对组织理论的研究者来说，一个最基本的问题是：组织是如何应对环境的？所谓组织设计，就是要厘清组织内部的分工协作问题，进而建立起一个应对环境变化的机制。

当下，许多组织已经成长为横跨各个专业领域且内外兼容的大型生态系统，复杂度不断提升。然而，组织设计面临一个无奈的现实：人类的理性存在天花板。正如詹姆斯·马奇（James March）与赫伯特·西蒙（Herbert Simon）在管理学经典著作《组织》（Organizations）一书中所言：应将组织视为有限理性的决策与学习系统，它们以惯例为基础、依赖历史路径且具有目标导向性。

正因为“有限理性”，企业需要分化出不同的部门，部门内需要设置不同的岗位，并由此形成各种各样的工作流程。一旦出现分工，就产生协调的需求；分工越细致，协调越困难，而循环重复的流程让企业开始形成路径依赖，管理问题不断涌现。

马奇和西蒙提出，组织理论发展的核心议题在于，如何通过提升组织智能克服人类有限理性的约束？在AI时代，这个问题的答案似乎正在浮现。

AI参与组织决策

通常，人们会从决策的角度观察组织设计的过程。我们对环境的认知很多时候也来自对所谓专业化决策的解读。

决策的过程一般分为三个阶段，即IPO模型：输入（input）—处理（process）—输出（output）。对人类决策者来说，这三个环节又可以分别用另外三个词解释：感知（perception）、解释（interpretation）、行动（actions）。我们对环境的感知带来大量的信息，然后大脑对收集到的信息做解释，并得出结论指导行动。所有的组织设计，无论大小，都镶嵌在这样一个IPO的过程中，这是组织设计的基本逻辑。

进入AI时代，决策——尤其是战略性的宏观决策——对组织设计的重要性更加凸显。上一轮技术革命，无论是互联网技术还是以微信为代表的连接技术，对决策的影响主要体现在感知环节。通信工具和信息获取手段的快速迭代极大地改变了我们感知世界的方式，这是目前的一个基本共识。

AI技术的应用场景则更多聚焦于另外两个环节。我们抛出的任何问题，大模型都能给出答案。但大模型是“封装”的，我们并不清楚它解释的逻辑。这样一种被封装的解释过程，对我们来说既陌生又熟悉，因为人在做战略决策的时候，有一部分过程同样是被“封装”的。这又回到了人的有限理性，尤其是在信息不完整、时间有限或问题复杂的场景中，大脑可能会直接依赖经验、直觉或固定模式快速做判断，这也被称为决策的启发式规则（heuristic rules），或者我们更多称之为“拍脑袋”。

从某种程度上说，AI大模型就是一个外接的基于启发式规则的大脑。我们不清楚解释的逻辑，但呈现的结果是有效的。

那么，在行动环节，AI在组织中会如何替代和补充人的角色？目前管理学界对于AI的研究大多集中在这个领域。《机器与人：埃森哲论新人工智能》一书将组织行为分为14类，其中适应、预测、迭代、处理可以由机器替代，判断、创作、共情、领导则仍需要人类承担。剩余的部分，包括展现、交互、增强、维系、解释和训练则更适合人机协作完成，但其中人机的分工又存在差异（图1）。

图1 人类和机器在组织中的分工（资料来源：[ 美] 多尔蒂,[ 美] 威尔逊.机器与人:埃森哲论新人工智能[M].赵亚男,译.北京：中信出版社,2018）

总体上，决策对所处情境感知的依赖程度越低，机器对人的替代性越强；对所处情境感知的依赖程度越高，机器对人的替代性越弱。

与此同时，自然语言模型与过去的AI技术之间的一个显著差别在于，工程师对应用过程的干预大幅减少，赋予了用户直接与数据打交道的能力。放到商业中，这就意味着交互变得更加容易。换句话说，技术赋能的方式由工程师主导转为用户主导。

将所有这些AI的能力应用于组织实践，我们将得到一套新的决策模式。我曾调研的一家游戏开发公司提供了一个典型样本：AI参与图片与视频生成帮助公司降低70%美术成本，使工作效率提高50%；AI分析剧本和角色时能够扩大创意搜索范围，甚至直接将创意具象化，使得策划与研发的岗位发生转移；招募玩家提前参与，测试和改进游戏玩法与功能设计，提供数据给AI进行营销分析；AI加持下，程序开发效率提升30%。但AI的局限同样显著：AI生成的图片与视频总带有一股“AI味”，缺乏真实的美感；AI能够提供营销创意，但市场判断仍依赖于人；最重要的是，AI无法根据企业所处的具体情境信息做出决策。

调研中，公司员工提出的最普遍的问题是：如何给AI下指令？AI更像那个公司里有能力但爱偷懒的同事，它能够解决问题，但不会主动思考，高度依赖准确的指令和激励。有趣的是，当我让AI画一幅自画像时，得到的就是一个在会议室打瞌睡的形象（图2）。所以，公司里AI用得最好的人是对业务痛点最了解的人，优秀的员工才能用上优秀的AI。

