2026年6月23日，北京大学国家发展研究院与机械工业出版社联合举办承泽商学第60期·大讲堂系列活动，本文根据北大国发院战略学助理教授、剑桥大学博士、国发院AI启航班导师侯宏的主题分享整理。

媒体热传“机器替代人”“有了AI之后大规模失业”等言论，不少经济学家甚至学界研究都认同这套“替代逻辑”。我以这个逻辑为参照系，给大家介绍一个新逻辑，它可能会比“替代逻辑”更利于理解AI时代。

AI进入企业的三重境界

AI进入组织本身并非易事，绝大多数企业目前尚未做到。尽管很多人在用AI，但个人用AI不等于AI进入组织。

企业拥抱AI可以分成三重境界：

第一重是AI采纳。主要停留在个人用户层面。员工用ChatGPT查询、用AI写PPT，此为AI采纳。

第二重是AI部署。核心是AI进入业务流程，通常需要AI技术与本地工作流和数据进行整合。现在绝大多数企业招标的AI项目，以各部门的AI部署为主，属于人力、财务、市场等部门级流程改造。显然，企业不能用流程代替人，因为人是灵活的，而流程是设定的。

第三重是AI组织。和很多大企业交流后，今年我最深的感受是：企业往年谈的私有化部署，主要是基于企业内部数据，做企业特色AI，而非通用大模型。几年之后，企业该投的钱已投，各部门汇报都说有进展，但公司财务报表、整体运营效率并非有本质提升。问题出在哪？就出在无全局观，依旧处于铁路、警察“各管一段”的状态。真正的AI进入组织，改变的不是单个流程，而是整个组织的运作方式。

无论企业在经历哪重境界，总体看来，一些组织以裁员为起点开启AI转型之旅，另一些组织则因担心大规模裁员而不敢开启AI转型，两类组织其实都掉进了同一个思维陷阱，即默认AI转型主要通过“AI替代人”创造价值。

被误读的AI裁员：替代逻辑的真相

美国最新调查有一个出人意料的结论：55%以AI名义裁员的组织都后悔了，主要的两个原因：

第一，很多老板裁员是由于头脑发热，把AI的宣传预期当成落地现实。媒体上常说这款AI“炸裂”、那款AI“超越人类”。一落地到公司应用，完全不行。为何差别巨大？因为测试都是在给定的标准化任务集上跑，但企业里任何一件事都不是给定不变，而是动态变化的，导致预期和现实错位。

第二，企业裁员时把员工的隐性知识和经验也一起裁掉了。人是知识的载体，人除了会做PPT，脑袋里还有很多可意会不可言传的知识或经验。比如亚马逊最近大规模裁员之后出现好几次云服务宕机事件。亚马逊本是云计算的鼻祖，裁员后宕机的恢复时间远远高于业界平均水平，这让人大跌眼镜，原因就是能在复杂服务器集群里找出故障、掌握隐性知识的老员工被裁。

现在还有个笑话：降本增效怎么实现？裁人即降本，裁完之后，公司瘫痪，只能再把人招回来，于是增效——降本增效以此方式闭环。这是中国版笑话，但是美国数据亦有印证：50%被削减的员工最终被返聘，但返聘时的工资降低，甚至变成合同工，因为就业环境恶化。

还有一种情况，就是有的企业AI看起来很炫，暗地里却在印度、越南找庞大的外包团队，帮AI审核输出内容。这本质是劳动力转移，并非AI对工作机会的侵蚀。

很多人会说：硅谷裁员是铁一般的事实。在我看来，战略和组织是两个不同的部门，要看裁员背后是战略驱动还是组织驱动。从组织的角度看，我想要强调的核心意思是：不要觉得AI来了，组织里的人就可以随便裁。战略驱动的裁员另当别论。

给大家再看一组数据：我们过去总说互联网企业是轻模式，电信运营商是重模式，因为后者要建铁塔、铺管线，但是现在互联网企业的资本开支（Capital Expenditure，capex）已经超过电信运营商。

