（图片由HRflag用ChatGPT image2.5生成）
一家大型企业的负责人打开经营看板，发现昨日异常订单已经被归类，可能原因附有证据，跨部门待确认事项也被整理成清单。过去，这些信息可能要等几个团队分别导出数据、开会对口径、再由助理汇总；现在，AI Agent可以先走完资料检索、初步分析和任务分派。负责人仍然要决定是否调整库存、承诺何时交付，也要对决定承担责任。变化发生在决策之前：组织获取事实、形成备选方案和安排协作的速度，正在被重新定义。
微软公布的一组数字，让这种变化有了更直观的尺度：超过80%的《财富》500强企业，已经使用通过其低代码或无代码工具创建的活跃AI Agent。这个数字来自微软自有产品的使用数据，统计的是2025年11月某个连续28天窗口内已投入生产、发生至少一次用户交互或自主运行的Agent；它不能直接推论为这些企业已经完成全面转型，更不能说明所有员工每天都在使用。真正值得高管和HR负责人留意的，是如此多的大企业已经把Agent接入实际工作，而组织制度通常比工具的接入走得更慢。过去讨论AI，问题常常是给员工配什么工具；现在，问题开始变成哪些工作可以交给Agent，以及谁来定义结果、检查结果并承担结果。
用户提供的领英帖转述了微软《2026工作趋势指数》的另一项观察：随着AI承担更多执行环节，人的判断与批判性思维愈发重要。它与上述80%的数据并非同一项调查，却恰好构成同一个管理命题的两面：企业已经让Agent进场，接下来必须决定人如何与它共同完成工作。若仍用“个人使用了多少次AI”衡量进展，往往只能看到工具的热度，看不到流程是否变短、客户体验是否改善，也看不到决策质量是否真正提升。对管理层而言，Agent进入组织以后，最难的部分并不是为它取一个像同事的名字，而是为它安排一套能交付、可追溯、可纠正的工作关系。
从一项功能，变成流程中的参与者
人们已经习惯让生成式AI写一封邮件、总结一场会议、整理几页资料。Agent向前迈了一步：它能围绕一个目标连续处理多项任务，调用被授权的工具和数据，在一定条件下把结果送到下一个环节。比如销售团队跟进一家客户时，Agent可以汇总以往沟通、查找产品信息、标出待确认需求、形成拜访准备材料；客户经理再判断哪些信息需要核实、哪些承诺需要审批。决定工作价值的，不再只是某一步是否写得更快，而是资料、判断、执行和交接能否连起来。
微软对“活跃Agent”的定义其实很克制：部署到生产环境，并在过去28天出现至少一次有效互动或自主运行。如此低的活跃门槛，意味着“80%以上”最适合用来判断扩散范围，不能用来估算流程覆盖率、使用频率或投资回报。一个企业可能只有少数团队在试运行，也可能已有多个部门持续使用；它们都会出现在同一组统计中。恰恰因为口径有限，这组数字才值得认真对待：只要Agent开始进入生产环境，权限、质量、责任和绩效就不再是实验室里的话题。
Agent最初往往以一个功能出现，后来却会碰到整个组织的边界。它为客户服务整理答案，需要接入知识库并知道政策何时更新；它为财务汇总异常，需要辨认数据口径并识别需要人工复核的事项；它为HR准备人才盘点材料，还会涉及评价标准、个人信息和管理者意见。每多接入一个系统，就多一层协作关系与责任边界。企业部署Agent，表面上是在增加一项数字能力，实际是在改变工作的流向。
这种改变让原有的岗位说明书出现一个有趣的空白。岗位说明书通常列出员工负责什么，却很少写明哪些环节可以委托Agent、交付前要检查什么、异常出现时该由谁接手。过去，一个销售经理说“请团队准备客户方案”，组织会按照熟悉的分工理解任务；未来，当初稿、数据检索和格式整理已由Agent完成，“准备方案”就不再等同于完成那些动作。岗位真正需要界定的是客户洞察、商业取舍、跨部门协调，以及最终对外表达的责任。
流程重写，先从最容易被忽略的交接开始
