AI时代更需要敏捷组织

导语：2026年8月6日，快手技术团队在公开复盘中披露：AI代码生成率从约30%升至60%以上，整体人均需求交付数提高10%，需求平均交付周期缩短11%以上。这里的10%是特定交付指标，且属于包含流程和组织调整的阶段性成果，不能概括成“AI效率只提升10%”。快手的实践还发现，开发、测试加速后，需求对齐、跨角色交接与等待，正在成为进一步提效的瓶颈。快手技术团队，2026

AI时代更需要敏捷组织：从职能分工走向人与Agent协作

这让我们看到，AI研发提效正在进入深水区。广泛引入AI工具、提高代码生成率，并不会自动带来相应幅度的端到端交付改善。接下来的突破，需要让组织适应新的生产力：谁与谁协作，谁决定优先级，谁对完整交付负责，绩效如何评价。这些分工、协作、权责与激励的安排，正是本文所说的“生产关系”需要变革的具体内容。

敏捷依然有效，而且在AI时代更加重要。围绕价值流组队、减少交接与等待、下放决策权、缩短反馈循环，能够为这种变革提供具体方法。当Agent扩大人的执行能力，敏捷组织需要把这种能力连接到共同目标和完整的结果责任上。

一、职能组织为何存在

在讨论组织如何变化之前，需要先理解职能组织为什么长期存在。一个重要原因，是人的专业能力需要时间养成，而复杂工作所需的知识，往往超出个人能够持续掌握的范围。

一个人可以迅速读完一份技术文档，却很难同样迅速地获得判断架构风险、处理生产故障或识别财务异常的经验。技能的形成依赖学习、练习和反馈，能力的更新与跨领域迁移也需要投入。Becker与Murphy关于分工的研究指出，把有限时间集中在较窄的技能范围，通常能够提高投入的回报；与此同时，专业化的收益也需要与协调成本相权衡。Becker与Murphy，1992

因此，在个人学习时间有限的条件下，让不同的人持续深耕不同领域，再把他们的能力组合起来，具有经济上的合理性。对企业来说，按相近专业聚合人员，还便于安排师徒带教、同行评审、知识交流和职业发展，让经验在持续交付中得到积累和传承。

从这个角度看，职能部门也是一种培养、保存和发展专业能力的组织安排。前端团队积累交互与浏览器经验，后端团队沉淀业务逻辑与数据能力，测试团队发展验证方法。稳定的专业群体，使企业不必为每个新项目重新培养一套能力。

但专业分工并不必然要求建立独立部门。企业选择职能结构，还与规模经济、资源复用、风险控制和责任安排有关。职能制划分专业，科层制安排权责层级，两者经常结合，却并不等同。专业能力应当怎样积累，价值又应当怎样交付，始终是组织设计需要同时回答的两个问题。

二、引入敏捷组织

职能组织有利于人才培养和专业积累，但如果目标、考核和资源安排过度围绕部门展开，就容易出现局部优化：每个部门都在提高自己的效率，一项客户需求却要经历多次排队、交接和协调。专业能力不断增强，价值交付未必同步加快。

早在这一轮AI浪潮之前，企业就已通过项目矩阵回应这种矛盾：在纵向职能体系上增加横向项目协调，职能线支持专业成长和资源复用，项目线推动跨部门协作和整体交付，兼顾长期能力建设与项目目标。Youker，1977

一些敏捷组织进一步采用“部落—小队”与专业线（Chapter）协同的矩阵安排：小队围绕产品或客户目标承担端到端责任，部落协调业务方向与优先级，专业线支持技能成长、人才培养和共同标准。麦肯锡2018年的《The agile manager》将其概括为能力线与价值创造线的协同。McKinsey，2018

这些安排都在回应同一个问题：如何保留专业积累的优势，同时减少交接和等待，让能力成长与价值交付相互促进。

矩阵能否奏效，取决于权责、优先级与资源安排。Feature Team需要共同目标、连续的业务上下文，以及在明确边界内调整工作顺序和实施方案的权力。如果成员仍被反复抽调，优先级仍由各条职能线分别决定，跨职能团队就很难承担完整责任。

