2026年,一个人开始可以干完过去需要一整个团队才能干完的活。这不再是某家公司的孤例。2026年9月24日,波士顿咨询(BCG)发布一份报告,题目很长——《Five Ways That AI Front-Runners Change How Work Gets Done》(AI 前沿企业改变工作的五种方式)。它想回答一件很具体的事:当AI真正进入日常工作,公司到底怎样重新安排人、权力和流程。

往前推半年。2026年3月到8月,BCG Institute 的团队访谈了50多家被称为「AI front-runners」的企业。它们分成三类:
· 23家以AI起家的AI原生公司
· 18家把AI当核心引擎的数字平台
· 9家按职能逐步改造的传统企业。
样本来自十个国家、十几个行业,既有初创公司,也有员工超过五万人的大企业。
BCG最后归纳出五个维度:工作的目的、工作本身、决策架构、工作协同、回报与薪酬。80%的受访公司,至少已经在其中三个维度上发生变化。
报告还引用了BCG Institute的另一项研究:能够用AI重做工作与人才机制的公司,行业调整后的年度股东总回报(TSR),比同行高出11个百分点以上——增长来自收入扩张和利润率改善。
差距不在「用了多少AI」。AI领先公司未必拥有最高的AI使用量。真正的分水岭,是它们重装了工作方式本身。
变化一|工作的目的:从领任务到担结果
传统公司的工作,多从上往下拆解。岗位边界固定,每个人完成分到自己名下的那部分,对「做什么」负责,对「怎么做」几乎没有发言权。
在超过一半的受访公司里,领导层负责确定方向,个人和团队直接对结果负责。目标仍由上层说明,怎样实现,留给离工作最近的人。岗位边界随之松动。
Railway 撤掉了「警察式签核」。这家做云部署的初创公司,把事前审批整个改成了分阶段发布和事后复盘(after-action reviews)。管理者少做「盖章人」,年轻员工可以先行动;出了问题,也由做决定的人负责。接近三分之二的受访领导者提到,公司已经大幅减少流程检查和事前签字,把真实的工具与预算交到员工手里。
Bolt.new鼓励员工围绕问题协作——只要你的判断或技能有用,就能直接加入,不必先通过经理,也不用等需求排进路线图。
Valence 走得更远:员工可以为解决问题自行寻找、购买新工具,IT负责安全检查,财务定期看支出是否合理。自主权还在,控制点变了。
两个词换了位置:从「被分配的任务」到「被拥有的成果」,授权的起点就变了。
变化二|工作本身:AI生产,人负责方向与质量
过去,技术主要用来加快某几个任务,人仍是主要生产者。AI领先公司的分工,已经往前走了一步。
AI承担起草、构建和执行;人把精力放到界定问题、设定目标、给出指令,以及判断结果能不能交付。一个人因此可以覆盖过去需要一个团队完成的范围——能力的扩展,不再只靠加下属,还可以靠管理更多AI能力。
Reserv把18个月压成了4周。这家监管科技公司,学习与发展(L&D)项目从立项到上线原本要走18个月,现在4周;应对监管变化,从大约3天缩短到大约1小时。三分之二的受访公司在主动训练员工「怎么指导 AI」,而不只是「怎么用 AI」。
Miro要求每名员工能搭建并调用多个Agent,用它们交付完整结果。
Zapier 把 AI 素养拆成四块——保持好奇、知道何时该用AI选什么工具、能亲手做出合格结果、清楚目标并对输出负责。
Salesforce 把预判、判断、设置检查点和及时介入,视为所有员工都需要的管理能力:即便刚入职的人,用成本较高的 Agent 时,也要知道何时让它停下或改道。
ServiceNow 给员工提供 Agent 库和自建工具,让他们从执行转向洞察。
机器替你把活儿干完,剩下要拼的,是「你到底想让机器干什么」。
五种新角色,从新分工里长出来。BCG在访谈中反复看到五种角色原型。它们未必都成了正式岗位,但相应职责已经有人承担。
