企业 AI 组织如何升级

业务意图

FDE 前向部署

AI Agent 执行

企业 AI 转型 · 组织设计深度研究

企业 AI 组织

如何升级

重点不在技术，而在组织。当 AI Agent 具备执行能力，企业的

真正瓶颈从「模型能力」转移到「岗位设计、汇报关系与决策权」。

CEO

HRD

COO

决策层汇报材料

2026 年 8 月 · 深度研究版 · 全文数据均标注公开来源

EXECUTIVE SUMMARY

一页摘要：这份材料要说服你改的不是工具，是组织图

过去三年企业普遍完成了「AI 工具采购」，但绝大多数没有完成「组织重设计」——这正是价值未兑现的根因。

1

瓶颈已经不在模型

BCG 的 10-20-70 法则指出：AI 转型的投入配比中，算法只占 10%，技术与流程占 20%，人与组织占 70%。而德勤数据显示仅 34% 的企业真正在重构业务。

70%

价值来自人与组织

2

结构从串行转为闭环

「产品→研发→测试→运维」的串行交付，正在被「业务部门→FDE→AI Agent→自动执行」的短闭环替代。中间的翻译层与传递层被压缩。

4 层

交付链路被压平

3

岗位不是消失而是上移

客服转为 Agent 监督者、运营转为流程设计者、开发转为前向部署工程师。PwC 数据：AI 技能岗位增速是市场的 8 倍，薪酬溢价达 62%。

62%

AI 技能薪酬溢价

核心结论

AI 不会自动带来效率，它只会放大组织既有的强项与缺陷。先改组织，再谈规模化。

来源：BCG《AI adoption / 10-20-70》2024；Deloitte《State of AI in the Enterprise》2026；PwC《Global AI Jobs Barometer》2026-06。

02

CONTENTS

阅读路径：从诊断到落地的五个环节

本材料按「先证明问题、再给结构、再拆岗位、再补编制、最后排节奏」的顺序展开。

01

为什么这是组织问题

用公开数据证明：投入已到位，价值未兑现，瓶颈在组织而非技术。

CEO

P4 – P9

02

组织结构如何重构

从串行流水线到「业务 → FDE → Agent → 自动执行」的短闭环。

CEO · COO

P10 – P17

03

哪些岗位会发生变化

客服、运营、产品、开发四条主线的迁移路径与能力要求。

HRD

P18 – P25

04

会出现哪些新岗位

CAIO、AI PMO、FDE Team、Workflow Team、Connector Team 的定位与编制。

HRD · CEO

P26 – P32

05

落地路线与风险控制

18 个月三阶段路线图、编制预算、组织类指标与五大风险对策。

COO

P33 – P39

全文引用的企业案例与统计数据均来自公开发布的一手资料（企业新闻稿、监管文件、咨询机构公开报告）；对存在争议或有反向证据的结论，材料中同时列出反面数据。

03

1

PART 1

为什么这是组织问题

钱花了、工具买了、试点跑了，为什么财务报表上看不到？

先用数据把病因定位清楚，再谈方案。

01

投入与回报的落差有多大

02

为什么「装上 AI」不等于「用好 AI」

03

Klarna 与 Salesforce 的两面教训

04

对开发效率的实测结果并不乐观

DIAGNOSIS 01

第一个事实：投入已经到位，回报还没到账

企业侧的 AI 采纳率已经很高，但能在财务口径上看到影响的比例极低。这个落差不是模型问题。

39 %

仅 39% 的企业报告

AI 在企业层面产生了 EBIT 影响

34 %

仅 34% 的企业在真正

「重构业务」，而非表层使用

1 %

仅 1% 的高管认为自己的

生成式 AI 部署已进入「成熟」阶段

2/3

近三分之二的企业

尚未在企业级规模化 AI

为什么会出现这个落差？

工具替代了动作，没有替代流程

AI 被嵌入既有流程的某一步，而流程的审批、交接、等待环节全部保留。

责任主体没有变

没人对「Agent 的产出质量」负责，出问题时仍然回退到人工兜底。

组织仍按旧职能分工

业务提需求、IT 做实现的两段式结构，使迭代周期无法压缩。

对 CEO 的含义

如果不改流程归属与岗位职责，追加 AI 预算只会提高单位成本，不会提高利润率。

来源：McKinsey《The State of AI》2025-11；Deloitte《State of AI in the Enterprise》2026。

05

CASE STUDY · 反面教训

Klarna：AI 产能翻倍，客服总成本却仍在上升

这是全球被引用最多的 AI 客服案例，也是最完整的一次公开「自我修正」。它证明的不是 AI 无效，而是「只做替代、不做重设计」无效。

2024.02

高调宣布成效

AI 助手上线首月完成 230 万次对话，占全部客服会话的 2/3，工作量相当于 700 名全职客服；解决时间从 11 分钟降至 2 分钟。

2025.05

CEO 公开承认代价

创始人向 Bloomberg 承认过度以成本为导向，「导致了更低的服务质量」，重启人类客服招聘，采用远程灵活用工模式。

2025.05

员工规模缩减 40%

整体员工数从约 5,000 人降至接近 3,000 人，主因是 AI 加上长期停止招聘导致的自然减员。

2025.11

产能升、成本也升

AI 承担的工作量升至相当于 853 名全职员工、节省约 6,000 万美元，但客服与运营的总成本同比仍在上升。

错误的读法

「AI 客服不成熟，所以我们再等等。」这会让企业错过窗口，且忽视了 AI 侧产能确实翻倍的事实。

正确的读法

AI 产能提升是真的；成本没降，是因为「兜底人力 + 返工 + 质量补救」全部留在体外。缺的是质量责任岗与升级机制。

教训

只把人换成 Agent，不设立「Agent 质量责任人」，成本会以返工和投诉的形式重新出现。

来源：Klarna 官方新闻稿 2024-02-27；Fortune 2025-05-09；CNBC 2025-05-14；CX Dive 2025-11-20。

06

CASE STUDY · 正面参照

Salesforce：同样减少人头，但做法是「再平衡」而非「替代」

与 Klarna 的关键差异在于：Salesforce 保留了人机协作的管理岗，并把释放出来的人力转岗到销售等增长职能。

150 万次

已完成的 agentic 客户对话量

85 %

客服请求由 Agentforce 自主解决

9,000→5,000

支持团队人数调整（官方定性为「再平衡」）

组织层面真正起作用的三件事

1

设立了明确的人机协作管理岗

留下的人类客服与 AI Agent 协同工作，由「omnichannel supervisor（全渠道监督者）」统一管理——这是本材料所说 Agent Supervisor 的真实企业提法。

