来源：HRflag

　　过去两年，企业谈AI时最常见的画面，是员工在会议室里学习提示词，是部门负责人寻找几个能快速见效的应用场景，也是技术团队不断比较模型参数、采购价格和数据安全方案。到了2026年，这套叙事正在失去解释力，因为AI已经不再满足于停留在个人效率和局部试点层面。它开始进入预算、采购、财务、风控、客服、研发和人才管理等核心流程，并逐渐参与信息整理、判断建议、任务分配与跨系统协同。 企业真正面对的拐点，不是又出现了一个更聪明的模型，而是智能能力开始嵌入企业运行本身。

　　8月4日，《哈佛商业评论》刊发由EY赞助的文章《为什么AI驱动型企业迫切需要一种新的领导心态》。文章提出，经过多年试验，企业采用AI已经来到一个转折点，管理层讨论的重点不再是“把AI用在哪里”，而是“如何把AI整合进经营系统，并以工业化方式实现规模价值”。过去把AI叠加到现有职能和旧有流程上的做法，容易让智能能力变得碎片化，也可能放大风险并削弱信任。真正取得业务影响的组织，正在把AI嵌入财务、税务、风险等核心职能，并重构数据、人才和资本在企业内部的流动方式。

　　这篇文章最值得高管和HR负责人重视的，并不是“要拥抱AI”这样泛泛的倡议，而是它重新定义了领导工作的对象。传统主要管理部门、人员、预算与项目，AI时代的还要设计和治理一套跨越数据、技术、岗位与流程的智能工作系统。过去，权力来自职位、专业知识和审批权限；未来，影响力越来越来自对平台、数据、规则与企业级结果的治理能力。 从功能负责人走向系统受托人，是“AI核心化”最深的一层组织变化。

　　这也解释了为什么一些企业已经部署了不少AI工具，员工使用率不断上升，经营层却仍然感觉价值不够清晰。问题往往不在于模型不会生成内容，也不在于员工缺少几条提示词，而在于组织仍用工业时代的岗位边界、部门目标和审批链条承载新的智能能力。当AI进入一个被割裂的流程，它最多让局部动作变快，却很难让端到端价值流变得更顺畅。企业看似增加了大量“AI活动”，真正得到的却可能只是更多试点、更多接口和更多需要人工弥合的断点。

　　拐点不在技术端，而在经营系统

　　判断一家企业是否已经进入“AI核心化”阶段，不能只看采购了多少账号、训练了多少员工，也不能只看内部出现了多少智能体。更有意义的判断标准，是AI是否开始影响企业如何承接客户需求、如何配置资源、如何形成决策，以及如何把一次成功经验复制到更多业务单元。如果AI只能帮助个人更快写邮件、做摘要、整理表格，它仍然主要是一层生产力工具；当它能够连接订单、库存、客户、风险与人才数据，推动跨部门任务连续流动时，它才开始成为经营系统的一部分。两者都能产生价值，但所需要的领导方式完全不同。

　　个人工具的管理逻辑相对简单，企业只需提供合规产品、基础培训和使用规范，随后观察采用率与节省时间。核心系统的管理逻辑则复杂得多，因为AI的一个建议可能触发后续审批，一个自动动作可能改变客户体验，一项预测可能影响预算与人员安排。此时，必须回答谁可以授权、谁负责复核、何时必须升级给人、系统偏离目标后由谁纠正等问题。 AI一旦进入价值链，技术选择就会迅速变成权力安排、责任设计与价值观选择。

　　EY在2026年另一项关于智能体AI与企业价值的分析中指出，很多企业的AI项目仍围绕单一职能展开，而企业大部分价值并不封闭在某个部门内部，反而容易损失在部门之间的交接、等待、重复分析和责任断点中。该分析估计，多达70%至75%的潜在价值可能被困在职能孤岛之间，这并不是一个可以机械套用到所有公司的财务比例，却准确指出了局部提效的结构性上限。财务把报表生成时间缩短，销售把客户纪要自动化，HR把职位描述写得更快，如果这些动作没有改变从需求到结果的整体流程，收益就很难持续叠加。企业越是把AI项目按部门切碎，越容易出现“每个部门都有成果，整体经营感受却不明显”的局面。

