AI 普及后，企业真正要重做的是决策

当人人都有 AI，运营模式才是分水岭

一、为什么运营模式成为 AI 回报的约束

开篇的论证链条如下：

• 既有运营模式是为"旧世界"设计的：智能稀缺、工作流串行、执行主要靠人。AI 改变了这一切。
• 最直观的变化：AI 切断了"人头数"与"产出"之间的绑定。产能可以在不相应增加工资总额的情况下增长（"Capacity can now grow without a corresponding increase in payroll."——译：产能如今可以在不相应增加人力薪酬的前提下增长）。
• 许多长期存在的取舍，本质是"协调人与工作的成本"塑造的。例如：企业过去常常为了规模牺牲敏捷，或为了效率接受更低的差异化。
• AI 降低了协调成本，把"绩效前沿"整体外移：现在可以在少牺牲敏捷的情况下获得更多规模，在少放弃差异化的情况下获得更多效率。可实现的范围扩大了。
• 结论：当 AI 能力对所有人开放，运营模式——以及它把技术与人的判断力、专有数据结合得有多好——才是拉开领先者与对手差距的东西。

基于研究与客户实践，Accenture 提出企业运营方式需要的五个转变：决策（decision making）、工作流（workflows）、劳动力管理（workforce management）、结果成本的度量方式（how companies measure the cost of outcomes）、组织学习（organizational learning）。文中明确说：这些转变彼此叠加构建，企业现在就可以开始改变，即使运营模式仍在演进中。

二、五个转变

Shift 1 把决策作为竞争优势单元

核心论点：从"任务"到"决策"。

• 多数运营模式仍把任务（task）当作价值创造的单位。随着执行环节越来越多被自动化，价值创造的更大份额转而取决于设定方向、分配资源、解决取舍的决策。
• 当 AI 承担更多执行，差异化因素就变成了"决定做什么"的那些决策，以及决策背后的专有数据与人的判断力。
• 哪些决策最重要：直接影响重要业务结果的选择，例如——报什么价格、布置多少库存、选择哪个临床试验站点。做对其中一个决策，对结果的影响可能是实质性的，且往往不成比例地大于优化周边工作所能带来的价值。因此决策本身成为 AI 赋能组织中特别重要的价值来源。
• 企业要做的事：识别出为数不多、最重要的那批决策，并决定人和 AI 应如何共同做出它们。
• 对每个决策，领导者应明确三件事：它服务于什么结果、谁对它负责（accountable）、AI 应如何参与这个决策。

Figure 1：决策模式框架（The decision mode framework）——中文说明：

图的主旨是"人与 AI 角色的正确配比取决于决策本身"（图注：The right balance of human and AI roles depends on the decision）。选择决策模式的依据是决策的风险与复杂度水平（the right decision mode depends on its level of risk and complexity）。图中给出四种人机关系，按人的介入深度递减排列：

• 模式 A：人主导，AI 建议（Human drives, AI advises）——人做决策，AI 提供参考分析与建议；
• 模式 B：人设定，AI 执行（Human sets, AI executes）——人定规则/目标，AI 在设定范围内执行决策；
• 模式 C：AI 运行，人监控（AI runs, human monitors）——AI 自主运行决策，人在旁监控、处理异常；
• 模式 D：AI 运行，人治理（AI runs, human governs）——AI 自主运行，人退到治理层（设边界、审规则、管问责）。

（图为 Accenture 分析自制，来源标注 Source: Accenture analysis。文中未逐一给出四种模式对应的典型决策例子，仅给出选择依据。）

同时强调两条附加要求：

1. 领导者还应考虑哪些情形下人必须保留控制权——出于伦理（ethics）、问责（accountability）、正当性（legitimacy）或人才培养（talent development）的原因；
2. 指定具名的人类管家（named human stewards）和清晰的护栏（guardrails），帮助决策保持可追溯、可审计（traceable and auditable）。

决策时点的变化：AI 还改变"何时做决策"。团队不必再像过去那样，等各职能部门分别贡献信息、按周期性关卡（periodic gates）逐级推进，而是可以越来越多地基于共享信息、随事件发生即时决策。

