《财富》全球人工智能创新者50强Perplexity发布Teammates:30天创建1万个AI同事,等于员工数的20倍
来源:HRflag
一家企业在30天内创建了约1万个AI同事,数量达到员工人数的20倍。这个发生在Perplexity内部的变化,让“AI进入组织”有了一个非常具体的画面:同一家公司里,人类员工继续工作,另一批能够接受任务、持续跟进的数字协作者也开始运转。按照创始人Aravind Srinivas公开披露、由Agent Brief汇总的数据,这些Teammates中,约1000个在其披露前处于活跃状态。对于正在讨论明年业务目标和人力预算的管理者,这组数字提供了一个新的观察角度。 [1]
随后披露的另一组数据,更接近企业真正关心的工作现场。Srinivas表示,员工获得的每周AI运行工时中位数,已经达到9月的约7倍,约五分之一的使用者达到每周40小时以上。他把后者形容为额外获得一个完整工作周的支持。这里需要保留一个关键区分:这些是公司披露的内部使用数据,AI运行工时的增长,并不直接等于员工生产率或企业交付量的同比例增长。 [2]
有意思的是,在这条消息下,有人问Srinivas,接下来会发布更多产品,还是缩减团队。他的回答很简短:“推出更多产品。”这给整件事提供了一个值得企业高管认真考虑的方向:当员工可以调用更多执行能力,管理议题也会延伸到产品、服务和市场机会。原本因为时间与资源有限而推迟的工作,可能有了进入日程的条件。 [2]
对于HR负责人而言,这样的变化也会逐渐进入熟悉的人力规划场景。业务部门提出新增需求时,除了需要多少人,还可以进一步讨论需要补充哪些能力、哪些工作适合持续交给AI、哪些判断仍需要更有经验的人承担。当这些问题能够被具体回答,编制讨论就会从人数审批,向业务目标与资源配置之间的连接深入。AI同事由此成为一个组织管理问题。
企业接下来需要学会的,是把人、AI与工作流程放在一起,计算能够稳定兑现的业务产能。 一万个AI同事代表的是一种新的组织可能性,能否把这种可能性变成更多合格交付,取决于任务如何分配、结果如何验收,以及释放出的时间被投向哪里。Perplexity的案例值得关注,正因为它把这些原本停留在讨论中的问题,提前带到了管理者面前。这也可能成为下一轮组织能力建设的起点。
AI开始接手一份持续存在的工作
过去,许多人的AI使用方式围绕一次次会话展开:提出问题,获得答案,再把结果带回自己的工作流程。按照Perplexity的产品介绍,Teammates承接的是持续性工作,可以保留项目背景,推进任务,并在过程中向使用者汇报或请求审批。用户因而能够交付一个较长期的职责,而不必每次都重新启动一段对话。这个产品方向,把AI的使用单位从单次请求,向持续承担的任务延伸。官方帮助文档将本次上线列为面向个人Max订阅者的研究预览,企业版账户并不默认包含。 [3] [4]
官方举出的一个销售场景很有代表性:发现经常交易的客户停止下单后,Teammate查看订单与服务记录,调查变化,再准备建议或需要处理的问题。它所连接的是发现、调查、准备与跟进几个环节,过程中还会提交进展和审批请求。这个例子的管理价值,在于把原本需要有人持续记挂的事情,变成一项可以被明确委派的职责。企业需要据此思考,哪些重要工作一直依赖员工个人的注意力维持。 [3]
沿着这个方向,可以设想一个企业自己的新员工入职协作场景。AI持续核对入职材料、培训安排与设备准备状态,在发现缺项时提醒相关责任人,再把需要HR判断的特殊情况整理出来。员工的体验依然由企业负责,涉及人的沟通与决定也有明确的负责人。AI承担的持续跟进,让原本分散在不同表格和消息里的进度更容易被看见。