　　这时，最容易采取的动作，是要求团队增加场景数量、提高工具使用率，或者再做一轮培训。它们并非没有作用，但如果流程本身没有重构，更多使用只会让旧系统跑得更忙。真正需要被追问的是，客户价值从哪里产生，信息在哪个环节丢失，决策在哪个节点等待，返工因何发生，哪些动作只是因为组织边界而存在。AI的战略价值，常常不在于替代其中某一步，而在于让整条价值流以新的方式连接起来。

　　因此，“AI核心化”不是技术部门把模型接入更多系统，也不是每个职能分别建设自己的智能体。它要求企业从功能导向的执行，转向系统导向的协同，把客户结果、产品生命周期或经营主题作为设计单位。部门仍然存在，专业深度也依然重要，但组织不能再把部门边界当作价值边界。 AI真正能够放大的，不只是某个岗位的效率，而是整家企业减少摩擦、缩短反馈并积累判断能力的速度。

　　领导心态升级，不是“更愿意用AI”

　　不少管理者把领导心态理解为对新技术更开放，愿意亲自体验产品，也允许员工试错。这是必要的起点，却远远不够，因为一个会用AI的负责人，未必知道如何治理由AI参与运行的组织。个人使用强调输入、输出和效率，系统治理强调目标、边界、权限、反馈与责任。前者解决“我能否借助AI做好一件事”，后者回答“企业如何让人和AI持续、可靠地完成一类结果”。

　　新的领导心态首先意味着从“控制活动”转向“定义结果”。传统管理擅长分解任务、安排工时、检查动作是否按规定完成，这套方法在流程稳定、信息稀缺的环境里很有效。当AI能够承担越来越多的信息处理和标准化执行，管理者继续紧盯每一个动作，既会成为速度瓶颈，也会让员工把AI仅仅用于把旧任务做得更快。需要更清晰地界定结果、质量阈值、资源边界和不可突破的原则，再给团队和智能系统留下寻找路径的空间。

　　新的领导心态也意味着从“拥有答案”转向“设计判断”。过去，优秀往往是部门里经验最丰富、最能解决复杂问题的人，团队遇到难题会向上汇报，由负责人给出答案。AI扩大了信息可得性，也让分析方案可以快速生成，的稀缺价值因此不再只是比下属知道得更多，而是能判断什么问题值得解决、哪些证据足够可信、不同目标如何权衡。 当答案的生产成本下降，问题定义、价值取舍和责任承担反而变得更昂贵。

　　这种变化不会削弱专业能力，反而要求把专业能力提升到系统层面。财务负责人不能只关心某份分析是否准确，还要理解数据如何进入模型、判断如何影响预算以及异常如何被发现；HR负责人不能只检查招聘智能体是否提高筛选速度，还要评估岗位标准、候选人体验与用人经理责任是否同步变化。业务负责人也不能把AI当成技术团队提供的后台服务，而要对智能流程产生的经营结果承担共同责任。AI把专业从“本领域最懂的人”，推向“能够连接业务、技术与人的系统设计者”。

　　新的领导心态还意味着从“守住部门资源”转向“守护企业价值流”。传统组织中，预算、数据、人才和系统往往归属于具体职能，负责人通过控制这些资源来保证本部门目标。AI驱动的跨流程协作却要求数据和能力在合理授权下流动，否则智能系统只能看到局部事实，给出局部更优答案。需要放下对资源所有权的本能防御，转而建立清晰的使用权、审计权和收益分配机制，让共享不等于失控，让协作不等于责任模糊。

　　最后，新的领导心态不是盲目追求自动化，而是重新理解人的位置。原文区分了“人在回路中”与“人在回路之上”两种形态：前者通常是一名员工与一个AI协作，每增加一份需求仍然要增加一组人机配对；后者则由人监督和编排多个智能体组成的系统，能力扩展不再与人数线性绑定。这个变化很有吸引力，但它并不意味着人退出系统，而是人的工作从逐项执行转向设定方向、处理例外、校准规则和承担后果。 “人在回路之上”不是把人放得更远，而是要求人站到更高的责任位置。

