人工智能正在深刻改变企业的组织形态与管理方式,也带来一系列值得深入研究的新问题。AI时代绝非管理的“黄昏时刻”,相反,管理的角色与重要性将进一步提升。随着传统专业分工逐渐被打破,如何构建AI驱动的组织架构,协调不同智能体之间的关系,建立有效的管理与管控体系,都将成为管理学面临的重要课题。面对这些变化,管理学研究需要紧跟时代发展,从企业实践中发现问题、提炼经验,推动理论研究与管理实践相互促进。近年来,复旦管院持续推进人工智能相关战略,积极探索AI与管理教育、行业实践的深度融合。期待学院与更多企业加强交流合作,从真实的应用场景中发现具有研究价值的问题,推动管理理论创新,更好地回应时代发展的需求。《管理视野》杂志创刊11年来,始终秉持办刊初心,致力于搭建连接学术研究与管理实践的交流平台,让学术思想为企业家和管理者提供借鉴,也让丰富的企业实践得以提炼为经验、思想与知识,成为管理学理论研究的新起点,推动学术与实践的双向交流和知识创造。
麦肯锡2026年的多份企业调研报告显示,接近九成的企业或多或少已经在用AI。但组织效率只提升了5%-10%,低于大多数人的想象。与此同时,管理学研究发现,个人使用AI之后效率提升普遍在30%以上。个人的效率没有转化成企业的效率,这个问题值得思考。在这个“组织的AI初级时代”,员工需要四种与管理直接相关的能力:第一是重构岗位的能力。岗位不再是固定的,任务与能力的关系也在改写:岗位从任务集合变成能力集合,人从执行者变成流程设计者,从只对自己的工作负责变成对一个系统负责,从单线对接变成同时协调多个AI智能体。第二是协调AI智能体的能力。每一个智能体的专长不一样、特性不一样,你要能够当这个指挥家,让有不同特长的人在一起,去完成共同的任务。前提是自己先拥抱AI、了解它们的特性,能设定共同目标、规则与沟通方式,同时保留人类的温度和价值观。第三是蒸馏隐性知识。资深员工往往凭借经验作出准确判断,却不一定能清晰解释背后的逻辑。比如客服如何察觉客户情绪,财务人员如何从看似合规的单据中发现异常。管理者要学会把这些难以言说的经验拆解出来,通过具体案例让AI识别模式、总结规律。第四是决策、判断与承担责任。AI不承担责任,它也不会为某一个决策睡不着觉,但我们会。无论技术如何发展,组织文化中最核心的价值观都不能被破坏,这条底线必须由人来守住。
我本科读的物理学,研究生读的是哲学。物理学是了解物质世界的第一性原理,哲学是了解人文的第一性原理,两者合起来,才能想清楚AI之后人要往哪里去。十年前深度学习随围棋人机对战一度火热,却因为缺乏后来的架构与大模型而没能真正起势;2022年底之后,科沃斯选择全员投入AI,此后一路跟随从对话机器人到智能体、到工具调用与技能化的演进。今天的大语言模型,核心机制离不开分词、向量化、大规模训练,在生产结果时用的同样是概率方法,概率并非权宜之计。从语言与知识的关系来看,人类有文字以来的知识,无论物理、化学、文学还是哲学,都只能用语言记录。如今,这些知识正在向硅基底座迁移。硅基计算能力与人脑之间存在巨大的数量级差异,当AI能够完成过去只有高智力人群才能完成的任务,并不令人意外。在我看来,AI目前攻破的还只是“前菜”。回顾近三十年的企业经营,我常说“哲学让我仰望星空,物理学让我脚踏实地”。 哲学帮助我们判断大势,物理学强调通过实验检验设想是否可行。作为企业的一号位,既要有面向未来的判断,也要让判断真正落地。一号位最大的责任,是在黑暗当中看到光,然后把企业带到有光的地方去。这是谁都没有办法替代的。
