来源：HRflag

　　一项新的进口关税将在60天后生效，涉及企业赖以经营的一批关键商品。CEO很快给出方向：提前采购、提前进口，在政策落地前锁定库存，以保护利润率和市场份额。方案看上去并不复杂，但当采购核算供应能力、物流确认舱位、财务调整现金安排、法务评估合规边界、销售更新需求预测、商品团队重新安排结构之后，原本清晰的决定逐渐变成了多轮修订与折中，直到窗口期快要关闭，企业仍没有完成最关键的动作。

　　这是《哈佛商业评论》2026年9—10月刊文章《How AI Agents Orchestrate Work Across Silos》开篇描述的场景。文章由哈佛商学院教授Kris Johnson Ferreira与威斯康星商学院教授Jordan Tong共同撰写，并参考了沃尔玛、亚马逊、爱立信、Ramp和美敦力等企业的实地研究。它讨论的并不是某个部门如何再添一款AI工具，而是一个更接近经营核心的问题： 当一项决定必须穿过多个职能，AI能否帮助组织把散落的信息、专业判断与执行动作重新连接起来。

　　过去两年，企业对生成式AI的体验大多发生在个人桌面上。员工让AI整理会议纪要、起草邮件、生成报告、分析表格，效率的确有所提升，但这些进步经常停留在任务层面。当一份更快完成的市场分析仍要等待财务口径，一份更完整的招聘报告仍无法调用业务部门的最新人员计划，一项供应建议仍需在七个群聊和十几封邮件之间寻找确认，个人节省下来的时间，很容易又被组织交接消耗掉。

　　这正是当下企业AI应用里最容易被忽视的分水岭。AI作为个人助手时，解决的是“一个人怎样把一件事做快”；AI成为组织基础设施时，解决的是“许多人怎样把同一个结果做成”。前者主要改变工具使用习惯，后者则会触碰流程、权责、指标与管理方式，也因此更难，却更接近真正的经营价值。

　　企业不缺聪明工具，缺的是贯穿结果的协同

　　麦肯锡2026年8月发布的全球AI调查提供了一个很有代表性的对照。在覆盖97个、1719名受访者的调查中，80%的人表示AI提升了自己的生产率，约一半的人认为AI帮助自己作出更好的决定；但在企业层面，只有37%的受访者认为AI对EBIT产生了正向影响，这一比例与上一年相比基本没有变化。个人已经明显感受到收益，企业财务结果却没有以同样速度放大，两者之间隔着的，正是组织运行方式。

　　这种落差不难理解。一个销售人员用AI把客户方案从两天缩短到两小时，如果定价审批、信用审核、合同修订与交付排期仍然串行推进，客户拿到最终方案的周期未必发生明显变化。一个HRBP用AI迅速形成组织诊断，如果岗位数据、绩效记录、人才盘点和业务规划分别掌握在不同团队手中，诊断仍可能停留在一份表达精美却难以执行的报告里。

　　传统企业的信息系统通常沿职能建立，组织架构也沿专业分工展开。财务系统优化财务准确性，供应链系统优化库存与交付，客户系统优化销售转化，人力资源系统优化员工全生命周期，每一套系统都有合理目标。问题在于，客户要的是一次完整交付，员工经历的是一段完整旅程，CEO关注的是一项经营结果，而不是各职能分别完成了多少动作。

　　因此，所谓“孤岛”并不等同于部门不合作，更不是员工缺少团队精神。很多孤岛恰恰来自成熟企业长期积累的专业分工、风险控制与责任边界，它们保护了局部秩序，却也增加了跨职能协调成本。 AI Agent真正值得关注的地方，不是它比人更愿意协作，而是它有机会在不取消专业边界的前提下，让信息和任务更顺畅地穿过这些边界。

　　这也解释了为什么继续购买更多单点工具，并不必然带来更高的企业回报。各部门都拥有自己的AI助手，可能只会形成更高效的新孤岛：市场部门更快地产生需求，财务部门更快地审核预算，法务部门更快地标记风险，但彼此仍使用不同假设、不同数据版本与不同成功标准。每个环节都快了一点，端到端结果却可能没有更快。