2

把质量作为可比指标盯住

对外披露 agentic 对话的客户满意度与人工客服基本持平，而非只披露成本节省。质量不达标就不扩量。

3

人力去向是转岗，不是清退

官方回应称大量人员被重新部署到销售等岗位。这让内部对 AI 的态度从抵抗转为配合。

需要留意的一致性问题

同一位 CEO 在 2025 年 8 月曾公开承诺 AI 不会消灭白领岗位，几周后即公布人数调整。对外口径需与实际动作一致。

对 HRD 的含义

AI 落地方案里必须自带「转岗去向」设计，否则组织会用沉默的方式让项目失败。

来源：Marc Benioff 于 Logan Bartlett Show 公开访谈 2025-09；Salesforce 官方回应；Salesforce Ben 2025-09 汇总报道。

07

DIAGNOSIS 02 · 反向证据

第二个事实：AI 提效在实测中远不如直觉，且它放大既有问题

这一页是本材料刻意保留的反面证据。如果高管层对提效幅度有不切实际的预期，后面的组织改造一定会被当作失败项目。

认知与现实的反差

METR 随机对照实验：16 名资深开源开发者、246 个真实任务

+19%

实际完成时间——变慢了

−24%

他们事前预期的耗时变化

−20%

事后他们仍自认为提速了

AI 是放大器，不是修复器

Google DORA 报告：近 5,000 名技术从业者调研

90%

已在日常工作中使用 AI

80%+

认为 AI 提升了个人生产率

30%

对 AI 生成的代码几乎不信任

METR 于 2026 年 2 月自我修正：新实验显示估计提速 18%，但因大量开发者拒绝进入「无 AI」对照组而存在严重选择偏差，团队自评为「很弱的证据」。

DORA 的核心判断：AI 采用与交付「吞吐量」正相关，但与「稳定性」持续负相关——它放大组织既有的强项与弱点。

这两组数据合起来给管理层的三条纪律

不要用「员工自评提效」立项或验收，必须用交付周期与缺陷率等客观指标。

把「稳定性」写进 AI 项目的验收口径，否则吞吐量提升会被返工吃掉。

先修流程与工程基础，再上 Agent；基础差的组织上 AI 只会更乱。

对 COO 的含义

AI 的收益不会自己出现在报表上，需要有人把流程重画一遍——这就是后面要设的岗。

来源：METR 生产率实验 2025-07-10 及 2026-02-24 更新；Google Cloud《DORA Report 2025》。

08

DIAGNOSIS 03 · 宏观背景

第三个事实：岗位总量在增长，但岗位内容在大规模置换

对 HRD 最关键的数字不是「消失多少岗位」，而是「多少人需要重训、其中多少人可能拿不到重训机会」。

1.70 亿

到 2030 年新增岗位

9,200 万

到 2030 年被取代岗位

7,800 万

净增岗位

22 %

现有岗位受到扰动的比例

如果把全球劳动力比作 100 个人

59

人需要再培训或技能升级

11

人很可能得不到培训机会

40%

的岗位所需技能将发生变化

折算后超过 1.2 亿人处于中期冗余风险。

雇主侧已经在做什么

77%

计划培训现有员工

63%

视技能差距为业务转型首要障碍

50%

计划将受影响员工转岗到业务其他部分

41%

计划因 AI 自动化而缩减团队规模

下降最快的职业除收银员、行政助理外，2025 年起新增了「平面设计师」——生成式 AI 已直接冲击创意类岗位。

对 HRD 的含义

重训能力就是这一轮的核心竞争力：谁能把现有员工搬到新岗位上，谁的转型成本最低。

来源：World Economic Forum《Future of Jobs Report 2025》2025-01-07，覆盖 1,000 余家雇主。

09

2

PART 2

组织结构如何重构

从「产品→研发→测试→运维」的串行流水线，

到「业务部门→FDE→AI Agent→自动执行」的短闭环。

01

旧结构的四个断点在哪里

02

新结构的四层链路与责任划分

03

FDE 为什么是这一轮的关键角色

04

管理跨度与汇报关系的变化

STRUCTURE · 过去

过去的结构：四段串行，每一次交接都是一次信息损耗

这套结构在软件交付时代是最优解——它用分工换质量。但当执行环节可以被 Agent 承担时，它的交接成本变成了主要成本。

PRODUCT

产品

接收业务需求，翻译为产品需求文档与优先级排序。

典型周期 2–6周

交接

ENGINEERING

研发

按需求实现功能，排入迭代周期，受排期与资源约束。

典型周期 4 – 12 周

交接

QA

测试

验证功能与回归，发现问题回退到研发，形成返工循环。

典型周期 1–4周

交接

OPERATIONS

运维

上线、监控与故障响应，承接线上问题与变更请求。

典型周期 持续

这套结构的四个断点

需求失真

业务意图经过两次翻译（业务→产品→研发）后，与原始诉求出现偏差。

排期即延迟

业务的时间窗口由研发排期决定，紧急需求需要向上升级才能插队。

责任分散

效果不好时，产品说需求对、研发说实现对、运维说环境对，无人对结果负责。

反馈回路过长

从提出想法到看到真实用户反馈通常需要一个季度，学习速度被结构限制。

关键判断

旧结构的成本不在任何一个环节内部，而在环节之间——这是重构的切入点。

说明：本页为通用组织结构描述，周期区间为大型企业软件交付的常见范围，非引用特定研究数据。

11

STRUCTURE · 未来

未来的结构：四层短闭环，业务意图直达执行

关键变化不是「少了几个部门」，而是「翻译层从两次减到一次，执行层从人变成 Agent，业务方直接为结果负责」。

业务部门

BUSINESS UNIT

提出并拥有结果

直接表达业务意图与成功标准，对最终业务指标负责。不再把需求「扔过墙」，而是与 FDE 共同坐在一张桌子上。

FDE

FORWARD DEPLOYED ENGINEER

翻译并构建

驻在业务现场的工程角色，把业务语言直接转成可运行的 Agent 与工作流。一人贯通需求理解、实现与调优。

