AI不是裁员工具，而是企业重启增长的组织引擎
AI不是裁员工具，而是企业重启增长的组织引擎
2026-11-04 18:00:00
浏览
分享
一些组织以裁员为起点开启AI转型之旅，而另一些组织因担心大规模裁员而不敢开启AI转型之旅。这两类组织都假设AI转型主要通过“AI替代人”创造价值。然而，流行的替代假设可能是一个思维陷阱。在公认最容易受到AI冲击的法律行业，全球收入最高的律所凯易大手笔投资超过5亿美元构建AI能力，为何却同时继续扩大实体版图并招募更多律师呢？
本文提出的逻辑可以解释上述看似费解的现象：
组织受益于AI转型的关键，不在于用AI替代人来执行某些知识工作，而在于用AI切实降低知识在组织内部共享、调用、转译和组合时产生的交易成本。
换言之，AI进入组织的方式，应着眼组织层面的知识通量，促进组织知识更快、更低摩擦、更少博弈、更高质量地进入行动。基于此逻辑，
投资于AI与投资于人相互强化，而两者间的正循环将引领大企业破除组织规模瓶颈、重启增长引擎。
本文包括三部分。第一部分从知识视角透视组织本质，强调组织运作面临的知识摩擦、知识博弈和知识整合三重阻力。第二部分指出AI进入组织后为上述问题带来新解法，强调智能原生组织不是人少到极限的组织，而是知识阻力小到极限的组织。第三部分讨论这一思路对大型企业AI转型的启示。
相对于数字化技术，AI的独特性在于，它可以拟合人类推理能力，把信息和数据输入转化为洞察和行动。在这一意义上，AI是知识技术。当这种技术进入组织会如何重塑后者呢？
要回答这个重要问题，恐怕离不开理解组织本身，而这也往往是现有AI组织探讨中容易跳过的部分。故而，本节介绍组织的知识本质以及知识流通在组织中面临的三大阻力（交易成本），为后续探讨AI的组织价值树立明确的问题意识。
组织的知识本质
众所周知，一些交易在市场上因交易成本过高很难发生，而企业存在的意义正在于此。有趣的是，经济学家和管理学家在交易成本的来源方面存在分歧，并引出对企业性质的两种不同认识。
经济学家强调交易成本主要源于人的机会主义行为，认为企业通过把交易双方的所有权置于统一治理结构下，并辅以监督、审计等手段，可有效解决上述问题；管理学家则强调知识的默会性和情境性使得知识持有者之间很难相互理解，而企业通过构建共同的身份、企业文化和信任，并设计适当的组织架构与流程，使得知识的交易和转化更可能发生。简而言之，交易成本经济学视企业为统一交易双方利益诉求的治理结构，而知识基础观视企业为方便成员之间知识交换的社区。
鉴于本文关注AI作为知识技术如何进入组织，我们采纳知识视角。企业之所以存在，是因为它能通过一系列内部管理机制，把分散在不同个人、团队、部门和外部伙伴中的知识整合起来，转化为客户需要的产品和服务。这里，知识既包括诉诸文本的显性知识，也包括只可意会不可言传的默会知识；既包括个体知识，也包括组织知识（如组织流程）。
值得强调的是，企业不是静态知识库，而是动态知识系统。很多大中型企业面临的不是知识存量问题，而是知识通量问题：名义上拥有大量知识，在实际需要时却很难快速发现、理解、调用、组合、转化，也难以针对快速变化的外部形势及时更新。反之，一个组织的知识通量越高，意味着它越能把分散知识快速转化为客户方案、经营判断和组织行动，进而越有竞争力。本文试图回答的问题正是：AI如何提升组织的知识通量？
知识流通的障碍
我们可以把知识流通过程中的障碍理解为某种交易成本，而企业通过管理机制降低这些交易成本的同时，不得不付出管理成本。随着企业的规模和范围日趋扩大，其知识活动日趋复杂，需要付出的管理成本快速增加。
下面，我们具体分析三类障碍及其管理成本：一、知识摩擦，强调人的有限理性导致组织内知识难以被理解和吸收；二、知识博弈，强调人的机会主义导致组织内知识不被充分共享；三、知识整合，强调外部不确定性导致现有组织架构不一定满足解决客户问题的需要。前两者主要是内部障碍，第三者则关乎外部问题对内部知识结构提出的动态重组要求。
第一，知识摩擦是知识流通的客观障碍。一个团队或员工拥有某种知识，并不意味着其他人知道其存在；即使知道，也未必能够理解、吸收和使用。这种障碍至少来自知识本身的两个方面特征：一是知识分化，即不同专业、职能、业务和技术群体在语言、经验、框架和问题意识上存在巨大差异；二是知识复杂性，即知识可能高度隐性、情境化、因果关系不清，或者包含大量信息元素。