　　Agent的下一站，不是聊天框，而是经营流程

　　理解这轮变化，需要先区分三类看起来相似、实际作用不同的AI。最常见的是生成式助手，它根据提示完成总结、写作或问答；再进一步是任务型Agent，它可以围绕明确目标调用数据与工具，连续执行若干步骤；而HBR文章讨论的“Agent协同系统”，则位于这些能力之上，负责连接多个任务型Agent与人的工作流，在不同职能之间传递信息、组织依赖并呈现取舍。三者并非简单替代关系，而是对应了从内容生成、任务执行到组织协调的不同层次。

　　以新品上市为例，市场Agent可以分析消费趋势，销售Agent可以汇总渠道反馈，供应链Agent可以模拟备货方案，财务Agent可以测算利润与现金占用，法务Agent可以识别不同地区的合规要求。单独看，每个Agent都能交付一份专业输出；真正决定新品能否按时、按预算上市的，却是这些输出能否基于同一目标、同一时间窗口与同一组假设被组织起来。单点能力与企业结果之间，还隔着一套看不见的协调工作。

　　协同层的价值，更先体现在识别任务之间的依赖关系。销售预测改变，库存建议就要重新计算；物流时效变化，促销节奏与现金回款也要同步调整；法务提出新的限制，产品描述和渠道计划必须及时更新。过去这些变化主要依靠会议、邮件和项目经理推动，信息经常在交接中丢失，而协同型Agent可以持续监测变化，把需要重新计算的任务送回相应节点。

　　更进一步，协同层可以把部门之间隐性的争论显性化。采购追求成本稳定，销售关注市场机会，财务重视资金效率，法务守住风险边界，各方并非谁对谁错，而是在优化不同目标。一个成熟的协同系统不应替管理层假装消除冲突，而应把冲突转化为可比较的方案：更高库存意味着怎样的现金占用，更快交付对应怎样的成本变化，更低风险会牺牲多少市场窗口。

　　当决策已经形成，协同层还可以让决定和执行不再完全分开。在传统流程中，决策会议结束往往只是新一轮协调的开始，结论还要被拆成任务、找到负责人、更新系统并追踪进度。Agent如果获得适当授权，可以自动生成行动计划、触发后续流程、更新相关记录，并把超出边界的例外提交给人，从而缩短“决定已经作出”与“组织真正行动”之间的距离。

　　因此，把Agent理解为更聪明的聊天机器人，会低估它对企业的影响。聊天机器人主要改善人机交互，协同型Agent改变的则是工作如何流动、信息如何汇集以及责任如何交接。 当Agent开始进入流程而不只是进入对话框，AI项目也就从办公软件升级，进入了组织设计的范围。

　　真正昂贵的不是等待，而是上下文反复丢失

　　企业里的跨部门协作经常表现为“等”。等数据、等确认、等意见、等领导拍板，会议排期只是最容易被看见的成本。更深的成本是，每经过一次交接，前一个环节掌握的背景、假设和例外都可能被压缩成一张表、一封邮件或一句“原则上同意”，接手者需要重新理解问题，有时还会基于不完整信息作出新的判断。

　　这类上下文损耗很难进入传统财务报表，却会真实地影响速度和质量。一个招聘需求从业务负责人传到HRBP，再传到招聘团队和面试官，岗位背后的业务优先级可能逐渐被简化为任职要求；一个客户投诉从客服转给产品、运营和技术，客户真正介意的体验细节可能在工单分类中消失。组织规模越大、专业分工越细，这种损耗越容易累积。

　　Agent协同的潜力在于，它可以把每个节点的输入、输出、假设与限制保留在同一条决策链上。新信息进入后，系统不仅转发内容，还能判断哪些结论受到了影响，哪些团队需要补充判断，哪些动作需要暂停。过去依靠少数项目经理记在脑中的全局关系，开始有机会被转化为可观察、可追踪的组织能力。

　　但这并不意味着企业应把所有知识都机械地写入系统。经验丰富的销售负责人知道某位客户在公开招标之外还关注长期合作稳定性，工厂主管知道某条产线在特定温度下容易出现波动，HRBP知道某个团队表面上缺人，实质上是负责人没有完成授权。这些知识未必存在于数据库，却往往决定建议是否可行。

　　HBR文章因而特别强调人所掌握的情境知识与隐性知识。AI擅长处理可访问的信息、执行分析、路由任务并呈现取舍，人则需要补充系统无法看见或推断的变化、关系与边界。 一个好的Agent系统不是努力把人排除在外，而是更准确地知道什么时候必须把人请进来。