即使真正按价值组队，人的专业覆盖仍然构成约束。一条价值流涉及的技能越多，团队越容易膨胀，稀缺专家也越容易成为共享依赖。敏捷长期在尝试降低这些依赖，而AI让其中一部分约束开始松动。

三、AI正在瓦解职能组织的边界

第一，信息处理和任务执行加快，人工流程必须同步提速。当资料整理、方案形成、代码生成和测试准备变快，需求确认、人工审批与跨部门等待，就更容易成为整体交付的瓶颈。产品、研发、测试各自借助AI加速，如果目标、优先级和验收口径仍彼此分离，组织可能只是更快地产生了更多待处理事项。

企业因此需要缩短决策和反馈周期，减少重复审批与跨部门交接，把连续的工作交给能够承担完整责任的团队。必要的审核应围绕风险设置，使执行、判断和反馈能够连续衔接。HBR关于AI可能加固部门壁垒的警示，也提醒企业关注工具之外的组织整合。HBR，2025

第二，员工可承担的技能范围扩大，跨职能交付更可行。Agent可以读取项目上下文、调用工具和执行多步任务，让工程师在本来擅长的领域之外，进一步处理相邻技术环节。前端工程师可以借助AI理解接口与数据逻辑，后端工程师也有条件参与页面和交互实现。

这就是员工的“有效技能半径”扩大：借助工具、知识和验证机制，能够可靠完成并承担责任的任务范围扩大了。能生成陌生领域的代码，只是起点；能够理解约束、检查结果和处理异常，才构成有效交付能力。

德勤2026年的《The work chart vs. org chart》用Role Fusion描述相邻技能的整合与责任范围的拓宽，讨论如何减少交接，并强调选择性融合和必要的职责分离。这为重新组合原本分散在不同岗位上的工作提供了组织设计思路。Deloitte，2026

跨越部分专业知识边界也有实验支持。2026年发表于《Organization Science》的宝洁研究，主分析覆盖791名专业人员。在产品创新任务中，使用AI的个人，其平均方案质量与不使用AI的两人团队相当；AI还使研发与商务人员的方案更兼顾技术和商业视角。研究针对生成式AI辅助的创新任务，说明部分知识边界可以被跨越，不能直接推论完整团队可以被替代。Dell’Acqua等，2026

当更多员工有条件承担相邻任务，团队就可能在内部连续完成更多环节，减少过去必须跨部门接力的工作。由此下降的是以固定职能边界切分、分派和流转工作的必要性。专业体系可以更多转向人才培养、共同标准和复杂问题支持，价值团队则承担更完整的交付责任。

更快的执行需要更短的组织响应链条，更广的技能覆盖让小型端到端团队更加可行。这两项变化共同提高了敏捷组织的必要性：降低职能部门对日常交付的分割和控制，强化围绕价值流的协作与自治，使AI的能力真正转化为交付成效。

基于这些变化，本文提出一条组织设计主线：Functional Organization → Agile Organization → Agentic Agile Organization，即职能组织、敏捷组织，以及人与Agent协作的敏捷组织。它描述的是组织设计重心的变化；第三个名称是本文的综合表述，并非咨询机构的标准分类，也不是所有企业必经的成熟度阶梯。

四、人与Agent协作的敏捷组织

麦肯锡2025年的Agentic Organization框架进一步设想：小型人类团队统筹Agent工作流，围绕业务结果组织工作，产品团队的责任范围和自治空间随之扩大。文章保留了人的最终责任与深度专家的作用。这是基于先行实践的前瞻框架，尚不能视为普遍验证的组织定律。McKinsey，2025

因此，本文所说的Agentic Agile Organization，核心是将敏捷的价值导向与人机协作结合：团队围绕相对完整的客户问题组建，用Agent扩展执行能力，用专业判断保证质量，用短反馈循环校正方向。团队是否更小，取决于业务复杂度和可验证程度，不能预先规定统一人数。

图1：组织设计重心的演进

五、得物实践：团队与角色的变化

得物的公开技术资料提供了一个具体观察窗口。2024年的《得物千人规模敏捷迭代实践分享》介绍了Feature Team及矩阵管理：业务交付与职能技术管理各有职责。这表明，围绕业务组织交付，可以与专业能力建设并存。得物技术／Rio，2024