企业最容易看到的收益，通常是少写一份材料、少花几个小时整理资料。但大型组织真正耗时的地方，往往藏在材料完成之后：版本要对齐、口径要确认、审批要流转、例外要有人解释。若Agent只让每个人更快地产出初稿，而后续仍依赖原来的会议和邮件来处理，局部效率可能提高，整体交付周期却不会同比缩短。要看见真正的变化，需要沿着一项业务从需求出现到结果交付，把等待、返工与复核逐段画出来。
以招聘为例，AI可以帮助整理岗位需求、生成沟通提纲、提醒面试官补充评价依据，也可以汇总候选人的公开或已获授权信息。但真正影响招聘质量的，是用人经理是否说清楚岗位要解决的业务问题，面试官是否使用一致的评价标准，候选人是否获得充分、尊重的沟通。Agent能够减轻资料处理和流程提醒的负担，给HR更多时间与业务团队校准人才标准。若连“什么是合适的人”都没有共同语言，再快的筛选也难以改善最终匹配。
客户服务也一样。Agent可以全天候回答明确、标准化的问题，为服务人员汇总历史记录和产品政策；当客户遇到特殊情况时，工作人员仍需判断具体情境、调动资源并修复关系。微软披露，印度航空的AI客服方案每日处理约4万条咨询，自上线以来处理了超过1300万次对话，微软称其处理成功率达到97%。这些是企业披露的个案成果，说明高频业务可能形成规模效应，不能机械移植为每家公司的目标值。更值得借鉴的是任务分层：把重复、可核验的咨询交给系统，让人力集中在复杂、需要判断与沟通的服务上。
流程设计也决定了Agent是否会带来新的管理负担。假设一个经营分析Agent每天生成二十条预警，而团队只有能力认真处理五条，那么产出的增加就会把瓶颈转移到复核和决策。如果没有优先级规则、证据来源与处理时限，管理者反而要花更多时间辨别哪些内容值得看。好的流程不是让Agent提供尽可能多的答案，而是让它在合适的时间提供可核实、可执行的信息，并明确何时需要人来决定。
岗位变了，能力评价也要跟着变
当执行环节交给Agent，一些岗位的价值会向上游和下游移动。上游是定义目标、拆解问题、确定边界；下游是审阅结果、处理例外、对客户和业务结果负责。原来以“个人完成多少份报告”衡量工作的岗位，未来可能更需要考察其是否能设计可靠的信息流程，识别一份报告里最值得讨论的偏差。原来凭记忆储存流程知识的骨干，也有机会把经验整理成规则，让更多同事获得同样高质量的支持。
这并不意味着每位员工都要学会开发复杂系统。一个优秀的业务人员可能只需要掌握几种关键能力：准确描述业务目标，判断资料是否可靠，知道哪些步骤可以自动执行，以及在结果不合常理时及时提出异议。对管理者来说，还要多一种能力：把个人的工作经验转化为团队共用的质量标准。技术操作可以通过培训获得，真正影响组织表现的，是业务判断能否被表达、被复用，并在实践中不断修订。
微软《2026工作趋势指数》对2万名、来自十个市场的AI用户进行了调查。在其定义中，约16%的人属于“前沿专业人士”：他们不只是使用Agent完成较复杂的任务，也会反复重设流程，让团队形成可以重复使用的工作方式。报告还显示，58%的受访AI用户认为，自己如今能做一年前无法完成的工作；在前沿专业人士中，这一比例达到80%。这些是受访者自我报告的感受，不能直接当作生产率的实验测量，但它揭示了能力差距的方向：使用同一类工具的人，创造新工作方式的能力并不相同。
来自印度的研究切片又提供了一个值得注意的细节。微软披露，32%的印度受访AI用户符合“前沿专业人士”的定义，高于十市场的16%平均水平；同时，63%的印度受访者将AI输出的质量把关视为重要能力，59%强调批判性思维。这里的比较对象是研究中的AI用户，不是印度所有劳动者，也不宜简单套用到中国企业。它提示管理者：当Agent承担更多操作，高价值能力会逐渐集中在判断标准、审阅证据、理解场景与沟通取舍上。
HR如果仍把AI能力简化为“会不会写提示词”，很容易错过岗位真正发生的改变。更有效的办法，是拿一项真实任务观察员工如何工作：面对一份有缺漏的客户信息，他会先追问什么；面对Agent给出的看似合理的结论，他能否找出证据不足之处；面对可以自动化的环节，他会不会设计复核点。这些行为比工具使用次数更能反映能力，也更接近未来的人才发展重点。评价维度由“熟练操作”转向“设定标准并承担判断”，培训与晋升标准才有机会同步更新。