什么叫战略？战略是真金白银的资源配置。运营开支里最重要的就是研发和人员成本，硅谷巨头为什么大量裁人？因为他们要把钱省出来，大规模投到买GPU、构建AI基础设施，原来的成熟业务已不可靠。比如广告业务，未来可能是智能Agent帮用户买东西，没人看广告。对他们来说，把钱投到大模型基础设施上最稳妥，而且模型训练也需要大量算力投入。这种裁人属于资本开支对运营开支的挤压，是战略转型、资源再分配，和“AI替代人”的组织逻辑无关。

上述结论对传统企业非常重要。不要看到硅谷公司裁员就跟风裁员，硅谷裁员可能基于战略，而你跟风裁员可能属于组织层面。

数据也显示，与“程序员全部失业”的报道完全相反，美国2025-2026年程序员就业规模创历史新高。为什么？过去传统企业要养一个IT部门至少需要三个人，而且每个人工资都很高，因此整体预算非常高；现在传统企业只需要一个人，这个人还能拿相对低的工资，再用AI Agent就能完成整套软件开发。这就是杰文斯悖论（Jevons paradox）：编程变便宜，很多原来觉得编程人员太贵用不起的企业，现在借助AI也能用得起，反而增加了相关专业人才的整体需求。美国市场对软件工程师的岗位需求因此才会创历史新高。

再看另一组数据。全美上市公司投资者问答环节的统计数据显示，提到AI时，“AI会替代劳动力”与“AI增强劳动力”的比例是1:8。也就是说，绝大多数上市公司高管认为AI会增强而不是替代劳动力。另外55%的内容关心的是AI业务升级、AI组织改造，也即怎么用AI升级业务、把传统产品服务和AI结合，给用户更好的体验。

新逻辑：让知识以最低摩擦流动

问题来了：如果AI不替代员工，不讲降本增效，那AI到底如何帮企业创造价值？

我们先把“替代逻辑”换成“通量逻辑”，准确来说是知识的通量逻辑。按照这个逻辑：AI组织不是人数更少的组织，而是知识以最低摩擦流动的组织；投资于AI与投资于人相互强化，并引领大企业破除组织规模瓶颈、重启增长引擎。因此，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、更高质量地进入应用。

回到组织和企业的本质。根据科斯定理的交易成本理论（Transaction Cost Theory），之所以会有企业，是因为市场上很多交易的成本太高，放在组织里交易，自己人好说话，能减少尔虞我诈。这是经济学家的说法。管理学领域的知识基础理论（Knowledge-based Theory）则认为，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，企业是让知识在内部流通得更好。

大家再想想：为什么要有企业文化？企业文化能让组织里的一群人经过同样的熏陶，用同样的语言交流、聊起来更顺畅，而且隐性知识必须经过交流才能相互理解，市场上的交易方根本不具备这个交流条件。只有在同一个组织里，大家才有长期交流的机会，知识交流的效率才比市场高。

这正是管理学家从知识基础理论角度对“企业为什么存在”的本质理解。从这个角度来解释企业为什么需要人：因为人带着知识，一群人互相交流，能碰撞出新知识，再把新知识转化为研发成果、产品、服务，最终转化为收入和利润。

“通量”又是什么意思呢？通量就是知识流动的效率。知识创造价值不是靠知识存量，而是知识通量。

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。如果知识全在专家脑袋里不使用，它就不产生价值；如果专家不跟产品部、技术部、市场部等其他部门沟通，专家的知识依然是存量知识。

阻碍知识流通的三类障碍

知识转不起来，也是“大企业病”的根源。明明企业要打造开放交流的文化，实际上根本做不到。组织运转越来越慢，就是因为知识流动不起来。

不管是大企业，还是染上“大企业病”的小企业，知识难以流动都有三个核心原因，对应知识流通的三类障碍（交易成本）。

知识摩擦是知识流通的客观障碍，根源于人的理性有限。首先，知识本身有两大特征：一是隔行如隔山，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；二是专业知识本身复杂，很多知识没法写死在纸上，得结合具体场景用，需要前因后果，还涉及很多零散信息。其次，人本来就不可能什么都懂、精力也有限。因此，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。组织也因此需要文档、流程、培训、轮岗等机制以及跨部门会议来克服知识摩擦。

