AI 进了团队：人机混编团队的治理与问责

一、第一性原理：组织是两张网，AI 只接入了一张

先看清楚 AI 进团队到底改了什么。回到组织研究的第一性原理：组织是信息网络加利益分配网络。信息网络负责把坏消息、分歧、判断往下和往上流动；利益分配网络负责谁因为结果被奖励、被追责、被认可。两张网一起，才构成一个能自我纠偏、能分配责任的实体。

AI 作为团队成员加入时，它几乎只改了第一张网。它贡献分析、起草初稿、跑数据、给出选项，让信息流更密。但它对第二张网是一个洞：它不是人，不能被激励，不能被认可，也不能被追责。你无法因为一次漂亮的判断给一个智能体发奖金，也无法因为一次错误让它承担后果。于是当团队共同产出一个结果，责任不能像人和人之间那样自然分摊，因为有一个节点在结构上不承接责任。

这就是为什么人机混编团队的治理问题，本质不是技术接入问题，而是问责网的重构问题。谁接住那个洞，谁才真正拥有这个团队的结果。组织设计在这里比模型选型重要得多。

二、矛盾一：责任没被稀释，反而压到了人身上

最反直觉的发现是，人机会话里人承担的责不降反升。Nyilasy 等人的 2026 研究（arXiv 2604.08866）用四项实验、1,801 名被试，放在 AI 辅助信贷决策情境里问同一个问题：出了事，责任怎么分。结论是，当人类与 AI 配对时，旁观者比人与另一人配对时，平均多把约 10 个百分点（0 至 100 量尺）的责任归于人类决策者。高伤害情境（歧视性拒贷）和低伤害情境（归档错误）都成立，甚至让被试评自己的责任时也成立。

机制是感知：AI 被看作一个受限的执行者，没有独立的自由裁量，于是人成了责任默认的落点。替代解释（心智感知、自我威胁）都被排除了。这对组织设计意味着一件事，坊间流行的甩锅幻想是错的，有了 AI，出了事并不能推给机器。恰恰相反，AI 的在场抬高了人的责任刻度。一个组织如果把责任当成可以外包给系统的东西，它就在忽视这条被实证的集中效应。

更麻烦的是，这种集中往往是无意识的。管理者以为用了智能体等于分散了风险，实际是把自己的责任刻度往上推了一档。等事故复盘时，承担者的角色已经悄悄变了。

三、矛盾二：责任在流程里被稀释

第二层发现是，责任同时在多步流程里被逐段稀释。Kalluri 2026（Digital Society，9 月 15 日发表）提出责任级联与顺序责任归因框架（SRAF），把一条智能体工作流里的责任拆成四段：发起责任、检查点责任、委派责任、结果责任。当一个人类发起一条目标，系统自己拆任务、做中间决策、调工具、按反馈改策略，责任就顺着这些步骤被扩散、稀释、再分配，传统归因框架接不住。

典型场景：项目经理让智能体优化资源分配，系统分析负载、重排任务、调时间线、直接对接管理系统，人类只在里程碑检查点点头。项目最终因资源错配失败，谁负责？人类定了目标却没控制中间决策，AI 做了关键选择却没有道德主体性，检查点审批者看不全系统的推理，组织批准了部署却没人完整掌控结果。这就是道德褶皱区，系统出错时，人类操作员吸收了本属于复杂系统的责备，成了唯一的替罪羊。

于是出现一个悖论：对旁观者，人担更多责任（集中）；对流程内部，责任又被逐段稀释（扩散）。两种效应叠加，正是人机混编团队最危险的问责真空。一个组织若不同时处理这两头，它既会让具体的人被过度追责，也会让系统的失败找不到归口。

四、为什么把 AI 叫成数字队友是治理陷阱

很多组织用错了动词。Deloitte 2026 把这种拟人化明确点名为治理风险：当你把 AI 叫成数字队友、数字同事，你开始用对待人的那套问责模型去套一个非人系统，你会去管理关系，而不是去治理输出；你会把人际层面的信任投射过去，而不是用结构去赢得信任。话术看似温和，代价是问责架构被软化。

BNY 的做法值得对照：它运行近 150 个数字员工，但每一个都有名字、员工编号，和一名人类主管。它没有把 AI 当成人，而是把每一个智能体硬连到一个具名的人类负责人，结果是未决调查削减近 80%。区别就在动词，BNY 治理的是输出、设计的是边界，而不是给机器发工牌。

