Chris Perry，Andus Labs 创始人兼首席执行官 – 访谈系列

Chris Perry，Andus Labs 的创始人兼首席执行官，拥有近三十年的经验，帮助组织应对技术和商业的重大变革。在 2025 年创立 Andus Labs 之前，Perry 在 Weber Shandwick 工作了超过 22 年，期间担任过多项高级领导职务，包括 Futures 主席、首席创新官、数字传播总裁、数字战略与运营执行副总裁以及资深副总裁。早期职业生涯中，他曾在通用汽车从事技术传播工作，并在 Edelman 担任副总裁。他的职业重点是数字化转型、新兴技术、组织变革以及技术与使用它的人的关系演变。

Andus Labs帮助企业将 AI 能力转化为实际的组织成果，重点关注技术周围的人类系统。公司将其使命描述为构建“Human OS for AI”——一个旨在在人与 AI 代理之间协调工作的操作层，基于 AI 投资往往因组织准备、工作流和采纳落后于技术本身而未能实现预期的前提。其工作涵盖 AI 工作编排项目、旨在强化和复合组织学习的产品，以及更广泛的从业者、艺术家和人文主义者网络，探索人类与 AI 如何高效协同工作。

您在 Weber Shandwick 工作了二十多年，从高级数字岗位晋升至首席创新官和 Futures 主席，然后于 2025 年创立 Andus Labs。您在大型组织中观察到哪些情况，使您确信 AI 转型的最大障碍是技术周围的人类和组织系统，而非技术本身？

我最早在我父亲位于底特律的平面艺术工作室学到这一点，那是我在 Weber Shandwick 之前的起点。桌面出版将他那里的排版员和插画师手工完成的工作转移到软件中。这打破了他的商业模式，而他直到为时已晚才意识到这一转变。

在 Weber Shandwick，我与一些全球最大的公司一起经历了新技术浪潮：社交媒体、博客、视频、移动、数据。每一次，模式都是相同的。技术出现了。人们感受到变化并自行开始使用它。公司领导层和组织结构则是最后才跟上。

在早期的这些浪潮中，公司因这种滞后而失去竞争优势，但人们仍然完成工作。AI 对知识工作的影响，就像桌面出版对我父亲工作室的影响一样。人们的工作方式被嵌入到软件中。

商学院并未教你如何运营一个人和代理共同完成工作的公司。大多数公司只是将 AI 贴上去，让旧有工作更快完成。真正的回报来自于领导者让员工利用 AI 重新构建工作。工作因此改变了形态，而不仅仅是加快速度。

我们将其命名为 Andus Labs，意为“and us”，因为我们相信回报最终取决于人。

Andus Labs 认为，企业即使拥有先进的 AI 能力，仍可能缺乏捕获价值所需的“人类准备度”。是什么将成功部署 AI 的公司与真正改变工作方式的公司区分开来？

我曾与一家报告 AI 采用率为 80%，但工作方式改变仅约 5% 的公司坐在一起。只有采用率这一数字出现在董事会的演示文稿中。第二个数字并没有被隐藏，只是仪表盘没有相应的展示位置。

部署很容易量化：分配的许可证、部署的代理、登录次数。这些是活动指标，而非影响。我们会询问客户，公司现在能够做哪些之前做不到的事。大多数情况下，诚实的答案是相同的报告、演示文稿和分析，只是速度更快了。

正在转型的公司会衡量其他指标。试点是否产生了足够的价值值得扩大？我们能否向董事会展示一年以前无法实现的成果？AI 是否减轻了我们最有价值员工的负担，让他们专注于只有他们才能完成的工作？这些指标不像座位数那样易于计数，但它们能够说明是否真的产生了变化。

这些问题同样需要明确负责人。若在大多数公司里询问是谁负责，你会得到一份名单。CIO 负责平台，卓越中心负责试点，HR 负责培训，而业务影响却没有归属到任何人。

一家公司可以告诉你有多少人获得了访问权限，另一家公司则能说明发生了哪些变化以及谁对此负责。

真实情况指数如今依据一个包含300种有据可查模式的资料库编制。这些模式是在与595家组织的合作及其领导者的交流中观察到的；研究人员审阅并裁定最终排名前，五名独立分析师代理会分别为每种模式评分。这套方法是如何演变的？人类判断在哪些环节发挥作用？你们又如何避免该指数只是强化实地观察中已有的假设？

