当AI成为同事、下属和老板,组织会发生什么?丨读李开复《AI未来已来:CEO、组织、个人的时代红利》李开复7月的新书《AI未来已来》最近在微信读书很火，一度在新书榜前10蝉联多日，并且保持着很高的推荐值。具有AI出身的研究者、创业者、企业的管理者等多重身份，李开复在这本书中提供了通透的洞察，但整本书也保持着通俗易懂、深入浅出的文风。不同的群体去读，都会有各自的收获。全书从一道现实难题展开。过去几年，许多公司购买模型，成立AI团队，也把转型写进年度战略，财务表现却没有随之改变。工具装上了，企业的决策方式和日常工作仍按原来的规则运转。李开复想解释技术投入为何停在组织表面，也想给CEO提供一套能够进入核心业务的转型方案。书的前四章把技术基础讲清楚。机器学习怎样发展，智能体比聊天机器人多了哪些能力，推理成本下降会带来什么，非技术读者都能顺利读下去。第五章以后，镜头移进企业内部。作者开始讨论散落的数据怎样接入决策，中层为何会拖住转型，员工的岗位又会经历何种变化。最后两章把视野推向劳动力市场、收入分配与工作的意义。全书由技术原理走向组织实践，再抵达社会后果，路线很完整。这种写法与李开复的经历有关。他在卡内基梅隆大学接受人工智能训练，做过语音识别和机器对弈研究，后来进入苹果、微软和谷歌，亲历技术从论文走向产品和公司的过程。此后做投资、重新创业，他又长期面对另一组问题。一项技术能不能进入业务，管理者愿不愿改变，组织有没有能力把承诺变成结果。学术、工程与企业管理的经验在这本书里汇到了一起。作者也愿意交代自己的判断从哪里来。早年在卡内基梅隆大学，他亲历统计学习对专家系统的冲击。在苹果，《知识导航者》的产品构想让他看到，单项技术指标只有进入具体任务才有意义。在微软和谷歌中国的管理经历中，聪明人之间的内耗、信息过滤与团队信任又成了必须处理的日常问题。因此，《AI未来已来》没有停在模型能力排行榜上。它关心的是技术怎样穿过预算、汇报线和绩效制度，最后改变一家公司的行动方式。书写得通俗，立场也很鲜明。李开复站在CEO的位置，关心AI能否改善经营结果，也相信数据与持续记录有助于提高组织透明度。读者会从中得到一套相当完整的行动方案，也会遇到一些需要继续争论的判断。对社会科学研究者来说，这些争论恰好是本书最值得了解的部分。对研究者而言，最值得读的是AI怎样进入组织
不少关于AI影响的讨论，把技术当作一个从组织外部投入的变量。研究者比较采用前后的生产率、岗位数量或企业利润，再判断技术带来了什么。这些结果很重要，却容易把真正发生变化的过程压成一个黑箱。企业采用AI时，需要重新规定数据由谁调取，模型由谁修改，哪些行为值得记录，什么结果可以算作绩效。技术进入的从来都是一套已经存在的权力关系和工作习惯。组织研究者旺达·奥利科夫斯基提出过“社会物质实践”的视角。她把技术与组织放进日常行动，观察二者怎样持续纠缠。这个视角很适合阅读《AI未来已来》。书中那些关于知识库、工作流、权限和智能体的讨论，反复说明同一个模型放进不同的汇报制度和考核规则，会长成完全不同的组织行为。由此看，软件采购和模型部署只是AI转型的开端，后面是一段持续的组织重建过程。员工会试探系统的边界，管理者会调整授权，系统生成的新记录又会成为下一轮决策的依据。社会科学若只在最后测量就业和效率，就会错过这些中间机制。李开复这本书最有价值的地方，正是把技术一路送进组织内部，让我们看见变量还没有成为数字之前的样子。人与AI开始形成一种委托关系
