麦肯锡：AI Agent 时代下的组织重构与升级

麦肯锡研究解读：AI正在改变工作方式，更需重塑组织架构

发布机构：McKinsey & Company（麦肯锡）

发布日期：2026 年 10 月 5 日

原文标题：AI is changing work. Now it has to change the organization

原文链接：https://www.mckinsey.com/capabilities/people-and-organization/our-insights/ai-is-changing-work-now-it-has-to-change-the-organization

核心判断：企业下一阶段的竞争焦点，已从单纯拥有更强模型，转向将 AI 能力转化为端到端业务成果，并据此重构工作流、人才体系、管理模式及责任机制。

一、研究核心结论：个人效率不等于企业利润

麦肯锡数据显示：

• 80% 的受访者认为 AI 提升了个人生产力；
• 37% 的受访者报告 AI 带来正向 EBIT（息税前利润）影响；
• 仅 6% 的企业达到 AI 高绩效水平；
• 11% 的组织进入 AI 转型的“重塑”阶段。

数据揭示了一个关键矛盾：个人效率的提升并不自动转化为企业利润。若审批流程、组织分工、决策权限和交付方式未随之变革，整体业务价值将十分有限。

领先企业不仅部署 AI，更重新设计工作流程，明确人机分工，将 AI 释放的产能引导至创造商业价值的环节。简而言之，企业需从“让员工使用 AI”升级为“让组织围绕 AI 重新设计工作”。

二、四项组织重构策略

1. 运营模式：从组织架构图转向协同编排图

传统模式按部门层级分配工作，新模式则从最终业务结果出发，组合人类员工、AI Agent、数据与系统。重点包括：

• 让跨职能团队对端到端成果负责；
• 减少部门间不必要的交接、等待和信息翻译；
• 明确 Agent 执行任务与人负责决策的边界；
• 根据新工作分配方式调整团队规模与管理层级。

2. 人才系统：从固定岗位转向动态能力组合

当 Agent 承担研究、分析、编码等任务时，人的价值体现于专业判断、复杂问题处理及人机协作编排。重点包括：

• 基于未来工作所需技能配置人才，而非仅依据现有岗位；
• 重构培训、晋升和内部流动机制；
• 保留新人培养路径，防止因 AI 承担基础工作导致专业判断力断层；
• 明确必须由人掌握并承担责任的领域。

3. 变革机制：从一次性培训转向持续学习

员工会用 AI 不代表转型完成，还需改变工作流、行为习惯及绩效考核。重点包括：

• 将 AI 释放的产能明确分配给增长、降本或高价值工作；
• 在真实任务中反复测试、评估与改进；
• 建立同伴学习、案例复用及内部推广机制；
• 通过透明责任划分和合理的员工转型安排建立信任。

4. 转型引擎：建立有明确授权的 AI 任务工厂

“智能体任务工厂”（Agentic Mission Factory）围绕高商业价值任务，重新设计人机工作流，开发所需 Agent，并将成功经验沉淀为资产。有效运作需：

• 业务负责人定义结果、效益和约束；
• 跨职能团队共同设计、开发、验证和上线；
• 将评估、权限、安全监控嵌入生产流程；
• 每完成一个任务，积累可复用的 Agent、组件与控制规则。

三、关键问题：AI 释放的产能去向何处？

AI 带来的生产力红利不会自动转化为利润，管理者需主动决定其用途：

产能分配方式	可能产生的商业结果
做更多同类工作	相同人员服务更多客户、处理更多订单
转向更高价值工作	将时间用于产品创新、客户经营和复杂决策
改善工作负荷	减少加班、降低交付压力
降低交付成本	减少完成相同产出所需的资源
组合分配	同时实现增长、提质与降本

衡量 AI 项目不应仅看节省的时间或调用次数，更应追踪释放的产能是否进入新业务流程，以及最终创造了多少可验证的商业价值。

四、三个值得关注的管理思想

1. 组织基本单元：从“岗位”转向“任务与结果”

传统逻辑是“设立岗位→分配职责→执行流程”，而人机协作组织更接近“定义目标→拆解任务→选择人类与 Agent→组织协作→验证结果”。这并非简单替代员工，而是改变工作组织方式。例如，产品开发团队可从传统的 8–10 人缩减为 4–6 人与 Agent 支持的混合团队，大幅降低协调成本。