　　从自动化任务到协调决策，中间隔着四层基础设施

　　如果把企业级Agent只看作模型能力，实施很容易从选型开始，也容易在演示结束后失去方向。更实用的观察方式，是把它视为四层相互依赖的基础设施：任务结构、共享语义、协同机制和治理边界。任何一层过于薄弱，Agent都可能把原有问题执行得更快，却未必把结果做得更好。

　　任务结构决定复杂工作能否被拆解。每个环节需要明确输入是什么、产出是什么、目标是什么、受哪些限制、与后续任务如何衔接。很多组织的流程图只记录审批顺序，却没有写清判断依据；看上去标准化的流程，实际依赖员工不断打听、补材料与寻找熟人，这种流程很难直接交给Agent。

　　共享语义决定不同职能是否在谈论同一件事。“高潜人才”在业务部门可能指短期能承担更大业绩的人，在人才发展团队可能指具备长期领导潜力的人；“重点客户”在销售、风控与服务团队也可能各有定义。人可以在会议里通过追问暂时弥合差异，Agent若直接调用不同口径的数据，反而会用更快速度生成彼此无法拼接的答案。

　　协同机制决定系统如何路由任务、处理依赖与升级例外。并不是所有节点都需要一个强大的通用Agent，许多环节更适合由边界清晰的小型Agent完成，再由协同层组合结果。HBR给出的思路也强调渐进式连接：先让相关任务型Agent在小范围内稳定协作，再逐步建立更高层的总协调，而不是一开始就期待一个“超级Agent”理解整家公司。

　　治理边界则决定Agent能看什么、能做什么、做到哪一步必须停下来。读取数据与写入系统是两种权限，生成建议与执行付款是两种风险，提醒经理关注异常与自动改变员工评级更不是同一类动作。企业需要把授权、复核、日志、申诉和责任归属嵌入流程本身，而不是等系统上线后再补一份使用守则。

　　这四层基础设施也说明，Agent项目并非IT部门单独可以完成。技术团队能够连接系统、配置模型和管理安全，但任务如何拆解、口径如何统一、例外如何判断、责任如何分配，都需要业务和职能团队共同参与。 Agent连接的是系统接口，更重要的是连接组织里原本分散的决定权。

　　岗位不会只按部门重写，而会沿着结果重新组合

　　当工作从部门内部任务转向跨职能结果，岗位设计也会发生变化。传统岗位说明书通常以职责清单为中心，描述一个人在本部门负责哪些事项；Agent进入协同流程后，更重要的问题变成这个岗位在一条端到端结果链上贡献什么判断、拥有何种权限、负责处理哪些例外。岗位的边界不会消失，但定义岗位的重心会从“做哪些动作”移向“对哪类结果负责”。

　　例如，招聘专员过去可能花大量时间发布职位、筛选简历、协调面试和更新记录。随着任务型Agent承担其中一部分标准动作，岗位价值不会简单地被压缩为“管理工具”，而会更多地体现在校准人才标准、识别非标准候选人、理解业务变化、处理候选人体验中的复杂情境。真正稀缺的不是点击系统的熟练度，而是把岗位需求、市场信息和组织判断连接起来的能力。

　　业务岗位也会出现类似变化。供应计划人员不再只是生成预测表，而要解释模型无法捕捉的渠道变化；财务人员不只负责预算校验，还要把资本约束转化为业务可理解的选择；法务人员不只是最后审核合同，而会更早进入方案设计，让风险判断成为决策变量，而非临近落地时的一道闸门。专业人员的价值因此更早进入流程，也更直接地影响整体方案。

　　与此同时，一些新的角色会从流程缝隙里出现。有人需要担任端到端流程负责人，确保局部优化没有损害整体结果；有人需要维护业务规则与知识版本，保证Agent使用的不是过时口径；有人需要负责例外管理，观察系统在哪些情境下频繁请求人工介入；还需要有人持续评估Agent的成本、质量与风险，而不是只在上线验收时看一次准确率。它们共同填补的，是传统部门制中长期无人完整拥有的协同责任。

　　这些角色未必都要变成新的正式职位，也可能由现有岗位扩展而来。关键在于，组织不能一边让Agent跨部门工作，一边仍只用部门内的职责和权限管理相关人员。 技术已经沿结果链流动，岗位如果仍被牢牢锁在职能墙内，人就会成为新的系统断点。

