在企业推进人工智能应用的过程中，主要挑战并不在于技术能力，而在于如何在现有工作环境中重建一套新的协同与分工模式，使人工智能工具能够被系统性整合，同时让团队真正采纳并掌握相应的新工作方式，从而产出实际效果。

有观点指出，当前已经出现“人工智能原生者”与“非原生者”的分化趋势，这一差异在今年将愈发明显。围绕人工智能的变革，实质是对组织设计的一次深度重估：岗位角色正在调整，原有依赖的技能、智能形态和业务流程正被打散并重新定义。

旧流程与新流程并行

在知识型工作场景中，传统流程与新型流程正长期并行存在。传统模式下，组织通过岗位说明和职责划分，将特定任务固定在特定人员身上，行政与管理工作高度依赖人工执行。而在新模式中，部分行政和流程性工作可以由人工智能代理承担。

现实阻力主要来自从旧流程向新流程的过渡：企业需要在不明显扰乱业务运行的前提下完成迁移。目前，多数组织并未直接以人工智能代理替代人员，一个重要原因是内部缺乏足够能够可靠地审核、学习、配置、训练并持续采用人工智能平台和代理的人才，难以在保证业务连续性的同时获得更优结果。

在这种情况下，许多企业采取的实际做法，是在现有业务架构中将人工智能与人类角色和活动进行组合，而非简单替换。挑战在于，如何在短期内以较小的扰动完成整合，并在投资回报尚不明朗的情况下持续投入资源。

手工与机器的过渡阶段

当前阶段被比喻为人工智能的“约翰·亨利”时刻：一方面，人工智能在部分任务上的表现已超越人工；另一方面，仍有不少从业者坚持沿用旧有工作方式。

要实现从旧方法向新方法的转变，往往需要团队成员集中投入时间和精力，讨论并设计新的实施路径。这使得真正的难点不在于工具本身，而在于如何从战略层面的决策，落地到具体的采纳过程和行为改变，在保持执行效率的同时，维持必要的专业水准和工作质量。

人才与“责任汇聚点”

在所有与协同重设计相关的问题中，核心变量仍然是人。有观点援引普赖斯定律指出，在一个组织中，大约10%的人（更精确地说是参与者总数的平方根）完成了约50%的工作。当人工智能工具被引入后，少数“人工智能超级用户”的重要性进一步提升，而其他知识工作者如果缺乏相应能力，其相对价值可能被削弱，更倾向于维持旧有做法。

研究者丹·戴维斯在其2024年著作《责任缺失机器》中提出“责任汇聚点”概念，认为自二战以来，现代企业对流程的高度依赖，导致决策被不断拆分和下放，责任与后果被稀释和转移，错误难以及时被识别和纠正。

在这一背景下，人工智能的引入被视为可能重塑“责任汇聚点”的一种契机。就单个业务流程而言，多数环节本身并不复杂或模糊，但在加入多层级的人为委派后，如果缺乏对目标、技能和步骤的清晰界定，责任边界就容易变得不清楚。

行政知识工作的责任模糊

有观点认为，行政类知识工作在结构上往往内含一定程度的责任模糊。当一项工作的主要职能是“向他人委派”，就为责任转移和推诿留下空间。

如果将依赖委派的行政职能交由人工智能代理承担，这类职能在理论上会变得更加“二元化”：要么有效，要么无效，责任界面更为清晰。在此过程中，组织内部那些具备创新意识、结果导向和全流程理解能力的“全栈型”人才，被视为推动人工智能协同模式重构的关键力量。

相关观点指出，这类人才在探索新模式时难免出现失误，但其以结果为导向的工作方式，有助于打破既有的责任格局，推动组织在人工智能应用上的实际进展。与此同时，企业被建议在组织内外识别并吸纳具备热情、好奇心和能力、愿意尝试构建人工智能协同新路径的个人。

上述过程被描述为不可避免地“混乱且不完美”，但在相关观点看来，相较于固守传统流程，这一方向被视为更具现实意义的选择。

文中观点来自Athletics首席设计与创新官马特·欧文斯。