案例：Faculty 为 NHS England 开发疫情早期预警系统（EWS）——要点：

• Faculty 是一家全球应用 AI 公司，今年（2026 年）早些时候被 Accenture 收购；
• 在新冠疫情期间，Faculty 帮助 NHS England（英格兰国家医疗服务体系）开发了 Early Warning System（EWS，早期预警系统），可提前约三周预测医院床位容量（forecasted hospital bed capacity roughly three weeks ahead）；
• 权责结构：模型提供决策支持，NHS 领导者保留权威与问责（The model provided decision support, while NHS leaders retained authority and accountability）；
• 方法论：从用户需要做的决策出发，倒推需要什么分析来改进这些决策（started with the decisions users needed to make and worked backward）；
• 关键实例：EWS 及其他模型曾预测某中部城市（a Midlands city）出现新冠激增。但细看发现，增长集中在单一医院，且没有更广泛的社区传播迹象。这一证据促使当局调查院内传播，而不是立即实施局部封锁。点评：这里 AI 为决策提供了信息，但最终决定仍由人做出（AI informed the decision, yet people still made the final call）。

Shift 2 让价值流对结果负责

核心论点：从"职能内优化"到"跨职能价值流"。

• 多数公司已花多年在单个职能部门内部改进绩效。现在，随着决策被更好地定义，更大的机会在组织横向——那里存在因交接（handoffs）造成的延迟、重复和客户挫败。
• 捕获这部分价值的方式：围绕跨职能的结果来组织工作。
• 企业可以给横向价值流（horizontal value streams）——文中称"mega-processes（超级流程）"——更大权重。走多远可以不同：从拥有独立预算与问责的完全资源化的价值流，到更平衡的折中模式。
• 无论哪种，这个转变不止于汇报线，而是延伸到运营模式本身：结构、流程、人才、激励。
• 客户旅程与端到端流成为组织和管理工作的另一种方式，文中列举四条：signal to shelf（信号到货架）、quote to cash（报价到回款）、claim to settlement（理赔到结案）、patient to outcome（患者到疗效）。
• 价值流内部：工作围绕共享的结果组织，而不是各职能自己的优先事项。

Figure 2：价值流内部（Inside the value stream）——中文说明：

图的主旨是"在 AI 赋能的运营模式中，价值流横切各职能，而职能保留其核心职责"。图以 signal-to-shelf（信号到货架）为例，展示价值流从上到下的四层结构：

• Modes（决策模式）——该环节采用哪种人机决策模式；
• Decisions（决策）——沿价值流分布的各个具体决策点；
• Execution（执行）——执行层，其中越来越多的执行被自动化；
• Functions（职能部门）——底层，职能部门仍然拥有价值流所依赖的战略（strategy）、标准（standards）与专长（expertise）。

图中人与 AI 在沿途各决策中扮演不同角色。（图为 Accenture 分析自制，Source: Accenture analysis。）

AI 从两个方面加强了横向价值流的理由：

1. 它让跨职能协调变得更便宜、更快，消除了端到端重设计在历史上难以推行的主要原因之一；
2. 它让"不重设计"的代价更高——因为 Agent 跑在未改变的流程上，会暴露出职能制汇报从未揭示的低效（agents running across an unchanged flow will surface inefficiencies that functional reporting never revealed）。

案例：某全球工业解决方案公司的 lead-to-cash 价值流——数字口径：

• 该公司把这一原则应用于其 lead-to-cash（线索到回款）价值流；
• 做法是端到端重设计流程，而不是把 AI 叠加在既有的职能交接之上（redesigning the process end-to-end rather than layering AI onto existing functional handoffs）；
• 成果：新的人机模型实现了 70% 无接触现金处理（70% touchless cash processing），并估计释放 39% 的容量（estimated to unlock 39% of capacity），为把人员重新部署到更高价值工作创造了空间。
• 注意口径：39% 是估计值（estimated），70% 是已实现值；未披露公司名、统计周期与基线定义。

