柱 5：人才 / 组织设计

本板块基于以下源：#54, #55, #56, #57, #58, #60

一、核心观点

1. 「Agentic Organization」是企业组织设计的新范式。McKinsey 论断：「competitive advantage will come not from using individual AI tools but from redesigning the enterprise around an ‘agentic organization,’ where humans and AI agents create value together」。这要求重新设计五大支柱：Business Model / Operating Model / Governance / Workforce Culture / Technology & Data。出处：McKinsey, The Agentic Organization^[1]（via Talent Edge Weekly syndicated summary，原文链接^[2]）。

2. 员工角色从「执行任务」转向「编排结果」。McKinsey：「employees shift from performing tasks to orchestrating outcomes, supervising AI agents, setting goals, and managing trade-offs. Humans move ‘above the loop,’ overseeing workflows instead of completing every step.」三类新角色出现：①Supervisors 监督 AI Agent ②Specialists 重新设计工作流并管异常 ③AI-augmented frontline workers。出处：McKinsey^[2]。

3. 「Flatter Organization」是大势所趋：BCG/MIT Sloan 调研（2,102 受访者跨 21 行业 116 国）显示，45% 的 agentic AI 领先者预期减少中层管理层；58% 预期治理和决策权调整。McKinsey：「When AI agents coordinate workflows, traditional spans of control widen.」出处：BCG, Managing the Machines That Manage Themselves^[3]（#54）。

4. HR 三大核心实践必须重做：①Workforce Planning（账面同时计人 + AI agent）②Performance Management（评估员工“如何引导 AI 创造价值”）③Learning & Development（超越 AI literacy，扩展到 systems thinking、judgment、decision-making with AI）。出处：McKinsey^[2]。

5. 「双重职业路径」是 BCG 推荐的关键组织变革：generalist orchestrators（管理混合人 + AI 团队的“通才”）vs AI-augmented specialists（垂直专精 + AI 杠杆的“专家”）——两条并存的职业晋升路径。出处：BCG^[3]。

6. IDC「Digital Labor」框架：把 AI Agent 定位为「数字劳动力」而非工具。IDC 指出企业要从「workforce of humans」演进为「workforce of humans + digital labor」，劳动力规划、绩效管理、组织结构都要据此重做。出处：IDC/Salesforce, The Tipping Point^[4]（#60）。

7. 「四组结构性张力」（BCG/MIT）：①Scalability vs Adaptability ②Investment vs Employment（资本支出 vs 工资支出）③Supervision vs Autonomy（监督 vs 自主）④Process Retrofitting vs Process Reimagining（流程改造 vs 重新想象）。每组张力都需要 HR / 财务 / IT 联合决策。出处：MIT Sloan, The Emerging Agentic Enterprise^[5]（#56）。

8. 「47% 的企业没有 AI 战略」——BCG/MIT 数据。这意味着大多数企业即使想做 agentic 组织也缺最基本的战略锚点。CIO 必须先把战略锚点立起来再谈组织设计。出处：BCG^[3]。

9. 「Continuous Learning for Humans AND AI Agents」：BCG 把「持续学习」从人扩展到 Agent——「Like their human counterparts, agentic AI benefits from continuous learning and support. This can take different forms, including fine-tuning agents through retraining as more data becomes available and conducting AI performance reviews」。AI 也要“绩效复盘”。出处：BCG^[3]。

10. 「Workforce Segmentation 是 CIO 第一动作」：CIO.com 给出 5 类员工分段——Executives / Compliance Leaders / SMEs / End Users / Innovators。每段需要不同的 change management 方案。出处：CIO.com, CIOs Must Lead Change Management for AI Agent Rollouts^[6]（#57）。

二、重要性综述

技术、数据、API、IAM 都不能自动产生价值——价值来自人能不能用、敢不敢用、用得是不是地方。Agent 重新定义了「人怎么工作」，这是企业落地 Agent 最大也最容易被忽视的工程。

McKinsey「Agentic Organization」的核心洞察：当员工从执行者变成编排者，过去几十年沉淀的「工作设计、考核体系、晋升通道」全部错位。一个传统销售员的绩效来自「他卖了多少」，一个 agentic 时代的销售员的绩效来自「他指挥的 AI 销售助理团队卖了多少」——后者要求的能力是判断力、复盘力、信任管理，而不是话术和签单速度。HR 体系必须跟上：

• Workforce Planning：传统计员工人头；agentic 时代要同时计人 + Agent。HR 系统需要新增「Agent 实例 / Agent 团队」字段，参与 budget 决策。

• Performance Management：评估对象从「员工任务完成」变成「员工 + 其指挥的 Agent 团队整体产出」；指标要包含「Agent 培养度」（员工能不能让 Agent 越来越好）、「异常处理质量」（员工接管 Agent 失败场景时的判断力）。

• Learning & Development：AI literacy 是入门，不是终点。McKinsey 强调要扩展到 systems thinking, judgment, and decision-making with AI —— 这是过去通常只在 MBA 课程里出现的能力，现在要做成全员 training。