2. Agent 的价值：不仅在于执行，更在于减少协调成本

多 Agent 系统需优化四类成本：

• 执行成本：完成任务所需的模型、计算和人工资源；
• 协调成本：任务间的上下文传递、等待和状态同步；
• 质量成本：返工、复核或人工兜底的代价；
• 系统维护成本：工作流、权限和规则变化的维护投入。

若上下文传递和错误修复成本高昂，即使模型推理成本下降，整体交付成本仍可能居高不下。

3. 建立持续产生 AI 解决方案的“生产系统”

Agentic Mission Factory 应对实际业务结果负责，形成以下闭环：

1. 业务任务与目标：明确结果、价值、成本和质量约束；
2. 工作流重新设计：任务拆解、人机分工、Agent 编排；
3. 开发与生产化：配置模型、工具、权限、测试与监控；
4. 实际交付与验收：验证质量、时效、单位成本和客户价值；
5. 沉淀可复用资产：保存 Agent、工作流、评估集与控制规则；
6. 复用并改进：利用已有资产加速下一轮任务交付。

关键在于每次交付不仅要完成当前任务，还要降低未来同类任务的交付成本，避免重复搭建工作流。

五、对项目实施的启示

1. 模型路由是底层能力，任务交付才是业务对象

系统不应只关注“哪个模型价格最低”，而应关注“在满足真实性、规范、质量与时延前提下，哪种组合能以最低全生命周期成本交付合格内容”。

模型路由视角	任务生产系统视角
优化单次模型调用	优化完整任务交付
比较模型报价	比较全流程成本
关注模型能力参数	关注真实业务任务成功率
出错后重新调用	根据错误类型选择修复、换模或人工介入
每个任务独立处理	通过反馈和资产复用持续优化

2. AI 质量评估体系作为任务工厂的控制层

建议采用五级审核模式，并根据风险动态调整：

• L1：AI 执行，自动放行；
• L2：AI 执行，自动质检；
• L3：AI 执行，第三方 AI 复核；
• L4：AI 执行，人工复核；
• L5：纯人工处理。

平台需积累“何时信任模型、何时需要干预”的实际证据，而非仅依赖理论性能。

3. 将资产复用率纳入核心经营指标

建议构建四层经营指标体系：

指标层	重点指标	要回答的问题
业务结果	客户验收率、交付时效、单位任务毛利	是否创造了客户认可的商业价值？
生产效率	单位合格交付成本、返工率、人工介入率	完成同类任务是否越来越便宜？
模型与工作流	分任务成功率、模型切换收益、质检漏检率	系统能否稳定选择并组合合适的能力？
资产复用	工作流复用率、组件复用率、历史错误复用率	每次任务是否让下一次交付更容易？

模型调用次数等过程指标不能证明商业价值，最终应优化经过质量验证的商业交付。

六、组织治理：谁对 AI 转型结果负责？

AI 转型需由能调配预算与人才、决定优先级并对结果负责的角色推动。建议形成三个层次的闭环：

• 业务层：决定任务价值，明确商业目标和验收标准；
• 生产层：编排数据采集、模型调用、工作流、质控与交付；
• 能力与资产层：维护模型情报、评估体系、错误案例及可复用组件。

七、检验是否进入 AI 驱动组织重塑阶段的六个问题

1. 哪些端到端任务可重新组合人、Agent 和数据，创造原先无法实现的商业结果？
2. 哪些人工工作正被 AI 吸收，人的职责是否已转向判断、验证与创新？
3. AI 释放的产能究竟用于扩大产出、改善质量、降低成本，还是开发新业务？
4. 每次交付是否会沉淀可复用的数据、工作流、评估规则与生产经验？
5. 谁对任务最终结果负责，谁有权调整预算、资源和审核策略？
6. 当模型能力或业务要求变化时，系统能否快速调整而不必从头建设？

八、最终判断

麦肯锡文章的核心价值在于指出 AI 从工具走向生产系统所需的组织变革。值得借鉴的原则是：以商业任务为起点，以合格交付为终点，以质量和成本控制为约束，以可复用资产的持续积累为增长机制。当模型选择、Agent 协作、质量控制、业务验收和资产复用形成完整闭环时，AI 才能真正成为扩展业务交付能力的生产系统。