知识博弈是知识流通的主观障碍，根源于存在机会主义。很多人说组织是温情脉脉的社区，大家可以无边界交流，扪心自问：组织里真的是这样吗？很可能不是，尤其是大公司，为什么？因为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。“部门墙”为什么拆不掉？因为大家会为了自身利益封锁知识。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。这个障碍很大。

知识整合是知识流通的结构障碍，也是最大的障碍，根源是外部不确定性。正式组织的分工通常相对稳定，但外部问题并不按组织分工出现。组织成立之后，怎么调用知识满足客户需求？这取决于客户需求本身。企业为什么最后变成了矩阵式组织，既有产品线又有销售线？因为满足一个客户需求，既需要产品部门懂技术性能，又需要区域销售懂客户的行业或企业具体情况，两类知识合在一起才能拿出解决方案，这就是知识整合。

矩阵组织这种正式安排的存在，正是因为绝大多数组织都需要做知识整合，而且客户需求并不固定，预测客户真正的个性化需求也很难，所以组织里才会有流程委员会、项目组、推进小组、项目管理办公室、虚拟小组等。这些额外的组织安排，增加了大量管理成本，然而要满足不确定的需求，就不得不持续调整组织，叠加各种非正式组织，以整合内部知识，满足外部需求。

AI重构组织带来三大核心变化

AI怎么解决这些问题？问题本身未变，不过解决问题的手段有变。

第一，知识调用方式从“找人”到“找知识”，以解决知识摩擦；

第二，知识沉淀方式从“结果归档”到“过程留痕”，以破解知识博弈难题；

第三，知识流动方式从“部门协作”转向“任务连接”，以降低知识整合成本。

我们分别来展开介绍。

知识调用方式：从“找人”到“找知识”，解决知识摩擦。

在传统组织中，过去我们要找专家的知识，首先得知道谁有相关经验，部门名称就是知识的地址，需求方必须和特定部门协商，发起跨部门协作才能调用，部门经理是知识的把关人。这种安排的合理性在于：人作为知识的载体，时间精力有限，稀缺资源的使用必须得到管控，而安排优先级的权力就落在部门经理手上，因此过去专家都藏在部门墙后面，要调用就得跨过部门墙，这个安排的合理性来自“专家精力稀缺”的前提。

AI时代，资料、数据库、AI都可以完整留存专家的全部学识，未来部门的对外界面完全可能是一个数字专家（知识界面），可根据调用请求主动检索相关部门知识。哪怕专家不在，知识依旧可以被调取使用，也就是知识和拥有知识的肉体分开。一方面，这种调用不再受限于人类专家的时间精力，管控调用优先级不再必要，部门也就丧失了这部分行政权力；另一方面，AI数字专家具有近乎无限的理性，可以很好地理解跨部门、跨学科知识，刚好克服有限理性带来的知识摩擦。知识和人解耦之后，知识供给大幅扩张，知识消费效率也大幅提升，最终驱动知识通量增长。

有人会问：那专家是不是面临失业？因为AI可以把专家的知识“蒸馏”出来替代专家。其实不是，数字专家只是承担知识流通职能，知识的丰富性和准确性仍然需要人类专家来保障，人类专家继续发挥不可替代的作用，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。专家要做的，就是不断更新数字员工背后知识库，保证知识的准确度和鲜活度，这是专家新的核心价值。

知识沉淀方式：从“结果归档”到“过程留痕”，破解知识博弈难题。

过去，企业做知识管理一直做不好，无论咨询公司还是律师事务所，都没法让员工主动贡献全部知识，这背后的根本原因是存在知识博弈：人作为知识的载体，把知识交出去，等于交出自己的核心竞争力，在晋升竞争中自然会吃亏。这个问题在过去没有根本解法，毕竟知识都在人脑子里，没法强迫别人分享。

