AI营销变革管理白皮书

本报告讨论企业在采购人工智能工具、完成通识培训和启动试点之后，如何改变关键岗位的日常行为、端到端流程与经营结果。报告把变革对象界定为工作系统、权力关系、风险分配和强化机制，而非把采用困难简单归因于员工态度。

报告中的企业案例依据公开披露、监管文件、同行评审或严谨现场实验整理。企业自报、供应商案例和独立研究在文中明确区分；未公开的数据不作推断。所有数字均按来源可核验口径呈现。

版权归竹势 AI 营销智库所有。引用本报告时请注明报告名称、出品方与版本时间。

阅读导航

AI营销变革的首要风险，不是员工明确反对，而是组织在表面采用之下维持旧目标、旧流程、旧审批、旧绩效和旧责任。工具进入了岗位，工作系统却没有改变。员工于是形成理性选择：在低风险、低价值的边缘任务上使用AI，在影响客户、收入、预算和职业声誉的关键任务上继续沿用旧方法。登录数和内容产量因此上升，经营结果没有变化。

董事会需要把AI采用视为一套可运营的“采用系统”。该系统从经营结果倒推关键行为，再配置工作流程、角色权责、同伴网络、能力练习、质量阈值、风险接管、激励与反馈。任何一环缺失，采用都会停留在个人技巧或短期活动层面。

董事会应在首次决议中明确的六件事

确定一个可归因的经营结果与2—4个关键岗位行为，避免以“全员使用AI”作为目标。

任命联合赞助人：业务结果负责人、技术与数据负责人、组织与人才负责人、风险与合规负责人；明确各自可调动资源与升级时限。

批准流程重构权限，允许项目组删除旧步骤、调整审核点、改变角色分工，而不仅是配置工具。

批准探索期的安全边界：任务分级、数据边界、人工接管、留痕、回退、客户告知和事故升级。

批准采用证据阶梯与基线，明确哪些指标支持扩张，哪些信号触发回退或停止。

要求业务负责人而非技术团队对关键行为迁移和经营结果负责。

1.1 采用困难通常是系统性理性反应

管理层最容易看到的是员工没有登录、没有提交AI产出或仍保留手工做法，于是把原因解释为保守、恐惧或学习意愿不足。这个解释把组织设计问题个人化。员工面对的是一组具体约束：绩效仍按旧产量计算；经理仍要求旧格式；AI输出需要额外复核；错误责任没有重新分配；客户投诉会直接落到个人；数据访问受限；优秀员工担心经验被系统吸收后失去稀缺性。此时不迁移关键任务，往往是保护绩效与职业风险的理性选择。

Lewin在《Frontiers in Group Dynamics》中提出，行为是个体与环境共同作用的结果。把这一场论连接到AI变革，管理含义是先改变约束力与驱动力的结构，再讨论态度。边界在于：Lewin的“解冻—改变—再冻结”来自相对稳定的组织环境，而AI能力和监管持续变化，今天更适合把“再冻结”理解为可审计、可更新的运行标准，而非永久固定。 [S1]

1.2 变革采用网络：五层因果链

该模型的关键不是层数，而是反向设计顺序：先定义经营结果，再确定关键行为；再为行为配置工作系统、关系网络和强化机制。若项目从工具功能开始，往往只能产生使用活动，无法证明经营因果。

Kotter在《Leading Change》中强调指导联盟。AI营销项目比传统系统上线更需要联合赞助，因为它同时改变业务目标、岗位边界、数据权限、客户触点、内容责任和风险暴露。单一CMO通常无法调整身份权限，CIO不能决定营销流程，CHRO不能单独改变客户风险规则，法务也不能替业务定义可接受质量。 [S2]

2.1 联合赞助人的四项真实权力

联盟有效性的检验不是会议出席率，而是跨边界问题被解决的速度、不可逆决策是否有人承担、资源是否随优先级移动。所谓“高层支持”若没有决策权与升级时限，只会把冲突推迟到一线。

2.2 领导联盟的反例：人人支持、无人承担

许多试点在演示阶段顺利，因为不触碰真实客户、真实预算和真实数据。一旦进入生产环境，业务要求速度，技术要求稳定，合规要求证明，员工要求责任边界。若联合赞助机制未提前定义，项目组会用更多会议替代决策，最终将失败解释为“组织协同不足”。管理层应把协同具体化为决策清单、授权额度和升级SLA。

