昨天分享了麦肯锡重磅报告《Agents, Robots, and Us》的第二章。
从第二章的内容可以看到，AI 并没有让技能消失，而是让技能重新分布和进化。
今天，我们继续进入这份报告的第三章，这可能是最重要也是最有实操价值的一章。它所探讨的是：
如果技能进化，那么组织的工作方式，改如何进化？
3.1 重新构建工作流程，才是释放 AI 生产力潜力的关键
根据麦肯锡的“中位采用情景”测算，AI 驱动的自动化有望在 2030 年为美国释放2.9 万亿美元的经济价值。
但要真正实现这些收益，仅靠自动化单个任务远远不够——
关键在于重新设计整个工作流程，让人、Agents 和机器人能够协同工作。
工作流程（workflows）——包含多步骤、跨角色协作、信息交换与决策——是组织运转的基础。然而，绝大多数流程都诞生于“前 AI 时代”。
因此，如果只是把 AI 嵌入到旧流程的某个点上，它所带来的生产力提升往往有限。
这也是为什么目前很多企业虽已投入 AI，却迟迟没有获得显著成效：
近 90% 的企业表示已投资 AI
但不到 40% 的企业看到可量化的收益
这背后的原因可能包括：
① 大量 AI 项目仍停留在试点阶段，或
② 企业只是在“任务级别”应用 AI，而非“流程级别”重塑。
以银行为例：
旧模式：给员工一个可以临时使用的 AI 聊天机器人。
新模式：在贷款审批流程中，将员工与专属 AI Agent 并行设计，让双方共同完成资料分析、风险判断、流程推进与客户服务。
后者才能显著提升效率、减少错误、改善体验。
要释放更大规模的 AI 生产力，组织必须从“任务自动化”转向“流程再造”。
3.2 潜力在哪里？——190 个业务流程的系统分析
麦肯锡对美国经济中 190 个业务流程进行了分析，以识别最具 AI 提升空间的领域。
关键结论是：
约 60% 的生产力提升，来自行业核心流程（sector-specific workflows）
这些流程构成各行业的“业务心脏”：
制造业：供应链管理
医疗行业：临床诊断、患者照护
金融行业：合规管理、风险控制
此外，剩余的价值来自跨行业的共性职能（cross-cutting functions），例如：
IT
财务
行政与运营支持
这些职能在每个行业中都广泛存在，因此也具有显著的 AI 赋能空间。（对应 Exhibit 14）
以金融与保险行业为例，仅在 IT 职能内部，就存在 七个关键工作流程（见 Exhibit 15）。
在所有行业 × 职能的组合中，每一种组合都有其独特的工作流程集合，而这些工作流程正是 人与 AI 协作创造价值的关键单元。
一些组织已经开始围绕 AI 重塑工作流程，并给出了早期示范，展示了 AI 时代的实践会长什么样。麦肯锡识别了横跨医药、银行、销售等行业的 80 个 AI 应用案例，并深入研究了其中若干个，以洞察其转型方式。
在这些示范中，管理者和专业人员正在从“执行者”，转变为“协调者与验证者”；而数据分析师、核保人员、工程师等领域专家，则开始与 AI 代理协作，由代理承担初步分析或内容生成。结果是：最具价值的人类能力正加速转向 AI 流畅度（AI fluency）、适应性、以及对 AI 输出的批判性判断，使人类能够把更多精力投入到高价值工作。
麦肯锡选取了四个案例，展示这一变化如何在不同业务场景中展开：
某科技公司使用 AI 代理来自动筛选销售线索和管理触达流程，让销售专家可以把更多时间放在谈判与关系建设上。
一家医药企业利用 AI 自动生成临床报告草稿，减少错误并加快递交监管材料。
在客户服务领域，AI 代理正在处理绝大部分标准询问。
一家区域银行则用 AI 加速软件现代化改造。
这些案例说明：随着 AI 代理越来越专业化，它们有潜力重塑整条业务流程。但同样重要的是，人仍然处于工作中心——AI 依然高度依赖人类的指导、解释与质量把控。
3.3.1 销售案例：AI 代理让专家从繁琐任务中解放，投入更多时间“真正做销售”一家全球科技公司希望扩大市场覆盖、深化客户关系，但面对日益增加的客户数量和业务复杂度，传统销售模式已难以为继。
过去的销售团队：
使用不同、缺乏一致性的方法来判断客户优先级
难以为成千上万中小账户提供差异化触达
只有最重要的潜在客户能得到较个性化的跟进
