老板问错了问题
很多公司 AI 转型走进死胡同，起点是老板问错了问题。
老板看到 AI 能写文案、能生成分析报告、能跑代码，第一个念头几乎是本能反应：这个岗位是不是不需要了？
这个问题问得太粗。粗问题进不了组织决策，只能制造两件事：管理层的焦虑，和员工的防御。管理层拿着一个没有答案的问题到处问，员工拿着"我会不会被替代"的不安开始藏着掖着。最后整个 AI 转型变成一场信任消耗，而不是一次能力升级。
问题需要换掉。不是"AI 会不会替代人"，而是"AI 先替代我们这条流程里的哪个片段"。这两个问题听起来相差不远，但给组织带来的后果完全不同。第一个问题的答案要么是"是"，要么是"不是"，两种答案都导不出任何可以执行的管理动作。第二个问题的答案是具体的——是某类重复任务、是某种格式化输出、是某个规则明确的决策节点——从这里才能进入真正的组织设计。
一个典型的错误路径反复出现：公司买了 AI 工具，账号开了，培训也做了，然后老板在三个月后开一个会，问员工"你们有没有好好用"。但往往没有人能回答这个问题，因为往往没有人把"AI 先替代哪个片段"这件事想清楚、讲清楚、写进任何一条工作流程。工具停在账号里，流程还是老流程，最后 AI 变成一笔账面上有但经营上看不见的成本。
AI 替代工作，不是从岗位下手，是从片段下手。把问题改成"哪个片段先动"，这次转型才开得起来。管理者现在可以做的第一件事，是把"这个岗位会不会消失"这个问题，换成"这个岗位里哪类工作 AI 能先接管、接管之后这个人的其余价值在哪里"。这一换，焦虑变成分析，防御变成设计。
岗位不是最小单位
岗位是什么？是组织为了管理方便、追责清晰，把一堆工作打包成一个可以命名、可以填人、可以考核的责任集合。"运营专员""内容编辑""数据分析师"这些名字背后，各自装着七八件甚至十几件性质完全不同的事。
组织发明岗位，不是为了描述工作的本质，而是为了让管理能运转——有人头可以点名，有考核可以挂钩，有离职可以交接。这套逻辑在 AI 时代之前是合理的，因为人做的事太复杂，把它们打包成一个岗位，管起来最省事。
但 AI 改造的不是打包以后的结果，而是打包之前的那些零件。AI 进来，先改的是岗位里重复、格式化、可以被规则化描述的那几件事，而不是整个岗位。这就是问题的根源：管理层看见 AI 能完成某一类输出，就直接跳到"这个岗位可以被替代"，但这个推理跳过了一层。AI 替代的是岗位里的某几件事，不是打包之后整个名字。
要看清楚 AI 在哪里能进来、在哪里必须有人在场，就必须先把岗位拆开。拆开以后才能发现：同一个"运营专员"，有一些工作是 AI 可以直接接管的，有一些工作是 AI 能帮忙但人必须做最终判断的，还有一些工作根本不是任务问题，是关系问题、是责任问题，AI 目前不适合独立承担。不拆开，就永远只能停在"这个岗位要不要"的粗问题上。
管理者可以从最熟悉的一个岗位开始：这个岗位里，哪些工作是重复出现、有规则可循的；哪些是需要经验判断的；哪些是跨部门协调的；哪些是出了事必须有人承担后果的。这四类，就是接下来要用的分析框架。
把岗位拆成四类片段
一个岗位里同时有四种东西：重复任务、经验判断、关系协同和责任承担。这四类在性质上完全不同，AI 在每一类里的介入方式也完全不同。把它们分清楚，是 AI 时代岗位分析的基本动作。
任务，指的是重复出现、有规则可循、输入和输出格式相对稳定的工作。起草标准化报告、汇总数据、生成初稿、分类标注——这类工作的共同特点是：只要输入规则定义清楚，AI 就能稳定产出。任务层是 AI 当前能稳定替代的层级，人的角色变成定义规则、设定标准、确认产出质量。
