ARTICLE · 1294910
AI 已经改变工作,组织如何跟上?|麦肯锡 2026 年研究报告 精读版
如果一家公司的员工都开始用 AI，接下来会发生什么？
报告写得更快，代码生成得更快，设计方案出得更多。每个人都能列出几个明显提效的场景。
但项目依然要等审批，需求依然在部门之间反复传递，跨团队的问题依然找不到真正的负责人。员工省下来的时间，可能变成了更多待审核的内容、更多会议，以及更高的产出要求。
工具在变，工作快了，组织却可能还在原地。
麦肯锡 2026 年 10 月发表的《AI is changing work. Now it has to change the organization》，讨论的正是这个问题：AI 已经改变工作，接下来必须改变组织。
报告引用其 2026 年 AI 调查中的一组数据：80% 的受访者表示，AI 提高了个人生产力；但只有 37% 报告 AI 对息税前利润，也就是未扣除利息和所得税的利润，产生了正向影响。按调查标准被归为 AI 高绩效者的比例，仅为 6%。
注意，37% 不是利润增长了 37%，而是报告利润受到正向影响的受访者比例。个人感觉更高效，也不等于整个公司的经营结果已经改善。
我认为，这份报告最值得讨论的判断是：AI 的价值，不只取决于机器能够完成多少任务，还取决于组织能否把这些能力，重新组合成有价值的结果。
这意味着，下一阶段要重做的，不只是工具清单。还有工作怎样流动、人怎样成长、利益怎样分配，以及谁有权改变这一切。
一、每个人都更快，不代表公司更快
先看一个容易被忽略的区别：任务效率和整体效率，不是一回事。
假设一个产品团队使用 AI，能够很快完成研究摘要、页面初稿和代码原型。但如果确定需求仍然要跨三个部门协调，谁可以批准上线仍然模糊，那么局部节省的时间，未必能明显缩短从想法到用户使用的周期。
更极端一点，生成速度越快，交到评审环节的方案越多。如果评审能力和决策方式没有变化，拥堵可能反而更严重。
这不是 AI 没用，而是瓶颈转移了。
麦肯锡在报告中指出，现代组织长期受到三类约束影响：人的工作容量、专业知识的分布，以及人与人之间的协调成本。任务怎么拆，岗位怎么设，为什么需要管理层级，都与这些约束有关。
Agent 改变了部分约束。这里的 Agent，可以简单理解为能够在一定权限内调用工具、执行多步任务的 AI 系统。它不一定消除专业分工，却让一些工作不再必须沿用原来的传递方式。
如果约束变了，组织仍然保留所有旧接口，就可能一边获得新能力，一边继续支付原来的协调成本。
报告中还有一个值得留意的差异：接近四分之三的 AI 高绩效者表示，自己大幅重设计了工作流程；其他组织中，这一比例约为四分之一。
这并不能证明“只要重做流程，就一定取得高绩效”，但至少说明，值得研究的不是那些公司用了多少 AI，而是它们连同工作方式一起改变了什么。
爽爷观点：提效解决的是一个环节做得多快，组织设计解决的是这些环节能不能共同产生结果。
二、下一张重要的图，不是汇报关系图，而是人和 Agent 如何协作
过去画组织架构图，主要回答谁向谁汇报、谁属于哪个部门。报告提出另一种视角：从组织架构图，走向“协作编排图”。
这个名字听起来有些技术化，其实要回答的问题很朴素：为了完成一个结果，需要哪些人和 Agent？各自负责什么？哪些交接可以取消？哪里必须由人判断？出了问题找谁？
起点从“我们有哪些部门”，变成了“我们要交付什么结果”。
例如，要让一个客户问题在一次交互中得到解决，就不应只考虑让客服回复得更快。还要看信息查询、资格判断、业务执行和异常处理，能否在清楚的权限下连起来。
这是对报告思路的一个举例：Agent 可以整理客户历史、查询规则、准备处理方案；涉及特殊补偿、规则冲突或重要风险时，再交给有明确权限的人决定。目标不是让每一步都自动化，而是让问题不再无意义地来回转手。
报告给出了一个匿名产品开发团队的早期案例：原来由 8—10 人组成的小组，调整为 4—6 人与 Agent 协作的混合团队。新的协作图会标明，哪些工作交给 Agent，哪些人的职责覆盖了更完整的流程，哪些交接消失了，以及人的判断与责任保留在哪里。
