导读：智能体组织的本质，不在于部署了多少 AI 工具，而在于是否将 AI 能力系统性地写入了组织的架构、流程、知识体系与文化基因。
文/阿里云研究院
电气时代，工厂将蒸汽动力替换为电力后，生产率并未立即大幅提升。直到 1920 年代，企业围绕电力的分布式特性重新设计工厂布局，以“单元驱动” 取代中央传动轴与皮带系统，生产率才实现了本质性飞跃。斯坦福大学经济学家 Paul David 将这段长达约四十年的迟滞称为“技术 - 组织共演的滞后期”。
今天的 AI 转型正处于一个相似的节点。大模型和 AI Agent 的能力已突破实用门槛，但绝大多数企业仍在用传统的组织架构去容纳这种全新的生产力。企业正处在 “换了电机，却尚未重新设计工厂”的阶段。
个体效率大幅提升，组织为何滞后?
过去两年，AI Agent 技术的快速发展使员工个体效率获得了显著提升。编码辅助工具将开发效率提升数 倍，内容生成工具大幅压缩营销物料的产出周期，AI 客服助手将响应时间从分钟级降至秒级......然而，大部分企业的整体产出和经营绩效并未呈现相应幅度的改善。微软(2025)全球 AI 状态调查显示，88% 的企业已采纳 AI 技术，但仅 6% 实现了显著的企业级财务影响(EBIT 增长超过 5%)。BCG 的研究进一步表明，全球 60% 的企业从 AI 投资中获得的价值微乎其微。
效率悖论的根源在于三重结构性错配。一是能力孤岛：员工各自摸索出的提示词技巧、工作流和知识库，停留在个人层面，没有转化为组织级的可复用资产。二是场景边缘：AI 的应用集中在会议纪要、邮件改写这类辅助场景，远未深入到供应链调度、风险评估等真正决定企业价值的核心流程。三是架构错位：组织的审批机制、汇报层级、协作方式仍然是为“人审、人传、人决”设计的，一个 Agent 秒级就能完成的判断，要等两天的流程审批才能推进。
微软(2026)工作趋势指数报告指出：67% 的 AI 价值实现取决于组织环境因素，包括组织文化、管理者支 持和人才实践。然而，微软的分析指出，89% 的企业仍按工业时代的组织范式运营，Gartner 的评估则显示超过 90% 的基础设施与运营组织尚未准备好围绕智能体进行重组。Agentic 时代，AI 价值的真正的发挥和释放需要围绕智能体来重新优化组织的架构、流程与协作方式。
四种转型路径：全球企业的差异化实践
如果说 Agentic 组织转型是一个日益清晰的共识，那么如何转型则展现出丰富的差异。我们通过观察全球范围内走在前沿的企业实践，根据驱动力方向(自上而下 vs 自下而上)和变革深度(颠覆式 vs 渐进式)两个维度，大致分为四种路径。
颠覆重构型代表了最激进的转型模式，特征为从上到下强力推动的系统性重构。金融服务公司 Block 是这一路径的典型实践者。2026 年，CEO Jack Dorsey 发布题为“从层级到智能(From Hierarchy to Intelligence)的文章，提出将 Block 打造为“一个以智能(或迷你 AGI)形态来构建的公司”，将 AI 置于核心位置，打破层级制，变革公司的运作模式。为此，Block 构建了企业智能体系：基于公司世界模型(Company World Model)和客户世界模型 (Customer World Model)，通过自主研发的智能体 Goose 对企业内外部系统进行智能编排，推动内部运营和对外业务的智能化。
在此基础上，Block 对人的角色进行重新定位，分为三种角色，第一种是 IC(Individual Contributor，个人贡献者)，即构建者或运营者，可以是销售人员、工程师、设计师、产品经理等，通过使用 Agent 增强，一个人就能完成过去需要一个团队或十个人才能完成的工作量。第二种是 DRI(Directly Responsible Individual，直接责任人)，他们制定战略，理解什么样的产品路线图能够解决客户的需求和问题，并组织 IC 团队来完成交付。第三种角色是球员教练(Player-coach)，运用教练技能帮助身边的人不断进步、精进专业。