当AI进入董事会等高层管理团队时，问题会变得更复杂。外界对AI是否具有主体性仍存在争论。换句话说，AI目前并不具备责任感、同理心、审时度势等管理者做决策时必要的能力。我们需要建立新的治理机制来应对AI参与战略决策可能带来的新问题。这些新问题至少包含三个层面。第一，是责任主体的虚化与追责困境。当一个由AI建议的战略失败时，责任应由谁承担？是算法的开发者，是提供训练数据的供应商，是批准预算的CEO，还是投票赞成的董事会成员？在现有的法律和公司治理框架下，我们缺乏对非人类“决策参与者”的问责路径。第二，是决策过程的“黑箱”特性与潜在的伦理风险。正如前文所述，我们不清楚AI的解释逻辑，这意味着我们无法轻易审查其决策是否基于有偏见的数据，是否可能导致歧视性或不公平的商业行为，这会给企业的合规与声誉管理带来巨大挑战。第三，是人类判断力的弱化风险。新的治理机制必须设计合理的“人在环中”（human in the loop）模式，界定人机协作的边界，防止高层管理者对AI形成路径依赖，放弃宝贵的直觉、经验和审时度势的能力，从而确保战略决策始终保有必要的人性洞察的温度和魅力。

图2 AI 自动生成的自画像

AI驱动组织形态创新

早在20世纪80年代，我们就曾经历过以专家系统为核心的第二轮AI热潮。专家系统的基本逻辑是“知识+推理”，即通过将人类专家的专业知识编码为计算机系统数据，形成一个规则库，再利用逻辑推理机制解决特定领域的复杂问题。专家系统不追求“通用智能”，而是专注于解决特定领域的狭窄问题，如医疗诊断、化学分析、设备配置等。

现在的AI解决的依然是数据、规则、答案三者之间的关系问题，但改变了这三个要素的排列方式。人类给AI注入大量知识，即数据和答案，然后AI通过大量的计算，自己摸索背后的规则。这意味着，AI获得的知识越多，它得出的规则越清晰，且能够根据知识的更新不断调整改善。

我的一个预测是，未来的组织设计也将沿袭这种动态的模式。制度过时对一个企业来说可能是致命的问题，但如果一项规则能够不断基于当前情况自动调整，组织设计中的一个难点——效率和灵活性之间的平衡问题——就能迎刃而解。举一个最简单的例子，如果十字路口的红绿灯能够根据实时的车流量动态调整，或许就能极大地缓解交通问题。

20世纪初，流水线的面世帮我们解决了标准化的问题；60多年前，计算机的普及解决了自动化的问题；AI的出现或将解决组织内部流程自适应的问题。从现有的众多企业样本中我们得出一个结论：随着组织规模扩大，协调问题导致管理成本和沟通成本显著增加，抵消了规模经济带来的收益。一个由实时数据而非预先设计的一系列步骤驱动的组织，将有效化解流程标准化与灵活性之间的矛盾。

我们已经可以从一些企业中看到变化。例如，在上文提到的游戏公司中，策划部门能够用AI工具生成图像和视频后，他们与研发部门的沟通流程就会发生变化。岗位、部门之间的业绩分配逐渐倾斜，原本的平衡被打破，这时候就会衍生出新的组织形态。

我们习惯于用人的数量来衡量组织规模，但在AI时代，我们或许会看到仅有5名人类员工和大量AI员工组成的超大型企业。人类对组织的预设被颠覆，继而带来更多的组织变革，其中之一就是组织设计的顺序问题。以往组织通常先设立岗位，再制定流程，但未来的组织需要从流程出发，寻找能够满足特定任务要求的人力资源。

更细化的任务单元和更富弹性的组织制度，将是具有自适应能力的流程化组织的特征。在此基础上，AI驱动的流程再造、新的分工与协调机制、新的组织效率边界，将催生出新的组织变革理论。

组织变革理论范式的转变

在以往管理学的应用中，组织变革通常遵循所谓的计划式变革理论。企业首先需要设定改革的愿景和目标，规划出一条清晰的路径，再自上而下地实施。然而，数字化转型期间涌现的诸多难题已经给这一模式打上了问号。在组织AI化的道路上，同样的问题将被进一步放大。

一个最大的问题在于，数据资源的生成性特点以及技术采纳带来的组织适应性调整，导致组织很难一开始就将所有变革目标和路径规划清楚。从某种程度上说，计划变革理论的假设在数字化情境中并不成立。因此，我们从现实案例中会发现，在面对新技术时，企业对未来的规划越细致，失败率越高。宝洁公司前任副总裁萨尔德哈（Tony Saldanha）在反思公司数字化转型失败的原因时说道：“刚开始的战略定位就是错误的，无法预估技术的应用情境，应着眼业务能支撑的转型任务……”

这时候，我们需要转变思路，“摸着石头过河”是应对变数更有效的方式：一步一步前进，一步一步调整方向，在这个过程中不断靠近最终的愿景和目标，使其变得更加清晰。领导者不再是改革的推动者，而是调控者，通过制度的设计让组织能够随着技术的发展不断迭代，自我进化。

从企业中我们已经可以看到相关的实践，但理论研究还无法提供足够的支持，我暂且称之为“持续变革理论”。与以“解冻-变革-再冻结”（unfreeze-change-refreeze）为核心逻辑的计划式变革不同，持续变革理论并没有预设一个清晰、静态的变革目标。它认为，在AI技术作为底层逻辑的组织中，变革并非一个自上而下、目标驱动的指导工程，而是一种自下而上、由数据和实践驱动的涌现过程。组织的愿景和目标也不再是变革的起点，而是持续迭代和探索过程中逐渐清晰化的“产物”。相应地，领导者的角色也从变革的设计者和推动者，转变为组织创新生态的设计者和调控者，需要设计并维护一套激励创新的制度环境，让组织在持续的、小范围的试错中具备自我进化和动态适应的能力。

技术已然领先一步，我们亟须看到组织变革理论范式的转变，赋能企业更好地适应无可避免的AI时代。