来源：HRflag

　　（图片由HRflag使用Chatgpt image2.5生成 ）

　　一家企业准备为管理团队配置AI Agent。系统启动后，没有先展示一段漂亮的欢迎语，而是弹出了一组权限申请：读取日历、访问邮件、调用客户资料、修改项目进度、向外部人员发送信息。管理者很快发现，这些选项的含义并不只是“让AI帮助工作”，而是决定AI可以在多大范围内代表自己行动。

　　如果只是总结一封邮件，出错后重新生成即可；如果Agent已经向客户发出报价、调整员工排班、提交付款申请，错误便会进入真实业务流程。员工面对的不再是一个偶尔答错问题的聊天机器人，而是一个拥有系统入口、业务上下文和行动能力的数字执行者。技术部门看到的是功能清单，员工感受到的却是一次工作控制权的重新分配。

　　这正是《哈佛商业评论》2026年9月最新文章《To Adopt AI at Scale， Employees Need to Trust Agents》提出的核心问题。文章认为，企业规模化采用AI Agent的主要障碍，已经不完全是技术能力，而是员工是否相信Agent足够可靠、是否理解它的行为边界，以及是否愿意赋予它真正有价值的自主权。

　　企业真正需要建立的不是员工对AI的盲目信任，而是一套足以让员工放心委托、随时检查并能够收回控制权的组织机制。

　　01

　　从“回答问题”到“代表行动”，AI的风险结构变了

　　过去几年，企业推广生成式AI时，最常见的场景是写文案、整理会议纪要、查找资料和生成分析框架。员工提出问题，AI返回结果，人决定是否采用，责任链条相对清楚。即使输出质量不稳定，风险大多停留在个人工作台上，不会自动扩散到客户、资金和组织系统中。

　　Agent改变了这种关系。它不仅生成内容，还可能拆解目标、制定计划、调用工具、读取多个系统的数据，并在较少人工干预的情况下连续完成任务。一个招聘Agent可以筛选候选人、安排面试并发送通知，一个销售Agent可以整理线索、更新客户系统并准备跟进邮件，一个采购Agent可以比较报价、生成订单并推动审批。

　　这意味着AI开始从“认知工具”进入“组织行动者”的位置。员工交给它的已经不只是问题，还包括身份、权限、上下文和部分决策空间。传统软件按照预设规则执行，Agent却可能根据环境自主选择路径；传统自动化重复固定步骤，Agent则会面对例外、模糊信息和相互冲突的目标。

　　企业因此出现了一个颇为微妙的局面：管理层看到Agent能力快速增长，希望尽快扩大使用；员工却会在真正授权时变得谨慎。很多人愿意让AI起草邮件，却不愿意让它直接发送；愿意让AI推荐候选人，却不愿意让它自动淘汰候选人；愿意让AI分析绩效数据，却不愿意让它对晋升和奖金形成不可逆的影响。

　　这不是员工“思想不够开放”，也不一定意味着培训不到位。员工只是在评估一个非常现实的问题：如果Agent行动正确，效率收益属于组织；如果Agent行动错误，谁来解释、返工和承担后果？当收益与风险的归属不对称时，谨慎不是阻力，而是一种理性的职业反应。

　　02

　　企业买到了Agent，却没有买到员工的授权

　　今天，不少Agent项目在技术演示中表现出色，却很难进入关键工作流。系统能够生成令人满意的方案，也能完成多步骤操作，但员工仍然只让它处理低风险任务。企业为一辆性能很强的汽车装上了发动机，却没有解决驾驶者是否愿意松开刹车的问题。

　　沃顿商学院人机研究团队与Science Says发布的《AI Agent采用蓝图》，把采用阻力概括为三个彼此关联的层次：员工是否认为Agent有能力完成任务，是否愿意在不确定性下依赖它，以及是否愿意把一定程度的控制权交给它。研究团队访谈的企业，所代表组织的员工总数超过70万人，因此这些问题并不局限于少数技术团队，而是正在成为规模化落地中的共同摩擦。