书中对人机关系的讨论，从我们怎样把工作交给AI开始。聊天机器人等人发问，工具型AI完成一件明确的小事，副驾驶在过程中提供建议。到了智能体，人只给出目标，机器自己拆解步骤、调用工具，遇到错误后还能修正。李开复把这一过程分成四级。分级的意义并不只在能力强弱。每升一级，人都会交出更多过程控制，机器也进入更大的责任范围。这为人机交互研究提供了一个很实在的转向。过去我们常研究界面是否易用、用户是否采纳算法建议。智能体把问题推到了委托关系。人给出一句含糊的目标，机器在后台完成几十个动作。用户可能看不到中间过程，却要承受最终结果。此时，信任来自哪里，解释要细到什么程度，人在什么节点必须介入，已经无法靠“用户体验良好”来回答。责任也会变得难以切分。智能体调取了错误数据，模型作出不当推断，员工没有认真复核，公司又要求他提高速度。结果出错后，几方都能找到理由。书中提出权限继承、操作留痕、沙盒试演和人工确认，用工程办法约束行动。这些设计很重要，也只解决了部分问题。操作记录能够告诉我们发生过什么，组织仍需决定谁有义务发现错误，谁有权暂停系统，损失最终由谁承担。人机合作由此成为一种制度安排。技术性能只是其中一部分。授权范围、复核义务和申诉渠道共同决定这种合作是否可靠。社会科学研究可以沿着实际工作流追踪这些关系，观察人怎样理解机器的建议，又怎样在绩效压力下逐步放弃复核。机器承担的任务越多，这类微小变化越可能积累成新的组织常规。这里还藏着自动化研究中的一个老问题。工程心理学家利桑·班布里奇早在1983年就写过“自动化的讽刺”。系统越能处理常规情况，人越可能失去对过程的持续理解；可一旦出现异常，组织又要求这个已经远离过程的人接管局面。自动化替人完成稳定任务，也可能使人的技能、注意力和情境感知在最需要时变得不足。承担最终责任的人因此面临一项很现实的考验。日常搜索、协调和执行都可以交给智能体，责任却仍落在一个具体的人身上。如果这个人只看到AI汇总后的结果，他是否还有足够知识识别错误？如果系统要求几秒内确认几十项建议，所谓“人类把关”可能只剩一次点击。有关自动化偏误的系统综述还表明，工作负荷、任务复杂度和时间压力都会增加人对机器建议的依赖，专业经验也不能自动消除这种倾向。这要求研究者区分两种看起来相似的安排。一种是形式上的人在回路中，系统给出答案，人负责签字。另一种是有实质意义的监督，人保留理解过程所需的知识，拥有复核时间，也能拒绝系统建议而不受惩罚。两者在组织结构图上或许没有差别，在事故发生时却会导向完全不同的责任分配。研究人机合作，不能只统计人和机器各自完成多少任务，还要考察人的判断条件是否仍然存在。当企业把经验交给AI保存
个人把任务交给智能体以后，企业还要处理更大的难题，也就是如何让分散在不同部门的知识进入同一套行动系统。李开复对企业AI落地失败的判断很尖锐。许多公司把AI交给CIO，再由各部门申报需求，最后得到一批互不相通的工具。会议纪要快了一点，文案初稿省了一些时间，企业的核心经营没有变化。跨部门的定价、供应链和产品决策才可能改变财务结果，这类项目却需要最高层授权，也会触动既有利益。书中用“口袋否决”描述中层的隐性抵抗。负责人在会上点头，散会后把任务拖进日常事务，项目慢慢失去进展。数据不干净和流程复杂都是真困难，它们也能成为推迟变化的合理理由。“口袋否决”把研究视线引向正式命令之外。中层怎样解释任务，如何安排优先级，又在何时选择性配合，都会改变技术转型的实际进程。为了跨过这些障碍，作者提出“企业AI决策中枢”。模型负责推理，本体说明客户、合同和审批规则之间的关系，实时上下文记录企业此刻发生的变化，操作系统让智能体能够在权限范围内行动。这里的“本体”尤其值得社会科学研究者留意。企业必须先向机器说明自己由哪些对象构成，这些对象之间有什么关系，哪一种版本才算正式。销售部门和财务部门可能对“有效客户”有不同理解。正式流程是一套，员工为了把事情办成还可能使用另一套办法。