专家观点|陈志刚:AI原生组织的研究综述——概念形成、研究分野与理论议程

摘要

“AI原生”已经成为产业界与政策界广泛使用的表述，但在研究中，这一概念尚未完成严格的范畴化与稳定化。现有同行评审文献很少直接以“AI-native organization”或“AI-native firm”为统一对象展开系统研究，相关讨论更多分散在生成式人工智能与生产率、人机协作、组织设计、任务委托、战略决策、企业边界以及治理结构等议题之中。近两年研究表明，若仅把AI原生理解为高强度使用AI工具的经验现象，难以解释企业内部工作流的深层重组，也难以说明知识结构、管理层级与责任配置何以发生变化。更具解释力的处理方式，是将AI原生界定为一种协调机制的重构：知识由静态储备转向可调用上下文，任务执行由岗位承接转向代理参与，治理由事后控制转向嵌入式评测、权限管理与回退机制。围绕这一变化，学界已形成若干较为清晰的认识：生成式人工智能存在显著但不均匀的生产率效应；收益高度依赖任务结构、能力分布与组织安排；人工智能的影响已从单点增效延伸至工作流重写、职业阶梯压缩与控制权再分配。与此同时，关于“锯齿状技术前沿”、战略任务的可委托边界、组织学习是否因底层任务被替代而受损，以及企业优势究竟来自模型接入还是来自上下文、治理与控制平面等问题，学界仍存在重要分歧。

关键词：AI原生；生成式人工智能；人机协作；组织设计；智能体；治理

一、问题提出

围绕人工智能的企业研究，近两年出现了明显的重心转移。早期讨论主要关注模型能力、采用速度与局部绩效，近期研究则日益触及企业内部的工作流重写、知识调用方式改变、管理角色位移以及治理结构前移。麦肯锡提出“agentic organization”时，讨论重点已经转向商业模式、运营模式、治理、人才与技术数据的联动调整；微软在《2025 Work Trend Index》中提出“Frontier Firm”，强调“按需智能”、人机混合团队与“agent boss”角色；世界经济论坛则明确指出，AI带来的主要经济回报并不来自模型本身的安装，而来自工作流、激励机制、管理实践、治理安排和技能提升路径的系统重构。相关研究虽然并不总是直接使用“AI原生”这一术语，但已经共同指向一个新的研究对象：人工智能正在由个体工具转为组织运行环境。

经验研究为这一判断提供了坚实基础。Brynjolfsson、Li 和 Raymond 对客服场景的研究发现，生成式AI可使平均生产率提高约14%，且收益更多流向低经验、低技能员工；OECD 对实验研究的综述指出，在客户支持、软件开发、咨询、文本处理等场景中，生成式AI通常带来 5% 到 25% 以上的效率改善。与此同时，INFORMS《Organization Science》发表的“jagged technological frontier”研究又表明，AI对知识工作的影响并不均匀，同一工作流中的不同任务可能分别出现改善与恶化。由此可见，AI对企业的影响既是真实的，也是结构性的；既意味着提效，也意味着新的识别、评测与治理问题。

问题正在于此。现有研究已经能够较为充分地说明AI会影响绩效，却较少解释企业内部的协调结构为何会因此而改变。大量研究停留于“哪些任务变快”“哪些岗位受影响”，较少进入知识如何被组织、任务如何被分发、判断如何被授权、责任如何被追溯这一层面。若这一层不能展开，AI原生就仍然只是一个产业标签，而难以成为具有分析力的学术概念。本文的基本立场是：AI原生不宜理解为“AI用得更多”的同义语，而应理解为企业协调机制在人工智能条件下被重新中介化的结果。

二、概念辨析：AI原生的研究边界

从术语使用情况看，学术界尚未围绕“AI原生”形成完全统一的稳定表达。当前同行评审文献更常使用“generative AI at work”“human-AI collaboration”“jagged technological frontier”“AI and strategy”“agentic organization”等表述，而较少直接以“AI-native organization”为题展开理论建构。这一现象并不意味着学界没有研究AI原生现象，恰恰相反，它表明AI原生所涉及的问题正在被多条研究线索从不同方向逼近，只是尚未收束为单一范畴。