在人的有限理性条件下，上述两方面特征客观上阻碍了知识流通。不同部门对同一问题理解不同，未必是本位主义作祟，而可能是因为短时间内难以理解对方部门的专业知识以及由此派生的立场。因此，组织需要文档、流程、培训、轮岗等机制以及无尽的跨部门会议来克服知识摩擦。
第二，知识博弈是知识流动的主观障碍。知识不仅是解决问题的能力，也是组织权力的基础。掌握关键知识，往往意味着其拥有客户控制权、问题解释权、资源议价能力和组织地位。因此，知识持有者未必天然愿意共享知识，而可能选择性分享、延迟分享，甚至有意保持信息不透明。
比如，咨询公司中某位合伙人掌握某个大客户的真实决策链条和偏好，但通常只会分享项目推进所需的最低限度信息，而不愿把客户知识完全沉淀进组织系统。这种博弈是典型的机会主义行为，通常着眼于个人利益而非组织利益。为缓解这类博弈，组织需要精心设计KPI激励、同侪评价、内部声誉机制、文化建设等。但通常只能降低机会主义强度，难以完全消除知识与权力之间的结构性关系。
第三，知识整合是知识流动的结构性障碍。其根源不是知识本身难以理解，也不是知识持有者不愿共享，而是内部固化的知识分工难以适应快速变化的外部需求。正式组织分工通常相对稳定，但外部问题并不按组织分工出现。
比如，一家传统制造企业突然遇到客户要求“设备即服务”的新商业模式：这既不是单纯的产品研发问题，也不是单纯的销售定价问题，而是同时涉及传感器数据、远程运维、融资租赁、客户成功、风险控制和收入确认的复合问题。原有部门各自掌握部分知识，但问题本身要求这些知识被重新组合成一个新的解决方案。为克服此类障碍，组织不得不在正式组织外频繁增设项目组、虚拟组织、专家委员会等“横向组织”或间歇性地变革重组，消耗大量管理成本。
小结：真实的组织图景
由以上可见，经典交易成本经济学和知识本位观对企业性质的理解均有未尽之处。前者忽视了知识资产与实体资产的不同，过于强调资产所有权作为治理手段。实体资产所有权边界清晰而容易行使，而知识资产由于附着于人，即使所有权配置给了企业却难以清晰行使。知识博弈的存在表明，即便把人从市场内化为企业雇员，其机会主义行为未必能够如交易成本经济学所预测的那样得以消除。
然而，后者的“社区”隐喻同样远离现实。即便在具有共同身份和文化的组织内，知识交易成本仍然高昂。组织并非开放共享、其乐融融、组织灵活的“社区”，而更像内部割裂严重、机会主义横行、行动僵硬迟缓的“部落”。相对于外人，部落成员确有获得部落知识的资格，但若要真正获得它并以适当方式整合，却仍然面临重重阻碍。这种令人沮丧的组织现实，多大程度上会随着AI进入组织而改观呢？
AI采纳、AI部署和AI组织是企业拥抱AI的三层境界。AI采纳指通用AI工具进入个体生产力流程；AI部署指AI进入部门级流程，通常需要AI技术与本地工作流和数据进行整合。经过几年发展，不少企业已经历了上述两层境界，却发现企业效率没有实质性提升。这是因为AI尚未真正进入组织：以AI为核心重新设计端到端流程，并实现人力资源与组织能力的转型。
基于上一节的铺垫，本节探讨支持AI组织高效运作的三大核心机制。我们将看到，当AI进入组织，它改变的不是某个具体流程或工作，而是整个动态知识系统的运作范式。
知识调用从“找人”转向“找知识”
在传统组织中，要调用特定知识，通常首先需要知道谁有相关经验，而部门名称为知识/经验的所在地提供了地址。相关知识的需求方须与特定部门协商，发起所谓的跨部门协作，才能调用该部门的专家。也就是说，知识藏在部门深处，而部门经理是知识把关人。
这种安排的合理性在于，人作为知识的载体时间精力有限，而稀缺资源的使用必须得到管控以符合组织利益。也就是说，一个调用过程不仅涉及被调用的知识本身，还涉及对各类调用需求的重要性的判断，而后者所需的知识掌握在部门经理手中，成为部门权力的来源。
然而，随着AI进入组织成为新的知识载体，上述合理性行将崩溃。未来，部门的对外界面完全可能是一个数字专家，根据调用请求主动检索相关部门知识，并转译为需求场景可理解的表达。
