人和 AI 的协作关系是我一直关注的主题。

这里有三种关系：人跟人之间该如何协作？人跟 AI 之间该如何协作？AI 和 AI 之间该如何协作？

不过我也么想好具体怎么做，先开始后实践，再调整！

今年一月份写了《在 AI 浪潮下的些许变化》 之后，我现在再看，发现当时写的那些变化有很多还被保留了下来，当然也有一些已经完成了升级。我预期是每半年写一次，到现在为止，已经过去了整整六个月的时间。

在这六个月里，我自身也发生了更多的一些变化。因此，我希望能够将这半年所记录的变化或关注的内容进行完整的梳理，故有此一文。

最近，我在网上频繁看到一句话：一个人可以成为一个产研团队。

这句话背后的变化是「真的」。运营可以用 AI 做出数据工具，产品可以直接生成前端页面，业务人员可以自己完成原型、分析和汇报。很多过去必须排期、协调、转译的工作，现在一个人带着 Agent 就能做完大半。

但看得越多，我越觉得「一个人成为一个团队」并不是终点。它甚至只是问题的开始。

当每个人的能力半径都被放大，组织原有的岗位边界、协作流程、权限体系和评价方式并不会自动跟着变化。一个人可以跨过多个环节，不代表上下游自然愿意接受；AI 可以完成更多执行，也不代表有人对结果负责。

所以，AI 对组织真正的冲击，不是让某个岗位立刻消失，而是把工作的基本单元，从「按人类职能切分」推向「按任务闭环、上下文资产、能力调用和验证责任」重新组织。

未来组织之间的差距，也不会只来自谁采购了更好的模型，而在于谁能把被 AI 放大的个人，转化成稳定、可复用、可持续的组织能力。

一、AI 改变的不是效率，而是工作的基本单元

我们最早讨论 AI，关键词是「提效」。写文案更快，做图更快，查资料更快，写代码更快。人还是原来的人，岗位还是原来的岗位，AI 只是每个人桌面上的一个新工具。

Agent 出现以后，情况开始变化。它不再只回答一个问题，而是可以读文件、调工具、写代码、查数据、生成页面、运行测试，并围绕一个目标连续工作几十分钟甚至几个小时。

OpenAI 在 2026 年 6 月公布的内部数据里，把这个变化概括为：知识工作的基本单元，正在从一次对话转向被委托的长周期任务。Legal、Finance、Recruiting 等非技术部门，也开始把 Codex 用在自动化、数据处理、工具开发和结构化分析上。

这意味着 AI 对工作的影响至少有三层。

第一层仍然是个人提效。原来两小时完成的事情，现在半小时可以做完。这一层最容易感知，也最容易衡量。

第二层是任务重组。以前一个任务要在产品、设计、研发、测试之间流转，现在一个人借助 AI，可以跨过其中多个环节。不是这个人突然变成了全才，而是不同专业的基础执行能力被模型打包成了可以随时调用的能力。

第三层才是组织重塑。当越来越多任务被重新组合，岗位边界、协作关系、绩效标准和资源分配都会被冲击。谁定义目标，谁提供上下文，谁验证结果，谁承担风险，会变得比「谁亲手执行」更重要。

过去，组织习惯用岗位分配能力：产品写需求，设计出图，研发实现，测试验收，运营上线。未来，岗位仍然存在，但它不再天然等于能力边界。组织需要围绕一件事能否完整交付，重新定义责任。

一个任务闭环里，目标、上下文、能力、执行、验证、风险和责任缺一不可。 现在很多 AI 项目的问题，是只给了模型和工具，没有整理上下文；只追求执行速度，没有重新设计验证和责任。于是 AI 看起来很强，落地时却很乱。

二、执行能力被平权以后，判断反而更贵了

我之前写 AI Coding 时有一个判断：编码门槛被大幅降低以后，需求分析反而更重要了。

过去写错需求，可能要等研发排期以后才发现。现在一句话就能生成一个页面，错误也会更快变成一个看起来像样的结果。AI 加速了执行，但没有替我们回答：这个需求是否真实，目标是否值得，方案是否解决了问题。

这个判断不只适用于编码。

当写作、设计、分析、研究和自动化都变得更便宜，真正稀缺的会变成目标判断、需求分析、质量标准、风险意识和结果验收。AI 可以给出很多答案，但它不会自动知道哪一个结果对业务最重要，哪一种代价不能承受。

