如果工作仍要經過相同的委員會、審批、交接和職能壁壘，生產力提升的價值便十分有限。制約因素日益變成組織運作延遲，即組織作出決策、改變流程，以及把新能力轉化為業務成果所需的時間。
以往需要多名專家、多個部門或數星期才能完成的工作，如今可以快得多。這改變了團隊的協作方式、決策方式，以及需要專業知識的環節。
只有徹底革新組織設計，重新思考工作流程、管治、激勵機制、知識流動和決策架構，讓 AI 推動的生產力提升在整家企業持續累積，才能充分實現相關效益。
AI 原生組織既需要穩固骨幹，也需要靈活前線，同時充分發揮人類在判斷和統籌行動方面最寶貴的技能。
LinkedIn、Substack 和其他論壇上有不少討論，歸結起來就是「我看不到 AI 的投資回報」。隨着具實質成效的 AI 應用日益普及，我們已看到 AI 解決方案，以及 ChatGPT、Codex 和 Claude 等現成工具的採用帶來可觀投資回報。不過，這個觀點仍然可以理解。個人生產力固然可以大幅提升，但如果組織的工作流程維持不變，成效最終仍會受限。組織設計必須演進。
然而，遺憾的是，組織無法一勞永逸地為未來做好準備，尤其 AI 正高速發展。沒有人能有把握地預言，三年後經 AI 優化的銀行、保險公司、零售商、能源公司或顧問公司應是甚麼模樣。科技、經濟環境和工作模式變化太快，令適應能力成為未來十年其中一項決定性優勢。
但如果專家級智能隨時可得，而 AI 智能代理又能自主工作數小時，就必須假設工作方式將會而且應該改變。這亦意味着營運模式必須改變，才能從科技中受益。最願意迅速適應新工作模式和不斷湧現的技術應用的組織，將可獲益最多。
要理解 AI 對組織的影響，最簡單的方法是先作出一項基本假設。假設組織內任何人都能即時獲得專家級智能。兩年前還很難想像，但如今幾乎已成為現實。儘管目前或許尚未完美，但有理由相信它在不久將來便會接近完善。
除此之外，再作出第二項假設。假設自主智能代理能協作數小時、數天，以至最終持續數星期，完成一整套具實質價值的工作。並非一項或數項任務，而是橫跨多個專業領域、實際而完整的一連串工作。一支跨職能團隊由一組能自行規劃工作流程的智能代理組成。
只要這兩項假設的大方向成立，工作方式便會（也必須）改變。完成時間縮短，內部協作模式演變，變革步伐加快。
如此迅速的變革有利於分權、自主和創新，但大多數大型組織卻建基於相反理念。
大型企業把權力集中於按職能劃分的部門。它們把策略、技術、數據、風險、營運、財務、人力資源和業務分置於不同架構，各自有本身的優先事項、激勵機制，以及最重要的管控機制。
投資委員會、督導委員會、架構委員會、風險審查、合規關卡、採購流程、年度規劃周期和業務理據共同管控變革。部分變革管理團隊更會在持份者之間居中傳遞資訊，卻沒有為資訊增值。
同樣，這些做法並非不合理，而這些機制亦有充分的存在理由。它們管理風險、分配資本、防止重複投入、保障客戶並建立問責，但同時亦限定了步伐。在 AI 原生競爭對手能更快測試、學習和重新設計工作的世界，這樣的步伐很可能太慢。
文化所傳遞的訊號亦很重要。在許多組織，即使領導者再三強調「你獲授權作出決策」，激勵機制仍然獎勵員工固守職能界線。為甚麼？保護團隊。保護預算。保護路線圖。避免出現外界可見的失敗。把棘手決策上呈委員會。不要過度偏離核准流程。
當試驗成本高昂，而變革只會偶爾出現，且屬漸進式而非革命性時，這種集中式方法合情合理。但當能力每隔數月便大幅提升，而最熟悉實際工作的團隊才能發掘最佳機遇時，這便會成為問題。
以傳統集中式管理方式應對 AI，會造成延遲，窒礙實質投資回報。如果每項變革在落實至實際工作前，都要通過多個委員會，組織的學習速度便會太慢。
對希望成長和加快步伐的員工而言，限制運用 AI 的機會會令公司作為工作場所的吸引力下降。
大多數組織都從培養個人 AI 素養開始。這是正確的起點。員工需要知道如何向 AI 清楚交代要求、如何質疑 AI、如何檢查其工作、如何保護敏感資料，以及何時不應使用 AI。他們需要信心、判斷力和實際經驗。
但個人素養有其上限。分析師可以產出五倍的分析內容，但決策會議仍然每月才召開一次。開發人員可以產生更多程式碼，但審查和發佈流程並未改變。市場推廣人員可以製作更多內容，但品牌審批仍要在同一流程中輪候。
即使在團隊層面，如果組織其他部分仍沿用一貫方式運作，改變工作流程也不一定能加快整體速度。
因此，個人和團隊或許加快了，但產出速度最終仍受制於組織端到端流程的其他部分。正因如此，AI 轉型之旅必須由個人素養邁向團隊素養，再進一步提升至組織素養。
當企業能改變架構、激勵機制、管治、知識流動和技術模式，個人及團隊取得的局部成果便能轉化為企業價值。