一方面，由于这种调用不再受限于人类专家的时间和精力，管控调用需求优先级不再必要，部门因而丧失了这一部分权力；另一方面，在上述调用过程中，由于数字人具有近乎无限的理性，可以很好地理解跨部门、跨学科知识，克服因过度分工所导致的知识摩擦。这样，从“找人”到“找知识”不仅极大地扩张了知识供给，同时也优化了知识消费，进而驱动知识通量的增长。
值得指出，上述数字专家是一个知识界面（interface）而非知识节点（node），承担知识流通职能而非知识生产。人类员工将继续在确保数字人的知识的丰富性与准确性方面发挥不可替代的作用。在此过程中，单纯的“行政官僚”将被淘汰，但专家、擅长处理人际关系和人机关系的员工不会受到根本影响。真正的变化在于部门的组织定位：权力将更加纯粹地来自知识权威以及责任，而非行政权威和垄断。
知识沉淀从“结果归档”转向“过程留痕”
知识活动在线化是AI进入组织的重要方式。传统知识管理往往只沉淀最终成果，但很多关键知识恰恰存在于过程之中。一个判断为什么成立、一个方案为什么被反复修改、这个客户为什么能成交、某个部门擅长处理何种问题，这些知识都存在于过程而非结果中。
未来，员工的所有工作可能都在一个企业级集成开发环境中完成，会议、沟通、方案迭代、拉扯谈判和流程执行在发生过程中就被捕捉和结构化。过去的组织学习，发生在一场场培训、团建和联合攻坚中，而未来的组织学习可能在夜深人静时由AI在海量的过程数据中执行。
过程留痕通过增进知识交易的可观察性而抑制知识博弈。过去，组织很难知道知识是否被完整分享、关键判断是否被保留、经验是否只在局部团队中循环。现在，知识的生成、调用、修改和复用过程可以被系统记录。知识贡献更容易被识别，知识调用更容易被追踪，知识保留和选择性分享的空间也被压缩。
比如，尽管某团队成员不愿某高价值文档被团队内的潜在竞争对手发现，但其知识消费行为（如花了相当长时间仔细阅读该文档而不是草草浏览）将被后台记录。这样，团队其他成员在组织内搜索相关知识时，这一记录将使得该文档出现在搜索结果靠前的位置。
这个小案例有深刻的理论启示。交易成本经济学预测，通过把交易双方置于统一治理下，企业比市场更好地抑制机会主义行为。我们曾指出，由于知识的载体主要是人，这一预测对知识交易的效度有限。然而，随着AI大规模进入组织，人与知识解耦与知识活动的透明度大幅提升，知识交易的可治理性越来越接近于实物交易。在此条件下，企业治理其雇员间知识博弈的成本大大降低。当然，潜在伦理问题（如数据搜集的边界）仍有待讨论。
知识流动从“部门协作”转向“任务连接”
传统组织中，需求越复杂，需要协调的单元越多，管理成本越高。部门首先需要决策同意加入该协作项目，然后派出参与者。后者不断在项目与部门之间来回传递信息。数字员工的出现为这种跨部门知识流动提供了新渠道。
未来，每个员工都有一个数字助理或数字分身。这些数字分身既嵌入业务组内部，又跨越业务组边界，直连客户需求、专家经验、历史案例和流程知识。需求出现后，主责部门的数字员工可以与其他数字员工接洽，调用相关知识模块生成初步方案。这样的知识流动方式很大程度绕过了传统的部门协作，而在更底层围绕任务动态重组知识。
此前，由于部门知识员工的时间和带宽稀缺，各部门对于跨部门协作采取保守态度。现在，数字员工具有近乎无限的时间和带宽，对协作需求的默认态度是积极响应。人类员工负责规则和权限的制定，以及初步方案的审核、修正与批准，只有在极端例外的情形下，才需要否决和重启协作流程。
这样，知识流动的路径不再是“部门A到部门B再到客户”，而是“任务牵引下，人类员工、数字员工和知识系统共同重组”。甚至，未来客户、供应商、生态伙伴也随时可以派遣数字分身加入这个智能体网络，实现跨边界知识流动。
这一变化中，数字人成为知识流通节点，帮助人类员工更好地调用、应用组织内外部知识。注意，数字人不是责任节点，真人才是。它们真正改变的是知识如何在组织中被记录、转译、连接和重组。数字人可能和真人一一对应，但数字人之间的知识流动效率要远远超出人类员工网络，且无需每次知识重组都需要设置正式、非正式的组织协作机制，进而大幅降低知识整合的成本。这种在人类组织冰山下异常活跃的数字人协作网络，我们不妨称之为暗组织。
小结：AI组织新运营架构
通过克服有限理性（及其导致的知识摩擦）和机会主义（及其导致的知识博弈）两大碳基缺陷，AI进入组织将重塑知识调用、沉淀与流动机制，进而极大地降低知识交易成本、提升知识通量。