　　AI AGENT采用的三层心理摩擦

　　能力感知

　　员工是否相信Agent具备完成目标任务的真实能力

　　信任建立

　　员工是否愿意在仍有不确定性的情况下依赖Agent

　　控制权委托

　　员工是否愿意给予Agent代表自己行动的权限

　　“能力感知”与Agent实际能力并不是一回事。一套系统可能在测试集上表现优秀，但如果员工看不懂它如何得出结论，也不知道它在什么情况下容易失误，主观上仍会认为它不可靠。相反，一个能力并非最强、但行为稳定、边界清楚、错误可以追溯的Agent，反而更容易进入日常工作。

　　“信任”也不等于员工认为Agent永远正确。它意味着员工在知道系统仍有不确定性的情况下，依然相信Agent大体会按照预期行动，不会随意偏离自己的目标，也不会在失败时把问题藏在流畅的表达之后。对企业来说，这种信任是一种可以被设计、被验证、也可能被消耗的经营资产。

　　更难的一层是控制权委托。Agent只有获得读取、写入、发送、修改和执行等权限，才可能真正压缩流程时间；但权限越接近业务结果，员工对可审计、可停止和可撤回的要求就越高。沃顿蓝图显示，对失去控制以及无法审计Agent行为的担忧，占用户采用决策权重的26%。

　　这解释了很多企业AI项目中的“高登录、低委托”现象。员工可能频繁打开工具、参加培训并生成大量内容，但始终不愿让Agent触碰关键流程。表面上看，使用率已经提高；实际上，Agent仍然只是一个包装更精致的聊天机器人，企业没有获得端到端流程自动化带来的价值。

　　控制权担忧

　　26%

　　担心无法审计或控制Agent，占采用决策权重的26%

　　03

　　员工不信任Agent，往往不是因为它犯错

　　任何有经验的员工都知道，人也会犯错。真正令人不安的并不是Agent存在错误，而是错误出现得没有规律、没有提示，也没有清晰的责任出口。一个会明确表达不确定性的系统，通常比一个每次都自信作答、偶尔悄悄偏航的系统更容易获得长期信任。

　　员工判断Agent是否值得依赖，往往会观察几个非常具体的信号：它是否知道自己不知道什么，是否能说明信息来自哪里，是否会在权限不足时停止，是否能把重大异常及时交还给人，以及过去的错误是否真正转化为系统改进。如果这些问题没有答案，再友好的头像、再自然的语气，也很难抵消员工对失控的担忧。

　　这也是为什么沃顿研究提醒企业，不要把Agent设计得过度热情或过分拟人化。温暖的语气可以降低初次接触门槛，却无法替代专业能力；在高风险场景中，过度友好甚至可能让员工怀疑系统正在用表达掩盖不确定性。相比“像同事一样会聊天”，员工更在意它是否稳定、准确、诚实并尊重权限。

　　企业常见的另一个误区，是只展示Agent最成功的一面。发布会演示通常选择数据完整、流程顺畅、答案确定的任务，员工回到真实岗位后，面对的却是缺失字段、冲突政策、临时例外和跨系统权限障碍。演示制造的期待越高，第一次意外失败对信任的损伤就越大。

　　真正有效的做法，是让能力与限制同时可见。Agent可以明确说明自己擅长哪些任务、成功率如何、哪些条件会导致结果不稳定，以及什么情况下需要人工判断。信任不是通过隐藏缺陷建立的，而是通过让不确定性变得可管理建立的。

　　所谓“员工信任”，因此并不是态度调查中的一个温和分数。它直接决定员工愿意把什么任务交给Agent、愿意开放哪些数据、是否采纳Agent建议，以及在出现一次错误后会不会彻底退出。对规模化AI而言，信任已经接近一种生产要素。

　　04

　　企业需要的不是更多信任，而是“校准后的信任”

　　讨论AI信任时，企业很容易把目标设成“让更多员工相信AI”。这个目标本身存在风险，因为过度信任和信任不足都会损害价值。员工完全不使用Agent，企业无法获得效率；员工不加判断地接受Agent输出，错误则会更快进入业务系统。

