2025年9月，麦肯锡发布《The Agentic Organization》，提出企业正在进入一种新的组织范式——智能体组织，组织会更扁平、更快、更流动，管理者的核心工作也会从传统协调转向人机协同编排。
2025年11月，麦肯锡全球研究院又发布《Agents, robots, and us: Skill partnerships in the age of AI》，把讨论从“AI会不会替代岗位”推进到“人、Agent和机器人如何重新组合工作技能”。报告明确说，未来工作会成为人、Agent和机器人之间的合作关系。
而上周6月18日，麦肯锡再次发布关于AI下企业战略报告《The Symbiotic Enterprise: How cognitive and physical AI are reinventing enterprise execution》，可以翻译成《共生型企业——认知和物理AI如何重塑企业运行》。（文末有链接，需要报告和PPT可以私信报告）
报告把这个新企业形态称为The Symbiotic Enterprise，可以理解为“共生型企业”。（从我们角度看可能叫“人机共生型企业”更合适，这里的机包括了Agent和智能机器人）
在这种企业里，工作不再主要由人完成，再由AI辅助；而是由人、AI Agent和智能机器人共同承担。人负责战略判断、创造、关系、伦理和例外处理；AI Agent负责复杂认知任务、跨流程编排和企业技能执行；智能机器人负责真实物理世界中的操作、感知、反馈和执行。
这不是一个技术概念，而是一个组织概念。
第一章：AI正在从工具变成劳动力
1.1 AI从“回答问题”走向“执行工作”
报告首先指出，生成式AI的发展已经经历了三个阶段。
第一个阶段，是2022年之后的生成式AI突破（gen AI breakthrough）。AI可以写文本、做摘要、翻译、生成内容，极大降低了普通人使用AI的门槛。但这一阶段的AI主要还是“回答者”，它能提供信息，却不能真正行动。
第二个阶段，是2024年前后的Agentic AI（agentic shift）:
。AI开始具备任务拆解、上下文保持、调用工具、连接企业系统的能力，从“responding”走向“executing”。这意味着AI不只是回答一个问题，而是可以完成一串任务。
第三个阶段，是2025年之后的“认知跃迁”（cognitive shift）。报告强调，推理模型能力提升，再叠加“agentic skills”，让AI Agent开始接近专业级数字员工。所谓agentic skills，不只是告诉AI“做什么”，而是把企业内部的规则、流程、判断标准、权限边界、合规要求都编码进去，告诉AI“如何按公司标准把事情做对”。
如下图：大模型能力已经不只是“会说”，而是开始在语言理解、多任务推理、数学、科学问答、多模态理解、软件工程和计算机操作等多个维度接近甚至超过人类基准。AI从工具走向劳动力，不是一个管理学想象，而是有技术能力跃迁作为支撑。
这就是报告想说的核心：AI真正进入企业，不是因为它变聪明了，而是因为企业的知识、流程和判断标准开始被编码成可复用的执行能力。
1. 2 Physical AI正在把自动化推进到真实世界
报告第二个重要判断，是随着不断迭代发展，AI不只进入认知工作，也开始进入物理工作。
过去的工业机器人擅长重复动作，但前提是环境必须高度稳定：固定坐标、固定轨迹、固定输入、固定输出。一旦包裹歪了、零件变形了、路径被挡住了，机器人就容易停机或需要人工介入。报告认为，过去机器人的限制不主要是机械能力，而是认知能力。
现在变化来自三类技术：world models（世界模型）、vision-language-action models（VLA模型），以及embedded intelligence（嵌入智能）。
World models让机器人具备对物理世界的动态理解，可以预测物体如何移动、力量如何作用、环境如何响应。VLA模型则像一个“统一驾驶员”，可以把视觉环境和语言指令直接转化为机器人动作。Embedded intelligence把感知、推理和控制放到机器本地，减少对云端的依赖，让机器人在真实场景中实现实时反应。
报告还特别提到“active digital twins”。过去数字孪生更多是监控资产，现在它变成了机器人的训练场。机器人可以在仿真环境里经历大量不同摩擦、光线、材料和异常场景，在真正上岗前就积累大量经验。