1. 业务自建者(Citizen Builders)
业务人员自己搭应用和 Agent,减少对工程、数据团队或外部服务商的依赖。
· Cursor的一名市场人员做出应用,批量生成数千份增长营销素材,取代了原本交给代理商的工作;财务团队也开始自建预测模型。
· DevRev 一名没有技术背景的销售运营,做出了可以读写CRM数据的Slack Bot,并投入实际使用。
2. 工作流设计师(Workflow Designers)
从头审视一条跨多人、多步骤的流程:工作现在怎样流动,哪些交给 AI,哪些判断留给人,交接点放在哪。
· Writer让Agent从销售通话提取客户问题,再对照公司已有内容找缺口,编辑把时间留给需要判断的部分
· 。Greenhouse 在各部门设偏运营的「创新负责人」,寻找适合自动化的流程。
3. AI治理者(AI Guardians)
负责风险与合规。一家云服务公司由AI委员会、合规和治理团队共同审查新用例,通过检查后再表决。
Scale AI 设有专门团队,对自有模型和 Agent 做系统性攻击测试,重点查幻觉和数据泄漏。
4. 领域知识负责人(Domain Anchors)
把专家经验编码成可复用知识。五分之四(80%)的受访公司在这么做。
· Workera为每个领域安排一名专家,比如心理测量学博士,把自己的理解写成文档交给 Agent传播。
· 前面提过的Reserv,让员工为工作创建 Agent,个人经验保留在运行方式中。
· Walmart 员工常每18到24个月轮岗,同时逐步建立岗位的「数字孪生」,减少人员流动带来的知识损失。
5. Agent 运营负责人(Agent Shepherds)
当公司里出现大量 Agent,就有人管理它们的权限、表现、托管与生命周期。
· Bolt.new 描述了一个中央AI原生角色,负责数据治理、基于角色的访问控制、Agent托管与异常下线。
· Walmart也在建编排岗位,管理面向客户和内部的大量互联Agent。
变化三|决策架构:从权力集中到按风险分配
传统组织的信息沿层级上报,决定也跟着向上集中。BCG看到的新原则,是按决定能否撤回、风险有多大来分配权力。
规则确定的事交给Agent;低风险、可逆的决定,由最靠近问题的人处理;重大且难以撤回的,仍留在上层。大约一半的受访公司已经在把决策权向下移动。
Jellyfish把签字权还给了工程师。过去,每次代码集成变更都要团队外的代码负责人签字,审批很快成了瓶颈。现在,写变更的工程师可以在预先约定的规则内自行批准,变更通过时间从 3 天缩到 1 天——有权发布,也要在出错时担责。
HappyRobot把规则明确的人员调度交给Agent,只在需要权衡时升级给人。放权的前提是判断力。超过一半的公司把推理过程公开,鼓励质疑和讨论,也让年轻员工更早接触真实决定。
Reserv让最接近问题的人提方案、带迭代。
Cursor要求员工公开 AI 生成的提案并解释为什么这样处理,同事可以直接挑战薄弱推理。
Glean把培养判断力列为经理的明确职责,尤其帮刚毕业、尚缺模式识别能力的员工。
决策权跟着「这事可逆吗」走,而不是跟着职级走。
变化四|工作协同:把会议留给决定、分歧和关系
过去,大量会议用来传递信息、同步状态、等待审批。AI可以接手一部分行政与对齐工作,也能把上下文放进随时可查的系统。
约三分之二的受访者说,会议开始处理更重要的问题。人见面时,重点变成作决定、交换观点和建立关系。
Miro把例会从「对进度」改成「做决定」。它把仪表盘和例行更新改成自然语言查询,员工少开状态会,把时间转向客户关系——信任、隐性背景和有价值的观点碰撞,仍要人面对面完成。
DevRev 用了两年建起内部知识系统Computer,把全公司背景信息集中,许多原本层层找人的交接被省掉。
