从管理员工到管理“人+智能体”：多智能体时代的人力资源管理重构

本文来自微信公众号： 清华管理评论 ，责编：刘永选，作者：王雪莉 刘金斌

多智能体时代的人力资源管理，必须完成从管“人”到管“人+智能体”的范式升级。这不是人力资源工作的边际调整，而是管理对象、管理逻辑与管理工具的系统性重构。未来真正领先的企业，可能不是最早使用AI的企业，而是最早完成“人、智能体与组织制度”协同重构，并在这一重构中始终坚持对人的尊重，坚守公平原则的企业。

在越来越多的企业中，AI已经不只是辅助个人工作的效率工具，而是以可配置、可调用、可嵌入流程的方式承担具体职责。一些企业已经开始同时部署多个智能体，让其在不同环节分工协作，共同完成此前由人承担的任务链条。这意味着组织中的“劳动主体”不再只是人，而是“人+智能体”的复合结构。在这种情况下，企业的人力资源管理逻辑应当如何调整？

当前很多企业的应对策略并非系统性的，且经常充满争议。相关研究显示，企业AI应用推进速度快于员工培训体系建设。咨询机构Forrester研究指出，企业AI投入与员工AI能力建设之间存在明显落差，许多员工尚不具备完备的AI使用能力、判断能力和伦理意识。光明地平线（Bright Horizons）与哈里斯民调（The Harris Poll）联合发布的“2025年职场教育指数”（Education Index）显示，42%的美国员工认为雇主期望其自行学习AI，81%的员工感到工作负荷压力上升，32%的员工因AI而感到更大的新技能学习压力。有部分企业已经将“AI工具使用情况”写入绩效考核模板，却并未为员工提供相应的工具授权与能力支持。这种“要求使用但不提供支撑”的做法，揭示了当前AI转型中一个被效率叙事遮蔽的结构性矛盾：转型压力被转嫁给了员工，转型收益却被组织截留。这一矛盾的背后，还存在一个很少被明确讨论的经济结构：部署AI的成本（工具采购、词元消耗、治理体系建设、员工培训）由组织承担，节省下来的人力成本和效率收益也由组织获得；员工承担了学习成本、转型压力和被替代风险，却几乎没有参与这笔经济账的分配。这不是管理疏漏，而是一种有意或无意的利益结构设计。

多智能体时代的人力资源管理，必须完成从管“人”到管“人+智能体”的范式升级。这不是人力资源工作的边际调整，而是管理对象、管理逻辑与管理工具的系统性重构。本文聚焦三个相互关联的核心问题：多智能体进入组织后，人力资源的管理对象发生了什么变化？真人员工的岗位价值和能力要求将如何重构？在新的管理对象面前，传统的人力资源管理逻辑哪些仍然适用，哪些必须重写？

从工具到员工——AI角色演变与管理问题的质变

AI进入企业后的角色演变可以分为四个阶段，管理重点也随之发生改变。

在第一阶段，AI是效率工具，管理的重点是规范与培训。AI以写作助手、摘要工具、智能搜索等形态出现，服务于个别员工的具体工作任务。人仍是工作的绝对主体，AI只是提升个人生产力的手段。此阶段人力资源管理的挑战集中在工具使用规范、数据安全边界和基础培训体系上，组织结构和分工逻辑尚未发生根本变化。企业面对的仍然是一个以人为单一主体的管理系统，只需在原有框架内增加工具管理的维度即可。值得注意的是，现实中大量企业的管理认知仍停留于这一阶段，却已经在推行多智能体部署。认知与实践的错位，正是转型混乱的根源之一。

在第二阶段，AI的角色是协作主体，管理的重点是交接与责任边界。作为协作主体，AI开始参与分析判断、内容生成和决策支持，与人共同推进任务，具备一定的自主性。AI不再只是工具，而是协作对象。管理重点从“会不会用AI”转向“会不会与AI协作”。人机交接点在哪里？复核机制如何设计？出了问题谁来负责？这些问题开始浮出水面。员工的价值也开始从执行转向判断与整合。在这一阶段，人力资源管理者第一次真正意识到对真人员工的能力要求发生了变化，也意识到需要思考“人与非人主体的协作关系如何管理”。