这种工作关系需要一套更清楚的任务约定。一个负责培训运营的AI,要知道服务对象是谁、信息来自哪里、多久更新一次、什么算完成,以及何时需要请求人类介入。职责写得越具体,后续协作越容易形成稳定预期;背景信息与反馈得到及时维护,下一轮工作也越容易接续。给AI起一个名字只是开始,让它在流程中拥有清晰的位置,才是管理工作的展开。
从这个角度看,企业过去积累的管理经验仍然有很大价值。目标设定、任务交接、质量标准和复盘,本来就是协作能够持续发生的基础,只是现在需要把其中一部分写得更明确。许多只存在于老员工脑中的判断条件,也需要被整理成团队可以使用的说明。AI越能够持续行动,组织越有必要把“我们通常怎么做”转化为可以共同理解的工作规则。
40个AI工时,如何变成企业真正能用的产能
“每周多出40小时”很容易让人联想到增加一个全职员工,但两种时间需要分别理解。人类工时描述一个人投入工作的时间,AI运行工时则记录系统开展任务的活动,两者之间缺少天然的一比一换算关系。同样是完成一份市场分析,有的环节在等待资料,有的环节在处理信息,有的环节需要重新尝试。企业只有把运行记录与最终成果连接起来,才能判断这些时间的实际意义。
可以用一个简单的假设帮助理解:五个AI同时执行不同任务,各运行一小时,累计就可能出现五个AI小时。这并不意味着某位员工必然节省了五小时,因为其中有些任务原本只需很短时间,有些工作原本根本不会开展。相反,一项运行十分钟的任务,如果可靠地替代了原先两小时的整理工作,也可能带来很高的价值。这些例子说明,运行时间适合观察资源使用,时间收益还需要另一套验证。
验证的起点,是给同一类工作建立可以比较的基准。原来需要人类投入多少时间,使用AI后仍需多少时间准备、核查、修改与处理例外,比较这些变化,才能估算人类时间净释放了多少。质量标准也要保持一致,否则更快交付与减少必要检查可能混在一起。 真正能用于规划的,是在相同质量要求下,持续得到验证的时间释放与交付增长。
这里还存在两种不同的收益。一种是过去就要做的工作,现在能够用更少的人类时间完成;另一种是过去没有精力做的工作,现在终于能够开展。前者更适合计算原有流程中的时间变化,后者则需要考察新增覆盖、发现的问题或创造的业务机会。把两者分别记录,企业更容易理解AI究竟改善了现有运营,还是打开了新的增长空间。
同样,创建数量、活跃数量与运行时长也各自回答不同问题。创建数量体现尝试范围,活跃数量体现某个时期的实际使用,运行时长体现任务活动,任何一个数字都需要结合任务性质解释。一个按月运行的预算整理任务,可能只在特定日期活跃,却依然很有价值。企业复用这类统计时,也应说明统计对象是全体员工、已开通用户还是当期活跃用户,让不同部门的比较建立在一致口径上。
重新计算人力之前,先看清工作怎样流动
当企业开始寻找适合AI同事承担的任务,最有效的入口通常是具体流程。一个岗位往往同时包含信息整理、专业判断、跨部门协调和关系维护,直接按岗位名称讨论AI能力,很难形成准确结论。把工作拆开之后,管理者才能看到哪些环节重复出现、哪些环节输入稳定、哪些环节的结果容易验收。这样的梳理,也能帮助企业更好地理解不同岗位实际创造的价值。
以招聘为例,一条完整流程可能涉及需求澄清、职位信息整理、材料核对、面试安排、反馈归集与候选人沟通。不同环节所需要的能力并不一样,能够被AI支持的程度也各不相同。企业可以先把预约协调、进度汇总和资料准备做得更顺畅,让招聘人员有更多时间与业务负责人讨论人才需求。对候选人的理解、面试判断与录用决定,则需要清晰的人类责任安排。
拆解流程之后,还要看环节之间如何衔接。假如资料准备速度显著提升,但面试反馈仍要等待很长时间,招聘周期的改善就可能受到后续环节限制。类似地,市场团队生成了更多方案,如果业务负责人没有时间选择与试验,新增内容也难以转化为新增结果。局部效率提高之后,组织需要继续观察工作在哪里排队,并把管理注意力转向新的限制因素。