判断，指的是风险识别、优先级排序、例外处理，以及那些需要根据上下文做出取舍的决策。AI 能给判断提供辅助——列出风险信号、给出排序建议、标注异常——但最终判断的做出和结果的承担，必须是人。这不是技术能力问题，而是责任属性问题：判断出错是有后果的，后果需要有人担。
关系，指的是跨部门协调、客户信任维护、上下游资源对齐、冲突处理。AI 能帮忙生成协调所需的材料、追踪状态、整理会议纪要，但真正的关系是建立在信任上的，信任需要真实的人际互动。一个重要客户的不满，不能靠 AI 发一封措辞得体的道歉邮件解决；一个跨部门的利益冲突，最终需要人在人前谈清楚。
责任，指的是拍板、复核、验收和兜底——那些一旦出了问题、需要有人被追问"这是你做的决定吗"的节点。AI 能留痕、能辅助复盘、能生成审计记录，但责任本身是法律意义和组织意义上的人类属性，AI 不能独立承担。
这四类片段不是互相独立的，一项工作可能同时牵涉多类。比如一个合同审核的工作：格式核查是任务层，风险条款识别是判断层，和对方法务协调是关系层，最终签字盖章是责任层。分清楚层级，才能判断 AI 在哪里能进来、在哪里必须配备人在场。拆片段不是为了减少用人，而是为了重新设计人机协作的分工——谁做什么、用什么工具、谁最终负责。
AI 现在能稳定替代什么
知道了四类片段，下一个问题是：AI 现阶段的能力边界在哪里？什么能稳定接管，什么只能辅助，什么根本不应该独立承担？这件事如果不说清楚，管理者容易犯两种错误：高估 AI，把不稳定的任务全交出去然后翻车；或者低估 AI，明明可以交出去的任务还在用人力处理，浪费了人的时间，也没有释放出应该释放的产能。
任务层是当下大多数企业能最快看到收益的地方。格式化文档生成、标准化摘要、规则化分类、重复性数据处理——只要把输入规范写清楚，把质量检查机制建起来，这类工作就可以交给 AI 稳定处理。人的角色从重复执行者变成规则定义者和产出抽检者。
判断层的正确用法是：AI 生成建议，人审视建议，人做决定，人承担结果。AI 能列出风险信号，但不能判断哪个信号在当下的业务语境里最值得处理；AI 能给出候选优先级，但不能感知今天的资源约束和组织政治里谁的诉求更重要；AI 能标注异常，但不能决定这个异常是应该立刻升级还是先观察。把 AI 的判断辅助当成判断本身，是判断层最常见的误用。
关系层和责任层不应由 AI 独立承担。关系建立依赖真实的人际信任，客户的信任、同事的信任、上下游伙伴的信任，都不是靠 AI 写的邮件能建立的。责任层同样如此：最终裁决、验收签字、出了问题的兜底，这些节点不是效率问题，是组织秩序问题。一旦一个组织允许 AI 独立承担责任层的判断，而没有明确的人作为后果承担者，这个组织的问责机制就断裂了。
还有一个推论值得明确：企业 AI 化不是把每个流程都变成 Agent。稳定流程先交给规则引擎和自动化工作流；需要跨系统推理和判断的，才引入模型能力；涉及资金、人员和客户的关键决策，则必须在设计阶段就明确人在哪个节点进入、拥有什么判断权。不是万物 Agent，是把规则、工具、模型和人放回正确的位置。
管理者可以从自己最熟悉的一个工作场景出发，找出其中属于任务层的三件事，确认 AI 当前处理的稳定性，然后决定把哪件先试着交出去。不是全量替换，是挑一个低风险的任务，跑 30 天，看结果，再决定下一步。
任务被替代之后，人去哪了
任务层被 AI 接管以后，一个管理者最容易产生的误判是：这件事不需要人了。这个误判之所以危险，不是因为它残忍，而是因为它不准确。任务被替代，和人被替代，是两件不同的事。