随着库的扩大，方法已经发生了变化。每条模式都始于我们在与业务领袖的对话中听到和看到的内容。我们将每个新信号与库进行比对，检验其与现场观察及外部研究的匹配程度，并决定它是全新、加强我们已追踪的模式，还是属于其他领域。

人工智能帮助我们每季度评估整个库，而这项工作人工研究团队难以完成。代理人从不同的专业视角审阅每条模式，并在相同的五个维度上进行打分。他们在盲审状态下工作，因而不会相互影响。我们取中位数，以防单个异常值左右分数，排名前 50 的模式进入人工复审。

整套过程贯穿人为判断。我们的研究团队批准每一条进入库的模式，审查排名并决定最终的 25 条。我们重点关注代理人意见不一致、以及媒体关注与现场反馈相冲突的情况。我们可以调整分数，但仅基于有文献记录的观察：是谁提出的、我们听到的频率以及在不同组织中是否成立。直觉并不能改变分数。

全新的 Ground Truth Index 将 “Empty Chairs” 列为企业 AI 的首要障碍，描述那些让 AI 系统对招聘、定价、风险等决策产生影响，却未明确谁负责或有权推翻这些决策的组织。随着 AI 从提供建议转向实际塑造业务结果，真正有意义的人类问责制应当如何落地？

AI 涉及的功能越多，它代表公司做出的决策也越多。问责首先是管理层的问题，而非技术层面的问题。

责任通常介于购买 AI 系统的人和使用它的人之间，且两者都不拥有它。该空白在决策被质疑之前往往不被察觉。这就是所谓的空椅子。

问责意味着有一位明确的负责人能够看到系统的产出，并能解释结果、纠正或停止系统运行。这需要对通常跨多个部门的流程拥有权威。

我们请领导者挑选本季度 AI 帮助做出的一个重要决策，并说明谁对其负责。如果答案不明确，公司就改变了决策制定方式，却未确定责任人。

“Learning While Drowning” 在新指数中排名第二，凸显那些强制进行 AI 培训却未改变员工原有工作负荷的公司。同时，“Optimization Temptation” 展示了公司轻易量化裁员节省的人员成本，却难以衡量将员工重新分配到更高价值工作中的价值。公司是否根本低估了通过 AI 提升员工生产力所需的组织投入，而仅仅把 AI 当作降低成本的手段？

是的。削减一个岗位的成本节约很容易在电子表格中列出，而该岗位人员的知识、关系和判断力的价值则难以捕捉。节约在本季度显现，损失却可能在多年内累积。

裁减背后的假设往往也不正确。AI 提高了当前工作的效率，同时也产生了新的工作需求。我们看到的是团队在重新平衡，人员转向不同岗位，而不是整个职能被裁撤。

培训强制是工作负荷的决策。公司在已有工作之上堆砌 AI 培训，然后将完成率低归因于动力问题。他们放弃的投资正是从未进入预算的那部分。决定哪些工作将停止、缩减或迁移以腾出空间，并明确谁批准。学习需要时间，实际应用更需要时间，因为人们必须测试不熟悉的工具、检查输出并改变以往的工作方式。

答案并非列表中的另一项。让团队参与真实项目，学习就在工作中发生。

指数还识别出 “Devaluation Anxiety”，反映出当 AI 能够执行越来越有价值的工作部分时，员工会担心自身的处境。高管们标记的对 AI 的抵触到底有多少是对职业价值的理性焦虑？在引入这些系统时，领导者应当采取何种不同的做法？

大多数是理性的。员工在一次公告中听到 AI 提高效率，紧接着又听到裁员消息，于是自行得出结论。

领导层把这些视为独立的信息，而团队并未如此。他们完成培训，却抑制了本可让其发挥价值的实验。

安抚并不能解决问题。领导者必须说明关于岗位的决定、仍存的不确定因素以及员工可以期待的支持。

回报方面也是如此。公司会明确说明业务对 AI 的期望，却对员工方面留空。如果有人变得更快，他们能得到什么？更好的工作空间、晋升路径、更多时间？这些都应该写进部署计划中。