管理者的新工作，是让判断形成组织能力
微软研究中还有一组值得管理者细看的数字：只有26%的受访AI用户认为，所在组织的领导层在AI方向上保持清晰且一致。与此同时，65%的人担心自己若不尽快适应AI会落后，45%的人则认为，守住当前工作目标比重设工作方式更稳妥。对员工而言，这并不矛盾：组织一面鼓励创新，一面继续按照旧流程的产出速度和当期任务完成情况评价绩效，个人自然会先保证眼前交付。转型能否发生，取决于管理者是否把鼓励试验的表态变成时间安排、质量标准与明确的评价规则。
基层经理的位置尤其关键。他们最清楚团队每天把时间花在哪里，也最能识别哪些步骤是必要审核、哪些只是因为习惯而保留。经理可以和团队挑一项重复出现的任务，记录旧流程每个环节的时间与返工原因，再共同设计Agent参与后的交接点。新流程运行一段时间后，团队复盘的不应只有节省了多少分钟，还应包括结果质量、例外处理与客户反馈。只有这样，个人摸索出来的小技巧才可能变成可复制的团队方法。
在微软引用的一项面向1800名员工的研究中，管理者积极示范AI使用，与员工报告的AI价值感知提高17个百分点、对AI使用的批判性思考提高22个百分点、对Agent的信任提高30个百分点相关。这是调查中的相关关系，不等于只要管理者开会展示几次AI，就一定能得到相同提升。真正起作用的，通常是管理者公开展示自己如何提问、如何核查、什么时候推翻Agent的建议，并且允许团队就错误与边界进行讨论。员工看见的不是“领导也在用”，而是一套可以效仿的工作方法。
经理还需要重新理解授权。传统授权主要把任务交给员工，并通过经验和汇报来掌握进度；Agent参与后，一部分任务可以同时展开，结果成批返回，管理跨度可能突然扩大。此时授权要包含输入资料、可执行动作、复核阈值和遇到例外时的升级路径。管理者如果仍以“最后由我看一下”作为唯一质量控制，任务一多，自己就会变成流程中最拥堵的节点。把判断标准写清楚，比让每份产出排队等一次主观检查更重要。
绩效不能只看省下了多少工时
企业上马Agent时，最容易计算的是时间：过去一份周报需要三小时，现在只需四十分钟。这当然是有价值的起点，但节省下来的时间不一定自动变成经营收益，尤其当新流程还增加了审核、系统维护和培训成本。若周报写得更快，却没有帮助团队更早发现客户需求或业务异常，收益便停留在局部环节。衡量Agent，需要从“动作快了多少”转向“交付结果发生了什么变化”。
一项业务流程至少值得同时观察几个维度：从需求提出到结果交付的总周期、一次通过率、需要人工升级的例外比例、客户或内部使用者的满意度，以及执行和复核的综合成本。这些维度要结合岗位具体化，不能变成一张放之四海而皆准的打分表。对招聘，可能重点看用人经理确认需求到有效候选人沟通的时间与入职后匹配情况；对财务，可能重点看异常识别的及时性与处理准确性。指标之间也有取舍，速度上升若以信任和质量为代价，最终会在后续环节付出更多成本。
微软披露的Cemex案例提供了一个具体参照。这家建材企业让约100名高级业务领导通过LUCA Bot查询企业表现，覆盖120多项关键指标，每月处理约400至500次查询。微软称，原本按天计的部分信息获取和分析过程被压缩到以秒计；这个故事的关键，不在于管理者提问变快，而在于跨销售、工厂和财务的数据能否被组织成同一幅经营图景。若高管能够更早发现需求变化，及时安排生产与服务，Agent才真正进入价值创造链条。
因此，绩效考核里可以逐步纳入两类成果。一类是业务成果，例如响应更及时、决策更准确、客户体验更好；另一类是组织成果，例如形成了可复用的知识、缩短了跨部门交接、把隐性经验转成了可检查的规则。后者常被忽视，因为它不一定在当季财务报表上立刻显现，却决定一个优秀团队的做法能否扩散到其他团队。Agent时代评价人才，也需要看到员工是否让周围人的工作能力一同提高。
