些结果在质量、成本、速度和风险四个维度同时得到验证，AI节省的时间才会进入利润表，而不是转化为返工、审核与事故处置。

　　这也是为什么企业中会出现一种令人困惑的现象：员工普遍感到自己更快了，公司却仍看不到同等规模的财务回报。麦肯锡2026年调查中，80%的受访者认为AI提高了个人生产率，约一半认为AI帮助自己发展新技能、改善决策，但只有37%的受访者表示AI对组织息税前利润产生了积极贡献。个人层面的“我省了时间”，并不会自然汇总成企业层面的“我们创造了更多价值”。

　　BCG的调查给出了另一个切面。42%的经常使用AI的一线白领表示，每周至少节省出一个工作日，但66%的人几乎没有得到明确指引，不知道应该如何重新使用这些时间，超过一半的人也没有把节省的时间转向战略性工作。 如果组织没有预先决定“节省出来的能力投向哪里”，效率就会像没有管道承接的水一样流失。

　　因此，衡量AI项目不能只看使用人数、调用次数、生成数量和单任务耗时。高管需要追问的是：端到端周期是否缩短，通过率是否提高，客户体验是否改善，收入或成本是否出现可归因变化，风险事件是否受到控制，释放出的工时是否被重新配置到更高价值的活动。只有这些问题得到稳定答案，AI生产率才有资格进入编制模型。

　　INSIGHT 03

　　小团队并不是大团队的缩小版，而是一套不同的操作系统

　　“3—5个人加一组AI代理，替代过去10—20人的跨职能团队”，很容易成为董事会喜欢的图表。它把复杂的组织转型压缩成一个清晰的比例，既能解释成本，也能表达速度和人才密度。然而，真正运行小团队时会发现，人数减少只是表面变化，背后必须同步改变决策权、专业支持、资源调度、质量门槛和异常升级机制。

　　在传统团队里，角色分工看起来冗长，却承担着大量隐性控制功能。产品经理澄清需求，研究人员提供用户证据，设计师维护体验一致性，工程师控制技术债，数据人员验证结果，管理者协调优先级。这些工作未必都会体现在最终交付物中，却构成了组织防止错误扩散的“减震层”。

　　当角色被合并为更宽泛的“builder”，AI可以补足部分专业产出，但无法自动承接所有专业责任。一个人能够借助工具完成原型、文案、代码和分析，并不意味着他同时具备判断用户价值、识别数据偏差、理解安全边界和承担商业后果的能力。角色边界变得流动之后，更先需要加强的恰恰不是速度，而是“谁有权决定、谁必须复核、谁对结果负责”的制度清晰度。

　　共享专家池也存在类似问题。纸面上，专业人才被集中管理，可以被多个小团队按需调用，利用率似乎更高；实际运行中，如果优先级机制不清晰，专家就会成为新的瓶颈，最会争取资源的团队获得支持，真正高风险但不够显眼的工作反而可能被延后。小团队的前台变轻了，后台治理、平台能力和专家调度就必须更强，否则组织只是把复杂性从团队内部转移到了团队之间。

　　这意味着，企业不能从“需要减少多少人”倒推小团队设计，而要从“哪些结果可以由一个更小的责任单元独立交付”出发。若数据、权限、工具、接口和质量标准尚未模块化，小团队只会拥有更少的人，却承担同样混乱的依赖关系。 真正的组织扁平化，不是删除管理层级，而是删除等待、交接和模糊责任。

　　INSIGHT 04

　　岗位重构：不要先判断哪个职位会消失，要先拆开工作究竟由什么组成

　　AI转型进入人力资源环节后，最常见的问题是“哪些岗位可以被替代”。这个问题看似直接，却把岗位当成了一个不可拆分的盒子，而现实中的岗位往往由多种性质完全不同的任务构成。同一个HRBP岗位里，可能同时存在数据汇总、制度检索、材料起草、业务诊断、冲突协调和管理者辅导，AI对这些任务的影响程度显然不同。

　　更有效的做法，是把岗位拆成任务，再把任务放进价值链。企业需要识别哪些任务高度规则化、输入输出明确，适合自动执行；哪些任务可以由AI生成初稿，但必须由人复核；哪些任务涉及模糊判断、利益协调、信任建立和最终责任，仍需由人主导。完成这一步之后，岗位不会简单地被标注为“保留”或“取消”，而会出现职责缩减、职责扩展、任务迁移和新角色形成。