BCG/MIT Sloan「Managing the Machines That Manage Themselves」的核心贡献是“五步实操方案”：

1. Redesign work around agentic-first workflows：不是把 AI 套到既有流程上，而是从头想象「如果这个流程一开始就有 AI agent，它会长什么样」。65% 的 agentic 领先者预期 operating model 改变。

2. Upgrade governance and redesign decision rights：58% 领先者预期决策权和治理调整；创建 governance hubs + 企业级 guardrails；treat decision rights as dynamic（按 workflow 量身定制）。

3. Redefine roles for human-agentic interaction：45% 领先者预期 middle management 层减少；建立 dual career paths（generalist orchestrators + AI-augmented specialists）。

4. Prioritize continuous learning for humans AND AI agents：员工培训要包含“如何监督、批评、指导 AI”；AI Agent 要做“performance review”，必要时 retrain。

5. Anchor investment decisions in value：投资必须锚定 value thesis（efficiency / innovation / revenue），不能为现代化而现代化。

IDC「Digital Labor」论断进一步深化：Agent 不是新工具，是新劳动力。这一定位的革命性在于——资本支出与工资支出之间的边界开始模糊。MIT Sloan 把这归为四张力中的「Investment vs Employment」：「Traditional tools require large upfront costs but deliver predictable returns through established depreciation schedules. Human workers are an ongoing variable expense, but their value appreciates with experience and training. Agentic AI defies both models, requiring substantial initial development costs and ongoing variable costs.」

CIO 视角下的「工作流人群分段」：

• Executives：对齐战略、定义业务结果、设置投资优先级。

• Compliance Leaders：风险、信息安全、数据治理；演进 AI 治理框架。

• SMEs（Subject Matter Experts）：跨各业务功能，为 Agent 提供专业知识、验证准确性。这是最常被忽视的一群人——agent 出错时，必须 SME 来判断对错。

• End Users：用 Agent 完成工作的员工；尤其在「productivity 之外的战略价值」场景。

• Innovators：跨学科 agile 团队，做实验、评

测 vendor、自研 Agent。

每段都需要专门的 change management 设计——见柱 6 详述。

三、方案利弊

方案 A：业务驱动的「轻量组织调整」（用例先行，组织滞后）

• 概述：先让业务部门跑用例，HR/组织滞后调整。

• 适用场景：小规模试点；用例孤岛化；缺乏自上而下的高管授权。

• 优势：阻力小、上线快、不需要 board-level 决策。

• 劣势：用例规模化时组织成瓶颈；HR 系统不支持 Agent 统计；员工激励错配。

• 风险：MIT Sloan 数据 — 95% 企业 0 回报的核心原因之一。

方案 B：HR-Led 大规模组织重设计（McKinsey/BCG 推荐路径）

• 概述：CHRO 主导，重做 workforce planning + performance management + L&D + career paths；与 CIO/CTO 联合发起。

• 适用场景：500 人 + 全企业级 Agent 部署；金融、咨询、零售等劳动力密集型行业。

• 优势：组织能力跟上技术能力；员工 buy-in 强；ROI 持续兑现。

• 劣势：周期长（12-24 个月）；前期投入大；需要 CEO/Board 持续 sponsor。

• 出处：McKinsey^[2]、BCG^[3]。

方案 C：「Agentic CoE」（Center of Excellence）模式

• 概述：建立中央 Agentic CoE，由跨职能团队（IT + HR + 法务 + 业务代表）牵头制定标准、培训、最佳实践，业务部门按需对接。

• 适用场景：复杂集团；业务部门成熟度差异大。

• 优势：standardization + scalability；既不太过中央化也不放任。

• 劣势：CoE 容易变成「报告者」而非「赋能者」；需要明确的服务 SLA。

• 出处：Cygnet, Best Practices^[7]、CIO.com^[6]。

方案 D：「Dual-Track」（业务部门高速跑 + 平台部门做基础）

• 概述：业务部门用低代码 Agent Builder 自助上线；中央 IT 团队做平台、治理、监控、培训。

• 适用场景：组织成熟度高、业务部门 IT 能力差异大的集团。

• 优势：速度和治理兼得；业务 ownership 强。

• 劣势：边界协议复杂；需要明确「哪些动作必须经中央 Mesh」。

• 出处：BCG「Platform Assembly」章节、Cygnet^[7]。

选型建议

埃森哲典型客户：B + C 组合——HR-led 大规模重设计（B）打基础，Agentic CoE（C）做执行抓手；D 在并购密集或业务成熟度差异大的客户可叠加。

四、风险

1. 「Job Displacement Fear → Resistance」：员工担心 Agent 抢饭碗，演变为静默抵制或主动破坏。CIO.com 警告：「employees who fear that AI agents may take their jobs can become detractors」。对策：明确「Agent 抢的是任务不是岗位」叙事；提供清晰的 re-skilling path；高管亲自示范用 Agent。出处：CIO.com^[6]。