　　HBR文章强调的重点，是建立“校准后的信任”。员工应当知道Agent在哪些任务上能力较强、在哪些条件下容易失败，哪些动作可以自动完成、哪些动作需要审批，以及自己何时仍然拥有最终控制权。信任水平需要与Agent的真实能力、任务风险和组织控制机制相匹配。

　　这种信任更接近飞机驾驶舱中的自动驾驶关系。飞行员并不因为系统先进就退出决策，也不会因为自动驾驶偶尔需要接管便拒绝使用。系统承担适合自动化的稳定任务，人持续理解当前状态，并在边界条件出现时接管控制。

　　企业Agent的工作方式也应如此。处理公开资料、整理内部信息、生成低风险草稿，可以给予较高自主性；涉及客户承诺、资金支付、员工权益和合规判断，则需要更严格的审批、记录和升级机制。任务风险不同，信任与权限就不应采用同一套标准。

　　这也是“人类在环”经常被误解的地方。很多系统名义上保留人工审批，实际却在员工面前堆积大量待确认事项，最终把审批变成机械点击。人虽然留在流程中，注意力却已经离开，所谓控制只剩下一枚按钮。

　　有效的人类监督需要让员工看见Agent做了什么、为什么这样做、哪些地方存在不确定性，以及此次行动与正常模式有何差异。系统还应把人的注意力集中在异常和高影响事项上，而不是要求员工逐项检查全部过程。否则，Agent节省的执行时间，会被新的审核负担重新吃掉。

　　信任不足，Agent无法进入真实流程； 信任过度，错误会更快进入真实流程。

　　规模化需要的，是与能力和风险相匹配的信任。

　　05

　　岗位变化：不是简单减少工作，而是重新分配行动权

　　Agent进入组织后，岗位设计不能继续停留在“哪些任务可以被AI替代”。这个问题过于粗糙，因为同一项任务内部也包含信息收集、判断、沟通、执行和追责等不同环节。Agent可能承担其中四个环节，却仍需由员工保留最关键的判断或关系责任。

　　以招聘岗位为例，Agent可以整理简历、匹配基本条件、生成面试问题并协调时间，但是否让它直接改变候选人的流程状态，属于完全不同的权限层级。如果系统只提供建议，招聘人员承担的是判断责任；如果系统能够自动行动，招聘人员就需要承担监督、复核与例外处理责任。

　　销售岗位也是如此。Agent整理客户记录和准备跟进建议，主要提升信息处理效率；当它开始发送邮件、提出折扣或确认交付时间，就进入客户承诺环节。此时，岗位价值不会简单消失，而会从“亲自完成每一步”转向“设定边界、分配权限、识别异常并维护关系”。

　　财务、人力资源、法务和采购等职能对此尤其敏感。它们处理的往往不是单纯的信息任务，而是带有授权、证明和责任后果的组织行为。Agent可以让流程更快，但流程一旦被加速，原有的模糊权限也会被迅速放大。

　　因此，岗位说明书需要逐渐增加一层过去很少出现的内容：员工拥有哪些不可转让的判断权，可以向Agent委托哪些执行权，在什么金额、风险或影响范围内可以自动行动，以及发生异常时由谁接管。未来岗位边界的一部分，不再只是“这个人负责什么”，而是“这个人可以让AI代表自己做到什么程度”。

　　这一变化也会重新定义管理幅度。过去，一名经理主要协调若干员工；未来，他可能同时管理人员、多个专业Agent以及Agent之间的协作关系。岗位数量未必立即变化，但一个岗位可以调动的数字执行能力会迅速扩大，个人工作产能与个人责任半径可能同时上升。

　　如果企业只看见产能扩张，而没有重估责任半径，员工自然会对Agent保持克制。因为对他们而言，每增加一个可执行Agent，就像增加一名速度很快、经验有限、又能直接接触系统的团队成员。管理对象增加了，管理权限与资源却未必同步增加。