MIT 工业绩效中心（MIT Industrial Performance Center，IPC）执行主任 Ben Armstrong 和 MIT 航空航天系主任、H.N. Slater 讲席教授 Julie Shah 在 2026 年 4 月 8 日发布的报告《Humans in the Loop: The evolution of work in early experiments with generative AI》中观察到：在早期生成式 AI 工作实验中，工作不是简单地消失，而是被重新分配——哪些任务由 AI 处理，哪些判断仍由人承担，人的职责在这个过程中发生了变化。这份报告基于早期实验阶段数据，代表的是转型初期的观察，不是大规模部署后的普遍结论。但它指向了一个值得认真对待的方向：人被重新放置，而不是被减少。
放置到哪里？可以观察到四个新位置。
第一是监督者：AI 产出以后，人的工作变成识别产出的偏差，发现 AI 没有注意到的风险信号，在产出进入下一个流程节点之前做出判断。这不是低价值工作——它要求人对业务场景的质量标准有真正的理解，否则没有能力识别"看起来对但实际上有问题"的输出。
第二是判断者：在 AI 给出建议之后，人要结合上下文、组织历史和当前语境，做出最终决策，并承担这个决策的结果。判断者的能力不是执行 AI 的建议，而是在 AI 建议和当前情境之间找到适配点，在两者产生矛盾时有能力推翻 AI 的建议。
第三是训练者：当 AI 产出出现错误、处理了例外、碰到了规则之外的情况，把这些信息写回系统——更新规则、调整输入格式、记录判断依据。这件事是人才能做的，也是让整个人机协作系统持续改善的关键动作。忽视了训练者角色，AI 系统会停在初始质量上，不再进步，而组织却在积累依赖。
第四是系统负责人：为整个人机协作流程的结果负责。不是某一次输出，不是某一个环节，而是这个系统的长期运行质量、知识更新节奏、异常处理机制和业务结果。这个位置要求的能力，不比原来的任务执行者低，只是方向不同——从执行力变成系统设计力和结果判断力。
这四个新位置比原来的重复任务要求更高，不是降级，是角色升级。但升级是有条件的：只有当组织明确设计出这四个位置、给到对应的权限和工具、调整了绩效口径，人才能真正在新位置上工作。如果只是任务被 AI 接走了，但没有人被明确放到这四个位置上，那个任务就变成了真空地带——AI 产出质量没有人负责，出了问题没有人兜底，系统不会进步。
管理者在把任务层交给 AI 之前，先要想清楚三件事：谁是这个流程的系统负责人；谁在哪个节点做监督和判断；谁负责把例外和错误写回系统。这三件事没有答案，AI 上线之后只会制造新的混乱，而不是释放产能。
什么判断必须由人保留
HITL（Human-in-the-Loop，人在回路中）这个词在 AI 转型的讨论里出现得越来越多，但使用得越来越模糊。有时候它指的是人在 AI 产出之后点一个确认按钮；有时候它指的是有一个审计员每隔一段时间查一眼系统日志；有时候它指的是整个决策链里真正有人类判断权介入。这三件事的责任含量完全不同，把它们混在一起讨论，会导致管理者以为"已经有人在回路了"，实际上责任空白依然存在。
判断必须由人保留，背后有两个不可绕过的原因。第一个是追责性：一旦出错需要有人为后果负责的判断，AI 不能独立承担。这不是因为 AI 的判断质量一定差，而是因为法律意义和组织意义上的责任必须落在人身上。合同条款的最终解释、影响员工去留的评估结论、涉及外部合规的业务决策——这类判断出错，需要有人站出来说"这是我的决定，我承担后果"。AI 不能站出来，所以这类节点必须是人。