AI Agent

AGENT LAYER

决策并调度

承接明确定义的任务，调用工具与系统接口完成判断与编排。受权限、预算与升级规则约束。

自动执行

AUTOMATED EXECUTION

落地并回流

在业务系统中真实完成动作，产生可审计的执行记录，并把结果数据回流用于评估与迭代。

结构要点

链路上只保留一个翻译角色（FDE），并让提出需求的人同时拥有结果——这是效率的来源。

说明：四层结构为本材料提出的目标态框架，其中 FDE 层参考 Palantir 的前向部署工程实践，详见后页。

12

STRUCTURE · 对照

新旧结构的九项对照：变的是权责，不只是流程

把这张表发给各业务线负责人，让他们逐项确认自己团队处在哪一列——这是启动改造前最有效的一次自我诊断。

对照维度

过去 · 串行交付结构

未来 · 短闭环结构

交付链路

产品 → 研发 → 测试 → 运维（四段串行）

业务 → FDE → Agent → 自动执行（单闭环）

翻译次数

两次（业务→产品，产品→研发）

一次（业务→FDE）

结果责任人

分散，各环节只对本环节负责

业务方拥有结果，FDE 拥有实现

迭代周期

以季度或迭代为单位

以天或周为单位，可当日验证

执行主体

人工按流程操作

Agent 执行，人工负责例外与升级

质量把关

上线前集中测试

持续评估（evals）+ 在线抽检

人力扩张逻辑

业务量增长 → 增加人头

业务量增长 → 增加 Agent 并扩大监督跨度

管理者角色

管理人的进度与产出

管理人机混合团队的产能与质量边界

核心稀缺资源

研发人力与排期

懂业务且能动手的 FDE，以及可复用的连接器

说明：本页为框架性对照，用于组织自评；不同业务线可按实际情况调整维度权重。

13

KEY ROLE · FDE

FDE 是这一轮结构改造的枢纽角色

前向部署工程师（Forward Deployed Engineer）不是新概念，它由 Palantir 在 2010 年代验证，如今因 Agent 的出现而被大规模复制。

Palantir 的原始分工

Dev（产品工程师）

做通用产品，追求复用

一种能力，服务多个客户

Delta（FDE）

驻现场解决具体问题

一个客户，动用多种能力

Palantir 官方博客《Dev versus Delta》对这两类工程角色的原始定义。

FDE 与现有三类角色的区别

不同于 解决方案架构师

画方案但不落地实现；FDE 自己写代码交付可运行系统。

不同于 售前 / 技术支持

以支持既有产品为目标；FDE 以创造客户侧新能力为目标。

不同于 内部研发

接需求排期实现；FDE 与业务同处一线，自己定义要做什么。

一名合格 FDE 的三项不可替代能力

听得懂业务的真实痛点

能独立把系统跑起来

敢对业务结果做承诺

三项缺一不可。只具备前两项的是内部研发，只具备后两项的是项目经理——都不是 FDE。

市场信号：这个岗位正在被快速复制

约 800%

FDE 职位发布在 2025 年 1–9 月的增长幅度

约 50 人

OpenAI 已将其 FDE 团队扩张至的规模

约 45%

FDE 岗位来自企业自建团队，而非 AI 厂商

对 HRD 的含义

FDE 无法从外部大批量招聘，必须从既有研发中识别并培养——这是编制规划的起点。

来源：Palantir Blog《Dev versus Delta》；Financial Times 2025 关于 FDE 岗位增长的报道；Bloomberry 对约 1,000 个 FDE 岗位的抽样分析。

14

OPERATING MODEL

三种运营模式：绝大多数企业应该选中间那一列

集中式跑得快但离业务远，分散式贴业务但重复造轮子。中枢辐射（hub-and-spoke）是规模化阶段的主流选择。

CENTRALIZED

集中式

适合起步期

所有 AI 能力集中在一个团队，业务方提需求

优势

标准统一，技术债少

稀缺人才集中使用效率高

治理与合规容易落实

代价

离业务远，需求理解失真

很快成为瓶颈，排期排到下季度

业务方缺乏拥有感

适用：AI 团队 < 20 人，试点阶段

HUB-AND-SPOKE

中枢辐射

推荐

中枢定标准与平台，FDE 前置到各业务线

优势

平台复用与业务贴近兼得

FDE 在业务线内，反馈回路最短

中枢守住安全、评估与连接器标准

代价

需要清晰的权责边界文件

对中枢的平台能力要求高

双线汇报需要机制设计

适用：规模化阶段，多业务线并行推进

DECENTRALIZED

分散式

适合成熟期

各业务线自建 AI 能力，总部仅做治理

优势

响应最快，业务拥有感最强

适合业务差异极大的集团

创新试错成本低

代价

重复建设，连接器无法复用

质量与安全水位参差不齐

人才在各线之间无法流动

适用：AI 能力已成为各线基础技能

说明：模式划分参考麦肯锡、BCG、德勤的通用框架，「适用条件」为本材料建议。未找到各模式采用比例的权威普查数据，故不列百分比。

15

SPAN OF CONTROL

管理跨度正在被重新定义：从「管几个人」到「管多少产能」

这是组织图上最容易被忽略、但影响最深的一处变化。它直接决定中层管理岗的数量与晋升通道的形态。

3.15 → 5.76

每位管理者对应的个体贡献者人数（近乎翻倍）

Gusto 数据

≥ 15%

Amazon 要求提高的个体贡献者对管理者比例

内部备忘录

约 −35%

Google 对小团队管理者数量的削减幅度

全员会披露

Gartner 预测

到 2026 年，20% 的组织将使用 AI 压平组织结构，削减现有中层管理岗位的一半以上。

原文：Through 2026, 20% of organizations will use AI to flatten their organizational structure, eliminating more than half of current middle management positions.