员工的采用意愿由可见收益、身份影响、控制感、公平感和风险共同决定。前景理论说明，人们对潜在损失通常比同等收益更敏感；心理契约研究则提示，正式制度之外，员工还会根据组织是否兑现公平、发展与安全承诺调整投入。AI项目只宣传节省时间，却不说明节省出的时间如何使用、岗位如何发展、错误由谁承担，会放大损失预期。 [S3][S4]

3.1 高意愿不等于正确使用

员工可能积极使用AI，却集中在写摘要、改文案和查资料等低风险任务；这能产生显著主观节省时间，却未必触及影响商机、客户体验和预算效率的关键任务。微软与LinkedIn在2024年对31个国家约3.1万名知识工作者的研究显示，使用扩张快于组织战略和治理建设；该类调查能说明普及与感知，但不能直接证明收入或利润改善。 [S5]

Hammer在1990年提出业务流程再造，核心是围绕结果重新设计流程，而非自动化既有步骤。AI变革的当代应用不是追求“大爆炸式重构”，而是对高价值流程逐步执行四个动作：删除不再需要的步骤，合并重复判断，前移质量控制，重新配置人工控制点。边界在于，经典流程再造常低估组织学习、员工参与和持续风险校准；AI流程必须保留可回退与可更新能力。 [S6]

案例1：财富500强软件公司的客户支持AI——生产率提升集中在新人，高手收益有限

2020—2021年前后，一家财富500强企业向5,179名客户支持人员分阶段部署生成式AI助手。系统根据历史高质量对话向坐席提供实时建议，嵌入既有客户支持工作流。

证据与结果：NBER研究报告显示，问题每小时解决量平均提高约14%；低技能和低经验员工增益更大，最高约35%，高绩效员工的增益很小，部分质量指标甚至轻微下降。研究还观察到客户情绪改善与人员流失下降。 [S7]

归因与外推边界：这是单一企业、特定支持任务和特定部署方式的准实验结果。生产率口径是解决问题数量与质量的组合，不能外推到所有知识工作；工具可能通过复制优秀员工隐性知识产生收益，也可能使高手受到不合适建议干扰。

可复制条件：把AI嵌入任务时应按经验水平差异化配置。新人可获得更强建议和训练反馈，专家应拥有更高的忽略权、规则修订权和知识回流责任。

案例2：P&G“网络化队友”现场实验——AI改变团队边界，但不自动替代协作设计

2024年前后，哈佛商学院与宝洁合作开展大规模现场实验，791名专业人员围绕真实产品创新任务被随机分配到个人、团队以及有无生成式AI的不同条件。

证据与结果：研究显示，使用AI的个人能够达到接近无AI团队的表现，AI也缩小了商业与技术职能之间的知识边界，并影响参与者的积极情绪。论文为2025年HBS工作论文。 [S8]

归因与外推边界：实验任务具有明确时间和产出标准，不能直接证明长期组织绩效；参与者知道自己处于实验环境，且工具、任务和评价方式受到控制。它不能支持“取消团队”，更不能证明复杂跨职能治理可以被模型替代。

可复制条件：把AI作为团队成员需要重新定义信息共享、责任和评审方式。组织可让个人先借助AI形成跨职能初稿，再由真实团队处理利益冲突、资源承诺和不可逆决策。

Bandura的自我效能理论指出，人们对自身能否完成任务的判断会影响选择、投入和坚持。最强来源通常是亲身成功经验，其次是相似他人的示范、社会说服与情绪状态。Kolb的经验学习循环进一步强调，能力来自具体经验、反思、概念化和再实验。对AI变革而言，培训必须围绕真实任务和反馈闭环，而非只讲工具功能。 [S9][S10]

案例3：BCG顾问实验——能力边界决定收益与风险

2023年，研究者与波士顿咨询合作，让758名顾问完成18项接近真实咨询工作的任务，并随机分配不同AI使用条件。

证据与结果：在位于模型能力边界内的任务上，使用GPT-4的顾问完成更多任务、速度更快、质量更高；在模型能力边界外的一项任务上，AI组更容易给出错误答案。该研究形成“锯齿状技术前沿”概念。 [S11]