2. 「SME 知识囤积」：SME 担心知识沉淀到 Agent 后自己被边缘化，拒绝把 tribal knowledge 写下来。LatentView VP Boobesh Ramadurai：「If your processes rely on tribal knowledge, scattered data, or manual decisions, agents will stall.」对策：把”贡献知识给 Agent”作为 SME 绩效维度；用 SME 自己的名字命名 Agent 模块；建立 royalty/recognition 机制。出处：CIO.com^[6]。

3. 「Middle Management 失位」：当 spans of control 扩大、中层管理层被压缩时，那群”老中层”的安置问题。如果处理不好，会成为整体变革的阻力源。对策：把”中层管理者”重定义为”Agent 团队 orchestrator”+ specialist，给清晰的转型路径，而非简单裁员。出处：BCG^[3]。

4. 「考核错配」：员工 KPI 还在按”个人产出”考核，但实际上他在指挥一个 Agent 团队，KPI 不奖励”团队产出”导致他不用 Agent。对策：把”Agent 杠杆率”（agent-augmented output / 个人 baseline output）作为新 KPI。出处：McKinsey^[2]。

5. 「Career Path 不清」：员工不知道在 agentic 时代怎么晋升，焦虑。对策：明确 dual career paths（orchestrator vs specialist）；规划 5-10 年职业地图样例。出处：BCG^[3]。

6. 「人才争夺战」：能管理 Agent 的复合人才（AI Ops + 业务专业 + 治理意识）市场稀缺。MIT Sloan 引 Chevron CDAO Margery Connor 说技术迭代快需要 agile workforce。对策：内部培训为主、外部招聘为辅；与高校共建项目；考虑跨界招聘（如游戏行业的”团队 orchestrator”思维很适合）。出处：MIT Sloan^[5]。

五、适用场景

优先重投人才组织：

• 劳动力密集型行业（咨询、客服、保险理赔、银行运营、零售）；

• 已经在做 5+ 个生产 Agent 用例的企业；

• CEO/Board 已经把 AI 战略升级到一级议程的企业。

可分阶段投入：

• 制造、能源等资本密集型行业：先做 SME 与 frontline 培训，HR 系统改造可滞后；

• 创业公司：组织小不太需要重设计，重点是建立 AI-native 工作习惯。

可暂缓：

• 用例还在单部门孤岛阶段：组织调整投入 ROI 不明显；

• 总体员工 < 200：用文化和习惯而非制度。

六、最佳实践案例

案例 1：Capital One 大规模平台 + 数十个用例并行

做法：Prem Natarajan（EVP, Chief Scientist, Head of Enterprise AI）描述 building「dozens of use cases at scale」from a single substantial platform investment；用 technology exploitation + exploration 双视角评估平台战略。 意义：FS 行业大规模 Agent 化的人才 + 平台一体化案例。 出处：MIT Sloan, The Emerging Agentic Enterprise^[5]。

案例 2：SAP Generative AI Hub + 全生命周期 LLM 管理

做法：Walter Sun（SVP, Global Head of AI at SAP）— Generative AI Hub 提供 LLM full lifecycle management；与开发者生态价值挂钩定义 ROI。 意义：把”AI 平台”做成给开发者生态使用的产品，是大型软件企业的样板。 出处：MIT Sloan^[5]。

案例 3：Chevron 适应型 AI 治理

做法：Margery Connor（CDAO）— 「fast-paced development of agentic AI requires organizations to be agile while consistently upholding their data and AI governance standards」；human-in-the-loop 评估输出合理性是默认。 意义：能源行业平衡敏捷与合规的案例。 出处：MIT Sloan^[5]。

案例 4：Truist Bank「人在环不可去」

做法：Chandra Kapireddy（前 Generative AI / ML / Analytics Head）：「If you look at the financial services industry, I don’t think there is any use case that is actually customer-facing, affecting the decisions that we would make without a human in the loop.」 意义：金融 customer-facing 场景 HITL 不可妥协的原则。 出处：MIT Sloan^[5]。

案例 5：LexisNexis 「快速 catch-up」战略

做法：Jeff Reihl（EVP, Technology Chairman）：「This technology is changing so fast, we might have to do a quick catch-up」——把”持续学习 + agile 组织”作为战略原则，而非项目。 意义：传统出版/法律信息服务向 agentic 转型的姿态。 出处：MIT Sloan^[5]。

案例 6：Zapier — AI Agents 战略锚点法

做法：Brandon Sammut（CPO）：「Anchor your AI agents imperative in two to three opportunities to boost existing priorities and goals. That keeps AI agents at the center of the company’s focus, and avoids the ‘sideshow’ trap」。 意义：避免「AI 项目作为 side show」的实操原则。 出处：CIO.com^[6]。

下一节：柱 6：变革管理

参考文献

1. McKinsey, The Agentic Organization

2. 原文链接

3. BCG, Managing the Machines That Manage Themselves

4. IDC/Salesforce, The Tipping Point

5. MIT Sloan, The Emerging Agentic Enterprise

6. CIO.com, CIOs Must Lead Change Management for AI Agent Rollouts

7. Cygnet, Best Practices