人机协同的AI市场部
组织设计白皮书

本白皮书面向企业董事长、CEO、CMO、CHRO、CIO/CDO、法务与安全负责人、营销负责人、业务单元负责人，以及代理商与生态伙伴管理者。报告讨论的对象不是某一种模型或软件，而是企业如何把人、AI 员工与外部伙伴组织成可运行、可审计、可扩展的营销生产系统。

本报告的核心命题是：当 AI 能够持续参与判断、生成、执行与监测时，组织设计的基本单元需要从静态岗位说明扩展为任务契约。任务契约必须写清目标、输入、权限、输出、验收、升级与最终责任。岗位仍然存在，但岗位不再足以描述跨人机边界的真实工作。

报告中的数字均保留其公开来源的时间、样本和口径。企业自报与平台披露仅作为该主体的实施证据，不外推为行业平均。未公开的成本、人员、回报与系统细节不作推算。文末来源索引只保留机构、作者、标题、日期及口径，不含第三方可点击链接。

版权所有 © 2026 竹势 AI 营销智库。允许在完整引用标题与出品方的前提下进行非商业性摘要引用。

AI 进入市场部后，最危险的组织误判是把它当作“更快的个人工具”。个人使用可以带来局部节省，但组织结果取决于任务如何被拆分、谁拥有何种权限、何时交接、什么结果算完成、异常由谁接管，以及最终由谁承担经营和法律责任。缺少这些机制，产量越高，返工、品牌偏差、数据风险和责任模糊越可能同步扩大。

表 1｜十项可证伪核心判断

表 2｜董事会一页决策框架

传统岗位说明适合相对稳定的工作：岗位拥有一组职责，管理者通过层级、流程与绩效指标完成协调。AI 员工进入后，同一项营销任务可能由人定义目标，AI 检索资料和生成方案，外部代理商完成制作，AI 再监测反馈，最终由业务负责人批准发布。岗位边界仍有价值，却无法完整描述跨主体、跨系统、跨时间的责任链。

任务契约提供更精确的组织语言。它不是法律合同，而是运行协议：目标说明经营结果；输入说明允许使用的数据与上下文；权限说明可调用工具和可执行动作；输出说明交付格式；验收说明质量阈值；升级说明异常条件；责任说明谁对最终结果负责。七项中任何一项缺失，协同都可能转化为隐性返工。

实证研究支持“系统设计比工具使用更重要”。Brynjolfsson、Li 与 Raymond 对 5,179 名客服人员的分阶段部署研究显示，AI 辅助使每小时解决问题数平均提高 14%，新手和低技能员工提高 34%，高经验员工影响很小，甚至出现部分质量下降。收益来自把高水平员工的沟通模式嵌入工作流，而不是简单增加一个聊天窗口。研究同时提醒，效果高度异质，不能把平均值当作所有岗位的承诺。

微软与 LinkedIn 2024 年覆盖 31 个国家、31,000 人的工作趋势调查发现，75% 的知识工作者已在工作中使用 AI，78% 的使用者把自选工具带入工作场景，但只有 39% 接受过企业培训。该口径说明个人采用速度快于组织治理速度；它不能证明企业绩效改善，却揭示了“影子 AI”形成的治理缺口。

低风险、低敏感、可逆的个人辅助任务不需要复杂设计。例如内部头脑风暴、无客户数据的标题草拟、公开资料摘要，可以使用简化契约。组织设计应与后果匹配，避免把每一次低风险使用都变成审批项目。

表 3｜任务契约缺口与典型后果

表 4｜适用性分层

案例一｜Fortune 500 软件企业客服：AI 把隐性经验嵌入一线工作

案例卷宗

研究对象是某 Fortune 500 企业的软件客服组织，工具在 2020 至 2021 年间分阶段上线。系统向客服提供回复建议，员工可以采纳或忽略，最终仍由员工与客户互动。AI 因而处于“建议—人工决定”的授权级别。

结果显示总体生产率提高 14%，收益集中在新手和低技能员工；新员工两个月时的表现接近未使用工具、任职六个月以上的员工。研究还发现高技能员工收益有限，部分质量指标可能下降。机制是把高水平客服的表达模式扩散给新手，而不是无差别替代。

归因边界很清楚：研究发生在文本客服场景，任务高度重复、反馈快速、质量可度量；不能直接外推到品牌战略、危机公关或复杂 B2B 销售。管理启示是先寻找“经验可编码、结果可观察、员工可选择采纳”的任务，再讨论扩大授权。