第二个是情境性：依赖关系信任、组织历史、情绪信号、未被文字化的背景知识才能做出的判断，AI 目前没有足够的信息基础。一个和客户打了三年交道的销售，能在对方一句话里听出谈判氛围的变化；一个在这家公司工作了数年的经理，知道某个跨部门协作为什么历史上总是卡在某个节点。这类判断 AI 缺乏信息来源，只能辅助，不能替代。
从人机协同方式来看，Jochen Wulf 等研究者在一篇 arXiv 预印本（arXiv:2507.14034，提交于 2025 年 7 月，尚未经同行评审）中提出了包含六种人类参与模式的框架：HOOTL（人完全在回路外的全自动化）、HAM（人作为被动辅助）、HIC（人在指挥）、HITP（人在流程中）、HITL（人在循环中）、HOTL（人在监督位置）。需要注意的是，这六种模式并不构成"人类参与程度从低到高"的简单线性排列：HOOTL 是完全自动化、参与最浅，HIC 和 HITL 代表人在决策链中参与最深，而 HOTL 是一种离散监督模式——人不介入实时决策，只在异常或阈值触发时介入——参与深度低于 HITL，而不是高于它。把六种模式当成递增阶梯来理解容易误读，正确的用法是：根据具体节点的风险等级和责任归属，选择适配的参与模式，而不是一刀切地说"有人在回路就够了"。
把追责性和情境性两个原因放在一起，判断留给人的条件就清楚了：一旦出了错需要有人承担的判断，人必须在场；一旦情境信息缺失 AI 无法准确判断的节点，人必须在场。在这两种情况之外，判断层可以走向 AI 辅助加人确认的协作模式，但转移的前提是：稳定性已经验证，责任链已经重写，出错时的回滚机制已经建立。
管理者在设计任何 AI 进入的流程时，先标出流程里所有的判断节点，然后逐一问：这个节点出错，谁承担后果？这个节点的正确判断，是否依赖 AI 目前没有的情境信息？两个问题都回答"不需要人"的节点，可以考虑进一步自动化；只要有一个问题的答案是"需要人"，这个节点就必须明确保留人类的判断权和责任权，而不是只留一个形式上的确认按钮。
一个混合岗位的四分法拆解示范
框架讲到这里，最有用的事情是把它落到一个真实场景上，让你看见拆解是什么感觉。
来看某组织的一个混合岗位。这类岗位在很多组织里很典型：表面上看是一件事，仔细拆开却包含了性质完全不同的四类片段。
任务层：每日数据汇总、报告生成、状态核查、素材整理、历史数据归档。这类工作有清晰的输入规则、稳定的输出格式，可以被 AI 接管处理。把这一层交给 AI，人可以把时间腾出来放到真正需要判断的地方。
判断层：方案评估、策略选择、异常数据的风险识别、目标不达标时的优先级排序。这类工作 AI 能给出参考建议，但最终决策需要人来做。策略的选择不只是数据问题，还牵涉当前客户关系的状态、业务方内部的节奏压力以及特定时间段的敏感度。这些信息 AI 没有完整来源，人必须把情境信息叠加进去，再做判断。
关系层：和客户的目标对齐、和内部业务方的节奏协调、出现异常时的沟通处理。这一层 AI 能帮忙准备沟通材料、整理对齐记录，但真正的协调发生在人和人之间。一个重要客户的不满，不是一封 AI 起草的邮件能解决的；一个跨部门的资源争抢，最终需要有人坐下来谈清楚。
责任层：最终方案的审批、异常处理的升级决策、出了问题时向客户和内部解释并承担后果。这一层不管 AI 做了多少辅助工作，最后签字的那个节点必须是人。出了问题，客户不会问 AI，会问人。
把这个岗位拆完以后，结论不是"这个岗位可以用人减少了"，而是：这个岗位的任务清单变了，人不需要再花大量时间在任务层，而是应该集中在判断、关系和责任这三层——恰恰是这个岗位原本最值钱、但因为被任务层的杂务占满而没能充分发挥的部分。