这意味着,AI项目很适合由一位对完整结果负责的业务负责人牵引。他需要判断前后环节是否匹配,技术团队提供实现与连接能力,HR帮助调整分工、能力要求和协作方式。一个部门的时间收益,也要放回跨部门流程中检验,避免把工作量转移误认为工作量减少。只有整条链路的交付更顺畅,企业才真正获得了可以持续使用的能力。
流程梳理还有一个容易被低估的作用:让原本分散的经验能够留下来。什么情况下需要追问需求,什么信息缺失会影响判断,哪些修改必须请业务确认,这些条件一旦形成清楚的说明,就同时帮助AI和新加入团队的员工。组织因而有机会把个别人的熟练,转化为更多人可以使用的工作方法。人机协作的稳定性,也会随着这种共同理解的增加而提高。
编制表需要连接一张更完整的能力地图
在年度预算会上,业务增长通常会被翻译成新增岗位和招聘计划。AI带来的新维度,是让部分执行能力能够按任务调用,让一些流程拥有更灵活的支持方式。讨论由此可以进一步追到业务现场:团队准备承接多少需求,现有人员掌握哪些经验,哪一段工作还缺少支持。这些答案能够把招聘、培养、技术投入与业务目标连接起来。
假设某个服务团队每月需要处理1000份格式相近的业务材料,过去每份平均投入15分钟,总计250小时人类时间。经过一段时间试运行,在保持相同质量标准的情况下,每份所需的人类处理与复核时间降到3分钟,也就是50小时。如果每月还要投入40小时维护规则、排查异常和改进流程,那么新的总投入是90小时。这个假设场景下,净释放的人类时间是160小时,数字来自完整流程的前后比较。
160小时看上去接近一个人的月度工作时间,但实际配置还要继续分析。这些时间可能分散在多名员工身上,可能集中在月末,也可能只能用于某些特定技能范围内的工作。要把它们转化为新的任务承接能力,需要重新安排日程、调整交接,并明确谁来承担新增工作。时间释放只有经过这样的组织安排,才更容易成为部门真正可以使用的余量。
同时,这个例子还没有回答财务收益的问题。员工把释放出的时间投入客户服务或项目推进,企业获得的是能力扩展,是否形成更多收入或更低支出,需要继续观察实际结果。模型调用、系统连接、必要的人工支持与维护投入,也需要计入比较。人力规划与财务规划因此可以共享一套事实基础,同时分别说明时间、产能和资金发生了什么变化。
这张能力地图还应体现需求的波动。业务高峰期需要多少支持,稳定时期保留多少资源,关键任务是否依赖某一个人的经验,都影响团队能否按期完成目标。AI能够支持其中一些环节,但客户关系、现场协调、专业判断等能力,仍需要结合具体场景配置人员。管理者由此可以更准确地说明,新增岗位准备补充哪一种稀缺能力。
下一轮人力规划可以从“要完成多少业务、缺少什么能力、怎样组合资源”开始。 招聘计划说明准备补充哪类专业判断与经验,AI投入说明准备支持哪些持续任务,培养计划则回应现有人才如何承担升级后的职责。对于衔接不顺畅的工作,流程调整也应进入资源讨论。HR因此拥有了更丰富的规划依据,能够解释不同投入将怎样帮助业务完成目标。
给AI同事看业绩,也要看到它帮助人完成了什么
当AI运行工时进入管理报表,企业需要同时建立一套结果记录。最直接的起点,是明确什么叫一份合格交付:材料是否完整、信息是否准确、后续使用者能否直接接手,以及是否满足约定时限。运行了多少次、生成了多少份文档,可以帮助理解活动规模。最终进入业务流程并被采用的成果,才能进一步说明这些活动产生了什么。
例如,在一个假设的周报流程中,团队过去每周完成100份符合标准的客户简报。采用新的协作方式后,如果能够在相同统计范围和质量要求下完成150份,同时人类总投入没有增加,就可以记录合格交付量提高了50%。这个结论的适用范围也很明确:它描述这类简报的交付变化。将其推广到整个部门或整家公司之前,还需要其他工作流程的证据。
