从超级个体到超级组织：新的生产单位，是「人 × 智能体系统」

结论

个体杠杆不会自动累加成组织能力。企业真正缺的不是更多工具许可，而是三份被写下来的东西：工作流、质量标准、交接口径。新的生产单位是「人 × 智能体系统」，它是一项组织资产，不是一项个人技能。

发生了什么

2026 年 5 月 5 日，微软 WorkLab 发布《2026 Work Trend Index Annual Report: Agents, Human Agency, and the Opportunity for Every Organization》。调研由 Edelman Data x Intelligence 执行，覆盖 10 个市场、每个市场 2,000 人、共 20,000 名在工作中使用 AI 的知识工作者，字段时间为 2026 年 2 月 18 日至 4 月 20 日；另有 Microsoft 365 使用信号与 2026 年 2 月某一周的 105,000 条 Copilot 会话样本。

• 活跃智能体数量同比增长 15 倍，大型企业为 18 倍。
• 报告定义的 Frontier Professionals（能用智能体完成复杂或多步工作、并经常重新设计工作方式的人）占受访者的 16%，即 20,000 人中的 3,233 人。
• 这群人所在的组织，把智能体工作流、人机交接与质量标准写成可重复文档的比例是：团队层 26% 对 19%，职能层 29% 对 17%，组织层 25% 对 14%。
• 组织因素对 AI 影响的解释力是个人因素的两倍以上，67% 对 32%。
• 报告称之为转型悖论：65% 的人担心不适应 AI 会掉队，45% 的人认为专注当前目标比重新设计工作更安全，只有 13% 的人说即使结果不理想，重新设计工作也会被认可。
• 只有 26% 的 AI 使用者认为领导层在 AI 上口径清晰且一致。

2026 年 6 月 18 日，麦肯锡旗下 QuantumBlack 发布《The symbiotic enterprise: A new model for growth》。它的核心观察是：AI 采用已经普遍，但极少企业报告出实质性的损益表影响，原因是 AI 大多被嵌进既有工作流，只产生增量收益；真正的跃迁来自重新设计执行方式，而不是增强既有方式。麦肯锡进一步提出，当人、AI 智能体与智能机器人各按所长分工时，会出现一种更扁平、以技术为主要成本项的企业形态；随着 AI 能力商品化，持久优势转向可以累积的资产——由数据、智能体技能与学习回路构成的专有智能，客户与生态的控制点，以及对智能架构与规模化执行的掌握。

最该被盯住的一组数字

是 26% 对 19%。

这两个数字之间只差 7 个百分点，而且两个都很低。也就是说，即使在行为最先进的那 16% 的人所在的团队里，也有大约四分之三没有把智能体工作流与质量标准写下来。组织侧近乎空白。

把它和 67% 对 32% 放在一起读，结论就很尖锐：决定 AI 成效的那一侧，恰好是几乎没人动过的那一侧。多数企业把预算投在个人侧——工具许可、提示词培训、内部比赛——而数据显示，个人侧只解释了三分之一。

麦肯锡从另一个方向得出了同一件事：采用率已经很高，损益表却没有反应。约束不在能力供给侧。

为什么这对企业重要

个体杠杆有一个天然的失效点：它绑定在人身上。最会用工具的那位买手、那位客户经理、那位分析师，他的产出提高了，但他的方法不出他的电脑。他离职、轮岗或者休假，产出就回到基线。企业为此付出了工具成本，却没有得到任何可以留下来的东西。

这不是执行力问题，是资产形态问题。组织能力的定义是：换一个人做，结果落在同一区间。个人技巧不满足这个定义，写下来的工作流才满足。

汉兴的判断

新的生产单位既不是人，也不是智能体，而是「人 × 智能体系统」。它成立的前提是四项组织资产同时存在：上下文供给、工作流定义、质量标准、学习回路。缺任何一项，个体杠杆就停在个体。

这个判断可以被反对。反对的版本是：瓶颈在模型能力和数据质量，等模型更强、数据更干净，组织问题会自然消解。我们不同意的理由是，采用率与损益表影响之间的落差在两年里没有随模型能力上升而缩小；如果约束在能力侧，这个落差本应收窄。

\`\`\`生产单位 = 人 × 智能体系统├ 上下文供给：组织事实可被调用├ 工作流定义：步骤与交接点明确├ 质量标准：合格与签字口径统一└ 学习回路：失败样本回到规则缺一项 → 杠杆停在个体\`\`\`

