阿里最新AI原生组织实践：管理者先下水、特区打头阵、重构工作流

组织AI化是确定选项，但转化难度差异巨大

AI已经从回答问题走到执行任务、交付结果，开始在端到端流程中产生真实的业务价值。岗位边界、协作方式与权责关系也随之松动。

蒋芳转述了两个来自AI公司的观察。Claude Code负责人认为，Anthropic的技术领先，本质上来自组织流程和文化的领先；Genspark创始人则说，70多人的产出可以抵得上自己过去在大厂时2000人团队的产出。

“当模型能力趋近，组织上的代差，恰恰是别人无法copy paste的壁垒。”

去年，论坛上提出组织进化的四件事：认知重启、能力重建、协作重构、文化重塑。一年实践后，蒋芳给出一个更明确的判断：“组织AI化是确定选项。”但不同组织的转化难度差别很大。

她列出四个相对容易的条件：一号位对AI理解深、能亲自动手；工作已经高度数据化；组织规模在百人以下；核心团队高度互信。对大型企业来说，这四条也像一张反向诊断表。规模、旧系统、线下信息和低信任，都会抬高改造成本。

第四项“高度互信”过去很少被单独放进AI转型框架。模型和工具可以买到，组织内部的Context却不会自动流动。重要判断若长期停留在个人电脑、会议室和少数人的脑子里，智能体拿不到完整上下文，员工之间也无法共享过程。AI越接近核心流程，信任越像一项基础设施。

“个体生产力提升未必带来组织效率跃迁。”

工程师的代码效率可以提高10倍，端到端开发周期却没有明显缩短。超级个体的集合，也不会自动变成超级组织。

阿里云智能集团副总裁、首席信息官蒋林泉从CIO的产研团队已经看到了同样的问题。团队大量使用AI Coding工具后，AI生码率越来越高，但真实需求E2E交付的总耗时并没有显著缩短。开发人员真正用于写代码的时间仅占工作总耗时的20%，剩余的80%依然投入在需求沟通、确认、测试、上线、运维的协作上。AI生成的代码越多，骨干员工反而会被更大量的验证工作“DDoS”，而且，AI大规模生产的平庸代码进入系统，很大概率会变成负债，系统负担也随之加重。

两个人从不同位置看到同一个堵点。CPO关心管理者、互信、人才和权责，CIO面对数据、权限、平台和流程。个人工具用得再熟，如果工作仍在旧链路里流转，组织效率就很难改变。

管理者先下水，不能只站在岸上观望

蒋芳讲了一个阿里内部产品一号位的故事。去硅谷学习前，这位管理者觉得项目正处在关键阶段，自己走不开。认知被打开后，该管理者回国后便把舍不得放手的几件事交给下属，挑出七八个年轻人，从头重构业务工作流，每天沉浸在怎样帮助AI更好工作上。

变化随后扩散到团队。大家开始主动重做自己的工作流，也开始用“交付AI产品”的方式思考业务。

这个故事里最关键的动作是管理者自我意识和思维的转变。管理者先交出自己最放心不下的工作，才有时间进入一个尚未被证明的新流程。若只要求员工学工具，自己仍按旧方式开会、审批和分派任务，团队很快会回到原来的轨道。

蒋芳本人也在做类似尝试。阿里正在从个体AI提效推进到协作网络提效，让密切合作的同事通过AI共享互联的Context。千问办公团队正在产品中探索Context互联，她也开始用新版千问办公积累工作上下文，并与最紧密的同事共享。她说这件事刚起步，希望明年再来报告整体提效的实例。

阿里云智能集团HR副总裁包晨星：600多个数字员工之后，阿里云仍在第二阶段

包晨星把组织演进分成三个阶段。

第一阶段是AI工具进入个人工作，员工开始使用Copilot、工作台或AI Assistant，人与人的组织网络没有变化。

第二阶段是人和Agent组成混合工作网络，数字员工成为正式节点，可以直接服务客户和员工。

第三阶段才是AI组织大脑：人与Agent的互动、记忆和Context沉淀在同一个中枢。

他的判断很克制：阿里云还在第二阶段，第三阶段仍是目标。目前阿里云大约有600多个数字员工。他所在的事业部三年前约有2500人，曾按传统职能制运行，后来改成三层经营单元网络。如今，数字员工和跨团队项目Agent也开始进入这张网络。