岗位描述通常以“负责品牌、内容、投放、增长”概括工作，粒度过粗，无法决定哪些步骤可以委派给 AI。可操作的拆分需要沿着决策点展开：目标是否明确、输入是否结构化、结果能否验证、错误是否可逆、是否需要关系判断、责任后果是否可以被人承担。

任务越可结构化、反馈越快、错误越容易撤销，越适合较深授权。任务越依赖隐性知识、身份信任、跨情境权衡和价值判断，越需要人保持主导。Polanyi 所说“我们知道的多于能够说出的”，在营销中表现为品牌品味、组织政治、客户语气和时机判断。过度拆分会切断这些上下文，造成局部正确、整体失真。

因此任务分解必须设置“完整感保护”：每个任务单元都要指向上位经营目标；关键角色保留端到端可见性；定期把碎片重新组合为客户旅程、战役或品牌叙事；员工不仅审核单个输出，还参与改进整个系统。

表 5｜任务契约画布

表 6｜任务分解判定矩阵

表 7｜过度切碎的五个预警

人、AI 与伙伴各自的优势并非固定。AI 的速度、规模和一致性适合检索、变体生成、监测和规则明确的执行；人更擅长目标选择、价值判断、关系、品味、伦理与承担责任；外部伙伴可以提供稀缺专业性、跨客户经验和弹性产能，但会增加协调、知识泄漏与依赖成本。

Simon 的有限理性提醒管理者，任何主体都在信息不完整、时间有限和注意力稀缺下决策。AI 可以扩展搜索和比较范围，却不能自动消除目标冲突；外部伙伴可以带来经验，却可能优化自身合同目标；人拥有最终责任，却可能受确认偏差影响。责任谱的价值在于让这些限制彼此制衡。

边界会移动。模型能力提高、企业知识库完善、员工熟练度增加后，原本需要人工完成的草拟和分析可以进入受控执行；当品牌进入危机、数据质量下降或监管变化时，同一任务应降级授权。组织必须把边界看作动态参数，而不是一次性岗位调整。

表 8｜人／AI／外部伙伴责任谱

表 9｜责任分配的六项评分

案例二｜P&G 与哈佛商学院“赛博队友”现场实验

案例卷宗

2024-2025 年，研究团队与 P&G 开展现场实验，覆盖 791 名专业人员，比较个人、团队以及使用生成式 AI 的不同工作方式。任务围绕真实产品创新问题，评价包含方案质量、跨职能知识与参与体验。

研究显示，使用 AI 的个人能够达到传统双人团队的部分表现，AI 也帮助不同职能人员更容易跨越专业边界，并提高产生顶尖创意的概率。机制不是 AI 单独替代团队，而是让个体获得类似“队友”的信息补充与反馈。

边界同样重要：实验针对特定创新任务，持续时间有限；它不能证明长期团队关系、执行责任与组织学习可以被替代。管理启示是把 AI 视作可配置的认知协作者，并保留人对问题定义、组合判断与后续执行的所有权。

授权深度必须同时考虑风险、可逆性、数据敏感度与证据成熟度。NIST AI RMF 以 Govern、Map、Measure、Manage 四项功能组织风险管理，强调责任、情境、测量与持续管理。ISO/IEC 42001 要求组织建立、实施、维护并持续改进 AI 管理体系。两者都指向同一管理原则：授权不是一次配置，而是可证明、可监测、可纠正的管理过程。

欧盟 AI Act 对高风险系统强调人类监督、技术稳健、日志与可控性；中国《生成式人工智能服务管理暂行办法》以及个人信息、数据安全与内容标识规则要求提供和使用活动遵守安全、个人信息与内容治理义务。企业内部营销应用是否直接落入特定监管义务，要按服务对象、数据、行业与部署方式判断，不能把通用框架替代法律意见。

可撤销性是授权的关键工程变量。一个可以在沙箱中预演、限制预算、限定受众、保留草稿、设置停机开关并完整记录日志的动作，可以比同等业务影响但不可撤回的动作获得更深授权。

表 10｜五级授权梯度

表 11｜授权与可逆性矩阵

表 12｜授权升级证据门

案例三｜平安集团：高频服务的规模化自动化与责任边界

案例卷宗

平安 2024 年可持续发展披露显示，AI 服务代表提供约 18.4 亿次服务，占集团客户服务总量约 80%；官方披露还给出寿险秒级核保等业务指标。2025 年上半年，AI 服务代表约 8.82 亿次，仍占客户服务总量约 80%。

