ARTICLE · 1254009
IBM怎样把5万个AI助手筛选成6000个可复用的数字劳动力?
IBM怎样把5万个AI助手筛选成6000个可复用的数字劳动力?
2026年8月25日，美国IT行业媒体CRN刊发了一篇对IBM Consulting高级副总裁Mohamad Ali的专访。采访中，Ali披露了一个颇有意思的数字：IBM在建设自己的AI咨询能力时，一度积累了大约5万个数字劳动力，但最终投入生产使用的只有约6000个。 这并不是因为IBM放弃了大规模应用AI。恰恰相反，经过筛选的6000个数字劳动力已经被组织成155个交付组合包，能够根据不同咨询项目的需要进行配置，参与实际工作。 Ali解释，最初积累5万个数字劳动力并不十分实用。为此，他专门引入了来自软件行业的产品管理团队，对这些数字劳动力进行梳理和质量检查，最终形成能够投入生产使用的能力体系。 相比6000个Agent的部署规模，这段经历可能更值得企业管理者关注。 随着大模型能力不断增强，企业开发AI助手和Agent的门槛正在降低。越来越多员工能够根据自身需要创建AI应用，一个企业很容易积累数百甚至数千个助手。但这些助手是否真正有用、能否可靠完成工作、是否值得持续维护，以及怎样在企业内部推广，正在成为新的管理问题。 IBM的实践提供了一个观察窗口：一家拥有庞大专业人才队伍的咨询公司，怎样从鼓励员工自主创造AI应用，逐渐转向建立公司级的数字劳动力管理体系？ IBM的AI咨询能力建设始于2024年。 2024年1月17日，IBM正式推出IBM Consulting Advantage。这是一个面向自身咨询顾问的AI服务交付平台，最初整合了公司已有的咨询方法、专业知识、软件资产和AI助手，让顾问能够在日常工作和客户项目中使用AI。 按照IBM当时的介绍，平台上的助手已经能够参与商业案例分析、客户画像设计、软件开发和代码转换等工作。顾问不仅可以使用已有助手，还能够根据自己的工作需要创建新的助手，并在团队之间共享。 IBM希望通过这种方式，将公司积累的专业知识与大模型能力结合起来，让顾问在具体工作中更加方便地调用AI。 这套体系很快开始扩张。 2024年5月，IBM披露Consulting Advantage已经提供超过2000个AI助手，并开始将它们按照软件开发生命周期、项目管理等专业领域组织成不同的能力组合包。 2025年1月，IBM宣布平台用户已经超过8.5万人，拥有2000多个AI助手与Agent，以及60多项行业和专业领域应用。 但这些数字还没有完整反映IBM内部AI能力的积累规模。 Ali在2026年8月的CRN采访中回顾，IBM最初建设这套体系时，曾经产生大约5万个数字劳动力。在IBM的管理语境中，数字劳动力是一个相当宽泛的概念，既包括简单的AI助手，也包括能够承担复杂任务的Agent和其他基于大模型的工作能力。 这些能力的数量增长很快，却没有自然转化为同等规模的实际交付能力。 大量AI助手的存在，意味着顾问可能拥有更多选择，但也意味着企业需要判断哪些能力真正值得保留、哪些适合大范围使用，以及如何避免庞大的工具库反而增加查找和管理成本。 IBM最终采取的方式，不是简单地要求员工停止开发Agent，而是引入专业管理力量，对已经积累的数字劳动力进行重新梳理。 从大约5万个候选能力收敛到约6000个生产级数字劳动力，这一变化表明，IBM开始把AI助手看作需要持续管理的公司资源，而不只是员工自主使用的软件工具。 
要理解IBM为什么会积累如此大量的数字劳动力，需要回到它最初推动AI应用的方式。 2025年1月21日，Ali在IBM官方发表了一篇题为《How we're making AI “sticky” in IBM Consulting》的文章，专门总结Consulting Advantage推出一年来的经验。 文章强调，AI投资能否产生价值，一个关键因素是员工能不能在日常工作中持续使用它。IBM因此没有把平台单纯建设成由总部统一提供工具的技术系统，而是鼓励员工成为AI应用的创造者。 IBM明确允许任何咨询顾问根据自己的工作需要创建和训练AI助手。员工完成助手开发后，可以分享给其他顾问使用，同事则能够通过点赞和推荐，帮助更多人发现有价值的应用。 