管理者数字分身是这部分最有现场感的案例。

团队通过语料蒸馏和Harness工程提炼管理经验，每天有几百名员工主动向分身咨询。包晨星自己也用千问办公为20多人准备季度OKR反馈：AI读取工作资料生成草稿，他先把内容发给员工确认，再录入系统。多位同事告诉他，“这是自己入职阿里以来收到的最好反馈”，因为里面有具体工作数据，不再只有过去的一两句话。

管理者的工作由此出现一种新分工。AI扩大信息覆盖面，管理者校准判断、确认边界并承担结果。管理半径可以扩大，评价却不能交给一个黑箱。

特区先试：大组织不能等一场整齐划一的转型

大型组织最熟悉的做法，是先做顶层设计，再层层分解、全面推广。

蒋芳认为，这条路很难直接套到AI转型上。大型企业业务形态各异，许多工作尚未完整在线化，人和AI都没有足够信息做一次全局设计。

她把第二条经验说得很明确：“特区先试，不要指望齐步走。”她用“改造老城区”形容大组织转型：与其等所有条件准备好，不如给先行团队一块独立空间，让敢干的人先跑。

Qoder团队是她举的例子。5个人用7天开发出QoderWork，方案当天讨论、当天决策、当天修改，没有繁复审批，也不需要跨出团队拉协同。行业里通常需要几个月才能验证的想法，他们用一周跑完一轮，再马上回到实践中修改。

Qoder案例直接说明了决策链与试验速度的关系。问题、方案、决定和修改都留在同一个小团队里，工作不用反复经过部门接口。蒋芳此前列出的四个条件——一号位亲自下场、工作高度数据化、百人以下规模、核心团队互信——也更容易在这样的单元里同时出现。

阿里云内部还有一种范围更大的试验。包晨星介绍，从2026年2月开始，团队举办了一场持续100天的AI创客大赛，全员参加，每个人都提交作品。作品可以与工作有关，也可以无关，先让员工从兴趣出发动手。这也延续了他前面讲的原则：不把Token消耗变成员工的强制指标。决赛里既有家庭陪伴机器狗，也有00后管培生制作的AI视频平台。

比赛之外，新的能力开始进入真实客户的两个真实案例。一家短剧平台曾请外包团队用5个人做了两个月，交付结果仍不理想。一名TAM技术服务工程师发现问题后，用两周重建生产平台，重新编排模型和视频工具的工作流，还写了大量Service模块。

另一名销售是没有代码经验的文科生。周五，客户CTO提出希望下周一看到培训平台方案；两天后，他交付的已经是可以运行的Demo：主播在模拟直播间里完成练习，AI现场评价、反馈和打分。客户随后希望围绕这个Demo继续实现产品。

昆仑数智在圆桌论坛上给出了大型企业的另一种做法。面对新的FDE业务，他们建立相对独立的“1+N+X”体系：“1”是工业魔搭赋能平台，“N”是各事业部建设本体、MCP服务和Skills等专业能力，“X”计划面向约十个石油石化领域设计联合创新中心。这套框架仍在建设中，目前正在兰州试点，跑通后计划全面复制。

这里的“特区”不是简单把人变少。小团队拥有较完整的目标、信息和决策权，工作才不必在部门接口之间来回搬运。Qoder式小团队先把试验和决策压进一个短链路，尽快验证方向；到了扩散阶段，跑通的方法还要沉淀成公共平台、专业能力和贴近业务的场景节点。缺少后一层，小团队的经验很难被其他业务复用。

“特区”也有边界。它不能永远停留在展示区，更不能变成绕开安全和责任的借口。一个小团队跑通的东西，最终还要接入真实业务、旧系统和正式的权责关系。

重构工作流：把Context、系统和组织接起来

蒋芳把“在旧流程上嫁接AI工具”比作给旧水车装上蒸汽机：动力换了，传动方式还是旧的。她在现场转述OpenAI的调研：AI用量前10%的前沿企业，人均Token消耗量是一般企业的8.3倍。差距不只来自调用次数。前沿企业会把完整上下文、工具和规则交给智能体，让AI进入工作流本身。