原生驱动型组织从创立之初即围绕人机协同设计。成立于 2022 年的法律公司 Harvey 是这一路径的代表。它最具辨识度的组织动作，是把 FDE 的岗位逻辑沿用并改造为“法律工程师”(Legal Engineer)，即由执业律师而非软件工程师担任，嵌入客户的执业组内部，把律所中高价值但高度隐性的工作翻译成可执行的 AI 工作流。这一设计直接反映在人员结构上：截至 2026 年 8 月，Harvey 有 1200 余名员工，其中约四分之一具备法律背景、200 多人是律师，而这 200 多人中仅约 25 人从事传统的商业法律服务，其余分布在产品、增长、应用研究与客户侧团队，充当客户语言与工程语言之间的翻译层。
在内部运作上，Harvey 把 Agent 从个人工具提升为组织基础设施。它自建了云端 Agent 平台 Spectre，内部的代码仓库、工具、权限、产物、评审面与执行历史被统一，Agent 的工作变成组织可以理解、改进和协调的系统；产品经理与设计师也因此能围绕同一批可审阅的产物参与进来。人类分析师的批注也会沉淀为 Agent 记忆，使领域知识沉淀下来。人机分工上，Harvey 给出的原则是“Agent 负责执行，律师治理目标与审核”，并拆解为计划、检索、执行、交付、审核五个可见且可审计的阶段，律师必须审核全部 Agent 输出。截至 2026 年 3 月，客户在 Harvey 上运行的自定义 Agent 超过 2.5 万个，官方口径的日均 Agent 任务超过 70 万次。
渐进优化型是绝大多数企业最具可行性的路径，在保持业务连续性的前提下，通过战略引导逐步嵌入AI能力。生物医药公司 Moderna 提供了一个强监管行业里分段推进的样本：2023 年自建内部助手 mChat；2024 年建成 750 余个面向具体岗位的自定义 GPT，覆盖法律、研究、制造、商业等多个职能；到 2025 年这一数字超过 3000 个。场景则由行政职能向核心业务收敛，其中最具代表性的是临床开发环节的 Dose ID：它依据临床剂量选择准则与统计方法评估候选剂量，给出推理依据、标注引用来源并生成关键发现图表，最终决策仍由人作出。组织层面，Moderna 最值得关注的动作是把 HR 与 IT 合并为 "People and Digital Technology"，目标是设计工作的流动方式，即任务、信息与决策如何完成，管理者的判断对象从这个岗位配几个人，变为这项任务应当自动化、增强，还是由人来做。
涌现迭代型的核心特征是 AI 能力不是设计出来的，而是在使用过程中自然沉淀和进化的。Y Combinator 的内部实践展示了这一有机生长范式：以 PostgreSQL 数据库为底座，建立标准化的 Tool 注册表(从最初 20 个工具增长至 350 余个)，当某一工作流被多次重复使用时沉淀为可复用 Skill，Skill 支持版本管理和 fork 改进，最佳版本被采纳为默认，由此形成“使用 - 沉淀 - 进化 - 共享”的正向飞轮。Goldman Sachs 的模式类似：由工程师自发将 AI 嵌入日常工作，管理层以“观察—支持—规模化”的方式跟进。这一路径适用于文化扁平、技术信仰强烈、员工自主性高的组织。
需要强调的是，这四种路径不是固定的标签或互斥的选择。一家企业可能从涌现迭代起步，积累了足够的组织共识后转向渐进优化；也可能在某个业务单元采用颠覆重构，而在其他部门维持渐进节奏。路径的选择取决于企业的起始条件，如技术成熟度、文化包容度、领导层决心、市场竞争压力等。
六大维度：系统性构建 Agentic 组织
构建 Agentic 组织是一项系统工程，无法依赖单一技术突破或局部试点完成，而须在六大维度上协同推进、形成闭环。这六个维度包括技术底座、治理体系、流程协作、组织结构、人才体系与组织文化，彼此耦合、互为前提：技术底座提供运行条件，治理体系划定安全边界，流程协作定义交互规则，组织结构匹配资源配置，人才体系保障能力供给，组织文化维持长期动力。任一维度的滞后，都将制约整体转型成效。系统性构建的路径在于：先夯实底层基础设施，同步建立治理框架，再逐层向上重塑流程、调整结构、升级能力，最终以文化固化新范式，形成“基础支撑 - 机制设计 - 能力进化”的递进逻辑。