归因与外推边界：任务持续时间有限，参与者是咨询专业人士，实验使用特定时期模型；结果不能直接外推到长期客户项目、团队政治或高监管决策。

可复制条件：培训不能只教“怎么用”，必须教员工识别能力边界、验证事实、在低置信度时升级，并对不同任务设定不同人工控制点。

Rogers在《Diffusion of Innovations》中说明，创新扩散受到相对优势、兼容性、复杂度、可试验性和可观察性影响，并通过社会系统中的意见领袖传播。AI采用的新增难点是输出质量具有任务依赖性，员工无法仅凭“别人用了”判断是否适合自己的高风险任务。因此，需要把可观察性具体化为相似岗位、相似客户、相似风险条件下的可复核案例。 [S12]

冠军机制只有在三项条件成立时才可扩张：冠军的做法被转化为岗位标准；冠军拥有明确时间与认可；至少有一名接班者和一个跨团队桥接关系。否则，组织会把制度缺口寄托在少数热心员工身上。

Edmondson将心理安全界定为团队成员相信提出问题、承认错误和寻求帮助不会遭受人际惩罚。AI项目尤其需要这一条件，因为模型错误、数据缺陷和流程例外只有一线人员最先看到。若管理层把问题上报视为抵触、把回退视为失败，员工会隐藏错误或绕开系统。心理安全并不等于降低绩效标准，而是把“说出风险”与“对质量负责”同时制度化。 [S13]

案例4：加拿大航空聊天机器人纠纷——责任不能外包给系统

2022年，一名客户依据加拿大航空网站聊天机器人提供的丧亲票价说明购票，随后申请退款被拒。2024年，不列颠哥伦比亚省民事解决法庭认定公司应对其网站聊天机器人提供的信息负责。

证据与结果：裁决要求公司赔偿差价及相关费用。案件表明，对外自动化触点的错误不会因为“由聊天机器人生成”而转移企业责任。 [S14]

归因与外推边界：这是特定司法辖区的小额纠纷裁决，不等于所有国家对AI输出责任的统一规则；但它提供了清晰的治理信号：企业不能把自动化触点视为独立主体。

可复制条件：对客户承诺、价格、权益和政策解释，应建立版本化知识源、事实校验、人工接管和定期回归测试；责任矩阵必须指向企业岗位，而非系统。

Goodhart定律常被概括为：当指标成为目标，它就不再是好指标。AI项目若把登录数、生成篇数或节省小时数直接绑定奖金，员工会优化可见活动，而不是客户价值和质量。探索期还会出现更严重的问题：员工为了保住奖励而减少问题上报，组织失去学习信号。 [S15]

绩效设计应把团队结果与个人责任结合：团队对流程结果负责，个人对执行、审核、升级和学习职责负责。完全以团队指标衡量会产生搭便车，完全以个人产量衡量会破坏协作和知识共享。

采用不是一个数字，而是一条证据链。不同频率的任务需要不同分母：高频任务可按周计算任务渗透；月度战役应按事件计算；低频重大任务应按案例和控制有效性评估。没有分母的“活跃用户”无法告诉管理层关键工作是否迁移。

9.1 指标树与基线规则

每个经营指标必须连接到可观察的关键行为，并说明预期滞后。

基线至少覆盖一个完整业务周期；季节性强的业务需要同比或匹配对照。

任务渗透率的分母是符合条件的目标任务，不是员工人数。

质量指标同时覆盖平均水平与尾部风险，避免均值掩盖严重错误。

例外率下降不一定代表系统更好，也可能代表员工停止上报；需结合审计抽样与心理安全信号。

经营结果没有改善时，应分解目标、行为、系统、网络和强化机制，而不是直接扩大培训。

案例5：海尔智家——数字营销与组织机制同步推进

海尔智家在2023—2025年年度报告中持续披露国内市场的数字营销、数字库存和用户直连转型，并以“人单合一”把员工价值与用户价值连接。公司将数字化延伸到经销商、零售触点、物流、服务与营销资源配置，而非仅提供单点工具。

证据与结果：2023年公司收入同比增长7.3%，归母净利润同比增长12.8%；2025年上半年披露新增100多家经销商，畅销型号占比提高6个百分点。公司同时强调数字库存和数字营销对运营效率与用户体验的作用。结果为公司综合经营结果，不能完全归因于AI或单一变革措施。 [S16][S17]