阿里云智能集团副总裁、首席信息官蒋林泉：产研岗位用Half-stack压缩到2类，CIO团队角色也发生变化

到了工作流这一层，蒋林泉把端到端的产研过程解剖得更细。

前文提到，一个开发人员真正投入代码的时间只占2成，如果再细化，这其中的核心代码、复杂代码仅占20%，而另外80%的常规代码占据编码耗时大概不超过35%，由此计算来看，如果不改变产研其他协作环节，AI能够提升效能的部分仅对7%的E2E耗时起作用，极为有限。

蒋林泉在2025年初，已经看到这种产研组织提效的局限性，他回归到软件工程的本质，重新思考AI时代下的组织问题。

软件工程经典著作《人月神话》里讨论过一个问题：延期的软件项目，如果继续加人，往往不会因此变快。新人需要理解上下文，老人要重新拆任务、解释和带人，团队规模越大，沟通链路也会迅速增加。

蒋林泉觉得，AI 让其中两个重要条件开始变化：第一，给一个工程师增加几个 Agent，不会同时增加几条人际协作关系，单节点效率提升的同时，还会减少组织中的沟通节点。第二，一个岗位要跨到另一个专业，通常需要长时间的训练，AI让学习成本甚至可以降到原先的1%，这也为减少沟通节点提供了条件。

这些直接改变了产研组织原来的分工方式。于是，阿里云CIO的产研团队，在去年率先完成了岗位重塑：用Half-stack理念，将多个岗位收拢成两个，一个面向客户侧，一个面向工程侧。

面向客户侧：产品经理、设计和前端合并成 PDFE 岗，从用户意图一直负责到用户界面架构——把需求确认极致“左移”；面向工程侧：后端和架构也合并成 ABE 岗，从数据结构一直负责到系统稳定性——把质量责任极致“左移”。两边用 API 契约完成衔接，这让整体交互链路大幅提效。

从产研组织，放大到整个公司业务系统，是规模更大的组织问题。

今年的龙虾风潮开始，通用智能体在持续爆发，蒋林泉发现了同样的问题：通用智能体确实提升了个人办公生产力，组织整体的E2E并未显著提升。

他的CIO团队在今年2月开始全力为业务系统面向智能体开放做底座准备，但系统开放会有另一层让他压力放大的事：通用智能体会自己会打开浏览器，会高频重试，会高速消耗Token，会“打爆”公司的业务系统。背后的权限和安全问题至关重要。蒋林泉给出的开放原则是：智能体代办，必须沿用员工原来的权限。

四个月时间，他负责的业务系统有数据显示：通用智能体调用量增长了1000倍，迅速超过了GUI交互和原有一方 Agent。

这里，他讲了一个产品商业化的例子，过去完成配置要两个月，现在用skill把时间缩短到半天。他特别强调，仅仅把MCP打开远远不够，还要把流程倒过来，回到真实的业务中，重新梳理工作流、统一业务概念、梳理平台权限，投入巨大的精力在这些隐形的“脏活、累活”。更要把以往很多发生在“线下”的业务，协助它做“线上化”补课。

做到这些，业务系统才能真正向Agent开放，沉压已久的业务需求才能被充分释放。

随之，CIO的角色也发生变化：业务需求从过去集中给到CIO团队来等排期，变成业务团队自行闭环那些简单、垂直的需求，CIO继续支持复杂、跨域的专项需求；与此同时，还增加了“开发者运营”角色——蒋林泉把业务团队视为新开发者，他的团队也为每个业务团队配置一名开发者运营，帮助业务解决开发难题。