HR部门自身，正处在变化的中心
谈人机协作，很容易先想到技术部门和客户服务部门。HR的工作同样有大量跨系统、跨环节的任务：人员规划需要对齐业务预算，招聘要衔接用人需求和面试评价，学习发展要理解岗位变化，绩效管理又会反过来影响人才标准。Agent若只是帮HR更快地写岗位说明书，收益有限；若能把这些信息在合适的授权下连接起来，帮助业务部门更清楚地提出需求、追踪培养结果，HR的工作方式就会发生实质变化。连接的前提，是每项信息有明确来源与使用边界。
一个可行的切入口是岗位画像。过去，一个新岗位往往先由部门提交JD，再由HR补充措辞、调整要求、发布招聘；等到面试进行一半，双方才发现“熟悉AI工具”的含义完全不同。HR可以把业务目标、实际工作任务、成功案例和判断标准整理成结构化输入，让Agent提出岗位能力假设与面试证据问题，再由用人经理逐项确认。这样做的价值并非让JD写得更漂亮，而是把原本埋在经验里的用人标准提前摆到桌面上。
学习发展也可以随之改变。传统课程按职级和职能安排，同一门AI培训可能让所有人学习相似的功能，学完后却找不到对应场景。若从真实流程出发，销售学的是怎样校验客户洞察，财务学的是怎样审阅异常分析，HRBP学的是怎样把组织问题转为可验证的假设。课程最终应落到一次实际交付，让员工带着工作样本返回团队，讨论哪些判断由人完成、哪些步骤由Agent支持。培训完成率可以记录，工作改进才应成为更重要的观察对象。
在人力规划方面，Agent带来的也不是一条简单的“减少多少岗位”公式。某些例行任务所需时间可能下降，新的数据治理、流程设计、客户沟通与质量审查工作又可能增加；变化还会因行业、成熟度和业务增量而不同。HR需要与财务和业务共同建立任务层面的基线，看每类岗位的时间结构如何变化，再讨论人员流动、技能培养和新增需求。以岗位名称直接推演人力结果，往往会忽略一份工作内部正在重新组合的部分。
权限、数据和责任，决定Agent能走多远
当Agent只负责整理公开资料，治理主要关注信息准确性；一旦它接入合同、薪酬、客户记录或审批系统，治理就会成为业务运行的一部分。微软《Cyber Pulse》报告提出的方向包括登记所有Agent、控制其数据与系统访问、观察运行行为，并明确归属与安全责任。对企业而言，这并不是再增加一层形式审批，而是让一个能调用资料、推动任务的系统拥有清楚的工作身份。没有这样的安排，业务团队也很难放心把真正重要的流程交给它。
最基本的一步，是为每个Agent指定业务负责人。负责人需要能说清它解决什么问题、使用哪些资料、允许执行哪些操作、输出由谁确认，以及出现异常时如何暂停或转人工。IT与安全团队负责技术权限和监测，法务与合规提供适用规则，HR帮助界定岗位和人员责任，但业务负责人不能因为系统由别人开发就退出责任链。只有责任在流程里落地，跨部门协作才不会停留在一份无人更新的清单上。
权限也不宜一次给得过宽。比如一个销售支持Agent需要读取产品资料和已授权的客户沟通记录，不代表它应该直接修改报价、访问全部客户数据或向外部自动发送承诺。企业可以从只读资料、生成建议、人工确认开始，待准确率与例外机制稳定后，再逐步开放低风险动作。分阶段授权并不会妨碍业务推进，反而使团队有机会在真实场景中积累信任，知道哪一类任务适合扩大使用。
微软还援引其委托开展的跨国调查称，29%的受访员工曾在工作中使用未经组织批准的Agent。这里的分母和取样来自相关调查，不能推断所有公司的实际比例；但它提醒管理者，员工对便利性的需求会早于制度建设。与其只发出笼统的使用禁令，更有效的办法是提供可用、合规的替代方案，让团队知道可以调用什么数据、何种情境必须走人工审核。规则必须嵌入工作流程，才可能成为员工每天做决定时真正用得上的边界。
人才竞争，将从个人效率转向系统协作