其组织机制可以从披露中看到三点：把 AI 放入高频、规则化、可监测的服务流程；在人类运营中心、业务规则与风险体系下运行；用服务量、时效与风险指标持续监测。公开材料没有披露完整的人机岗位、异常率和单项 ROI，因此不能据此推断所有服务均由 AI 独立完成。

适用边界是大型金融集团拥有长期数据、流程和风险基础。中小企业不能复制规模，只能借鉴“先选择规则明确的高频任务、保留升级与人工服务、用运行数据逐步扩大授权”的路径。

交接是人机系统的接口。航空和医疗的交接实践强调结构化信息、接收确认和未决风险，因为事故往往不是单点能力不足，而是信息在边界处丢失。营销工作同样存在交接风险：研究结论没有证据链，创意稿没有说明假设，AI 执行后没有返回状态，代理商提交物没有标记未解决问题。

有效交接必须让接收者能够继续工作，而不必重建全过程。交接包至少包含任务目标、当前状态、已完成动作、证据与版本、质量检查、未决项、风险、下一责任人和截止时间。接收者必须确认“收到且可继续”，否则交接不成立。

交接协议不应要求输出完整思维过程。它需要的是可审计的依据、引用、输入版本、规则命中、关键选择与异常，而不是不可验证的内部推理叙述。

表 13｜人机交接协议

表 14｜完成定义 DoD

案例四｜Klarna：自动客服扩张后的品牌与服务再平衡

案例卷宗

Klarna 在 2024 年公开宣布 AI 助手在上线首月处理 230 万次对话，覆盖约三分之二客服聊天，并宣称平均处理时间和重复咨询下降。该披露来自企业与技术供应商，说明自动化可以快速吸收高频请求。

随后公司管理层在 2025 年公开强调需要重新增加人工客服投入，并承认过度强调成本可能影响服务质量。这个案例的价值不在于判断 AI 成功或失败，而在于展示授权边界会随客户体验证据变化而回调。

管理启示是：自动化比例不能成为目标本身。高频简单问题可由 AI 处理，复杂、情绪化或高价值客户事项要有清晰交接和人工接管；同时监测重复联系、投诉、升级率与客户信任，而不只看处理量。

审批链的目标是拦截高后果决策，而不是让每一个动作都排队。全量人工复核会形成新的瓶颈，并诱发“点击通过”式形式控制。更有效的方式是按风险分层：高风险逐项批准，中风险规则校验加抽样，低风险自动执行但持续监测，异常信号触发升级。

Weick 关于高可靠组织的研究强调对失败保持敏感、避免过度简化、贴近运行现场、保持恢复能力和尊重专业知识。转译到 AI 市场部，就是不把“系统正常运行”当作安全证明；一线员工可以暂停；异常按专业性而非行政级别升级；复盘关注近失误而不仅是事故。

例外机制必须定义等级、时限、接管人和恢复条件。没有恢复条件的暂停会变成永久停摆；没有暂停权的员工会在风险可见时继续运行。

表 15｜风险审批矩阵

表 16｜异常分级与处置

表 17｜抽样审查设计

组织形态应匹配业务差异、风险、人才、平台成熟度和管理跨度。中心化 CoE 有利于统一标准、采购和风险，但可能远离业务；业务嵌入式响应快，却容易重复建设；联邦式在中心标准与业务自治间平衡，但需要成熟接口；平台型把数据、工具、日志与治理作为共享产品；轻量网络型适合中小企业，用少量核心人员和外部伙伴围绕关键任务运行。

Galbraith 的组织信息处理观点认为，不确定性越高，组织越需要增加信息处理能力或减少信息需求。AI 可以增加信息处理能力，但也会制造更多输出和例外。组织形态选择的目标不是拥有更多 AI 团队，而是让信息、决策和责任以合理成本流动。

组织形态不是身份标签，而是阶段选择。企业可以从轻量网络或中心化试点开始，随着重复需求、共享数据和治理能力增加，迁移到联邦式或平台型。若平台团队无法提供可靠服务，业务单元会绕开平台，形成新的影子系统。