2026年9月发布的《得物小摊AI Native演进实录》则记录了另一层变化：在这一从零到一的项目中，作者借助AI同时处理H5、运营后台、Node网关与Go服务，并承担业务理解、方案判断和验收。这是一项局部工程实践的自述，展示了跨技术环节交付的可能性。得物技术／正飞，2026

两项资料分别呈现了价值团队建设与个人工程范围扩展。它们不足以证明得物因AI完成了公司级组织重构，更不能据此把“得物解散前端部门”写成事实。对企业更有借鉴意义的，是专业能力如何被保留和复用，以及过去需要多人接力的工作如何重新组合。

图2：有效技能半径与角色融合

六、让能力、责任与权力同步调整

岗位责任和绩效评价需要跟上能力变化。如果工程师开始承担跨端交付，却仍只按原岗位产出考核，角色融合就缺少持续动力。团队需要共同的成果标准、学习时间和专家支持，使扩大的任务范围成为能够胜任的责任，而非不断叠加的工作负担。

自治也需要相应的决策权和资源保障。团队应在清晰目标与约束下自主推进工作，并以结果和质量接受检验。如果每次跨领域修改都必须回到另一条职能线排队，已有的跨域能力就难以发挥，组织边界仍会成为价值流的壁垒。

2026年《Business Horizons》上线的一篇概念论文，也把AI编排组织的问题推进到协调机制、决策权和治理安排。这为组织设计提供了理论视角，实际效果仍需通过企业实践验证。van Esch，2026

图3：从部门提速到价值流提速

七、先启动敏捷转型，迎接AI时代

企业可以从一条边界清晰的价值流开始。选定一个可观察的客户问题，记录需求进入、等待、开发、验证和上线的全过程，识别重复交接与决策堵点。画Work Chart的目的，是看清结果怎样产生，并据此决定哪些专业能力需要稳定投入，哪些相邻任务适合融合。

随后，为试点团队配置业务知识、工程判断和必要的Agent能力，使其能够从需求理解持续负责到结果验证。同步明确优先级、预算或资源使用、技术选择和发布权限。对高影响操作设置人工审批，对常规任务设置可重复的验收标准，避免每一步都回到职能层级排队。

专业体系也需要随之调整。前端、后端、测试等领域仍需要深度专家，但专家的贡献可以更多体现在公共平台、标准、复杂问题支持和人才培养。将成熟经验沉淀为可复用工具、知识与评测，让更多团队受益，也为新人保留学习和承担责任的路径。

这些变化应通过真实交付检验。除了观察AI使用情况，更要比较需求交付周期、等待比例、返工与缺陷、客户结果，以及人的审核负担。只有当整体收益改善，才能把试点做法扩展到更多价值流；如果审核成为新瓶颈，就应调整任务边界和专家支持方式。

相关理论研究也提醒我们，组织形态取决于AI的部署方式及其带来的验证负担，不能假定采用AI就会立即扁平化。Xu等人的2026年模型甚至显示，部分阶段可能更需要专家支持。这是模型推论，却揭示了一个值得检验的约束：执行能力扩展，必须有相应的判断能力支撑。Xu等，2026，理论预印本

AI时代更需要敏捷组织，因为企业正在获得更快、更广的执行能力，也更需要把这些能力连接到真实需求、完整责任和及时反馈上。AI正在扩大部分工作中人的有效技能半径；敏捷组织要做的，是让价值交付的责任范围随之扩大。当专业分工能够支持价值流动，当人与Agent协作完成连贯的工作，技术进步才有机会转化为客户能够感知的进步。

走向成熟的Agentic AI组织仍需要时间，企业需要先在具体价值流上试点，逐步验证人机分工、交付质量与治理机制。与此同时，组织现在就应开始向敏捷转型：围绕价值流稳定组队，减少部门壁垒，理顺决策权与结果责任，建立更短的反馈循环。先打好敏捷组织的基础，有助于降低未来扩大人与Agent协作时的组织变革门槛。