　　价值观升级，决定AI最终把企业带向哪里

　　任何技术进入企业核心，都会把原有价值观放大。一个只奖励短期数字的组织，会让AI更快地追逐短期数字；一个习惯回避责任的组织，会把“系统建议”变成新的免责话术；一个不鼓励提出异议的组织，可能拥有更高效的流程，却更难及时发现偏差。AI不会自动带来更先进的管理，它更像一面放大镜，让组织真正看重什么、容忍什么和奖励什么变得更加清楚。

　　所谓价值观升级，首先是把效率从终点还原为手段。速度、成本与产出当然重要，但企业采用AI的目的不能只是让同样的人完成更多同样的任务。普华永道2026年AI就业晴雨表分析了六大洲超过十亿条招聘广告，发现AI暴露程度较高的企业生产率增长更快，而领先企业的人员规模和薪酬增长也更有活力。这一结果提示管理者，真正成熟的AI战略并不把降本视为价值，而是用释放出来的能力进入新市场、改善服务并创造过去无法实现的成果。

　　如果只把效率设为目标，组织很容易奖励可量化的速度，忽略难以即时计量的判断质量、客户信任和人才成长。员工会逐渐把AI用于追求更多输出，管理者也会通过更密集的指标捕捉这些输出，最终形成一种“数字越来越漂亮、价值越来越难解释”的局面。需要在项目立项时同时定义经营价值、用户价值、员工价值与风险边界，并说明它们发生冲突时的取舍原则。这样做不是降低效率要求，而是避免效率在缺少方向时成为最危险的局部更优。

　　价值观升级也意味着把信任建设成系统属性，而不是上线之后的沟通包装。员工和客户是否信任AI，不取决于企业发布了多少愿景海报，而取决于他们能否知道系统在做什么、数据如何被使用、错误能否被纠正以及最终由谁负责。对于招聘、绩效、晋升、薪酬和员工关系等高影响场景，解释、申诉、人工复核与记录留痕必须在流程设计阶段进入系统。 真正可靠的AI治理，不是要求人相信系统，而是让系统经得起人的询问。

　　价值观升级还包括对“好奇心”的重新理解。原文把保持好奇视为的重要建议，但企业语境中的好奇心并不是追逐每个新模型，也不是让所有人无边界地实验。它表现为愿意挑战旧流程，愿意承认专业经验可能需要更新，也愿意用证据修正最初判断。成熟的好奇心与治理并不矛盾，它既保留探索空间，也知道哪些场景必须先建立边界、测试与复核机制。

　　当这种好奇心进入领导团队，会议里的问题也会发生变化。管理者不再只问“这个工具能节省多少人”，而会继续追问“哪些工作因此可以升级”“谁会获得更大的决策空间”“哪些风险从人工错误变成系统性错误”“我们能否从每次运行中学到东西”。这些问题看起来没有单纯的成本测算直接，却更接近AI进入核心流程后的真实经营难题。企业不是因为拥有模型而成为AI驱动型企业，而是因为它能够用新的方式做选择、承担责任并持续学习。

　　岗位重构：不要先问哪些人能被替代

　　当AI进入核心流程，人力资源工作的起点必然是岗位，但岗位重构不能从“哪些人可以减少”开始。传统职位说明书把工作描述为一组相对稳定的职责，默认任务、权限和协作关系在较长时间内保持不变。智能体开始处理信息、生成方案并执行部分动作后，同一个岗位内部会同时出现被自动化的任务、被增强的任务、新增的监督任务和必须由人保留的判断任务。继续用原来的职位名称和职责清单管理，只会让新工作隐藏在旧岗位里。

　　更有效的做法，是把岗位拆解到任务、判断和责任三个层次。任务层要识别哪些动作规则清晰、数据充分、风险可控，适合交给AI或由AI辅助；判断层要明确哪些情境需要综合经验、理解关系、处理价值冲突和面对不确定性；责任层则要说明谁对最终结果签字，谁有权暂停系统，谁负责纠正偏差。只有把这三层分开，企业才能避免把“AI能够完成一项任务”误解为“AI能够承担一个岗位”。