　　06

　　绩效变化：使用次数越多，不代表价值越大

　　面对AI规模化压力，一些企业开始统计员工登录次数、调用量、生成内容数量，甚至考虑把AI使用率写入绩效指标。这类数据容易获得，也能形成漂亮的采用曲线，却很难回答Agent是否真正改善了业务结果。员工为了完成指标多调用几次工具，并不等于流程发生了有价值的变化。

　　Agent时代尤其不能把“使用”直接等同于“产出”。一个员工可能调用Agent完成十次低价值总结，另一个员工只运行一次，却重新设计了耗时数天的关键流程。单纯计算调用次数，会奖励表面活跃，压低真正需要判断、验证和流程改造的工作。

　　过度强调采用率还可能损害信任。员工原本需要根据任务风险决定是否委托，当“使用AI”成为绩效要求后，他们可能在不适合自动化的场景中勉强使用，或者为了避免风险只做形式化调用。组织得到更高的使用数据，却没有得到更深的任务委托。

　　绩效口径需要从工具活动转向业务结果。企业可以关注流程周期是否缩短、一次完成率是否提高、返工量是否下降、异常是否更早暴露、员工是否把时间转向更高价值工作，以及Agent介入后客户和员工体验是否保持稳定。对于高风险流程，还要同时观察错误影响、人工接管速度和决策可解释性。

　　这里还有一笔容易被忽视的“信任成本”。Agent生成结果只花了三分钟，但员工可能需要二十分钟核验来源、补充缺失信息并确认系统没有越权。若只统计生成时间，项目看起来效率惊人；把审核、纠错、沟通和心理负担计入后，真实回报可能完全不同。

　　广告

　　相反，当Agent表现稳定、异常提示清晰、历史记录可追踪时，员工的验证方式会逐渐改变。他们不再逐字检查全部内容，而是重点核查系统标记的高风险节点。信任开始转化为更低的监督成本，这才是Agent规模化真正出现经济效应的时刻。

　　微软2026年工作趋势指数

　　67% vs. 32%

　　组织文化、管理者支持与人才实践等组织因素，对AI影响的解释力，是个人心态与行为因素的两倍以上。

　　微软2026年工作趋势指数提供了一个重要旁证。在对20，000名AI用户的调查中，组织文化、管理者支持和人才实践等组织因素，对员工感受到的AI影响解释力达到67%；个人心态和行为因素为32%。换言之，企业AI效果与其说取决于员工够不够积极，不如说更取决于组织是否创造了适合采用的环境。

　　07

　　能力变化：会写提示词，只是Agent协作的起点

　　生成式AI刚进入企业时，培训重点通常集中在提示词、模型选择和内容生成技巧。这些能力仍然有用，但当AI开始自主执行多步骤工作后，员工真正需要掌握的已经不是“如何问得更好”，而是“如何委托得更准确”。两者看似接近，实质上对应完全不同的责任结构。

　　向Agent下达任务，需要员工明确目标、约束条件、可使用的数据、不得触碰的边界、判断成功的标准，以及出现异常时的升级方式。模糊的提示词最多生成一份不理想的草稿，模糊的委托却可能引发一串连续行动。Agent越有能力，任务定义不清的代价越大。

　　员工还需要形成验证能力。验证不等于重新人工完成一遍，而是知道哪些证据足以证明结果可信，哪些数字需要回溯来源，哪些异常可能源于数据质量，哪些结论必须由专业人员确认。没有这种能力，员工要么过度检查，失去效率；要么完全不检查，扩大风险。

　　例外处理也会成为新的核心技能。标准流程越多地交给Agent，留给人的工作越集中在边界情况、冲突目标、敏感沟通和价值判断上。岗位不会因为常规任务减少而自动变轻，反而可能在认知上变得更加密集。

　　这会带来一个容易被忽略的人才问题。过去，初级员工通过处理大量基础任务，逐渐熟悉业务规则、积累判断样本；当基础任务被Agent接管后，组织需要重新设计经验形成机制。否则，企业一边获得短期效率，一边可能削弱未来专业人才的成长通道。