过去企业招聘高绩效人才，往往看一个人能否在复杂环境中独立解决问题。Agent普及以后，这种能力仍然重要，但领先团队的优势更可能来自另一层：它能否把优秀个人的方法变成大家都能调用的流程资产。最好的业务专家不只是自己写出好方案，还能解释为何这样判断、什么情况下不适用，并把这套判断教给团队与Agent。由此，知识传递会从“跟着师傅学”增加一条新的路径，经验可以更快地进入组织日常运转。
这也会改变晋升时对管理者的观察。一个经理能亲自处理大量业务，未必说明其团队具备可持续的交付能力；如果关键判断只能由经理一人完成，规模一扩大，质量就会受制于他的时间。未来值得重视的经理，是能把判断标准说清、让人和Agent各司其职，并让新人更快进入高质量工作的那一类。晋升评价除了个人业绩和团队结果，还可以观察流程沉淀、带教质量与跨团队复用程度。
企业也要谨慎看待“会用Agent的人一定更高效”的表面结论。任务难度不同、数据基础不同、团队授权程度不同，使用强度无法直接与绩效画等号。有的员工用AI生成十份初稿，看起来产量很高，实际可能增加了同事审阅和修改的负担；另一个员工只设计了一套核查规则，却让整个团队的交付更加稳定。人才评价若只奖励可见的产出数量，可能反而让真正有价值的流程改进藏在报表之外。
因此，企业的人才策略可以围绕真实工作的三个环节重新安排：找到能描述业务问题的人，培养能判断AI结果的人，识别能让有效方法在团队里持续运行的人。这些能力分布在业务、技术、HR和一线管理岗位，无法靠新设一个“AI负责人”包办。组织不必要求每个人都成为Agent专家，却应让不同岗位知道自己的判断责任在哪里。人才竞争会越来越体现为团队如何组合能力，而不只是招聘多少个会用新工具的人。
员工愿意合作，组织才有持续改进的机会
技术接入以后，员工最先感受到的通常不是宏观的效率曲线，而是自己每天工作的细节变了。有人发现准备材料的时间缩短了，终于能够认真跟进客户；也有人发现初稿来得更快，审阅和确认的任务却比过去更密集。管理者若只发布“以后大家都要用Agent”的要求，就很难理解这些真实差别。部署初期应让使用者参与梳理流程，记录哪些时间真正省下来了，哪些负担被转移到了别的岗位。
对于一线员工，清晰的预期比宏大的愿景更有帮助。团队需要知道Agent会处理哪些工作，自己仍要为哪些判断负责，错误如何报告，提出修正建议是否会影响绩效。若一个员工纠正了Agent提供的客户信息，这既是一次质量把关，也是在帮助组织积累改进数据。企业若只统计Agent完成的任务数量，却没有记录人如何发现和处理例外，就可能把最关键的学习环节从管理视野中漏掉。
培训设计也因此不应停留在一场工具演示。一个完整的练习可以从真实工作开始：让团队先提交原始需求，再查看Agent给出的处理过程和结果，随后对照业务标准寻找遗漏，最后讨论应当修改输入、权限还是复核规则。销售团队可用过去已结束的客户案例练习，HR团队可用去标识化的岗位需求，财务团队则可用历史已核对的异常记录。这样的练习能在不影响当前业务交付的条件下，让员工形成共同的质量语言。
员工参与还有一个经常被忽略的效果：他们能指出管理层看不到的隐性工作。许多流程图画得十分整齐，实际运转却依赖员工在电话里确认口径、在系统之外补充备注，或者凭经验识别不合常理的例外。这些动作若从未被记录，Agent就只能学习流程的外壳，无法理解工作为什么能够顺利完成。让熟悉现场的人参与设计，是把日常经验转化为组织资产的必要步骤，也有助于避免无意间把新的复核负担压到某一个岗位。
对新人的影响同样需要提前考虑。过去，新员工通过整理基础资料、旁听讨论、修改初稿，逐渐熟悉业务逻辑；当这些入门任务被Agent承担，组织若没有替代性的学习安排，新人可能直接面对需要判断的复杂问题。可行的办法是把Agent生成的分析作为教学材料，要求新人解释资料来源、提出反证，再与资深同事比较各自的判断。学习的目标不是重复机器已经能做的动作，而是理解一项工作何以做对、何时必须改变做法。