Shift 3 把人和 Agent 当作一支 workforce 管理

核心论点：问责先行，团队是人机混编的设计对象。

• 随着工作围绕 AI 重设计，企业需要重新思考工作的分配。AI Agent 已在许多企业中执行有意义的工作：解决客户问题、管理供应链任务与流程。
• 事实基础：去年几乎每家大公司都至少部署了一个 Agent（引用来源 1：WRITER《Enterprise AI adoption in 2026: Why 79% face challenges despite high investment》，2026 年 4 月 7 日）。
• 问题：多数 Agent 没有具名负责人、没有清晰的问责线、也不在劳动力规划中占位置。随着 Agent 承担更多工作和更大份额的常规决策，所有权的缺口会让治理其绩效、处理异常、判定"谁最终对结果负责"变得更难。
• 趋势数据（Pulse of Change 调研）：在 Accenture 近期对全球最大一批公司的 3000 名 C-suite 高管的调研中（Pulse of Change C-suite survey，2026 年 7 月，N=3000），58% 的高管表示其组织计划在未来 12 个月改变人与 AI 之间的工作分配方式——这一比例是 2026 年初持同样说法者占比的两倍以上（more than double the share who said the same at the start of 2026）。

具体做法：

1. 问责（accountability）是起点：每个 Agent 都应有一位具名的人类负责人（named human owner），对其行为负最终责任；
2. 政策与护栏应一致地适用于人和机器（apply consistently across people and machines），并对授权如何被委托保有清晰记录（a clear record of how authority is delegated）；
3. 规划方式改变：文中指出，团队（而非个人）从来都是真正的绩效单位，团队的构成从来比任何单个成员的能力更重要。AI 新增了一个需要求解的层面：团队现在是人与 Agent 的混合体，这个配比必须被"设计"，而不是被"默认"（that mix has to be designed rather than assumed）；
4. 一旦领导者明确团队负责的结果与决策，就可以设定人的判断力与机器产能的平衡，以规模化交付；
5. 团队内人的工作聚焦在不可替代之处：知道何时信任系统、何时介入、何时同理心最重要（knowing when to trust the system, when to step in, and when empathy matters most）。

案例：Moderna 的组织答案——要点：

• 在大规模运行人机联合劳动力时，还会引出一个问题：对这支队伍的责任应落在哪里；
• 2025 年，这家制药巨头把人力资源（HR）与 IT 职能合并到一位"首席人力与数字技术官"（Chief People and Digital Technology Officer）之下（引用来源 3：Wall Street Journal，2025 年 5 月 12 日）；
• 限定很诚实：这一举动本身并不构成一个完全整合的人机联合劳动力模型，但它帮助解决了一个日益突出的结构性问题——对联合劳动力的责任不能再掉进 HR 与技术部门之间的缝隙里（responsibility for the combined workforce can no longer fall into the gap between HR and technology）。