归因与外推边界：公开披露没有给出员工关键任务采用率、对照组或独立因果识别。海尔的组织模式具有长期文化基础，其他企业不能只复制口号或平台。

可复制条件：可复制的是连接机制：把用户结果、经销商经营、岗位责任和数字流程放入同一目标体系；在扩张前验证经销商和员工是否减少等待、库存与返工。

案例6：平安银行——敏捷流程与数据驱动运营先于规模化智能应用

平安银行在2019年年报中披露推进全行开发运维一体化和安全开发生命周期项目，建立从需求到生产的端到端研发流程，并扩大科技人员与投入。该案例属于数字化与智能化基础建设，对后续AI采用具有直接启示。

证据与结果：公司披露相关项目使其可响应的业务开发需求比2018年增加约30%；零售人均营收同比提高17.7%。这些数字来自企业年报，且受到业务增长、组织投入和市场环境共同影响。 [S18]

归因与外推边界：这是金融机构较早阶段的数字化转型案例，不是生成式AI营销项目；它不能证明增加科技投入必然带来经营回报。

可复制条件：AI营销项目需要端到端交付流程、安全开发、数据驱动运营和业务技术融合。若这些基础缺失，生成式AI会放大需求积压与权限冲突。

案例7：招商银行——以客户经营与组织能力承接金融科技

招商银行多年在年报中把金融科技投入、客户经营、流程线上化和员工能力建设作为同一经营体系推进。其零售金融强调客户分层、数字渠道、风险管理和服务流程协同。

证据与结果：公开年报披露了金融科技投入、数字客户与零售经营指标，但并未把具体经营变化单独归因于生成式AI。 [S19]

归因与外推边界：银行业务受监管、风险偏好和客户结构影响显著；公开披露缺少岗位级采用证据。

可复制条件：高监管企业应先建立任务分级、数据权限、可解释审核和客户沟通规则，再扩张生成式AI；营销与服务采用不能脱离风险治理。

案例8：百度内部智能代码助手——高频任务采用依赖工作流嵌入与反馈

百度在官方披露和开发者大会中介绍智能代码助手在内部研发中的规模化使用，强调代码补全、解释、测试与研发流程结合。

证据与结果：公司披露的内部代码生成比例和覆盖数据属于企业自报口径，公开材料未提供独立对照或长期质量成本全量数据。 [S20]

归因与外推边界：软件研发与营销任务不同；代码可以通过测试和编译获得更强反馈，营销质量和客户反应更难即时验证。

可复制条件：可复制条件是高频任务、即时质量反馈、版本控制和可回退。营销团队需要建立等价机制，例如事实检查、品牌规则、A/B测试与发布回滚。

NIST AI风险管理框架把治理、映射、测量和管理视为持续循环。欧盟《人工智能法》要求雇主在工作场所使用特定高风险AI系统前告知受影响员工及其代表；中国《生成式人工智能服务管理暂行办法》强调发展与安全并重、分类分级治理。对企业而言，治理不能停留在政策文本，必须转化为任务级控制、角色责任和可审计证据。 [S21][S22][S23]

11.1 90/180/365天路线图与决议门

工具1：变革准备度诊断

使用规则：各维度0—3分，总分仅用于内部比较，不代表行业分位。任何否决项优先于总分；封顶规则防止高平均分掩盖关键缺口。

工具2：利益相关者与影响网络图谱

会议用法：先标出正式权力，再标出员工实际信任的人；至少识别两个跨群体桥接者。对高受影响、低权力群体安排持续反馈渠道，而非只做宣讲。

工具3：关键行为迁移地图

工具4：五类阻力矩阵

工具5：领导联盟RACI与升级机制

工具6：五层采用证据看板模板

工具7：角色差异化行动清单

AI营销变革不会因为工具更强而自动完成。模型能力提高，反而会放大组织中原有的目标冲突、责任模糊、数据缺陷和审批迟滞。真正的管理任务，是把经营结果、关键行为、工作系统、关系网络和强化机制连成一条可测量、可治理、可回退的因果链。

董事会不应再问“有多少员工使用AI”，而应问：哪些关键任务已经迁移；质量和例外是否受控；客户行为是否变化；经营结果是否符合预期滞后；若没有，泄漏发生在哪一层；下一阶段是推进、调整、回退还是停止。