在第三阶段，AI的角色是数字员工，管理的重点是职责定义与绩效核算。AI被赋予相对固定、可重复调用、可嵌入流程的职责，企业事实上开始将其视为可配置、可部署、可管理的“数字员工”。这里有一个关键的概念区分需要厘清：传统知识萃取是把人的经验转化为文档，是信息的沉淀；数字员工是把人的职责转化为可调用的系统，是劳动能力的结构性替换。这一区别决定了数字员工的出现是组织层面的改变，而不是效率层面。人力资源管理者第一次面对“有职责但没有人格”的劳动主体，原有的岗位设计、绩效考核与责任认定框架出现根本性的适用局限。

在第四阶段，多个智能体形成协作系统，管理的重点是组织再设计与治理。不同智能体在检索、推理、生成、执行、对话等方面各有所长，企业开始将多个智能体组合部署，形成新的分工协作结构。此时，组织中同时存在人与人、人与智能体、智能体与智能体三种协作关系，管理问题的复杂程度发生了量级跃升。管理的挑战不再只是“如何管理某个智能体”，而是“如何设计和治理一个由人与多个智能体共同构成的协作系统”。

四个阶段的演进揭示了一条清晰的规律：随着AI角色的演变，管理问题从个体层面向系统层面发展。工具阶段是使用问题，协作主体阶段是界面问题，数字员工阶段是职责问题，多智能体协作系统阶段是治理问题。企业不能用工具阶段的管理思维去应对多智能体阶段的组织现实。人力资源管理的转型，必须跟上这条演变曲线，而不是停留在某一个阶段的惯性之中。

多智能体间的协作——一个新的组织设计和治理命题

多智能体协作运转有一个不可或缺的前提：每个智能体都必须被清晰定义。智能体往往通过角色说明、工具权限、上下文边界、用户偏好和协作协议等配置文件进行定义。以OpenClaw等多智能体系统为例，其配置体系通常包含四个核心文件：SOUL.md定义智能体的角色身份与行为准则，AGENTS.md描述协作网络中各智能体的职责分工，TOOLS.md界定每个智能体可调用的工具与能力范围，USER.md记录用户的背景、偏好与协作方式。虽然不同框架的文件命名不统一，但这些配置内容与真实组织中的岗位说明书、职责手册、权限设计、用户画像高度同构。由此可以得出一个重要判断：多智能体的治理本质上是一种组织制度设计，只是载体从纸质文件变成了配置文件，责任主体从人力资源部门变成了系统架构师。如果智能体需要被“制度化定义”才能有效协作，那么谁来定义、依据什么定义、定义的质量如何保障，就都是管理问题而非技术问题。

然而，这里有一个值得深究的陷阱。将SOUL.md类比为岗位说明书、将AGENTS.md类比为分工手册，容易让管理者落入一个直觉上合理、实践起来却代价高昂的误区：把多智能体治理理解为“给AI团队设计职能分工”。这正是当前实践中最常见的错误模式——为每个智能体设定一个角色（“PM智能体”“架构师智能体”“测试智能体”），让任务在角色之间流转，模拟人类的组织分工。这个模式存在基本理念上的缺陷，原因在于大语言模型与人类截然不同：人需要分工，是因为注意力有限、专业壁垒高、切换成本大；但同一个模型既能写需求文档又能写代码，强行设定“职能边界”不会让它更专业，只会妨碍它在边界上产生最有价值的推理。更严重的问题是，角色之间的信息传递是结论到结论的单向交接，推理过程在每次流转中丢失，误差逐层累积，最终会产生“每个节点看起来合理、整体已经漂移”的病态输出。

真正有效的多智能体设计，是从“角色划分”转向“上下文隔离与工具模块化”。从OpenAI Agents SDK、Anthropic Agent工作流实践和Google ADK等主流智能体框架看，生产级智能体系统普遍强调工具调用、状态管理、上下文传递、协作编排、可追踪性和人工介入机制；仅按人类职能角色划分并不足以支撑可靠的多智能体管理。SOUL.md和TOOLS.md的真正价值，不在于定义角色，而在于精确控制每个智能体能看到什么信息、能操作什么资源——这是两种截然不同的设计哲学。对人力资源管理者而言，理解这一区别至关重要。有效的智能体治理，不是在组织图上画一个“AI部门”，而是为每个智能体设计清晰的信息边界和能力边界。