若从组织理论出发，AI原生至少应当与“AI赋能”区分开来。AI赋能通常意味着在既有组织架构内部嵌入一层智能能力，以改善某一岗位、某一环节或某一流程的效率与质量；AI原生则意味着组织运行本身围绕AI重新布置，其标志不在工具渗透率，而在知识如何进入行动、任务如何被路由、判断如何被分配、治理如何嵌入执行。企业级产品实践也在强化这一界线：OpenAI Frontier 强调共享上下文、清晰权限与反馈学习，Anthropic 企业方案突出公司知识接入、长上下文与管理工具，这些都说明企业关注的已不只是模型调用，而是组织级运行条件。

从概念构造上看，将AI原生界定为“协调机制重构”更具解释力。所谓协调机制重构，是指组织内部一部分原先依赖岗位、层级、会议、表格和经验网络来完成的协调活动，被转写为机器可读、可调用、可反馈、可审计的运行结构。以这一界定为基础，AI原生就不再是技术渗透程度的描述，而成为组织如何重新组织知识、任务、判断与责任的问题。Orlikowski关于技术与组织互构的经典论述在这里仍然具有方法论意义：技术从来不是外在于组织的纯粹变量，它总在实践中被组织塑形，同时又反过来塑造组织。AI原生正是这一互构关系在生成式人工智能条件下的新展开。

三、文献演进：从采用研究走向组织研究

（一）生成式人工智能的经验确证阶段

2023年至2024年，学界围绕人工智能的研究主要集中在两个问题上：一是生成式人工智能是否能够在真实场景中提高绩效，二是它在多大范围内开始被采用。Brynjolfsson 等人的研究提供了早期最具影响力的经验证据：生成式AI在客服行业中带来显著生产率提升，且效应在不同能力群体之间分布并不均匀。与此同时，关于采用速度的研究表明，生成式AI扩散速度远快于许多既有通用技术。此时学术问题的中心仍然是“AI是否有效”“AI是否在被广泛采用”。

这一阶段的意义在于，生成式人工智能摆脱了纯粹概念炒作，进入可观测、可测量的实证研究阶段。它为后续一切组织研究提供了事实基础：企业面对的不是假想中的技术，而是已经进入工作现场并开始影响绩效的技术。与此同时，这一阶段的局限也很明显。分析单位主要是任务、工人和短期产出，组织结构本身尚未成为研究焦点。AI更多被视为一项能提高绩效的技术变量，而不是一项会改变企业形态的结构变量。

（二）任务异质性与互补结构阶段

进入2025年以后，研究开始更系统地处理AI收益的不均匀性。Management Science关于AI与人协作角色的研究指出，自动化与增强是两种不同的组织选择，其最优配置取决于任务中的互补结构和难度分布。与此同时，“jagged technological frontier”明确提出，AI对知识工作的影响沿任务结构呈现出“锯齿状”分布：某些任务显著受益，另一些看似相近的任务却可能因AI而恶化。学界由此开始摆脱“平均绩效增益”的直觉，转向对任务结构与边界条件的分析。

这一阶段对AI原生研究极为关键。因为所谓原生化，并不意味着企业把所有可以接入AI的任务都交给AI，而意味着企业开始在更细颗粒度上识别哪些任务适合自动化、哪些任务适合增强、哪些任务必须保留人工主导。由此，AI原生问题逐渐从“工具扩散”转化为“任务边界重画”。企业内部的真正分化，也开始取决于是否具备识别与管理这些边界的能力。