把哪一种定义写进系统，会影响AI之后怎样识别异常，也会决定谁的经验成为全公司的标准。自然语言降低了建模门槛，却没有消除概念冲突。模型可以帮助整理分歧，最后仍有人要决定企业采用哪一种现实版本。组织记忆也没有书架上的档案那么安静。经典研究把它理解为信息的获取、保留与提取，记忆分散在人员、制度、流程和工作环境中。它会帮助组织延续经验，也会保存过时规则和既有偏见。被保存的内容可以遭到误用，未被保存的经验则可能从组织视野中消失。书中提出把员工经验提炼成可复用技能，这一设想很有吸引力，却也产生了新的选择问题。容易表达、能够重复和便于验证的知识更适合写进系统。依赖具体情境、身体感受和长期关系的默会知识，往往难以被完整提取。护士察觉病人状态不对，采购人员判断一位供应商是否可靠，团队负责人知道一句反对意见应该在何时提出，这些判断未必能还原成稳定规则。因此，企业AI中枢需要记住什么，与它如何遗忘同样重要。谁能修改一项技能，什么证据足以推翻旧规则，少数人的异常经验能否挑战大样本结论，这些都会决定组织记忆是学习装置，还是把历史路径固定下来的机器。把知识接入模型只是第一步，围绕记忆形成的编辑权和解释权，才是组织研究需要继续追问的部分。书里还有一个更大胆的设想。会议录音、文档批注、代码提交和客服工单长期没有进入管理决策，AI现在可以把它们连起来分析。作者把它们称为“沉睡的数据”。这些材料确实能补充正式汇报，让管理者看见项目早已停滞、客户正在流失，也能发现被忽略的员工贡献。它们同样改变了组织里的可见性。员工在会议上保留意见，协作文档里留下过质疑，代码库几周没有实质更新，这些痕迹都可能进入系统判断。数据离开原来的语境后，沉默会被解释成消极，谨慎也可能被解释成不投入。谁可以调取这些记录，员工能否知道系统如何评价自己，误判之后有没有纠正机会，都会成为新的组织治理问题。书中已经意识到这条边界。李开复提醒，系统若不能尊重隐私和使用范围，“老板AI”就会退化成监控器。这个提醒还可以继续往下追。工作记录与个人隐私之间并没有天然清楚的界线，聚合分析也可能重新指向个人。边界需要劳资双方参与制定，还要允许质疑和申诉。仅由CEO定义透明的范围，透明很容易朝一个方向展开。“老板AI”会怎样改变管理
当会议、文档和业务记录都能被系统读取，AI便拥有了参与管理控制的条件。第七章讨论的“老板AI”，也因此成了全书最容易引起研究者争论的部分。这套系统读取会议、邮件和业务数据，建立承诺账本，核对高管说过什么以及完成了多少。它还能比较汇报与原始业务记录，识别潜在风险，辅助CEO寻找真正有贡献的人。李开复把它放进委托代理理论，认为持续记录可以收窄代理人利用信息优势谋取私利的空间。这个判断抓住了大型组织的真实难题。信息向上传递时会被压缩，坏消息容易消失，部门也会维护自己的利益。传统KPI又会触发古德哈特定律，员工一旦知道考核指标，就会学会优化指标。AI可以同时读取更多异质材料，确实可能比一张报表更接近组织实际。不过，读取范围扩大以后，管理控制也会改变形态。组织学者凯洛格、瓦伦丁和克里斯汀把算法控制概括为几类机制。系统可以通过建议和限制来指挥工作，通过记录和评分评价员工，并把奖励乃至工作机会同评分结果连接起来。“老板AI”几乎把这套机制推到了组织上层，它既观察任务进度，也参与人才评价和战略纠偏。代码提交、会议记录和客户反馈提供了比主观印象更丰富的证据，却仍是行动留下的痕迹。它们无法自动说明一次延期来自懒惰、资源不足还是必要的风险控制，也看不见大量没有留下可计算记录的工作。安抚同事、保护团队、提前消除冲突，经常对组织有效，却很难在日志中形成漂亮数字。当员工知道哪些痕迹会进入评价，他们还会调整工作以生产更有利的痕迹。数据可以准确记录已经被系统定义的行为，人却会围绕定义重新安排表达、合作和承担风险的方式。