能力载体的专业化是新形态的组织分工

传统组织的专业化分工是以人的知识边界为基础，通过岗位设计实现。多智能体环境下，分工逻辑发生了根本变化：分工对象不再只是人，而是人与不同能力特征的智能体共同构成的协作主体。不同智能体在检索精度、推理深度、生成质量、执行速度、对话自然度等方面各有优劣，企业必须在设计层面明确“谁做什么”，而不能随意切换或叠加使用。这是一种新形态的专业化——不是人才的专业化，而是能力载体的专业化。有经验的实践者在工作中已经自发形成了这种调度意识：面对内容创作、数据分析、客户对话等不同目标，主动选择能力特征最匹配的智能体，而非使用同一工具应对所有场景。这种个人层面的直觉一旦上升为组织层面的系统设计，就成为多智能体时代的核心管理能力。

需要特别强调的是，这里所说的“专业化”，不是职能意义上的角色分工，而是工具意义上的能力边界设计。有效的多智能体分工，不是给智能体贴上“产品经理”或“测试工程师”的标签，而是精确定义每个智能体的上下文输入范围和可调用工具集——前者约束的是智能体的信息边界，后者约束的是智能体的能力，二者有本质差别，而后者才是正确的设计起点。

智能体之间的交接点是新的管理断层地带

多个智能体协作时，信息在不同系统之间流转，最容易出问题的不是单个智能体，而是交接环节，具体表现为三类断层。一是信息断层，即上一个智能体的输出无法被下一个正确理解或继续处理；二是判断断层，即需要主观判断的节点缺乏明确的人工介入机制；三是责任断层，即出现错误时无法明确归因到具体环节或主体。在传统组织中，交接问题通过岗位说明书、审批节点和交接流程加以管理，这套机制已相当成熟；但在多智能体环境下，这些机制几乎全部需要重新设计。如何定义交接标准、在哪些节点引入人工复核、如何记录和追溯智能体的决策过程，都是具体的组织设计问题，不能依赖技术系统自行解决。

失真、断裂与责任扩散是多智能体特有的组织风险

相较于单一AI工具，多智能体系统的风险具有累积性和扩散性。一个智能体产生的偏差或错误，可能被下一个智能体视为正确输入并继续执行，导致错误在系统内部逐层放大，最终形成难以溯源的结果失真。此外，多智能体系统可形成无人监督的自动化闭环，风险在被察觉前往往就已产生实质性影响。更深层的问题是责任归属：当多个智能体共同促成了一个错误结果的产生，责任应当由谁承担？如果没有在制度设计层面预先解决这个问题，就会出现推诿、失责等乱象。这是多智能体时代特有的组织治理挑战，传统的责任认定框架对此尚无法给出合适的答案。

多智能体系统的风险管理，还有一个维度尚未充分讨论：成本结构的透明度。部署多智能体会带来两类显性成本——技术成本（API调用费用、词元消耗、平台授权与运维）和治理成本（流程重新设计、人工复核机制、责任体系建设）。这两类成本在实践中往往被效率叙事所掩盖：企业只看到“AI节省了多少人力”，却没有系统核算“为了让AI可靠运行，额外投入了多少”。当成本结构不透明，风险管理就失去了经济基础——无法判断一套复核机制是否值得建立，也无法评估某个智能体究竟应该扩展还是裁撤。

综合以上分析，可以得出一个清晰的结论：企业部署多个智能体，不是购买多个工具，而是构建一种新的组织能力；这种能力的核心不是拥有多少个智能体，而是能否有效完成智能体的制度化定义、设计分工结构、管理协作流程中的交接断层、控制风险扩散并明确责任归属。能力强的企业，能让多个智能体形成协同放大效应；能力弱的企业，多个智能体叠加只会带来更多的混乱与风险。这一能力上的差异，将成为AI时代企业核心竞争力的重要分野。

岗位重构与能力迁移——真人员工向何处去

随着智能体技术的日渐成熟，组织中高重复性、强规则性、可分解标准化的工作，将逐步被智能体承接。这一趋势已经出现了激进的实践版本：有管理者借助AI将团队从12人压缩至3人，并在短期内实现效率的显著提升。然而，这种做法隐含着一个被效率数字遮蔽的深层风险：被裁减的不只是人头，而是随这些人一起流失的组织经验、情境判断能力与应对不确定性的韧性储备。效率是当期就可以被测量的，但冗余的价值只有在危机到来时才会显现。