（三）工作流重写与代理型组织阶段

到2025—2026年，研究与高质量报告进一步将焦点推进到组织设计和治理层面。麦肯锡提出“agentic organization”，认为企业需要在商业模式、运营模式、治理、人才和技术数据五个维度进行系统重构；微软提出“Frontier Firm”，强调企业正在围绕“intelligence on tap”和人机混合团队形成新的组织蓝图；世界经济论坛则明确指出，AI的主要组织回报来自工作流、激励机制、管理实践、治理结构和技能提升路径的重写。这些材料共同显示，AI研究已经从“任务是否受影响”迈入“组织如何被重写”的阶段。

这一步的学术意义在于，AI原生开始被视为组织范式问题，而不再只是采用问题。企业面对的核心问题，不再只是“有没有AI助手”，而是“知识如何组织、任务如何分发、权限如何界定、责任如何追溯”。正是在这一层上，AI原生作为学术概念才真正显现出独立价值。

四、研究范式一：任务经济学与生产率测度

AI原生研究的经验基础，首先来自任务经济学与生产率测度。相关研究最突出的贡献，是通过具体场景的实证和实验识别，证明生成式人工智能对知识工作具有真实而显著的影响。客服研究表明，AI不仅提高了解决问题的速度，也改善了新手与熟练工之间的经验差距；OECD综述则进一步指出，生成式AI通过自动化部分任务、增强部分能力、加快研发和降低创业门槛，正在影响企业生产率与创新过程。对AI原生研究而言，这一范式的意义在于，它提供了一个不可回避的事实前提：人工智能已经足以改变任务完成方式与能力形成路径。

然而，这一范式也存在明显边界。它可以较精确地识别AI对特定任务和特定群体的影响，却无法仅凭平均生产率指标解释组织结构为何随之改变。企业不会因为若干任务平均提效，就自动演化为AI原生组织。只有当这些局部收益足以推动知识流动方式、岗位边界、管理职责和责任结构发生变化时，组织层面的变动才会出现。因此，任务经济学为AI原生研究提供了必要证据，却不足以单独支撑其组织理论建构。

更值得注意的是，这一研究范式正在向长期能力问题延伸。世界经济论坛《AI at Work》强调，AI可能压缩职业阶梯底部的基础任务层，从而改变组织内部的训练路径；Anthropic Economic Index 的几份报告则试图通过任务原语、学习曲线和企业端使用模式，观察AI如何进入更深层的职业结构。这意味着，生产率研究正在逐步触碰AI原生研究的核心问题：局部提效是否会积累为结构性变化。

五、研究范式二：人机互补、混合判断与委托边界

人机互补研究为AI原生提供了第二条重要理论线索。Management Science关于AI与人协作角色的研究表明，自动化与增强并非简单的技术选择，而取决于任务结构、难度水平以及人机之间的互补关系。对AI原生研究而言，这一结论的价值在于，它把问题从“AI能不能做”推进到“AI在何种条件下应当做、做多少、做到什么程度”。也就是说，AI原生组织并不意味着让机器无限扩张，而意味着围绕AI重新界定任务委托边界。

这一问题在战略管理领域被进一步深化。Strategy Science 2026年专题围绕“Can AI Do Strategy?”展开讨论，提出一个极具启发性的判断：AI进入战略活动的顺序，很可能并不取决于任务所要求的推理深度，而取决于任务的可测量性。换言之，企业更有可能把那些结果容易检验、表现容易比较、逻辑容易形式化的战略任务优先交给AI处理。这个判断把AI原生研究推进到了权力分配层面。AI原生不再只是效率议题，而是一个关于谁拥有解释权、裁量权和最终责任的问题。

由此可以看到，AI原生研究的核心，并不在“AI替代了多少岗位”，而在“组织如何重新布置判断与委托结构”。只要AI仍停留在个体辅助层面，企业结构受到的冲击相对有限；当企业开始系统地把一部分判断活动、资源配置活动和问题求解活动委托给AI时，组织中的控制关系才真正发生变化。未来AI原生研究若不能把这一层展开，便难以进入组织理论的中心问题域。