当这些问题进入预算、绩效、流程、审计和人才制度，AI才从工具活动变成组织能力。

一、关键行为必须具有触发、动作、对象和质量边界

“使用AI完成营销工作”不是可管理的行为定义。它缺少何时发生、由谁发起、针对什么对象、完成到什么质量、异常时如何处理。可执行的行为应写成：当销售机会进入方案阶段时，客户经理在四小时内调用经批准的方案流程生成第一版，核验客户事实与报价边界，交由行业负责人审核；涉及未公开客户数据或非标准条款时，立即转人工。只有这样的描述，系统才能记录任务分母、经理才能观察、员工才能练习、风险团队才能审计。

关键行为数量应受控。单个试点建议只迁移2—4个行为，因为每个行为都需要流程、数据、权限、培训、质量、例外和绩效支持。一次定义二十个行为，通常意味着每个行为都只获得浅层支持。董事会应要求项目组说明行为选择逻辑：经营杠杆、发生频率、可测量性、可逆性、数据可用性以及跨部门依赖。

二、工作系统的七个最小组成

工作系统至少包含目标、输入、流程、工具、角色、控制和反馈七个组成。任何一个组成仍按旧逻辑运行，员工都会在新旧方式之间折返。例如，内容团队使用AI生成多版本，但预算审批仍要求先确定唯一创意；数据团队提供实时表现，但复盘会议仍按月召开；销售团队收到线索建议，但CRM字段不允许记录建议来源和接管原因。局部自动化因此没有形成端到端收益。

社会技术系统理论提醒管理者，技术子系统与社会子系统需要联合优化。该思想源于煤矿工作设计等研究，不能机械套用到数字营销；但其核心边界判断仍有效：单独优化算法准确率，可能增加审核负担、降低自主性或破坏团队知识流动。项目评审必须同时观察技术性能和工作质量。 [S25]

三、经理层是采用系统的“传动轴”

一线经理决定任务如何分配、什么问题值得升级、谁获得练习机会、旧流程何时退出以及绩效如何解释。很多企业把经理当作沟通渠道，只要求其转发培训和催促登录，结果经理继续按旧标准验收工作，员工自然把AI放在边缘。经理需要三类能力：任务设计能力，能把目标转换成具体行为；质量教练能力，能基于样例给出反馈；冲突处理能力，能在速度、质量、客户与风险之间做升级。

经理的工作量也必须重估。变革初期，观察、复核和教练会增加时间投入。如果组织同时维持原有管理跨度和全部旧报表，经理会通过减少辅导、扩大形式审核来保护自身绩效。合理做法是暂时降低非关键汇报要求，给经理明确的教练时段，并用问题解决速度而非登录率评价其变革贡献。

四、沟通不是宣传，而是持续更新的组织契约

有效沟通需要回答员工反复提出的具体问题：为什么选择这个流程；哪些岗位和任务会变化；节省时间后工作量如何安排；哪些数据不可输入；哪些输出必须审核；错误如何处理；谁有权停止；绩效和晋升如何变化；项目何时评估和可能停止。若这些问题没有答案，频繁宣传只会提高不信任。

沟通还要承认不确定性。管理层可以明确区分已决定事项、试验假设和待协商事项。把尚未验证的效率承诺包装成确定事实，会形成新的心理契约风险。一旦员工发现实际返工更高或岗位安排与承诺不符，后续再提供真实信息也难以恢复信任。

五、阻力诊断必须先区分原因，再选择干预

同一个“不使用”行为可能来自完全不同原因。员工可能认为工具质量不足，这是理性阻力；可能担心专业身份下降，这是身份阻力；可能不会处理异常，这是能力阻力；可能因为绩效仍要求旧格式，这是制度阻力；也可能因为错误责任无法承受，这是风险阻力。用更多培训处理制度问题、用激励处理责任问题、用宣讲处理质量问题，都会加剧抵触。

诊断应优先使用行为和系统证据，而非泛化态度问卷。项目组可对比不同任务、不同经理和不同风险等级的采用差异；观察员工在低风险任务上是否积极、在高风险任务上是否回避；核查返工、等待和接管记录；分析问题是否集中在某一数据源、审核人或客户类型。态度数据可作为补充，但不能替代流程证据。

六、探索与规模化需要不同的组织节奏

探索阶段的目标是学习哪种任务、流程和控制组合可行。团队需要短周期实验、透明记录失败、快速调整权限与规则。规模化阶段的目标是稳定、复制和经济性，需要版本管理、服务SLA、能力认证、审计与预算纪律。把规模期控制过早施加到探索期，会让实验变慢；把探索期的灵活做法带入规模期，则会造成不可审计和个人依赖。