表 18｜五种组织形态比较

表 19｜组织形态选择器

案例五｜WPP 与 NVIDIA：外部生态进入营销生产平台

案例卷宗

WPP 与 NVIDIA 在 2023 年宣布合作建设面向广告内容的生成式 AI 内容引擎，把设计、制作、三维资产与生成能力连接起来。此类合作体现代理集团、技术平台和客户品牌之间的新型任务分工。

公开材料说明了平台愿景与技术组合，但没有披露统一、可比较的客户 ROI，也不能证明所有创意任务适合自动化。组织机制上的关键是：代理商保留品牌与创意专业判断，技术供应商提供底层能力，客户继续拥有品牌责任与数据治理。

管理启示是，外部生态应通过共享资产标准、审批、权限、日志和知识转移进入企业系统，而不是让代理商在不可见的外部环境中独立生成并交付最终结果。

Coase 与 Williamson 的交易成本理论提醒企业，外包与内制的边界取决于价格之外的搜寻、协调、监督、机会主义和退出成本。AI 降低部分生产成本，却可能提高数据治理、版本管理、知识产权和供应商锁定成本。

代理商、咨询和技术供应商必须被纳入任务契约：明确允许访问的数据、可使用的模型与分包方、交付格式、验收标准、日志保留、事故通知、知识产权、知识转移、服务水平和退出。企业不能把最终责任外包给“AI”或供应商。

外部伙伴最适合补充稀缺专业、短期峰值与跨市场经验；核心客户关系、品牌原则、关键数据、风险判断和能力架构应保留在企业内部。

表 20｜外部伙伴任务契约附加条款

表 21｜内制、外包与混合决策

案例六｜可口可乐与 WPP Open X：把代理关系改造成统一网络

案例卷宗

可口可乐在 2021 年选择 WPP 建立 Open X，整合创意、媒体与营销技术能力，目标是减少碎片化并建立端到端体验。随后双方把生成式 AI、内容与数据能力纳入合作。

这不是单一 AI 项目，而是外部伙伴组织设计案例：品牌方通过统一的伙伴网络、共同流程与治理降低多代理协调成本，同时保留品牌目标和最终批准。公开资料没有提供可分离的 AI 投资回报。

管理启示是，企业引入 AI 代理商时，不应仅采购单个内容包；应明确统一 Brief、资产标准、数据接口、评审机制、学习回流与退出条件，让外部专业成为组织能力的一部分。

只看产量会诱发低质自动化：内容数量、线索触达数、自动回复量都可能上升，但客户价值、品牌质量和风险暴露恶化。Deming 的系统质量思想指出，大部分质量问题来自系统，而不是个体。人机团队绩效必须同时衡量经营结果、质量、速度、采用、学习、风险和可审计性。

共同绩效不等于责任平均化。AI 没有法律人格，不能承担管理责任。外部伙伴承担合同责任，员工承担岗位责任，具名管理者承担最终业务决策责任。发生问题时，组织要追踪任务设计、数据、权限、审核、系统版本与管理决策，而不是把错误归咎于某个员工“没有看仔细”。

绩效指标应防止 Goodhart 定律：一旦单一指标成为目标，它往往失去衡量价值。处理量必须与一次解决率、客户满意、投诉与升级率结合；内容产量必须与有效触达、品牌一致性和转化结合。

表 22｜团队共同绩效模型

表 23｜责任模型 RACI-AI

案例七｜淘宝天猫商家 AI 工具：规模使用与平台自报边界

案例卷宗

淘宝天猫在 2023 年 10 月向部分商家推出十项 AI 工具，并在 2024 年初扩大开放，覆盖营销内容、客服与经营分析。阿里官方披露这些工具在 2023 年双 11 期间被使用超过 15 亿次；2025 年又披露商家经营分析和客服工具的使用结果。

该案例显示平台可以把生成、分析与客服嵌入商家日常任务，降低小企业采用门槛。使用次数说明规模，不等于经营增量；后续转化率与效率数字来自平台自报，受商家选择、活动环境和其他变量影响。

管理启示是：中小企业可以借助平台化能力快速进入 L2-L3 授权，但必须把平台数据、品牌审核、客户同意和经营结果纳入自己的绩效模型，不能把平台使用量当作成功。

人的稀缺价值会向问题定义、判断、品味、关系、伦理和系统改进移动，但这不意味着基础技能可以放弃。自动化偏差会让员工过度相信系统；长期不练习会导致在系统失效时无法接管。能力设计要同时提高 AI 协作能力和独立完成关键任务的能力。

