夜雨聆风
当45%的管理者消失:AI Agents重构软件组织的深层逻辑
第一幕：震撼开场
2026年1月，Monday.com CEO 在全员会上宣布了一个决定：用 AI agents 替换 100 人的销售开发代表（SDR）团队。成本降低 70%。
两周后，SaaS 行业市值蒸发 $285 亿美元。
这不是孤立事件。同一个月，Vercel CEO Guillermo Rauch 在 Twitter 上说：”以前你是写代码的工程师，现在你是管理 AI 的 CEO。没有人再是个人贡献者了。”
MIT Sloan Management Review 的最新研究显示：采用 agentic AI 的组织中，45% 预期中层管理层数量减少，43% 计划雇佣更多通才而非专才。
这不是关于裁员的故事。这是关于组织重构的故事。
当一个配备 AI agents 的员工能完成 5 个传统员工的工作时，整个组织的运作逻辑都变了。管理层级在压缩，角色定义在模糊，传统的”管理者-执行者”二元结构正在崩塌。
问题不是”会不会变”，而是”你准备好了吗？”
第二幕：CEO 们看到了什么
“每个人都在变成 Mini CEO” – Guillermo Rauch
Guillermo Rauch，Vercel CEO，前端开发框架 Next.js 的创造者，领导着全球最大的前端开发平台之一。
Guillermo Rauch 的观察很直接：”我的心智模型是：个人贡献者就是 agent。对于那些过度认同单一技能的人，我有个坏消息：agent 可能比你更擅长那个技能。”
他提出了一个更激进的观点：”为什么要写代码，当我们可以拥有 agentic 杠杆？我们都是迷你 CEO。”
这不是空谈。Vercel 去年将 10 人销售团队缩减为 1 个人 + 1 个 bot。那个人不再是”销售”，而是”销售系统的管理者”。
这是杠杆时代。你不再是执行者，你是编排者。
“中层管理层级正在崩溃” – Eno Reyes
Eno Reyes，Factory CTO 兼联合创始人。Factory 是一家 AI 原生软件开发平台，为 EY、Nvidia、Adobe 等企业构建自主编码 agents。
Eno Reyes 看到的是组织结构的物理变化：”你的组织架构图可能会开始压缩，变得更加扁平化。我认为这会打破中层管理层级。”
Factory 是一家为 EY、Nvidia、Adobe 构建自主编码 agents 的公司。Reyes 观察到，AI 让单个人能管理更多人类团队——因为基础职能如报告、数据分析已经自动化了。
“AI 聚焦的团队已经看起来比公司其他部分更扁平，”他说。
这不是未来预测，这是正在发生的事实。
“管理 AI 不同于管理人” – Mohamad Ali
Mohamad Ali，IBM Consulting 高级副总裁，负责 IBM 全球 150,000 名顾问的 AI 转型战略。
IBM Consulting 已经构建了数千个 agents，部署在近 300 个客户项目中。他们有 150,000 名人类顾问，现在还有数字工作者。
Mohamad Ali 的洞察是：传统管理框架不适用。
“我不认为人类管理者会用管理人的方式来管理这些东西，”他说，”会有系统来管理它们，会有系统来设置护栏。”
这是一个根本性的转变：从人性化管理到系统化管理。AI agents 需要的不是激励和沟通，而是规则和监督。
“咨询金字塔模型已死” – Arvind Vasudevan
Arvind Vasudevan，在 McKinsey 工作 8 年后离职创业，创办了 Plaido——一个”盒子里的咨询团队”AI 平台。
Arvind Vasudevan 在 McKinsey 工作了 8 年。他熟悉那个经典的项目配置：1 个项目经理 + 3 个业务分析师和助理。
2026年初，他离开了，创办了 Plaido——一个”盒子里的咨询团队”。
“当前这种模式——构成金字塔底部的部分——不需要存在了，”他说。
新模式是什么？精简团队 + agents 跨项目部署。由经验丰富的通才领导，技术专家构建和优化 agents。
更重要的是，出现了”超级管理者”——管理更大团队和更广范围，既管理人类也管理 agents。
“你会有管理者密集型团队，”Vasudevan 说，”每个人都是管理者，有时管理人类，但总是管理 agents。”
“我们在寻找 5X 人才” – Alex Singla
Alex Singla，McKinsey QuantumBlack 高级合伙人，负责 McKinsey 的 AI 和数据科学业务。
McKinsey 的人才战略也在转变。
“我们在寻找’5Xers’，”Alex Singla 说，”在一个领域有深厚技能，但能同时管理三四件不同事情的人。”