　　以招聘为例，职位描述生成、简历初步归类、面试安排和候选人沟通材料可以被大幅自动化，但用人标准校准、关键人才判断、候选人体验和录用风险不会因此消失。如果企业只看到前一组任务的节省，就可能缩减招聘团队；如果同时看到后一组任务的重要性，就会把招聘人员从流程处理者转向人才顾问，并为他们补充业务判断、数据解释和候选人沟通能力。岗位重构的价值，不是让同一个人机械地处理更多简历，而是让人把时间转向真正影响用人质量的环节。

　　对研发、营销、财务、法务和客服也是如此。AI可以降低专业产出的门槛，却不会让专业后果消失，甚至会因为产出规模扩大而增加复核需求。PwC分析27个和地区超过10亿条招聘广告后发现，要求特定AI技能的岗位增长69%，而整体岗位市场增长9%；与此同时，AI暴露度较高的岗位正在更快增加判断、创造力、领导力等“人类密集型”技能要求。

　　这组趋势说明，企业真正要管理的不是“人或AI”的二选一，而是工作内部重新分工后的能力组合。 越容易生成的内容，越需要清晰的判断标准；越能够自动执行的流程，越需要明确的异常处理；越广泛使用AI的岗位，越不能削弱对结果负责的人。 HR的岗位设计必须从职位说明书升级为“任务—工具—决策权—责任”的动态地图。

　　INSIGHT 05

　　绩效重构：AI时代不能再奖励看起来很忙的产量

　　岗位被拆开之后，绩效标准必须随之改变，否则组织会要求员工用新工具完成旧指标。过去按数量计量的工作，在AI帮助下很容易完成甚至超额完成，但数量增长不一定代表价值增长。Meta案例中，代码变化量与面向用户的有效功能增长之间出现巨大差距，就是旧式产量指标在AI环境下失真的典型信号。

　　企业需要把绩效衡量从“做了多少”向“产生了什么结果”移动。研发团队应更多关注上线周期、稳定性、缺陷逃逸率和用户采用，营销团队应关注有效转化和品牌一致性，客服团队应关注一次解决率和复联原因，HR团队则应关注岗位成功率、用人质量和业务问题的改善。AI生成的中间产物可以记录，却不应成为最主要的成绩。

　　质量还需要被量化为明确门槛。企业可以在关键流程中设置AI输出的采纳率、人工修改幅度、事实错误率、合规例外、客户投诉和返工成本，并把这些指标与速度和成本放在同一张仪表盘上。若一个流程把处理时间缩短40%，却让人工复核时间增加30%、异常率翻倍，这不是净效率提升，而是成本从一个环节转移到了另一个环节。

　　绩效制度还必须回答“节省出来的时间去了哪里”。如果员工用AI每周省出，管理者却只是追加更多相同任务，组织得到的可能是更高负荷，而不是更高价值；如果公司没有增加创新、客户经营、流程改进或人才培养方面的目标，释放出的能力也很难被稳定吸收。BCG发现，67%的经常使用AI者认为工作满意度提高，但41%同时感到认知负荷上升，这种“更好也更累”的状态，正是绩效期望没有完成再设计的结果。

　　更成熟的AI绩效框架应当同时覆盖结果、质量、协作与学习。结果看商业价值，质量看稳定和风险，协作看人机交接与跨团队配合，学习看能否把一次成功固化为可复用流程。 AI时代最值得奖励的员工，不是生成最多内容的人，而是能够让整个系统更可靠、更可复制、更接近客户价值的人。

　　INSIGHT 06

　　能力重构：从“会不会用工具”，走向“能不能驾驭结果”

　　当企业开始培训AI，最容易选择的内容是提示词、工具功能和常见场景。这些能力当然必要，却具有快速折旧的特点：模型界面会变化，提示方式会被产品封装，今天需要手工完成的操作，明天可能成为一个按钮。真正决定人才长期价值的，是员工能否定义问题、设定标准、检验结果、识别风险并在不确定条件下作出判断。

　　微软2026年Work Trend Index调查了10个的2万名AI用户。66%的受访者表示，AI让自己能够把更多时间放在高价值工作上，58%表示自己正在完成一年前无法完成的工作；但当被问及AI接管更多任务后哪些人类能力更重要时，排名靠前的是AI输出质量控制和批判性思维。86%的受访者把AI输出视为起点而不是终点，并认为自己仍需对思考负责。

　　这恰好揭示了“AI熟练度”的真正含义。初级使用者追求更快得到答案，成熟使用者会先判断任务是否适合交给AI，再设计上下文、约束、验证方式和升级路径。企业如果只培训员工如何调用模型，却不训练他们如何拒绝错误答案、发现证据缺口和处理边界情形，AI使用率越高，风险可能越集中。