Orgvue公司于2025年发布的研究报告显示，39%的企业领导者表示曾因部署AI导致人员冗余并进行裁员；在这些领导者中，55%承认裁员决策存在错误。Klarna的案例是最具代表性的。Klarna是2005年创立于瑞典斯德哥尔摩的金融科技公司，主营业务是“先买后付”（Buy Now,Pay Later）消费信贷服务——消费者在电商平台购物时，可选择分期付款或延迟付款，由Klarna垫付给商家，再向消费者分期收款。2024年2月，Klarna宣布其AI客服助手上线一个月内处理了约三分之二的客服工作，约相当于700名全职客服人员的工作量，并宣称在客户满意度、问题解决效率等指标上表现良好。2025年，Klarna开始调整过度AI-first的客服策略。公司首席执行官塞巴斯蒂安·谢米亚特科夫斯基（Sebastian Siemiatkowski）承认，单纯追求客服降本“走得太远”，公司要确保客户在需要时仍能获得真人服务。这个案例说明，AI替代决策不能只计算可见的人力成本节省，还必须评估客户体验、复杂问题处理、人工兜底和组织经验损耗等隐性成本。

管理者尤其需要关注的，是这个案例背后暴露的核算盲区：企业在作裁员决定时，计算了AI替代节省的人力成本，却没有系统核算AI运营的真实成本（词元消耗、错误处理、人工复核、系统维护），也没有计算随被裁减员工流失的知识损耗的成本，更没有将客户满意度下滑折算为可见的业务损失。当这笔账被完整算出来，很多看似经济划算的AI替代决策，会呈现出完全不同的结果。人力资源管理者应主动参与这笔账的核算，这不是越权，相反，这是智能体时代极其重要的专业能力。当然，这个案例还揭示了一个更深层的问题：在讨论哪些岗位价值被削弱之前，必须先回答真人员工能被AI蒸馏的知识经验技能是什么，不能被蒸馏的是什么。

判断哪些岗位仍需要保留真人员工，关键不在于工作是否复杂，而在于工作所依赖的知识是否可被显性化萃取。波兰尼（Michael Polanyi）的默会知识理论提供了一个清晰的判断框架：人类知识中存在无法被完整言说、记录和传递的部分，它们以身体性经验、情境性判断、关系性信任和道德性承担的形式存在于实践者身上，也构成了AI萃取的天然边界。这类知识可划分为四类，一是身体性知识，即依赖感官、动作与身体经验积累的技能，如中医的把脉手感、工匠对材料质地的感知；二是情境性知识，即只能在具体场景中生成、无法脱离情境抽象化的判断，如复杂谈判中的氛围感知、危机处理中的时机把握；三是关系性知识，即建立在长期信任关系上的协作默契，如资深团队的心照不宣、客户关系中积累的情感资本；四是道德性知识，即在价值冲突情境下作出判断的能力，如在利益博弈中坚守底线的伦理判断。“同事.skill”的出现，既展示了显性知识和部分工作流程被封装、调用的可能性，也在实践中一再证明默会知识边界的真实存在——能被蒸馏复刻的，恰恰是已经显性化的部分；真正难以复刻的，是那些连本人都无法清晰言说的经验与判断。AI能力边界之外，正是真人员工价值最为集中的地方。

具体而言，真人员工的核心价值体现在三个方面。一是任务定义，即明确工作目标、拆解任务结构、设定智能体的行动边界，这需要对业务逻辑和情境背景有深刻的默会性理解，是AI难以完成的起点工作。二是结果校验，即判断智能体输出的质量与可用性，识别偏差与潜在风险，需要情境判断力与领域经验，这恰恰是AI难以掌握的。三是责任承担，即作为问责主体对最终结果负责，在出现问题时承担责任，这需要真实的人格、法律主体资格和承受后果的能力，而这些AI都不具备。值得特别指出的是，在组织现实中，还存在一种特殊的不可替代的角色：承担政治责任与模糊责任的管理者。在复杂的组织博弈中，总需要有人站出来为难以归因的集体决策背书、为系统性失误承担可见的责任。这个“背锅侠”角色之所以必须由真人承担，正是因为它需要一个有人格的主体来让责任变得真实、让问责变得可能。岗位价值的迁移，不是工作变少了，而是工作的根本性质变了。

