人机协同的操作系统：组织怎么协调

关于 AI 与组织，最流行的一句话是“AI 让协作更高效”。这话对，但只对了一半。它描述了一个被加速的旧过程，却没说清楚被加速的是哪一层、又有哪些层在加速中悄悄被替换。组织理论从上世纪七八十年代起就有清晰的分层：明茨伯格（1979）从协调机制角度切入组织设计，提出相互调适、直接监督与三类标准化；汤普森（1967）讲的则是相互依赖与协调。但把这些洞见真正整合成可操作清单的，是 Okhuysen 与 Bechky 在 2009 年的那篇综述。

这套理论的全部前提，是协调由人完成、规则由人读、责任由人扛。2026 年的一手研究同时指出，这个前提正在被 agent 改写。本文关心的不是“AI 能不能帮人协作”，而是更底层的一个动作：组织用来协调彼此的那套机制，本身被重写了一遍。

一、协调的三件套：规则、角色、惯例

先回到定义。任何组织都面临一个根本性的协调问题：如何把一群分散个体的劳动整合为一项连贯的集体产出。当一个人独自完成任务，协调是自动完成的，他自己的大脑同时负责决策、执行与纠偏。当任务被拆给十个人、一千个人，协调就不再自动发生，每个人需要知道自己做什么、何时做、与谁配合、以什么标准做，而这些信息不会自动出现在每个人脑子里。

Okhuysen 与 Bechky 在 2009 年的综述里把协调机制归为五类：计划与规则、对象与表征、角色、惯例、邻近性。其中与“组织怎么协调”最相关的三件套是：规则（计划与规则）定义谁该做什么、按什么标准、资源怎么分，解决“按约定办事”；角色指向与位置绑定的预期行为，解决“谁对哪块负责、彼此怎么补位”；惯例是被反复依赖的集体行为模式，提供顺序、交接与共同意义，解决“大家默认怎么配合”。这五类机制不是装饰，它们共同要达成三个整合条件：可问责（accountability）、可预测（predictability）、共同理解（common understanding）。

把这三件套想成组织的“操作系统内核”会更准确。规则是内核里的调度策略，角色是进程与权限，惯例是常驻的后台服务。过去这个内核跑在人的大脑和文档里，慢、有歧义、依赖关键人物。公司越大，这套内核越沉重，协调成本越高，组织也就越僵。

二、AI 原生组织重写的是协调机制本身

AI 进组织后，最先被动的不是某个软件，而是“谁按什么规则、对什么负责、怎么配合”这套底层设定。McKinsey《State of Organizations 2026》调研了 15 国、16 行业、10,000+ 高管，发现 88% 的组织已在试验 AI，但 81% 尚未获得显著底线收益。报告把差距归结为是否从结构走向流程、是否重设计了 workflow 与决策机制。换句话说，只把 AI 当工具叠加在旧协调机制上，等于给旧引擎换喷漆。

AI 原生组织做的是另一件事：把规则、角色、惯例三件套逐一重写为一个可运行、可审计、可回放的协调操作系统。这里的关键词是“操作系统”而非“应用”。应用是装上去用的，操作系统是被装进去跑的。当规则变成 agent、角色变成编队、惯例变成 workflow，协调机制从“人拿着文档核对”变成“系统内置约束”，组织协调的第一性原理就被改写了。

这一转向在 2026 年的产业报告里反复出现。HCLSoftware《Tech Trends 2026》明确把 2026 定为“智能委托（intelligence delegation）”的 crossover 年，并强调真正的拐点在于“编排（orchestration）而非任务加速”。Camunda《2026 Agentic AI Report》则从一个反面数据切入：80% 的企业缺乏对 agent 的可见性，66% 受合规掣肘，缺的正是把 agent 接入流程的编排层。把这几份研究叠起来看，结论很硬：差的不是 agent 的能力，是协调机制没被重写。

三、规则变策略 agent：从文档到可执行

旧规则是写在文档里的 SOP。人读、人判断、人执行，机器最多做个检索与提醒。一条合规要求从发布到真正生效，中间隔着层层解读与执行损耗，出问题往往要事后审计才能发现。

策略 agent（policy agent）把规则变成能在流程里实时运行的代码。它能在交易发生前拦截越界动作，在上下文变化时给出合规建议，把一条政策拆成可被多 agent 调用的判定逻辑。规则第一次可以自己执行、自己解释“为什么这么判”。协调从“事后核对”前移到“事中约束”，这正是 HCLSoftware 讲的智能委托：AI 不再等被触发，而是持续感知、解释、行动，形成闭环。

