核心判断
- AI 自动化意味着企业重新安排组织关系；
- 是否值得引入 AI，要算三笔账：能力账、经济账和社会账；
- 构建合约，划清人与 AI 的组织共生边界。
过去两年，许多企业都在往 AI 里砸钱。
如果说美国是 All in AI，那么中国更像 AI in ALL：
前者是主力资本争相涌入 AI 相关产业，后者是在这基础之上，把 AI 铺到更宽的面上——教育、金融、社交、制造业，都在强调引入 AI、做组织流程再造。
这笔账看着很划算。
因为AI 的能力已经强大到足以完成各项日常工作。
但反常旋即出现：
MIT NANDA 的一份工作论文称，约 95% 的受访组织尚未获得可归因的财务回报；一些被认为可以摆脱人来做的工作，真把人替掉之后，效果也不尽如人意。
为什么"把活儿交给 AI"这件看起来最划算的事，最后常常让企业既没赚到钱，又丢掉了人？
AI 自动化替代这件事，到底意味着什么 ？
01｜自动化替代的两种选择
先从一次真实经历说起。
大概一个月前，一次 Build Club活动上，一位电商从业者谈到了 AI 客服诉求。他是靠 IP 账号引流，再由大量私域客服承接客户，完成沟通、转化。
他的想法很明确：如何能够用 AI 替代掉一些不好用的客服。
现场人们提出了很多方案：
比如写自动化脚本、模拟屏幕点击等等。
讨论正酣之际，有人却说道： 为什么一定要把人替掉呢？倒不如想办法让 AI 帮现有客服提效，让一个人能够同时服务更多客户 。
紧接着，这人算了一笔账：
AI 部署是要花钱的，报价并不低，实际运行起来还要有很多优化，折腾了一圈，可能花的钱并不比人工好，效果还难以保证 。
这让我想起了首富马斯克的一件事情。
2018 年 4 月，特斯拉产能跟不上，马斯克公开承认，说自己犯了过度自动化的错误。原因是，特斯拉的一条产线上，处理玻璃纤维条的机器人屡屡卡壳，最后将那些机器被撤下来，换成人来做，才得以提高效率。
特斯拉工厂。 图源 | 特斯拉官网
也就是说，全世界对自动化最执着的人，曾经在产线上把机器拆了，把人找了回来。
自动化并非越彻底越好，它是有原则、有边界的。
这与 AI 自动化替代的性质有关
02｜自动化替代，改变的是组织关系
AI 在企业里有很多种用法：
员工可以向它提问、让它完成任务，
也可以让它作为独立 Agent，如客服，处理客户咨询、员工知识查询等任务。
这些不同用法的差别，本质上在于 AI 与企业的契约关系。
1991年诺贝尔经济学奖得主、新制度经济学创始人罗纳德·科斯（Coase, 1937），指引我们从交易合约的角度理解企业，将企业看作员工与所有者的 劳动合约丛 。
员工拿劳动要素，向企业交换货币与价值。因此，员工与市场外包人员的区别，在于企业用一套更长期、条件更多的劳动合约，替换掉了外部交易合约。
基于此，张五常（Steven Cheung, 1983）进一步指出，企业与市场的相互替代，本质上是两套不同合约组合的相互替代。
由此，我们可以定下一个连续统：
一头是 员工的工具——AI 帮人干活；
另一头是 企业的员工——AI 自己干活，成了一份对组织负责的成员。
而这两个端点之间，还有不少过渡带。
不同的位置，意味着企业愿意向 AI 交出多少权利、给定多少责任，更意味着不同的合约结构。
AI 进入企业后，以不同的身份与企业组成差异化的组织关系。
（1）作为员工的工具 ：
AI 是企业内的一种生产要素，提高员工的生产能力、协调效率，改善企业产出。
特别是，AI 素养高、业务能力强（也就是拥有更多人力资本）的员工，能得到更大的效率提升、扩展能力边界，成为超级个体的概率也更高。
（2）作为企业的员工 ：
企业引入 AI，本就需要与各类外部生产要素提供者签约：前期部署（硬件、算力、人工），运行中的模型调度、能源，后期的维护、升级等。
在此基础上，当 AI 发展为Task Agent，企业的签约对象也会发生变化，将 Agent 方案提供商等纳入进来。
总之，我们可以将 AI 在企业中的落地方式，理解为一条从工具到员工的线索。
它并不完全对应技术差距，而在于企业打算如何组织内外部关系。
03 | 不同的组织关系如何运作
AI 进入企业后，会涉及到与企业内外诸多主体之间的签约，从而影响组织运作模式。
拿客服 Agent 来说，它既回答员工的提问，也回答外部客户的提问。不同的落地方式，将带来差异化的组织运作方式。
一是作为人的初级工具。
员工问 AI 公司的政策、条款等，再答复客户。此时 AI 只提供判断材料，询问、答复这些动作都是人来做。
二是 AI 作为人的高级工具，
它可以自动生成答案，给几个选项，人在确认后点一下就能发出去，省下了更多的生成时间。