为突破瓶颈，公司引入了一套 用于销售全流程的 AI 代理体系（Exhibit 16）：
优先级排序代理：基于公开数据与内部数据，对客户进行评分和排序。
外呼代理：自动触达客户。
客户回复代理：分类管理客户回应，例如“有兴趣 / 无兴趣 / 不确定”。
排程代理：为高潜力客户安排电话会议与提醒。
交接代理：在需要人类判断的节点，将线索转交给销售专家。
借助这五类 AI 代理，公司实现了销售流程中大量“前期工作”的自动化，让销售专家能够真正投入到 谈判、策略、关系经营等高价值环节。
销售场景：流程重塑带来了 7%–12% 的新增收入增长
借助 AI 代理重构销售流程后，公司在触达范围和转化率上都有显著提升，预计年收入可增加 7%–12%（来自新增销售、交叉销售和客户续约）。
在各类销售岗位上，工作时间节省幅度从 30% 到 50%不等。
业务拓展人员因此能够投入更多时间在真正创造价值的活动上，例如：
撰写提案
谈判合作
客户关系深度经营
未来，这一模型还可以扩展：
辅导代理（Coaching Agent）可实时给销售团队反馈
行政代理（Admin Agent）能进一步承担日常行政事务，减少人工负担
一家大型公共事业公司每年接听超过 700 万通客户服务电话，即使其 App 和网站已提供多种自助服务。
在采用 AI 之前，交互式语音系统（IVR）只能解决 约 10%的咨询，其余全部依靠人工客服。
为了提高效率与客户体验，公司在全体客户中上线了 AI 代理式对话系统（见 Exhibit 17），包括：
入线验证代理：完成来电客户身份验证
意图识别代理：判断客户来电目的
排程代理：管理预约与上门服务
自助服务代理：直接与后端系统连接处理请求
这些代理如今可处理约 40% 的来电，并在其中 超过 80% 的案例实现全流程自动化，无需人工介入。
当需要人工升级处理时，客户可被无缝转接，客服将直接看到已验证的账号信息与上下文对话记录，大幅提升体验。
客户运营案例：AI 大幅降低成本、提升体验
新的流程将单次来电的平均成本降低了约 50%，客户满意度则因更短的等待时间、更一致的问题处理、更快的解决速度而提升了 6 个百分点。
在人机协同的新模式下，人工客服主要负责更复杂、更具情绪敏感性、以及更高价值的问题，这不仅提升了服务质量，也提高了客户运营的整体影响力。
未来，这一模式还有进一步演进空间：
客户问题识别代理可主动监测系统，提前发现服务中断并主动联系客户。
辅导代理（Coaching Agent）可在实时通话中，持续给客服人员提供解决思路与澄清建议。
AI 将承担 80%–90% 的常见咨询，并自动记录每次交互、发起跟进动作，确保服务的连续性与一致性。
在人机协作模式成熟后，人类将专注于“复杂 × 关系型”的任务，AI 则处理高频 × 可预测的任务。
3.3.3 医学写作案例：生成式 AI 平台加速报告撰写、提升准确性
一家全球性的生物制药公司，希望改进临床研究报告（Clinical Study Reports, CSR）的撰写流程。这类报告记录新药的安全性与有效性数据，而传统流程中：
医学写作者需要手动汇总研究数据
从零开始撰写大量内容
并在多个团队之间来回协调修改
有限的人力与漫长的周期，使得公司越来越难满足不断增长的监管递交需求。
为此，公司构建了一套 AI 驱动的医学写作平台（见 Exhibit 18），通过重新配置工作流，大幅提升速度与质量：
AI 能同时处理结构化与非结构化数据
在数分钟内生成一份完整草稿
自动套用公司模板、风格与合规要求
并对草稿进行初步自查，减少错误
在这一模式下，医学写作者从“手工写作者”转变为 AI 协作者：
可重新生成特定段落
对 AI 自动标记的潜在问题进行判断
将草稿与源数据进行核对，确保临床准确性与监管合规
AI 负责高耗时的“编写”，人类负责“判断、核实与最终把关”，让整个流程变得更快、更准、更稳。
早期数据显示：效率提升显著。在人类首次审阅前，初稿的人工接触时间（touch time）减少近 60%，整体错误率下降约 50%。
在与其他流程和技术变革结合后，临床研究提交周期可整体提前数周。
随着医学写作者的 AI 熟练度提升，以及更多 agent 引入，效率仍有进一步提升空间。
