突破效率桎梏，系统性构建 Agentic 组织

本文摘自《云栖战略参考》，这本刊物由阿里云与钛媒体联合策划。目的是为了把各个行业先行者的技术探索、业务实践呈现出来，与思考同样问题的“数智先行者”共同探讨、碰撞，希望这些内容能让你有所启发。 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