新的跨度概念：一名监督者对应多少个 Agent

2–5人

监督

50 – 100 个 Agent

麦肯锡在《智能体组织》中给出的参考配比，也是重构管理跨度话术的关键锚点。

晋升通道要重新设计：不能再靠「管人数」定级，否则无人愿意去管 Agent。

管理者的核心能力从「分派与跟进」转为「定义边界与判断异常」。

中层减少意味着信息传递层减少，但也意味着培养梯队的台阶被抽掉，需要额外补位。

来源：Gartner 新闻稿；Gusto 数据经 Axios 引用；Business Insider / CNBC 关于 Amazon 内部备忘录的报道；Google 全员会披露；McKinsey《The agentic organization》。

16

HUMAN-AGENT RATIO

组织图正在变成「工作图」：人机配比成为新的编制语言

微软在其年度工作趋势研究中提出用 Work Chart 替代 Org Chart——按工作成果组织人与 Agent，而非按汇报关系组织人。

Frontier Firm（前沿企业）

围绕按需智能构建组织，人与 Agent 共同组成团队，编制按「产能」而非「人头」规划。

Agent Boss（智能体老板）

每位员工都在一定程度上管理若干 Agent：定义任务、设定边界、审核产出、处理异常。

Work Chart（工作图）

以成果和工作流为轴心的组织表达方式，取代以汇报关系为轴心的传统组织架构图。

管理者的招聘意向已经在变

28%

的管理者考虑在未来 12–18 个月内

招聘专门管理 AI 智能体的人员

32%

的管理者计划招聘

AI 工作流架构相关角色

已经落地的真实岗位与薪资区间

Box

AI Business Automation Engineer

$146,500 – $183,000

Decagon

Agent Product Manager

—

Stripe

Forward Deployed AI Accelerator

—

人的位置：从 in the loop 到 above the loop

麦肯锡的表述是人应处于「环之上」而非「环之中」：不逐笔审批，而是定义规则、监控总体质量、处理超出边界的例外。

来源：Microsoft《Work Trend Index》2025；Business Insider 关于 Box 岗位的报道；McKinsey《The agentic organization》。

17

3

PART 3

哪些岗位会发生变化

岗位不是消失，而是「向上移动」——从执行动作，

转为定义规则、监督质量、处理例外。

01

四条主线的迁移全景图

02

客服 → Agent Supervisor

03

运营 → Workflow Designer

04

产品 → AI Product ／ 开发 → FDE

ROLE MIGRATION · 全景

四条主线：岗位的共同规律是「从做事，到定规则与兜例外」

注意每一条迁移路径的方向都是相同的：把重复判断交给 Agent，人类保留标准制定权、异常处置权和结果责任。

客服

现在

从逐单应答，转为管理 Agent 队列的质量与升级规则

Agent Supervisor

智能体监督者

目标态

运营

现在

从按流程操作，转为重新设计流程本身并编排 Agent

Workflow Designer

流程设计者

目标态

产品

现在

从写需求文档，转为定义评估体系与不确定性边界

AI Product Manager

AI 产品经理

目标态

开发

现在

从接单排期实现，转为驻业务现场直接交付可运行能力

FDE

前向部署工程师

目标态

共同规律

每条路径都在把「判断」从个案层面提升到规则层面——这也是重训课程设计的主轴。

说明：本页为本材料提出的迁移框架；各岗位的真实企业实例与支撑数据见后续四页。

19

ROLE 01 · 客服

客服 → Agent Supervisor：从处理工单，到管理一支 Agent 队列

这是变化最快、也是唯一已有大规模真实数据的岗位。Salesforce 使用的职位名称是 omnichannel supervisor（全渠道监督者）。

职责对照

逐个回复客户咨询

设定 Agent 的应答边界与话术标准

按脚本处理常见问题

识别 Agent 失败模式并回流优化

个人工单量与满意度考核

对整个队列的解决率与满意度负责

遇到难题上报主管

定义什么情况必须升级到人工

新增的三项核心能力

1

质量抽检与归因

能从大量会话中抽样、判断问题属于知识缺失、边界不清还是模型能力不足。

2

升级规则设计

定义 Agent 何时必须交给人，并对误判造成的客户影响负责。

3

知识库运营

把反复出现的失败转化为知识条目或流程修改，而非逐单救火。

同一部门内其他新岗位名称

AI Trainer

Conversation Designer

AI Quality Analyst

规模参照：外包与呼叫中心行业的暴露程度

190 万人

菲律宾外包业雇佣规模，约占其 GDP 的 10%

1,270 万人

国际劳工组织估计从事暴露于生成式 AI 职业的菲律宾人

超 2/3

行业协会会员企业已在运行 AI 试点

来源：Salesforce（Benioff 公开访谈 2025-09）；BBC 2026-07 关于菲律宾外包业的报道（含国际劳工组织估算与 IBPAP 表态）。注：AI Trainer 等职位名称已在真实招聘中出现，但未找到其招聘量增长率的权威统计，故不列增速。

20

ROLE 02 · 运营

运营 → Workflow Designer：这个岗位的价值来自「敢删流程」

多数企业把 AI 贴在为人类设计的旧流程上，因此收益有限。这个岗位的职责恰恰是重新设计流程本身。

为什么必须专设这个岗位

德勤指出：企业「试图自动化为人类设计的既有流程，而没有重新想象工作本该如何完成」。而重设计工作流恰恰是麦肯锡认定的关键成功因素。

职责的三个层次

L1

流程测绘与删除

画出真实流程（而非制度上的流程），识别哪些环节是为人的局限而存在的，直接删除。

L2

Agent 编排设计

定义任务如何拆分给多个 Agent、如何串接、失败如何回退、什么条件下停止。

L3

权限与预算约束

为每个工作流设定可调用的系统权限、单次与累计成本上限、以及必须人工确认的动作。

支撑数据：重设计是稀缺的，也是分水岭

34%

仅 34% 的企业在真正重构业务，30% 重设计关键流程，37% 停留在表层使用

62%

已有 62% 的企业至少在试验 AI Agent——试验容易，重设计难

1%

仅 1% 的高管认为自己的生成式 AI 部署已「成熟」

这个岗位从哪里来

优先从资深业务运营中选拔——他们知道流程里哪一步是真的、哪一步是历史遗留。技术能力可以补，业务直觉不能补。既有 RPA／自动化中心团队是第二来源。

编制建议

每条核心业务流程配 1 名 Workflow Designer，从内部资深运营转岗，不要外招。

来源：Deloitte《State of AI in the Enterprise》2026 与《Tech Trends 2026》；McKinsey《The State of AI》2025-11。注：automation architect、AI orchestration lead 等职位名称真实存在，但未找到招聘增长率的权威数据。

21

ROLE 03 · 产品

产品 → AI Product：核心新技能是「评估体系」而非模型知识

传统产品经理定义「功能应该做什么」，AI 产品经理必须额外定义「怎么判断它做得对不对」。这是能力断层所在。

能力结构的变化

确定性 → 概率性

过去：功能符合规格即为正确

现在：输出有分布，必须定义可接受区间

验收 → 持续评估

过去：上线前测试通过即交付

现在：建立 evals 体系，持续跑回归

文档 → 原型

过去：写需求文档交给研发

现在：自己拉数据、做可运行原型验证

市场对 AI 技能的定价

69% vs 9%

要求 AI 技能的岗位增速，对比整体就业市场——约 8 倍差距

62%

AI 技能的平均薪酬溢价（2024 年为 25%，2025 年为 56%）

2 倍

「专业化」岗位的增长速度是「平民化」岗位的两倍，薪资增速快 42%

一个反直觉但重要的发现

受 AI 影响最大的入门级岗位，要求「判断力、领导力、面对面互动」等传统上属于资深层级技能的可能性高 7 倍。这类「资深化」的入门岗自 2019 年起增长 35%，而其他入门岗下降 10%。

