# 如何建立 AI Native 的团队：Agent 不应该是你的同事

过去几个月，我在团队里密集试用 OpenClaw 和 Hermes，也观察了不少团队把 Agent 引入工作流的过程。这些产品让人近距离感受到 Agent 的能力边界在哪里，或者说，在哪里已经找不到边界了。当你可以用飞书或企业微信直接跟一个 Agent 对话，让它帮你写方案、查数据、跟进项目，这种体验天然地引导人产生一个直觉：把 Agent 变成一个能力更强、不知疲倦、越来越懂业务的"同事"。

这个直觉不算错，但它可能是一个陷阱。

## 为什么"Agent 当同事"是一个陷阱

把 Agent 放在"同事"的位置上，意味着你在用现有的工作流、现有的岗位分工来安排它。它承接的是人类定义好的任务，按照人类习惯的协作方式来交付。这当然会起效果。一个不睡觉、不请假、能同时处理十件事的同事，谁不想要？

但这个定位有一个隐含前提：工作流本身不需要变。

这才是问题所在。当 AI 的能力足够强，它解决的就不再是"这个岗位上的人不够多"的问题，而是"这个岗位为什么需要存在"的问题。把 Agent 当同事，是在一个即将被重构的框架里做局部优化。你优化得越好，将来重构的惯性就越大。

## Agent 的定位：生产系统

Agent 既不是工具，也不是同事。

工具需要人来操作，生产力上限取决于操作者的熟练度。同事跟人处于同一个工作框架里，数量级上的生产力差距有限。Agent 应该是生产系统本身。

这个区别不是文字游戏。生产系统意味着：它不是在帮你完成任务，它就是在完成任务。你不需要给它分配工作、review 它的过程、用人类的管理方式去"带"它。你需要做的是设计它的目标、配置它的输入、评估它的产出。

换一个说法：你跟 Agent 的关系，不是经理和下属，而是架构师和生产线。

## 人的定位：从执行者到系统设计者

如果 Agent 是生产系统，那人是什么？

过去几年流行的说法是"会用 AI 的人"，但其实这个定位已经过时了。"会用"意味着 AI 是工具，人的价值在于操作能力。但当 AI 能自主执行整条任务链的时候，"操作能力"的价值就趋近于零。

我最近观察到一个有意思的现象：团队里最早用上 Agent 的人，初期效率提升很明显，但几周之后提升曲线就平了。因为他们做的事情本质上没变，还是接需求、拆任务、交付，只是交付速度快了。真正拉开差距的，是那些开始重新定义"要解决什么问题"的人。他们不满足于用 Agent 更快地完成旧工作，而是在用 Agent 重新设计工作本身。

这指向人的两个核心价值：设计系统和采集信号。

设计系统，是决定 AI 应该解决什么问题、以什么方式解决、产出如何评估。这需要理解业务目标，判断能力的边界，知道什么该做什么不该做。

采集信号，是把物理世界的关键信息带入数字世界。大量关键信息存在于客户的表情里、存在于竞争对手没说出口的动作里、存在于一线员工的直觉里。这些信息不会自动进入 AI 的输入端，需要人去现场获取，然后翻译成机器能理解的结构。

于我个人而言，我越来越觉得这两件事之间有递进关系：你采集到的信号质量，决定了你设计的质量。一个从来不去现场的架构师，设计不出解决真问题的东西。

所以人的定位可以这样概括：**物理世界和数字世界之间的代理人。**

## 人应该往哪里发展

这个定位决定了人的发展方向不再是"把某项技能练得更熟"，而是两个能力的叠加。

系统思维。核心问题变成了"我能设计一套机制让这件事一直被做好"。这要求你理解业务的完整链路，知道哪些环节可以被标准化、哪些决策需要人类判断、什么样的反馈回路能让机器自我进化。

现场感。AI 越强大，那些它够不到的信息就越珍贵。客户真正的痛点是什么，市场正在发生什么微妙的变化，团队的士气在哪个点上出了问题。这些东西不在数据库里，也不在报表里，只能在现场里。能从现场拿回高质量信号的人，就是最稀缺的输入源。

两个能力合在一起，指向一个结论：AI 时代人的发展路径，指向"业务的理解者"和"机制的设计者"。执行层面的技能不是不重要，但它的半衰期在急剧缩短。

还有一个更深的问题：这个"代理人"角色是暂时的还是永久的？

我倾向于认为它是永久的，但边界会一直移动。AI 的发展像爬楼梯，每上一层，人类需要代理的事情就少一些，但新的楼层又会出现。人类探索物理世界的边界，把信息带回来，AI 把这些信息消化成能力，然后人类去探索更远的边界。这个循环不会停止，因为世界的复杂度比任何单一机器都大。

## 从人的定位推导组织建设

想清楚人的定位之后，AI native 组织怎么建设就不是一个"功能清单"的问题了。它是一个"为这样的人-机关系设计基础设施"的问题。

三个核心特征：

**1. AI 是生产线，人是配置者。** 组织里的大部分执行动作由 AI 完成。人的日常工作变成了监控产出、调整参数、升级能力。组织的管理单元不再是"人头"，而是"产线"。

**2. 信息流向是"外部 → 机器"，而非"上级 → 下级"。** 传统组织里，信息从上往下分发，变成任务，再变成执行。AI native 组织里，关键信息从外部（客户、市场、物理世界）直接进入机器，机器自动处理。人的角色是确保采集到的信号完整且准确。上下级关系让位于"谁离信号源更近"。

**3. 以结果边界划分责任，而非以能力类型划分岗位。** 不再需要"一个写代码的、一个做设计的、一个跟客户的"这种按技能切分的架构。一个人加上他配置的 AI 产线，负责一整条价值链的结果。专业分工仍然存在，但存在于 AI 内部，不存在于人的组织架构里。

## 怎么开始

起点是基础设施。

**第一步：选一条完整的价值链，让 AI 端到端跑通。** 不要在十个环节各用一点 AI。选一个从输入到产出足够完整的链路，把 AI 放在执行位置上，让它交付最终结果。哪怕这条链路很窄，它也能让团队理解"AI 作为生产线"是什么体感。

**第二步：建立"信号采集 → 机器输入"的机制。** 这是大部分团队会忽略的一步。AI 跑起来之后，瓶颈很快会从"执行力不够"转移到"输入信号不够好"。需要有明确的机制，让人把从现场获取的信息结构化地输入机器，而不是停留在口头讨论和会议纪要里。

**第三步：让机器具备记忆和进化能力。** 每一次执行的结果、每一次人工干预的原因、每一次信号输入带来的调整，都应该被记住，并用于优化下一次执行。没有记忆的机器每次都在从零开始，有记忆的机器越跑越聪明。这是"生产线"和"工具"的根本区别。

## 怎么评价

三个核心指标：

- **人均产线产出**：不是人均产出，而是每个人配置的 AI 产线产出了多少结果。这个数字应该随时间稳定增长。
- **信号转化率**：人采集回来的信号，有多少比例进入了机器并改变了机器行为。如果信号采集了但没有进入执行端，说明基础设施有缺失。
- **自主率**：有多少决策和执行是 AI 自主完成的，有多少需要人工介入。这个比例应该越来越高。

---

我不确定这套想法在多大程度上是对的。Agent 的能力还在快速演进，组织形态的变化往往滞后于技术变化好几年。但有一点我比较确定：如果你今天还在用"给现有团队加一个 AI 同事"的思路来规划，你大概率会在一两年后发现，你建设的不是未来的组织，而是过去的组织的加强版。

先想清楚人往哪走，再决定机器怎么建，这是一个并不容易但又容易逃避的核心问题。