除了交付数量,交付所需的完整时间也值得关注。一份材料从需求确认到被业务采用,中间可能经历等待资料、审批、修改和交接;这些等待即使不占很多操作时间,也会影响业务节奏。AI如果帮助团队更早发现缺项、提前整理决策所需的信息,就可能改善从需求到交付的周期。对于时效性强的工作,这种变化有时比多生成几份材料更有意义。
质量观察则需要兼顾一次通过与后续表现。初次验收通过率可以帮助了解结果是否稳定,返工时长可以反映复核负担,业务使用后的反馈可以揭示是否真正解决了问题。涉及客户服务的工作,还可以观察问题是否得到解决、沟通是否更顺畅。不同任务选择不同指标,才能避免把复杂的业务价值压缩成一个看似整齐的总分。
有些AI任务的价值体现在扩大覆盖范围。团队原来只能定期研究核心市场,现在可以持续关注更多区域;原来只能逐项检查重点项目,现在可以更早发现其他项目的进度变化。对于这类工作,合适的观察对象包括新增覆盖的质量、被及时处理的问题,以及后来得到验证的机会。管理者需要给这些收益留出合理的观察期,同时持续核实它们与业务结果之间的联系。
把成本放进同一套记录,评价才更完整。对于某类任务,企业可以持续观察每份合格交付需要多少人类时间、多少系统投入,以及多少后续维护。如果任务完成得更好、耗时更少,AI运行工时完全可能下降,这同样是一项值得记录的改善。 能够支撑决策的AI业绩,是质量、时效、成本与业务采用共同构成的结果。
管理者的职责,会延伸到目标、授权与协作节奏
当一个人能够调用多个AI同事,管理能力会直接影响这些执行能力的效果。管理者需要把业务目标翻译成可以行动的任务,让协作者知道优先级、可用资料、完成标准和反馈方式。一个含糊的目标可能带来许多探索,一个清楚的任务约定则更容易形成可验收的结果。写清这些内容的过程,也常常帮助管理者进一步澄清自己的业务判断。
以市场研究为例,“研究一下这个市场”留下了很大的解释空间。更有效的安排会说明研究准备支持哪项决定,需要回答哪些商业问题,信息应覆盖什么时期,哪些来源可被采用,以及最终由谁评估。涉及尚未验证的信息,还要在交付中保留来源与判断依据。这样形成的成果,才更容易进入讨论和行动,而不是停留在阅读层面。
随着任务可以持续推进,授权也需要写得具体。哪些资料可以读取,哪些记录可以更新,哪些沟通只能形成草稿,哪些对外承诺或资源支出需要负责人确认,都应与任务一起安排。Perplexity的官方更新日志就用“客户邮件可以先起草,退款前先确认”的例子,展示了行动与审批之间的关系。企业可以结合自己的场景,形成清楚的权限与升级约定,让负责人知道何时需要介入。 [5]
主动行动的AI也会带来新的协作节奏问题。一个负责关注项目变化的AI,什么时候只更新记录,什么时候汇总提醒,什么时候需要立刻找人处理,都会影响团队的注意力分配。企业可以按照事件的重要程度设置通知方式,让日常进展集中呈现,让确实需要判断的事项及时升级。主动性如果能够配合团队的节奏,更容易成为有用的支持。
复核能力则需要与执行能力一起安排。如果多个AI并行准备方案,却都等待同一位管理者判断,新增执行能力就会在这个节点汇合。管理幅度因而多了一个观察角度:负责人每周能够处理多少关键决策,哪些判断可以交给具备相应能力的同事。团队再据此安排核查、授权与升级方式,执行和验收才更容易形成匹配。
持续反馈同样需要明确的范围。某次项目中的特殊要求,未必适合成为所有项目的长期规则;某位同事的个人偏好,也未必代表整个团队的标准。管理者需要区分一次性修改、项目约定与组织规则,并维护适用条件和更新记录。AI同事能够接续工作之后,管理者维护的也包括一套不断更新的共同工作方式。
HR需要把岗位、绩效和协作方式一起更新
