麦肯锡近期在播客节目中抛出一个与企业数字化转型紧密相关的话题：AI智能体（Agent）也需要一套完整的绩效管理体系。参与讨论的几位嘉宾来自组织、人才与技术前沿，他们得出的核心判断，直接写在了标题里。
这场谈话的立意，早已超越了“要不要拥抱AI”或“员工该学哪些技能”的浅水区，而是直指一个即将浮出水面的管理难题——当AI智能体全面介入核心业务链条，企业该如何为它们设定目标、追踪产出、评估优劣？甚至，一个长期“躺平”的智能体，是否也该被清退？
麦肯锡在开篇就亮明了立场：技术浪潮之下，“人”永远是转型的锚点。但今时不同往日，管理者必须同时驾驭两类劳动力——血肉之躯的员工与字节构成的数字员工，并让二者协同作战。
一、劳动力版图扩张：HR的管辖范围正在“破圈”
Brooke Weddle直言，人力资源部门的传统职能正在被颠覆。过去只需操心员工的绩效，如今数字员工的表现也得纳入管理台账。
把智能体部署上线，远不是项目终点。它可能犯错、可能落伍，也可能在业务转向后变成鸡肋。Kate Smaje由此抛出一组灵魂拷问：企业到底部署了多少个智能体？每个智能体由谁负责、对谁汇报？它们为业务账本增添了哪些看得见的收益？
这些问题背后，是一场管理逻辑的迭代。过去企业热衷于计算人力资本的投资回报，未来必须给非人劳动力也算一笔经济账。年终盘点时，管理者翻阅的将不再仅仅是人头数和岗位表，而是一幅同时标注着“人类 talent”与“数字 talent”的混合劳动力地图——每个智能体承担什么工种、与哪些岗位衔接、挤占了多少人工工时、又催生了哪些新的管理开销。
二、责任链条重塑：业务一把手才是智能体的“顶头上司”
智能体数量一旦多起来，谁来管就成了绕不开的死结。是交给IT部门、CTO办公室，还是另设一个AI治理中心？
Kate Smaje给出的答案非常果断：谁使用，谁负责。财务部门使用的关账智能体，就该由财务负责人承担最终绩效；销售团队调用的客户分析智能体，就该由销售总监兜底。技术团队只负责搭建统一底座、设定安全围栏和制定生命周期规范，业务结果必须由业务主人来背。
这个结论对当下许多企业的AI推进模式是一个重要提醒。当前常见的路径是业务提诉求、技术部门开发，交付后便撒手不管。未来的组织形态更可能是：每一位业务管理者手里，同时攥着人、流程和智能体三根线。一位财务总监管理的，不再是30个下属，而是“30个人+几十个数字助手”；一位销售负责人关注的，也不再只是团队状态，还有辅助销售的数个智能体的运转效率。
随之而来的是一连串过去从未出现在管理会议上的议题：这个智能体日处理量有多大？精准度够不够？出错集中在哪个环节？每次调用的算力成本是多少？数据权限有无越界？投入产出比是否划算？多久需要一次“再培训”甚至“换岗”？
Kate甚至抛出一个令人警醒的词——“废弃软件”（abandonware）。半年前表现优异的智能体，今天可能已因模型升级、流程变迁或业务重心转移，沦为潜在的隐患。从这个角度看，智能体同样要走完从“入职”（部署）、“培训”（调优）、“考核”（评估）到“退休”（下架）的完整生命周期，只不过这些动作都以技术语言来执行。
三、被忽视的金矿：企业内部的老专家才是AI转型的“超级种子”
Kate Smaje观察到，不少企业领导者把人才战略误读为“拼命招揽AI科学家”，却完全忽略了自家后院里的业务老手。这些人对客户心理了如指掌，对行业潜规则如数家珍，对历史故障和成功经验都有肌肉记忆般的直觉。
她转述了一位客户的金句：“让冶金工程师学会AI，比让AI博士搞懂冶金容易得多。”这句话值得所有传统行业的管理者反复咀嚼。
眼下很多企业焦虑于AI人才荒，但事实上，组织内部早已存在大量“准原生”的AI苗子——做了十年供应链的计划经理，对库存异常有近乎本能的嗅觉；资深招聘专员能一眼看穿简历背后的水分；销售总监对客户决策链的每一环都烂熟于心；财务老法师对任何数据异动都能迅速定性。当这些人掌握了AI工具和智能体构建能力，他们释放的能量，很可能比纯算法工程师更为惊人。
因此，企业的人才战略亟需纠偏。与其将AI人才狭隘地定义为写模型、调参数的工程师，不如系统性地盘点出一批“业务+AI”双栖的种子选手，他们才是推动业务流程底层重构的真正主力。
四、告别“使用率”迷信：衡量标尺要从“工具”转向“活儿”
不少企业仍在用登录账号数、周活跃率、培训覆盖率来标榜AI落地成效，Kate Smaje对此毫不客气地评价：“这是一条通往虚无的高速公路。”这些数字根本无法揭示智能体究竟完成了哪些实质性任务，更遑论创造了多少商业价值。
正确的追问方式是：我们到底要解决哪些“待办工作”（jobs to be done）？ 初期看看活跃度无妨，但最终检验标准必须落回到工作本身——多少业务流程被重新设计？人工与机器之间的交接点减少了多少？智能体承担了多大的工作量？业务响应周期和交付质量发生了怎样的变化？