这种做法充分利用了专业顾问对具体工作的理解。 咨询业务涉及大量不同的行业、专业和工作场景。开展市场研究的顾问、负责财务转型的顾问、实施企业系统的顾问和编写程序代码的技术顾问，面临的任务并不相同。 如果所有AI助手都由少数中央技术人员开发，他们很难准确理解每一种工作中需要解决的问题。允许一线顾问自主创建助手，则能够让AI应用直接来自实际工作需求。 IBM还建立了相应的反馈渠道。 根据Ali的介绍，公司通过公开评论区、Slack协作频道、定期用户访谈和使用研究，了解顾问在使用AI时遇到的问题，并据此持续改进平台。员工不仅能够创建AI助手，还可以通过自己的使用体验影响平台未来的发展方向。 这种方式在实践中产生了不少具有复用价值的能力。 2026年8月，IBM Consulting首席营销官Ari Sheinkin在接受IBM Think采访时介绍，其团队中已有多位员工分别开发了专业研究助手。后来，团队开始通过共享工作空间比较这些助手，寻找在不同任务中表现更好的版本，再将有用的能力提供给更多同事。 这一案例反映出IBM早期AI创新的一个重要特点：企业允许不同员工从自身任务出发开展实验，再通过共享、比较和使用反馈，逐渐发现值得推广的成果。 但员工能够开发一个有用的AI助手，与企业能够将其作为标准化工作能力长期使用，并不是同一件事。 一个助手可能只适用于创建者熟悉的场景，也可能需要特定资料和专业判断才能正常使用。即使它在一次实验中表现不错，也不意味着其他顾问能够获得相同结果。 当这样的能力积累到成千上万个时，IBM就需要建立新的机制，判断哪些值得进入正式的咨询交付体系。 Ali在CRN采访中提到了自己采取的一项重要措施：引入软件产品管理团队。 这一决定与他的职业经历有关。Ali此前长期从事软件和产品业务，并不是传统咨询顾问出身。在接受采访时，他表示，数字劳动力本质上是一种软件化的工作能力，因此可以借鉴软件产品管理的方法进行建设和管理。 传统的软件产品并不是开发完成就可以投入大规模使用。它需要明确用途、进行质量检查、收集用户反馈，并持续处理版本更新和使用问题。 Agent同样需要这样的管理，只是它所承担的不再仅仅是提供某种软件功能，还可能直接参与原本由专业人员完成的工作任务。 IBM没有详细公开5万个数字劳动力的完整筛选过程，但其已经建立的生产率测评体系，为理解这一过程提供了重要参考。 IBM Consulting专门建设了内部生产率测量实验室，用于研究顾问采用AI之后，实际工作效率究竟发生了什么变化。 在IBM官方发表的《Top 5 tips for measuring the productivity of gen AI in an enterprise》中，Consulting Advantage项目经理Jyothi Pai和资产工程负责人Pradeep K Nanjundaswamy介绍了这套测评方法。 他们强调，不能只根据员工的主观感受，或者AI能够完成多少任务来判断效果，而应当开展有对照的实际工作测试。 IBM的做法，是选择专业能力尽可能接近的人员，让不同团队完成相同的模拟真实项目任务。一组采用传统工作方式，另一组使用AI，然后对比结果。 评价主要围绕四项指标展开： 第一是速度。使用AI以后，完成相同任务需要的时间是否缩短？如果AI能够更快生成报告、代码或其他工作成果，这种改善是否在实际工作中体现出来？ 第二是质量。AI辅助完成的成果是否达到交付要求？速度更快并不意味着成果更好。如果生成内容需要大量人工修改，就必须重新评价其实际价值。 第三是成本。完成同样的工作，需要投入多少资源？评价不能只计算AI生成内容的时间，还要考虑顾问使用、检查和修订成果所投入的劳动。 第四是准确率。AI参与后的工作结果是否准确，错误是否减少？对于咨询项目而言，分析结论、系统设计和技术交付中的错误，都可能影响最终成果的可靠性。 这四项指标让AI助手的评价从功能展示回到实际工作。 IBM的研究还发现，不同专业能力的员工使用同一种AI工具，可能获得明显不同的效率改善。顾问能否准确表达任务、理解AI输出，以及工具是否与现有工作系统衔接，都会影响最终效果。 因此，IBM还关注员工的学习适应过程，以及AI在整个项目生命周期中的影响。 例如，AI可能使程序员更快完成代码编写，但如果后续需要更多检查、修正和维护，那么整个项目未必更加高效。