高管们要求团队以不同的方式使用 AI。团队则在等待高管们率先实践。

另一个你识别的模式是“主动惰性”，即组织使用 AI 加速现有流程，却没有从根本上改变它们。真正的 AI 原生工作流重构应该是什么样子？能否举例说明让旧流程更快与围绕 AI 现在可能实现的功能重建流程之间的区别？

大多数公司把 AI 指向最容易自动化的任务，而这些任务往往本该根本不存在。报告出得更快，审批仍以过去的速度进行。这就是主动惰性。

重构在一开始就决定 AI 模型的功能以及团队的职责，然后围绕这些进行构建，而不是沿用旧有的结构。

以每周报告为例。更快的版本让 AI 起草报告，同样的人员在相同的时间表上审阅同一份文档。重建后的版本会先询问报告的目的。如果报告的存在是为了让人们及早发现问题，系统就能在问题出现的瞬间发出警示，并且报告会随之消失。

您写道“价值等于能力乘以吸收”，并主张关注系统而非单纯的软件。随着前沿模型日益商品化并向所有人开放，一个组织在 AI 周围的吸收和重组能力，是否会比对模型本身的获取更具持久的竞争优势？

是的。部署模型相对来说比围绕模型改变工作方式要容易得多。模型以非凡的能力出现，并且每个季度成本都会下降。同样的模型对任何人都可用。唯一买不到的是公司内部的独特情境以及能够充分发挥模型潜力的团队。

我们所说的“接收能力”是一个古老的概念。它指的是团队接受新事物并将其付诸实践的能力，由决策权、激励机制、工作流、岗位设计以及足够的信任（让人们敢于指出错误）构成。这些都不是可以租赁的。

我将价值描述为能力乘以吸收，因为两者是相乘的关系，而非相加。将一个出色的模型投放到无法接收它的组织中，就像把完美的部件装在失效的密封上。能力虽真实存在，但回报仍为零。

代理型 AI 引入了另一层复杂性，因为系统日益能够采取行动、使用工具并追求目标，而不仅仅是生成响应。企业应当在哪里划定代理自主性与人工决策的界限？随着代理获得更大权限，需要哪些新的治理结构？

先提出一个问题：当代理出错时，由谁来负责？

在任何投入使用之前，就要划清代理决定与人工决定的界限。大多数公司往往在出现问题后才意识到这条界限。

如果错误代价低且能快速显现，就让代理自行运行。当决策关系到个人收入、是否保留职位或法律地位时，则由人来做出决定，代理仅负责准备。

本能上会倾向于集中管理。成立委员会，制定框架，等到感觉可控时再实施。但等上层指引传达到实际工作时，往往已经过时，无法得到答案的员工会开始使用公司未批准的工具。

治理必须贴近实际工作。团队需要明确每个代理的决策权限、所有者以及如何终止其行为，并且需要记录其操作日志。

组织结构图从未针对跨职能工作的代理而设计，因此没有单一职能能够承担失败的责任。应在部署前而非之后就解决此问题。

展望未来，如果企业 AI 的最大限制日益转向组织层面而非技术层面，你预计公司本身会如何变化？在向以人类和 AI 代理协同工作的组织转型过程中，今天的组织结构图、管理层级、岗位设计和决策流程中哪些部分最不可能存活？

职能型组织结构图最不可能存活。大多数公司仍按职能划分，工作在部门之间传递，每一次交接都需要签字确认。AI 能在数分钟内产出工作成果，而其周围的审批却需要数周时间。领导者被要求在本来设计为放慢节奏的系统中加速推进。

该结构图是为人交付工作给人的情形而设计的，而非人类与代理共享决策的情形。
委员会无法解决此问题。

取代传统结构图的形态是围绕问题组织的小团队。领导者确定值得解决的问题，决定实现该问题所需的前提条件，并组建由人员和代理组成的团队。该团队拥有独立的资金和保护，因为它不能按照业务的其他部分的方式运作。团队成员负责做出判断并拥有代理产生的成果。

电动机在 1880 年代进入美国工厂，但生产力提升直到 1920 年代才显现。起初，工厂只在原蒸汽机的位置安装一台大型电动机，驱动相同的传动轴，且保持每台机器原位不动。真正的收益出现在为每台机器配备独立电动机，并围绕工作布局车间时。

重新布局就是革命。

感谢这次精彩的访谈。想进一步了解的读者，请访问Andus Labs，或前往真实情况指数了解更多。