　　对HR而言，这意味着岗位架构需要增加一层“工作流视角”。除了职位名称、职级与能力要求，还应看岗位参与了哪些关键流程、提供哪些独特判断、依赖哪些数据、可以调用哪些Agent、在哪些节点承担最终责任。只有把这些内容纳入岗位设计，企业才能分清哪些工作适合自动执行，哪些工作需要人机协作，哪些工作必须由人作出不可转移的判断。

　　绩效管理要从局部产量，转向端到端价值

　　如果岗位变了，绩效指标却没有变化，Agent协同很容易被旧激励拉回原点。采购团队仍只看采购单价，可能不愿为销售机会承担额外库存；法务团队只看风险事件数量，可能倾向于增加更多限制；招聘团队只看职位关闭速度，可能把复杂但关键的人才需求视为低效任务。每个部门都完成了自己的指标，企业结果却未必更好。

　　Agent能够提升局部产量，也会放大局部指标的诱惑。报告数量、响应速度、处理工单数、内容产出量都可能快速上涨，但这些数字容易制造一种繁忙而先进的表象。若员工发现多用Agent、多提交材料就更容易获得认可，系统最终优化的可能是可见活动，而不是客户价值、经营质量或组织能力。

　　因此，衡量Agent协同的起点不宜是“使用次数”，而应是流程结果。新品上市可以看从机会识别到商业化的周期、预测偏差和上市后表现；招聘可以看关键岗位到岗质量、候选人体验和业务产能形成时间；员工服务可以看问题一次解决率、政策一致性以及需要人工升级的复杂案例是否得到更好处理。工具使用数据可以帮助诊断，但不适合直接替代绩效结果。

　　在端到端指标之外，还需要观察交接质量。一次跨部门流程经历多少次退回，多少信息被重复索取，多少例外长期依赖人工救火，多少决策在执行中被重新解释，这些都能反映组织摩擦是否真正下降。Agent的价值不只是让每个节点更快，而是减少无效往返，让正确的信息在正确时间抵达正确的人与系统。

　　决策质量也需要单独衡量。速度提升若伴随更高返工、更频繁的规则突破或更差的长期结果，就不能算成功；反过来，有些高风险流程即使总时长没有大幅下降，只要判断一致性提高、风险更早暴露，也可能创造了重要价值。绩效体系需要容纳这种差异，而不是用一个统一的“效率提升百分比”覆盖所有场景。

　　这会推动企业从部门KPI转向共享结果，但共享不等于责任模糊。每条关键流程仍要明确最终结果负责人，各职能也要保留自己的专业责任，只是绩效讨论需要同时看到局部贡献与整体影响。 Agent能够呈现更多数据，却不能替管理层决定企业究竟奖励什么；激励机制依然是组织协同最硬的一层代码。

　　能力差距不在提示词，而在如何把经验变成可协同的判断

　　当Agent刚进入职场时，企业培训往往从提示词开始。这种训练有必要，却不足以支撑跨职能协同，因为员工面对的不再只是“怎样让AI写得更好”，而是“怎样把一个模糊问题拆成可靠任务，并在关键节点补入系统看不见的信息”。这要求的能力更接近业务分析、流程设计与管理判断。

　　任务拆解是其中最基础的一项能力。员工要能说明一项工作为何开始、需要哪些输入、怎样算完成、哪些条件不能突破，以及输出会影响谁。过去熟练员工可以凭经验把这些内容隐含在行动里，Agent协同则迫使组织把它们表达出来，这种表达过程本身就会暴露流程里的重复、矛盾与空白。

　　上下文表达同样重要。人们常把“懂业务”理解为拥有更多知识，但在人机协作中，价值还取决于能否在适当时点说清哪些信息重要、为什么重要、会改变哪项建议。那些只存在于个人经验、关系判断与现场感受中的内容，需要被有选择地转化为系统可以使用的约束或例外，而不是留到结果出错后才说“这个情况比较特殊”。

　　判断与验证能力会比单纯生成内容更重要。员工需要识别Agent使用了哪些假设，判断数据是否适用于当前情境，分辨一个看似完整的方案是否遗漏了关键利益相关者，还要知道什么时候应当停止自动流程。AI输出越流畅，越需要专业人员保持对不确定性的敏感，而不是把语言完整度误当成事实可靠性。

