本文目录
最近在一个企业 AI 落地项目里，我碰到了一个很有意思的问题。
客户是一家 B2B 企业。过去，一个销售每天需要花大量时间寻找潜在客户、查询公司信息、寻找关键联系人、撰写开发邮件、准备会议、整理会议纪要、更新 CRM，再根据客户状态安排下一轮跟进。
我们把整条销售链路拆开以后发现，其中相当一部分工作，已经具备了被 Agent 接管的条件。线索 Agent 可以自动寻找和筛选潜在客户，Research Agent 可以补充企业背景与联系人信息，Outreach Agent 可以生成第一版开发邮件，Meeting Agent 可以自动整理会议纪要，CRM Agent 则可以根据会议结果更新客户状态，并提醒下一步动作。
按照整个流程测算，一个销售真正需要亲自完成的重复性工作，有机会下降到过去的 30%～40%。
讨论到这里，管理层提出了一个非常自然的问题：
以前一个销售一天只能联系 30 个客户，现在有了 AI，是不是应该联系 100 个？
这个问题听起来完全合理。企业投入 AI，本身就希望提高人均产出。但如果站到员工这一侧，另一个问题也会随之出现：如果我花时间学习 AI、调试 Agent、整理自己的方法、持续给系统反馈，最终得到的结果只是工资没有变化，工作量却变成了过去的三倍，我为什么要积极推动 AI？
这其实是我最近在很多企业 AI 项目里越来越关注的一个问题。
企业最开始讨论 AI，往往集中在工具、模型、Agent、自动化率，以及到底能节省多少人时。但当 AI 真正进入业务流程之后，它产生的影响不会停留在工具层。生产方式发生变化以后，岗位定义、绩效评价、激励机制，甚至管理者对于“一个优秀员工到底值多少钱”的判断，都会逐渐发生变化。
绩效制度，只是这一系列变化最终落到管理机制上的结果。
一、AI 降低了动作成本，很多传统 KPI 的基础也在消失
过去很多企业的 KPI，其实建立在一个隐含条件上：人的时间有限，每完成一个动作，都需要真实的人力投入。
因此，我们很自然地用“动作数量”去近似衡量员工的工作投入。销售每天打多少电话、发多少邮件、拜访多少客户；客服每天回复多少会话、平均响应时长是多少；程序员完成多少需求、交付多少功能；设计师一天出多少张图、一个月完成多少素材；法务审核多少份合同；管理者有没有按时开会、写周报、汇总项目状态。
这些指标过去有它的合理性，因为完成动作本身就需要消耗大量时间。
当 Agent 开始接管执行环节以后，这个基础条件正在发生变化。一个销售借助 AI，一天生成 300 封开发邮件并不困难，但 300 封邮件的业务价值，未必高于 50 封经过筛选、客户匹配度更高的邮件。一个设计师可以一天生成 100 张图片，公司真正值得上线测试的可能只有十几张。Coding Agent 可以快速生成大量代码，但代码量很难代表工程价值，系统稳定性、可维护性、架构合理性和上线质量依然更加重要。
客服也一样。AI 可以同时处理大量标准问题，但复杂投诉、高价值客户和业务边界情况，仍然需要更谨慎的判断。
这些变化背后有一个共同规律：
当 AI 大幅降低某个动作的生产成本以后，这个动作本身的数量，就越来越难代表员工真正创造的价值。
这也是很多企业 AI 提效项目最容易走偏的地方。原来一个人一天完成 30 次操作，Agent 帮他把能力扩大到 100 次，于是企业顺势把 KPI 从 30 调到 100。表面看，人效提高了三倍；但如果销售转化没有同步提升，客户满意度没有变化，利润也没有增加，那么企业得到的更多只是动作量，而没有获得等比例的经营价值。
因此，当执行动作越来越便宜以后，企业必须重新回答一个问题：
一个岗位真正稀缺的价值，到底还剩下什么？
二、Agent 正在重新拆解一个岗位
最近做企业 AI 流程梳理时，我越来越习惯先做一件事：先把岗位拆开，再讨论哪些部分适合交给 AI。
因为几乎所有知识型岗位内部，都同时存在两类性质完全不同的工作。