也就是说，CIO线既要维护数据一致性、权限和开放平台，也要帮助这些“广义开发者”把想法变成可以顺利运行的流程。

面对当下热议的AI原生，蒋林泉的理解是，AI Native组织更像一种“状态”：AI能力日益进化，团队要不断革命自己，向内打破旧有的思想封印，突破组织的效能和价值实现，向外输出经验打磨的产品，帮助更多企业AI转型——睿系列就是阿里云CIO团队历经内部实践沉淀出来的、可对外交付的产品，涵盖面向招聘的“睿招宝”、面向翻译的“睿译宝”等等。

阿里云智能集团HR副总裁袁亦敏：把销售现场的Context写进组织权重

袁亦敏把镜头转向阿里云国际业务。她所在的组织同时覆盖产研与销售，两类工作的AI化难度很不一样：代码天然可以被机器读取，销售的关键判断却散落在拜访现场、客户的一句犹豫和员工经验里。

她把AI组织拆成六个彼此相连的要素：架构、信息、决策、学习、人员和支撑环境。按她的说法，这“不是六块拼图，是一条链”。

在架构层，她提出先确定唯一目标函数。过去，线上投放、线下活动和市场情报各自承担KPI，局部指标都完成了，Leads究竟带来多少业务结果却很难说清。阿里云国际业务开始让这些环节共同指向Leads转化ROI，再根据真实贡献调整任务路由。分工不再只写进职责说明书，也会随结果数据变化。

谈到信息时，袁亦敏用了一个很有辨识度的说法：“从Facts到Contexts，写进权重。”CRM、BI报表和审批表单保存的多是结构化结论，决策所依赖的原始现场长期没有进入系统。现在，Agent可以低成本完成听记、转写和摘要，人再判断哪些信息重要。企业独有的非结构化Context，才有机会成为组织的后训练数据。

员工脑中和本地电脑里的经验仍是私有权重。袁亦敏说：“人走了，权重就清零了。”把现场感知持续写进组织系统，企业才会形成自己的长期记忆。这也接上了蒋芳所说的Context互联。

袁亦敏还用一组数字解释决策成本：5个人参与评审会产生10条沟通链路，15个人则增加到105条。组织当中最贵的隐形成本是注意力，她主张按场景分层决策，压缩管理视图，只在必要时下钻完整Context。

组织学习最重要的是找到“自带裁判”的环节，也要依赖可验证结果和对照实验，否则复盘很容易把相关性写成因果。

到了人才环节，她给出一句很鲜明的判断：“后训练是激发，不是扩容。”产品、工具和流程可以教，判断力、推理密度和学习速度很难通过入职后培养补齐。HR需要识别候选人经历过怎样的“预训练环境”和被什么环境奖励过；面对最前沿的岗位，还要看一个人的自我学习和迁移速度。

圆桌论坛：从取消周会到550万吨装置，AI Native开始接受业务检验

最后的圆桌会议，由阿里云智能集团公共事务线副总裁安筱鹏主持。中国石油昆仑数智党委委员、副总经理李先奇、益海嘉里金龙鱼首席信息官阮忠友，以及银河通用机器人联合创始人、CFO孙登科，分别从工业智能体、大型企业IT和具身智能三个位置讨论AI Native组织。

三位嘉宾给出的衡量方式很不一样。李先奇看降本、增效、产量和收益率；阮忠友看AI生成的代码有多少进入生产，营销方案有多少被客户采纳并继续走到送样和交易；孙登科提出的北极星指标更远，希望五年内做到“一个人、一个月，做出一台可商用的机器人”。Token消耗可以作为观察项，不能直接当作组织转型的成绩单。

阮忠友说了一句带着调侃的话：“真的懂AI的同事现在是在取消周会跟周报，不懂AI的同事在忙着开AI转型的会议。”这句话指向Leader的工作方式。管理者要自己会用AI，也要想清楚它进入哪一段流程、解决什么业务问题；项目启动时，还要先设好Evaluation。他也介绍了一项招聘尝试：让候选人现场使用AI，完成一件过去没有做过的事，用来观察学习和迁移能力。

银河通用的做法接上了蒋芳所说的“特区”。小团队和年轻人可以沿着不同方向自由探索，一旦某个方向显示出价值，公司再快速投入人、算力和数据。安筱鹏把这套机制概括为“涌现、筛选、复制”：先让新想法冒出来，再判断商业化前景，最后把有效做法放大。分散探索与集中资源何时切换，仍要由组织持续判断。