　　跨职能翻译能力也会成为核心。财务约束如何变成销售可以行动的选择，人才风险如何变成业务负责人可以理解的产能影响，技术限制如何变成客户承诺的调整，都需要有人完成语义转换。Agent可以帮助整理与比较，但只有理解各方目标的人，才能判断哪种表达会促成真实协作。

　　Agent管理能力也会逐渐进入更多岗位，包括设定目标、配置权限、观察异常、提供反馈以及复盘结果。这并不是每个人都要学习编程，而是更多岗位将承担类似“带一个数字团队”的工作：知道哪些任务可以授权，哪些需要检查，怎样评价输出，什么时候调整流程。未来高绩效员工的区别，可能不在于本人完成了多少步骤，而在于能否组织人和Agent共同交付稳定结果。

　　中层管理者不是被绕开的层级，而是协同能否落地的关键

　　Agent可以自动汇总信息、追踪任务并生成建议，于是一个常见想象是，管理层级会被技术直接压缩。现实更可能复杂一些：某些以传递信息、催办进度为主的管理活动确实会减少，但跨职能目标冲突、资源取舍和例外处理不会自动消失。系统越能执行，管理者越需要说明什么值得执行，以及出现矛盾时谁有权改变方向。

　　中层管理者恰好掌握大量AI难以获得的组织上下文。他们知道季度目标背后有哪些历史承诺，理解某位骨干的短期波动并不代表能力下降，也能判断两个部门对同一指标的争议究竟来自口径差异还是利益冲突。若Agent设计绕开中层，这些知识不会神奇地进入系统，只会在流程后段以抵触、返工或例外形式重新出现。

　　因此，中层角色将从信息中转站逐渐转向情境提供者、冲突调解者和边界管理者。管理者不必再花大量时间收集周报，却要对Agent呈现的信号作出解释；不必逐项催办，却要处理系统无法解决的资源冲突；不必垄断信息，却要为团队建立清晰的授权范围。管理工作的含金量会提高，前提是企业同步调整其职责与评价方式。

　　广告

　　麦肯锡2026年调查还显示，中层管理者和个人贡献者比高管更容易感受到AI带来的压力，47%的前两类受访者报告至少经历过一种相关负面影响，而高管与高级管理者的比例为31%。这种差异提醒企业，战略层看到的是能力扩张，执行层感受到的可能是流程变化、责任不确定与持续学习负担。Agent协同若只在高层蓝图中成立，却没有为一线和中层重新划清控制权与责任，它就很难成为稳定的组织基础设施。

　　特别需要处理的是“有责任、无控制”的担忧。员工知道，即使建议来自Agent，错误后果仍可能落到自己身上；但如果他看不到输入、无法修改假设，也无权暂停流程，就会倾向于重复人工检查，甚至回到旧方法。真正有效的人在回路中，不是最后安排一个人点击确认，而是让责任人拥有理解、质疑、修正和升级的真实权力。

　　HR的价值，不是推广Agent，而是重写人机协作的组织契约

　　当Agent从个人助手变成基础设施，HR的角色会自然加重，因为变化已经越过技术采用，进入岗位、绩效、能力和管理责任。员工需要知道哪些工作由Agent执行，自己的专业价值体现在哪里；经理需要知道可以授权到什么程度，出了问题如何追溯；企业需要知道新能力如何进入招聘、培养与晋升标准。这些都不是单纯的系统配置问题。

　　HR需要尽早参与关键工作流的岗位重构，而不是等技术团队上线后再修改职位说明书。每条流程都应识别人的独献：谁提供隐性知识，谁校准目标，谁处理例外，谁作出最终判断，谁对结果负责。只有这些内容被明确，员工才不会把Agent理解为一个模糊的替代信号，管理者也不会继续用旧职责要求新的工作方式。

　　绩效体系需要随后跟上。企业不宜把Agent使用量直接变成绩效指标，也不宜只奖励节省工时，因为这会鼓励形式化采用和局部自动化。更合理的做法，是关注员工是否提升了结果质量、缩短了端到端周期、减少了交接摩擦、沉淀了可复用知识，以及是否能在风险出现时作出负责任的人工干预。

　　能力建设也要从通用AI培训走向角色化学习。招聘人员需要学习如何校准筛选逻辑和识别非典型人才，HRBP需要学习如何把业务场景转化为组织问题，薪酬团队需要理解自动建议背后的公平性与例外处理，管理者则要学习如何分配人机任务并主持决策复盘。相同的一小时工具演示，很难覆盖这些真实差异。