培养路径：让现有 PM 先负责一个 Agent 的 evals，比送去上课有效得多。

招聘提示

「AI 产品经理」目前没有可靠的岗位增速数据，不要照抄外部薪酬报告，按内部职级折算。

来源：PwC《Global AI Jobs Barometer》2026-06-15（分析全球逾 10 亿条招聘广告）；Lenny's Newsletter 关于 evals 的专文 2025-04-08。注：未找到「AI Product Manager」这一具体职位的一手增速与薪酬数据。

22

ROLE 04 · 开发

开发 → FDE：金字塔底部在收窄，中部在被重新定义

这是四条路径中人员规模最大、社会敏感度最高的一条。数据显示入门层收缩最明显，而资深层需求反而在增长。

入门层：收缩明显

7%

大厂招聘中应届生占比，较 2023 年下降 25%、较 2019 年下降超 50%

−36%

美国科技类岗位发布量相对疫情前基线的水平

−6%

美国入门级岗位招聘的同比变化（2025-12 至 2026-02）

资深层与 AI 岗：反而在增长

+15%

美国软件开发岗位发布量的回升幅度，同期整体岗位下降 7%

71%

软件开发岗位增量中来自资深职位的比例

63.9 万

2023–2025 年美国新增 AI 相关岗位，其中 7.5 万为 AI 工程师

结构性判断

AI 消灭的不是「开发」，而是「只会按票实现的初级执行层」。同时它抬高了对「能独立贯通业务与实现的人」的需求——这正是 FDE。

1

重建培养梯队

初级岗减少会切断人才管道。用「FDE 学徒制」把新人直接放到业务现场跟资深 FDE 学，替代原本靠简单任务练手的路径。

2

重新定义职级

以「能独立交付的业务闭环复杂度」定级，而非以代码量或管理人数定级。

3

谨慎对外沟通

AI 已连续数月成为美国企业公开裁员归因的首位。对内对外口径必须与实际动作一致。

来源：SignalFire《State of Tech Talent》2025-05 与 2026 版；Indeed Hiring Lab 2025-07-30 与 2026-07-08；LinkedIn 数据经 CBS News 2026 报道；Challenger, Gray & Christmas 关于裁员归因的月度报告。

23

MIGRATION MATRIX

岗位迁移总表：给 HRD 的可执行版本

这张表可直接作为人才盘点与重训预算的输入。「迁移难度」按需要补的能力跨度评估，决定投入顺序。

现有岗位

目标岗位

需要补齐的核心能力

迁移难度

重训周期

优先级

客服代表

Agent Supervisor

智能体监督者

质量抽检归因、升级规则设计、知识库运营

中

6 – 9 个月

高

客服主管

Agent Ops Lead

智能体运营负责人

队列产能规划、成本与质量平衡、跨渠道编排

中

6 – 9 个月

高

业务运营专员

Workflow Designer

流程设计者

流程测绘与删减、Agent 编排、权限预算约束

中高

9 – 12 个月

高

数据／报表分析

Agent Evaluation Analyst

评估分析师

评估集构建、失败模式分类、回归监控

中

6 个月

中高

产品经理

AI Product Manager

AI 产品经理

评估体系设计、概率性产品设计、原型自建

中高

9 个月

高

软件工程师（资深）

FDE

前向部署工程师

业务对话能力、端到端交付、结果承诺

高

9 – 12 个月

最高

软件工程师（初级）

Agent Developer

Agent 开发

工具接入、提示与上下文工程、可观测性

中

3 – 6 个月

中

测试工程师

Eval & Safety Engineer

评估与安全工程

自动化评估、对抗测试、越权与幻觉检测

中

6 个月

高

系统集成／IT

Connector Engineer

连接器工程师

系统接口标准化、权限模型、审计留痕

中

3 – 6 个月

最高

中层管理者

Human-Agent Team Lead

人机团队负责人

定义边界而非分派任务、异常判断、产能规划

中高

6 – 9 个月

高

优先级判定依据：该岗位的人数规模 × 业务影响 × 迁移可行性。连接器工程师被列为最高优先级，原因是它是所有其他岗位的前置依赖——没有可靠的系统接入，Agent 无法真正执行。

24

COUNTERPOINT

同样重要：哪些岗位不该动，以及哪些变化被高估了

一份只讲「什么都要变」的材料在执行层面是危险的。以下判断用于约束改造范围，避免破坏组织稳定性。

短期内不应改造的岗位

需要承担法律与合规责任的岗位

签字权、合规审查、财务确认等岗位可以用 AI 辅助，但责任主体必须保持为人。

高价值客户关系岗位

关键客户的信任建立在人际关系上，这部分的效率提升收益远低于关系破裂的风险。

涉及人身安全与重大资产的操作岗

此类场景的错误成本不对称，应保持人工在环内逐笔确认，而非仅在环之上监督。

组织内的文化与人才培养职能

带人、评价、培养这些工作的价值恰恰在于人的判断与承诺，自动化收益极低。

被普遍高估的三个判断

「AI 会让我们减少一半人力」

现有最完整的公开案例（Klarna）显示：AI 产能翻倍的同时总成本仍在上升。人力节省需要配套的流程重设计才能兑现。

「岗位会大量消失」

世界经济论坛的口径是净增 7,800 万岗位。真正的挑战是 59% 的人需要重训，而其中 11% 可能拿不到机会。

「AI 让开发效率翻倍」

METR 的随机对照实验显示资深开发者实际变慢 19%，且开发者本人误以为提速了 20%。不要用自评数据做规划。

另需警惕「AI washing」：把因需求疲软而做的裁员归因于 AI，会误导内部决策。

来源：Klarna 相关公开报道；WEF《Future of Jobs Report 2025》；METR 2025-07；BBC 2026-07 引述菲律宾大学学者对「AI washing」的批评。