所以，个人价值会逐渐从「我会完成某个环节」，转向「我能不能对一个结果负责」。

我理解的「全能」，不是每项专业能力都比专业人员强，而是能够围绕一个业务目标，组织上下文、调用合适能力、补齐中间环节，并推动事情形成闭环。

这也是 Owner 和普通执行者的区别。Owner 不一定亲手做完每一步，但他要知道为什么做、交付标准是什么、哪里可能出错，以及最终结果能不能被使用。

AI 时代需要的教育也会因此变化。真正需要学习的，不是某个模型的按钮和提示词，而是如何描述需求、分析场景、拆解问题、调用能力，最后做出一个可以验证的作品。工具会不断变化，围绕真实问题完成交付的能力不会。

执行越便宜，判断越昂贵。AI 没有让人的价值消失，只是把人的价值推向了更靠近目标和责任的位置。

三、每个人都要学会管理 Agent，但责任不能交给 Agent

微软提出过「Agent Boss」这个概念：未来每个人都要学会创建、委托和管理 Agent。这个方向我认同，但「Boss」很容易被理解成多了一个会给 AI 发号施令的人。

真正的变化不是每个人都成了领导，而是管理能力变成了基础能力。

前几天在 X 看到 @Zara Zhang 发了个帖子：“The biggest barrier for enterprise AI adoption: the people who understand AI don’t understand the business, and the people who understand the business don’t understand AI”，翻译过来就是“企业 AI 采用的最大障碍：懂得 AI 的人不懂业务，而懂得业务的人不懂AI。”

过去只有管理者需要分配任务、提供信息、检查进度和验收结果。现在，只要使用 Agent，这些动作每个人都要做。你需要说清楚目标，提供必要材料，在关键节点纠偏，并判断结果是否可以交付。至于懂业务和懂 AI，目前来看它有一个发展的过程。

我更愿意把 AI 看成协作伙伴，而不是一个数字员工。员工处在真实组织关系里，有经验积累、利益判断和责任约束；Agent 没有。它可以承担大量执行，却不能替人承担最后的责任。

和 Agent 协作，很像带一个能力很强但不稳定的新人。它读得快、写得快、可以连续工作，也会误解目标、忽略常识，并用非常确定的语气给出错误答案。人要做的不是把任务扔过去，而是持续校准。

这种校准也不再只是「会不会写提示词」。提示词只是入口，更重要的是能不能组织上下文，能不能选择合适的模型和工具，能不能给出好样例、坏反例和清楚的验收标准。

Every 给每位员工配备个人 Agent 后发现，Agent 会逐渐带上 Owner 的风格。组织里的人信任的不是一个抽象的通用模型，而是「某个同事训练和使用出来的 Agent」。这说明 Agent 会成为个人判断方式的延伸，但它的可信度仍然来自背后的人。

因此，Agent 可以拥有组织身份和一定的执行权，但必须有清楚的 Owner。谁配置它，谁维护它，谁解释它的边界，谁对最终结果负责，这些问题不能因为自动化而消失。

四、上下文会成为 AI 时代最重要的组织资产

很多人用 AI 得到泛泛的答案，第一反应是模型不够好，或者提示词写得不够高级。我的经验是，更常见的问题是上下文不完整。

比如让 AI 帮忙写述职报告，只给一句「帮我写述职」，它只能生成互联网平均水平的套话。真正有用的信息是：你是谁，述职想争取什么，听众是谁，项目结果是什么，评价标准是什么，哪些内容可以讲，最终要形成什么交付物。

模型能力越来越接近以后，人与人、组织与组织之间的差距，会更多来自各自能提供什么上下文。

我现在把 AI 使用的数据分成三层。第一层是互联网公开数据，所有人都能获得；第二层是组织内部的项目文档、会议记录、业务数据和历史决策；第三层是个人长期积累的日记、文章、判断、病历等，完全是自己的数据。

第一层决定 AI 知道什么，后两层才决定 AI 是否认识你、理解业务，并能按照真实环境做事。

这也是知识库真正的价值。它不是把所有资料堆进一个文件夹，更不是文档越多越好。知识库要把分散的私有数据，变成 AI 在具体任务里可以找到、理解和调用的上下文。

在年初的时候提及，我开始做语音方面的记录。截至目前，我已经积累了接近 400 条相关的内容记录。而我现在更为激进的是，我买了DJ Mic Mini2S，也在持续记录我这一天的内容，并且以工作流的形式沉淀了下来。