报告中的表达很有画面感：physical systems begin to learn at the speed of software, not the speed of reality.物理系统开始以软件的速度学习，而不是以现实世界试错的速度学习。
这意味着，AI组织的下一步，不只是白领办公场景的Agent化，也会进入物流、制造、农业、建筑、医疗、零售等物理场景。认知AI和Physical AI合在一起，才是这份报告真正关注的“企业执行重构”。
结合从生成式AI到物理AI，可以归纳为四个阶段：
1. 3 理论上接近60%的工作时间可被自动化
报告给了一个很重要的数据：在欧洲和美国，总工作时长中约65%属于非物理能力相关工作，比如信息处理、分析、协调；约35%属于物理能力相关工作，比如设备操作、物料搬运、手工任务。
麦肯锡测算，在现有技术能力下，大约三分之二的非物理工作时长，以及三分之一的物理工作时长，理论上可以自动化。合计来看，接近60%的总工作时长具备理论自动化潜力。
这里要注意，报告说的是“theoretically automatable”（理论可自动化），不是马上被替代。真正落地还取决于成本、监管、组织接受度、系统改造、劳动力市场和实施周期。像电力和工业机器人这样的大规模技术扩散，历史上往往需要几十年。
但方向已经很清楚：问题不再是AI能不能执行工作，而是人、AI Agent和智能机器如何在一个新的运营模式里协同工作。
第二章、真正的跃迁，不是增强，而是重构
2.1 两种完全不同的AI应用路径
这份报告最有价值的观点是区分了两种完全不同的AI应用路径。
一种是augmentation，也就是增强。企业把AI嵌入现有流程，让员工写得快一点、查得快一点、处理得快一点。这个路径有价值，但通常只能带来增量收益。
另一种是reinvention，也就是重构。企业不是把AI塞进原来的流程，而是从第一性原理出发，重新设计工作流、角色分工、决策机制和协同方式。
报告数据显示，2025年超过80%的企业已经至少在一个职能中部署AI，高于2022年的50%。但“采用AI”已经不是差异化。更关键的是，62%的公司正在试验AI Agent，但在任何单一职能中真正规模化Agent的组织不到10%。
报告第4张图也很直接：80%的组织在使用生成式AI聊天机器人，60%在用AI自动化现有流程中的任务，只有10%进入了agentic workflow，也就是由人机混合团队执行重新设计后的工作流；而达到agentic organization，也就是多个重构工作流在企业级运行的比例，几乎为0。
2.2 软件开发正在变成“两班倒工厂”
报告举了一个很具体的例子：软件开发。
第一代AI编程助手通常能带来5%到15%的效率提升，主要是代码生成和开发辅助。但如果只是这样，开发周期并没有真正改变。
新一代Agent出现后，软件开发流程可以被重新设计成一种“两班倒软件工厂”。白天，人类团队负责定义方向、拆解需求、设定架构边界、明确验收标准、调整优先级和测试覆盖。到了晚上，AI Agent团队接手执行，完成编码、测试、质量检查、安全验证、性能优化和文档生成。
第二天早上，人类团队回来审查结果、验证架构一致性、修正关键问题，并继续设定下一轮方向。
这就不是“人写代码更快”了，而是软件开发从顺序执行变成连续执行。人负责方向和判断，AI负责大规模执行。报告提到，一家大型金融服务公司建立AI Agent Factory开发全新的支付系统，生产率提升达到40%以上。
这个案例对企业管理者的启发很直接：AI Agent不是简单替代某个岗位，而是让工作从“人力排班”变成“智能执行系统”。
2.3 客服也从“辅助坐席”走向“自主运营”
客户运营也是类似逻辑。
第一代AI客服主要是辅助坐席，比如推荐回复、总结历史互动、检索知识库，通常带来10%到15%的效率提升。但交互本身仍然由人驱动。
报告提到，一家欧洲公用事业公司部署了下一代客户服务模型，由多模态对话Agent直接和客户交互，同时调度多个专业Agent完成客户数据检索、账户验证、价格和政策规则应用、账单调整、退款处理和合规检查。
在这个模式下，人的角色从“处理每一个请求”，转向“监督AI驱动的交互、处理例外和高敏感场景”。报告显示，超过40%的来电已经可以由AI语音Agent完成识别和验证，入站电话平均管理成本降低接近50%。
2.4 物理场景也一样。
Amazon已经在全球运营中使用超过100万台机器人，其Sequoia系统将入库库存识别和存储速度提升最高75%，订单处理时间减少最高25%。Ocado通过大量机器人和中央AI调度层重构线上生鲜履约系统，报告提到其订单准确率接近完美，准时发货可靠性最高达99%。