劳动经济研究显示收益分布不均。客服研究中，新手受益最大；生成式 AI 的总体工作采用率也随职业、教育和年龄显著不同。组织若只奖励早期熟练用户，可能扩大内部差距。CHRO 需要把培训、岗位迁移、绩效和心理安全放在同一方案中。

Argyris 的双环学习区分“纠正动作”与“反思目标和规则”。AI 可以帮助第一类学习，通过日志和反馈修正模板；人必须主导第二类学习，判断是否追错了指标、是否需要改变客户策略或授权边界。

表 24｜岗位任务迁移地图

表 25｜能力发展路径

案例八｜招商银行：高监管行业的 AI 客服与数字产品边界

案例卷宗

招商银行 2025 年可持续发展报告披露，公司把 AI 技术整合进智能客服等数字产品。银行场景涉及个人信息、金融消费者权益与高后果决策，组织上不能只追求自动化比例。

公开披露能够证明其持续建设 AI 客服与数字能力，但未公开完整的人机岗位分工、异常升级率、模型版本和单项 ROI。因此本案例的价值是边界设计：常见问答、流程引导可以自动化；产品适当性、投诉、争议和重大客户事项必须由具备资质和责任的人员接管。

管理启示是，高监管企业要把数据目的限制、身份验证、记录、投诉、人工渠道与审计前置到任务契约。技术能力越强，越需要清晰区分“提供信息”与“作出受监管决定”。

人机协同不是上线项目，而是运行纪律。日常任务编排保证工作不断链；周度例外复盘发现异常与近失误；月度能力评测检验质量、模型、数据与员工熟练度；季度边界重设决定扩大、收缩或退出授权。

运行节奏必须记录任务、版本、输入、输出、审批、异常和责任人。日志不是为了无限保留所有信息，而是为了支持复盘、审计和纠错。个人信息和敏感数据的保留期限应符合法律与企业政策。

稳定、低频、低风险场景可以降低复评频率；模型更新、数据源变化、重大人员调整、投诉上升或监管变化必须触发临时复评。

表 26｜日／周／月／季度运行节奏

表 27｜最小运行日志

案例九｜微软内部与全球调查：个人采用快于组织对齐

案例卷宗

微软与 LinkedIn 2024 年调查显示，全球 75% 的知识工作者使用 AI，78% 的用户把自己的 AI 工具带入工作场景；59% 的领导担心难以量化生产率，60% 担心组织缺乏实施愿景。2026 年工作趋势报告又指出，仅约四分之一 AI 使用者认为领导层在 AI 上清晰一致。

这些数字来自企业研究机构的跨国调查，反映认知与采用，不直接证明财务结果。它们揭示了组织设计问题：个人自发采用可以快速发生，但目标、规则、培训、平台和责任若不同步，组织难以把个人节省转化为稳定结果。

管理启示是建立固定运行节奏，让一线使用、管理目标、风险规则和能力建设持续对齐，而不是依靠一次培训或年度政策。

90 天导入的目标不是完成全面改造，而是建立一个能经受审查的协作单元。前 30 天定义任务契约和风险边界；第 31-60 天在真实业务中运行一个单元；第 61-90 天根据证据决定扩展、重构或退出。

每一阶段都必须有终止条件。若无法取得合法数据、无法明确最终责任、质量达不到基线、异常无法在时限内接管，项目应暂停或缩小范围。受监管、劳动关系复杂、跨境数据或多代理环境可能需要更长周期。

导入路线应由经营负责人主导，技术、HR、法务和安全共同参与。把项目交给单一创新团队会导致业务不拥有结果；把全部责任交给 IT 会让任务设计与客户价值脱节。

表 28｜90 天组织导入路线

表 29｜阶段角色分工

表 30｜扩展、重构、退出决策

表 31｜十项原创管理工具的衔接

表 32｜CEO 审议清单

表 33｜CMO 审议清单

表 34｜CHRO 审议清单

表 35｜CIO/CDO 审议清单

表 36｜法务与安全负责人审议清单

表 37｜伙伴管理者审议清单

表 38｜七项经典思想与组织设计含义

表 39｜具名观点及适用边界

[1] NIST，Artificial Intelligence Risk Management Framework (AI RMF 1.0)，2023 年 1 月。

[2] NIST，Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile，2024 年 7 月。

[3] ISO，ISO/IEC 42001:2023 Artificial intelligence management systems，2023 年。

[4] ISO/IEC，ISO/IEC FDIS 42105 Guidance for human oversight of AI systems，2026 年最终草案阶段。