　　岗位重构随后要回到完整的价值流，而不是由各部门独立优化自己的清单。以招聘为例，AI可以生成职位描述、搜索候选人、整理面试记录和辅助评估，但招聘结果还取决于业务需求是否清楚、岗位标准是否一致、面试官是否提供有效证据以及入职后的绩效反馈是否回流。如果每个环节只追求本部门效率，系统可能更快地处理申请，却未必更准确地匹配人才。HR需要与业务共同把“提出用人需求到新人创造价值”作为一条完整流程设计，而不是把招聘看成HR内部的操作链。

　　这会催生一批过去并不显眼的新角色。有人需要负责智能体的绩效监控与异常复盘，有人需要维护业务规则和知识库，有人需要设计人机交接点，也有人需要把局部经验转化为组织可复用的能力。这些工作未必都要形成新的正式岗位，但必须成为明确的角色，否则它们就会变成员工额外承担的隐形劳动。 如果组织只统计AI节省了多少工时，却不统计校验、纠错、维护与升级所需的时间，就会系统性高估收益。

　　岗位价值的判断标准也需要变化。过去，一名员工掌握大量信息、熟练执行复杂流程，往往构成稳定的专业壁垒；当AI能够快速调用知识并执行部分流程，员工价值会更多体现在提出高质量意图、整合多方目标、识别异常和承担关键判断上。这并不意味着基础工作不再重要，而是基础工作要转化为理解业务因果、形成专业直觉的学习路径。企业若简单删除所有基础任务，可能同时切断新人积累判断力的入口。

　　普华永道2026年的研究提供了一个值得关注的信号：在AI暴露程度较高的岗位中，技能要求变化速度超过低暴露岗位的两倍，AI暴露程度较高的初级岗位要求领导力和战略思考等传统高阶技能的可能性，是低暴露初级岗位的七倍。职业阶梯并没有消失，但正在被压缩，新人更早面对复杂判断，而企业过去依赖“先做几年基础工作再学习决策”的培养逻辑正在松动。HR需要重建早期人才的学习场景，让新人通过模拟、导师复盘、影子参与和受控授权获得判断经验。否则，企业会在几年后发现，AI替代了训练材料，却没有自动生产出能够承担责任的专业人才。

　　绩效升级：从产出数量转向人机系统结果

　　岗位发生变化以后，绩效机制必须跟着变化，否则组织会用旧指标把员工拉回旧工作。假如员工利用AI把报告产量提高三倍，传统绩效可能直接把更多报告视为更高贡献，却忽略这些报告是否改善决策、是否减少返工、是否被业务真正采用。更严重的是，当每个人都能快速生产内容，数量指标会迅速失去区分度，甚至鼓励组织制造更多信息噪声。AI时代的绩效管理必须从“完成了多少动作”，转向“产生了什么结果，并以何种质量、风险和学习成本实现”。

　　新的绩效框架需要同时观察业务结果、判断质量、协同效率与系统贡献。业务结果回答员工和团队是否改善了客户、收入、成本、速度或风险；判断质量关注他们能否识别AI输出的局限，能否在关键时刻提出异议并做出合适取舍；协同效率衡量跨部门交接是否减少、信息是否能够被复用；系统贡献则关注个人有没有把有效做法沉淀为规则、知识和可复制流程。这样的指标组合比单纯统计AI使用频次更难设计，却更能避免“为用而用”。

　　AI使用率可以作为转型早期的观察信号，却不适合作为长期核心绩效指标。员工频繁打开工具，可能意味着应用深入，也可能意味着系统体验差、需要反复修正；某个团队使用次数不高，可能是抵触变化，也可能是已经把AI嵌入后台流程，不再产生大量显性的对话。要避免把容易获得的数据误认为重要的数据，更不能用登录次数替代价值判断。 真正要被奖励的不是与AI互动得最多，而是借助AI创造了更好结果，并让这种结果能够可靠复制。