管理在某种程度上就是在管理不确定性。对航运而言,地缘政治的影响巨大,中美贸易摩擦、红海局势、霍尔木兹海峡动态等,每一次都与运价直接相关。红海航道受阻、苏伊士运河不能通行,船只只能绕行好望角,运力在途中被消耗,市场供不应求,运价几天内可以翻几倍,利润翻十几倍。因此,不确定性并不是坏事。管理好之后,这个不确定性就会变成很好的机会。中远海运科技是一家央企旗下的数科公司,前几年央企纷纷成立数科公司,多达六百多家,如今不少又回归主业,很多因为同质化、没有核心竞争力,最后退回内部IT部门的角色。中远海运科技走的是另一条路,围绕航运科技这一细分赛道做数字产品与大模型。我们也曾面临类似的结构性问题。公司具备一定业务规模和技术能力,但以项目型交付为主,能力难以有效沉淀;不同事业部各自为战,也没有形成足够的协同效应。面对这些问题,我们提出四个“确定”:能不能沉淀真实、完整、及时的数据,有没有自己的算法与能力组件,有没有人工智能技术的应用平台,有没有能够快速交付、敏捷迭代的场景。 这四个“确定”,是企业进入新一轮技术竞争的门票。
过去三十年,中国制造经历了几个重要的发展阶段。从上世纪九十年代到加入世界贸易组织之初,中国制造主要依靠土地、人力等成本优势参与全球竞争,拼的是价格;2000年代到2010年代,质量大幅提升,“价廉物美”成为关键词。而近十年,淘宝、抖音、小红书相继崛起,消费者与商品之间的距离越来越近,需求变化也越来越快。中国的消费者可能是全球最挑剔的一群消费者。这正在推动中国制造向柔性制造转变,而这一次是中国的制造业在引领全球:前两个阶段欧美、日本走在前面,柔性制造是中国走在前面。从工厂运营来看,可以分为三个层次:最底下是机器设备,中间是沟通,再往上是决策;软件时代能做好数据的收集与流程的分发,却替代不了人做决策,拆单仍要依赖老师傅。过去大家更多在用自动化设备,未来具身智能也许能做得更好,但在沟通与决策这两层,需要一个很强的大脑。软件时代解决的是第三步:数据先收集上来,人借助数据做决策,人把任务分发出去,然后生产运营,软件能做好分发与协同流程,但没法替代人做决策。AI补的正是这三步,第一步的数据收集可以大幅提效;第三步的流程分发,大企业都有个性化流程,软件做不好,自然语言交互可以做好;第二步的决策,则由AI直接承担。
最近一年,一个值得关注的现象是,最擅长利用AI生成答案的科技公司,正在排队补湿实验这一课。2026年,Anthropic收购了只有一名全职员工的AI制药公司Mithril Medicine,又在旧金山湾区自建实体生物实验室;谷歌旗下Isomorphic Labs、OpenAI、字节跳动Anew Labs分别通过融资、模型与收购、业务分拆补齐实验能力,英伟达则与礼来共建AI联合创新实验室。这一现象背后,是AI让科学研究中的“猜想”变得越来越丰裕。过去几十年,PDB收录的实验测定结构约23万个;AlphaFold公开的蛋白结构预测已超过2亿个。一名药物化学家一周可能只做几十个分子,大模型一天可以生成几千个候选化合物结构,真正进入合成与验证的仍是几十个量级。但预测不等于实验验证。猜想可以批量生成,验证只能慢慢做。大模型公司补实验能力的动作,也就不反常了。Mithril Medicine那份38页技术报告,把这件事写得很直白。据《科创板日报》统计,CRO被提到58次,AI/Claude被提到47次。仅一周内,就有5家职能分工不同的CRO参与113个待筛选的分子构建体,覆盖抗体细胞水平功能验证、药物成药性评估、小鼠药代动力学等环节。一家只有一个全职员工的公司,项目节奏并不受AI分子设计能力约束,而是受制于CRO的实验交付效率与科研人员的线下决策速度。卡脖子的不是模型,是湿实验。AI没办法消灭稀缺,只是把它搬到下一个环节。动力革命让体力不再是最稀缺的,组织协调与流程管理变得稀缺;信息革命让注意力与目标选择变得稀缺;这一轮,猜想和低门槛初筛变得丰裕,验证、责任承担与复杂判断反而更稀缺。往往个人单点效率看起来很高,整体效率却还没有被行业级数据证明同步提高。稀缺搬到了实验验证后的“谁签字”,话题自然落回人身上。
新闻动态
活动讲座
微信头条
招生咨询
媒体视角
瞰见云课堂