目前看在内容知识库和个人录音系统里的体会尤其明显。记录本身并不难，难的是让记录在下一次任务里自动长出价值。资料如果没有来源、时间、口径和使用边界，数量越多，反而越容易让 Agent 迷路。

真正有用的上下文资产，应该包括业务目标、术语和数据口径、可信来源、历史决策、好样例、坏反例、权限边界和验收标准。它们共同构成组织的 Context。

谁能把隐性的经验变成可调用的上下文，谁才能把偶然的一次好结果，变成下一次仍然可以复用的组织能力。

五、组织边界会从岗位边界转向任务边界

AI 让个人能力半径变大以后，组织最先出现的往往不是融合，而是摩擦。

原来属于策略团队的分析，班主任也能做了；原来需要产品经理转译的需求，业务方可以直接生成原型；原来只有研发能实现的小工具，非技术岗位也能借助 Agent 做出来。

从结果看，这是能力扩张。从组织关系看，它可能被理解成越界。

如果权责没有重新定义，A 团队会觉得流程被破坏，B 团队会觉得自己只是提高了效率。表面上是工具冲突，本质上是组织仍然用旧边界管理新的能力。

这也是为什么 AI 不会让沟通变得不重要，反而会让沟通更重要。

当执行能力不再被某个岗位垄断，协作就不能只靠「这是我的职责」来维持。团队要重新讨论谁更接近业务目标，谁掌握关键上下文，谁拥有决策权，谁负责审核，以及跨过边界以后怎样让相关人员继续参与。

管理也不会消失。管理涉及人与人之间的信任、资源竞争、利益排序、情绪处理和责任分配，这些不是 Agent 能自动解决的。真正变化的是，管理对象从「只管理人」变成「管理人、Agent、上下文、流程和风险」。

未来更常见的组织形态，可能不是固定职能之间反复交接，而是一个 Human Owner 带着若干专用 Agent，围绕具体任务组成临时小队。专业岗位仍然提供深度判断，只是不再承担所有基础执行。

这类协作能不能成立，关键不在 Agent 数量，而在任务是否公开。

如果每个人都只在私聊里使用 AI，组织得到的只是个人效率。只有把任务目标、上下文来源、调用过程、人工修改和最终结果沉淀下来，别人才知道这个工作流为什么有效，组织也才能从一次实践里学习。

公开不是为了监控员工，而是为了让好的协作方式可以被复用，让失败不必由每个人重新经历一次。

六、Agent 的起点不是提示词，而是真实工作流

最近在搭建一个直播内容生产工作流时，我最初以为任务是建立知识库，真正进入业务以后才发现，知识库只是其中一个环节。

完整流程从收集自然语料开始，还要结合单场直播目标、行业信息、公司业务和主播风格确定选题，再形成大纲、案例和脚本，最后用真实直播效果反向校准内容。任何一步没有说清楚，Agent 都不可能凭空补上。

所以，业务方第一步不是学习怎样写提示词，而是把原本由人完成的工作还原出来：每一步怎么做，需要什么输入，产出什么结果，什么样才算合格，哪些地方必须由真人判断。

第一版甚至不需要自动化。先用人和 AI 手动跑通一次，找到真正稳定、重复的环节，再把它们逐步配置成 Workflow、Skill 或脚本。第一个闭环最难，因为它在定义标准；标准一旦成立，从一次复制到一百次，边际成本才会快速下降。

我现在对几种概念的理解也越来越清楚。Skill 是单一、可复用、可验证的能力，像 Agent 的手和脚；Agent 根据目标分配任务、调用能力并处理过程中的变化；Rule 约束它不能越过的边界；Memory 只保留经过验证、下次仍然有用的信息。

最终对交付负责的，不是某个 Skill，也不是某个 Agent，而是整条工作流和背后的 Human Owner。

Anthropic 区分 Workflow 和 Agent，也是在提醒同一件事。路径固定、输入输出清楚的任务，更适合确定性的流程；步骤无法预先判断、需要动态决策的任务，才适合让 Agent 自主规划。不是所有工作都值得 Agent 化，更不是越自治越先进。