Renault则在生产线试点Wandercraft的人形机器人Calvin，用于处理轮胎等受人体工学限制的任务，并计划18个月内部署350台。这些案例共同说明：AI的价值不是“替换一个人”，而是把运营模式围绕智能执行重新设计。
第三章：共生型企业：人、Agent和机器人重新分工
3.1 共生型企业中的角色分工
麦肯锡认为，当认知流程和物理流程都围绕人机协同重新设计，企业就不再只是若干被AI优化的职能，而会变成一种新企业形态：symbiotic enterprise。
这张图展示了共生型企业中的角色分工。
人负责设定战略优先级、创造和创新、建立信任和关系、治理绩效伦理与问责；
AI Agent负责自主执行复杂认知工作、应用企业技能、编排多步骤工作流；
智能机器人负责执行超出人类约束的物理工作、应对未预见情况、生成真实世界运营数据。
中间还有大量交叉地带，比如人对Agent输出进行判断、异常仲裁、技能编码；机器人侧则涉及车队编排、技能仿真验证、技能传播、安全覆盖、质量控制和维护训练。
未来企业的生产单元不再只是个人，而是hybrid human–AI system。也就是说，组织设计的基本单位会从“一个岗位、一个员工、一个团队”，逐步转向“人+Agent+机器人+流程+数据+治理”的混合执行系统。
3.2 共生型企业对组织的三个影响
第三章后面，报告把共生型企业对组织的影响拆成三个方面：人的角色、组织结构、经济模型。
第一个变化，是人的角色从“生产工作”转向“行使判断”。
报告测算，75%的角色可能需要显著重新设计，包括管理岗位和一线岗位。
未来会出现三类重要角色：
integrative supervisors，负责协调人机混合团队和机器人队列；
deep specialists，负责处理边界问题、模糊判断和系统改进；
AI-enabled frontline workers，依靠同理心、信任、说服和社会情感能力形成差异化。
这个判断对人才发展很重要。企业不能只做“AI工具培训”，因为角色本身会变。更大的挑战有两个：
一是AI能力强的员工和被边缘化员工之间的差距会扩大，报告称之为“AI inclusiveness challenge”；
二是传统学徒制会被削弱。过去年轻人通过做基础分析、起草材料、处理重复任务积累经验，如果这些任务被AI自动化，企业就必须重新设计年轻人的成长路径，否则未来会缺少真正有判断力、能治理自治系统的人才。人机协同下，如何培养人才？一文讲透AI时代能力发展新范式（含PPT）
第二个变化，是组织从职能和协调层级，转向小型、结果导向、端到端编排的团队。
传统层级组织主要解决两个问题：专业分工和跨部门协调。但当AI Agent可以执行专业任务、共享上下文、管理依赖、升级异常、协调流程，很多中间协调层的价值会被削弱。
报告认为，未来会出现更小的人类团队，编排大量专业Agent，围绕端到端结果开展工作，而不是在职能筒仓之间顺序传递任务。这可能带来组织扁平化，也可能扩大管理者的管理跨度。报告也很谨慎地承认，组织扁平化过去被预测过很多次，但这一次不同之处在于，AI Agent替代的是具体协调功能，而不只是释放一点管理时间。AI时代，组织结构该怎么变?一文讲透演进逻辑与落地路径（含PPT）
第三个变化，是企业经济模型从人工成本转向技术成本。
认知AI会把成本从劳动力转向软件、模型、编排层和算力基础设施；Physical AI会进一步增加机器人、嵌入式智能、自主系统和仿真平台的成本。报告甚至判断，在知识密集型行业，技术支出最终可能超过人工成本。
这会带来一个新的管理问题：人工成本相对稳定，主要由招聘计划和薪酬政策决定；AI成本是动态的、按消耗驱动的，取决于算力使用、推理量、模型选择和Agent活动。未来企业不仅要管headcount，也要管token、inference、model utilization和agent workload。Token正成为新预算科目：公司培养人、评价人、管理人的方式，都要变了
报告把这类能力类比为云计算时代的FinOps，企业需要通过模型路由、缓存重复查询、压缩上下文、批量推理、跨供应商平衡工作负载来管理AI经济性。
3.3 生产力不是最终优势，专有智能才是
第三章后半部分是这份报告真正有战略价值的地方。麦肯锡提醒，生产力提升只是第一层影响，而且不会长期构成差异化。因为一旦AI能力广泛可得，效率提升会扩散到全行业，最后变成竞争门槛，而不是竞争优势。客户会通过更低价格、更好服务、更高预期把一部分效率红利拿走。
那么未来企业真正的优势来自哪里？报告给出三个方向。