25

4

PART 4

未来组织会出现哪些新岗位

从一个人的头衔（CAIO），到一个机制（AI PMO），

再到三支必须自建的团队（FDE、Workflow、Connector）。

01

五个新单元的整体图谱

02

Chief AI Officer 的权责与争议

03

AI PMO 的四项不可外包职责

04

三支团队的编制与配比建议

NEW ORG MAP

五个新单元：一个头衔、一个机制、三支团队

这不是新增五个部门，而是新增五种「必须有人负责」的职能。小型组织可以由一人兼多职，但不能没有归属。

Chief AI Officer

首席 AI 官 · 定战略、掌预算、担风险

向 CEO 汇报

AI PMO

治理机制：立项、评估标准、风险闸门、组合排序

FDE Team

前向部署团队 · 派驻各业务线

把业务意图直接变成可运行的 Agent 与工作流，对业务结果做承诺。

来源：资深研发 + 懂业务的技术人

Workflow Team

流程设计团队 · 常驻中枢，项目制介入

重新设计流程本身，定义 Agent 编排、权限边界与成本上限。

来源：资深业务运营 + 原自动化中心

Connector Team

连接器团队 · 常驻中枢，平台化建设

把内部系统的接口、权限与审计标准化，让 Agent 能安全地真实执行。

来源：系统集成 / IT / 数据平台

设计原则

三支团队缺一不可：Connector 决定能不能做，Workflow 决定该不该做，FDE 决定做得快不快。

说明：本页为本材料提出的目标组织框架；各单元的支撑数据与真实企业实践见后续页面。

27

NEW ROLE 01 · CAIO

Chief AI Officer：从「有没有」到「有没有实权」

这个职位的采纳速度是所有新岗位中最快的。但决定它有效与否的不是头衔，而是三项具体授权。

大型企业设立 CAIO 的比例

11%

2023

26%

2025

76%

2026

三年间提升

约7倍

数据来源：IBM 商业价值研究院《2026 CEO Study》；早期数据源自 Foundry / CIO.com。

决定它有效的三项授权

57%

汇报线

的 CAIO 直接向 CEO 或董事会汇报。挂在 CIO 之下的 CAIO 通常只能做工具选型。

61%

预算权

的 CAIO 掌控企业 AI 预算。没有预算权的 AI 负责人无法推动跨部门改造。

76%

话语权

的 CAIO 表示其他高管会就 AI 决策征询其意见——这是影响力的实际检验。

+10%

设有 CAIO 的组织，AI 投资回报高出约一成

争议

与既有 C-suite 职责重叠，且容易变成「AI 责任孤岛」——其他高管借此免责。

外部参照：这已经成为强制要求

美国管理与预算办公室备忘录 M-24-10（2024 年 3 月）要求各联邦机构在 60 天内指定 Chief AI Officer 并设立 AI 治理委员会。

来源：IBM 商业价值研究院《2026 CEO Study》与《How Chief AI Officers deliver AI ROI》；美国 OMB 备忘录 M-24-10（2024-03-28）；MIT Sloan Management Review《Do You Really Need a Chief AI Officer?》。

28

NEW ROLE 02 · AI PMO

AI PMO：它存在的意义是「让项目停下来」

传统 PMO 推进项目，AI PMO 的关键价值恰恰相反——用统一标准判断哪些项目不该继续，把资源集中到少数能规模化的场景。

01

立项与场景排序

用统一口径评估业务价值、数据可得性、流程可改造性，形成排序后的场景组合，而非各部门各自申报。

输出：季度场景优先级清单

02

评估标准的统一定义

规定所有 AI 项目必须提交的评估集与通过线，禁止用员工自评或演示效果作为验收依据。

输出：企业级 evals 规范

03

风险闸门与合规审查

定义 Agent 可获得的权限等级、必须人工确认的动作、以及审计留痕要求，在扩量前逐项确认。

输出：分级授权与放行清单

04

复用与止损

识别可复用的连接器与工作流组件，同时定期终止无法规模化的试点，回收其占用的人力与预算。

输出：复用资产库 + 止损决议

为什么治理而非技术才是瓶颈

麦肯锡在《智能体组织》中明确指出：限制生产力释放的是治理而非技术。同时其《State of AI》研究发现，CEO 亲自监督 AI 治理与更高绩效正相关。

编制建议

起步阶段 3 – 5 人足够，且必须是懂业务的资深人员兼任，不要设成全职流程管理岗——AI PMO 一旦变成填表机构就失去了意义。

来源：McKinsey《The agentic organization》与《The State of AI》2025。未找到关于企业设立 AI CoE / AI PMO 比例的权威普查数据，故本页不列采纳率。

29

NEW ROLE 03 · FDE TEAM

FDE Team：不要建成一个中心，要建成派驻制

FDE 的全部价值来自「离业务足够近」。一旦把他们集中到总部按工单排期，这个岗位就退化成了普通研发。

正确的组织形态

FDE 中枢：招聘、职级、工具链、经验沉淀

业务线 A

驻场 2 – 4 名 FDE

业务线 B

驻场 2 – 4 名 FDE

业务线 C

驻场 2 – 4 名 FDE

双线关系：业务线定义要解决什么问题（实线），FDE 中枢负责能力标准与职业发展（虚线）。这套机制必须在成立时就写清楚，否则会出现「谁都能指挥、谁都不负责」。

配比与规模参照

2–4人

每条核心业务线的初始驻场规模

1:3

FDE 与其支撑的业务团队规模的经验参照上限

约 50 人

OpenAI 已扩张到的 FDE 团队规模（外部参照）

四条必须写进制度的纪律

FDE 的考核指标是业务结果，不是交付物数量。

FDE 有权拒绝无法验证效果的需求。

每个 FDE 项目必须在 6 周内产出可用版本，否则终止。

沉淀物必须回流到 Connector Team 与复用库，不能留在个人手里。

必须提前接受的代价

这是一种「用毛利换护城河」的模式：人力前置投入高、难以规模化、对人才密度要求极高。外部研究已明确指出这一权衡。

关键提示

FDE 团队的失败方式几乎总是同一个：被改造成中央需求池，然后开始排期。

来源：Palantir Blog《Dev versus Delta》；a16z《Services-Led Growth》与《The Palantirization of Everything》；First Round Review 关于 OpenAI FDE 团队的报道。注：配比建议为本材料给出的实践参考，非引用数据。