Shift 4 按结果而非调用量衡量成本

核心论点：用人头数做预算的时代结束了，改用 cost per outcome（每结果成本）。

• 人与机器产能被放在一起管理后，企业还需要更好的方式度量这些产能的成本。然而多数财务与劳动力系统仍按两栏给产能做预算：工资总额（payroll）与外包合同工（contractors）；
• AI Agent 已成为第三种生产性产能来源，但其成本行为与员工、合同工都不同：
• 员工劳动基本是承诺型成本（committed cost）；机器产能是消费型（consumption-based）的，可随用量伸缩；
• 其经济学更像云基础设施，而不像工资单（Its economics resemble cloud infrastructure more than payroll——译：它的经济属性更接近云基础设施而非人力薪酬）；
• AI 支出不随人头数可预测地伸缩：Accenture 近期一项关于 AI 部署的研究（引用来源 4：Accenture《AI tokenomics for enterprise value》，2026 年 7 月 29 日）发现，不到 10% 的用户和工作流贡献了绝大部分 AI 支出（fewer than 10% of users and workflows drove the vast majority of AI spending）。因此，两个规模相近的劳动力，其 AI 成本可能非常不同，取决于 AI 在哪里、以多大强度被使用；
• 多数规划系统仍围绕人头数构建，无法处理 AI 的可变、按用量计费的成本，也无法反映 AI 支出在劳动力中的不均匀分布；
• 当更多工作围绕关键决策与横向价值流组织，成本就应对照这些价值流交付的结果来度量。正确的度量是"每结果成本"（cost per outcome）：组织达成了什么，达成它花了多少钱；
• 实施前提：度量每结果成本，需要人、Agent 和推理（inference）在规划系统中处于更可比的口径上。更进一步，全部五个转变都依赖于一件今天很少有企业拥有的东西：一个"连通视图"——把干活的人与 Agent、塑造工作的决策、工作的成本、以及围绕它的治理连在一起看；
• 没有这个连通视图，领导者无法可靠地判定一个结果的成本，也无法就其背后人机产能的配比做出明智选择；
• 组织归属：这既是运营模式问题，也是财务问题，CHRO 与 CTO 需要和 CFO 一起解决。在形成共同视图之前，运营模式的经济账是不可见的（the economics of the operating model remain invisible）。

案例：Amazon 机器人——人头数正成为产能的弱代理指标——数字口径：

• Amazon 每名员工端到端处理的包裹数，从 2015 年的约 175 件升至 2024 年的 3870 件（引用来源 5：Wall Street Journal，2025 年 6 月 30 日）；
• 到 2025 年，Amazon 已在运营中部署超过 100 万台机器人；
• 其 DeepFleet 模型协调各履约中心的机器人移动，将机器人行走效率提升 10%（引用来源 6：Amazon 2025 年二季度业绩公告，2025 年 7 月 31 日）；
• 在其新一代履约中心，Amazon 报告履约处理时间最多下降 25%，并以高峰期服务成本（cost to serve）改善 25% 为目标（引用来源 7：Amazon 官方新闻，2024 年 10 月 9 日）。注意口径：25% 处理时间下降是 Amazon 自报值（"Amazon reports"），25% 成本改善是目标值（targeted），不是已实现值。

Shift 5 让每次决策形成组织学习

核心论点：决策历史（decision history）是复利式优势，别人买不到。

• 上文所说的"连通视图"还为一个更有价值的东西创造了条件：一个随每次决策变得更聪明的组织；
• 现状缺口：多数组织记录结果（outcomes），但很少捕获结果背后的语境（context），包括：管理者当时知道什么、预期什么、AI 推荐了什么、人为何接受或推翻该推荐、以及最终发生了什么；
• 机构知识存在于有经验的人的头脑里，而不在他们周围的系统中。AI 能改变组织学习的经济学——让这类知识更容易被捕获、共享与应用；
• 理论渊源（明确引用）：管理思想家早已论证组织通过持续学习与纠错而改进——Peter Senge（彼得·圣吉）在《第五项修炼》（The Fifth Discipline, 1990）中普及了"学习型组织（learning organization）"的理念；哲学家 Karl Popper（卡尔·波普尔）在《科学发现的逻辑》（1959）中强调通过检验想法、从错误中学习获得进步；
• AI 的作用：让这些原则在规模上更可操作——帮助组织留住所学，并应用于未来的决策与工作；
• 关键概念："决策历史"（Decision history）——围绕关键决策累积的记录，涵盖语境、推荐、判断、行动与结果（context, recommendations, judgments, actions and outcomes），它既能供未来的决策者参考，也能训练未来的 AI 系统。

案例：Mastercard 反欺诈决策系统——数字口径：

• Mastercard 使用一套欺诈决策系统，每年评估约 1590 亿笔交易（roughly 159 billion transactions a year）（引用来源 10：Mastercard，2025 年 5 月 22 日）；
• 每笔交易及其结果都汇入可供评估未来交易的历史，帮助系统随欺诈模式的变化而自适应（引用来源 11：Mastercard，2024 年 7 月 18 日）；
• 此后，生成式 AI 让 Mastercard 检测被盗卡（compromised cards）的速度提高了一倍（doubled the speed，引用来源 12：Mastercard 官方新闻稿，2024 年 5 月 22 日）。

