探索 AI 时代的人机协作

人和 AI 的协作关系是我一直关注的主题。

这个主题包含三层关系：人跟人如何协作？人跟 AI 如何协作？AI 和 AI 如何协作？

具体方法我还在探索。先开始，再在实践中调整。

今年 1 月写完《在 AI 浪潮下的些许变化》 后，我重新读了一遍。当时记录的大部分变化延续至今，也有一些已经升级。原计划每半年写一次，现在刚好过去六个月。

这六个月里，我又有了新的变化和关注点。这篇文章是一次完整梳理。

最近，我在网上频繁看到一句话：一个人可以成为一个产研团队。

这句话描述的变化已经发生。运营可以用 AI 做出数据工具，产品可以直接生成前端页面，业务人员可以独立完成原型、分析和汇报。很多过去需要排期、协调和转译的工作，现在一个人带着 Agent 就能完成大半。

看得越多，我越觉得「一个人成为一个团队」只说明个人能力半径扩大。随之而来的组织问题更加值得关注。

当每个人的能力半径都被放大，组织原有的岗位边界、协作流程、权限体系和评价方式往往调整得更慢。个人跨过多个环节后，上下游还要重新建立协作标准；AI 执行更多任务后，结果责任仍需明确到人。

AI 对组织的核心冲击，是推动工作的基本单元重新组织。原有模式按人的职能切分工作，新模式围绕任务闭环、上下文资产、能力调用和验证责任展开。

未来组织之间的差距，取决于模型能力，也取决于组织能否把 AI 放大的个人能力转化为稳定、可复用、可持续的共同能力。

一、AI 正在重组工作的基本单元

我们最早讨论 AI，关键词是「提效」。写文案、做图、查资料和写代码都变快了。人的岗位和职责保持原样，AI 作为新工具进入每个人的桌面。

Agent 出现以后，情况开始变化。它可以回答问题，也可以读文件、调工具、写代码、查数据、生成页面、运行测试，并围绕一个目标连续工作几十分钟甚至几个小时。

OpenAI 在 2026 年 6 月公布的内部数据里，把这个变化概括为：知识工作的基本单元，正在从一次对话转向被委托的长周期任务。Legal、Finance、Recruiting 等非技术部门，也开始把 Codex 用在自动化、数据处理、工具开发和结构化分析上。

这意味着 AI 对工作的影响至少有三层。

第一层仍然是个人提效。原来两小时完成的事情，现在半小时可以做完。这一层最容易感知，也最容易衡量。

第二层是任务重组。以前一个任务要在产品、设计、研发和测试之间流转，现在一个人借助 AI 就能跨过多个环节。模型把不同专业的基础执行能力打包成了可以随时调用的能力，个人因此具备了跨环节交付的条件。

第三层是组织重塑。当越来越多任务被重新组合，岗位边界、协作关系、绩效标准和资源分配都会受到冲击。目标定义、上下文供给、结果验证和风险承担会成为核心责任，亲手执行的权重随之下降。

过去，组织习惯用岗位分配能力：产品写需求，设计出图，研发实现，测试验收，运营上线。未来，岗位仍然存在，能力边界会继续向外扩展。组织需要围绕一件事能否完整交付，重新定义责任。

一个任务闭环里，目标、上下文、能力、执行、验证、风险和责任缺一不可。 现在许多 AI 项目的资源集中在模型、工具和执行速度上，上下文、验证和责任经常缺位。这样的项目在演示中表现很强，落地时容易混乱。

二、执行能力普及后，判断更加昂贵

我之前写 AI Coding 时有一个判断：编码门槛大幅降低后，需求分析的价值会继续上升。

过去写错需求，可能要等研发排期以后才发现。现在一句话就能生成一个页面，错误也会更快变成看似完整的结果。AI 加速了执行。需求是否真实、目标是否值得、方案是否有效，仍然需要人来判断。

这个判断同样适用于写作、设计、分析、研究和自动化。

当写作、设计、分析、研究和自动化都变得更便宜，目标判断、需求分析、质量标准、风险意识和结果验收会更加稀缺。AI 可以给出很多答案。人需要判断哪个结果对业务最重要，以及哪些代价无法承受。