第一类可以称为可代理工作。这类工作通常高频、重复，输入输出相对明确，有规则、有历史数据，结果能够验证，而且单次出错的成本相对可控。
销售里的客户搜索、信息补全、CRM 整理、开发邮件初稿、会议纪要，基本都符合这些特征；客服里的订单查询、标准问题回复、工单分类、信息提取也类似；程序员编写基础代码、补充单元测试、生成文档和完成部分标准化重构，正在越来越多地交给 Coding Agent。法务中的合同模板比对、风险项提取、标准条款检查，财务中的数据整理、对账和标准异常识别，也存在同样的空间。
过去，这些工作占据了大量人的时间。随着 Agent 能力继续提高，它们会不断被系统接管。
而岗位中剩下的部分，则会越来越集中到人的优势上：定义目标、处理模糊问题、做价值取舍、承担高风险判断、解决异常、创造新方法、维护关键客户关系、协调跨部门资源，以及对最终结果负责。
于是，未来很多岗位的真实工作链路会逐渐演变为：
人定义目标和边界 → Agent 搜集、分析、生成、执行和监控 → 人处理异常、审核风险、做关键判断 → 系统记录结果 → 人继续调整规则、知识和工作方式。
这意味着员工的角色也会发生变化。大量知识型员工会逐渐从单纯的任务执行者，转向 Agent 的管理者、训练者和决策者。
过去评价一个人的专业能力，经常问的是“这件事情他会不会做”。未来还需要继续追问：他能不能判断 Agent 做得对不对？他知不知道什么时候可以相信 Agent？出了异常以后有没有能力快速接管？他能不能通过反馈和规则，让 Agent 下一次做得更好？
当这些问题开始进入岗位要求时，绩效制度自然也需要跟着变化。
三、未来一个员工，可能同时“管理”多个 Agent
这个变化在销售场景里尤其直观。
一套成熟的销售工作流，未来很可能同时运行多个 Agent：线索 Agent 负责寻找和筛选潜在客户，Research Agent 整理公司背景、关键联系人和近期动态，Outreach Agent 生成邮件、LinkedIn 消息和跟进内容，Meeting Agent 整理会议纪要并提取需求、异议与下一步行动，CRM Agent 则自动更新客户状态并提醒后续跟进。
到了这个阶段，销售本人真正需要投入大量时间的工作就会发生迁移。他需要判断哪些客户值得投入，决定应该采用什么沟通策略，参加关键会议，处理复杂异议，建立信任，并最终推进关键决策与成交。
岗位名称可能仍然叫“销售”，但生产方式已经发生了结构性的变化。
所以，我越来越倾向于把一种新的能力单独提出来：
AI 协同能力：Agent Management Capability
未来一个员工的生产力，很大程度上取决于他能不能把一个复杂目标拆解给不同 Agent，能不能给 Agent 提供合适的上下文、知识和权限，能不能判断哪些结果可以直接使用、哪些结果必须人工验证，以及能不能持续改进 Agent 的工作方式。
这种能力其实很像传统的管理能力。一个优秀的管理者不会亲自完成团队里的全部工作，他需要做的是目标拆解、任务分配、过程检查、异常处理和成员培养。Agent 普及以后，这套管理能力会逐渐从管理岗位下沉到大量普通知识型岗位。
一个销售可能管理 5 个 Agent，一个程序员可能同时使用代码生成、测试、Review、文档和研究 Agent，一个运营也可能同时使用内容 Agent、数据分析 Agent、监控 Agent 和自动执行 Agent。
未来很多知识型员工都需要具备一种新的基础能力：
会做业务，也会管理自己的数字劳动力。
四、员工价值会从“个人产出”逐渐转向“杠杆产出”
当员工开始管理 Agent，绩效里就会出现一个更加棘手的问题：一个人的价值，到底应该只看他本人完成了多少工作，还是应该把他对整个系统产生的影响也算进去？
类似的情况，我在客服、研发、销售等场景里都见过。为了保护客户信息，下面把具体数字和业务细节做了简化。