这不是一个适用于所有公司的缩编比例，也不证明减少人数本身就创造价值。真正值得看的是，团队的工作关系发生了什么变化。
会议也是如此。过去不少会议承担着同步进度、传递信息、确认谁还没完成任务的作用。如果这些信息能够持续更新，会议就有条件更多地用于讨论分歧、作出取舍和建立信任。
但少开会，不等于不再需要协调；减少管理层，也不等于决策权自然变清楚。报告特别提醒，更扁平的组织只有在更好的信息、更清晰的决策权和更强的人类判断支持下，才可能创造价值。
风险控制也必须跟着工作一起设计：Agent 可以读取哪些数据，可以执行到哪一步，什么时候需要确认，失败后如何暂停或升级处理。不能等自动化已经跑起来，再临时补一个“人工负责”。
爽爷观点：真正值得减少的，是没有创造价值的交接；真正不能被省略的，是清楚的责任。
三、AI 省下的时间，最终归谁使用
报告里有一张很值得管理者仔细看的图，讨论客服岗位释放出来的产能可以去哪里。
图中假设 AI 释放了岗位约 40% 的现有产能。这里的 40% 是示意设定，不是某家企业已经实现的收益，也不是对所有客服岗位的预测。
在相同的假设下，组织可以选择四条不同路径：
用更少的人或工时，维持原有服务水平。 保持团队规模，为更多客户服务。 把时间投入更高价值的客户工作，处理反复出现的问题，减少服务阻力。 重新组合岗位，让员工同时承担服务、质量检查、知识管理和持续改进。
技术能力一样，组织作出的选择不同，最后得到的公司也会不同。
所以，“AI 提高了效率”不是讨论的终点，而应该是下一次管理讨论的起点：省下来的能力，准备投向哪里？用来降低成本、扩大业务、改善质量，还是让原本不可持续的工作负荷回到合理水平？
如果这件事不明确，员工很难知道，自己投入精力学习 AI，最终换来的是什么。团队也可能不断加快生产，却没有人负责把新增产出变成客户价值。
对设计团队来说，这个问题尤其具体。假设 AI 帮助减少了整理资料、生成初稿和适配素材的时间，组织可以要求同样的人交更多图，也可以让他们多做一轮用户验证、探索原来没有资源研究的问题，或者承担更完整的产品结果。
前者增加产量，后者改变工作的价值构成。哪种更合适，需要回到业务瓶颈，而不是默认“省出时间就应该继续加量”。
报告还提出一个不太容易被指标捕捉的变化：当初稿、图像、分析甚至建议都由系统生成，人可能从创作者转向审核者。效率提高，并不自动意味着成就感提高。
参与太少，人可能过度依赖 AI；承担太多跨领域工作，又可能陷入持续审核和判断的过载。重新设计岗位，也必须回答：哪些事情仍然值得由人亲自做，哪些结果能够让人感到自己真正参与了创造？
爽爷观点：效率红利不会自动变成增长，也不会自动变成员工的自由。它最终流向哪里，是组织作出的选择。
四、当 AI 接走基础工作，谁来培养下一代专家
这份报告里，我认为最值得警惕的一点，是人才培养可能出现的断层。
过去，工作和学习往往发生在同一个过程中。分析师通过做分析理解业务，设计师通过一次次方案取舍积累判断，工程师通过写代码、修问题建立对系统的认识。
这些工作不只是交付任务，也是形成专业能力的路径。
如果 Agent 接走研究、起草、编码、分析和整理，当前团队可能更快完成任务。但未来的人，还能通过什么机会，练出判断这些结果是否正确的能力？
报告把这个风险说得很清楚：今天的生产力收益，可能变成明天的判断力缺口。
这并不意味着要故意留下所有低效劳动。重复劳动不一定都有学习价值，旧的培养方式也不必原封不动保留。真正需要做的，是把过去隐含在任务里的学习机会，重新设计出来。
例如，在一个设计团队里，可以不再要求新人手工整理所有访谈记录，但仍让他亲自接触用户、判断哪些证据支持某个需求，并解释为什么拒绝一个看起来漂亮的方案。
也可以让新人先独立形成判断，再与 AI 的分析对照；让资深同事讲清取舍理由，而不只是给出最终修改意见；逐渐把后果更重要的决策交给新人，在有反馈和保护的条件下承担责任。