這是一項艱巨挑戰，但釋放價值的機會正正在此。近年在 ChatGPT 推出後成立的 AI 原生公司，創立之初已把 AI 融入工作流程，因此能保持靈活並採用扁平架構運作。相比之下，大型企業只是把 AI 加入現有流程，形成東拼西湊的局面，未能改變工作本身的運作方式。
AI 原生並不代表混亂、魯莽或盲目追逐工具。這並不代表每名員工都可任意使用最新模型。這當然也不代表以熱情取代管治，更不是假裝不再需要人類。
舊有的組織設計模式假設你可以界定目標狀態、繪製架構、推行變革，然後穩定下來。
AI 原生組織的設計將以持續變革為目標。這類組織會以人、AI 系統、數據、工作流程和管治的綜合優勢為基礎，持續重新設計工作。它們不會把一切押在單一藍圖上，而會建立迅速找出答案的能力：哪些工作流程應該改變、哪些職位需要演進、需要哪些管控措施、哪些技能更重要、哪些模式可以重用，以及哪些假設已經過時。
這需要同時具備兩項條件：穩固骨幹和靈活前線。兩者在集中管理與授權最熟悉實際工作的團隊之間取得平衡。
穩固骨幹讓組織建立信任，並具備大規模推行相關做法的能力。整家企業均可使用獲核准的工具、可重用模式、數據存取途徑、評估方法、安全管控措施、管治原則、監察機制和知識基礎設施，並有明確的權責分配。
靈活前線是工作實際進行之處，亦能頻繁而順暢地作出改變。最接近問題的小型跨職能團隊擁有足夠自主權，可重新設計工作流程、應用 AI、測試新工作方式，並把所得經驗帶回組織。
核心與前線之間的平衡十分重要。集中管控過多，組織便學得太慢。前線自由過多，組織的運作便會變得支離破碎。AI 原生組織需要核心嚴謹，前線靈活。
對工作自動化最草率的結論，是 AI 會減少對人的需求。在某些領域確實如此，例如不太需要理解情境、重複性高的知識工作，將會被大幅精簡或淘汰。主要屬於事務性質的工作，包括填補系統缺口、傳遞資訊、初步分析、製作初稿，以及只能帶來有限「增值」的回應，都將面臨壓力。
但另一面是，人的「貢獻」會提升至更高層次：如果專家級智能隨時可得，AI 無法也不應取代的稀缺人類特質，便會是判斷力、創意、問責、情境理解和信任。
組織應日益重視能夠在不確定情境中作決策的人才。他們對所屬領域有足夠深入的理解，既能引導 AI，也知道 AI 何時出錯。他們能提出更好的問題。他們能把商業、技術、營運和人的實際情況連繫起來。他們能建立關係、增強信心，並協調眾多持份者。更重要的是，試想一星期的工作被壓縮至星期一早上完成，快速而準確地切換情境和解讀資訊的能力便更不可或缺。
因此，如果通才可以掌握跨職能情境並協調由 AI 支援的工作，他們只會更有價值，而非相反。專家也可能更有價值，因為工作加快後，需要重視質素和判斷的時刻反而更多。領導者亦須減少管控工作活動，轉而專注設計系統、情境和工作節奏。
值得投資的並非只有「AI 技能」，還包括當 AI 承擔更多基礎任務時越趨重要的人類特質：好奇心、判斷力、韌性、清晰思維、創意、決斷力、協作能力，以及從容面對不確定情境的能力。組織現在就應招聘、培養並獎勵具備這些特質的人才。
在短時間內完成如此大量的工作，節奏會非常緊湊，而 AI 原生組織也不能時刻以極限速度運作。組織需要為員工預留空間和餘裕，讓員工恢復精力，並重新與人連繫。為了有效判斷和決策，組織應營造讓偶然機遇可催生嶄新意念的環境。
現時，許多企業仍未能迅速運用 AI 已具備的能力。這令智能代理能力的提升與實際應用的進展之間，出現日益擴大的差距。
這很正常。大型組織採納科技較慢，是因為舊有系統、監管限制、文化阻力、零散數據、權責不清，以及真實存在的風險，全都需要妥善管理。
但到了某個階段，將有足夠多的領導者、團隊和競爭對手，掌握如何以安全且可反覆應用的方式，把 AI 應用於實際工作流程。應用模式會日趨成熟，管治會更深入融入組織，智能代理會更可靠，組織的信心亦會增強。AI 所帶來的可能性與企業實際運用之間的差距，將開始收窄。
當這個轉捩點來臨，優勢不會落在擁有最佳模型或最大 AI 預算的公司手上，而會屬於能夠迅速改變工作方式的組織。
把每項決策集中處理、維護每個職能部門的既有界線、透過行動遲緩的委員會管治，並獎勵員工「不挑戰現狀」的公司，將難以跟上。
建立穩固骨幹和靈活前線的公司，將學得更快。它們會更早發現更佳工作流程，把通才、專家和領導者的合適人才組合重新調配至更高價值的工作，並把局部試驗轉化為可重用模式。
目前的問題或許是「我們如何成功採用 AI？」，但很快便必須改為「隨着 AI 改變工作，我們的組織能以多快速度適應？」
行動緩慢的組織即使擁有強大的 AI，仍然會很慢；適應力強的組織配合強大 AI，則能持續累積優勢。