一家企业有两名高级客服。员工 A 个人能力非常强，一天可以处理 150 个复杂 case，业务熟练，很多边界情况都能快速判断。但他很少整理经验，也不维护知识库，对于 Agent 的错误也很少主动反馈，很多技巧长期停留在自己的脑子里。
员工 B 自己一天只能处理 100 个复杂 case，但他在日常工作中持续整理高频问题，将判断方法转化为规则，补充知识库，标注 Agent 的失败 case，并不断优化 Prompt 和处理流程。最终，这些工作让整个 30 人客服团队使用的 Agent 准确率提高了 5%。
如果沿用传统绩效体系，员工 A 很容易成为明星员工，因为他的个人处理量更高。但从组织整体价值看，员工 B 的影响范围可能更大。
这里就需要区分两个概念。
直接产出，是一个员工自己完成了多少工作。
杠杆产出，是一个员工让多少系统、Agent 和其他员工工作得更好。
传统组织非常擅长统计直接产出。谁签了多少钱，谁处理了多少客户，谁完成了多少需求，这些指标都比较容易记录。杠杆产出过去一直很难衡量，而 Agent 会把这一问题进一步放大。
因为一条优秀规则一旦进入 Agent，可能会被重复执行几千次。一个员工总结出来的判断方法，过去可能只能通过培训传递给十几个人，现在却可以直接进入系统，被几十名员工和多个 Agent 同时调用。
因此，未来优秀员工越来越重要的一部分价值，会来自一个新的问题：
我的经验，能够让多少人和多少 Agent 工作得更好？
一旦企业开始认真衡量这个问题，绩效制度的评价对象就会发生迁移：从单纯关注一个人的个人输出，逐渐扩展到一个人能够产生多大的组织杠杆。
五、为什么优秀员工可能天然抵触“训练 AI”
继续往下推，就会遇到一个非常现实的组织博弈。
一个优秀员工把自己的经验贡献给公司，公司再把这些经验写进知识库、规则和 Agent。随后，新人开始具备过去只有老员工才能掌握的一部分能力，团队整体效率提高，公司进一步给这个员工安排了更多工作，但他的收入、奖金和晋升机会没有明显变化。
从个人利益角度看，他继续贡献 know-how 的动力自然会下降。
这也是为什么很多企业在推动 AI 时，会出现一些管理层难以理解的现象：员工不愿意认真给 AI 反馈，高手不愿意写 SOP，大家更倾向于私下解决问题，Agent 出错以后也没有人愿意系统标注，最有价值的业务经验长期停留在个人脑子里。
管理层很容易把这些情况归结为“员工抗拒变化”，但从机制设计角度看，原因往往很直接：
企业设计了一套让员工保留知识更加符合个人利益的制度。
这件事情在 AI 时代会更加突出。
过去，一个高手把经验写成 SOP，很难直接计算这些知识到底创造了多少价值。今天，如果他的经验进入 Agent，并被整个组织持续调用，贡献所产生的影响范围可能放大几十倍甚至几百倍。
相应地，企业也需要开始回答一些过去很少认真计算的问题：员工贡献了一条规则，让整个团队效率提高，这部分价值怎么计算？员工发现了一个关键失败模式，让 Agent 错误率下降，是否应该进入绩效？一个人花两周时间优化流程，此后整个团队每个月节省 500 小时，这个贡献应该如何体现到奖金和晋升里？
如果这些问题长期没有答案，员工很容易得出一个理性的结论：保留个人经验，对自己更加安全。
六、AI 提效以后，企业必须重新讨论“效率红利怎么分”
假设一支团队通过 Agent，一年节约了 1000 小时人工时间，这 1000 小时最终应该流向哪里？
企业当然需要获得其中一部分收益。比如让一个人服务更多客户，让同样规模的团队承担更大的业务量，降低单位服务成本，提高利润率。这也是企业投资 AI 所期待的经营回报。
但如果所有被释放出来的时间，都立刻被替换成更多同类任务，员工很快就会形成一个非常明确的认知：AI 的价值，就是让我承担更多工作。
这种认知一旦形成，员工推动 AI 的积极性一定会下降。
我更认可一种“三部分效率红利”的思路。