对于文档分析和内容生成工作，同样需要考虑人工审核与后续修改的成本。 IBM生产率实验室的研究结果还会反馈到Consulting Advantage平台的持续开发中，用于改善AI工具及人机协作方式。 这套测评体系为企业提供了一个清晰的参考：判断一个AI助手是否值得投入生产使用，不应只问它能够完成什么功能，还需要评价它在真实任务中能否以合理的成本，持续产生符合质量要求的成果。 由此也更容易理解，为什么IBM需要从大量实验性数字劳动力中形成相对精简的生产级资源池。真正进入咨询交付体系的AI能力，需要接受比个人实验更加严格的实际工作检验。 数字劳动力通过筛选并投入生产使用，并不意味着管理工作已经结束。 2026年5月20日，在IBM Think大会期间，Ali接受科技媒体SiliconANGLE旗下theCUBE采访时，进一步介绍了IBM正在建设的数字劳动力生命周期管理机制。 他提出，企业未来不仅需要管理员工，还需要管理大量能够参与实际工作的数字劳动力。Agent需要被创建、配置、使用、监督，并在失去使用价值时退出生产环境。 当时，IBM Consulting Advantage已经运行4000多个数字劳动力，涉及450个活跃项目。平台允许团队使用IBM及其他厂商的AI模型，但数字劳动力通过统一的管理层运行，使IBM能够观察其使用情况并实施管理控制。 其中一个非常具体的做法，是让长期无人使用的Agent退役。 Ali表示，如果某个Agent开发完成后始终没有人使用，IBM最终会停止向它分配Token，并让它退出使用。 这项机制说明，IBM开始关注数字劳动力投入生产以后的真实需求。 一个Agent即使技术上能够正常运行，也未必值得无限期保留。它可能解决的工作问题并不普遍，也可能被后来出现的更好工具替代。企业如果持续维护大量缺乏实际用途的助手，就会增加管理成本，也使真正有价值的能力更难被发现。 因此，IBM的数字劳动力管理不再只是上线前的一次质量检查，而是逐渐形成持续评价和调整的过程。 与此同时，IBM还在探索如何更加客观地验证Agent的专业能力。 2026年5月，IBM与国际教育和测评公司Pearson在IBM Think大会上展示了正在开发的Agent Verification方案。 这项合作试图回答一个问题：如果某个Agent宣称能够完成云计算、安全管理或其他专业任务，企业怎样判断它是否真正具备这种能力？ Pearson首席技术官Dave Treat提出，不能简单地让Agent参加一场可以通过记忆答案完成的考试，而应该让它在明确的业务工作流程中处理此前没有接触过的问题，观察它能否遵循指令、运用专业知识并完成任务。 根据Ali的介绍，这种验证还可以使用其他Agent评价被测试Agent的工作表现。 这一方案仍处于探索和发展阶段，但它反映出IBM对数字劳动力管理认识的进一步变化：未来企业不仅需要知道自己拥有多少Agent，还需要知道每个Agent具备什么能力、能否可靠工作，以及是否适合承担特定任务。 从使用监控、Token资源管理，到专业能力验证和退役机制，IBM正在逐渐建立与数字劳动力持续运行相适应的管理方式。 这也意味着，生产级Agent的数量不应被看作一个固定不变的指标。新的能力可以经过验证后进入资源池，实际价值下降的能力也可以逐渐退出。 在对数字劳动力进行筛选和管理之后，IBM并没有让6000个生产级数字劳动力以零散工具的形式存在。 Ali在CRN采访中介绍，IBM进一步将这些能力组织成155个交付组合包，根据不同咨询业务的需要进行配置。 这些组合包覆盖技术转型、业务转型、混合云、应用管理服务、业务流程外包和网络安全等不同领域。 例如，针对某类企业应用开发项目，IBM可以根据任务需要配置20至30个数字劳动力，再与约10名人类顾问组成交付团队，分别参与用户故事编制、代码开发和测试等工作。这是Ali用于说明组合方式的示例，而不是对所有咨询项目团队规模的统一要求。 这种做法说明，IBM管理数字劳动力的目标并不仅仅是建立一个经过质量检查的Agent工具库，而是进一步让这些能力能够按照专业任务组合，并在不同项目中重复使用。 回顾IBM过去近三年的探索，可以看到一条逐渐清晰的发展路径。 