　　更棘手的问题出现在新人培养。大量基础任务过去既是产出，也是学习过程：初级工程师通过修复小问题理解系统，年轻顾问通过资料整理建立行业框架，招聘专员通过筛选和访谈形成对人才市场的直觉。AI接管这些任务后，公司确实可以减少低价值劳动，但也可能同时拆掉专业成长的脚手架。

　　PwC在2026年AI Jobs Barometer中特别提醒，经验与专业能力之间的传统关系正在变化，AI正在自动化那些曾经承担“学徒训练”功能的常规工作，却更早要求员工展现判断、领导力和适应性。企业不能一边取消新人练习判断的机会，一边要求他们在更短时间内成为能够监督AI的专家。 能力建设的新任务，是重新设计学徒期，而不是假设AI会替组织自动培养成熟人才。

　　这需要把训练嵌入真实工作。新人可以先独立形成判断，再与AI输出对照；可以负责低风险场景的复核，并逐步提高授权范围；可以参与错误复盘，理解一个看似合理的答案如何在业务中产生后果。未来最稀缺的不是“从不犯错的人”，而是能够发现系统错误、解释错误来源并把经验转化为组织规则的人。

　　INSIGHT 07

　　管理责任重构：代理可以执行，责任不能悬空

　　AI代理进入组织后，管理跨度看起来可以迅速扩大。一个经理过去管理八个人，未来也许管理五个人和几十个代理，许多协调、汇总、提醒和跟踪工作都可以自动完成。于是，中层管理很容易被视为可以压缩的环节，扁平化也被包装成AI组织最直接的成果。

　　但代理越能自主行动，管理责任反而越需要具体。谁有权让代理访问客户数据，谁批准它执行外部操作，谁定义质量门槛，谁监测性能漂移，谁在出现异常时叫停流程，谁对最终结果承担业务责任，这些都不能交给一句笼统的“人类在环”来回答。如果这些权利和责任没有写入流程，所谓人类监督往往只是事故发生后的责任追溯。

　　微软2026年研究提出，代理规模化后，企业需要建立与执行速度相匹配的评估基础设施，并回答三个问题：谁审查代理表现，谁有权更新代理运行的工作流，局部成功如何被组织吸收和推广。这三个问题看似技术化，本质上都是管理问题，分别对应监督责任、变更权和组织学习机制。

　　经理的角色因此不是消失，而是从分派任务转向设计系统。优秀管理者要决定哪些工作由人完成、哪些交给代理、哪些必须双重验证；要为团队建立清晰的目标和质量标准，也要识别员工是在创造价值，还是只制造更多可以被看见的输出。随着执行被自动化，管理者花在判断、教练、协调和承担责任上的时间会增加，而不是减少。

　　这对高层同样适用。AI转型不能由技术团队独自承担，也不能被简化成HR的降本指标，业务负责人必须对价值实现负责，技术负责人对系统可靠性负责，风险与安全团队对控制框架负责，HR对岗位、能力、激励与人员影响负责。 只要业务收益由管理层享有，AI造成的质量、风险和人才后果就不能被下放给一线员工独自承担。

　　INSIGHT 08

　　员工反应不是转型的噪音，而是组织风险的早期传感器

　　路透社报道显示，Meta员工情绪好感度从74%降至55%，围绕调整和数据使用的质疑集中出现。公司随后暂停了用于训练代理的部分员工行为追踪，允许部分转岗员工返回原团队，并通过内部沟通和稳定措施修复信心。把这些变化仅仅理解为“员工抵触新技术”，会错过更有价值的管理信息。

　　员工真正担心的通常不是工具本身，而是规则不透明。他们不知道哪些数据被收集、AI学习自己的工作后岗位会如何变化、评估标准是否已经改变、转岗选择是否真实存在，也不知道管理层口中的“赋能”会不会在预算会议上变成另一套叙事。当公司要求员工积极训练可能改变自身岗位的系统，却无法说明未来的交换关系时，信任下降并不令人意外。

　　信任不是福利或沟通频次可以替代的东西。它来自可验证的一致性：管理层说明AI项目的目标，公布进入人员决策前必须满足的证据门槛，明确数据采集和使用边界，为受影响员工提供有质量的转岗与学习路径，并允许一线人员报告系统问题而不被视为阻碍创新。零食、团建和情绪安抚可以缓冲压力，却不能替代这些制度安排。