这是从专才到通才的转变。从单一技能到多领域编排能力。从执行者到 AI 管理者。
五位 CEO 的共识：
1. 个人贡献者的角色正在消失
2. 组织层级正在压缩
3. 管理 AI 需要新的框架
4. 传统项目结构不再适用
5. 通才比专才更有价值
这些不是孤立的观察。它们指向同一个方向：软件组织正在经历一场静悄悄的革命。
CEO 们的共识引起了学术界的关注。研究者们想知道：这背后的深层逻辑是什么？
第三幕：学术界发现了什么
MIT Sloan：工具还是同事？
MIT Sloan Management Review 对 2,000 多名受访者进行了全球调查，发现了一个令人震惊的数据：76% 的高管将 agentic AI 视为同事而非工具。
这是一个根本性的认知转变。
传统上，我们对”工具”和”人类”有清晰的管理逻辑：
– 工具：完全拥有和控制，行为可预测，不需要激励或监督
– 人类：通过合同、激励、监督管理，因为有自主性，需要持续沟通
但 AI agents 介于两者之间：需要像管理员工一样监督，但又像工具一样拥有。
这种”工具-同事二元性”让传统管理框架失效了。
MIT 的研究揭示了四大战略张力：
1. 可扩展性 vs 适应性
工具可以可预测地扩展，人类高度灵活。AI agents 介于两者之间。
Goodwill 的案例很典型。他们最初只是想用 AI 提升纺织品分拣效率，结果发现这引发了整个供应链的重新设计。AI 的能力超出了预期，但也带来了意想不到的复杂性。
2. 投资时机：经验 vs 权宜
AI 技术迭代太快，这是”移动目标问题”。你今天投资的平台，明年可能就过时了。
Capital One 的策略是：构建单一平台，从中衍生”几十个规模化用例”。SAP 则创建了”生成式 AI 中心”进行全生命周期管理。
关键是：不要追逐单点解决方案，要构建可演进的基础设施。
3. 监督 vs 自主
这是最微妙的张力。你拥有 AI 像拥有工具，但需要像管理员工一样监督它。
Chevron 的原则是：”我们总是让人类参与循环。”但 Truist Bank 同时部署了 human-in-the-loop 和 human-out-of-the-loop 两种模式。
问题不是”要不要监督”，而是”在哪些环节监督”。
4. 改造 vs 重构
改造现有流程快速见效，但收益有限。重构整个系统能带来变革性收益，但周期长、风险高。
大多数组织从改造开始，但真正的价值在重构。
Stanford：人类参与的五个层级
Stanford 大学进行了一项规模空前的研究：1,500 名领域工作者 + 52 名 AI 专家，覆盖 844 个职业任务、104 个职业。
他们提出了 Human Agency Scale (HAS)——人类参与的五级量化框架：
– H1: AI 完全自主处理任务
– H2: AI 需要最少人类输入
– H3: 人机平等伙伴关系，共同表现优于单独
– H4: AI 需要人类输入才能成功完成
– H5: AI 无法离开持续人类参与
关键发现：45.2% 职业的主导工作者期望是 H3——平等伙伴关系。
这不是”AI 替代人类”，也不是”人类主导 AI”，而是”人机共生”。
研究还划分了四大区域：
1. 自动化绿灯区：高期望 + 高能力（可以放心自动化）
2. 自动化红灯区：高能力但低期望（技术上可行，但工作者抵制）
3. 研发机会区：高期望但低能力（投资方向）
4. 低优先级区：低期望 + 低能力
更有趣的是技能转移趋势：
下降的技能：
– 分析信息
– 更新知识
– 信息处理
上升的技能：
– 人际交往
– 组织协调
– 资源监控
传统高薪技能（如分析信息）在高人类参与任务中不再突出。未来的价值在于人际协调和组织能力。
工作者态度：46.1% 的任务，工作者对自动化持积极态度。主要原因是”释放时间做高价值工作”（69.38%）。
抵制的原因呢？缺乏对 AI 准确性的信任（45%），担心失业（23%），认为 AI 缺乏人类品质（16.3%）。
Microsoft：Frontier Firm 的诞生
Microsoft 对 31,000 名工作者进行了调查，覆盖 31 个国家。他们发现了一种新型组织：Frontier Firm。
Frontier Firm 有五大特征：
1. 全组织 AI 部署
2. 高级 AI 成熟度
3. 当前使用 agents
4. 计划扩大 agent 使用
5. 相信 agents 是 ROI 关键
在 9,037 名领导者中，只有 844 人符合标准。但这些 Frontier Firms 的表现惊人：
– 71% 说公司蓬勃发展（vs 39% 全球平均）
– 55% 能承担更多工作（vs 25% 全球平均）
– 93% 对未来工作机会乐观（vs 80% 全球平均）
– 只有 21% 担心 AI 抢工作（vs 43% 全球平均）
差距在哪里？心态。