当工作分工开始调整,岗位说明也需要反映真实的协作方式。除了列出一个人需要完成哪些任务,还可以写清他负责什么结果、可以调用哪些支持,以及需要承担哪些判断与验收职责。对一位招聘人员而言,资料整理得到AI支持之后,与业务澄清需求、识别合适人才和改善候选人沟通,可能获得更多时间。岗位价值也会随着时间投入的变化而变得更加具体。
绩效讨论同样需要回到贡献本身。有的人善于把原有流程做得更稳定,有的人能够识别新的客户需求,还有的人能够把有效经验整理为团队共享的方法,这些都可能帮助组织增加交付。AI任务调用次数可以作为使用情况的参考,但很难独立说明一个人的贡献。HR可以帮助管理者把评价重点放在业务结果、专业判断、协作质量和能力成长之间的联系上。
团队共享还会让贡献归属变得更值得讨论。一位员工投入时间整理了高质量的工作说明,另一位员工借助这套方法完成了更多交付,组织需要同时看见方法建设与业务应用的价值。如果评价只覆盖最后一次交付,经验整理和持续维护就容易缺少足够投入。把这些贡献纳入认可与发展讨论,有助于让个人探索成为团队能力积累的一部分。
招聘与选拔也可以加入更贴近真实工作的人机协作观察。企业可以给候选人一个有明确背景的业务任务,观察他怎样界定问题、选择资料、使用AI、核对结果,以及解释最终判断。这样既能了解专业基础,也能了解他如何组织外部支持完成工作。对于不同岗位,观察重点应有所区别,并保持与实际职责一致的评价标准。
员工体验则需要随着工作变化持续了解。资料准备减少之后,员工是否有了更多时间完成专业工作,复核任务是否集中到了少数人身上,新流程中的责任是否清楚,都值得通过日常沟通和工作观察了解。企业据此调整任务分配与支持方式,才能让效率改善成为员工可以感受到的工作改善。员工愿意分享真实使用经验,也更有助于发现适合扩大应用的场景。
这些变化适合通过具体项目把HR、业务、技术和财务连接起来。例如,一项客户服务流程准备扩大应用时,几方可以共同确认目标交付量、系统支持、人员分工、培养需求与投入预算。HR据此判断岗位职责如何变化,哪些员工已经具备验收能力,哪些环节还要补充经验。这样形成的建议,更容易进入业务负责人真正关心的资源配置讨论。
执行能力增加之后,人的判断力更值得培养
关于AI如何改变协作,企业已经能够看到一些来自真实工作任务的研究证据。2026年发表在《Organization Science》的一项研究分析了791名宝洁专业人员参与的产品创新任务,发现使用AI的个人,在方案质量上达到了未使用AI的双人团队水平。研究也指出,人的判断在评估和选择创意时仍然具有价值。这些发现对应特定的创新任务,为企业探索人机分工提供了启发。 [6]
对组织而言,执行能力更容易获得之后,选择做什么、怎样判断是否做好,会对结果产生更直接的影响。员工可以更快获得多个方案,也就需要更清楚地理解客户、业务约束和方案之间的取舍。经验在这里依然重要,因为许多判断来自对具体情境的理解。企业培养员工的方式,因此也需要覆盖问题定义、结果判断和决策解释。
这对年轻员工的成长尤其重要。资料整理、初稿写作和流程跟进,原本也是理解业务的一部分;当AI提供更多支持,组织需要主动安排新的练习机会,让员工仍然能够接触原始信息并形成自己的分析。可以让新人先独立判断一小部分任务,再与AI结果比较,解释差异,并由导师讨论哪些依据更可靠。这样的过程把效率支持与专业训练连接起来。
授权也可以随着员工能力逐步增加。刚接触某类工作时,员工负责核对资料与识别明显问题;熟悉之后,逐步承担异常处理、方案比较和验收;再进一步,参与设计任务规则与改进流程。每个阶段都有可观察的工作成果,也有相应的反馈。AI因而可以成为练习与探索的支持,让员工在真实业务中积累更完整的能力。
