清華大學李寧：如何用AI撬動組織管理變革？

以下內容根據清華大學經濟管理學院領導力與組織管理系Flextronics講席教授、系主任李寧于2025HR數智嘉年華暨中國人力資源Venus頒獎盛典的演講內容整理而成。

AI 的潛力和組織挑戰：兩極分化下的價值落差

當前 AI 領域呈現出鮮明的兩極分化態勢，一邊是AI原生企業的爆發式增長，一邊是傳統企業的落地困局，形成了技術潛力與實際價值的巨大鴻溝。

從潛力端看，AI 正催生出 “小團隊、大價值” 的新物種企業，展現出非線性增長的強大動能。以 Perplexity為例，這家專注于 AI 搜索的企業今年5月估值達 140 億美元時，員工數僅200余人；另一家企業 Cursor 更是刷新了行業紀錄，新一輪融資后估值達 300 億美元，接近京東、百度的估值體量，起家時僅 12-30 人，目前員工也僅約 300 人。這類企業以小微企業的人員規模，創造了極大價值，成為 AI 時代的 “新物種”。

但從落地端看，多數企業 AI 落地效果不佳。麻省理工學院（MIT）近期調研數據顯示：當前大量企業擁抱 AI，但 95% 的企業未看到任何財務層面的成效，僅 5% 實現正向收益。這一現象背后，存在 “個體體效與組織體效脫節” 的問題 —— 企業中員工個體使用 AI 提升的績效，未轉化為組織整體績效。某企業測算發現，AI 每年節省的工作量相當于 5000 多人的人力投入，但核心財務指標、員工數量卻與 AI 落地前無明顯變化。

人機協同的正確打開方式 —— 讓人在回路中

AI 落地成效不佳的核心原因，并非技術不夠成熟，而是人的問題，具體來說是未能建立 “人在回路”（Human in the Loop）的有效協同模式。

首先要認清 AI 的真實面貌：它是 “聰明的失憶癥患者”。大模型廠商完成訓練部署后，用戶的所有交互都不會改變其模型權重 —— 無論使用 3 年還是 3 天，AI 的核心能力始終一致。它就像一位智商極高、知識面廣、具備通用技能，但永遠處于 “第一天入職” 狀態的新員工：懂通用知識，卻不懂企業的業務流程、數據邏輯、行業訣竅；會高效推理，卻無法自主積累經驗、內化場景化知識。這一本質決定了 AI 無法獨立創造價值，必須依賴人的引導與支撐。

“人在回路” 的核心邏輯，是讓 “人” 成為 AI 價值實現的關鍵樞紐。清華大學楊斌老師提出的 “X 指數” 公式深刻揭示了這一關系：AI 能為組織帶來指數級增長，但增長的 “底數” 是人。與傳統技術不同，AI 的價值彈性極大 ——在會用的人手中，能釋放 10 倍、100 倍潛力；在不會用的人手中，與普通工具無異。因此，人機協同的關鍵不是 “人 + AI” 的簡單疊加，而是 “人引導 AI、AI 強化人” 的深度融合。

具體而言，“人在回路” 有兩種核心實踐路徑：一是 “人作為 AI 助手” 的模式。要求員工既是業務專家，又具備 “AI 協作能力”—— 能將專業知識轉化為 AI 可理解的語言，為 AI 提供任務目標、方法論、情境信息。二是 “給 AI 配備操作手冊” 的模式。由企業內部專家將特定任務的操作流程、專業知識、經驗訣竅萃取出來，形成 “任務操作手冊”，并嵌入 AI 系統，讓 AI 在執行任務時可直接遵循標準化方法論。

這兩種路徑最終指向同一種工作形態變革：隨著 AI 技術發展，人類的核心價值將從 “執行” 轉向 “決策與設計”。在沒有 AI 的時代，人用 20% 時間構思創意、80% 時間落地執行；AI 出現后，承接了 80% 的執行工作，人聚焦 20% 的核心創意；未來，人的參與時間可能壓縮至 1%，但這 1% 是 “最關鍵的 1%”—— 提供方向創意（火種）、方法論（藍圖）、執行引導（導航），成為 AI 無法替代的核心競爭力。

AI時代的人才變遷

在 AI 發展的趨勢背景下，人的培養和發展發生顯著變化。傳統人才培養中，企業多從初級崗招人，員工逐步晉升為專家，而 AI 時代初級工作多由 AI 完成，傳統職業階梯消失，人力資源培訓體系需開辟新賽道 —— 過去是 “從做中學”，靠簡單工作積累成長，未來企業會為招聘人員專門設置培訓賽道，即便員工一年內難有價值產出，仍會針對性培養以助其快速上手。同時，傳統培養專家的周期差異大，部分行業需 5 到 10 年，AI 加持下周期大幅縮短，有人 3 個月就能從 0 到 1 成專家，部分領域也僅需 1 年。