资深员工也会迎来新的贡献方式。他们多年来积累的客户经验、风险意识与业务直觉，可能很难写成一份完整手册，却可以通过审阅Agent的真实工作样本逐步表达出来。比如让专家解释一份方案为何需要调整，把“这个建议不适合此类客户”的判断拆解为可核实的条件，再沉淀为团队可使用的检查点。经验传承因此从抽象的课堂讲述，变成围绕具体案例不断更新的工作标准；资深员工的价值也更容易被组织看见。
这种参与不能只靠少数热心同事在本职工作之外完成。企业若希望员工帮助改进Agent，就需要给出专门的时间、必要的数据支持和可见的反馈结果，让提交的问题有人处理、有效的建议得到采用。对于HR而言，岗位职责和绩效面谈也应容纳这类贡献，而非把流程改进视为与“正式工作”无关的额外事务。员工能够看到自己的判断改变了下一次交付，才更可能持续使用系统、指出问题，并与团队共同提高结果质量。
把试点变成经营能力，需要回答几个具体问题
一项Agent试点进入规模化之前，高管最值得要求团队讲清楚的，是这项工作原本为何耗时。若根源是数据口径不一致，Agent可能先把矛盾更快地暴露出来；若根源是审批权分散，自动生成材料也无法代替授权决策。识别瓶颈后，再决定Agent处理哪些步骤、哪些结果需要人工复核、哪些信息必须回写原系统。这样，技术部署才会与流程调整发生联系，而不是在原有流程外再叠加一层新界面。
另一个问题是，客户、员工或管理者得到的体验是否改变。服务响应可以更快，但客户是否更容易解决真实问题；员工可以更快找到制度，但制度是否被一致理解；管理者可以得到更密集的分析，但是否因此做出更及时的决定。业务结果需要在试点之初就有基线，扩展范围时也要允许不同部门保留必要差异。统一工具可以降低成本，强行统一所有工作情境却可能失去实际价值。
还要观察制度是否跟上。岗位职责是否写明Agent参与的环节，绩效指标是否鼓励团队沉淀可复用方法，培训是否围绕真实任务，业务负责人是否清楚异常处理流程。一个试点通常能靠几位积极员工推进，规模化却不能永远依赖他们的热情。试点的成功标准，应包括业务效果与组织是否具备稳定复制的条件。
微软的两组信息放在一起，描绘出一个并不矛盾的现实：超过八成《财富》500强已在其产品生态内出现活跃Agent，而真正能系统性重设工作方式的AI用户，在微软另一份跨市场调查中仍只是少数。两项研究的样本、时间与统计方法不同，不能相减得出“转型完成率”；它们共同说明，工具进入企业比岗位、管理与考核完成调整更快。对中国企业高管和HR负责人来说，下一阶段的议题正在从“要不要用Agent”转向“如何让它成为可靠的组织能力”。
当一位员工打开系统，看到Agent已经完成资料准备，真正重要的工作才刚刚开始：他要核对事实、辨别例外、理解客户、作出取舍，并将经验反馈到流程中。企业需要为这种工作设计岗位，为判断与协作设定绩效，也为管理者建立清晰的授权和复核机制。Agent能让任务跑得更快；企业能否因此做得更好，最终取决于人如何定义目标、组织协作并承担结果。超八成企业的数字意味着Agent已经进场，接下来决定差距的，是组织有没有准备好与它一起工作。
参考资料
- 微软安全博客：《80% of Fortune 500 use active AI Agents》（2026年2月10日）
- 微软：印度《2026工作趋势指数》研究结果（2026年9月3日）
- 微软官方博客：客户AI应用案例（2026年4月28日）
- 用户提供的领英帖：关于人的判断力与《2026工作趋势指数》
活动名称 | 时间 | 地点 |
| | |
| 【参访】走进东鹏饮料-探寻民族品牌的人力资源创新之旅 | | |
| | |
| HR Generative AI Bootcamp | | |
| 【参访】走进壁仞科技-探寻国产智能计算领军企业的人才之道 | | |
| HR Generative AI Bootcamp | | |
| | |
| | |
| | |
| HR Generative AI Bootcamp | | |