验证也不能放在最后才做。生成内容的 Agent 不应该独自验收自己的结果。可以让另一个 Agent 检查逻辑、来源和格式，再由人处理价值判断和高风险决策。稳定交付来自多层验证，不来自对某个模型的信任。

真正成熟的 Agent 工作流，不是看起来像一个人在工作，而是目标清楚、过程可见、错误可查、结果可验，并且在关键节点知道什么时候把决定交还给人。

七、AI 落地最终要回到业务结果和系统治理

AI 项目很容易停在演示效果里。生成了一张漂亮页面，做出了一份完整报告，或者让 Agent 连续运行了几个小时，都不等于创造了业务价值。

我参与到的另一个项目，在阶段性复盘的时发现流程性工作提效约 20%，九人团队释放了两个人力，日均模型成本不到 20 美元。这些数据证明 AI 确实可以产生真实结果，但项目也同时暴露了数据链路、Skill 漂移和团队使用差异等问题。

最终方案没有走向「AI 一次性替掉整个团队」，而是让 AI 负责分发任务、调用 Skill 和脚本、执行标准流程，人负责审核、兜底和处理不确定判断。

还有另一个项目也是类似的逻辑。第一目标不是立刻把人服务客户数推到最高，而是先跑通单个模式，保证转化率与大盘一致，再随着后台、SOP 和人员熟练度逐步扩大 AI 的服务规模。

AI 适合处理重复数据、基础触达和标准流程，人的精力则回到情感沟通、关键转化和异常学情。人机协同不是把人留在流程里做装饰，而是重新决定人的时间应该放在哪里。

因此，评估 AI 项目不能只看节省了多少时间、消耗了多少 Token、创建了多少 Agent。更重要的是交付是否稳定，人工加模型的总成本是否下降，业务结果是否改善，风险是否仍然可控。

系统治理也不能等到出问题后再补。只读数据和写入业务系统是两种风险；内部草稿和对外发布是两种风险；普通分析和财务、法务、隐私判断也是两种风险。权限、限流、日志、监控、回滚和审批，都应该跟着任务风险一起设计。

Agent 的运行记录也不该用来计算员工工作了多久。真正值得记录的是谁提出了什么目标，Agent 调用了什么能力，哪里被反复修改，最后怎样交付。这些信息能帮助团队找到高频失败点，并反过来改进上下文、Skill 和规则。

还有一个容易被忽视的问题是新人培养。如果大量基础工作直接被 AI 接管，新人可能失去通过低阶任务建立判断力的机会。组织不能一边删除练习路径，一边要求新人直接拥有高级判断。

Shopify 反而在增加实习生，并让他们用 AI 做更多原型探索。这个案例提醒我们，AI 不一定意味着更少的新人。关键是能不能把新人从机械执行中释放出来，同时保留真实反馈、专业 Review 和逐步承担责任的成长路径。

八、组织真正需要重塑的，是责任和学习方式

写到这里，我越来越确定：AI 时代最值得讨论的，不是哪个岗位最先消失，也不是一个人能不能真的替代一个团队。

更重要的问题是，当一个人突然拥有过去一个小团队的执行能力，组织能不能接住这种放大。

接住，不是放任每个人跨过所有边界，也不是用旧流程把新能力重新锁住。它意味着组织要把目标说得更清楚，把上下文变成公共资产，把稳定能力封装起来，把验证和风险嵌入流程，并让最终责任始终能够找到具体的人。

对个人来说，真正重要的也不是会用多少工具，而是能否从执行者变成 Owner：知道要解决什么问题，怎样组织资源，如何判断结果，并愿意对交付负责。

对组织来说，真正的竞争力不是拥有最多的 Agent，而是能够把个人探索沉淀成共同能力。好的工作流被看见，错误能够被复盘，上下文可以被复用，新的成员可以沿着真实任务快速成长。

AI 会继续让强个体变得更强，也会暴露组织原来被流程掩盖的问题。边界冲突、信息断裂、责任模糊和评价失真，并不是 AI 制造的，只是被 AI 更快地放大了。

所以，AI 时代的组织重塑，最终不是把人从流程里拿掉，而是重新回答三个问题：什么应该交给机器，什么必须由人判断，以及人和机器怎样共同对结果负责。

谁先把这三个问题回答清楚，谁才真正把 AI 从个人工具变成了组织能力。

PS，最近一周在啃《深入理解 AI Agent：设计原理与工程实践》 ，主要是用技术来磨脑子。