但这里有个容易被忽略的代价。当规则变成代码，它就不再是一句话，而是一套需要被持续维护的逻辑。政策变了，agent 的逻辑要同步改；边界案例多了，判定树要扩展。组织必须有人对“策略 agent 的规则库”负责，否则规则会悄悄过时，而没人知道。McKinsey 在 agentic organization 框架里把这类责任明确交给重设计工作流并处理异常的专家（specialist），就是这个道理。

四、角色变人机编队：从岗位到人机组

旧角色指向一个位置：这个岗位的人对这块工作负责。AI 原生组织把“一个人对一个岗位”拆成“一个人带一队 agent 对一个结果”。这个组合叫人机编队（human-AI formation）。

McKinsey 在 agentic organization 框架里给出了三类新角色，可作为编队的词典：指挥 agent 的监督者（supervisor），负责设目标、管取舍；重设计工作流并处理异常的专家（specialist），负责把流程与规则维护好；被 AI 增强的一线员工（AI-augmented frontline），在 agent 支撑下完成更复杂的事。人的位置从“环路之中（in the loop）”上移到“环路之上（above the loop）”，不再亲手完成每一步，而是监督整条工作流。

编队带来的最大变化是责任的结构。过去责任挂在岗位头上，清清楚楚。现在责任被拆成两层：人对目标与边界负责，agent 对边界内的执行负责，编排层负责记录每一步谁决策、谁执行、谁升级。Camunda 的 agentic orchestration 混合模型正好对应这一点：确定性编排管合规关键路径，动态编排让 agent 在既定边界内推理，高风险动作升级到人在环。可问责因此必须被显式写清，否则出事时人推机器、机器无从解释。

Google Cloud《AI Agent Trends 2026》把员工重定义为 agent 的监督者（orchestrator），从按指令操作转向按意图（intent）声明结果、由 agentic 系统决定路径。这套说法和 McKinsey 的“编排结果（orchestrating outcomes）”是同一件事的两面：人的价值从执行下沉到编排，从做得对变成定得准、管得住。

五、惯例变可回放 workflow：从默会到可审计

旧惯例藏在每个人的脑子里，靠邻近性、默契和反复演练维持。优点是灵活，缺点是走了一个资深员工就带走一批默认配合。组织记忆因此极其脆弱，扩张越快，惯例越难复制。

可回放 workflow 把惯例变成被记录、可审计、能复盘的数字化流程。每一步谁做的、agent 调了什么、为什么这么走，都留下轨迹。这带来两点变化：第一，组织记忆从默会变为可传递，新人不靠“跟着老员工混”也能接手；第二，复盘从回忆变成回放，出错能定位到具体节点，而不是笼统归咎“沟通问题”。

代价同样明显。流程被显式化后，组织必须持续维护这套 workflow，否则它会迅速过时，变成一套没人信的流程图。Deloitte 在 2026 年 TMT 预测里提出的 human-on-the-loop 正是应对之道：人不再批准每步动作，而是监控系统级表现、仅在模式异常时介入。监督的对象从“每一步对不对”变成“整条 workflow 健不健康”，这本身就是一种新惯例。

六、协调操作系统：三层如何咬合

把规则、角色、惯例三层单独看，每一层都只是工具升级。让它们咬合，才构成操作系统。规则 agent 提供判定与约束，编队提供执行与责任，可回放 workflow 提供轨迹与复盘，三者共享同一份上下文：一个 agent 的判定被记录进 workflow，人据此调整编队的边界，规则库再随新案例扩展。协调不再是三件分开的事，而是一个闭环。

McKinsey《Agents, Robots, and Us》用一份硬数据说明了为什么必须走这条路径：现有技术理论上可自动化美国 57% 的工时，但价值不在自动化本身，而在重设计整条 workflow。报告分析了 190 个业务流程，结论是最大价值来自把 agent 作为“虚拟同事”嵌入重设计后的流程，而非把单点任务自动化。Gartner 预测到 2028 年约 15% 的日常工作决策将由 agentic AI 自主做出，这 15% 能不能被组织接住，取决于编排层是否先把规则、角色、惯例接好。