　　因此，Agent培训不能只面向基层员工。管理者需要学习如何拆解流程和设置授权边界，专业人员需要学习如何设计验证标准，业务负责人需要理解如何衡量人机协作后的真实产出。技术团队提供工具，业务团队定义何为正确，HR则需要把这些能力转化为岗位、发展和评价体系。

　　微软的研究还发现，管理者是否亲自示范AI使用、是否允许员工提出新的工作方式，与员工感受到的AI价值和对Agent的信任显著相关。管理者口头要求团队“积极拥抱”，自己却不参与工作重构，会让员工把AI理解为一项向下施加的效率要求。管理者亲自承担试错与解释责任，才可能把抽象倡议变成可信的工作方式。

　　08

　　管理责任变化：“人类兜底”不能只是一句安全口号

　　几乎所有企业在谈Agent治理时，都会强调最终由人负责。这句话听起来稳妥，却可能掩盖最关键的问题：究竟由哪个人负责，他是否看得到Agent的过程，是否拥有停止权限，又是否有足够时间完成检查。没有这些条件，“人类负责”只是一种责任转移。

　　假设Agent读取了错误数据，并据此向客户发出了一份不合适的方案。业务人员可能认为系统由技术部门采购，技术部门可能认为规则由业务配置，供应商则可能把问题归因于输入信息。每个环节都与结果有关，却没有一个角色真正拥有端到端责任。

　　Agent比普通软件更需要清晰的责任主体，因为它会跨越多个系统与部门。一项任务可能从邮件开始，经过客户系统、合同库和审批平台，最终形成外部行动。只按传统系统边界分配责任，很容易出现“每个局部都正常，整体结果却无人负责”的情况。

　　更成熟的做法，是为每个进入生产流程的Agent设置明确的业务所有者、技术所有者和风险所有者。业务所有者定义目标与可接受结果，技术所有者负责运行稳定性、身份和访问权限，风险所有者则关注合规、偏差和异常处置。三者可以由不同岗位承担，但不能互相替代。

　　微软CEO萨提亚·纳德拉曾提出，应像管理员工一样，为Agent配置身份、权限、沙箱、政策和审计机制。这个类比的价值不在于把Agent拟人化，而在于提醒企业：任何能够代表组织行动的主体，都需要明确身份和最小必要权限，并留下可检查的行为记录。

　　当Agent数量从几个试点扩展到数百甚至数千个时，这种管理会迅速变得重要。企业需要知道每个Agent归谁负责、可以访问什么、正在执行什么、调用了哪些工具，以及多长时间没有被重新评估。没有这些基础信息，所谓“数字劳动力”很容易变成一批没有工号、没有主管、权限却在不断累积的隐形执行者。

　　美国标准与技术研究院的AI风险管理框架，也把可信要求放在AI系统的设计、开发、使用与评估全过程中，而不是等问题出现后再补一层审批。对企业来说，这意味着信任不是上线前的一次合规检查，而是持续测量、监控和调整的运行机制。

　　09

　　HR的角色：从组织培训，走向人机工作设计

　　在许多企业中，Agent仍被视为技术项目，HR的工作主要是组织培训、发布使用规范和收集员工反馈。这些工作有必要，却不足以回应Agent带来的变化。因为当系统开始承担真实任务时，变化会进入岗位边界、绩效标准、人才结构、管理幅度与员工关系。

　　岗位层面，HR需要推动业务部门把职位拆解为任务和决策，而不是笼统判断某个岗位是否“可以被AI替代”。哪些任务主要依赖信息搬运，哪些涉及专业判断；哪些动作可以自动完成，哪些需要审批；哪些责任仍必须由人承担，这些问题会成为新一轮岗位分析的核心。

　　绩效层面，HR需要避免把AI使用量直接变成绩效成绩。更有意义的指标是业务结果、协作质量、审核成本与风险表现，以及员工是否借助Agent承担了更复杂的工作。对不同岗位使用统一的AI采用指标，既难以反映价值，也可能鼓励不适当委托。