Workera每周领导会议前,Agent会读邮件和Slack,列出已作决定、未决问题,并据人写的取舍原则给建议,会议时间留给真正的讨论。
多数公司提到中层角色的变化:从协调者转向「player-coach」——既参与实际工作,也帮团队校准判断。AI 吃掉了重复,留下来的,恰恰是最「人」的那部分。
变化五|回报与薪酬:从资历和工作量到影响、判断与杠杆
传统公司的晋升常看资历、工作量和产出数量,反馈以年度、上对下为主。AI领先公司开始奖励三件事:产生了什么影响,做出了怎样的判断,用AI把能力放大了多少。反馈也更连续、更公开,同事的意见进入评价。约四分之三的受访公司把判断放在活动数量之前。
Clay用15分钟对话给「思维」定价。它常用15到20分钟的现场交流检查方案——AI 能生成看起来完整的材料,简短对话能看出提交者是否真理解、能不能据此行动。
Glean招销售时,给候选人三到四个潜在客户,可以用AI,但要判断先联系谁、怎样写外联,并说明自己如何修改 AI 产出。
Zapier看员工是否改善了业务指标、客户关系或同事的工作——工具用得多,不等于产生了结果。
Scale AI让晋升跟着影响走,结果够强,职业生涯早期的员工也能较快拿到高级职级。
Writer 在全员会上表扬贡献突出的人,请他们说明做了什么、为什么有价值,把知识分享变成一条可见的成功路径。
当薪酬开始为「你判断得好不好」买单,员工自然会去练那个最难被机器替代的能力。
传统企业怎样开始:基础、试点、规模化
传统企业还要维持现有业务,不可能让五个维度同时以同样速度变化。BCG给了一条三阶段路径。
第一阶段:打基础
先定义业务价值——明确优先AI项目要改善什么结果,再反推哪些岗位、职能和技能会受影响,部署AI本身不是目标。
再定义AI素养:每家公司说清所需的心态、判断和能力,写进招聘。中国房地产平台贝壳(Ke)调整了面试题,弱化学校背景,尤其会问应届生用 AI 做过什么、从中学到了什么。
给员工真实工具和试验空间,培训围绕团队实际流程、按职能设计。Walmart 很早把前沿工具交给一线员工,强调 AI 用于提升工作而非简单裁岗,还公开表扬第一位获得 AI 认证的资深员工——工龄不会成为学习门槛。
第二阶段:选一两个突破口
优先选业务价值高、AI素养好、团队意愿强的领域。Rivian的软件部门比公司其他部分早约半年运行自己的AI框架,后来成了向外推广的参照。让领域知识负责人和工作流设计师进入试点,重画端到端流程,重新划分决定由Agent、个人还是高层做;纯状态更新转到异步工具,实时会议只保留需要共同判断的内容。
试点的结果要能被看见:什么变快了、什么质量提高了、哪些交接不再需要,奖励围绕这些结果设计。
第三阶段:扩展到全公司
把试点中的角色扩到更多业务,在需要沉淀专业知识的领域设Domain Anchor,让更多团队获得Workflow Designer支持;规模上来后,再补齐AI Guardian与 Agent Shepherd。
工作重构要变成一项可重复的能力——ServiceNow建了中央平台团队,核心能力统一建设再支持各业务单元,转型目标由公司层面设定,避免进度只取决于某个部门是否积极。
两种公司,此刻站在同一条河的两岸。一种,把AI当工具,叠在旧流程上——快一点,但骨架没动。另一种,把工作拆开、把权责重接、把薪酬重写,让AI进到运营模式的最底层。
样本里,23家AI-Native、18家Digital-First、9家Traditional Front-Runners,都在往同一个方向挪;它们的年度股东回报,高出前者11个百分点以上。
回到开头:领先公司的优势,来自持续改进工作方式的能力。
技术继续变,组织就要继续调。这场变化没有一个固定终点,但有一个清晰的起点——敢不敢把组织从根上重接一遍。
AI替你把活儿干完之后,留下来要拼的,是你到底想让机器去干哪一件事。