1. 上下文供给：智能体要能调用组织事实——谁是客户、什么算合规、上季度的定价规则是什么。判据是这些事实以接口形式存在，而不是靠每个人粘贴表格。
2. 工作流定义：一条端到端流程的步骤、交接点，以及每个交接点上谁负责。判据是它写在一页纸上，而不是分散在几个人的记忆里。
3. 质量标准：什么算一份合格交付，由谁签字。判据是两个未曾合作过的人对同一份产出给出同样的判定。
4. 学习回路：被推翻的输出要回流成规则或提示的修改。判据是能说出上个月哪三条规则因为什么样本被改过。

配套指标是组织杠杆倍数：

\`\`\`组织杠杆 = 单元产出 ÷ 单元人力约束条件：跨人可复现\`\`\`

跨人可复现是这条公式的全部重量所在。没有这个约束，任何一次由高手完成的漂亮结果都会被当成能力证明；有了这个约束，只有工作流本身能被计入资产。

一个中国企业的情境（示例推演）

以下情境用于说明四项资产的用法，不对应任何真实客户，数据为示例推演。

一家全国性连锁零售企业的商品部要做门店补货建议。第一版是给每位买手配一个助手，各自写提示词。三个月后效果分化很大：最强的两位买手把缺货率压了下去，其余人几乎没有变化，部门整体指标不动。这正是个体杠杆停在个体。

第二版按四项资产重做。上下文供给：把门店层库存、促销日历、供应商到货周期做成可被调用的事实接口，而不是让每个人自己贴表。工作流定义：固定为建议、复核、下单三步，规定异常值必须停在复核这一步。质量标准：一条合格的补货建议必须同时给出数量、理由，以及被推翻时的替代方案。学习回路：每周把被买手推翻的建议汇总，更新规则并记录改动原因。

这四项都不需要新采购。它们需要的是有人被明确指定去写、去维护、去为口径负责。

反方观点与适用边界

第一，非标准化组织不适用。 以创意或关系为核心产出的组织——早期创业团队、精品投行的交易团队、广告创意组——过早文档化会杀掉探索。适用条件是：同类任务有足够的月频次，并且交付物存在可判定的合格标准。两条不同时满足，就不要上这套结构。

第二，规模下限。 把工作流写下来会提高协调成本。当一项工作涉及的总人力低于某个规模时，文档的维护成本会超过它带来的可复现收益。这时候正确的做法是保留个人技巧，等频次上来再固化。

第三，数据本身的边界。 微软的 20,000 名受访者全部是已经在工作中使用 AI 的知识工作者，属于自选样本，不能代表全体劳动力；10 个市场不包含中国，用工结构与组织层级的差异会改变结论强度。麦肯锡的论述是模型与观察，不是可复现的统计。我们引用它们的数据与观察，判断由汉兴自己承担。

企业现在应该做什么

给 CEO：下周问一个问题——我们最赚钱的那条业务线，它的核心工作流写在哪里。 如果答案是「在几个人的脑子里」，那么后续任何 AI 预算都会先被这一点吃掉。这个问题不需要项目立项，只需要一次会议。

给 CAIO：选一条端到端流程，画出它的交接点，为每个交接点回答两件事——什么算合格、谁签字。 输出不超过一页。这一页是后续所有智能体编排的前置条件；没有它，编排出来的只是更快的混乱。

给 FDE：在交付里加入跨人复现测试。 把同一份工作流交给一个未参与设计的人执行，比较两次结果的差异。差异大的环节就是文档缺口所在，也是下一轮迭代的唯一优先级。

证据、来源与公开边界

• Microsoft WorkLab，《2026 Work Trend Index Annual Report: Agents, Human Agency, and the Opportunity for Every Organization》，2026 年 5 月 5 日。https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization
• McKinsey & Company（QuantumBlack, AI by McKinsey），《The symbiotic enterprise: A new model for growth》，2026 年 6 月 18 日。https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-symbiotic-enterprise
• Anthropic，《How AI Is Transforming Work at Anthropic》，2025 年 12 月 2 日。https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic

本文引用的数字来自上述报告原文。中国企业情境为示例推演，不对应任何真实客户。四项资产框架与组织杠杆指标为汉兴原创，未经第三方验证。

元信息

栏目 Enterprise AI　作者 汉兴 AGI 实验室　版本 v1.0　成稿 2026 年 8 月 12 日