[5] European Union，Regulation (EU) 2024/1689 (Artificial Intelligence Act)，2024 年 6 月。

[6] 国家互联网信息办公室等，生成式人工智能服务管理暂行办法，2023 年 7 月。

[7] 全国网络安全标准化技术委员会，生成式人工智能服务安全基本要求，2024 年 2 月。

[8] 全国人民代表大会常务委员会，中华人民共和国个人信息保护法，2021 年。

[9] 全国人民代表大会常务委员会，中华人民共和国数据安全法，2021 年。

[10] Brynjolfsson, Erik; Li, Danielle; Raymond, Lindsey R.，Generative AI at Work，NBER Working Paper 31161，2023 年；5,179 名客服人员。

[11] Dell’Acqua, Fabrizio 等，The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise，Harvard Business School Working Paper 25-043，2025 年；791 名专业人员。

[12] Dell’Acqua, Fabrizio 等，Navigating the Jagged Technological Frontier，Harvard Business School Working Paper，2023 年；咨询任务实验。

[13] Bick, Alexander; Blandin, Adam; Deming, David，The Rapid Adoption of Generative AI，NBER Working Paper 32966，2024 年。

[14] Autor, David，Applying AI to Rebuild Middle Class Jobs，NBER Working Paper 32140，2024 年。

[15] Microsoft and LinkedIn，2024 Work Trend Index Annual Report，2024 年 5 月；31 个国家、31,000 人。

[16] Microsoft，2026 Work Trend Index: Agents, human agency, and the opportunity for every organization，2026 年 5 月。

[17] Ping An Insurance (Group) Company of China，2024 Sustainability Report，2025 年 3 月发布。

[18] Ping An Insurance (Group) Company of China，2025 Interim Results，2025 年 8 月。

[19] Ping An Insurance (Group) Company of China，2025 Annual Report，2026 年 3 月。

[20] China Merchants Bank，2025 Sustainability Report，2026 年 3 月。

[21] Alibaba Group，Taobao and Tmall Upgrades Consumer Shopping Experience with AI，2024 年 6 月。

[22] Alibaba Group，AI Powers Large-scale Applications at the World’s Largest Shopping Festival，2025 年 10 月。

[23] Alibaba Group，Tmall Records Strongest 11.11 Growth in Four Years，2025 年 11 月；平台自报口径。

[24] Klarna，AI assistant handles two-thirds of customer service chats in its first month，2024 年 2 月；企业与供应商披露。

[25] Klarna 管理层关于增加人工客服投入的公开访谈与公司声明，2025 年。

[26] WPP and NVIDIA，合作建设面向广告内容的生成式 AI 内容引擎，2023 年 5 月官方发布。

[27] The Coca-Cola Company and WPP，Open X 全球营销网络合作披露，2021 年及后续更新。

[28] Drucker, Peter F.，The Effective Executive，1967 年。

[29] Simon, Herbert A.，Administrative Behavior，1947 年及后续版本。

[30] Licklider, J. C. R.，Man-Computer Symbiosis，1960 年。

[31] Galbraith, Jay R.，Organization Design，1977 年。

[32] Weick, Karl E.; Sutcliffe, Kathleen M.，Managing the Unexpected，2001 年及后续版本。

[33] Coase, Ronald H.，The Nature of the Firm，1937 年。

[34] Williamson, Oliver E.，The Economic Institutions of Capitalism，1985 年。

[35] Deming, W. Edwards，Out of the Crisis，1986 年。

[36] Polanyi, Michael，The Tacit Dimension，1966 年。

[37] Argyris, Chris; Schön, Donald，Organizational Learning，1978 年。

[38] Edmondson, Amy C.，The Fearless Organization，2018 年。

以下示例用于把本报告的原则转化为可直接讨论的组织对象。示例不是通用标准答案，企业应根据行业监管、客户承诺、数据分类、渠道规则和人员能力修改。每份契约均要求具名业务负责人批准，任何技术或供应商配置都不能替代这一责任。

D.1 品牌内容发布任务契约

表 D-1｜品牌内容发布任务契约

使用方法：业务负责人先确认目标和责任，再由专业、数据、技术与风险角色共同补齐输入、权限和升级条件。试运行期间，每次异常都要回写契约；连续两轮稳定后才讨论提高授权。