第一部分进入企业经营收益，用于扩大人均业务规模、降低单位成本和提升利润率；第二部分重新投入高价值工作，让员工把时间转向客户关系、创新、新产品、复杂问题、战略判断和新的业务探索；第三部分需要回到员工，让他们通过奖金、晋升、职责升级、减少机械劳动，或者明确的系统贡献绩效，获得与效率提升相匹配的收益。
一套更健康的循环应该是：
员工贡献经验 → Agent 变好 → 团队效率提高 → 企业获得经营收益 → 员工获得对应回报 → 员工继续贡献经验。
如果最后一环长期缺失，前面的循环很难稳定。
因此，当 AI 提效真正进入规模化阶段以后，“效率红利怎么分”会逐渐从文化问题变成一个非常现实的组织机制问题。
七、未来绩效制度，需要增加“系统贡献”这一维度
传统的经营结果指标当然不会消失。销售额、利润、客户续约率、项目结果、用户满意度，依然是企业经营最重要的底层指标。
真正发生变化的是，企业开始需要重新理解：一个员工究竟通过什么方式创造了这些结果。
可以先用一个简单的框架来看：
| 维度 | 传统绩效关注点 | AI Agent 时代关注点 |
|---|---|---|
| 个人产出 | 自己完成多少工作 | 人 + Agent 最终产生多少结果 |
| 工作效率 | 做得快不快 | 自动化比例、人工介入效率、单位时间价值 |
| 专业能力 | 自己能否解决问题 | 能否判断 Agent 对错、处理复杂异常 |
| 知识贡献 | SOP、培训 | 能否把经验转化为 Agent 可调用能力 |
| 管理能力 | 管理人 | 管理人 + 管理 Agent |
| 创新能力 | 提出新方案 | 能否发现新的 Agent 和自动化工作方式 |
如果进一步拆解，未来绩效体系至少需要关注四类指标。
第一类是结果指标。例如销售额、GMV、利润、续约、项目结果、客户满意度。这些仍然是最终经营结果。
第二类是规模与杠杆指标。例如单员工管理的业务规模、单人服务客户数量、Agent 自动化比例，以及单位人工时间产生的业务价值。它们衡量的是一个员工能够撬动多大的业务规模。
第三类是高价值行为指标。例如关键客户沟通、新策略测试、创意探索、复杂问题解决和高风险判断。这些工作的数量未必大，却往往直接影响最终结果。
第四类则是 AI 时代尤其需要增加的系统贡献指标。比如有效规则贡献、Prompt 和 Agent 优化、知识库贡献、高价值失败 case 标注、SOP 优化、新自动化流程设计、Agent 准确率提升，以及对团队整体效率的改善。
这里也很容易出现新的形式主义。如果企业开始考核“每个月提交多少条 Prompt”“写多少条知识库”，很快就会重新回到动作数量导向。
因此，系统贡献同样需要尽可能与实际效果绑定。一条能够让 Agent 错误率下降 10% 的规则，通常远比 100 条从来没有被系统调用过的知识库内容更有价值。
八、未来优秀员工会越来越像“教练”
这种变化已经可以在很多岗位中看到。
以程序员为例，过去一个顶级程序员可能通过“自己能够写最难的代码”体现专业价值。随着 Coding Agent 逐渐成熟，他未来更多的价值可能集中在定义架构、拆分任务、设置工程约束、Review、识别风险、处理边界情况和建立工程规范。代码依然重要，但个人亲手写了多少代码，会逐渐从核心指标退到次要位置。
销售也一样。过去一个明星销售最大的价值，可能体现在自己能够拿下最大的客户。未来，他除了自己成交，还需要把客户筛选逻辑、沟通方法和异议处理方式沉淀进 Agent 和团队，让自己的成功方法能够被复制。
设计师的价值也会从单一作品逐渐扩展到视觉方向、模板体系、素材资产、Agent 输出 Review 和创意探索；高级法务除了自己审合同，还需要定义风险规则，明确哪些条款必须升级人工判断，并持续维护合同审查 Agent 的边界和知识。
因此，我觉得未来很多高级员工都会逐渐接近一种新的角色组合：
Domain Expert + Coach + AI Supervisor
他首先仍然是领域专家，需要拥有足够深的业务判断；同时，他还需要像教练一样，把个人经验转化成团队能力；再往前一步，他还需要像 AI Supervisor 一样，管理 Agent 的规则、质量、权限和边界。