企业的AI培训也适合围绕这些工作变化来设计。比如,一位HR带着每周整理培训反馈的任务参加训练,在专业支持下把信息来源、分类依据和交付标准写清楚,再用一批真实材料检验结果。课程结束后,还要回到工作中观察几轮运行,确认遗漏发生在哪里、哪些判断仍要由人完成。员工得到的是一套能够解释和维护的方法,团队得到的是一条经过检验的工作流程。
与此同时,企业仍然需要安排人与人之间的讨论、带教和共同决策。许多业务知识来自交流中的追问,许多经验需要在具体取舍中解释,团队信任也在持续合作中形成。AI能够帮助准备信息、扩大探索范围,让这些交流更有准备。组织如果有意识地保留这种高质量互动,执行能力和人才成长就更容易相互促进。
释放出来的时间,需要进入下一轮业务安排
一次提效在部门里怎样继续发生,可以从日历上看出来。团队每周少花一些时间整理资料,管理者随后把原本总被挤到月底的客户访谈安排为固定时段,指定负责人,并约定访谈准备支持什么决定。几周之后,团队既能看见时间安排的变化,也能查看这些访谈带回了什么信息。效率改善由此进入下一轮业务,而不是停留在个人的时间感受里。
在销售场景里,这可能意味着为原来服务频次较低的客户增加更有准备的沟通。AI支持整理背景、发现变化和准备材料,销售人员据此判断是否值得联系,以及如何提供更相关的服务。团队可以先在明确范围内尝试,再观察沟通质量和后续业务表现。新增执行能力由此被导向具体的客户价值,而不是停留在发送更多信息上。
在产品与运营场景里,时间收益可能被用于开展过去一直等待的改进。团队有机会更系统地归集用户反馈,研究一个较小市场的需求,或者测试一项有明确边界的新方案。每个尝试都需要限定投入和评价方式,让学习能够被记录,结果能够被比较。企业获得的收益,既可能是新的业务机会,也可能是更早形成的有效判断。
对于HR团队,值得投入的方向同样很多。业务访谈、关键岗位人才研究、管理者辅导和员工发展沟通,都需要持续投入人的时间与注意力。事务流程得到更好支持之后,HR可以选择一部分领域形成更稳定的服务安排,并与业务共同确认预期成果。组织对HR的感知,也会随着这些具体服务的增加而变化。
时间收益还可以用于增强团队面对波动的余量。需求突然增加时,团队能否保持交付质量;关键人员休假时,工作能否顺畅接续;项目出现新情况时,是否有人能够及时判断,这些都会影响经营的稳定性。预留合理的协调与处理空间,是新增能力的一种有价值的用途。它的效果需要放到较长一段业务运行中观察。
AI创造的组织空间,可以被投入增长、服务、人才成长和经营稳定性。 不同企业会根据业务阶段做出不同选择,但这些选择更好在项目开始时就进入管理讨论。只有明确时间准备投向哪里,团队才能判断后续结果是否符合初衷。新增能力由此形成一条从工作改善、时间安排到业务结果的完整路径。
用一个季度,把“AI同事”变成可验证的组织实践
对于准备开始探索的企业,一个季度可以被设计为有边界的观察与改进周期。起步阶段选择少量重复发生、输入相对清楚、结果便于验收的流程,由熟悉业务的人负责推进。正式使用之前,先记录原有交付量、处理周期、人类投入和质量表现,并确认评价口径。基准形成之后,后续变化才有可以参照的对象。
最初一个月,重点可以放在把一条流程完整跑通。团队逐步明确任务来源、所需资料、交付对象、审批节点与异常处理方式,让AI支持与原有工作能够衔接。每次使用都记录人工介入的位置和原因,帮助发现哪些问题来自资料、规则或任务安排。一次完整的复盘,往往比增加许多未经验证的任务更有助于下一步改进。
进入第二个月,可以观察流程在不同情境下是否仍然有效。面对需求变化、信息缺失、任务量上升或负责人暂时不在等情况,团队需要知道工作将怎样继续。对于频繁出现的人工介入,判断它是否应被保留为必要的专业环节,或者能否通过改进说明与信息质量减少。这个阶段逐步形成的,是对流程适用范围的实际认识。