与岗位价值迁移相对应，传统以个体能力为核心的胜任力模型需要在两个维度上扩展。第一，增加人机协同能力评估维度，包括任务拆解与指令设计能力、多智能体调度与监控能力、结果整合与风险识别能力、异常情况下的人工接管能力。第二，将“在人机混合环境中有效组织工作、整合资源、承担责任”作为一项独立的核心胜任力加以培养和考核。需要特别强调的是，默会知识所对应的能力——情境判断、关系构建、伦理决策——不能通过标准化培训快速习得，而是依赖时间、实践与真实的责任压力逐步形成。这意味着，未来企业在人才培养上必须同时设计两条轨道：显性能力的系统化训练以及默会能力的情境化积累。未来真正稀缺的人才，不是单点技能的熟练者，而是能够在人机混合环境中发挥整合、判断与责任承担作用的复合型协作者。

人力资源管理的边界与重构——哪些逻辑延续，哪些必须重写

在人与多智能体并存的组织中，并非所有的人力资源管理逻辑都需要推倒重写。岗位分析的方法仍然适用，只是分析单元从“人的职责”扩展为“人与智能体的协作界面”；绩效管理的目标设定与结果评估逻辑可以延续，只是评估对象从个人贡献扩展为人机协作的整体产出；能力建设的培训与发展机制仍然有效，只是胜任力模型需要纳入人机协同能力的新维度。这些延续的部分是人力资源转型的起点，而不是终点。理解延续的边界，能够避免在转型中矫枉过正。

面对智能体这一新型劳动主体，有些人力资源管理逻辑的基本前提已经不再成立，必须重新构建。激励机制方面，智能体没有内在动机、职业期望或情感需求，传统激励理论对其完全失效；激励真人员工与AI深度协作、将自身经验用于训练和优化智能体，是激励的新目标。归属感与敬业度方面，当AI承担了越来越多的工作，真人员工的意义感和职业价值感面临新的挑战，这需要在工作设计和管理制度层面给予实质性回应，而不只是文化宣导。职业发展方面，当部分晋升路径所依赖的技能被智能体替代，职业通道的重新设计成为现实需要。晋升标准需要纳入“与AI协作的领导力”这一新维度；随着组织的进一步扁平化，晋升这个概念也许更多与责任担当这个价值维度相关。

人力资源管理的逻辑有些依然适用，有些需要更新，还有一些必须新建。伦理治理是首先要重建的。在组织开始大量引入智能体作为数字员工的时候，知识蒸馏和萃取被广泛使用，甚至有组织将对现在岗位的知识蒸馏任务作为考核在岗员工的KPI，在岗员工将这种情形戏称为“坐在树杈上锯树杈”，这一幕虽然荒诞但的确是真实的现实。知识蒸馏技术日趋成熟，但在伦理上仍存在三个尚未解决的根本问题。

第一是同意问题。员工是否真正知情并同意自己的知识、经验与工作风格被系统性复刻？默会知识往往连本人都难以清晰言说，员工如何对一个自己都无法完整描述的东西作出知情同意？当然，由此也可以对AI是否能够真正萃取出这些默会知识保持怀疑。第二是归属问题。复刻后的数字分身产生的价值，是归属于员工本人还是企业？当员工离职之后，这个数字分身是否还应当继续为企业工作？当员工的经验被萃取为智能体能力，并持续为组织创造收益，这部分收益的分配逻辑是什么？传统薪酬体系是为“实时劳动”设计的，不是为“经验资产化后的持续收益”设计的。传统出版行业的版权制度可以作为解决这个问题的思路线索，但组织是否愿意分配这部分收益，如何衡量收益，依然是人与智能体并存的组织中，人力资源制度设计必须正视的新课题。第三是合法性问题。当企业借助AI将离职员工的知识留存于组织，实质上是在系统性地降低对真人的依赖，削弱劳动者的议价能力。让员工“坐在树杈上锯树杈”—在职时配合知识萃取，随后被辞退，被AI或更低成本的新员工替代，这种方式的伦理合法性需要被认真追问，而不能以“知识管理”的名义轻易绕过。

上述三个问题都不是技术问题，而是需要在伦理层面预先回答的治理命题。值得注意的是，部分国际企业已经开始在多智能体部署中主动引入尊重员工与公平原则的机制，但这类实践目前仍处于探索阶段，尚未形成行业标准。

在透明度与知情同意方面，微软在其企业级Copilot部署资料中强调权限管理、数据治理、敏感信息保护和合规部署，提示企业在引入AI工具前必须先厘清数据使用边界与安全责任。这一做法为企业处理员工数据边界、权限治理和合规部署提供了重要参照，也提示企业在引入AI工具时，应进一步明确员工工作数据的记录、调用、分析和告知机制。