最初，IBM通过Consulting Advantage为顾问提供统一的AI使用环境，并鼓励员工围绕实际工作自主创建助手。大量分散创新使企业能够迅速发现AI的各种应用机会，也让公司积累了相当丰富的数字化工作能力。 当这些能力的数量快速增长以后，IBM开始引入产品管理团队，进行梳理和质量检查，并通过生产率测评研究AI在真实工作中的效果，使数字劳动力逐渐具备生产级管理要求。 在投入实际使用以后，IBM又通过平台监控、员工反馈、资源管理和退役机制持续调整数字劳动力资源池，并进一步探索独立的专业能力验证方式。 最后，IBM根据咨询业务需要，将经过管理的数字劳动力组织成不同专业组合包，使这些能力能够被项目团队调用和复用。 这一过程的意义，不只是让IBM从大约5万个数字劳动力中形成了6000个生产级能力。 更重要的是，IBM逐渐建立起一套从员工自主创新，到专业化筛选、实际工作评价、持续运行管理和项目复用的机制。 这对于正在推动AI转型的企业具有普遍的参考价值。 在AI技术快速发展的初期，企业往往关注有多少员工开始使用AI、开发了多少Agent、实现了多少应用场景。这些指标有助于观察技术的普及和创新活跃程度，但并不能充分反映企业真正获得了多少新的工作能力。 当AI开始参与实际业务任务时，企业需要进一步回答：这些能力由谁负责管理，如何评价工作质量，怎样控制运行成本，什么时候应该更新或退出，又如何让不同团队在需要时重复调用？ 这些问题已经超出了员工个人使用AI工具的范围，开始进入企业组织能力建设和管理体系设计的领域。 IBM从5万个数字劳动力收敛到6000个生产级能力的经历，揭示了企业AI转型中一个容易被忽视的阶段：大量AI应用的产生，只是新能力建设的起点；只有经过组织化管理，这些分散的技术能力才可能成为企业能够持续使用和积累的生产能力。 对于企业而言，真正需要追求的，不是让每个员工都开发自己的Agent，也不是不断增加AI应用的数量，而是建立一套机制，使有价值的AI创新能够被发现、验证、共享、维护和复用。 这或许才是IBM从5万个到6000个的探索中，最值得其他企业借鉴的经验。
参考资料
一、IBM曾经拥有5万个数字劳动力，为什么最终只留下6000个？
二、IBM怎样鼓励员工自主创建和共享AI助手？
三、IBM怎样通过产品管理和质量评价筛选数字劳动力？
四、IBM怎样持续监控、评价和淘汰数字劳动力？
五、从5万个到6000个，IBM究竟形成了什么新的管理能力？
CRN，2026年8月25日，《IBM Consulting’s Mohamad Ali Details ‘Human Plus Digital Labor’ AI Model》。 IBM Newsroom，2024年1月17日，《IBM Introduces IBM Consulting Advantage》。 IBM Newsroom，2024年5月21日，《IBM Consulting Expands Capabilities to Help Enterprises Scale AI》。 Mohamad Ali，IBM Newsroom，2025年1月21日，《How we’re making AI “sticky” in IBM Consulting》。 IBM Think，《Top 5 tips for measuring the productivity of gen AI in an enterprise》。 SiliconANGLE，2026年5月20日，《Managing the digital worker lifecycle in the enterprise》。 IBM Newsroom，2026年5月6日，《IBM Consulting Expands AI Capabilities to Accelerate Enterprise Transformation》。 IBM Think，2026年8月24日，《AI Toolbox: Give every agent a job, then build the team》。 Pearson，2026年5月，《Pearson and IBM at IBM Think Boston：Agent Verification》。