AI如今带来转机。未来知识工作者完成所有工作，包括看文档、写邮件、改方案、做PPT，如果全流程都处于一个集成工作环境（IDE），会议沟通、方案迭代和决策在发生过程中就会被全量结构化捕捉，所有行为都会自动留痕。举个最简单的例子：战略部两名专家竞争总监位置，其中一个花3小时找到1篇对公司战略至关重要的论文，他绝不会主动分享给竞争对手，但是在集成工作环境下，他浏览这篇论文的行为已经自动记录在系统中，当另一名专家搜索同类主题，这篇文章会自动排在搜索结果前列。

过程留痕有助于增进知识交易的可观察性、抑制知识博弈：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被大幅压缩，知识也就从个人的权力工具变成了组织的资产，从根源上化解知识博弈带来的问题。

知识协作方式：从“部门协作”转向“任务连接”，降低知识整合成本。

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。过去，跨部门协作必须走部门审批、领导调配流程。部门先决策同意加入再派出参与者，参与者还要不断在项目和部门之间来回传递信息，管理成本非常高昂。

AI时代，部门领导的权力结构将被解构：未来每个人都有自己的数字助理或数字分身作为对外协作的接口，它们既嵌入业务组内部，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，主责部门的数字分身就可以直接和其他数字分身接洽，调用相关知识模块生成初步方案，很大程度上消除跨部门的知识摩擦，直接在底层围绕任务动态重组知识。

同时，过去因为人类专家时间带宽稀缺，部门对跨部门协作天生保守。现在数字分身有近乎无限的时间带宽，默认可以响应协作需求。人类只需要负责规则、权限制定，以及对初步方案做审核修正，只有极端例外情况才需要人类介入否决重启。知识流动的路径不再是“部门A→部门B→客户”，而是任务牵引下人类、数字分身和知识系统共同重组，甚至未来客户、供应商也可以派数字分身加入，实现跨边界知识流动，大幅降低知识整合的管理成本。

AI原生组织的三层架构

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：

第一层，夯实底层知识基础设施。企业要把分散在文档、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为动态的基础设施。这一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，而是先建可流通，让知识在流通中检验价值。

第二层，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，两个关键点在于：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。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。需要明确的是，数字人是知识流通节点而非责任节点，是助手而非替代者。

第三层，构建顶层人类组织。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。这一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。

人类的护城河在于应对不确定性

AI对组织的改变，本质上推翻了过去组织运行的两个默认前提：一是有限理性带来的知识摩擦，二是机会主义带来的知识博弈。

如果用AI降低知识交易成本疏通管理瓶颈，再把人力释放出来，甚至招募更多人去发挥存量资源的增长潜力，完全可以重启增长引擎。然而，从裁员开始的AI转型从一开始就走偏：裁员带来的信任危机让员工很难真正参与开放知识和重构流程，AI投入没法转化为效益，还会让企业进入收缩的负循环，丧失增长前景。

那些仅负责内部流程把关、信息传递、内部博弈的管理工作，也就是“面向内部复杂性的管理工作”，确实会面临被替代的风险，但是我更想强调一个非常重要的结论：不要从人类自身的属性找不可被替代的理由，比如情感、创意之类的人类中心主义说法，真正的护城河来自外部不变的需求。这个世界的不确定性不会因为AI的到来就消失，应对外部不确定性，永远是人类和企业的核心价值。

最后想要说的是，不要恐惧机器接管运营性工作，企业应该大方地把人力资源释放出来，让机器去处理内部的复杂性，把人解放出来去做机器做不了的事，包括探索组织前沿、应对不确定性、寻找新增长点、打造新的商业模式，以及和利益相关者建立共识等。这是企业真正值得依赖和骄傲的部分。

整理：王志勤