到了第三个月,再考虑把已经稳定的做法交给更多同事或相近团队。复制时,需要一起交接任务说明、可用资料、验收标准、权限安排和维护责任,并保留必要的本地调整。不同员工都能在合理支持下获得相近质量的结果,才说明这项能力开始具有组织可复用性。使用者的反馈,也会帮助团队继续完善共同方法。
季度结束时,管理层可以围绕具体业务结果决定下一步投入。哪些流程的合格交付增加了,哪些工作周期缩短了,哪些时间被重新安排到了有价值的任务,哪些场景仍需要调整,都应有清楚的记录。适合扩大的做法继续推进,暂时不适合的任务调整范围,失去需要的配置及时结束。这样的取舍能够让资源持续流向真正有效的工作。
探索过程中,还可以保留一份简洁的AI职责记录,说明每项持续任务由谁负责、服务什么目标、使用哪些资料,以及多久复盘一次。它帮助新加入的人理解现有协作,也方便业务变化时及时调整。记录的细致程度可以随使用范围逐步增加,不必一开始就建立复杂体系。随着经验积累,人力规划也会拥有更多来自实际交付的数据。
下一张编制表,会更接近企业创造价值的方式
Perplexity在30天里创建约1万个AI同事,让一个正在发生的变化变得容易被看见:员工能够调用的执行支持,正在出现新的组织形式。接下来,各家企业会根据自己的业务、人才和流程,形成不同的人机组合。有人会用它扩大产品探索,有人会改善客户服务,也有人会让内部协作更加顺畅。决定结果的,是企业怎样把新增能力放进实际工作。
对于高管和HR负责人,现在值得推进的一步,是选择一条真正重要的流程,具体看清工作由谁完成、在哪里等待、需要怎样的专业判断,以及AI能够提供什么支持。随后建立一致的验收标准,记录人类时间变化,并为释放出的能力安排合适的用途。这些工作会逐步汇成企业自己的经验,让下一次招聘、培养和技术投入更有依据。组织也会在这样的实践中,找到适合自己的发展节奏。
当编制规划能够同时看见业务目标、人的能力与AI提供的支持,企业就更容易判断下一份资源应该投向哪里。 同一张规划表里,招聘、培养、流程改进和AI投入,都可以说明自己将怎样帮助团队完成目标。负责人再用实际交付检验这些安排,持续修正下一阶段的配置。Perplexity打开的这场讨论,最终会回到每一家企业自己的业务现场。
资料与口径说明
本文依据截至2026年11月12日可查的新闻、产品资料及公开研究撰写。Teammates数量和AI运行工时为公司内部使用数据的公开披露,不等于经独立验证的业务产出或生产率增长。文中的材料处理与周报测算均为假设示例,人力规划和管理建议为基于这些资料展开的分析。
[1] Agent Brief|Agents Get Staffed, and Scrutinized,2026年11月6日
[2] Aravind Srinivas|2026年11月6日公开帖文及回复(公开镜像)
[3] Perplexity|Teammates are agents for complex, ongoing work,2026年11月4日
[4] Perplexity Help Center|Get started with Perplexity teammates,2026年11月5日更新
[5] Perplexity|Teammates, fully local Computer on Mac, and Voice mode,2026年11月6日
[6] Dell’Acqua 等|The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork,Organization Science,2026年
[7] University 365|AI News,2026年11月6日
原文链接:https://mp.weixin.qq.com/s/Qb_oMXWs8Ur0pfC4VOPvmA
[返回上一页]