Microsoft 提出了三阶段演进：
Phase 1: AI 作为助手
– 移除工作苦差事
– 帮助人们更好更快地完成相同工作
Phase 2: Agents 作为”数字同事”
– 在人类指导下承担特定任务
– 例：研究 agent 创建上市计划
– 装备员工新技能，扩大影响
Phase 3: 人类设定方向
– Agents 运行整个业务流程和工作流
– 人类按需检查
– 例：供应链 agents 处理端到端物流，人类指导系统、解决例外、管理供应商关系
更重要的是，组织结构在改变：从 Org Chart 到 Work Chart。
传统按职能划分（财务、营销、工程），新模式按目标动态组建团队。类似电影制作：为项目组建定制团队，完成后解散。
46% 的领导者说公司正在用 agents 完全自动化工作流。
这引出了一个新指标：Human-Agent Ratio（人机比例）。
问题不再是”需要多少人”，而是”需要多少人来管理多少 agents”。这需要一个新的部门——类似 HR 和 IT 的融合——来管理人类和数字劳动力的最佳平衡。
Harvard：团队 + AI 的最优解
Harvard 商学院在 P&G 进行了一项近 800 名员工的田野实验，发现了一个关键结论：
– 个人 + AI > 无 AI 团队
– 团队 + AI > 个人 + AI（最高质量工作）
AI 不是让你单打独斗更强，而是让团队协作更强。
更有趣的是，AI 帮助打破了职能孤岛：R&D 团队产出更商业化的方案，商业团队开发更技术化的解决方案。AI 降低了专业知识壁垒，促进了跨职能协作。
Daniel Susskind：人类工作的三大边界
哥伦比亚大学 Knight Institute 的 Daniel Susskind 提出了一个核心问题：即使 AI 能力不断扩展，什么工作仍会留给人类？
他给出了三大边界：
1. 效率边界：人机协作比纯 AI 更高效
– 例：AI 优化配送路线，人类调度员处理现实世界干扰
– AI 专注规模，人类处理例外
2. 人类偏好边界：客户更喜欢人类
– 例：AI 可以建模风险，但客户更信任人类顾问指导重大决策
– 律师可以用 AI 总结案例法，但高风险谈判需要人类判断
3. 道德判断边界：社会期望人类对后果负责
– 不仅因为复杂性，而是因为社会期望人类承担责任
Microsoft 的数据支持这一观点：员工选择 AI 而非同事的原因是 24/7 可用（42%）、速度和质量（30%）、无限创意（28%）。最低排名的是”避免人类特质”。
结论：人们用 AI 不是为了替代人类价值，而是增强它。
第四幕：组织正在发生什么
理论如何在现实中展开？让我们看看组织层面正在发生的变化。
扁平化不是口号，是现实
Vercel 的 1 人 + 1 bot 不是个例。
Factory 的团队”看起来比公司其他部分更扁平”。Supergood——一家 AI 优先广告代理——的团队”更扁平、更快、更流畅”。他们不需要每个简报都有策略师，因为每个员工都能访问几十年的战略广告研究。
这是知识民主化的结果。当 AI 让每个人都能获取专业知识时，专家的价值不再是”知道什么”，而是”判断什么”。
新角色正在诞生
78% 的领导者考虑招聘 AI 特定角色。在 Frontier Firms 中，这一比例达到 95%。
新角色包括：
– AI Agent 专家：设计、开发、优化 agents
– AI 训练师：指导员工采用
– AI 工作力管理者：领导人机混合团队
– 智能资源官：管理人类和数字劳动力的最佳平衡（类似 HR + IT 融合）
这些不是未来职位，而是现在的招聘需求。
人才战略的根本转变
McKinsey 的”5X 人才”战略代表了一个趋势：从专才到通才。
传统模式是：深挖一个领域，成为专家。新模式是：在一个领域有深厚技能，但能同时管理三四件不同的事情。
为什么？因为 AI 已经是专家了。你的价值不在于”比 AI 更专业”，而在于”比 AI 更会编排”。
LinkedIn 的数据支持这一点：今天超过 10% 的职位在 2000 年不存在。到 2030 年，70% 的技能将改变。
上升的技能不是技术技能，而是：
– 冲突缓解
– 适应性
– 流程自动化
– 创新思维
能力缺口：为什么需要改变
Microsoft 的研究揭示了一个残酷的现实：
– 80% 全球劳动力缺乏足够时间或精力
– 员工每 2 分钟被打断一次（每天 275 次）
– 60% 会议是临时的
– PowerPoint 编辑在会议前 10 分钟激增 122%
– 下班后聊天消息同比增长 15%（平均 58 条）
这不是生产力问题，这是系统性崩溃。
53% 的领导者说生产力必须提升。但靠人类自己，已经到极限了。
投资错配的警示
Stanford 的研究发现了一个令人担忧的现象：41% 的 Y Combinator 公司映射到”低优先级区”和”自动化红灯区”。