这些是我的延伸建议。它们对应报告的核心要求：当基础任务被自动化，企业需要补上有意识的练习、反馈，以及逐步增加决策责任的新路径。
晋升制度也需要跟着调整。如果地位和薪酬始终取决于管理多少人，组织就很难真正鼓励小团队完成更完整的结果。一个不带大团队、却能组织多个 Agent 解决复杂业务问题的资深专业人员，可能创造不亚于传统管理者的价值。
报告因此建议，把专业能力、判断力、人机协作能力、客户信任和决策质量，纳入职业发展的奖励标准。中层管理不会简单消失，但“协调更多人”不应是唯一的上升路径。
转岗也不能只靠一句“大家去学 AI”。报告强调“技能邻接性”：人通常更容易进入能够利用已有技能的新工作。有些转换需要培训，有些还需要岗位机会、实践时间，甚至资格条件，不能假设一门课程解决所有问题。
一个匿名科技公司的案例是，通过 AI 人才市场，把员工已有技能与个性化学习、挑战性任务和空缺岗位连接起来。某个季度，该公司超过一半的招聘来自内部。这个结果不能被当成 AI 单独造成的效果，但它展示了一种有意义的做法：培训后面，接着真实的工作机会。
爽爷观点：不能一边把练习的机会全部自动化，一边期待员工自然长出更高级的判断力。
五、员工愿意用 AI，不代表相信公司会把转型做好
另一组数据，道出了组织转型中的落差。
报告引用的 AI 准备度研究显示，70% 的受访者认为自己已经为 AI 做好准备，但只有 27% 的领导者认为，其组织已准备好完成 Agent 时代所需的转变。
这项调查于 2026 年 2—4 月开展，涉及 750 名使用英语的员工；组织准备度指标来自其中 608 名领导者的回答。两项指标的受访口径不同，但共同提示了一点：个人准备度与组织准备度，并不是同一件事。
一个人可以熟练使用 AI，也可能对公司如何处理岗位调整、晋升和责任归属没有信心。他不一定抗拒技术，而可能是在等待组织回答自己的未来在哪里。
报告发现，在不同 AI 成熟度阶段，员工相信组织会支持自己应对工作变化，都与更高的企业价值表现相关。这是统计关联，不能直接解释成“提高信任就一定提高利润”。但它足以提醒管理者，信任不是转型之后再补做的员工关怀。
从管理逻辑上看，也不难理解这种关联。如果公开分享提效方法，可能首先意味着更高工作量或岗位风险，员工就未必愿意贡献自己的实践；如果组织说要鼓励探索，考核却只奖励熟悉的产出数量，新的做法就很难成为日常。
因此，改变不仅是培训大家如何使用工具，还要调整绩效、管理者预期和激励方式。少奖励“做了多少活动”，多看是否真正解决问题；允许在风险可控的范围内试验，同时明确哪些错误不能轻易发生。
报告介绍了一家大型金融机构的做法：从普遍性的 AI 培训，转向按角色学习、同伴辅导、管理者专项培养，以及在真实工作中反复构建和展示解决方案。内部骨干、黑客松、每周演示和同伴学习圈，帮助有效做法跨团队传播。
这里最重要的不是活动形式，而是学习与工作之间的距离缩短了。培训不再结束于听完一门课，而要进入任务、接受反馈，再被其他团队复用。
信任同样需要通过行动形成。人员调整如何解释，是否有现实可行的转岗机会，对人工监督和员工自主性的承诺，在遇到成本压力时是否依然有效。这些事情，比一场转型动员会更有说服力。
爽爷观点：员工不只是在判断 AI 好不好用，也在判断组织会不会公平地处理它带来的变化。
六、真正的 AI 转型，需要一个能跨部门改变工作的机制
前面几件事放在一起，会出现一个很现实的问题：到底由谁推动？
如果只是采购工具，技术部门可以牵头；如果只是组织培训，人力资源部门可以推进。但重新安排工作、资源、岗位、权限和风险，没有哪个单一职能天然拥有全部决定权。
报告因此强调，需要一位能够跨边界推动转型的高层负责人。职务名称不是关键，关键是他能否调动资金和稀缺人才，影响投资决策，解决部门之间互相冲突的优先级。
只有建议权，没有资源配置权，很多改造最终仍然会停在原有边界前。
在执行层面，报告提出一种正在出现的模式，叫作“Agentic Mission Factory”，可以理解为围绕业务任务组建的人机工作流改造团队。