　　麦肯锡2026年的研究发现，70%的受访者认为自己已准备好采用AI，但只有27%的认为所在组织已准备好完成迈向代理型企业所需的人员与文化变革。组织准备度对AI价值差异的解释力达到48%，个人准备度则为25%；当工作流被重新设计时，报告实现企业价值的可能性，是工作流保持不变时的5.3倍。

　　这些数据把员工关系从“软问题”重新放回经营逻辑。员工是否愿意暴露流程中的真实问题，决定模型能否获得高质量反馈；专家是否愿意分享隐性知识，决定代理能否学到企业真正的工作方法；团队是否敢于报告失败，决定风险能否在扩大前被发现。 信任不是AI转型之外的文化装饰，而是训练数据、反馈回路和风险控制的一部分。

　　INSIGHT 09

　　HR最重要的升级，不是预测裁员比例，而是建立“证据闸门”

　　在传统年度人力规划中，业务先提出收入与成本目标，再换算岗位和人数，HR负责校准、招聘或调整。AI出现后，许多公司在这个模型中增加一个“效率系数”，例如假设某职能因AI提高20%效率，于是次年编制减少相同比例。这个算法简单，却忽略了效率提升的来源、稳定性和再投资方式。

　　更稳健的做法，是在AI试点与人员决策之间设置证据闸门。一个流程只有在真实业务环境中持续达到目标，证明质量没有下降、风险可控、异常有人承接、节省的时间能够被重新配置，并且关键知识不依赖少数专家临时救火，才可以进入岗位与编制讨论。试点成功说明“可能有效”，跨周期稳定运行才说明“可以进入组织模型”。

　　证据闸门至少需要覆盖四类信息。业务证据关注收入、成本、周期和客户价值，运营证据关注通过率、返工、异常和人工介入，人才证据关注能力缺口、工作负荷、关键人才与继任风险，治理证据则关注数据权限、审计、合规和责任归属。这些信息不必被做成繁琐的评分工程，但必须在同一场决策会议上出现。

　　HR在其中不只是提供人员名单，而要挑战未经验证的效率假设。如果某项AI工具只让单个任务快了30%，但该任务只占岗位工时的20%，岗位总效率提升远低于30%；如果省下的时间被新增审核和异常处理抵消，也不能计入净释放能力。如果流程高度依赖几位专家兜底，那么任何人员减少都可能把隐性冗余变成显性风险。

　　这套机制并不意味着企业不能调整人员。市场变化、业务组合和技术进步都会改变人才需求，组织也需要保持资源纪律。它要求的只是把人员动作放在可验证的工作重构之后，让编制变化成为经营模型改变的结果，而不是AI投资压力下更先被执行的动作。

　　INSIGHT 10

　　人才密度不是留下少数“10倍人才”，而是提高整个系统的有效密度

　　Project OT还涉及“不可替代人才”和“10倍绩效者”的识别。这种思路在AI时代重新流行，因为强大的工具可能放大优秀人才的产出，使少数人完成过去一个团队的工作。对关键人才进行识别和差异化投入本身并没有问题，但把人才密度等同于只保留少数明星，会低估协作系统的价值。

　　许多所谓10倍产出，实际上建立在平台、数据、历史代码、同事评审、客户洞察和组织信誉之上。明星工程师能够快速交付，可能因为有人维护基础设施；优秀销售能够签下大单，可能因为产品、法务和交付团队提供了完整支持。AI会进一步放大个人能力，也会进一步放大对高质量组织底座的依赖。

　　真正的人才密度，不是人均任务量更高，而是每个关键位置都拥有足够的判断力，团队之间的接口清晰，知识可以复用，错误能够被快速发现。它既包括高水平的创造者，也包括验证者、整合者、教练和平台建设者。若公司只奖励最显眼的生成与交付，而忽略保障质量、维护系统和培养新人的人，短期数字可能更漂亮，长期能力却会变薄。

　　PwC的数据也对“AI必然导致人员收缩”提出了重要修正。其2026年报告发现，AI暴露度更高的企业，2019年至2024年的人员规模增长为52%，高于AI暴露度更低企业的36%，其劳动生产率增速也高出40%。这并不意味着AI一定创造更多岗位，而是说明技术采用与人员减少之间不存在简单的一比一关系，企业如何使用生产率红利，才决定最终的人力结果。