反过来，缺了任何一层都会塌。只有规则 agent、没有编队责任，约束会悬空；只有编队、没有可回放 workflow，责任无法追溯；只有 workflow、没有策略 agent，流程只是被记录的旧做法。Camunda 报告里那 80% 缺乏可见性的企业，卡住的就是“三层没有咬合成系统”这一步。

七、HR 与组织设计者要写的三件事

结论不是“多买 agent”，而是把协调机制当成需要被设计、被维护的操作系统，而不是工具的自然副产物。具体三件事，HR 与组织设计者现在就该接手。

第一，把“策略 agent 的规则库”纳入治理。凡是进入关键决策的规则，要求可审计、可解释、有版本，防止协调约束沉淀进黑箱。这一步不到位，组织会发现自己有几百条 agent 在跑，却没人说得清哪条规则在什么场景下生效。

第二，把人机编队的责任边界写进岗位与能力模型。监督者、专家、一线增强三类角色不能只停留在报告里，要变成可评价、可晋升的维度，并明确“人对目标与边界负责、agent 对边界内执行负责”的拆分。McKinsey 调研里 72% 的今日技能同时横跨人机边界，意味着能力模型必须重写，而不是在旧岗位说明里加一行“熟练使用 AI”。

第三，把可回放 workflow 设为组织记忆的默认形态。关键流程必须被记录、可复盘，并配套维护机制。一个该问的体检问题很简单：过去一个季度，我们因为 agent 跑出的结果，改了哪条规则、否了哪条旧惯例。如果答不上来，说明 agent 在替组织跑流程，协调机制还停在旧内核。

回到开头那句话。AI 让组织协作更高效，这个结论只对一半。它让组织更快地产出、更快地交接、更快地优化已知，却在同一个动作里，把“谁按什么规则协调、谁对什么负责、怎么把配合沉淀下来”这三件事，悄悄交还给了没有人去重写的旧内核。AI 原生组织的分水岭，不在谁用了更多 agent，而在谁先把协调机制本身装进操作系统。

相关阅读

• 麦肯锡2026：70%岗位技能横跨人机边界，怎么编排
• AI原生组织设计：从「工具升级」到「范式重构」
• 人机协同的边界：何时该用AI，何时该用人
• AI 时代的工作再设计：为什么管理单元该从岗位下沉到任务
• AI 原生治理：当决策权下沉到任务，董事会监督怎么重装

参考信源

• 【五类协调机制（计划与规则、对象与表征、角色、惯例、邻近性）与三个整合条件（可问责、可预测、共同理解）；本文以规则、角色、惯例三件套为分析底座，标注原年份】：Okhuysen G.A. 与 Bechky B.A.（2009），《Coordination in Organizations: An Integrative Perspective》，Academy of Management Annals，Vol.3(1)，pp.463-502。
• 【10,000+ 高管、15 国、16 行业；88% 组织试 AI、81% 未获显著收益；约 2/3 认为结构过于复杂；72% 高管称地缘政治不确定性影响决策；“从结构到流程”列为生产率新前沿】：McKinsey & Company（2026），《The State of Organizations 2026: Three tectonic forces that are reshaping organizations》。
• 【57% 美国工时在现有技术下可被自动化（agent 44 个百分点、机器人 13 个）；超过 70% 技能同时横跨人机边界；AI 素养两年增约 7 倍；重设计 workflow 而非单点任务可到 2030 年带来约 2.9 万亿美元；分析 190 个业务流程】：McKinsey Global Institute（2025 末至 2026），《Agents, Robots, and Us: Skill Partnerships in the Age of AI》。
• 【173 位 CXO 主研究；81% 企业已在运行或试点自主 agent；采用主因运营效率 61%、结果导向自动化 55%；2026 为智能委托 crossover 年，拐点在于编排而非任务加速；约四分之一缺治理、56% 混合治理】：HCLSoftware（2026），《Tech Trends 2026》。
• 【80% 企业缺乏 agent 可见性、66% 受合规掣肘；agentic orchestration 混合模型（确定性编排、动态编排、人在环升级）；引用 Deloitte 预测自主 agent 市场 2026 年 85 亿美元、2030 年 350 亿美元，有效编排再高 15% 至 30%；Gartner 多 agent 咨询量 2024 Q1 至 2025 Q2 飙升 1,445%】：Camunda（2026），《2026 Agentic AI Report》。