　　管理者自身的绩效也应增加新的责任维度。微软2026年工作趋势指数对2万名AI用户的调查显示，文化、管理者支持和人才实践等组织因素，与员工报告的AI影响之间存在更强联系，其解释强度约为个人心态和行为的两倍。研究还发现，只有26%的受访AI用户认为领导层在AI方向上保持清晰且一致的对齐。虽然这些数据基于自我报告，不能简单解释为因果关系，但它足以提醒企业：员工个人努力无法弥补领导团队方向不一致、管理者不支持和机制不配套。

　　因此，管理者不能只对传统业务数字负责，还要对团队的人机协作质量负责。他们需要清楚解释哪些场景鼓励使用AI，哪些场景必须人工判断，如何记录重要决策，以及员工发现问题后可以通过什么路径升级。管理者还要为合理实验腾出时间，避免员工在完成全部旧任务之外，额外承担转型成本。将这些行为纳入管理绩效，才会让“AI是领导责任”从一句倡议变成日常经营事实。

　　绩效机制还必须避免把系统错误压给最末端员工。如果员工只能接收AI给出的任务，却无权理解规则、调整流程或暂停错误动作，那么要求他们为所有结果负责并不公平，也无法真正降低风险。责任应该与权限、信息和资源相匹配，企业需要在流程中记录模型建议、人工修改、审批节点与异常处置。问责的目的不是找到一个承担后果的人，而是让系统知道错误在哪里产生、下一轮应该如何改进。

　　能力升级：从提示词培训走向判断力建设

　　许多企业的AI学习项目仍以工具介绍、提示词技巧和案例演示为主，这些内容容易组织，也能快速形成培训覆盖率。问题在于，当模型界面越来越简单，基础操作的半衰期越来越短，单纯教员工“怎么问”很难形成持久竞争力。真正决定AI价值的能力，是员工能否理解业务目标、拆解问题、评价证据、识别风险，并把一次人机协作变成可持续的工作方法。培训如果不进入真实工作，往往在课堂上很热闹，回到岗位后却找不到应用空间。

　　能力建设需要从统一普及转向分层设计。所有员工都需要基本的AI素养，包括数据边界、事实核验、安全使用与结果责任；专业人员需要掌握如何把领域知识转化为规则、评估标准和异常案例；管理者需要学习流程重构、权限设计、价值测量与变革沟通；高管则需要能够在战略、资本配置和治理层面对AI作出一致选择。不同层级学习的不是同一套工具的难易版本，而是各自在智能系统中必须承担的责任。

　　判断力的培养尤其需要被重新设计。过去，新人通过做基础分析、整理资料和反复执行流程，逐步理解何为好结果以及错误通常从哪里发生；当AI接手这些任务，组织不能假设新人会自然获得同样的经验。企业需要把隐含在专家头脑中的判断标准显性化，通过案例对比、错误复盘、情境模拟和导师解释，让员工看见答案背后的取舍过程。AI可以生成训练场景，却不能替代人员解释“为什么这个答案在这里不合适”。

　　这也意味着业务专家不能只被当作AI项目的需求提供者。专家要参与定义高质量输出、识别边界案例、设计升级条件和校准系统，但这些工作需要进入岗位职责、时间预算与绩效认可。若企业把专家贡献视为临时配合，智能系统就很难吸收真正的业务判断，专家本人也会在原有工作之外承担大量隐形劳动。 AI能力建设的核心，不是让更多人学会调用模型，而是让组织学会保存、验证和扩散自己的专业判断。

　　微软把这种能够从工作中持续吸收经验的企业称为“学习系统”。当智能体执行任务时，它会留下哪些方法有效、哪些结果偏离、哪些情境需要升级等信号；如果这些信号只留在个人或单个团队中，企业每次扩展场景都要重新摸索。领先组织会把有效经验编码进共享流程、评估标准和知识资产，同时保留责任与控制。学习速度由此不再只是员工个人能力，而成为企业能够持续复利的经营能力。

　　HR在这里承担的角色，远不只是采购课程和统计学习时长。HR需要与业务共同定义未来角色的能力画像，把AI实践纳入轮岗、项目、导师制和晋升标准，也要识别哪些团队缺少试验空间、哪些管理者没有提供支持。学习部门需要从“提供内容”转向“设计能力形成的环境”，人才盘点也要从静态标签转向观察员工能否在新任务中迅速建立判断。只有当学习、工作和绩效形成闭环，能力升级才不会停留在活动层面。