技术底座是 Agent 在组织中运行的基础环境，由算力与智能、数据与记忆、身份与凭证、工具与能力、编排与运行时等构成。其中算力与智能层提供模型推理能力，决定 Agent 的思考质量与任务表现；数据与记忆层承载业务信息与历史经验，支持短期上下文与长期状态持久化；身份与凭证层解决 Agent 的身份与权限边界，遵循最小权限原则实施访问控制；工具与能力层通过标准化接口明确 Agent 可调用的动作范围；编排与运行时层负责任务拆解、多 Agent 协同调度与安全执行保障。五层职能各异但缺一不可，共同构成从思考到行动的完整链路。不同规模企业的落地路径存在差异。小型企业可直接采用云厂商的一体化 Agent 平台，如阿里云百炼等，将相关技术能力作为开箱即用的整体方案，重点投入 Skill 配置与场景验证，避免过早自建。大中型企业则应在身份凭证、工具注册、记忆隔离、编排运行时等中间层能力上实现自主掌控，以满足数据主权、合规审计及跨业务隔离的硬性要求。
治理体系解决的核心问题是“Agent 的权力边界在哪里”。治理不是限制自主性，而是通过清晰边界让自主性成为可能，其运作沿“事前授权 - 事中约束 - 事后追责 - 持续校准”的时间轴形成闭环：授权分级按决策风险设差异化审批层级；边界策略从系统访问、数据操作、资源消耗、决策权界等维度设动态围栏；责任归属建立创建者、授权者、监督者三方责任链；审计复盘以全链路记录与抽样检视为扩权提供证据。小微型企业可直接复用云厂商工具盒，如 TokenVault 凭证管理、Agent Identity 身份隔离、内置内容安全、调用配额等，通过场景化策略配置即可覆盖大多数风险；大中型企业则需在工具盒之上自建治理能力，承接跨业务合规隔离、跨地域合规路由、企业级审批流对接、监管举证溯源、责任链落人等云厂内置能力无法表达的复杂场景，把治理从事后合规审查转变为嵌入 Agent 生命周期的实时约束。
流程与协作要解决的核心问题是“人和 Agent 如何高效地共同完成工作”，将既有以人驱动、串行流转的业务流程，调整为人机协同、任务编排的运作方式。企业需围绕高频、标准化、可拆解的环节，重新定义触发条件、分工边界、审批节点与异常回退机制，使 Agent 承担信息检索、初步判断、跨系统执行与状态跟踪等工作，人则聚焦例外处理、关键决策与结果校验。流程优化不只是局部提效，更应推动跨部门协同从依赖个人沟通转向依赖流程与规则，减少重复传递与信息损耗。在协作层面，企业内部的隐性经验如员工的判断逻辑、处置方法与沟通策略可被提炼为 Skill，持续写入 Agent 的记忆与能力库，形成可复用、可迭代的组织能力。个体经验由此不再停留于个人层面，而是转化为标准化、规模化的协作资产，支撑组织持续学习与能力复制。
组织形态需要与 Agent 生产单元的资源配置相适配。传统组织结构围绕人的协作半径设计，管理幅度、部门划分与层级汇报都建立在人的信息处理能力之上。当 Agent 承担执行与信息聚合后，这些约束条件发生变化，组织结构随之需要调整，主要体现在三个方面。一是管理幅度扩展，一个管理者借助 Agent 处理信息汇总、进度追踪与初步判断，可以管辖更大范围的业务单元，原本因管理跨度而设立的中间协调层趋于变薄。二是部门边界松动，Agent 天然可以跨系统、跨数据域工作，原本因信息不通而独立运作的部门之间，可通过共享 Agent 服务形成更紧密的协同，组织从刚性边界向弹性协作网络演进。Agent 的可调度性使以任务为中心的临时团队具备工程可行性，可基于任务需求实时组建跨职能的 AI Pod，项目完成后解散、资源回流组织池。三是新型组织单元出现，企业需设立 Agent 运营或平台团队，负责 Agent 的构建、注册、监控与持续优化，职能更偏向能力供给而非流程执行。