AI能够缓解信息失真，也可能制造一种更精细的可见性竞争。研究需要检验系统是否让组织更接近问题本身，以及成员会怎样适应新的观看方式。问题也随之转移。谁来监督“老板AI”，谁来检查它对沉默、协作和贡献的解释？系统从企业记录中学习，也会继承既有权力关系。管理层决定数据范围和评价尺度，模型的“客观”便可能把管理者偏好固定下来。信息不对称或许缩小了，解释权却进一步集中在组织顶部。书中把AI描述成敢说真话的批评者，因为机器没有职场利益，也无需顾及高管面子。这个设想很有启发，研究时仍要检查它成立的条件。智能体由谁设定角色，接触哪些材料，向谁报告，都会影响它能够说出何种“真话”。一台只向CEO汇报的系统，可以揭露下属隐瞒，也可能强化CEO对组织的单向凝视。“老板AI”把算法管理的镜头从平台骑手和仓库工人推向白领、高管与CEO，也让传统的组织信任问题多出一个技术中介。它是否真的减少内耗，员工会不会转而发展新的隐藏方式，都需要经验研究。当人知道每句话都可能被分析，他还会不会提出尚不成熟的想法，组织是否会因此失去试错空间？可审计性有助于追责，信任则允许人在证据尚不完整时暴露不确定性。组织若把每次讨论都变成未来考核的材料，成员很可能把真正的争论移到系统之外。让员工参与评价规则的制定，赋予他们查看、更正和申诉数据的权利，并为探索性讨论保留不被评分的空间，都会影响“老板AI”究竟成为共同治理的工具，还是一座无处不在的考场。DRI得到更多权力，也承担更多风险
“老板AI”把更多信息汇集到组织顶部。紧接着，第八章又用DRI构想把一部分决策权向下推。两章连起来读，能够看见这套组织设计内部很有意思的张力。DRI指直接负责人。一个DRI带领一组智能体，对一项业务结果负责。他自己确定目标、调度资源并检查机器交付，组织则给予相应的决策权。随着执行工作交给智能体，传递信息和协调流程的中层岗位会减少，公司逐渐变得扁平。这个构想吸引人的地方，在于它把责任与权力同时下沉。许多组织要求员工对结果负责，却不给足资源和决定权。李开复反复强调，DRI需要获得真实授权，企业还应避免一次性裁掉掌握关键经验的老员工。先把知识留住，再逐步调整层级，转型才不会破坏业务。书中把这项知识保存称为“技能化”。资深员工带着智能体完成复杂任务，系统回溯过程，把有效步骤和适用边界整理成可复用的技能。公司由此减少对个别员工的依赖，新人也能调用过去积累的经验。这正是劳动过程研究会追问的地方。员工花多年形成的判断被抽取后，谁拥有这份技能，员工能否分享由此产生的收益？一旦知识被系统保存，公司对员工的依赖下降，知识提供者的议价能力也可能下降。企业获得了组织记忆，劳动者则可能失去经验带来的职业安全。DRI的责任结构也需要检验。一个人带着大量智能体，产出显著增加，出错范围也会扩大。企业若把决策权下沉，风险是否一并下沉？书中主张薪酬跟着业务成果走，这能提高回报，也可能把市场波动和模型错误转移给个人。所谓“微型CEO”究竟拥有多大自主权，还是承担了更多可量化责任，将由实际的预算权、申诉权和长期激励决定。DRI概念提示我们，AI时代的组织变化可能不会简单表现为机器替代岗位。岗位内部的任务、权力和风险会重新组合。少数核心员工可能获得更大的决策空间，更多普通员工则可能在管理更多任务的同时，接受更密集的结果考核。同一套智能体系统既能让人摆脱琐碎审批，也能让组织把更大的工作范围压到一个人身上。判断DRI制度有没有带来自主性，可以观察几个很朴素的事实。员工能否拒绝一个明显不合理的目标，能否为人工复核争取时间，系统失误造成损失时组织是否共同承担责任。只把权限下放而不提供资源，得到的常常是责任的个体化。只有当员工可以影响目标、预算和技术规则时，所谓主人翁意识才不只是风险转移后的心理要求。技能化还涉及知识收益如何分配。优秀员工的经验被提取为组织资产后，企业获得了可复制能力，这名员工获得什么？一次奖金或许能鼓励分享，却很难覆盖知识长期创造的价值。更稳妥的制度可能包括持续收益、技能维护者角色和明确署名，也要允许贡献者纠正被抽取后发生的误读。否则，最懂业务的人会迅速学会隐藏最有价值的经验，组织记忆反而会因激励失衡而贫乏。效率提高以后，工作与分配怎么办