　　管理责任重写：AI不能成为新的免责主体

　　AI进入核心流程后，最危险的管理误区之一，是把系统建议当成责任转移工具。一次招聘筛选、一项预算建议或一个客户风险判断，都可能经过多个模型、规则与人工节点，如果组织只在结果出问题后追究最后点击确认的人，就会让问责变得形式化。真正有效的治理需要在设计阶段明确责任链：谁设定目标，谁提供数据，谁批准权限，谁监测表现，谁处理异常，谁有权暂停。每一个角色都应当拥有与责任相匹配的信息和行动能力。

　　高管团队首先要对方向一致负责。微软的调查显示，只有约四分之一的AI用户感受到领导层在AI议题上清晰且持续地保持一致，这种不一致往往会在组织里产生双重信号：口头上鼓励创新，实际考核仍只看短期交付；战略上强调人机协作，预算上却不给流程重构和能力建设留空间。员工会迅速识别这些矛盾，并选择风险更低的行为，即继续按照旧方式工作，只在表面上增加一些AI使用。领导团队如果没有统一价值目标、风险边界和资源优先级，再多培训也很难形成规模效果。

　　业务负责人要对价值实现负责，不能把AI成败外包给技术部门。IT能够建设平台、集成系统并保障运行，安全与法务能够设计控制，但只有业务负责人最清楚结果是否真正改善了客户体验、运营效率和经营质量。每个AI项目都应有明确的业务所有者，由其对结果、流程采用和持续改进负责。技术上线只是一个节点，价值兑现要经过工作改变、行为改变和管理机制改变。

　　技术与数据负责人要对系统可见性和可控性负责。智能体不应以一个模糊的“数字员工”身份自由穿行于企业系统，而要拥有清晰的身份、权限、调用范围、版本记录和生命周期管理。企业需要知道它访问了哪些数据、执行了哪些动作、依据什么规则以及何时发生变化。只有具备可观测性、审计性与可撤销性，管理者才可能在速度提高的同时保留控制。

　　HR负责人则要对工作的公平性、可持续性和人才供给负责。当AI改变任务结构，HR要推动更新职位说明、岗位价值与人员配置；当结果评价方式变化，HR要防止旧指标惩罚那些承担校验、辅导和系统维护的人；当初级岗位被压缩，HR要建立新的经验获取路径；当管理者要求团队尝试AI，HR还要确保员工拥有学习时间和申诉渠道。 AI转型不是一个附加在人力资源议程上的技术项目，它正在重新定义人力资源管理的基本对象。

　　一线管理者的责任最为具体，也最容易被忽视。他们决定员工是否敢于暴露AI错误，是否有时间重构工作，是否会因为一次合理试验未达预期而受罚，也决定团队是否把有效方法分享出去。高层价值观最终要通过一线管理动作兑现，否则组织文化只能停留在宣言。企业可以为管理者建立简明的责任清单，包括示范合规使用、组织案例复盘、确认人机边界、保护合理试错和及时升级高风险事项。

　　员工也需要承担清晰责任，但这种责任不能被描述为“AI输出仅供参考”之后的无限兜底。员工应当核验与岗位风险相匹配的内容，说明何时使用AI，保护敏感信息，并对自己提交或批准的结果负责；与此同时，企业必须提供足够培训、合理时间、必要权限和明确的升级通道。没有支持的责任只是风险下沉，没有责任的授权则会造成失控。成熟的人机协作建立在两者同步增长之上。

　　CHRO的新位置：从人才支持者走向工作系统共同设计者

　　“AI核心化”对CHRO最重要的影响，是HR不能再等业务完成技术方案后，才来处理培训、沟通和人员安置。如果AI项目已经决定了流程如何运行、哪些任务被自动化、谁拥有决策权，那么它实际上已经完成了相当一部分组织设计。HR在末端介入，只能修补岗位名称和培训内容，无法改变最关键的权责安排。CHRO需要进入AI战略、投资评审和流程设计的前端，与业务、技术、财务和风险负责人共同作出选择。