收尾论证（此节也是全文的收束）：

• 多数大公司最终都能获得相似的基础模型、Agent 平台与算力基础设施，但它们不会拥有相同的客户交互史、运营异常史、管理选择史与结果史；
• 决策历史是一种随每次决策而增强的优势来源；从现在开始捕获并从决策中学习的组织，将建立起随时间推移越来越难被对手追平的优势。

关键句："Learning from every decision compounds an advantage that others running the same AI models cannot simply buy."（译：从每次决策中学习，会复利式地累积一种优势——别人即便运行同样的 AI 模型也无法直接买到。）

三、全部案例与数字口径汇总

图表中文说明（不复制图片）：

• Figure 1 决策模式框架：四种人机决策关系——A 人主导 AI 建议；B 人设定 AI 执行；C AI 运行人监控；D AI 运行人治理。选择依据是决策的风险与复杂度；另需考虑伦理、问责、正当性、人才培养等人须保留控制的情形；配套要求是具名人类管家＋护栏，保证可追溯可审计。
• Figure 2 价值流内部（以 signal-to-shelf 为例）：四层结构 Modes → Decisions → Execution → Functions；价值流横切职能，执行层日益自动化，职能部门仍保留战略、标准与专长。

四、90 天信号：怎么判断运营模式真的在变

"Where to start" 部分给出判断标准：这些是大的结构性转变，但领导者不必等上数年才知道它们是否奏效。方法：先评估价值攸关度与摩擦最高的地方，据此排出路线图。90 天内，第一批动作就会显示运营模式是否开始扎根。五步动作与对应"90 天信号"：

1. 为最重要的少数几条"客户背后"价值流指定问责负责人（accountable owners），每人有明确要改进的结果，并对今天还交给委员会拍板的取舍拥有真实权力。

• 90 天信号：这些决策现在直接路由给负责人，且负责人按结果被考核。

2. 在每条价值流内部，按"人与 AI 应如何做"给重要决策分类，每个决策配具名人类管家（named human steward）、护栏（guardrails）和升级触发条件（trigger for escalation）。

• 90 天信号：有一份活的决策登记册（live decision register），能显示"预期的决策模式"与"实际在用的决策模式"之间的差异。

3. 把人和 Agent 当作一支劳动力管理：每个 Agent 有具名人类负责人；在同一处追踪人与 Agent 的能力、成本、绩效。

• 90 天信号：第一批 Agent 出现在劳动力视图中，且各有问责负责人。

4. 为一条价值流设定 cost-per-outcome（每结果成本）基线：人、Agent、推理放在共同口径上，其全成本与该价值流交付的成果挂钩。

• 90 天信号：基线已存在，领导者能看到成本与该价值流预期交付的结果之间的关系。

5. 闭合一个学习回路：对一类反复出现的决策，捕获其语境、判断与结果，并喂入下一轮决策。

• 90 天信号：回路在运转，结果正在塑造下一次决策。

总判据："If these signals are visible at 90 days, the operating model is bending. If none are, it is still just a deployment."（译：如果 90 天时这些信号可见，说明运营模式正在弯折成形；如果一个都没有，那它还只是一次部署而已。）

结尾：这五个转变是 AI 时代有效运营模式背后的内容，也是"仅仅部署 AI 的公司"与"把 AI 转化为持续绩效的公司"之间的分界线。

署名作者：Kent McMillan（Accenture 董事总经理，Talent Global Enterprise Operating Model 负责人）、Sanam Gill（Accenture 董事总经理，Talent / Enterprise Operating Model）、Myles Kirby（Faculty 商务副总裁）、Tom Oliver（Faculty 产品负责人）。

原文链接：https://www.accenture.com/en/insights/consulting/ai-operating-models PRIMARY_SOURCE: https://www.accenture.com/en/insights/consulting/ai-operating-models