这就是工作片段拆解的价值：不是证明人不需要了，而是把人从不该久留的地方释放出来，放到真正需要人在场的地方。你可以用同样的四分法，拆自己团队里任何一个核心岗位，看看 AI 进入之后，这个人最值钱的片段是什么，现在有没有足够的时间和权限去做它。
本系列下一篇（第 6 章）会以更细的框架对同类岗位做进一步拆解，并给出实操层面的岗位重写方法。本篇的四分法是概念底座——搞清楚"什么是什么"；第 6 章是在这个底座上往下走一层——"具体怎么做"。两篇是递进关系，不是重复。
岗位重写如何避免简单的用人减少
管理者在做完四分法拆解之后，有一个最常见的错误推理：AI 接了任务层 → 任务层不需要人了 → 这个人不需要了。这个推理每一步看起来都合逻辑，但漏掉了一层：这个人的价值不只存在于任务层，判断、关系和责任这三层里，这个人还有价值。只把任务层交出去就直接减少用人，等于扔掉了还没有被充分使用的部分。
岗位重写的正确路径不是这条。它应该是：拆片段 → 评估剩余片段的价值 → 把人放到最值钱的位置 → 只有当剩余价值也已经被系统化了，才进入编制讨论。这四步是有顺序的，不能跳过中间两步直接从"拆片段"跳到"讨论编制"。
"把人放到最值钱的位置"落到操作层有三个具体动作。第一，重新定义这个岗位的核心贡献——不是任职要求里的技能列表，而是这个人在判断、关系和责任这三层上，组织依赖他解决哪类问题。第二，给这个人对应的权限和工具，让他能在新位置上真正发挥作用——只调整岗位说明书，不给权限和工具，新岗位就是纸面上的。第三，更新绩效口径，让考核机制能看见这个人在新位置上创造的价值——如果绩效口径还在衡量他做了多少格式化输出，而这类输出已经交给 AI 了，这个人就永远考核不出来。
一个组织有没有在做真正的岗位重写，还是只是在简单地减少用人，有一个判断标准可以用：在宣布某个岗位"AI 已经接管了"之前，能不能清晰地说出，原来在这个岗位上工作的人，现在在哪里、做什么、对哪类组织问题负责。如果这个问题没有答案，说明编制调整发生在岗位重写完成之前，这不是 AI 转型完成了，这是借着 AI 的名义做了一次用人规模缩减，损失了可能还需要的能力。
岗位重写不是必须无限保留每一个人。当一个岗位里所有四类片段——任务、判断、关系、责任——都已经被系统化地替代，或者剩余价值远低于维护成本，那时候的编制调整才是基于清晰分析的决定。但这需要走完四步，而不是发现 AI 能做某件事就直接动编制。
管理者现在可以做的是：对自己手里的岗位，完成一次"剩余价值评估"——AI 进入之后，这个人的判断层、关系层和责任层里，还有哪些是组织今天或者未来三个月内依然需要的？把这个问题想清楚，是进入任何编制讨论之前必须完成的作业。
四个条件，才能讨论编制
CEO 和 CHO 经常问同一个问题：什么时候可以讨论用人规模调整？AI 接管了这块工作以后，编制应该怎么动？
这个问题没有可以直接套用的公式，但有四个条件，只有同时成立，组织才有资格进入编制讨论。少任何一条，动编制都是在把组织暴露在没有定义清楚的风险里。
第一个条件：任务替代已稳定。 AI 在这个节点上的输出质量，是否已经达到可以批量依赖的程度？这不只是"能用"，而是"在正常负载、各类输入条件下稳定可用"。很多企业的错误是：AI 在 Demo 状态下表现很好，就认为可以正式替代，但 Demo 和真实生产之间的差距往往很大。任务替代的稳定性，需要经过一段时间的实际跑量才能确认，不能靠评估会议来确认。