七、全生命周期经济性必须包含“隐性变革成本”

AI项目商业论证常只计算许可费和推理成本，忽略集成、数据清理、审核、经理教练、合规、事故处置、双轨运行、供应商切换和员工时间。尤其在试点早期，人工复核可能高于节省的执行时间。该现象不代表项目必然失败，但要求管理层明确成本下降的机制与时间：质量是否会通过知识回流提高；审核是否会从全量转抽样；旧系统何时退出；异常是否会减少；经理教练是否形成标准。

八、双环学习：不仅修正输出，还要修正规则

Argyris和Schön区分单环学习与双环学习。单环学习是在既定目标和规则下纠正偏差，例如优化一个生成模板；双环学习会质疑目标、假设和治理规则，例如发现“每周发布十篇内容”本身与客户价值无关，转而重设内容组合和销售接口。AI系统容易形成大量低成本输出，如果组织只做单环优化，就会更高效地执行错误目标。 [S26]

每月学习评审应至少讨论四类问题：哪些错误来自模型或数据；哪些来自流程和角色；哪些来自目标和指标；哪些来自客户和市场假设。只有前两类问题被讨论时，变革会退化为技术优化。双环学习的边界是不能把每次异常都升级为战略重审，否则组织失去稳定性。应以重复出现、跨团队出现或影响经营结果的模式作为触发。

九、失败、受限和停止是组合管理的一部分

并非所有AI营销场景都值得规模化。低频、数据稀缺、质量难测、错误成本高且缺乏人工接管的任务，可能长期不具备经济性。成熟的变革组合应允许项目被停止，并把停止理由转化为知识资产：目标不成立、技术能力不足、数据不可获得、流程无法改变、风险超过收益、客户不接受或全生命周期成本过高。

停止不等于否定AI战略。它释放预算和管理注意力，让资源进入更适合的任务。相反，没有停止机制的项目会利用“技术还在进步”“员工需要更多时间”等无法证伪的解释不断延期。董事会应要求每个项目在启动时写下停止条件，并在阶段闸门上由不承担沉没成本责任的人参与评审。

十、跨团队复制必须证明“机制可移植”

一个团队成功并不意味着另一个团队可以复制。复制前需要区分核心机制与本地条件。核心机制可能是快速反馈、明确接管和经理教练；本地条件可能是客户类型、数据成熟度、岗位经验和监管要求。项目组应形成“最小不可变核心”和“可配置参数”：哪些质量阈值不可降低，哪些工作流可本地调整，哪些数据必须统一，哪些审批可按风险变化。

跨团队复制应采用阶梯式样本：先在相似团队验证，再进入差异更大的地区、业务或客户群。若结果下降，应判断是执行偏差还是机制依赖本地条件。只有在至少两个具有差异的团队中达到行为、质量和客户门槛，才能声称具备组织级可复制性。

十一、营销场景的差异化变革设计

营销并非单一职能。品牌内容、广告投放、销售线索、客户运营、市场研究和高管沟通的任务频率、错误成本、反馈速度与责任主体不同，因此不能使用同一采用方案。内容生成高频、可逆，但品牌和事实错误会累积信任损失；广告投放反馈快，却涉及预算和平台权限；线索跟进直接影响客户关系，要求授权和接管；市场研究容易出现来源与推理混淆；高管沟通低频、高影响，需要更严格的事实与责任控制。

场景差异决定经理教练方式。内容团队需要样例校准和品牌判断；投放团队需要实验设计与因果意识；线索团队需要客户同理心、授权和升级；研究团队需要证据分级与不确定性表达。用统一课程覆盖所有岗位，只能形成共同语言，不能形成岗位胜任。

十二、对员工影响的公平性与可持续性审查

AI变革可能重新分配高价值任务、学习机会和可见度。若只有少数“数字原住民”获得关键项目，其他员工被留在重复劳动中，组织会扩大能力差距；若系统主要学习资深员工的经验，却不承认其贡献，知识共享意愿会下降；若节省时间全部转换为更高工作量，员工会把效率收益理解为隐性裁员或劳动强化。

CHRO与业务负责人应在阶段闸门上审查五项公平性：不同岗位是否拥有合理的学习机会；高风险审核工作是否被隐形压给少数专家；绩效评价是否考虑任务难度和风险；员工贡献的知识是否被确认；工作负荷和监控强度是否发生不透明变化。公平性不是附加的员工体验议题，它直接影响知识回流、问题上报和长期采用。