30

NEW ROLE 04 & 05

Workflow Team 与 Connector Team：一个决定该不该做，一个决定能不能做

这两支团队常被忽略，但它们是 AI 项目从「演示成功」走向「生产可用」的实际瓶颈所在。

Workflow Team

决定该不该做

流程设计团队

重新设计流程本身，而不是给旧流程配 AI。

核心产出

重设计后的端到端流程图、Agent 编排方案、权限与成本约束清单。

人员来源

资深业务运营为主体，原 RPA／自动化中心团队为技术补充。

编制参照

每条核心业务流程配 1 名设计者；起步阶段全公司 4 – 8 人。

关键授权

有权提出删除现有审批环节，并直接向 AI PMO 提交流程变更议案。

Connector Team

决定能不能做

连接器团队

把系统接口、权限模型与审计留痕标准化，让 Agent 真正能执行。

核心产出

标准化的系统连接器库、分级权限模型、完整的操作审计链路。

人员来源

系统集成、IT 平台、数据平台团队，是转型成本最低的一支队伍。

编制参照

按需接入的核心系统数量配置；每 5 – 8 个系统配 1 名工程师。

关键授权

有权否决不满足审计与权限要求的接入请求——这是安全的最后一道闸门。

落地顺序

先建 Connector Team。没有可靠的系统接入，Workflow 与 FDE 的产出都停留在演示阶段。

说明：本页编制参照为本材料给出的实践建议。相关真实岗位名称包括 automation architect、AI orchestration lead、AI Business Automation Engineer（Box，薪资区间 $146,500 – $183,000）。

31

NEW ROLES SUMMARY

新岗位清单：定位、汇报关系与起步编制

这张表可直接作为编制申请与职级设计的输入。「起步编制」按一家 3,000 – 10,000 人规模的企业估算。

岗位（英文）

中文名称

汇报对象

起步编制

核心职责

设立时点

Chief AI Officer

首席 AI 官

CEO / 董事会

1

战略、预算、风险的最终责任人

第 1 阶段

AI PMO Lead

AI 项目治理负责人

CAIO

1

立项标准、评估规范、风险闸门

第 1 阶段

AI PMO 成员

治理与组合管理

AI PMO Lead

2–4

场景排序、复用识别、止损决议

第 1 阶段

Connector Engineer

连接器工程师

CAIO（中枢）

3–6

系统接入、权限模型、审计留痕

第 1 阶段

Workflow Designer

流程设计者

CAIO（中枢）

4–8

流程重设计、Agent 编排、成本约束

第 2 阶段

FDE

前向部署工程师

业务线 + 中枢双线

6 – 12

端到端交付、对业务结果承诺

第 2 阶段

FDE Lead

前向部署团队负责人

CAIO

1

人才标准、工具链、经验沉淀

第 2 阶段

Agent Supervisor

智能体监督者

所在业务部门

按队列配置

质量抽检、升级规则、知识运营

第 2 阶段

Eval & Safety Engineer

评估与安全工程师

AI PMO

2–4

评估集、对抗测试、越权检测

第 2 阶段

Agent Ops Lead

智能体运营负责人

所在业务部门

1 / 业务线

队列产能规划、成本与质量平衡

第 3 阶段

编制说明：以上为新增或转岗后的岗位设置，多数应通过内部转岗填补而非外部招聘——外部市场上具备这些能力的候选人极为稀缺，且外招无法解决业务理解问题。总新增净编制建议控制在现有员工总数的 0.5% 以内。