　　这种前置参与不是为了扩大HR话语权，而是因为许多AI投资假设本身就是人才假设。项目预计节省多少工时，取决于员工是否真的改变工作方式；智能体能够扩大多少管理跨度，取决于管理者是否具备监督能力；流程能否稳定运行，取决于专家是否持续维护规则；价值能否规模复制，取决于组织是否有跨部门协作和知识沉淀机制。缺少这些条件，财务模型里的收益很可能只是技术潜力，而不是可兑现的经营结果。

　　CHRO可以推动企业建立一套面向工作而非面向工具的共同语言。讨论AI项目时，不只列出功能和技术指标，还要同步描述任务变化、角色变化、决策权变化、能力缺口和员工影响。项目评审也不应只回答能否上线，还要回答谁会以什么方式使用、工作如何重新组合、绩效如何调整以及隐形劳动由谁承担。这样一来，组织问题就不会在上线后才集中爆发。

　　在人才规划上，CHRO需要把“人员数量”升级为“能力组合”。未来的团队可能由员工、外部专家、自动化流程和多个智能体共同组成，简单按人头编制无法准确描述产能与风险。企业需要同时规划专业判断、关系协调、系统编排、数据治理和异常处理等能力，并判断这些能力应该由内部培养、外部合作还是技术承载。人员规划因此会更接近动态的能力投资组合，而不是一年一次的岗位加减表。

　　在组织文化上，CHRO还要处理一个现实张力：企业希望员工主动试验，却又担心失误；希望专家分享知识，却又没有调整其工作负荷；希望管理者重构流程，却继续用旧目标压缩他们的时间。文化并不是号召出来的，它由资源、考核和日常决定共同塑造。HR若能把这些矛盾显性化，并推动管理层作出一致选择，才是在AI时代真正发挥战略作用。

　　从一条价值流开始，而不是从全员口号开始

　　面对如此广泛的变化，企业不需要立即推翻所有组织结构，也不应把“AI优先”变成新的运动式口号。更务实的起点，是选择一条对客户和经营结果足够重要、又存在明显跨部门摩擦的价值流，例如从线索到回款、从需求到产品上线、从岗位需求到新人创造价值。领导团队需要共同画出信息、决策、任务与责任如何流动，找到等待、重复、返工和失真最严重的节点。AI方案应围绕整条流的结果设计，而不是围绕某个部门拥有的工具设计。

　　随后，企业需要同步重写四类基础文件：工作流程、角色说明、绩效标准与责任矩阵。流程说明AI在哪些节点参与，角色说明人和智能体分别承担什么，绩效标准定义怎样才算创造价值，责任矩阵则标明授权、复核、升级和暂停权。四者若不同步，员工就会在新系统和旧管理之间反复拉扯。很多AI项目并不是败在技术能力，而是败在组织仍要求员工遵守与新流程相冲突的旧规则。

　　试点阶段要建立两套指标，一套观察价值，一套观察健康度。价值指标包括周期、质量、客户体验、成本和增长机会，健康度指标则包括人工修改率、异常升级率、数据问题、员工负担、信任变化与能力增长。只看价值指标，企业可能在短期数字改善时忽略系统风险；只看风险指标，又可能让治理变成阻止创新的理由。两套指标放在一起，才能让领导团队在速度和可靠性之间作出有证据的选择。

　　每一次运行还应当产生可被组织吸收的经验。团队不仅要记录AI给出了什么结果，还要记录人为何修改、哪些边界案例反复出现、什么规则需要更新以及哪些成功做法可以复制。管理层应定期审查智能体表现和人机交接，而不是只在事故发生后查看日志。 当工作本身能够持续生成学习，AI才从一次性工具投资变成企业能力的复利机制。

　　规模扩展必须以治理能力同步成熟为前提。一个局部流程表现良好，并不意味着可以原样复制到所有区域、岗位和人群，因为数据、法规、客户期望和管理习惯都可能不同。企业需要明确哪些组件可以标准化，哪些判断必须本地化，哪些风险需要更高层级审批。真正的规模化不是把同一套系统铺得更广，而是让组织有能力在更多情境下保持结果可靠。