十三、供应商与技术变化下的组织连续性

AI能力、价格、数据政策和产品接口变化很快。企业若把岗位流程、知识和审计记录锁在单一供应商中，会把变革成果变成新的依赖。技术治理应把业务流程、知识资产、评测集、权限规则和日志保留在企业可控制的层面；模型与工具作为可替换组件。

供应商切换能力不是要求多云多模型的复杂架构，而是保持最低可移植性：关键输入输出采用开放格式；业务规则和知识来源可导出；评测集不依赖单一平台；身份与审批由企业系统控制；终止服务后数据删除和留存责任明确。否则，员工形成的新行为可能随着产品变化而失效，组织再次回到手工。

十四、董事会问题库：避免被“采用热闹”误导

董事会和经营层应使用能够暴露因果链的问题，而不是只要求更漂亮的仪表盘。以下问题可用于季度审议：目标经营结果的基线是什么，预期滞后多长；目标任务分母是多少，多少任务真正按新方式完成；质量改善是否来自筛选简单任务；返工和人工审核是否被计入成本；客户是否知道或感受到自动化；高价值员工是否因系统建议降低判断质量；哪些旧步骤已经正式退出；最近三次人工接管说明了什么；哪个风险或成本信号会触发停止；若供应商明天不可用，流程如何继续。

这些问题的价值在于迫使项目团队说明机制与边界。无法回答并不必然意味着项目失败，但意味着当前证据不足以扩大预算、权限或客户范围。董事会最重要的纪律，是把“有前景”与“已证明”分开，把战略信念转化为分阶段、可回退的资本配置。

十五、变革办公室的最小运行制度

变革办公室不应成为独立于业务的汇报层。其职责是维护因果链、推动跨部门决策、管理证据和阶段闸门。业务团队拥有结果，技术团队拥有可靠性与数据，HR拥有岗位与能力，风险团队拥有控制框架；变革办公室负责把这些责任连接起来，并在问题超出单一部门权限时触发升级。

最小运行制度包括一份统一问题清单、一个决策日志、一套五层证据看板、一组版本化流程和每两周一次的跨职能解决会议。问题清单必须记录影响、责任人、截止时间和升级状态；决策日志记录为何选择某种控制或阈值，防止人员变化后重复争论；流程版本记录旧步骤何时退出，避免双轨长期存在。

变革办公室还应定期检查“影子AI”与绕行行为。员工私下使用未经批准工具，可能说明正式工具不可用、流程过慢或需求未被满足，也可能造成数据和合规风险。治理不应只靠封禁，而应分析绕行原因：对合理需求提供受控替代，对高风险行为明确后果，并持续缩短正式流程的响应时间。

十六、最终决议标准：何时可以称为组织能力

只有当新行为不依赖少数热心员工、在经理任务分配中稳定出现、由系统提供所需数据和权限、质量与例外可以监测、客户与经营结果出现符合逻辑的变化、人员变动或工具升级后仍能继续运行，企业才能把试点称为组织能力。任何一项依赖个人记忆、临时审批或手工补丁，都意味着能力尚未制度化。

组织能力也不是永久状态。市场变化、模型升级、监管更新和客户偏好会使原有控制失效。企业需要把评测集、流程、岗位和风险规则作为持续维护的经营资产。年度预算不只购买技术，还要覆盖知识更新、能力复训、审计、供应商切换和流程再设计。

补充判定：当项目只能证明员工更频繁地接触工具，却无法证明目标任务迁移、质量稳定、客户反应或经营结果时，管理层应把它归类为能力探索，而非业务转型。探索可以继续，但预算、权限和外部客户范围必须与证据等级匹配。任何扩大都应说明新增风险由谁承担、旧流程何时退出、下一次闸门将用什么数据作决定。

竹势 AI 营销智库关注企业增长、营销组织变革、智能体运营与 AI 治理，帮助企业老板、CEO、CMO 和数字化管理者把复杂技术议题转化为可讨论、可比较、可执行的经营决策。

本报告的判断框架、责任边界和实施工具，旨在帮助管理团队用受控方式验证 Agentic Marketing 的价值，并在规模化之前建立必要的证据、权限与问责机制。

[S1] Kurt Lewin, Frontiers in Group Dynamics, Human Relations, 1947；场论与群体动力学。

[S2] John P. Kotter, Leading Change, Harvard Business School Press, 1996；指导联盟与变革步骤。