六、研究范式三：组织设计、工作流重写与控制平面

围绕AI原生最接近组织理论核心的一条路径，是工作流重写与控制结构重组。麦肯锡提出“agentic organization”时，强调企业需要围绕商业模式、运营模式、治理、人才和技术数据进行联动调整；微软则提出“Frontier Firm”，认为企业正在从传统层级组织走向更动态的、由人和智能体共同构成的工作图谱。两者共同指向一个判断：AI的真正组织效应，并不主要表现为某一岗位提效，而表现为工作流如何被重新组织。

企业级代理系统的发展，为这一判断提供了经验支持。OpenAI Frontier将共享上下文、权限边界和反馈学习视为平台核心；Anthropic 企业方案把公司知识接入、长上下文和管理能力置于核心；Palantir则通过 Agent Studio 和 AIP Evals 将代理部署、调用、比较和回退制度化为企业能力。它们共同揭示出一个现象：企业越来越多地把AI当作组织基础设施，而非单纯的能力插件。换句话说，AI开始进入企业中部，成为日常协调结构的一部分。

这一范式中最值得重视的新概念，是“控制平面”。从工程角度看，它是组织上下文、权限、日志、任务路由与治理规则的统一载体；从组织理论角度看，它意味着新的协调权集中。谁来组织上下文，谁来定义任务入口，谁来决定何时由代理执行、何时由人工接管，谁就越来越接近企业内部新的权力中枢。当前对控制平面的直接理论化仍不充分，但它很可能是未来解释AI原生组织权力结构和竞争优势的关键变量。

七、研究范式四：锯齿状前沿、可靠性与治理内生化

AI原生研究若只写扩张与增效，很快就会失真。近两年最重要的学术突破之一，恰恰在于对AI能力边界和局部可靠性的重新刻画。Dell’Acqua 等人在《Organization Science》提出“jagged technological frontier”，指出AI对知识工作的影响具有显著的局部异质性：在同一工作流内部，某些任务环节因AI而改善，另一些看似相近的任务却可能因AI而恶化。Joshua Gans 则进一步把这一现象表述为“Artificial Jagged Intelligence”，并指出组织采用AI时真正面对的是一个信息问题：管理者关心的是具体任务的局部可靠性，而通常只能观察到较粗糙的总体性能信号。

这一发现对AI原生研究至关重要。它意味着，AI原生组织不可能建立在平均基准分数或总体印象之上，而必须建立在细颗粒度评测、风险识别与任务边界管理之上。Palantir AIP Evals 将多次运行、评价函数和版本比较做成平台能力，正因为组织无法靠“平均能力印象”治理非确定性系统。治理由此不再是附属环节，而成为组织能否真正围绕AI运转的前提条件。

世界经济论坛和OECD从不同角度支持这一点。前者指出，AI的规模化价值来自工作流、管理实践与治理机制的重构；后者则强调，信任、人类专业性和组织适配决定了技术收益能否真正转化。由此，治理在AI原生研究中的位置发生了变化：它不再是外部规制问题，也不再只是技术部署的收尾工作，而是组织本身的运行条件。

八、当前共识与主要争议

从现有文献看，围绕AI原生现象，学界至少已经形成四项相对稳固的共识。第一，生成式人工智能对知识工作具有真实而显著的影响，这一点已经由客服、编程、咨询和文本处理等多类研究反复证实。第二，AI收益并不均匀，效果高度依赖任务结构、能力水平、工具环境与组织设计。第三，人工智能对企业的影响正在越过局部自动化，进入工作流、组织设计与治理结构层面。第四，企业之间的差异越来越多地来自高质量上下文、评测体系和治理机制，而不只是模型接入能力。

与这些共识并存的，是若干尚未解决的重要争议。一个争议围绕概念本身展开：AI原生究竟是一种独立的组织形态，还是数字化企业在AI阶段的新表征。另一个争议涉及长期能力积累：AI压缩底层任务之后，组织学习和职业培养是被强化还是被削弱。第三个争议围绕战略和高层判断：哪些战略任务可以交给AI处理，何种判断仍需人工主导。第四个争议则指向治理：嵌入式评测、权限控制、日志与责任机制，应当如何制度化为新的组织结构，而不只是技术上线前的附加动作。未来研究的核心价值，很大程度上取决于这些争议能否获得更有力的理论和证据支撑。