基于这一分析，一个新运营架构隐约浮现出来。未来的AI组织将具备三个运营层次：底层组织知识基础设施、中层数字人网络（暗组织）以及顶层的人类组织，分别负责知识沉淀、知识流通以及知识创造。在这个架构里人与AI共演共生：人类员工所有活动及其创造的知识都会被各自的数字分身捕捉、沉淀到知识基础设施，而这些活动中需要应用的知识也由其数字分身从知识基础设施中调用、整合。数字人定位为高吞吐量的知识流通节点，而人类定位为知识创造和责任节点。
本文阐述了一种截然不同于替代逻辑的AI组织转型思路。AI进入组织的真正意义不在于能否完美替代人类的工作，而在于它能否系统性降低知识在组织内部流动、沉淀和组合时遭遇的阻力。人机协同也不应被战术性地理解为在具体任务里人和AI的分工，而是在组织层面，AI负责让知识尽可能无障碍地流通，人负责知识的生产、更新、校验、规则制定和责任承担。前者降低内部复杂性，后者拥抱外部不确定性，构成了知识通量的正反馈。
由此可以判断，同时投资于AI和人，将最能捕获AI时代的组织红利，有力支撑大企业突破规模瓶颈，持续加速增长。
知识通量逻辑助力大企业破除增长瓶颈
知识通量逻辑对大企业AI转型的启发是战略性的：AI转型应以增长而非降本为目标。大企业增长停滞很大程度上是组织问题。品牌、资源、人才都不缺，为什么增长停滞了呢？
原因是管理能力限制了资源潜力的发挥：要增长必须扩大组织规模，而内部复杂性产生的管理成本使得这种扩张进入了组织规模不经济区间。用交易成本理论的语言来说，就是内部交易成本甚至比市场还高，于是边界就卡在那里。现在，如果用AI降低组织内的知识交易成本以疏通管理瓶颈，同时把人力释放出来（甚至是招募更多人）去发挥存量资源的增长潜力，完全可能重启增长引擎。
从裁员导入的AI转型从一开始就走偏了。一方面，AI转型不是单纯技术部署，而是深度组织变革。成功的组织变革建立在信任、参与和拥护之上。如果裁员的恐怖氛围弥漫，组织成员（包括那些未被裁掉的员工）很难真诚参与知识开放和流程重构，进而使得AI投入难以转化为生产效益；另一方面，即便短期内通过裁员获取了成本效益，代价却是增长前景的丧失。公司的战略姿态从此转入了在小池塘不断优化成本的负向循环，却自绝于充满不确定性机遇的汪洋大海。当创始人想重启增长，会发现此前基于替代逻辑和降本目的所设计的AI流程和Skills无法适应增长需要。
执行上的建议
建议把知识阻力诊断作为AI组织转型的起点：识别组织中哪些地方存在知识摩擦、知识博弈和知识整合障碍。流行做法是岗位盘点和用例筛选，但都只见树木不见森林：岗位盘点会把AI转型推向“谁可以被替代”的方向，必然偏好节点效率，而用例筛选则会因先天割裂而错失系统性提效机遇。
在知识阻力诊断基础上，AI组织转型可以围绕三层运营架构展开：
第一步，夯实底层知识基础设施。企业需要把分散在文档、会议、项目、客户互动、流程系统和专家经验中的知识进行在线化、结构化和语义化处理，使其能够被AI识别、理解、调用和更新。这里的重点不是简单建设一个更大的知识库，而是让组织知识从静态归档转向动态基础设施。此阶段的人类角色是知识生产者、质量校验者和使用反馈者。关键纪律是不急于建“智能”，先建“可流通”，让知识在流通中检验价值。
第二步，培育中层数字人网络（暗组织）。包括部门级数字人接口和每个员工的数字孪生助手。有两个关键点。其一，权限需要细心设置。组织成员可以对任意数字人提问（发起知识调用需求），但数字人能够接入的知识和数据需要控制。其二，发动员工训练自己的数字助手。为每个部门派驻AI部署专家。但更为关键的是激发员工主动帮助它成长和完善。此处应明确，数字人是知识流通节点而非责任节点，是助手而非替代者。
第三步，重构顶层人类组织。当前两层逐步成形后，企业需要重新定义人类员工、管理者和部门的角色。部门不再主要是知识垄断单元，而应成为知识生产、知识校验和责任承担单元；管理者不再主要依靠信息不对称和行政权威进行协调，而应更多负责规则制定、权限治理、例外判断和外部不确定性管理；员工不再只是流程执行者，而应成为组织知识的生产者、训练者和更新者。此过程可能淘汰部分难以适应AI的员工，但这是结果而非前提。
本文作者为剑桥大学博士、北京大学国家发展研究院管理学助理教授、资深战略研究者侯宏