这些公司集中在软件开发和业务分析领域。Top 5 职业是：
1. 计算机和信息系统管理者
2. 计算机程序员
3. 计算机系统工程师/架构师
4. 软件质量保证分析师和测试员
5. 商业智能分析师
问题是：许多”绿灯区”和”机会区”的有前景任务被忽视了。
AI 研究论文也有类似问题：虽然更集中在”研发机会区”（积极信号），但仍主要限于计算机科学和工程领域。
呼吁：需要扩大研究和投资范围，支持更广泛的高期望、高影响机会。
第五幕：你的选择
这些变化意味着什么？对组织和个人来说，该怎么办？
组织层面：MIT 的五大行动建议
MIT Sloan 给出了明确的路线图：
1. 重新设计工作：超越渐进主义
– 不要只是”用 AI 加速现有流程”
– 要问”如果从零开始，我们会怎么设计这个流程？”
2. 治理和决策权：制定决策和规则
– AI agents 需要护栏，不是激励
– 建立清晰的决策框架和责任边界
3. 组织结构和劳动力规划：重新定义角色
– 不是”技能提升”，而是”角色重构”
– 45% 中层管理减少不是裁员，是转型
4. 技能提升和生命周期管理：构建人类和 agent 能力
– 同时投资人类学习和 agent 优化
– 建立持续学习循环
5. 投资策略：为永久不确定性做预算
– AI 技术迭代太快
– 不要追逐单点解决方案，要构建可演进的基础设施
个人层面：从执行者到编排者
你的价值正在改变。
传统价值：我能做什么
新价值：我能管理什么
从专才到通才。从单一技能到多领域编排。从执行到判断。
McKinsey 的”5X 人才”不是要求你成为五个领域的专家，而是要求你能同时管理五件事情——其中大部分由 AI 执行，你负责编排。
心态转变：Agent Boss vs 工具使用者
Microsoft 的研究发现了一个关键分化：
– 52% 将 AI 视为命令工具
– 46% 将 AI 视为思考伙伴
差距在哪里？
命令工具心态：
– 给 AI 指令，期待结果
– 接受初稿，不迭代
思考伙伴心态：
– 学习与 AI 迭代
– 知道何时委托给 AI
– 用上下文和意图提示
– 优化输出而非接受初稿
– 发现弱推理或差距
– 知道何时反驳或引导
Frontier Firms 的员工更多是思考伙伴心态。这不是技术差异，是认知差异。
数据预测：未来已来
到 2030 年，70% 的技能将改变（LinkedIn）。
今天超过 10% 的职位在 2000 年不存在。
Frontier Firms 的员工增长 20.6%，而 Big Tech 只有 10.6%。
这些数字告诉我们：变化不是线性的，是指数级的。
最终问题
问题不是”AI 会不会改变组织”。
问题是”你的组织准备好了吗？”
Frontier Firms 已经在路上。他们的员工：
– 71% 说公司蓬勃发展
– 93% 对未来乐观
– 只有 21% 担心 AI 抢工作
而全球平均水平是：
– 39% 说公司蓬勃发展
– 80% 对未来乐观
– 43% 担心 AI 抢工作
差距不在技术，在心态。
当 Monday.com 用 AI agents 替换 100 人团队时，这不是裁员，是重构。那 100 个人的工作没有消失，而是被重新分配——一部分给了 AI，一部分给了更高价值的工作。
当 45% 的中层管理消失时，这不是失业危机，是角色转型。那些管理者不是被淘汰，而是被解放——从管理执行转向管理系统。
当 Guillermo Rauch 说”没有人再是个人贡献者”时，他不是在宣告失业，而是在宣告升级——每个人都在变成 Mini CEO。
这是一场静悄悄的革命。
没有宣言，没有口号，只有数据和案例。
45% 的管理者正在消失，但 Frontier Firms 的员工增长 20.6%。
76% 的高管把 AI 视为同事，但只有 46% 的员工学会了与 AI 共事。
组织正在重构，角色正在重新定义，价值正在重新分配。
你站在哪一边？
参考资料
1. MIT Sloan Management Review – “The Emerging Agentic Enterprise”
2. Stanford University – “Future of Work with AI Agents”
3. Microsoft Work Trend Index 2025 – “The Year the Frontier Firm is Born”
4. Harvard Business School – “The Cybernetic Teammate”
5. Daniel Susskind – “What Will Remain for People to Do?”
6. Business Insider – CEO 访谈系列（2026年2-3月）
|
|