2026 年 10 月 28 日，OpenAI 发布文章《The future of the firm》，用三个场景讨论 AI 将如何进入组织架构：在人之下充当助手，在人身边成为同事，或者夹在人与人之间承担协调和监督。
这不是一份组织管理结论，而是两位作者对未来企业形态的独立思考，文中也明确说明观点不代表 OpenAI。但其中一个判断，已经很接近企业正在发生的现实：当员工开始把完整任务交给 AI，他们就不再只是工具使用者，而是在管理一种新的执行能力。
过去一年，很多企业的 AI 培训仍围绕提示词：怎样把问题说清楚、怎样指定角色、怎样要求输出格式。对于问答和初稿，这些技巧有用；但当 AI 可以查找资料、连接系统、拆解步骤、持续工作数小时并返回成品时，“会提问”已经不够。
企业真正需要补上的，是一门过去只要求管理者掌握的能力：委派。
提示词描述一次交互，委派定义一项责任
“帮我分析客户流失”是一条请求，不是一项可管理的工作。
同一句话，在销售、客服、产品和财务团队眼里，可能指向完全不同的对象、周期和决策。AI 可以生成一份看似完整的分析，却未必知道企业准备据此做什么，也不知道哪些错误可以容忍、哪些错误会造成实际损失。
一项合格的委派，至少应同时说明五件事：
这五项构成的不是一条更长的提示词，而是一份轻量的“委派合同”。它把员工脑中的隐含判断变成 AI 可以执行、同事可以复核、组织可以追溯的工作定义。
差别不在于字数，而在于后者明确了工作成果、权限边界和人类接管点。
- 结果：最终要交付什么，而不是只描述要执行的动作；
- 边界：可以读取哪些信息、调用哪些工具，绝不能触碰什么；
- 判断标准：怎样算完成，证据从哪里来，允许多大误差；
- 升级条件：遇到冲突、缺失或高风险情形时，何时必须停下来问人；
- 验收责任：由谁复核，复核哪些关键点，谁对采用结果负责。
- 不完整的请求：可管理的委派
- 整理本月投诉：按已确认的原因分类本月已结案投诉，列出数量、环比和三个可核查案例；无法分类的单独列示，不推断客户动机
- 看看这份合同有没有问题：对照公司标准条款标出差异，注明页码与原文；涉及责任上限、数据出境或自动续约时停止并交法务确认
- 给客户做一份报价：仅使用生效中的价目表和已批准折扣；输出计算依据，超出销售授权范围时不生成正式报价
AI 的产出越多，人的工作越像“定义与验收”
一项 2026 年修订的芝加哥大学研究分析了软件开发中的 AI 智能体使用。研究发现，智能体把一部分工作从亲自实现转向委派和监督；有经验的开发者更倾向先通过规划达成一致，并且在结果更容易验证的工作中，智能体带来的产出提升更明显。
这个结论虽然来自软件开发，不能直接外推到所有职业，却揭示了一项重要机制：AI 并没有消除专业能力，而是把专业能力向上推到了“知道该做什么、怎样证明做对了”。
因此，企业不能把 AI 普及简单理解为“让每个人拥有一个助手”。一个员工同时委派更多任务以后，他的有效管理跨度在扩大：
如果企业只统计调用次数、节省时间和生成文档数量，员工很容易成为 AI 产出的“签收员”：输出越来越多，真正经过判断和验收的比例却越来越低。
- 需要为多个并行任务准备正确背景；
- 需要识别 AI 自信但错误的结果；
- 需要处理任务之间的冲突和依赖；
- 需要决定哪些工作值得继续，哪些应该停止；
- 需要对最终采用的输出承担责任。
最危险的不是 AI 犯错，而是验收能力跟不上委派规模
传统管理中，一个负责人带多少人，受到沟通时间和监督成本限制。AI 降低了执行成本，却也可能制造一种错觉：既然再增加一个任务几乎不增加人力，就可以无限扩大工作量。
但委派成本下降，不等于验收成本同步归零。
一份分析报告可以在几分钟内生成，确认数据口径、抽查证据和判断建议是否适用，仍然需要业务知识。十项任务并行返回时，人的注意力会成为新的瓶颈。此时最常见的风险不是明显荒谬的错误，而是大量“基本合理”的结果在没有充分验证的情况下进入会议、系统和客户沟通。
企业应当像管理团队跨度一样，管理 AI 委派跨度。可以从四个指标开始：
这些指标比“生成了多少内容”更接近真实生产能力。
- 待验收工作量：已经完成但尚未由责任人确认的任务有多少、积压多久；
- 一次验收通过率：结果无需关键修正即可采用的比例，而不是模型自报的完成率；
- 升级质量：AI 是否在该停下时停下，还是把不确定性包装成结论；
- 采用后返工率：已进入业务流程的 AI 结果，有多少因事实、口径或判断问题被撤回。
企业 AI 培训，需要从工具课改成管理课
如果未来越来越多员工都要管理 AI，培训对象就不能只分为技术人员和非技术人员，而应按委派风险与验收责任设计。
一线使用者需要学会定义结果、提供必要上下文和识别不确定性；业务专家需要建立可验证的标准样本与边界规则；部门负责人需要决定哪些任务可以委派、谁有最终签字权；风险与 IT 团队则要把权限、日志、升级和暂停机制嵌入平台。
培训也不应以“写出一个漂亮提示词”结课，而应让员工完成一次完整演练：
这样培养的不是“更会和 AI 聊天的人”，而是能把 AI 纳入可靠生产流程的人。
- 选择一项真实、可验证、风险有限的工作；
- 写出包含结果、边界、标准、升级条件和验收人的委派合同；
- 让 AI 执行，并保留过程证据；
- 由另一名业务人员独立验收；
- 复盘遗漏的背景、错误的假设和本可提前触发的升级条件；
- 把有效做法沉淀为团队模板，而不是个人技巧。
组织设计要比岗位说明更早行动
OpenAI 10 月 26 日发布的工作使用数据覆盖 165 类工作活动，并显示各国用户带给 ChatGPT 的工作类型正在变得更分散。其另一项研究还观察到，员工会借助 AI 持续承担传统岗位边界之外的任务。这些数据不包含企业消息与 Codex 使用，因此不能直接代表企业内部的实际产出，但它们提醒管理者：岗位边界的变化，可能先发生在日常工作中，晚于制度被看见。
这类组织配套不能被工具部署替代。NBER 一项覆盖 66 家企业、7,137 名知识工作者的随机实验发现，个人获得生成式 AI 后，活跃使用者减少了邮件处理时间，但研究没有检测到任务数量或构成发生显著变化。研究使用的是较早期、集成在办公软件中的生成式 AI，不能代表今天的智能体；但它提供了一个有价值的对照：给个人增加能力，首先改变的是个人能独立调整的行为，涉及分工和协作的变化仍需要企业主动设计。
企业没有必要现在就把“AI 员工”画进正式组织架构，却应尽快回答几件现实问题：谁可以把什么工作交给 AI，谁负责验收，失败时升级给谁，AI 扩大了员工职责后如何调整目标与授权，以及哪些专业判断不能因为执行变快而被压缩。
AI 普及的下一阶段，竞争差距未必首先来自模型能力。它更可能来自组织能否把过去少数管理者掌握的委派、反馈和验收能力，快速变成全体知识员工的基本功。
当每个人都拥有一支随时可调用的数字团队时，企业最缺的不会是更多提示词，而是更多合格的“工作负责人”。