　　能力层面，企业需要建立比“AI素养”更具体的能力语言。任务拆解、约束设定、结果验证、异常识别、流程重构和人机协同管理，可能逐渐进入关键岗位的能力模型。员工不只要会使用Agent，还要知道何时不应使用、何时需要收回权限。

　　管理责任层面，HR需要帮助组织明确Agent带来的新增职责。经理是否要对团队使用的Agent负责，专业负责人是否需要批准关键工作流，员工发现问题后能否暂停系统，错误复盘是用于改善流程还是追究个体，这些安排会直接影响员工是否愿意真实反馈。

　　如果员工担心报告Agent错误会证明自己“不会用AI”，问题就会被隐藏；如果员工认为系统错误最终都会算在自己头上，他们就会尽量减少授权。相反，当组织把早期错误视为改进数据，并对主动发现问题给予正向评价，员工才更愿意参与系统校准。

　　这也是员工信任与心理安全的连接点。信任Agent并不意味着员工保持沉默，而是员工相信自己能够质疑系统、拒绝建议、暂停行动，并在提出问题后获得支持。真正成熟的AI文化，不是人人都说Agent很好用，而是员工可以坦然指出它在哪里不好用。

　　HR还需要关注Agent对不同员工群体的影响。经验丰富的员工往往更容易识别系统遗漏，却可能因为已有成熟方法而缺少转换动力；年轻员工更愿意尝试工具，却可能缺少判断输出质量的业务经验。培训、授权和监督需要根据岗位风险与经验水平分层，而不是发一套课程让所有人自行消化。

　　HR需要同步重写的四套组织语言

　　岗位： 从职责清单走向任务、判断权与执行权的重新分配

　　绩效： 从AI调用量走向业务结果、审核成本与风险表现

　　能力： 从提示词技能走向委托、验证、例外处理与流程重构

　　责任： 从笼统的人类兜底走向可追踪、可接管的具体责任主体

　　10

　　信任不能靠宣讲建立，要靠一段段工作经历积累

　　Workday相关调查显示，75%的受访员工能够接受明确可见、与自己协同工作的AI，但只有24%愿意接受在自己不知情的情况下运行的Agent；只有约30%的员工对“被Agent管理”感到舒适。频繁使用AI的人群中，信任比例达到95%，而处于探索阶段的人群只有36%，说明经验确实能够建立信任，但透明度和控制边界同样重要。

　　这组数据提醒企业，员工不是笼统地接受或拒绝AI。他们会区分Agent是在提供帮助、提出建议、代表自己行动，还是对自己进行管理。组织如果把这些情境混在一起，只用一个“AI接受度”指标，很容易错判员工的真实态度。

　　信任也很难通过一次发布会建立。员工需要在真实工作中看到Agent持续完成任务、承认限制、正确升级异常，并在自己介入后留下有效反馈。每一次稳定交付都在增加信任余额，每一次不可解释的越权都在形成信任负债。

　　因此，Agent推广更适合沿着风险与权限逐步推进。早期可以让Agent在后台以“影子模式”运行，生成建议但不进入正式流程，并把结果与人工处理进行比较。员工看到真实表现后，能力认知不再来自宣传，而来自与自身工作直接相关的证据。

　　随后，Agent可以进入建议模式，由员工决定是否采纳。系统需要同时展示依据、置信程度、关键假设和可能遗漏，让员工能够有效判断，而不是面对一段看起来完整却无法检查的答案。这一阶段积累的重点，是人与Agent之间的共同判断经验。

　　当稳定性得到验证后，Agent可以在有限范围内执行，但高影响动作仍需要审批。员工应当能够编辑、暂停、撤回或逆转Agent的行为，并清楚知道一旦系统偏离预期，如何快速切换回人工流程。控制权越清晰，员工越可能愿意扩大委托。