人才体系的核心关注点在于 Agent 承担执行工作后组织对人的能力要求如何变化。当执行由 Agent 接管，人的核心价值转向判断、设计与监督，人才体系随之需要调整。变化体现在三个层面：一是能力模型的迁移，从专注任务执行转向三类新能力——与 Agent 协同工作的能力，能定义任务、评估产出、处理异常；设计 Agent 工作流的能力，能拆解业务为可编排的 Skill；对 Agent 产出进行专业判断的能力，能识别错误、把控质量。二是新角色的出现，企业需要 Agent 运营、Skill 工程师、AI 治理专员等此前不存在的岗位，负责 Agent 的构建、调优、监控与合规管理。三是评估与激励体系的调整，当个人产出大量依赖 Agent 协助完成，评估重心从产出数量转向判断质量、协同效率与 Skill 沉淀贡献。
组织文化决定 Agentic 转型能否从局部试点走向常态运作。Agentic 组织需要三种文化基因的支撑。一是人机协同认同。当 Agent 辅助下的产出质量超过纯人力产出，组织需要认可这种协作成果的价值。评价标准从过程投入转向结果质量，评优、晋升、项目归属等机制需要体现这一导向。二是从封闭经验转向开放沉淀。Agentic 组织要求将隐性经验显性化为 Skill，文化层面需要鼓励贡献而非囤积知识。三是透明与平等。Agent 的对话记录和输出内容默认对组织开放，组织能力因此加速流动。当智能存在于系统而非个人头脑中，每个人都可直接调用组织大脑的能力，不再需要通过层级获取信息和授权。
从 L1 到 L5：渐进式推动组织转型
组织的转型不是一次性跃迁，而是沿成熟度曲线分阶段推进的过程。Agentic 组织的演化可划分为五个层级：L1 单点辅助阶段，AI 作为问答与信息检索的辅助工具，所有决策与执行均由人完成；L2 任务执行阶段，Agent 在明确场景中替人执行单点任务，出现初步人机分工，但岗位结构尚未变化；L3 流程自治阶段，Agent 端到端运行完整业务流程，常规事务自主处理、仅异常上报，出现人机混编团队与新角色；L4 网络协同阶段，多个专业化 Agent 组成协作网络，跨部门、跨系统动态协作，人转变为网络中的战略节点与边界设定者；L5 自主进化阶段，组织能够根据战略目标自主设定子目标、调整流程、创建新 Agent 角色，并基于结果持续学习进化。当前绝大多数企业仍处于 L1 至 L2 之间。
对大多数企业而言，在技术快速迭代与组织惯性并存的环境下，“边实践边沉淀、边验证边推广”是最务实的转型路径。建议按以下五个步骤循序渐进:
一是基准评估与场景筛选。系统评估企业当前的技术基础、数据质量与组织就绪度，全面梳理现有业务场景与流程，识别出适合“Agent 化”的高价值切入点，明确优先改造范围。
二是场景验证与技术底座搭建。选择高频次、低风险、数据完备的业务场景开展能力测试，快速验证 Agent 的可行性与效果。同步建设支撑智能体运行的技术基础设施，并在此过程中沉淀可复用的工程范式与开发规范。
三是流程重构与协作机制固化。基于试点经验，系统审查业务流程，明确哪些决策可预设规则实现自动审批，哪些例外情形仍需人工介入，建立清晰的人机协作标准，同时形成 Skills 的沉淀、共享与复用机制，确保能力可累积、可迁移。
四是组织适配与激励体系调整。为匹配新的协作方式，需优化管理层级和团队设置；扩大跨职能团队的自主权与协同频次；同时调整人才评估标准与激励机制，从“管控执行”转向“价值创造”，激发员工在人机协作中的主动性与创造力。
五是持续进化与治理模式升级。推动 Agent 能力与组织能力形成协同演进的正循环：Agent 通过业务反馈持续迭代，组织则通过数据洞察不断优化决策逻辑。治理机制逐步从“以人为中心”过渡到“人机共治”，建立兼顾效率、安全与伦理的治理框架，确保转型成果长期可持续。
智能体组织的本质，不在于部署了多少 AI 工具，而在于是否将 AI 能力系统性地写入了组织的架构、流程、知识体系与文化基因。从 L1 到 L5 的旅程，表面上是 Agent 自主性的逐步释放，深层是组织从“人驱动”到 “人机共生”再到“AI 原生”的范式转换。这些变化一旦嵌入组织肌理，便兼具外部不可复制性，由此构筑起 AI 时代深层的竞争护城河。