[S3] Daniel Kahneman and Amos Tversky, Prospect Theory: An Analysis of Decision under Risk, Econometrica, 1979。

[S4] Denise M. Rousseau, Psychological Contracts in Organizations, Sage, 1995。

[S5] Microsoft and LinkedIn, 2024 Work Trend Index: AI at Work Is Here. Now Comes the Hard Part, 2024-05-08；31国约31,000名知识工作者及平台信号。

[S6] Michael Hammer, Reengineering Work: Don’t Automate, Obliterate, Harvard Business Review, 1990。

[S7] Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond, Generative AI at Work, NBER Working Paper 31161, 2023；5,179名客户支持人员分阶段部署研究。

[S8] Fabrizio Dell’Acqua et al., The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise, Harvard Business School Working Paper 25-043, 2025；P&G 791名专业人员随机现场实验。

[S9] Albert Bandura, Self-Efficacy: The Exercise of Control, W.H. Freeman, 1997。

[S10] David A. Kolb, Experiential Learning, Prentice Hall, 1984。

[S11] Fabrizio Dell’Acqua et al., Navigating the Jagged Technological Frontier, Harvard Business School Working Paper 24-013, 2023；758名BCG顾问实验。

[S12] Everett M. Rogers, Diffusion of Innovations, 5th edition, Free Press, 2003。

[S13] Amy C. Edmondson, Psychological Safety and Learning Behavior in Work Teams, Administrative Science Quarterly, 1999。

[S14] Moffatt v. Air Canada, 2024 BCCRT 149, British Columbia Civil Resolution Tribunal, 2024-02-14。

[S15] Charles Goodhart, Problems of Monetary Management: The U.K. Experience, 1975；指标目标化问题的原始语境。

[S16] Haier Smart Home Co., Ltd., Annual Report 2023, 2024-03-27；数字转型、营销、用户与组织机制披露。

[S17] Haier Smart Home Co., Ltd., Interim Report 2025 / Annual Report 2025, 2025—2026；数字库存、数字营销、经销商与畅销型号口径。

[S18] Ping An Insurance (Group) Company of China, Ltd., Annual Report 2019, 2020-02-20；平安银行敏捷转型、端到端研发流程与经营指标。

[S19] China Merchants Bank Co., Ltd., Annual Reports 2023—2025；金融科技投入、零售客户经营、流程与风险管理披露。

[S20] Baidu, official developer conference and annual disclosures on internal intelligent coding assistant adoption, 2023—2025；企业自报口径。

[S21] NIST, Artificial Intelligence Risk Management Framework 1.0, NIST AI 100-1, 2023。

[S22] NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1, 2024-07-26。

[S23] Regulation (EU) 2024/1689, Artificial Intelligence Act, 2024-06-13；工作场所高风险AI的告知、人类监督与治理要求。

[S24] 国家互联网信息办公室等七部门，《生成式人工智能服务管理暂行办法》，2023-07-13发布，2023-08-15施行。

[S25] Fred Emery and Eric Trist, The Causal Texture of Organizational Environments, Human Relations, 1965；社会技术系统传统。

[S26] Chris Argyris and Donald Schön, Organizational Learning II, Addison-Wesley, 1996；单环与双环学习。

[S27] World Economic Forum, Future of Jobs Report 2025；雇主技能、岗位与转型预期调查，属调查口径。

[S28] McKinsey Global Survey, The State of AI, 2024—2025；企业自报采用与价值调查，非因果证据。

[S29] OECD, Employment Outlook 2023: Artificial Intelligence and the Labour Market；工作质量、技能与劳动影响。

[S30] International Labour Organization, Generative AI and Jobs: A Global Analysis of Potential Effects on Job Quantity and Quality, 2023；任务暴露分析。

[S31] 中华人民共和国个人信息保护法，2021-08-20通过，2021-11-01施行。

[S32] 中华人民共和国数据安全法，2021-06-10通过，2021-09-01施行。

[S33] 国务院，《关于深入实施“人工智能+”行动的意见》，2025；企业战略、组织和流程融合方向。

[S34] Microsoft, 2026 Work Trend Index: Agents, Human Agency, and the Opportunity for Every Organization, 2026-05-05；“吸收”与学习系统观点，属企业研究。