基于人工智能构建的团队正在以类似未来场景的方式运作。智能代理协助编写代码、准备发布内容、开展研究以及协调任务。从这一视角看，很容易想象企业会成为由人员与软件代理构成的网络，每位员工负责处理更庞大的工作量。

我认为这一方向有可能实现。但当视角从AI优先的小团队转向成熟的大企业，问题的性质就变了。挑战不只是技术能做什么，而是如何把它引入一个必须持续运营、履行承诺并对决策负责的组织。

因此，我认为整个公司的重新设计将比最乐观的预计要耗时更长。以下是重要的限制因素。

1. 演示结束，系统整合才刚开始

智能体只有接入企业实际使用的系统，才能创造持续价值，包括产品数据、客户记录、财务、采购、物流和审批流程。系统互联也意味着必须处理权限和依赖关系。

看似微不足道的行动也可能影响发票、货物运输或客户承诺。实际演示表明该任务可以完成，但还无法证明其在业务运营中能够可靠执行。

2. 数据承载着公司的历史

不同的记录、手动修正和表格往往是有原因的。它们保留了那些让企业能够持续运转的例外情况与变通方法。

AI不会自动调和这些差异。如果没有明确的归属关系、统一的定义以及质量检查，它可能会将不一致的数据转化为看似合理但不可靠的答案。因此，数据处理是转化过程的一部分，而非额外的麻烦。

3. 当执行过程被自动化后，责任并不会消失

当智能体从建议行动转向执行行动，几个问题便无法回避：谁批准调价？谁对合同负责？决策记录在哪里？如何解释决定，必要时又如何撤销？

这些控制机制需要时间来设计。其目的就是限制错误的后果。只有在责任明确的情况下，更快的执行效率才有意义。

4. 访问权限也是一个组织层面的问题

信息安全并非简单的技术设置问题。访问权限涉及到保密性、知识产权、个人数据义务以及各团队的职责。

功能强大的智能体可能需要多个部门掌握的信息。是否授予这些权限，取决于企业愿意承担什么风险，而不只是提示词是否写得更好。因此，即使模型表现良好，安全审查也可能影响部署进度。

5. 流程是各部门之间的协议

流程图很少完整呈现背后的安排：预算、绩效指标、责任归属、问题上报机制以及报告义务。

改变流程意味着重新协商相关安排。人工智能或许能发现不必要的步骤，但无法自行决定由谁承担成本或负责结果。

6. 抵触也可能有合理原因

自动化改变的不只是工作量。它还可能改变由谁决策、谁的判断受到重视，以及出错时由谁承担风险。

一些反对意见反映了这些担忧，而非对技术的普遍恐惧。一个可行的变革计划必须同时关注角色、激励机制与责任落实，以及相关工具。

7. 成功的试点项目只是开始而已

试点项目通常范围有限，由小团队密切跟进。推广到更大范围，则需要培训、支持、质量控制、故障处理，以及对成本和模型表现的持续检查。

那些不太显眼的工作决定了最初的改进能否持续下去。这也解释了为何扩展工作通常比构建第一个有用的原型花费更长时间。

8. 速度需要边界

AI能够大幅缩短许多任务的执行周期，也可能在人们察觉之前，将定价、物流或报表错误复制到大量交易中。

适当的自主程度取决于该行为的后果。审批机制、监控和回退流程应反映这种风险。它们是有效系统的组成部分，而非表明转型失败的证明。

9. 职责的变化先于组织重构

现有岗位不太可能一夜消失。我预计会先出现一个过渡阶段，由专人负责AI的运营、团队培训、上下文管理、评估和监督。

这些工作为更广泛的组织重构创造条件。企业明确了智能体在哪些环节可靠、哪些环节需要人的判断，才能更有把握地调整结构。

循序渐进的变革路径

我的期望是一个逐步的过程：实验、共同标准、明确监督、有限自主，随后再进行更广泛的组织重构。各公司将以不同的速度经历这一过程。

人工智能能够比企业修正所有相关协议更快地完成各项任务。这种差异并非放弃目标的理由，而是认真规划过渡的契机。

我认同一种不同的管理模式。我不认为它能在短短一个季度内实现。其进展取决于组织能否迅速使新的工作方式变得可靠，并承担起相应的责任。