　　更深一层，HR需要帮助企业建立新的心理契约。员工愿意贡献隐性知识，前提是他们相信分享经验不会立刻削弱自己的价值；愿意依赖Agent，前提是错误责任与申诉机制足够清楚；愿意改变工作方式，前提是组织提供时间学习，而不是一边叠加新流程，一边维持所有旧要求。Agent协同依赖透明信息，而透明不能只靠技术索取，还要由信任和激励来支持。

　　这也是为什么HR不应只承担“让大家会用”的推广责任。真正重要的是帮助管理层回答：人为什么愿意与系统协作，什么行为会受到认可，谁拥有最终决定权，失败如何被复盘，员工如何在新的工作结构中继续成长。 企业建设的表面上是一套Agent系统，实际上是在重写人与组织之间关于贡献、权力和责任的约定。

　　招聘场景最能看清：单点智能为何不等于人才结果

　　招聘是观察Agent协同的一面镜子，因为它天然跨越业务规划、岗位设计、人才市场、面试评估、薪酬审批、入职交付与用人管理。企业已经可以在每个环节使用AI：生成JD、搜索人才、筛选简历、安排面试、汇总评价、形成报价建议。若这些工具彼此孤立，招聘团队也许更忙得过来，却未必更接近“关键人才及时形成业务产能”的最终结果。

　　一个典型断点发生在需求起点。业务部门提出“需要一名AI产品负责人”，Agent可以迅速生成一份完整JD，但如果没有理解产品所处阶段、团队现有能力、未来六个月的关键目标以及经理愿意授权的范围，这份JD只是把模糊需求表达得更专业。后续筛选越高效，越可能把大量候选人送入一个尚未校准的标准。

　　评价环节也经常出现断点。面试Agent可以整理记录、对照胜任力并标记证据，但不同面试官若使用不同的人才定义，系统只会把分歧汇总得更整齐。真正的协同需要在流程开始前统一评价维度，在过程中识别意见冲突来自证据不同还是标准不同，并把无法由数据解决的判断提交给有责任的用人经理。

　　录用与到岗之间同样存在容易被忽略的断点。薪酬建议需要结合内部公平、市场稀缺度与岗位价值，入职安排需要连接设备、权限、培训和团队目标，用人经理还要准备最初90天的任务。若Agent能够贯穿这些环节，招聘成功的定义就不再停在候选人接受Offer，而会延伸到新员工何时真正进入角色、产生贡献并稳定融入团队。

　　这个例子说明，Agent并不会天然打通流程。它需要共享的人才标准、可访问的数据、清晰的升级规则和真正承担用人结果的负责人，也需要保护候选人与员工的知情、隐私和申诉权。招聘团队的未来价值，正是在技术可以完成更多动作之后，守住人才判断的质量，并把分散在各环节的专业意见组织成一致行动。

　　管理责任要重新分配，但不能被系统稀释

　　Agent协同最敏感的问题，是当一项决定由多个模型、系统和人员共同形成时，谁对结果负责。传统流程至少在形式上可以沿组织层级找到签字人，而Agent可能自动读取数据、调用工具、修改建议并触发动作，使责任链变得更长。若企业把这种复杂性简单归入“算法问题”，管理责任反而会被技术稀释。

　　业务负责人应继续对业务结果负责，因为只有业务能够决定目标与取舍。技术负责人要对系统可靠性、数据连接、权限控制和运行监测负责，但不应替业务定义正确结果。风险、法务与合规团队需要把规则设计成流程中的边界与升级条件，而不是只在项目结束时审查一份说明文件。

　　HR则需要对人的角色、能力、激励与公平影响保持持续观察。某个Agent是否让少数员工承担了更多不可见的复核工作，新的绩效数据是否放大了岗位间的不平等，经验较少的员工是否失去了通过基础任务学习的机会，中层是否获得了与责任相匹配的控制权，这些都需要进入组织评估。技术运行正常，并不代表人机系统运行健康。

　　CEO与管理团队承担的是更高一层的架构责任。他们需要选择哪些端到端流程值得优先重构，明确哪些经营原则不能被效率目标覆盖，并解决跨部门指标冲突。Agent可以把选项和后果呈现得更清楚，却无法代替高层完成战略排序，也无法替他们承担组织选择的长期影响。