第一，是proprietary intelligence，专有智能。
基础模型会越来越商品化，真正有差异的是企业在基础模型之上积累的数据资产、Agent技能和学习闭环。每一次客户互动、每一笔交易、每一次决策，如果能被捕捉、结构化并反馈给AI系统，就会让系统越用越强。报告的逻辑很清楚：模型能力大家都能买，但企业自己的数据、流程知识、判断规则和运营反馈，不是谁都能复制。
第二，是customer and ecosystem control points，客户和生态控制点。
未来AI Agent会代表客户发现供应商、比较方案、评估价格、切换服务、完成交易。谁控制这些交互入口，谁就更可能捕获需求。企业要思考的不只是“我有没有AI产品”，而是“我有没有进入客户工作流”“我有没有成为Agent交易链路上的关键节点”。
第三，是intelligence architecture and execution，智能架构和智能执行能力。
未来组织要管理的不只是人和流程，还要管理成千上万个Agent、工作流和人机交接。
报告同时提出五项新能力：intelligence architecture engineering，设计企业的认知架构；intelligence industrialization，工业化创建和部署智能能力；orchestration at scale，大规模编排Agent和流程；behavioral governance and security，治理AI行为和安全；AI economics management，管理AI成本和经济性。
企业的核心能力不只是“使用AI”，而是“设计、运营和治理智能执行系统”。
这部分报告还提出一个很值得警惕的概念：cognitive tax。当企业越来越依赖少数基础模型、云平台、AI工具和算力供应商，一部分由AI创造的价值，可能会被智能基础设施提供者拿走。这意味着，企业未来不仅有劳动力依赖，也会有认知基础设施依赖。
第四章、AI转型不是技术部署，而是战略转型
而要实现成功，需要四个条件：一个大胆且价值驱动的目标运营模式；一条兼顾价值实现与员工转型的双轨转型路径；可规模化的AI基础能力；以及更扩展的高管领导力。
4..1 行动之前，先定义一个大胆且价值驱动的目标状态
向共生型企业转型，规模太大、不确定性太高，不能用“大爆炸”的方式一次性完成。但如果没有清晰目的地就开始推进，同样存在风险。企业需要先定义未来运营模式的战略方向，即便这个目标状态会随着时间不断演进。
清晰表达的转型雄心非常关键。它可以帮助企业估算机会规模、校准投资力度、引导员工转型，并确保整个过程中决策的一致性。
这个目标状态不能只靠自下而上的零散用例堆出来，更不能只围绕“提升效率”来设计。因为AI会重塑竞争格局和经济模型，所以企业需要采用自上而下的三步法。
第一，识别未来利润池和差异化来源。
这里有两个问题需要回答。第一个是防御性问题：对于每一条收入来源，当前产品或服务是否面临商品化、客户重新内包、被去中介化，或者被AI原生新进入者以更低成本、更快学习周期颠覆的风险？企业需要识别哪些地方仍然可以维持或重建差异化，哪些活动或位置可能在结构上变得难以防守。第二个是进攻性问题：AI可以在哪些地方创造全新价值？例如智能产品、AI赋能服务、嵌入式能力、自主交互、超个性化体验，或者新的变现方式。
第二，定义目标运营模式的宏观愿景。
这一步的目标，是明确企业在AI时代应该如何运转，才能支撑未来利润池。企业尤其需要明确，在目标状态下，人、Agent和机器人之间的角色分配。
第三，评估员工转型需求和潜在价值。
目标运营模式是制定多年期员工转型计划的基础。企业需要把未来的人才需求与当前员工基础进行对比。目标不只是估算人员数量变化，更要识别哪些人群会受到影响、每类角色需要发生多大变化，以及员工队伍能够以什么速度现实地完成转型。基于未来收入池预期，以及目标运营模式的未来运行成本估算，企业可以进一步测算转型所涉及的价值空间。
4.2 采用双轨转型路径，平衡价值实现与员工适应
要充分释放共生型企业的潜力，企业需要在清晰North Star的引导下，对运营模式、技术、数据和人才进行协同转型，并通过强有力的变革管理推动落地。由于这些维度高度相互关联，转型必须作为一项整体性的企业级工程来管理，而不是一堆孤立项目。
正确的转型单位，不是单个工具或单个用例，而是运营域。例如产品开发、客户服务、order to cash等。在这些运营域中，工作流、角色、协调机制和人机协作方式可以在足够大的规模上被重新设计，从而支撑转型级投资和有意义的组织变化。