但公司也指出：要规模化推进仍面临挑战，这需要技术与组织能力双提升，包括：
数据工程能力的韧性建设（resilient data engineering）
Prompt Engineering 技能提升
大胆而具方向性的组织领导力
生命科学公司可在整个临床研究链条中部署 Agents，贯穿从临床研究设计到最终递交，AI Agents 可形成全流程支持链：
临床研究规划 agent：辅助撰写研究方案与试验设计
数据映射 agent：整合并分析试验数据
报告生成 agent：自动产出完整研究报告草稿
验证 agent：执行合规审查、准确性校验
审阅 agent：优化叙述结构、标注异常
提交草稿 agent：生成符合监管要求的最终版本
如果贯穿整个研究周期使用这套系统，可将流程缩短数个月。
一家区域性银行使用 AI agents 对旗下中小企业银行应用进行现代化改造。
目标是将大量旧代码迁移到现代框架，以提升内部开发效率。
在传统方式下，这类项目通常需要：
数月工作周期
大额预算
大量工程师投入
手工完成：文档整理、代码重构、测试 数百万行代码
为加速进程，该银行试点部署了多个 AI Agents（见 Exhibit 19）
AI Agents 在系统现代化中的角色包括：
评估 agent（assessment agent）：扫描旧代码库，识别依赖关系
功能生成 agent（functionality agent）：生成目标架构
编码 agent（coding agent）：迁移代码到新框架，并执行自动化测试
开发人员与 15–20 个 agents协同工作，负责：
校验 agent 产出
修正模型偏差
确保体系结构完整性、合规性与功能准确性
最终，整个系统完成：
桌面端 → 移动端转型
本地部署 → 云部署迁移
单体架构 → 微服务架构演进
随着 AI Agents 接管大部分重复性的执行工作，人类的关注点正从“动手做”转向“规划、编排和验证”。早期结果显示，AI 在代码迁移场景中的准确率已经达到 70%左右。
在完成首个模块的试点后，这家区域性银行计划将 Agent 应用扩展到整个现代化工程，并预计可将所需人力时长减少 最高 50%。未来，一个“现代化规划 Agent”可以统筹整体流程，而质量保障（QA）Agents 和测试 Agents 将形成支持链路。
3.4 AI正在重塑管理者的工作与技能结构
案例研究显示，随着 AI 逐渐承担更多分析、判断与决策支持任务，管理者的角色正在从“管理人”转向“统筹一个由人、AI Agents 和机器人构成的系统”。
这种转变让管理者能够把更多时间投入到高价值活动上，比如教练式辅导、影响关键决策、关系管理等，同时也要求更强的技术理解力（见 Exhibit 20）。
例如——
销售经理：未来会花更多时间指导团队使用 AI 洞察，提升客户关系与成交能力；
客服经理：会管理一支“人 + AI 混编团队”，同时训练 AI 系统并辅导员工，确保客户体验持续优化。
无论行业如何，企业普遍发现：
最大生产力提升来自“重塑整个流程”，而不是自动化单一任务。
这意味着组织必须建立全新的运营模式、数据基础设施，并为员工打造新的技能路径，以适应“人与智能体深度协作”的未来。
好了，第三章就先分享到这里。
这一章向我们揭示了一个极其关键的洞察：
AI 的真正价值，不来自自动化某个任务，而来自重塑整条工作流（workflow）。
无论是销售流程、客服体系，还是临床报告撰写、IT 现代化，所有案例都在证明同一件事：
人的工作在升级：
从“执行任务”
➡️ 升级为“判断 — 统筹 — 监督 — 创新”。
AI 的工作在分层：
从“单点能力工具”
➡️ 演化为“跨流程协同的智能体矩阵（Agentic System）”。
当组织开始以 workflow 为单位重构：
人力在流程中的价值被重新定义
流程变成可重写、可自动化、可协同的“动态系统”
系统之间的边界开始模糊，信息流速度指数级提升
组织的底层运行逻辑，也随之被推向一个全新的范式。
而在这样的大变革时代，一个问题也被迅速推到台前：
当组织的运行方式被 AI 重写，领导者该如何进化？
如何带领团队进入“人 × Agents × 机器人”的协同未来？
这正是下一章——也是报告最后一章——所试图回答的核心问题