不适用边界：若任务目标本身仍有重大争议，或数据取得缺乏合法基础，不应通过细化技术步骤来掩盖上游决策缺口。此时应回到经营决策或合规评估。

D.2 广告投放优化任务契约

表 D-2｜广告投放优化任务契约

使用方法：业务负责人先确认目标和责任，再由专业、数据、技术与风险角色共同补齐输入、权限和升级条件。试运行期间，每次异常都要回写契约；连续两轮稳定后才讨论提高授权。

不适用边界：若任务目标本身仍有重大争议，或数据取得缺乏合法基础，不应通过细化技术步骤来掩盖上游决策缺口。此时应回到经营决策或合规评估。

D.3 B2B 线索跟进任务契约

表 D-3｜B2B 线索跟进任务契约

使用方法：业务负责人先确认目标和责任，再由专业、数据、技术与风险角色共同补齐输入、权限和升级条件。试运行期间，每次异常都要回写契约；连续两轮稳定后才讨论提高授权。

不适用边界：若任务目标本身仍有重大争议，或数据取得缺乏合法基础，不应通过细化技术步骤来掩盖上游决策缺口。此时应回到经营决策或合规评估。

D.4 舆情监测与危机升级任务契约

表 D-4｜舆情监测与危机升级任务契约

使用方法：业务负责人先确认目标和责任，再由专业、数据、技术与风险角色共同补齐输入、权限和升级条件。试运行期间，每次异常都要回写契约；连续两轮稳定后才讨论提高授权。

不适用边界：若任务目标本身仍有重大争议，或数据取得缺乏合法基础，不应通过细化技术步骤来掩盖上游决策缺口。此时应回到经营决策或合规评估。

表 E-1｜八类失败模式

失败复盘应区分四类根因。第一类是任务设计错误，例如目标不清或验收标准错误；第二类是系统错误，例如模型、数据、工具或接口失效；第三类是运行错误，例如审批超时、交接遗漏或人员能力不足；第四类是管理错误，例如为了追求数量而提高授权、忽略一线警告或不愿暂停。只有把根因放回系统，组织才能避免把责任简单推给一名员工。

纠偏顺序也应固定：先保护客户、品牌、数据与资金；再暂停或降级授权；随后保全证据并恢复人工流程；最后才分析是否更新规则、数据、人员培训或供应商安排。恢复速度本身是组织能力，应定期演练，而不是事故发生后临时讨论。

表 F-1｜季度边界重设会议

季度复评不应成为例行汇报。会议需要对至少一个边界作出明确决定：提高授权、维持、降低、重构或退出。若连续两个季度所有任务都“维持不变”，董事会应询问指标是否足够敏感，或组织是否在回避艰难选择。

复评材料必须区分事实、解释和建议。事实包括日志、样本、客户反馈与财务结果；解释是对原因的假设；建议是下一步动作。把三者混在一起会让管理层无法判断证据强度，也会让供应商自报结果被误当成独立验证。

对于稳定低风险任务，季度复评可以合并到半年；对模型大版本更新、重大渠道政策变化、业务重组、数据源变化、投诉集中出现或监管要求变化，应立即召开临时复评，不等待固定周期。

一个最小可行协作单元至少包含五个角色：具名业务负责人、专业审核人、AI 系统所有者、数据所有者与运行协调人。小企业可以由同一人兼任多个角色，但不能让责任消失。兼任时应在任务契约中明确该人员以何种身份作出决定，避免“自己设计、自己审核、自己批准”成为常态。

该单元只承接一个端到端经营任务，例如“每周形成并发布一组面向目标客户的内容，收集并交接有效线索”。它不以接入多少模型、建立多少智能体或生成多少素材作为成功标准，而以周期时间、一次通过率、有效线索、客户反馈、异常率和可审计性判断。

运行的第一原则是先保持边界窄而完整：宁可覆盖一个真实闭环，也不要同时铺开十个互不连接的辅助功能。第二原则是先证明接管与恢复：上线前至少完成一次权限撤销、人工接管、输出撤回和日志追踪演练。第三原则是让一线拥有暂停权：任何发现事实、品牌、数据或客户风险的人都可以停止任务，并在规定时限内获得具名负责人响应。

当协作单元连续达到质量阈值、异常可被及时处置、经营指标出现可解释改善且员工能够独立接管时，企业可以扩大任务范围或提高授权。若结果改善仅来自额外人工投入，或审核者持续重做大部分工作，应判定为尚未形成可扩展机制。

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。