这也是未来优秀员工非常重要的一种贡献：
把个人能力转化成整个组织都可以持续调用的能力。
九、未来管理者管理的，还包括“数字劳动力”
当这种变化继续向组织层面扩散，管理者面对的对象也会发生变化。
过去一个主管可能管理 10 个人。未来，他所管理的实际生产单元可能是：
10 个人 + 30 个 Agent。
这会带来一整套新的管理问题：哪些任务应该由人完成，哪些任务可以交给 Agent？Agent 可以读取什么数据，拥有多大的执行权限？哪些操作必须经过人工审批？Agent 出错以后由谁负责？准确率下降到什么程度应该停止运行？哪些 Agent 值得继续迭代，哪些已经没有经营价值？哪些业务经验应该沉淀进系统？Agent 与 Agent 之间如何协作，人和 Agent 之间又应该在哪里完成交接？
这些问题其实已经非常接近传统企业里的招聘、培训、授权、考核、晋升和淘汰。
区别只在于，组织开始多出一种新的生产资源：
Digital Workforce，数字劳动力
过去企业主要管理人力资源。未来企业需要同时管理人力和数字劳动力，而且两者之间会高度耦合。
人的能力决定 Agent 能不能被正确训练，Agent 的能力又决定人能不能把时间释放到更高价值的事情上。最终的组织效率，取决于企业如何设计两者之间的分工、权限、责任和协作关系。
十、未来“人效”的计算方式，也需要发生变化
这一切最终都会回到经营账上。
过去企业很喜欢用：
收入 ÷ 员工人数
来衡量人效。
这个指标以后依然可以看，但当企业大量使用 Agent，仅仅统计员工人数，已经越来越难解释真实的生产效率。
企业可能需要增加另一个指标：
业务产出 ÷ 人类工时
再进一步，可以计算：
业务产出 ÷（人力成本 + AI / Agent 成本）
继续往下，企业甚至需要为 Agent 单独建立经营账。
每个 Agent 到底节约了多少人工时间？创造了多少增量价值？错误产生了多少人工返工？模型调用成本是多少？维护知识库和流程需要多少人工投入？哪些 Agent 看起来非常先进，最终只是增加了 Token 成本？哪些 Agent 虽然只自动化了一个很小的环节，却恰好释放了组织里最稀缺的专家时间？
这些指标，会比“公司上线了多少个 Agent”重要得多。
AI 管理最终依然需要回到经营结果。Agent 数量本身只是一个过程指标，真正值得衡量的是，它到底有没有让业务产生更好的结果。
最后，企业真正需要重新回答的是：一个人的价值怎么算？
过去企业衡量一个员工的价值，往往主要看他自己完成了多少工作。Agent 进入企业以后，这个尺度会越来越不完整。
一个员工可能自己只完成了 100 个任务，却总结了一套规则，让另外 100 个人的效率提高了 10%；一个程序员亲手写的代码越来越少，却建立了一套工程规范，让多个 Coding Agent 的输出稳定性显著提高；一个销售个人业绩没有排第一，却沉淀了一套客户筛选和异议处理方法，让整个团队的转化率获得提升；一个高级客服处理的 case 比别人少，却通过规则、知识库和失败 case 标注，让全团队使用的 Agent 准确率持续提高。
这些价值过去很难被记录。Agent 出现以后，它们会变得越来越重要，也越来越有机会被系统量化。
因此，当企业 AI 转型真正走深以后，问题一定会进入岗位、绩效、激励和组织结构这一层。技术团队可以把 Agent 做出来，业务团队可以把流程跑起来，但最终，管理层还是需要解决一个更难的问题：
当员工的经验可以被复制给 Agent，当一个人的判断能够被整个组织持续调用，当优秀员工开始同时影响几十个人和几十个数字劳动力以后，我们应该如何衡量他的贡献？
未来企业同时管理人和数字劳动力，绩效制度也必须回答一个过去很少出现的问题：
当一个员工能够让十个 Agent，甚至让整个组织工作得更好时，这份价值，应该怎么算？