AI 時代專家的定義也被重構，過去專家核心價值是個人產出能力，比如資深咨詢師靠個人時間撰寫客戶認可的咨詢報告，存在時間局限；如今專家的核心價值轉向 “知識與方法論的轉化能力”，能否將自身方法論提煉并融入 AI 系統，對企業更有價值，因為這相當于 “極致復刻” 個人能力，讓知識經驗在企業內無限復用。像市值近 5000 億美元、AI 時代增長最快的 “傳統型企業” Palantir，宣布直接從高中生中選拔人才，DeepSeek 團隊絕大多數核心成員都是畢業3年之內，其中包括在Nature發表論文的17歲高中生。

AI 時代的人才畫像也發生變革，要求 “人人都是 AI 人才”，能將自身業務能力與 AI 有效結合，打破過去的專業壁壘與職能分工。過去的 I 型人才、T 型人才在 AI 時代逐步被 π 型人才（全棧能力 + 多領域發展）取代。如今眾多小型公司甚至一人公司能創造巨大價值，正是因為這類公司的人才具備 π 型能力，可覆蓋開發、市場、服務等多領域任務 ——AI 極大降低了學習成本，實現知識與技術平權，讓人能在核心能力基礎上，借助 AI 延伸出更多技能分支。

正如 Sam Altman 所言，過去 “學會了再做”，現在有 AI 加持可 “邊學邊做”，即便無相關技能也能開展工作，開發智能體、編程等工作已打破傳統職業壁壘，不再受過往技能門檻限制。

AI 驅動的組織變革

傳統組織結構基于 “勞動分工” 設計，將工作拆解為不同崗位，由人承擔對應職責。但這種模式與 AI 的適配性極差 —— 任何一個崗位的任務中，既有 AI 擅長的環節，也有 AI 不擅長的環節，難以通過 “AI 替代某一崗位” 實現效率提升。

因此組織變革的底層邏輯需重構：從 “雇傭人力完成任務” 轉向 “按任務屬性分配執行主體”，將任務劃分為三類 ——AI 可直接替代的自動化任務、人機協作的強化型任務、當前人力最優的專屬任務。通過整合不同類型任務，打破傳統崗位邊界與部門壁壘，解決跨部門協同低效、信息不對稱等問題，形成 “任務 - AI - 人” 三者優化配置的新型組織模式。

AI 服務企業的工具形態可分為三個關鍵階段。第一階段是聊天機器人，這類工具仍以個人為中心，難以適配組織需求；必須推進到第二階段，即構建智能體，直接作用于具體任務。初期可先搭建大量單智能體，后期將這些智能體串聯，就能形成AI 自主協作體系，即第三個階段。而智能體的本質并非復雜技術，而是 “大模型 + 任務訣竅說明”：AI 基于通用數據訓練，不了解特定行業、特定崗位的任務規則，需將人在該任務中的經驗訣竅整理成操作手冊，與 AI 結合后，AI 會依據手冊掌握任務所需信息、流程與方法論，以專家級別水準完成任務。

AI 還打破了傳統數字化過程中的思維慣性與勞動分工局限。過去業務部門有需求時，習慣依賴 IT 部門實現，本質是受勞動分工思維影響；而 AI 時代，業務部門可自主構建專屬智能體——比如人力資源部門熟悉自身各環節方法論，技術部門難以掌握，因此人力資源智能體需由人力資源部門主導構建。

不過，企業落地 AI 仍面臨兩大核心挑戰，且均與人相關。一是技能短板，ChatGPT 問世僅三年左右，高校尚未開設相關專業，人才 AI 能力基本依賴自學，導致人與人之間 AI 能力差異極大，同時 AI 對人才提出了更高要求，包括提問能力、學習能力、基礎判斷能力及業務能力，這些方面的不足構成了技能短板。

二是動機問題，AI 對個體的極致賦能，讓一人或兩三個人就能創造高價值 AI 產品，這顛覆了員工與組織的傳統關系。過去優秀人才傾向選擇大廠等大平臺，如今大廠中不少優秀員工處于 “騎驢找馬” 狀態，利用業余時間開發個人 AI 項目，一旦項目成功獲得投資，便會從企業離職。如何在培養出具備 AI 能力的人才后，有效激勵并留住他們，成為企業面臨的關鍵難題 —— 畢竟 AI 時代，個體無需依托大平臺，憑借 AI 加持就能成為 “超級個體”，打破了傳統 “依托平臺發展” 的邏輯。

最后借用王堅院士的話，人工智能正推動變革的本質發生深刻轉變：它不再局限于 “作為工具的革命”，而是進階為 “引領革命的工具”。這一轉變將對我們所見的諸多領域產生顛覆性影響 —— 無論是價值創造的底層邏輯、企業內部的運營模式，還是人才培養的全周期體系，均將在人工智能的驅動下迎來系統性重構。由此可見，我們已正式步入一個由人工智能引領的顛覆性時代。