第二个条件：责任链已重写。 谁使用这套 AI、谁复核产出、谁验收结果、谁在出了问题时兜底——这四个问题都有清晰的人工答案之前，不应该动编制。工具上线不等于责任链建好，很多企业工具用了半年，出了问题还是不知道该找谁。没有重写责任链，AI 进入流程只是产生了一个新的责任真空，而不是提升了组织能力。
第三个条件：知识已沉淀。 这套 AI 系统处理任务过程中的例外情况、错误判断、修正动作、特殊情境，有没有被结构化地写回组织知识系统？如果没有，一旦调整编制，这些只存在于少数人头脑里的知识就会随着人员变动而流失。AI 先提升了每个人的个人速度，但如果这些速度没有进入组织记忆、没有成为可传承可复用的资产，那动编制之后，组织能力的实质是在下降的。
第四个条件：产能方向已定义。 AI 替代任务层以后，释放出来的时间和人力，打算流向哪里？是降低成本、扩大产出、提升质量，还是重组到新的业务方向？如果产能释放之后没有明确的方向，用人规模调整只是把一个生产问题变成了一个人员问题——账面上省了，但新的业务机会没有人力支撑，也没有人负责抓住。
这四个条件不是检查清单里的形式合规，每一条都指向一个真实的组织风险：任务不稳定就动编制，系统会翻车；责任链没重写就动编制，出了问题没人兜；知识没沉淀就动编制，能力随人走；方向没定义就动编制，产能变浪费。
只有四个条件同时成立，组织才有资格进入编制讨论；少任何一条，用人规模调整都是在承担未定义的风险。管理者现在可以做的是：对自己正在推进 AI 替代的那个业务场景，逐条核对这四个条件，哪条还不成立，那条就是当前最需要推进的工作，而不是编制。
给 CEO / CHO 的工作片段分析清单
前面讲了框架，这里给一个工具。在讨论任何编制决策之前，先填完这张工作片段分析清单。这不是一张审批表，而是一张帮你把岗位真正想清楚的工具。想清楚了，用人规模的决定才不会只是情绪反应或者财务压力的单向响应。
选一个你正在考虑调整的岗位，依次回答下列问题。
任务层：这个岗位的主要任务是什么？哪些是重复性的、格式化的？AI 当前能进入哪几项任务？稳定性怎么样？跑了多久、遇到过什么异常？
判断层：这个岗位的主要判断是什么？哪些依赖经验和情境，哪些依赖关系和历史？AI 能在哪些判断上提供辅助？人的最终决策和 AI 建议之间，目前是怎么协作的？
关系层：这个岗位的主要关系协调是什么？涉及哪些内部和外部的信任关系？AI 能帮到什么程度，哪里必须是真实的人际互动？
责任层：这个岗位的最终责任承担是什么？出了问题，谁被追问？AI 进入以后，这个责任节点有没有明确指向某个人？
剩余价值评估：任务被 AI 接管之后，这个人的判断层、关系层和责任层里，还有哪些是组织依然需要的？这个人最值钱的片段是什么？现在有没有足够的时间和权限去做它？
在进入任何编制讨论之前，还需要确认四个前置条件是否成立：
- 任务替代已稳定：AI 在这个节点的输出质量，已经在实际生产中验证，可以批量依赖
- 责任链已重写：谁使用、谁复核、谁验收、谁兜底，都有清晰的人工答案
- 知识已沉淀：例外处理、判断规则、错误修正已经写回组织知识系统，不只存在于个人账号
- 产能方向已定义：释放出的时间和人力，明确流向降本 / 增产 / 提质 / 重组，有对应的负责人
四条全部成立，可以进入编制讨论。任何一条不成立，那条就是当前最需要推进的工作，编制讨论暂缓。
使用这张清单，不是为了拖延必要的组织调整，而是为了确保调整是基于清晰分析的决定。AI 转型里，很多组织损失的不是 AI 能力不够，而是在分析没做完之前就动了编制，然后发现该留的能力走了，该建的系统没人负责。把这张清单填完，是一个 CEO 或 CHO 对组织负责的最小动作。