个人价值会逐渐转向结果责任：能否围绕目标完成交付，并对结果负责。

我理解的「全能」，是围绕业务目标组织上下文、调用合适能力、补齐中间环节，并推动事情形成闭环。专业深度依然由各领域的专业人员提供。

Owner 和普通执行者承担不同的责任。Owner 可以委托每一步的执行，同时要明确行动原因、交付标准、潜在风险和最终结果的可用性。

AI 时代的教育也会因此变化。学习重点将转向描述需求、分析场景、拆解问题、调用能力，最后做出可以验证的作品。模型按钮和提示词会持续变化，围绕真实问题完成交付的能力更加稳定。

执行越便宜，判断越昂贵。人的价值会进一步靠近目标和责任。

三、人人都要学会管理 Agent，责任仍由人承担

微软提出过「Agent Boss」这个概念：未来每个人都要学会创建、委托和管理 Agent。我认同这个方向。「Boss」这个词也容易让人把重点放在发号施令上。

更准确的变化是，管理 Agent 已经成为一项基础能力。

前几天，我在 X 上看到 @Zara Zhang 发了一段话：「The biggest barrier for enterprise AI adoption: the people who understand AI don’t understand the business, and the people who understand the business don’t understand AI.」大意是：「企业采用 AI 的最大障碍，在于懂 AI 的人缺少业务知识，懂业务的人又缺少 AI 知识。」

过去，分配任务、提供信息、检查进度和验收结果主要由管理者负责。现在，每个使用 Agent 的人都要完成这些动作。你需要说清目标，提供必要材料，在关键节点纠偏，并判断结果能否交付。业务能力和 AI 能力都需要在实践中逐步积累。

我更愿意把 AI 看成协作伙伴。员工处在真实的组织关系里，有经验积累、利益判断和责任约束。Agent 可以承担大量执行，最终责任依然属于人。

和 Agent 协作，很像带一个能力很强、状态不稳定的新人。它读得快、写得快、可以连续工作，也会误解目标、忽略常识，并用非常确定的语气给出错误答案。人的责任是持续校准。

这种校准包括写提示词、组织上下文、选择合适的模型和工具，以及提供好样例、坏反例和清楚的验收标准。提示词是入口，后续环节共同决定交付质量。

Every 给每位员工配备个人 Agent 后发现，Agent 会逐渐带上 Owner 的风格。组织里的人更信任「某个同事训练和使用出来的 Agent」，因为 Agent 会成为个人判断方式的延伸。它的可信度来自背后的具体责任人。

因此，Agent 可以拥有组织身份和一定的执行权。每个 Agent 都必须有清楚的 Owner。谁配置它，谁维护它，谁解释它的边界，谁对最终结果负责，这些问题不会因为自动化而消失。

四、上下文会成为 AI 时代最重要的组织资产

很多人用 AI 得到泛泛的答案，第一反应是模型能力有限，或者提示词写得不够好。根据我的经验，上下文不完整更加常见。

比如让 AI 帮忙写述职报告，只给一句「帮我写述职」，它只能生成互联网平均水平的套话。真正有用的信息是：你是谁，述职想争取什么，听众是谁，项目结果是什么，评价标准是什么，哪些内容可以讲，最终要形成什么交付物。

模型能力越来越接近以后，人与人、组织与组织之间的差距，会更多来自各自能提供什么上下文。

我现在把 AI 使用的数据分成三层。第一层是互联网公开数据，所有人都能获得；第二层是组织内部的项目文档、会议记录、业务数据和历史决策；第三层是个人长期积累的日记、文章、判断、病历等，完全是自己的数据。