　　有的公司把效率用于降本，有的公司把它用于扩大客户覆盖、提高服务深度、加速产品创新或进入新市场。两种选择都可能合理，但不能混为一谈。 AI带来的不是一个统一的编制答案，而是一项资本配置权：管理层必须决定把释放出的能力用于缩减成本，还是用于扩大增长。

　　INSIGHT 11

　　对企业高管而言，AI组织转型应当按“价值成熟度”推进

　　企业当然不能等到技术完全成熟才行动，因为那意味着把学习机会让给竞争对手。更现实的路径，是让技术应用、组织调整和人员决策以不同速度前进：工具可以快速试，流程要逐步改，重大编制变化则要以跨周期证据为前提。这样既保留进攻性，也避免把不可逆的人才决定建立在短期波动上。

　　在探索阶段，重点不是证明AI能做多少，而是找到价值链中最值得重构的节点。团队需要记录基线，明确原来的成本、时间、质量和风险，再比较AI介入后的净变化；同时保留人工对照，防止因为评价标准被悄悄降低而制造虚假的效率。这个阶段最有价值的产出往往不是一个惊艳的代理，而是一份关于流程真实运行方式的地图。

　　进入规模化阶段后，管理重点转向稳定性。企业要建立权限、日志、评测、异常升级和版本管理，明确代理何时可以自主执行、何时必须人工批准，并把失败案例纳入模型和流程迭代。只有当系统离开少数“英雄员工”仍能运行，效率才具备可复制性。

　　当AI能力经过多个业务周期验证，岗位与组织设计才应进入实质调整。此时讨论的不只是减少哪些工作，而是新增哪些责任、哪些专业能力转为共享、管理跨度如何变化、基层员工如何成长，以及释放出的预算投向哪里。人员变化应当与客户价值、业务增长、风险水平和未来能力同时放在管理层桌面上。

　　麦肯锡2026年调查显示，只有11%的认为自己的组织已经进入以AI重塑工作方式的“再造”阶段，但其中48%报告实现了企业价值，高于自动化阶段的24%和赋能阶段的13%。这说明真正显著的回报确实来自深层重构，但深层重构并不等于更快裁员，而是对工作流、决策权、角色结构、资源配置和绩效期望的系统更新。

　　INSIGHT 12

　　HR需要把自己从人员响应部门，变成工作系统的共同设计者

　　过去，战略由业务制定，技术由IT部署，组织变化到最后才交给HR处理。AI时代如果仍沿用这个顺序，HR看到的往往已经是一个写好节省比例的方案，只能在执行层面处理岗位、沟通和劳动关系。等到质量下降、关键人才流失或管理责任断裂，再补做文化修复，成本通常远高于前期参与设计。

　　HR应当更早进入AI投资和流程重构讨论，带着岗位数据、技能结构、工作负荷、人才供给和组织网络信息共同判断。业务部门知道价值在哪里，技术团队知道系统能做什么，风险团队知道边界在哪里，HR则要回答组织是否具备吸收能力。缺少其中任何一方，AI方案都可能只在局部成立。

　　这也要求HR拥有新的分析能力。人力数据不能停留在人数、人工成本和流失率，而要连接任务结构、流程绩效、工具使用、质量事件和内部流动；人才盘点不能只找高绩效者，还要识别掌握关键隐性知识的人、承担跨团队连接的人和能够监督AI的人。未来的关键人才地图，会比传统九宫格更接近业务运行地图。

　　HR还要重新定义学习发展的投入逻辑。培训不应以完成课程和工具认证为结束，而应要求员工在真实流程中形成可复用的工作方法，管理者能够设定AI质量标准，团队能够复盘错误并沉淀规则。BCG发现，清晰战略带来的AI影响提升达到25个百分点，而单纯改善工具只有5个百分点，这意味着方向和管理机制对价值的影响远高于再采购一个更好的模型。

　　更重要的是，HR需要守住组织的长期能力。短期内可以被AI替代的基础任务，可能承担着新人培养、专业判断和组织记忆的功能；看似可以取消的协调角色，可能维护着跨部门信任和风险防线。 HR不是阻止效率发生，而是确保效率不会以透支未来能力为代价。

　　INSIGHT 13

　　Meta的转向，真正说明AI战略开始进入管理深水区

　　在叫停第二轮全公司调整规划之后，Meta并没有放弃AI，而是重新强调“赋能个人”的叙事。扎克伯格在8月发布的长文中提出，AI未来的关键在于自动化与个人能力扩展之间的平衡；公司规模可能变小，但也可能出现更多公司和更多新需求。这个判断与此前的激进组织推演并不完全矛盾，它反而揭示了AI转型正在从单一效率想象走向更复杂的价值选择。