麦肯锡内部流传着一句产品哲学：“不是AI替我干，而是AI陪我干。”（Not AI that does it for me, but AI that does it with me.）这句话的深意在于，工具只是放大能力的支点，真正的价值释放来自对团队协作模式、日常习惯和作业流程的系统性重新编排。
五、意想不到的副作用：AI超级用户正在被“掏空”
麦肯锡团队还发现一个令人意外的现象：那些把AI用得最溜的“超级用户”，反而表现出更严重的职业倦怠。当AI把大量重复性劳作吸走后，剩下的工作全是高难度的判断、复杂博弈、棘手决策和情绪密集型的沟通，对人脑的消耗不降反升。
Kate Smaje坦言：“我们观察到AI重度使用者的认知负载在往上走，而不是往下走。”这意味着企业必须为一支面临全新认知压力的劳动力队伍做好组织层面的准备。
管理者不能只算“节省了多少人工小时”，更要审视这些小时被什么样的新任务填满了。员工是否陷入了连续的高强度决策？管理幅度是否需要收缩？会议密度和恢复节奏是否合理？AI带来的效率提升，必然倒逼人类工作结构的深度调整，而这一点在当前的讨论中仍然严重缺位。
六、人力资源的下一站：成为“人机工效”的总架构师
Bryan Hancock提到一个颇具象征意义的案例：一家私募股权公司的CEO把首席人力资源官的头衔改成了首席绩效官。头衔怎么叫不重要，但角色内涵的变迁已是既成事实。
未来的HR，既要管组织、岗位、人才和考核，还必须懂工作流设计、智能体治理、技术风险，以及人机之间的权责边界。部分领先企业的HR部门已经开始增设“人员技术专家”这类新角色——他们既能与技术团队对话，也能用低代码工具自行搭建流程应用。
更长远地看，HR的核心价值将体现在“工作系统设计”上：哪些工种适合交给智能体，哪些判断必须留给人，每个岗位应该配备多少数字助手，人的能力标准和绩效杠杆该如何动态调整。如果说过去企业专注于Hardware和Software，那么接下来的决胜点将落在Humanware——如何把碳基员工和硅基员工组合成一套高协同、高弹性的有机系统。
麦肯锡这场对话的收尾，落在一个极富前瞻性的概念上——“Humanware”。当组织同时拥有碳基和硅基两类员工时，管理者必须重新学习自己的管理方式，核心任务变成如何设计人与机器的协同界面。未来，每个管理者都可能像盘点下属一样盘点智能体：公司有多少数字劳动力？谁在管？表现如何？创造了什么价值？哪些需要继续投喂资源，哪些该果断淘汰？只有当这些问题进入月度经营会的议程，AI才算是真正融入了组织的血脉。
朴谷观点
麦肯锡这场播客对话的核心洞察，远不止于“AI需要管理”这个浅层结论。从朴谷咨询的实践视角来看，其真正价值在于揭示了企业管理者即将面临的三重范式转移：
第一，管理对象的二元化。 组织的劳动力构成从单一的人类员工，演变为“Human + Agent”混合体。这意味着传统的组织架构图、人才盘点表和绩效管理体系，都将面临底层逻辑的重构——管理者必须同时驾驭两种截然不同的“生产力单元”，它们各自的激励方式、能力边界和风险特征存在本质差异。
第二，责任归属的再定义。 将Agent绩效归口业务负责人，而非技术部门，这一原则的确立具有深远的治理含义。它要求业务管理者同时具备业务洞察力与技术判断力——不是要求他们成为技术专家，而是要求他们能够像评估一名资深员工那样，评估一个Agent的产出质量、成本效益和风险水平。这对企业管理者梯队的能力模型提出了全新要求。
第三，效率逻辑的系统化。 跳出工具使用率的初级指标，将衡量单位转向“工作重构”和“业务价值”，这恰恰是咨询机构帮助企业实现转型落地的核心方法论。AI的真正杠杆不在于“用起来”，而在于“改变了什么”——改变了多少任务结构，改变了多少协作方式，改变了多少决策链路。
麦肯锡提出的“Humanware”概念尤为值得关注。Hardware和Software是过去几十年的技术主题，而Humanware将成为下一个十年的组织主题：如何系统性地设计碳基与硅基员工的协作界面，如何优化人机混合团队的产出效率，如何建立兼顾两类“员工”的绩效治理框架。那些率先建立Agent绩效管理体系的企业，将在未来三到五年内构筑起显著的组织效能壁垒——这不是技术竞赛，而是管理竞赛。
Disclaimer: The information provided in this article is for general informational purposes only and does not constitute financial advice.