李先奇带来的案例把AI推到了安全要求很高的工业现场。兰州石化550万吨常减压装置接入异常诊断智能体当天，就出现了真实报警。现场专家认为，它给出的根因分析和处置建议，接近一名拥有五年以上经验的工程师。

为了让智能体进入这套流程，团队构建了上万个实体节点和两万多个本体关系，并配置工具与权限、可校验回路、执行边界、人工最终决策和全程观测。这个智能体用了45天完成；按过去的信息化开发方式，至少需要半年，甚至七八个月。周期缩短了，安全标准没有松动。AI能看什么、可以执行到哪一步、什么时候必须交还给人，都要提前写进系统。

圆桌论坛的共识很一致：用真实业务价值衡量AI，管理者亲自使用，核心流程重新设计，大企业可以让独立团队先跑。难题同样清楚。高风险行业怎样处理模型的不确定性，智能体权限和审计由谁负责，FDE最终按项目、Token还是业务效果计价，都还在试验中。安筱鹏在收束时说，组织最基本的单元正在从人与人，扩展到人与数字员工。技术已经进入工作现场，组织机制还在追赶。

组织走到最后，仍然是人的选择

蒋芳在致辞末尾把话题拉回人才。她转述不久前阿里同事们去硅谷学习后带回的两个重要观察：英伟达仍严格考核价值观，绩效总分中业务产出与价值观各占50%；Anthropic会对内部面试官做多轮训练，其中包括怎样判断候选人的价值观是否与公司使命对齐。

她由此提出“Talented but small ego”。AI时代需要判断力和实践能力，也需要愿意追求集体成功、能与团队背靠背协作的人。未来一年，人类同事会与数字同事一起工作。数字同事没有Ego，人类则要学会共享Context、让渡部分控制，并帮助数字同事做得更好。

AI Native组织由此同时成了CPO和CIO的问题。CIO要让系统、数据和权限对智能体友好；CPO和HR要调整管理者、人才、协作与评价机制；业务负责人提供真实场景，并对结果负责。三者缺一块，AI都只能停在局部提效。

这场论坛释放的信号更具体：AI正在从员工的工具箱进入管理者的日常工作，也开始碰到企业的流程、系统、人才和权责。CPO与CIO第一次共同办会，只是一个开端。接下来的差距，会出现在谁能让人、Agent、数据、权限和业务目标在同一套工作系统里运行。

技术仍在进步，组织也还在持续进化。最后用CPO蒋芳致辞结尾并共勉：

“没有谁拥有答案，唯有全身心投入这场探索。我们终将找到一条路，让AI真正深入组织的肌理与每个人的工作。”

JOTO 企业落地观察

• 企业部署AI原生组织时，首要障碍并非技术集成，而是管理者能否真正让渡决策链路中的关键节点——如需求确认、质量判定、Context授权等。这类动作无法通过培训完成，必须嵌入真实业务流中以“失败-迭代”方式建立新习惯。
• 特区模式的价值不在规模压缩，而在将“工作流重构”从抽象命题转化为可测量的闭环实验：Qoder团队7天验证、兰州石化45天上线智能体，其共性是定义了清晰的输入（原始现场Context）、处理规则（权限/边界/人工兜底）与输出（可验证业务结果），而非仅关注Token或代码行数。
• RAG知识工程在此类实践中面临根本性挑战：销售现场的非结构化对话、工程师的隐性调试经验、装置异常的多模态传感数据，均难以通过传统文档切片注入。企业需将“Context采集-清洗-权重标注-版本管理”纳入日常协作流程，而非作为一次性知识库建设项目。
• AI安全治理的重心正从模型层下沉至工作流层：蒋林泉强调“智能体代办必须沿用员工原有权限”，意味着权限策略需与业务角色强绑定，并支持细粒度动态授权（如仅允许某Agent访问特定客户合同的特定字段）。这要求权限系统具备实时策略引擎与可审计的操作留痕能力。