第一层决定 AI 知道什么，后两层帮助 AI 认识你、理解业务，并按照真实环境做事。

知识库的价值，是把分散的私有数据转化为 AI 在具体任务里可以找到、理解和调用的上下文。简单堆放资料只会增加文档数量，无法直接提升效果。

年初我提到，自己开始用语音做记录。截至目前，我已经积累了接近 400 条内容。后来我买了 DJ Mic Mini2S，持续记录每天的内容，并通过工作流沉淀下来。

这套内容知识库和个人录音系统让我有了更深的体会。记录本身很容易，让记录在下一次任务里自动产生价值更难。资料缺少来源、时间、口径和使用边界时，数量越多，Agent 越容易迷路。

真正有用的上下文资产，应该包括业务目标、术语和数据口径、可信来源、历史决策、好样例、坏反例、权限边界和验收标准。它们共同构成组织的 Context。

谁能把隐性的经验变成可调用的上下文，谁才能把偶然的一次好结果，变成下一次仍然可以复用的组织能力。

五、组织边界会从岗位边界转向任务边界

AI 扩大个人能力半径后，组织通常会先出现摩擦。

原来属于策略团队的分析，班主任也能做了；原来需要产品经理转译的需求，业务方可以直接生成原型；原来只有研发能实现的小工具，非技术岗位也能借助 Agent 做出来。

从结果看，这是能力扩张。从组织关系看，它可能被理解成越界。

如果权责没有重新定义，A 团队会觉得流程被破坏，B 团队会觉得自己提高了效率。工具冲突出现在表面，根源在于组织仍用旧边界管理新的能力。

AI 因此会提高沟通的重要性。

当执行能力分散到更多岗位，协作需要超越「这是我的职责」。团队要重新讨论谁更接近业务目标，谁掌握关键上下文，谁拥有决策权，谁负责审核，以及跨过边界以后怎样让相关人员继续参与。

管理依然重要。人与人之间的信任、资源竞争、利益排序、情绪处理和责任分配，都需要人来处理。管理对象也会扩展到人、Agent、上下文、流程和风险。

未来更常见的组织形态，可能是一个 Human Owner 带着若干专用 Agent，围绕具体任务组成临时小队。固定职能继续提供专业深度，基础执行则由更多角色和 Agent 共同承担。

任务公开程度决定了这类协作能否成立。Agent 数量只反映资源规模。

如果每个人都只在私聊里使用 AI，组织只能得到个人效率。把任务目标、上下文来源、调用过程、人工修改和最终结果沉淀下来，其他人才能理解工作流的有效原因，组织也能从每次实践中学习。

公开过程的目的，是复用有效的协作方式，并让团队共同吸取失败经验。公开范围和权限也要受到明确约束。

六、真实工作流是 Agent 的起点

最近，我在搭建一个直播内容生产工作流。知识库承担其中一个环节，完整任务还覆盖选题、脚本、直播和反馈。

完整流程从收集自然语料开始，还要结合单场直播目标、行业信息、公司业务和主播风格确定选题，再形成大纲、案例和脚本，最后用真实直播效果反向校准内容。任何一步没有说清楚，Agent 都不可能凭空补上。

业务方的第一步，是还原原本由人完成的工作：每一步怎么做，需要什么输入，产出什么结果，什么样才算合格，哪些地方必须由真人判断。提示词学习可以沿着这套工作流展开。

第一版可以采用人和 AI 手动协作。先跑通一次，找到稳定、重复的环节，再把它们逐步配置成 Workflow、Skill 或脚本。第一个闭环最难，因为它在定义标准；标准一旦成立，从一次复制到一百次，边际成本才会快速下降。

我现在对几种概念的理解也越来越清楚。Skill 是单一、可复用、可验证的能力，像 Agent 的手和脚；Agent 根据目标分配任务、调用能力并处理过程中的变化；Rule 约束它不能越过的边界；Memory 只保留经过验证、下次仍然有用的信息。

Human Owner 对最终交付负责，并通过整条工作流协调 Skill 和 Agent。

Anthropic 对 Workflow 和 Agent 的区分也说明了各自的适用范围。路径固定、输入输出清楚的任务，更适合确定性流程；步骤无法预先判断、需要动态决策的任务，更适合由 Agent 自主规划。Agent 化需要明确收益，自治程度要由任务复杂性和风险决定。