Microsoft 2026 给出的问责矩阵也落实在同一逻辑：助理角色里，AI 支持单步，人类拥有整项任务与结果；队友角色里，AI 共拥工作，人类保有方向与最终判断；操作员角色里，AI 在限定内跑流程，人类负责复核、例外与问责。三种角色的共同点，是人类的拥有权从未让渡。把话术从队友改回系统，问责架构才立得起来。

五、三个被数据验证的管理误判

误判一，以为部署更好的模型就能补上治理缺口。Deloitte 2026 的数据打脸：64% 受访者认为 AI 与决策议题对当前成功非常重要，但仅 5% 认为自己走在引领前列；同时仅 16% 员工信任高层能为员工做正确决策，且一年内两位数下滑。模型越强，领导力的缺口越显眼，因为问题从来不在算法，在谁为结果负责。

误判二，以为 AI 会减轻管理负荷。Gartner 面向 CHRO 的指引显示，75% 的 CHRO 报告管理者比以往更不堪重负。智能体 AI 往往增加而非降低认知负荷，因为管理者要校验输入、评估输出、处理例外；四分之一的管理者表示若有退路会退出管理角色。把智能体当减压阀，结果往往是给管理者又加了一层监督的活。

误判三，以为治理可以等。Gartner 2026-04-28 的预测是，到 2028 年平均一家财富 500 强将拥有超过 150,000 个智能体，而 2025 年不足 15 个，但当前仅 13% 的组织认为自己具备正确的智能体治理。治理不是上线后的补丁，等规模上来再补，成本和事故都已经发生。

六、问责架构：把谁担责写进流程

破局的动作是具体的，不是口号。第一，每个智能体上架前先写一份一页简报式的岗位说明书：名字、负责人、输入、好是什么样、升级条件。这是 Microsoft 2026 给的清单，缺一项，责任就悬空。第二，叠加 Gartner 的三类前置对齐：身份（智能体作为自己登录而非冒用某人）、访问（只触达这一个岗位需要的数据和工具）、归属（具名的人为它的所作所为负责）。

第三，建立人在环阈值，按任务风险分级。Gartner 把任务分为咨询、辅助、假定、自主四类，并建议当智能体置信度跌破阈值时交还给人；HR 要正式界定哪些判断、共情、裁量在法律、文化或伦理上不可委托。第四，用复杂度跨度替代人数幅度来核算管理负荷，清点每个团队的智能体密度、自主级别与风险耦合，再决定要不要补中层、补监督。

第五，把四段式归因（发起、检查点、委派、结果）钉进流程，让每一步的责任归属被记录而非靠复盘时现编。第六，把 AgentOps 当成一门 discipline 来训练管理者：评升级输出、修边界情形、留痕推理。治理的动词重新回到人，靠的是这些被写死的结构，而不是信任机器会自律。

七、HR 的站位：从发政策到设计问责

HR 在这个议题里该管的是问责架构，不是 AI 本身。六项具体动作：明确划出哪些判断不可委托给智能体；和 IT 一起建立人在环协议与阈值；把管理者角色正式改写进 AI 监督与例外处理；按 AgentOps 给管理者做升级与纠错训练；用复杂度跨度而非人数衡量管理负荷；确保每个智能体的产出背后都有一个具名的人类负责人。

反过来，HR 不该去选模型、调提示词、评算法指标，那是 IT 与数据科学的活。HR 拥有的，是责任的分配结构。当组织把问责架构设计清楚，它保住的是两样东西：一是对外的可信度，监管、客户和员工知道出事找得到人；二是对内的学习回路，失败能被归因、被修正，而不是被甩给一个不背锅的机器。AI 不移除人类拥有结果的需要，它把这种拥有变成了不可回避的前提。

八、留白：问责从来是组织最难的那道题

谁为结果负责，从来就是组织理论里最难回答的问题，AI 没有让它变容易，只是让它变急性。一个组织若在人机混编里把责任写进流程，它守住的是信任；若让责任在集中与扩散之间同时悬空，它迟早撞上道德褶皱区，由某个具体的人替整个系统背锅。技术会持续往前跑，150,000 个智能体的预测不是危言，但责任不能跟着规模一起稀释。能接住它的，始终是一个被设计过、被具名过、被写进流程的问责架构，而不是一句数字队友的漂亮话。