但企业也不应等到完整的领域级重构完成之后，才开始广泛部署AI。战术性的AI增强用例可以提升个人生产力，加快组织学习，并为更大规模的转型积累动能。
因此，企业需要一条双轨转型路径：一方面，通过战术增强获得短期价值并加速学习；另一方面，通过领域级重构，从第一性原理重新设计运营模式，释放企业级的速度、规模、协同和经济性提升。
转型排序需要同时考虑价值潜力和可行性，包括技术成熟度、数据可用性、组织复杂度、员工影响和竞争压力。已经通过外包或离岸方式运营的领域，通常是有吸引力的起点，因为这些领域通常可以更快被重新设计，且对组织造成的冲击相对较低。同时，员工适应也必须同步推进，确保员工有足够的时间和支持，发展出与越来越强大的AI系统协同工作的能力。
4.3 建设可规模化的基础能力
可持续规模化，需要新的运营基础。这套基础既要能编排智能执行，又要保持控制力、韧性、安全性、经济纪律和人类监督。报告认为，有三个基础要素尤其关键。
第一，AI-ready的企业系统和数据。遗留应用必须通过清晰API暴露能力，企业数据也必须变成Agent可读、可行动的数据。也就是说，数据需要结构化、文档化、被治理，并能够实时访问。
第二，模块化、供应商中立的编排平台。企业一开始依赖大型科技公司的集成AI技术栈，可能有助于加速采用。但要实现可持续规模化，企业需要模块化且不绑定单一供应商的架构，以保持可迁移性，分散对多个供应商的依赖，并避免过度集中在某一个技术生态中。
第三，智能架构和执行的新纪律。当智能执行成为核心生产能力时，竞争优势将越来越取决于五项能力：智能架构工程、智能工业化、规模化编排、行为治理与安全、AI经济性管理。这些能力共同帮助组织设计、构建、运营、治理并经济性优化大规模人机系统。
4.4 由高管领导层直接推动转型
共生型企业转型不能下放给技术部门，也不能作为一组孤立项目来管理。鉴于它的战略重要性和企业级影响，这一转型需要CEO直接领导。CEO需要定义雄心、阐明目标状态、裁决关键取舍、分配资源，并设定转型节奏。
但麦肯锡研究显示，目前只有30%的CEO主动监督本组织的AI议程。与此同时，CEO也无法独自完成这场转型。三类高管角色会变得尤其关键。
CHRO需要领导员工转型，包括重新设计角色、组织再培训和重新部署，并确保激励机制、职业路径和绩效系统能够强化AI赋能的工作方式。
首席转型官，或类似的转型领导角色，需要跨运营域编排执行，把战略转化为协调一致的项目，推动业务和职能领导者围绕共同优先级对齐，根据路线图变化重新配置资源，并确保结果问责。
CTO或CIO则需要建设共生型企业的基础能力，包括现代化改造遗留系统，建立可复用的数据和AI能力，部署Agentic执行平台，并确保AI赋能运营的可规模化、安全性、可靠性、互操作性和经济可持续性。
这些领导者共同构成转型的高管骨架。最可能成功的组织，不是那些部署最多AI的组织，而是那些能够围绕“未来工作如何被执行”这一共同愿景，把领导力、员工队伍、运营模式和技术对齐起来的组织。
把这个愿景变成现实，需要调动企业完整的执行肌肉，把纪律化交付、组织变革和持续适应结合起来，完成一场多年期旅程。
4.5 案例：从企业软件到数字员工，IFS的重塑
结尾：一个重塑的新阶段
这份报告最后的结论很清楚：未来领先的组织，不一定是拥有最好模型的组织，也不一定是部署最多AI的组织，而是最快重构运营模式、围绕智能建立复利优势、掌握智能执行控制点的组织。
这对企业管理者的启发很直接。
第一阶段，AI是工具，所以重点是员工会不会用。
第二阶段，AI是Agent，所以重点是流程能不能被重新设计。
第三阶段，AI成为劳动力，所以重点变成组织如何重新分配任务、重新定义岗位、重新计算成本、重新设计管理跨度、重新构建竞争优势。
当人不再是唯一的执行引擎，Agent和机器人会进入执行体系。组织也不再只是人和部门的组合，而会变成人、Agent、机器人、数据、流程和治理机制共同构成的智能执行网络。
因此，未来赢的不是部署最多AI的公司，而是最快把AI从“工具”变成“组织执行能力”的公司。
AI转型升级中，我们也坚信人是终极变量，而管理者则是关键杠杆。因此我们设计了一门面向AI时代管理者的《极简AI领导力-成为原生管理者》课程，聚焦如何领导AI，而不仅仅个人使用AI，帮助管理者快速掌握推动团队AI落地的核心框架、方法与工具，推动团队AI升级。适合管理者、技术负责人、产品负责人、HR、OD 及数字化转型相关伙伴，欢迎私信交流。
其他推荐阅读：
案例PPT｜谷歌最新六大机制：AI时代如何对抗大公司病，重塑产品力