　　只有在数据质量、运行记录和异常机制持续成熟后，部分低风险、高频率、规则较稳定的流程才适合进入条件性自主阶段。即使如此，Agent也不应获得不变的权限。业务环境、系统能力和外部要求变化后，原有授权需要重新评估。

　　沃顿研究还发现，让员工对Agent形成心理所有权，例如参与命名、配置或工作方式设计，采用率更高可以提高20%。这并不是因为一个名字具有魔力，而是参与设计让员工从被动接受者变成共同塑造者。员工对自己参与设置的边界更熟悉，也更清楚系统为何这样工作。

　　参与设计与心理所有权

　　更高提升20%

　　员工从被动接受者变成共同塑造者，采用意愿随之提高。

　　11

　　衡量信任，不能只发一份满意度问卷

　　员工是否信任Agent，可以通过态度调查了解，但更重要的信息藏在实际行为中。员工会不会把高价值任务交给Agent，是否开放必要数据，建议采纳后还要检查多久，出现一次错误后是否停止使用，这些行为比“总体满意”更接近真实信任。

　　企业可以观察授权深度。两个部门的Agent使用人数可能相同，但一个部门只让系统生成草稿，另一个部门已经允许其完成跨系统操作，两者创造的价值完全不同。采用率回答“有多少人在用”，授权深度才回答“Agent真正进入了多深的业务流程”。

　　人工覆盖率同样值得关注。如果员工频繁改写Agent的大部分输出，系统可能没有真正降低工作量；如果员工几乎不修改，也不一定说明质量优秀，还需要排除机械批准的可能。修改内容、修改原因和最终结果结合起来，才能判断信任是否合理。

　　异常升级率与接管时间可以反映系统是否懂得在边界处停下。一个优秀的Agent不一定最少求助，而是能够在恰当时机求助。把所有异常都交给人会降低效率，从不交给人则会扩大风险，关键在于升级机制是否准确。

　　撤销能力也应进入评估。员工知道错误可以快速恢复时，更愿意尝试较深层委托；一旦操作难以逆转，他们就会保守使用。可逆性不仅是技术功能，也是影响员工心理安全的重要设计。

　　企业还可以衡量“信任恢复时间”。Agent发生错误后，员工需要多久才重新使用，组织是否及时解释原因，改进是否能够被员工看见。如果一次问题让整个团队数月不再使用，损失的不只是一次错误成本，还包括后续大量未实现的效率价值。

　　这些指标最终应与业务指标相连。信任高但结果不佳，可能是员工过度依赖；结果稳定但授权始终很浅，可能是系统价值尚未释放。真正健康的状态，是权限、能力、监督成本和业务结果随着经验积累共同改善。

　　采用率回答“有多少人在用”，授权深度才回答“Agent真正进入了多深的业务流程”。

　　12

　　Agent规模化，本质上是一项组织工程

　　2026年的企业AI竞争，正在从“谁先拥有工具”转向“谁能让工具进入真实流程”。模型能力依然重要，但同类能力会越来越容易获得；难以复制的是企业如何设计权限、积累信任、重构岗位并形成可持续的人机协作方式。技术可以买到，组织对新行动者的容纳能力却需要时间建立。

　　一项由Forrester Consulting受Boomi委托进行的调查覆盖北美、欧洲和亚太地区409名技术决策者。调查显示，86%的受访组织已经让AI Agent越过试点阶段，但只有34%信任Agent采取的行动；在治理、集成和控制准备度较高的组织中，55%对Agent行为拥有较高信心，而准备度较低组织的这一比例只有22%。

　　AI AGENT的“部署—信任”落差

　　86%

　　已越过试点阶段

　　34%

　　信任Agent的行动

　　这组反差揭示了一个重要事实：上线Agent与真正采用Agent之间，存在一条很长的组织链条。企业可以在几周内购买产品、接入模型并开放账号，却无法用同样速度完成岗位重构、责任划分和信任积累。部署速度越快，这条链条的缺口反而越容易暴露。