它的起点不是“我们能做什么 Agent”，而是一项值得改变的业务结果：让合格贷款更快获批和放款，让客户问题在一次交互中解决，或者缩短产品开发周期。
业务负责人带来目标、收益逻辑、约束和责任；跨职能团队负责重设计工作、构建 Agent 和控制机制，并把新的工作方式真正投入运行。
这支团队不能只有 AI 工程师。业务、技术、产品、设计、数据、风险、合规、安全、法务、人力资源和变革管理，都需要按任务需要从一开始参与。并不是每个项目都配置庞大班子，而是那些会决定方案能否运行的人，不能最后才收到通知。
例如，一个系统技术上能够自动执行，不代表业务上应该给予它同等权限；一个 Agent 能生成准确结果，也不代表组织已经明确谁来维护、谁来处理异常。
所以，评估、监控、访问权限、自主执行范围、异常升级和生命周期管理，都应该在上线前设计好。业务归属和后续责任也不能等试点完成，再寻找接手的人。
这套机制还有一个重要任务：让每次改造留下可复用的东西。
不仅是一个 Agent，还包括组件、控制规则、评估方法，以及这次工作中形成的决策经验。下一个业务任务到来时，团队不必从头解决相同的问题。
如果每个项目都重新接数据、重新确认权限、重新定义什么叫好，那么试点越多，维护负担也可能越大。相反，如果一次改造能够缩短下一次从设计到投产的路径，组织才开始积累持续变化的能力。
爽爷观点：真正的转型能力，不是不断做出新试点，而是让下一次改变更容易、更可靠。
写在最后 下一道瓶颈 可能就是组织本身
这份报告没有给出一个已经完成的人机组织样板。它也没有说，所有企业都应该扁平化、所有团队都应该缩小，或者所有中层都应该被替代。
它提出的是一个更值得追问的问题：当 AI 改变了工作容量、专业能力和协调方式，公司是否仍然只能做过去那套组织允许它做的事？
对于管理者，与其先问“我们部署了多少 Agent”，不如先回答六个问题：
哪一个重要业务结果，值得重新设计人、Agent 和数据的组合？ AI 接走部分任务以后，人的岗位还剩下哪些有意义、值得投入的工作？ 被自动化拿走的学习机会，准备通过什么新的培养路径补回来？ 晋升和奖励是在鼓励更好的判断，还是仍然主要奖励更大的团队和更多活动？ 谁有权同时改变流程、技术、风险控制和人才安排？ 员工从管理者每天的行为中，能否看见工作方式真的在变化？
这些问题没有一个能靠购买软件直接解决。但它们决定了，软件带来的能力能否真正进入公司的经营。
对设计和产品团队而言，这也意味着我们需要扩大自己的关注范围。除了一个 Agent 好不好用、一次交互顺不顺畅，还要关心它进入组织后，改变了谁的工作，减少了哪些交接，又制造了哪些新的判断与责任。
这也是我希望继续讨论 AI 与设计的原因：技术不断提高产出的速度，而设计仍然需要帮助我们想清楚，产出如何进入人的工作、组织的协作和真实的生活。
AI 让更多事情变得可做。组织的下一项能力，是决定哪些事情值得做，并真正把它们做成。
资料来源与口径说明
本文基于麦肯锡 People & Organization Practice 于 2026 年 10 月发表的《AI is changing work. Now it has to change the organization》，作者为 Alexis Krivkovich、Brooke Weddle、Holly Price 和 Vik Sohoni。关键数据、匿名案例和组织转型框架来自所提供的 12 页报告；「爽爷观点」及明确标注的应用举例为本文延伸分析。
页码索引：第 2 页为个人生产力、利润影响及流程重设计数据；第 2—3 页为协作编排与团队案例；第 4 页图 1 为产能分配示意；第 5—6 页为职业发展与人才案例；第 7 页图 2 为准备度调查；第 8 页图 3 为信任与企业价值的关联分析；第 9—11 页为持续变革、任务改造机制及领导者自检问题。
图 3 的企业价值关联分析，使用可归入三个成熟度阶段的 582 名领导者子样本，其中赋能阶段 267 人、自动化阶段 252 人、重塑阶段 63 人。调查关联、咨询案例和示意情境在文中分别处理，不将其视为对所有组织都成立的因果结论。