三是 AI 被开放了更多权限，
能按规则自行核验、下换货单、跟回访，人类客服只需查验结果和例外即可，更多的执行时间被省下了。
第四，随着 AI 权限进一步扩大，
如挂在售后组名下，全链路自主运行客服工作。
显然，从工具到员工，Agent 能做的事情越来越多，但向它开放的权限也越来越多，风险也相应加大——AI 客服乱回复、导致商单流失等，就是很明显的例子。
正因如此，许多特殊类型企业不敢引入 AI，即便引入，也只会把 AI 限定在特定任务上。
这是影响 AI 与人相互替代的重要原则之一。
04 | 怎样的 AI 自动化替代是合适的
这至少要算三笔账。
| 账目 | 核心问题 | 更适合 AI | 更需要人 |
|---|---|---|---|
| 能力账 | 能不能稳定完成？ | 目标清楚、结果可验收、错误可回滚、标准化、重复性强 | 目标模糊、结果难验收、错误不可逆、需要理解客户关系和现场处境 |
| 经济账 | 是不是真的划算？ | 省人工、更快出结果，且不增加返工、监督和失误 | 隐性价值高：情绪感知、例外处理经验、现场判断 |
| 社会账 | 关系和秩序会怎样？ | 能承受对员工士气、团队氛围和社会分化的影响 | 会破坏人与人关系、加剧 K 型分化、拉大财富差距 |
第一笔：能力账
能力账判断 AI 能不能稳定地完成一项任务。
因此，往往是那些目标清楚、结果可验收、错误可回滚的任务，更适合提高自动化程度。
相对的，目标模糊、结果难以验收、错误不可逆，或者需要持续理解客户关系和现场处境的任务，就更加需要人的参与。
或者更细了说，我们需要看一看，一个任务当中哪些环节具有高度标准化、确定性与重复性等特征，它就更适合 AI。
微软 2025 年 8 月发布的《生成式 AI 对职业的影响》显示：
白领工作的任务与 AI 的能力高度重叠，因此更容易被 AI 冲垮；而重型机械操作、医院护理、各类体力劳动，这些要动手、要现场感知的岗位，相对不那么容易被替代。
中国信通院《人工智能就业影响白皮书（2026 年）》给出的判断类似：
高替代风险岗位重复性强、标准化高、人际交互少（比如基础客服、数据录入、流水线操作）；不容易被替代的，反而要技术、要创意、要与人打交道。
两者指向同一条线：
容易被替代的，是重复、标准、人际互动少的任务；
不容易被替代的，是要动手、要现场感知、要与人打交道的任务 。
第二笔：经济账
组织关系能解释怎样引入 AI 是合适的，但并不能解释： 企业引入 AI 之后的绩效差异 。
存在两种 AI 自动化替代趋势：
AI 换人，以及更耳熟能详，乃至成为全民焦虑的，人与人的相互替代。
但正如前面所说的，
自动化的经济账，不能只比较模型费用和人工工资这两项支出。
企业还要计算部署、运行、维护、监督、验收、返工、培训和流程改造的成本，也要计算错误回复造成的客户流失、关系损害和机会成本。
而且从收益来看，原本由人完成的工作，往往还附带着一些不容易单独计价的价值。譬如，客服对客户情绪的感知，销售在例外处理中积累的经验，交付人员对现场变化的判断，等等。
因此，AI 方案看起来省下了人工，不代表企业真正省下了成本。如果自动化让结果更快，却让返工、监督和失误更多，那么这笔账未必划算。
第三笔：社会账
社会账是最容易被忽略的一笔。
它既发生在组织内部，也会扩展到更大的社会环境。
在这里，我们并不是要给经济行为套上道德枷锁，绑架企业家们。恰恰相反，这笔社会账会切实地通过影响员工士气和团队氛围，作用于组织效率。
在社会层面，经济的 K 型分化正在加剧。大量资本流入 AI、具身智能等领域，其他领域经济恢复缓慢；又因为这些领域就业和参与门槛相对高，社会财富的差距被进一步拉大。
这就是为什么，自动化不能只看它能否完成任务，也不能只看它是否降低了短期成本。
它还要回答：
这项工作交给 AI 之后，人与人之间的关系被打破到了什么程度，社会运作秩序会发生什么变化。
工业革命的发展历程证明了算清三笔账的重要性。
从瓦特改良蒸汽机（1765年），到工业革命完成（1830-1840年），经历了近一个世纪。
期间，虽然机械有强大的生产力、明确的经济价值，但由于它进入工厂后，同时打破了工人的技能体系、工资结构和原有生活秩序，因此需要长期的社会磨合。
19世纪初工人们砸毁机器的“卢德运动”，并不只是“反对机器”，更像是工人在追问：技术带来的效率，究竟由谁享有；转型造成的代价，又由谁承担？
05 | 斗鸡博弈与独木桥困局
那么，如果这笔买卖并非天然划算的，为什么在现实中，几乎没有一家企业停下来研发 AI、引入 AI？而且也没有个体，愿意停下来使用 AI 。