　　为了避免责任漂移，每条关键流程至少应回答四个问题：谁设定目标，谁批准Agent的行动范围，谁处理重大例外，谁对最终结果负责。四个答案可以涉及不同角色，但不能全部写成“相关部门共同负责”。 协同需要共同参与，问责仍需要清晰落点，这两件事并不矛盾。

　　企业真正需要的，不是一步到位的“超级Agent”

　　HBR文章给出的实施逻辑相当克制：复杂决定需要被拆成边界清晰的模块，每项任务的输入、输出、限制与目标都应得到明确；拥有可靠数据、能够产生清晰回报的任务型Agent可以优先加强，相关任务则从小范围连接逐渐增加协同层。系统进入运行后，治理、角色、激励与培训还要持续调整。这个路径的重点，不是技术野心有多大，而是组织是否有能力稳定吸收变化。

　　企业可以从一个高价值、跨职能、重复发生的决策流开始。它不应小到只能展示生成能力，也不宜大到一开始就横跨整家公司；比较合适的场景，通常有明确结果、可追踪数据、有限参与方，并且当前确实存在等待、返工或信息重复。招聘关键岗位、处理重点客户报价、协调库存补充、解决复杂员工服务请求，都可能成为入口。

　　选定场景后，先画出真实流程而不是制度流程。制度文件可能写着三个审批节点，实际工作却包含大量会前沟通、私下确认、表格搬运与口径解释，后者才是Agent需要理解的工作。企业要观察一项决定从触发到落地经历了哪些人和系统，在哪些节点停留，哪些信息被重复索取，哪些例外总由固定的少数人解决。

　　接下来应建立共同定义与决策记录。每个Agent使用什么数据、基于什么假设、输出怎样影响下游，需要保持可见；人在哪一步补入了什么情境、为何改变建议，也应留下足够解释。这样做并不是增加官僚负担，而是让组织第一次真正看见一项跨部门决定如何形成，并为后续改进保留依据。

　　协同范围扩大之前，还要用真实例外测试系统。标准案例很容易跑通，真正决定可靠性的往往是数据缺失、目标冲突、规则变化和突发事件。企业可以观察Agent何时知道自己“不知道”，何时能够正确升级给人，人工修正是否会反馈到后续流程，以及系统失败时能否安全回退。

　　规模化的判断也应围绕经营价值，而不是展示效果。麦肯锡2026年调查显示，年收入超过10亿美元的大型企业中，40%的受访者表示已在至少一个职能规模化应用AI Agent，高于上一年的27%；但所有受访者中，真正符合高绩效定义的企业仍只有约6%。这意味着部署范围扩大并不自动等于价值兑现，能否重构工作流、建立高层承诺并形成严格运营机制，仍是关键差异。

　　从试点到基础设施，企业需要建立三本账

　　Agent进入组织流程后，只有一张技术项目表远远不够。企业至少需要同时管理价值账、责任账和学习账，分别回答这套系统创造了什么、由谁控制，以及组织从运行中学到了什么。三本账放在一起，才能避免项目在局部效率、风险恐惧与持续试验之间摇摆。

　　价值账要追踪端到端结果，包括周期、质量、收入、成本、风险与体验，而不是只计算节省了多少人工时间。时间节省当然重要，但释放出来的时间被用于更高价值工作，还是被新的检查、协调和内容生产重新占满，会决定最终回报。麦肯锡的调查显示，AI高绩效企业中接近四分之三正在从根本上重构工作流，而其他企业只有约四分之一这样做，这一差距比“是否购买工具”更能解释结果分化。

　　责任账要记录数据权限、行动权限、复核节点、例外负责人和最终问责者。不同风险等级的流程应采用不同自动化边界，员工也应能看到自己为什么被要求介入。责任账的目的不是为出了问题寻找替罪者，而是让每个人在行动之前就知道自己拥有什么控制权，以及何时应该停止系统。

　　学习账则记录Agent在哪些情境下表现稳定，哪些例外频繁出现，哪些隐性知识值得沉淀，哪些规则已经过时。企业不应期待流程上线后长期不变，因为业务目标、数据条件和技术能力都会变化。Agent基础设施更像一个持续演进的运营系统，需要定期复盘，而不是一次性验收的自动化项目。