　　领导团队现在必须回答的十个问题

　　如果要判断企业是否具备进入“AI核心化”的条件，高管团队可以先从一组具体问题开始。AI当前解决的是局部效率，还是端到端经营结果；每个项目是否有真正承担价值责任的业务所有者；员工、管理者和智能体之间的权限是否清楚；高风险决定是否拥有人工复核、解释和申诉机制。这些问题没有统一答案，但如果管理层无法共同回答，系统越快，组织的不确定性可能越大。

　　领导团队还要追问，现有岗位说明是否反映了真实任务变化，绩效机制是否仍在奖励旧工作，专家用于校验和维护AI的时间是否得到承认，初级员工是否拥有新的能力成长路径。企业也需要知道，谁负责审查智能体表现，谁有权更新其运行规则，一次局部成功如何变成跨组织能力。微软2026年工作趋势报告把后三个问题视为形成企业“自有智能”的关键，因为只有被捕捉、验证并沉淀的经验，才会随着使用不断增值。否则，组织虽然拥有相同的通用模型，却没有形成难以复制的独特能力。

　　最后一个问题关乎价值观：当效率、增长、员工体验与风险发生冲突时，企业准备如何排序。许多治理文件写得完整，却没有说明冲突发生时谁来决定，也没有让员工看到管理层真实的取舍。领导心态最终不是一句关于开放和好奇的表达，而是体现在资源分配、目标设定和困难时刻的选择中。员工会根据这些选择判断企业究竟希望他们负责任地创新，还是只希望他们更快地完成数字。

　　结语：企业缺的不是更多AI，而是新的领导责任

　　AI进入企业核心之后，竞争优势不再只取决于模型能力、算力投入或工具覆盖率，因为这些资源会越来越容易获得。真正拉开差距的，是企业能否把智能能力嵌入价值流，能否重新设计岗位和绩效，能否让专业判断得到保存并持续进化，也能否建立清晰、可信的责任体系。技术可以快速复制，组织形成的判断规则、协作习惯和学习能力却需要长期积累。 未来最难复制的AI资产，可能不是某个模型，而是一家企业知道如何让人和智能系统共同创造价值的方式。

　　对CEO而言，这意味着不能再把AI视为一个由CIO负责交付的技术项目，而要把它看成经营系统重构；对CHRO而言，这意味着不能只承担培训和沟通，而要成为工作系统的共同设计者；对每一位管理者而言，这意味着不能只要求团队采用AI，还要为目标、边界、试验空间和最终结果负责。的权威将不再主要来自控制更多资源，而来自让数据、人才和智能在清晰规则下顺畅流动。越能放下部门控制、越能承担系统责任的，越可能释放AI的规模价值。

　　《哈佛商业评论》这篇文章所说的“新领导心态”，因此不是一次温和的观念更新，而是一场领导责任的重写。企业需要的不是对AI更乐观的管理者，而是能够在不确定性中定义方向、设计系统、守住边界、解释选择并持续学习的。当AI可以生成越来越多答案，组织更需要有人决定什么值得追求、什么不能牺牲以及谁对结果负责。真正的“AI核心化”，最终不是让机器站到企业中央，而是让人的判断、价值与责任以更成熟的方式进入企业核心。

　　参考资料

　　1. Harvard Business Review， Why the AI-Powered Enterprise Urgently Needs a New Leadership Mindset ， 2026年8月4日

　　2. EY-Parthenon， How agentic AI can help unlock enterprise value at scale ， 2026年6月10日

　　3. Microsoft， 2026 Work Trend Index: Agents， human agency， and the opportunity for every organization ， 2026年5月5日

　　4. PwC， 2026 AI Jobs Barometer: Two futures for jobs in an AI era ， 2026年6月15日

　　5. World Economic Forum， The Future of Jobs Report 2025 ， 2025年1月7日

　　原文链接：https://mp.weixin.qq.com/s/AKug5te2fldzEVMcie4vbA