岗位内部的权力和风险重新组合以后，问题还会越出企业边界。《AI未来已来》最后两章把讨论推向劳动力市场和社会分配。李开复用工作内容自由度和人际互动依赖度来判断职业变化。规则明确、较少依赖人际关系的工作最容易交给机器。需要信任、责任与合法性的工作仍需人参与，开放问题和照护关系给人留下了更大空间。这个框架通俗，也比按职业名称预测失业更细，因为同一职业内部往往同时包含可自动化任务与必须由人承担的部分。书中引用的一项研究提供了重要线索。研究者追踪5179名客服人员，发现生成式AI使每小时解决的问题平均增加约14%，新人和原本表现较弱的员工收益更大，资深员工的提升很小。这说明AI可能把优秀员工的经验扩散给新人，缩短学习时间。该研究来自单一企业，仍不足以推导整个劳动力市场。它已经提示了一个值得长期追踪的问题，AI究竟让技能更平等，还是先吸收专家知识，再降低企业对专家的依赖。经济学家阿西莫格鲁和雷斯特雷波提供的任务视角，有助于把这个问题继续往下拆。自动化会替代一部分原由劳动者完成的任务，形成挤出效应；技术也可能创造新的任务，让劳动重新进入生产过程。就业和工资的结果取决于两股力量怎样组合，生产率提高本身不会保证新的机会自动出现。书中鼓励个人成为最会使用AI的人，这对眼前的职业选择很实用，却隐含了组织会创造新任务、提供培训并承认新能力的前提。如果企业只用AI减少用工，不重写岗位边界，个人再努力学习也只能争夺更少的位置。医生节省下来的文书时间会用于接触病人，还是承接更多病例？教师备课更快以后会获得个别辅导的空间，还是面对更高班额？技术释放的时间流向哪里，取决于制度选择，模型性能无法单独给出答案。李开复没有回避分配问题。他承认，总产出增长不保证财富自动公平分布。廉价劳动力优势减弱后，一些低收入国家甚至可能失去原有的发展机会。对个人而言，收入之外还有意义危机。工业社会长期把职业当作身份中心，当机器接手更多工作，人需要重新评价照护、社区服务和终身学习的社会价值。这部分写得相对简略，却把研究尺度打开了。组织内部的效率提高，可能把成本转移给家庭和公共财政。企业通过AI减少初级岗位，年轻人也会失去积累经验的第一段职业阶梯。再培训能够帮助一部分人，岗位总量和谈判能力的变化仍需公共政策回应。社会科学可以在这里补上企业视角看不到的部分。效率由谁定义，收益怎样分配，退出的人去了哪里，照护劳动是否真的获得更高回报，这些问题都不能从企业财报中得到答案。带着CEO视角读，也要保持一点距离
讨论走到分配问题，这本书的CEO位置也变得更加清楚。它关心转型能不能启动，数据能不能打通，投资能不能形成财务结果。这使全书拥有明确的行动线，也给阅读划出了一条边界。组织中的阻力有时源于部门利益，有时也可能是前线员工在提醒管理层，数据使用越过了隐私边界，模型缺少回滚方案，或者一套全公司通用的流程无法处理地方差异。书中批评的“口袋否决”确实存在。中层管理者可以用预算、流程和消极配合拖住改革。但如果把所有阻力都归为自利，研究者就会忽略组织政治的另一面。争论可能是在讨论谁承担风险，也可能是在争取程序公平。表面上缓慢的协商，有时保存了被效率语言遮住的信息。判断一场抵抗究竟保护了既得利益，还是暴露了方案盲区，需要具体材料，无法根据职位预先决定。