32

5

PART 5

落地路线与风险控制

把前面的结构与岗位转化为 18 个月内可执行、

可考核、可中止的具体动作。

01

18 个月三阶段路线图

02

组织类指标而非技术指标

03

五大风险与对策

04

下一步的四个决策点

ROADMAP

18 个月三阶段路线图：先建地基，再扩规模

每个阶段都设有明确的进入下一阶段的门槛条件。达不到门槛就停在原阶段，不要按时间表推进。

第 1 阶段

建地基

第1–6个月

任命 CAIO，明确其向 CEO 汇报并掌控 AI 预算

组建 AI PMO（3 – 5 人兼任），发布立项与评估规范

组建 Connector Team，完成 5 – 8 个核心系统的标准化接入

选定 2 – 3 个高价值场景做首批试点，每个配 1 名 FDE

门槛：至少 1 个试点通过独立评估、连接器可被第二个场景复用

第 2 阶段

建能力

第 7 – 12 个月

FDE Team 正式成立并派驻各业务线，实行双线汇报

Workflow Team 成立，对 3 – 5 条核心流程做重设计

首批 Agent Supervisor 转岗上岗，建立质量抽检与升级机制

启动重训计划，覆盖客服、运营、产品、开发四条主线

门槛：至少 1 条完整业务流程实现端到端自动执行且质量指标不低于人工基线

第 3 阶段

扩规模

第 13 – 18 个月

把验证过的流程复制到其余业务线，复用连接器与工作流组件

调整职级与晋升通道，把「管理 Agent 产能」纳入定级依据

重新核定各部门编制，将节省的人力定向转岗至增长职能

把 AI 相关指标纳入高管与业务线负责人的考核

门槛：可在财务口径上归因的成本或收入影响，并通过审计验证

不按时间推进

门槛未达成就停留，宁可延后也不要带着问题扩量。

不并行开太多

同期在跑的场景不超过 5 个，人才密度比场景数量重要。

每阶段必须止损

阶段末评审时主动终止无法规模化的试点并回收资源。

说明：本页路线图为本材料提出的实践框架，时间与编制区间需按企业实际规模与起点校准。

34

METRICS

考核什么：用组织类指标替代技术类指标

如果只考核「AI 使用率」和「员工满意度」，项目一定会走向漂亮的报表和空洞的成果。以下指标全部指向组织效能。

效率类指标

当前

目标

业务意图到上线的周期

以季度计

以周计

单流程端到端人工触点数

基线值

下降 50%+

每名监督者对应的 Agent 数

不适用

逐季提升

质量类指标

当前

目标

Agent 产出的独立评估通过率

未测量

≥ 人工基线

因 AI 导致的返工与投诉量

未单独统计

持续下降

交付稳定性（变更失败率）

基线值

不劣化

组织类指标

当前

目标

完成重训并转岗成功的人数

0

覆盖目标岗位 60%+

内部填补新岗位的比例

不适用

≥ 70% 内部转岗

可复用连接器与工作流组件数

0

逐季累积

明确不作为考核依据的三类指标

AI 工具使用率 / 登录数

衡量的是行为而非结果，且极易被冲量。

员工自评提效幅度

METR 实验证明自评与实测可以完全相反。

上线的 Agent 数量

数量与价值无关，容易导致重复建设。

说明：指标体系为本材料提出的框架；「交付稳定性」的重要性依据 Google DORA Report 2025 关于 AI 采用与稳定性负相关的发现。

35

RISKS

五大风险与对策：每一条都有真实案例支撑

这些不是假设性风险，而是已经在公开案例中发生过的失败模式。建议在启动前逐条确认责任人。

01

只替代不重设计

已发生的证据 Klarna：AI 产能升至相当于 853 人、节省 6,000 万美元，但客服与运营总成本同比仍在上升。

对策 每个场景必须先由 Workflow Team 完成流程重设计并删除冗余环节，才允许接入 Agent。

Workflow Team

02

口径与动作不一致

已发生的证据 Salesforce：CEO 公开承诺 AI 不会消灭白领岗位，几周后即公布支持团队人数调整。

对策 对内先公布转岗去向与重训承诺，再公布效率目标；对外统一由一个口径发布。

CEO + HRD

03

用自评数据做规划

已发生的证据 METR 实验：资深开发者实际变慢 19%，但本人自认提速 20%。

对策 所有立项与验收必须使用独立评估集与客观交付指标，禁用满意度与自评提效。

AI PMO

04

扩量时质量塌陷

已发生的证据 Google DORA：AI 采用与交付吞吐量正相关，但与稳定性持续负相关。

对策 把稳定性与返工率设为扩量的硬门槛，任一指标劣化即暂停扩量。

AI PMO + 业务线

05

梯队断层与人才流失

已发生的证据 SignalFire：大厂应届生占招聘量仅 7%，较 2019 年下降超 50%；中层管理岗面临大幅压缩。

对策 建立 FDE 学徒制补齐培养台阶；同步改造职级标准，让管理 Agent 产能可被定级与晋升。

HRD

来源：见前文各页所标注的一手来源（Klarna 官方与后续报道、Salesforce 公开访谈、METR 2025-07、Google DORA 2025、SignalFire 2025 与 2026）。

36

DECISIONS REQUIRED

需要今天做出的四个决策

以下四项决策不需要更多调研即可做出，且它们是后续所有工作的前置条件。建议在本次会议上直接确认。

01

CAIO 由谁担任，向谁汇报？

数据显示 57% 的 CAIO 直接向 CEO 或董事会汇报、61% 掌控 AI 预算。挂在 CIO 之下的 AI 负责人通常只能做工具选型，无法推动跨部门流程改造。

需确认：人选、汇报线、预算权限额度

02

首批试点选哪 2 – 3 个场景？

场景选择决定第一阶段的成败。应优先选择「流程清晰、数据可得、业务方愿意投入、结果可量化」的场景，而非最热门或最复杂的场景。

需确认：候选场景清单、各场景的业务责任人

03

FDE 从哪里来，怎么给激励？

外部市场上的 FDE 极为稀缺（岗位发布同比增长约 800%），且外招无法解决业务理解问题。必须从内部资深研发中识别，并设计与其承担风险相匹配的激励。

需确认：内部候选名单、职级与激励方案

04

重训预算与转岗承诺给到什么程度？

世界经济论坛数据显示 77% 的雇主计划培训现有员工、近半数计划将受影响员工转岗。转岗承诺是换取内部配合的最重要筹码，缺失它会导致组织性抵抗。

需确认：预算额度、覆盖范围、承诺的公开方式

会议目标

本次会议只需产出这四项决定，其余细节由 AI PMO 在第一阶段内补齐。

来源：IBM 商业价值研究院关于 CAIO 授权的数据；FT 关于 FDE 岗位增长的报道；WEF《Future of Jobs Report 2025》。

37

结语

组织能力，是这一轮唯一不能采购的东西。

模型可以调用，工具可以采购，供应商可以更换。但「谁对结果负责、谁定义标准、谁处理例外」——

这三个问题的答案只能由企业自己写进组织图里。这也是本材料从第一页到最后一页只讲一件事的原因。

过去

产品 → 研发 → 测试 → 运维

用分工换质量，交接成本可接受

未来

业务 → FDE → Agent → 自动执行

用闭环换速度，翻译层只留一次

关键

岗位向上移动，而非消失

从做事，到定规则与兜例外

下一步：确认第 37 页的四个决策，由 AI PMO 在 30 天内提交第一阶段实施方案。

38

APPENDIX

附录：引用来源清单

全文数据均来自以下公开发布的一手资料。对存在争议或反向证据的结论，材料中已同时列出双向数据。

咨询与研究机构

BCG《AI adoption》10-20-70 法则，2024

McKinsey《The State of AI》2025-11

McKinsey《The agentic organization》

Deloitte《State of AI in the Enterprise》2026

Deloitte《Tech Trends 2026》

Gartner 关于组织扁平化的预测新闻稿

PwC《Global AI Jobs Barometer》2026-06-15

IBM IBV《2026 CEO Study》

IBM IBV《How CAIOs deliver AI ROI》

MIT SMR《Do You Really Need a CAIO?》

劳动力市场与就业数据

WEF《Future of Jobs Report 2025》2025-01-07

SignalFire《State of Tech Talent》2025-05

SignalFire《State of Talent Report 2026》

Indeed Hiring Lab 2025-07-30

Indeed Hiring Lab 2026-07-08

LinkedIn 数据（经 CBS News 2026 报道）

Challenger, Gray & Christmas 月度裁员报告

Gusto 管理跨度数据（经 Axios 引用）

ILO 与 IMF 关于菲律宾外包业的估算

BBC 关于外包业与 AI washing 的报道 2026-07

企业一手资料与技术研究

Klarna 官方新闻稿 2024-02-27

Fortune 2025-05-09（Klarna CEO 表态）

CNBC 2025-05-14（Klarna 员工规模）

Customer Experience Dive 2025-11-20

Salesforce（Benioff 公开访谈 2025-09）

Palantir Blog《Dev versus Delta》

a16z《Services-Led Growth》

Microsoft《Work Trend Index》2025

METR 生产力实验 2025-07-10 及 2026-02-24 修正

Google Cloud《DORA Report 2025》

美国 OMB 备忘录 M-24-10，2024-03-28

关于本材料的严谨性说明：文中所有未标注来源的框架、编制建议与配比参照，均为基于上述公开研究提出的实践建议，非引用数据；对于未能找到可靠来源的常见说法（如 AI Trainer 等新职位的招聘增长率、AI 产品经理的薪酬溢价、部分企业的 AI 代码占比），材料中已明确标注「未找到权威数据」并回避使用。

39