　　过去的软件实施主要解决“员工会不会操作”，Agent实施则需要回答“员工愿不愿意委托”。前者通过培训和流程手册便能覆盖很大一部分问题，后者取决于员工是否看得懂系统、能否控制风险，以及组织会如何处理错误。它更接近一次管理制度变革，而不是单纯的技术升级。

　　这也意味着，AI规模化不应被简化为技术部门的交付任务。业务部门需要定义结果和例外，技术部门需要保证身份、权限与可观察性，风险部门需要确定红线，HR需要重构岗位、能力与评价，管理者则要为委托边界承担责任。任何一方缺席，员工都会从模糊处感受到风险。

　　企业过去依靠职位、流程和审批来管理人的行动；Agent加入后，组织需要把同样严谨的管理能力延伸到数字行动者。谁给它任务，谁允许它访问数据，谁批准它对外行动，谁观察它是否偏离，谁在问题发生时接管，这些问题最终都会回到组织设计。

　　结语

　　真正的信任，不是员工终于敢把手放开

　　Agent很容易给管理者带来一种诱人的想象：系统不断工作，人只需设定方向，组织便能获得近乎无限的执行能力。但在真实企业中，执行从来不是孤立动作，它连接着客户承诺、员工权益、资金风险和品牌责任。Agent越能行动，企业越需要知道哪些权力仍应留在人手中。

　　因此，员工信任Agent的终点并不是完全放手。更理想的状态，是员工敢于把适合的工作交出去，也能够在不适合的地方坚定保留判断；管理者愿意扩大Agent权限，也愿意为权限边界承担责任；企业追求效率，同时把验证、追踪和恢复能力视为效率的一部分。

　　HBR此次把“员工信任”放到Agent规模化的中心，并不是要企业再做一轮文化宣讲。它提醒管理者，信任来自具体的产品行为与管理安排：限制是否公开，过程是否可见，数字是否，异常是否升级，行动是否可逆，责任是否清楚。员工最终相信的不是一段关于AI未来的叙述，而是自己在每一次委托中仍然拥有判断和控制。

　　AI Agent的规模化，不始于企业拥有多少个Agent，而始于员工愿意把多少真实工作交给它。

　　当员工只把边缘任务交给系统时，再先进的Agent也只是昂贵的助手；当能力、权限和责任被准确匹配，Agent才可能从个人工具进入组织基础设施。

　　下一阶段真正拉开企业差距的，未必是哪家公司最早宣布“数字劳动力”战略，而是哪家公司更早建立起一套可校准、可验证、可撤回的信任机制。因为在Agent时代，速度来自自动执行，规模来自员工授权，而长期价值来自组织始终知道什么时候可以放手，什么时候必须接管。

　　参考资料

　　1. Harvard Business Review， “To Adopt AI at Scale， Employees Need to Trust Agents” https://hbr.org/2026/09/to-adopt-ai-at-scale-employees-need-to-trust-agents

　　2. Knowledge at Wharton， “The Wharton Blueprint for AI Agent Adoption” https://knowledge.wharton.upenn.edu/special-report/wharton-blueprint-ai-agent-adoption/

　　3. Microsoft， “2026 Work Trend Index Annual Report” https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization

　　4. NIST， “AI Risk Management Framework” https://www.nist.gov/itl/ai-risk-management-framework

　　5. Workday员工与AI Agent协作调查相关报道 https://www.itpro.com/technology/artificial-intelligence/workers-view-agents-as-important-teammates-but-the-prospect-of-an-ai-boss-is-a-step-too-far

　　6. Forrester Consulting受Boomi委托开展的企业AI Agent调查相关报道 https://www.expresscomputer.in/news/86-of-enterprises-have-deployed-ai-agents-but-just-34-trust-them-forrester-study/136898/

　　7. Business Insider， Satya Nadella on managing AI agents https://www.businessinsider.com/satya-nadella-microsoft-how-to-manage-ai-agents-human-employees-2026-6

　　原文链接：https://mp.weixin.qq.com/s/XUnMjy0yIeilaV_NIMEQkA