　　对企业来说，真正的挑战从来不是要不要使用AI，而是如何在技术快速变化时做出可逆与不可逆的决定。试用一个工具是可逆的，调整一个流程相对可逆，失去一批关键人才、破坏信任或切断新人培养链条则很难迅速修复。管理成熟度就体现在能否区分这些决定，并为它们设置不同的证据标准。

　　Meta的经历还表明，即使是拥有技术人才、雄厚资本和海量数据的公司，也无法绕过组织吸收的基本规律。AI可以在几秒钟内生成代码，却不能在几秒钟内建立责任；可以迅速复制显性操作，却不一定理解隐性判断；可以让小团队完成更多工作，却不能自动保证这些工作值得完成。技术越强，管理层越需要克制把可能性提前记入利润表的冲动。

　　对CEO而言，AI战略的核心问题不是“能减少多少人”，而是“公司希望借此创造什么新的价值”；对CHRO而言，核心问题不是“哪些岗位会消失”，而是“工作、能力和责任将如何重新组合”；对业务负责人而言，核心问题不是“工具使用率有多高”，而是“客户结果和经营质量是否真正改善”。当这三个问题被放在一起，组织才有机会把AI从一个成本故事变成增长与能力故事。

　　AI组织转型真正的分水岭，不在于谁更先宣布小团队和数字员工，而在于谁能把技术速度、业务证据与人的变化安排在同一套节奏里。 先验证价值，再重构流程；先明确责任，再扩大自治；先设计能力迁移，再讨论编制变化。这样的路径看起来没有激进口号那么夺目，却更可能把AI的短期效率变成组织的长期优势。

　　INSIGHT 14

　　结语：不要用未来的AI，提前裁掉今天仍在承担责任的人

　　每一轮技术革命都会带来相似的诱惑：工具刚刚显示出突破性能力，管理者便急于把未来收益一次性写进今天的成本结构。AI让这种诱惑更强，因为它展示能力的方式极具冲击力，一个原型可以在几分钟内完成过去几天的工作。但企业运行依赖的从来不只是生成速度，还依赖判断、协作、责任、信任和对异常情况的处理。

　　Meta的Project OT之所以值得关注，不是因为一家企业曾经做过激进推演，而是因为它把AI时代最关键的组织矛盾集中呈现出来：模型能力正在快速增长，组织制度却无法自动跟上；个人效率已经出现，企业价值仍需要工作流承接；人可以减少操作，责任却不会随之消失。任何企业只要走向AI原生，都迟早会面对这些问题。

　　管理层真正需要建立的，不是一份“AI替代岗位清单”，而是一套能够持续验证价值、重新设计工作、培养新能力和明确责任的机制。HR也不应被动等待人员方案，而要参与定义什么是生产率、什么是可替代任务、什么是不可丢失的能力，以及在何种证据下才能做出人员决定。只有这样，AI才会成为组织升级的基础设施，而不是一轮成本动作的技术包装。

　　未来的高效企业可能确实更小、更扁平，也可能因为获得新的增长空间而雇用更多人。PwC的数据已经说明，AI暴露度高与人员增长并不冲突；Meta的案例则说明，自动化想象与稳定运营之间存在不可忽视的距离。 企业最终需要减少的，不应是那些仍在承担判断与责任的人，而是低价值的等待、重复、交接和模糊。

　　当AI真正接管足够多的执行工作，人类在组织中的价值不会只剩下“监督机器”四个字。人仍要决定目标、定义好坏、处理例外、理解客户、承担后果，并把一次次经验变成组织可以复用的判断。谁先把这些能力设计进岗位、绩效、培养和管理制度，谁才真正拥有AI时代的人才优势。

　　参考资料

　　? Reuters：Mark Zuckerberg had a bold plan to replace Meta staff with AI. Here’s how it imploded.（2026年8月26日）

　　? Meta：2026年第二季度财务业绩

　　? Meta：The Future is for Everyone（2026年8月10日）

　　? McKinsey：The State of AI—Global Survey 2026

　　? McKinsey：Closing the AI Readiness Gap（2026年7月8日）

　　? Microsoft：2026 Work Trend Index

　　? BCG：AI Is Reshaping Jobs Faster Than Companies Are Reshaping Work（2026年6月3日）

　　? PwC：2026 Global AI Jobs Barometer

　　原文链接：https://mp.weixin.qq.com/s/wNOyXfHqIlyJcyq9KrTnVg