验证需要嵌入整个流程。另一个 Agent 可以检查生成结果的逻辑、来源和格式，人负责价值判断和高风险决策。多层验证带来稳定交付，单一模型的能力和可信度都有边界。

成熟的 Agent 工作流应当目标清楚、过程可见、错误可查、结果可验，并且在关键节点知道什么时候把决定交还给人。

七、AI 落地最终要回到业务结果和系统治理

AI 项目很容易停在演示效果里。漂亮页面、完整报告和长时间运行只能展示产出或过程，业务价值还需要真实结果来证明。

我参与的另一个项目在阶段性复盘时发现，流程性工作提效约 20%，九人团队释放了两个人力，日均模型成本不到 20 美元。这些数据证明 AI 可以产生真实结果。项目同时暴露了数据链路、Skill 漂移和团队使用差异等问题。

最终方案采用人机分工：AI 负责分发任务、调用 Skill 和脚本、执行标准流程；人负责审核、兜底和处理不确定判断。

另一个项目也采用了类似逻辑。团队先跑通单个模式，保证转化率与大盘一致，再随着后台、SOP 和人员熟练度逐步扩大 AI 的服务规模。单人服务客户数属于后续优化目标。

AI 适合处理重复数据、基础触达和标准流程，人的精力则回到情感沟通、关键转化和异常学情。人机协同需要重新分配人的时间，让人专注于更需要判断和关系的环节。

因此，评估 AI 项目要同时观察效率、成本、结果和风险。节省时间、Token 消耗和 Agent 数量只能反映局部情况。核心指标包括交付是否稳定，人工加模型的总成本是否下降，业务结果是否改善，风险是否仍然可控。

系统治理需要前置。只读数据和写入业务系统的风险不同；内部草稿和对外发布的风险不同；普通分析与财务、法务、隐私判断的风险也不同。权限、限流、日志、监控、回滚和审批，都应该跟着任务风险一起设计。

Agent 的运行记录应该服务于流程改进，重点包括目标由谁提出、Agent 调用了什么能力、哪里被反复修改，以及最终怎样交付。员工工时需要其他合适的方法来衡量。这些信息能帮助团队找到高频失败点，并进一步改进上下文、Skill 和规则。

新人培养也容易被忽视。如果大量基础工作直接交给 AI，新人可能失去通过低阶任务建立判断力的机会。组织需要保留练习路径，让新人逐步形成高级判断。

Shopify 在增加实习生，并让他们用 AI 做更多原型探索。这个案例说明，AI 也能为新人拓宽探索空间。关键在于减少机械执行，同时保留真实反馈、专业 Review 和逐步承担责任的成长路径。

八、组织真正需要重塑的，是责任和学习方式

写到这里，我越来越确定：AI 时代最值得讨论的问题是，当一个人突然拥有过去一个小团队的执行能力，组织能不能接住这种放大。 岗位变化和团队规模都由这个问题继续展开。

接住这种放大，意味着组织要把目标说得更清楚，把上下文变成公共资产，把稳定能力封装起来，把验证和风险嵌入流程，并让最终责任始终能够找到具体的人。新的边界和流程也要随能力变化持续调整。

对个人来说，核心能力是从执行者成长为 Owner：知道要解决什么问题，怎样组织资源，如何判断结果，并愿意对交付负责。工具数量只代表可调用的选项。

对组织来说，核心竞争力是把个人探索沉淀成共同能力。Agent 数量属于资源规模，工作流复用、错误复盘、上下文积累和成员成长决定了资源能否持续产生结果。

AI 会继续让强个体变得更强，也会暴露组织原来被流程掩盖的问题。边界冲突、信息断裂、责任模糊和评价失真早已存在，AI 加快了它们暴露的速度。

所以，AI 时代的组织重塑需要重新回答三个问题：什么应该交给机器，什么必须由人判断，以及人和机器怎样共同对结果负责。

谁先把这三个问题回答清楚，谁才真正把 AI 从个人工具变成了组织能力。

PS：最近一周在啃《深入理解 AI Agent：设计原理与工程实践》，主要是用技术来磨脑子。