在员工再配置方面，Salesforce公司强调AI智能体与真人员工协作，并将部分人力转向销售增长等领域。然而，公开报道显示，其客户支持团队因AI部署而大幅缩减，引发关于AI替代岗位、员工再培训和组织责任的持续争议。因此，Salesforce实则是较为复杂的“再配置与替代并存”，而不是简单的AI收益分享的正面实践。至于AI效率收益如何向员工部分返还，目前仍缺少成熟、可复制的行业标准，需要作为企业未来的制度设计方向。

在多智能体系统的人工监督方面，Anthropic公司在其发布的《负责任扩展政策》（Responsible Scaling Policy）中强调，需要对高风险AI能力进行评估、缓解和治理，并在模型能力扩展过程中设置相应的安全阈值与管控机制。这一原则若被企业内化为多智能体部署的治理标准，实质上是在系统设计层面确认了真人员工的不可替代性。不过，RSP主要面向前沿模型开发安全，并非企业内部多智能体人力资源治理框架，企业借鉴时，应将其转化为适用于组织场景的风险分级、人工复核和责任追溯机制。

上述实践虽然分散、尚不成系统，但都呈现出一致的治理导向，即伦理治理不能停留在原则宣示层面，必须落实为可操作的制度设计，包括透明的数据使用告知、可申诉的影响评估机制、AI收益向员工的部分返还，以及人工监督权的制度性保障。企业可以将这四个维度作为建立多智能体伦理治理框架的基本参照。

基于以上分析，多智能体时代人力资源管理的基本框架至少应包括三个层面。第一层是人员管理，延续并升级传统人力资源对真人员工的管理逻辑，重点应对岗位价值迁移、胜任力重构与员工权益保障。第二层是智能体管理，建立针对智能体的制度化定义、职责配置、效能评估与风险管控机制。第三层是协作界面治理，专门处理人与智能体之间交接点的设计、监督、伦理边界与责任归属问题。三个层面通过共同的治理原则和责任机制整合为有机整体（见表1）。其中，员工权益保障与伦理边界管理不是附加选项，而是整个框架得以长期运转的合法性基础。此外，公平分担转型责任也至关重要，否则，即便技术层面设计完善，也将因组织信任流失而失效。

值得注意的是，第二层智能体管理的效能评估，必须包含一个容易被忽视的成本核算维度。每个承担固定职责的智能体都应有对应的运营成本记录——词元消耗频次、调用量、维护投入，以及可量化的价值产出指标——节省的人工工时、降低的错误率、释放的人力价值。只有当这两组数字都被追踪，企业才能真正判断某个智能体是继续扩展、保持现状还是关闭。这在逻辑上与传统岗位的绩效评估完全一致——岗位创造的价值必须大于岗位的成本。缺少这套核算机制，所谓“智能体管理”就只是技术配置，而非真正意义上的组织管理。

综上，多智能体时代的人力资源管理，准确地说应该是“人+多智能体管理”（Human Resource and Multi-agent Management，HR&MAM），呈现出从外延到内涵的系统性变化（见表2）。

多智能体时代带来的根本变化不是管理工作的减少，而是管理复杂度的系统性提升，以及管理责任边界的系统性扩展。AI越强，协作关系越复杂，越需要明确的组织设计；分工主体越多，越需要清晰的责任边界与治理结构；知识萃取能力越强，默会知识的价值与伦理边界就越需要被认真对待；效率提升的空间越大，转型责任的公平分担就越不能被忽视。将AI应用等同于技术部署、将效率提升等同于管理成功的企业，将在新的组织混乱与信任流失中消耗掉AI带来的效率红利。真正完成转型的企业，是那些同时完成了管理对象扩展、管理逻辑重构、管理体系升级，以及转型责任公平分担的企业。

多智能体时代，可从三个层面去持续追问更深层的管理问题。就法律与伦理层面而言，当智能体的决策产生实质性后果，责任主体的认定标准如何建立，知识蒸馏实践中的劳动权益如何通过制度加以保障？就组织结构层面而言，当智能体足够成熟，以任务网络为基础的组织结构是否将成为主流？就默会知识层面而言，随着AI能力的持续扩展，默会知识的边界是否会被进一步压缩，人类在组织中不可替代的知识领地究竟在哪里？这三个层面的问题既是管理学命题，也是有关人类本质的哲学追问。未来真正领先的企业，可能不是最早使用AI的企业，而是最早完成“人、智能体与组织制度”协同重构，并在这一重构中始终坚持对人的尊重，坚守公平原则的企业。