　　这三本账也应进入管理会议。高管不必逐项了解模型参数，但需要看见价值是否跨越部门、责任是否清晰、学习是否真正发生；HR、业务与技术团队则需要围绕同一组事实调整岗位、流程和训练。只有当Agent的运行数据成为经营讨论的一部分，它才可能从实验室项目变成组织能力。

　　AI真正开始改变的，是企业的“协作成本”

　　过去讨论AI价值，最常见的单位是工时：一份报告节省几小时，一段代码缩短几天，一个客服请求减少几分钟。这些指标简单、直观，也适合早期试点，但当AI进入成熟阶段，企业之间的差异不会只来自谁节省了更多工时。更大的差异会来自谁能以更低的协作成本，把市场变化转化为一致行动。

　　协作成本包括等待、解释、重复确认、数据搬运、目标冲突和责任模糊。它们分散在不同预算和岗位中，很少被单独核算，却可能吞掉大量个人效率收益。一个组织即使拥有大量高效员工，如果每项重要决定都要经过漫长的人工拼接，依然会在变化面前显得迟缓。

　　Agent协同提供了一种新的可能：让信息不必依赖层层转述，让任务依赖可以被系统持续追踪，让不同方案的代价及时显现，让需要人工判断的例外更早抵达真正有能力的人。这些变化未必像生成一段惊艳内容那样容易展示，却更接近企业日常经营中最昂贵的摩擦。当摩擦持续下降，个人效率才有机会累积成组织效率。

　　不过，协作成本下降不会自动带来更好的组织。如果企业目标本身含混、数据口径彼此冲突、激励鼓励隐藏信息、管理者不愿授权，Agent只会把这些矛盾搬进一套更复杂的系统。技术能够照亮组织问题，也可能放大组织问题，因此实施Agent协同的过程，本身就是一次经营体检。

　　这或许是HBR这篇文章最值得管理者重视的地方。它没有把AI描绘成一个替代所有人的自主大脑，而是把它放回真实组织：那里有专业分工、局部目标、隐性知识、风险边界和最终责任。 Agent从个人助手升级为组织基础设施，并不意味着企业拥有了一个更聪明的员工，而是企业终于有机会重新设计工作怎样穿过部门、决定怎样变成行动。

　　结语：未来的组织优势，藏在部门之间

　　个人AI应用的普及已经证明，员工可以更快地写、查、算和总结。接下来的难题不是再把同样的能力复制给更多人，而是让这些能力围绕共同结果工作。谁能率先把散落在不同职能中的数据、任务和判断组织起来，谁就更可能把个人效率转化为企业速度。

　　对高管而言，这要求AI议题从工具采购进入经营流程，讨论哪些关键决定最值得重构，以及哪些权责必须重新安排。对HR而言，这要求人才管理从“教员工使用AI”走向重新定义岗位贡献、绩效结果、关键能力与管理责任。两者最终会在同一个问题上汇合：当人和Agent共同参与工作时，组织怎样确保更快的执行仍然服务于正确的目标。

　　真正成熟的Agent组织不会追求处处无人，也不会让每个人都变成技术专家。它会把机器擅长的分析、连接、追踪与执行放进稳定流程，把人的情境理解、价值判断、关系处理和责任承担放在关键节点，并让两者之间的交接足够清楚。这样的组织未必拥有最多Agent，却更可能拥有更少的等待、更少的返工和更一致的行动。

　　过去，企业的信息化主要把部门内部的工作搬进系统；现在，Agent开始触碰部门之间那些长期依靠会议、经验和个人推动维持的空间。那里最难标准化，也最容易产生真正的竞争差异。 AI的下一轮价值，不只在每个人的桌面上，更在组织的一堵堵墙之间。

　　参考资料

　　1. Harvard Business Review， How AI Agents Orchestrate Work Across Silos， September–October 2026.

　　2. Harvard Business Review， Use Agentic AI to Orchestrate Work Across Silos， August 7， 2026.

　　3. McKinsey & Company， The state of AI in 2026: On the road to ROI， August 25， 2026.

　　4. McKinsey & Company， The State of Organizations 2026: Three tectonic forces that are reshaping organizations， February 19， 2026.

　　5. McKinsey & Company， How to close the agentic adoption gap， August 7， 2026.

　　原文链接：https://mp.weixin.qq.com/s/fi_kKiXJ5T82nwQHn4smAg