正因如此，《AI未来已来》可以被当作一份完整的治理提案来读，也可以被当作一份行业行动者留下的研究材料。它提出的词语会改变管理者理解公司的方式。“组织大脑”“老板AI”和“超级个体”都在描述未来，同时也在动员企业朝某种未来行动。这些概念是否准确是一层问题，它们让哪些方案变得合理、让哪些代价变得不显眼，是另一层问题。新书推介没有必要把一本面向实践的书包装成已经验证的社会科学理论。更有收获的读法，是把作者的经验判断同研究问题并置。每当书中出现一个令人兴奋的技术方案，我们都可以追问谁拥有全局视野，谁提供训练数据，谁获得效率收益，谁承担判断失败的成本。这样读，赞同与质疑可以同时成立，书中的洞见也会进入更长久的学术讨论。为什么推荐给研究者
《AI未来已来》提供了一名技术研究者和企业经营者对AI组织变革的系统判断。书中有鲜明的CEO立场，也有零一万物产品实践留下的痕迹。它对技术进步速度较为乐观，对数据的客观性和系统透明带来的信任也抱有较高期待。阅读时需要保留这些边界，也不必照单全收书中的方案。对社会科学研究者而言，难得的是作者把AI放进了企业的日常运转。他从会议记录和承诺追踪写起，把隐性知识如何进入系统交代得很细。中层抵抗和劳动者重新分类也进入了讨论。每个问题都有行动者、利益和制度后果，可以继续调查，也可以被经验材料反驳。它还提醒我们调整研究对象。人与AI交互已经不局限于一次对话。互动可能持续数月，散布在审批、绩效和组织记忆里。AI与组织的关系也不等于企业采用了一项新技术。AI开始参与组织看见什么、记住什么，并影响谁获得奖励，谁承担责任。读这本书最合适的方式，大概是带着“两支笔”。一支笔记录作者看见的技术与企业变化，另一支笔圈出那些尚未解决的权力和规范问题。认同与质疑可以同时发生。如果你正在研究人机合作、算法管理、数字劳动或组织变迁，《AI未来已来》值得放到案头。它会给你一套来自产业一线的概念和案例，也会留下足够多的争论。一本书能让研究者重新看见问题，已经完成了很重要的工作。李开复，《AI未来已来：CEO、组织、个人的时代红利》，人民邮电出版社，2026年8月，ISBN 9787115703347。
人民邮电出版社图书信息：https://detail.youzan.com/show/goods?alias=361kr5lqxifoxmn&from_source=gbox_seo
NBER工作论文《Generative AI at Work》：https://www.nber.org/papers/w31161
奥利科夫斯基《Sociomaterial Practices》：https://journals.sagepub.com/doi/10.1177/0170840607081138
班布里奇《Ironies of Automation》：https://www.sciencedirect.com/science/article/abs/pii/0005109883900468
凯洛格等《Algorithms at Work》：https://journals.aom.org/doi/10.5465/annals.2018.0174
沃尔什与昂森《Organizational Memory》：https://doi.org/10.5465/amr.1991.4278992
阿西莫格鲁与雷斯特雷波《Automation and New Tasks》：https://www.aeaweb.org/articles?id=10.1257%2Fjep.33.2.3
自动化偏误系统综述：https://pubmed.ncbi.nlm.nih.gov/21685142/
夜雨聆风