九、研究整合：将AI原生理解为“协调机制中介化”

在现有文献基础上，更具解释力的整合路径，是将AI原生理解为协调机制的中介化。所谓中介化，是指组织内部一部分原先依赖人工传递、经验判断和层级中介来完成的协调活动，开始被共享上下文、代理规则、工具调用、评测环境和权限框架所承载。这个判断能够同时解释三类事实：为何AI会改变知识扩散速度，因而缩短经验曲线；为何AI会改变任务边界，因而重写岗位和工作流；为何AI会改变治理位置，因而要求权限、日志和评测进入日常运行。

这一整合框架能够把分散于劳动经济学、组织理论、战略管理与产业实践中的文献放到同一问题域中，使“AI原生”不再只是产业界的命名，而成为能够容纳多条学术研究线索的中层理论框架。

十、研究议程：走向组织理论意义上的AI原生研究

未来关于AI原生的研究，应构造更强的中层理论。一个方向，是把研究单位从“工具采用”推进到“协调结构”。单纯记录员工使用频率、岗位覆盖率和满意度，已经不足以解释企业为何改变。更需要观察的是，知识如何进入任务、任务如何被重新拆分、判断如何在岗位、系统和管理层之间重新分配，责任如何在多主体之间被制度化。

结语

从研究意义上说，AI原生仍是一个处于形成过程中的概念，但它所指向的问题已经十分清晰。人工智能正在从个体工具转为组织运行环境，从局部效率增强器转为协调机制的一部分。围绕这一变化，任务经济学、人机协作研究、组织设计研究、战略管理研究与治理研究已经形成多条相互呼应的文献线索。AI原生研究真正关心的，并不是企业用了多少AI，而是企业如何围绕AI重组知识、任务、判断、责任与控制。这个判断标志着AI研究正在从技术扩散问题迈入组织形态问题，也意味着未来真正有分量的研究，需要在概念、机制和证据之间建立更强的联结。

参考文献

Brynjolfsson, Erik, Danielle Li, and Lindsey R. Raymond. 2023.Generative AI at Work. NBER Working Paper 31161.

Bick, Alexander, Adam Blandin, and David J. Deming. 2024.The Rapid Adoption of Generative AI. NBER Working Paper 32966.

Calvino, Flavio, Jelmer Reijerink, and Lea Samek. 2025.The Effects of Generative AI on Productivity, Innovation and Entrepreneurship. OECD.

Dell’Acqua, Fabrizio, Edward McFowland III, Ethan Mollick, Hila Lifshitz, Katherine C. Kellogg, Saran Rajendran, Lisa Krayer, François Candelon, and Karim R. Lakhani. 2026. “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality.”Organization Science37(2): 403–423.

Gans, Joshua S. 2026.A Model of Artificial Jagged Intelligence. NBER Working Paper 34712.

Orlikowski, Wanda J. 1992. “The Duality of Technology: Rethinking the Concept of Technology in Organizations.”Organization Science3(3): 398–427.

Orlikowski, Wanda J. 2000. “Using Technology and Constituting Structures: A Practice Lens for Studying Technology in Organizations.”Organization Science11(4): 404–428.

“Roles of Artificial Intelligence in Collaboration with Humans: Automation, Augmentation, and the Future of Work.” 2025.Management Science.

McKinsey & Company. 2025.The Agentic Organization: Contours of the Next Paradigm for the AI Era.

Microsoft. 2025.2025 Work Trend Index: The Year the Frontier Firm Is Born.

World Economic Forum. 2026.AI at Work: From Productivity Hacks to Organizational Transformation.

“Can AI Do Strategy?” 2026.Strategy Sciencespecial issue.

Anthropic. 2025–2026.Anthropic Economic Indexreports.

OpenAI. 2026.Introducing OpenAI Frontier.