实际上，当前我们处在一种“斗鸡博弈”中，没有人敢落后。
当每个潜在求职者都在使用 AI，当每个行业竞争对手都在使用 AI，即便手里有一笔很厚的账本，由于竞争焦虑，每个人、每家企业都不会停下来。
于是，个人层面的理性，便有可能凑成了集体层面的不理性。
到最后，可能所有人被一起推进一个更坏的结果：本该留给人的环节给了机器，本可以留人的地方，也再难回头。
然而，现实的发展往往受制于多重因素，从而导向不确定的方向。
06 | 人的价值与 AI 落地的潜在困难
阻止我们陷入困局的首要因素，很可能是人对于自身存在价值的追问。
Ontology（本体论），回应的便是存在的意义。
当 AI 越来越聪明，能够进行很多原本被认为专属于人的认知劳动，我们该从什么角度认识它？
当人习惯性地懒惰，将判断和创造都交出去之后， 我们又会成为怎样的人？
我们似乎正在慢慢失去知识习得与实践的过程。
在 AI 的帮助下，我们可以快速读完一篇皇皇巨著，可以快速生产出专业设计师及格线水平的作品；但我们也似乎离产品生产过程越来越远，很难毫不露怯地说——这篇文章、这张 PPT，是我的作品。
当人逐渐只作为 Agent 管理者，人的异化程度似乎在加深。 人之所以为人的"目的"，越来越空心化 。似乎不再是人控制 AI，而是 AI 反过来操纵人，投喂 Token。
在企业层面，当企业只计算经济账、把人当作成本与实现组织目标的手段，越来越多地蒸馏员工技能、收集员工数据，那么人的独特价值也将越来越多地丧失。
人对自身价值的反思，以及 AI 引发的知识产权、劳动保障等问题，会引导我们继续讨论：怎样的 AI 落地才是合适的。
比如，
- 当企业要求员工把个人材料上传到共同知识库，建立基于历史知识的知识基建（Context Infra）时；
- 当企业要求员工离职后，把电脑里的 Agent 原封不动地交给公司时；
- 当企业要引入专用 Agent 时……
如何避免员工产生知识遗失、技能蒸馏、下岗等疑虑？
可能是影响技术发展推广的关键。
守住这条线的，绝非是技术本身。技术只是某些社会博弈结果的落地形式而已。
07｜合约治理下人与 AI 的关系
未来我们会进入一个怎样的世界？如何与 AI 共生？
大抵存在两种说法：一种说 AI 是更高等的生命体，会取代人；一种说人永远是更高等的，AI 只是工具。 这两种说法，都是把人和 AI 摆在对手的位置。
但这两边都漏掉了一件真正要紧的事：人作为目的，不是靠"比 AI 强"撑起来的，而在于， 人是目的本身。
人给 AI 设定边界、制定规则、明确责任归属，AI 在边界里做事；人给 AI 以目的。
所以我们的主张，与其说是"AI 是工具"，不如说是： 人和 AI 在可治理的关系里共处，而治理的前提，是人的目的性。
具体落到企业，这句话就变成一套具体制度。
Zleap OS 想做的，就是在企业范围内设定一套治理合约，规范人与 AI 的关系 。
- 这个 Agent 归属哪个项目或部门；它能读取、能调用哪些范围；
- 哪些决定必须交还给人（例外升级给人）；
- 越过边界时应该升级给谁；
- 出了错由谁负责、每一步能不能审计。
它不只管 Agent 怎么干活，更是人和 AI 第一次在同一个组织里，把"归谁、能碰什么、越界找谁、出事谁担"谈清楚。
在其中，Agent 的主动行动没有取消人的权威，反而让人的判断从琐碎里抽出来，专注在方向、边界和例外上。
以后，我们会专门讲一讲 Zleap OS 如何实现这些，以及我们对此的思考。
资料来源
1. MIT NANDA（2025） ：《State of AI in Business（2025）》工作论文。
2. 斯坦福 HAI《2026 AI Index》 。
3. Coase, R. H. (1937). The nature of the firm. Economica, 4(16), 386–405. Cheung, S. N. S. (1983). The contractual nature of the firm. Journal of Law and Economics, 26(1), 1–33.
4. 微软，《生成式 AI 对职业的影响》 ：（2025-08-14，https://www.toutiao.com/article/7537892548656824878）。
5. 中国信通院，《人工智能就业影响白皮书（2026 年）》 （2026-05-31，https://www.toutiao.com/article/7645899551735415359）。
