Ai4
企业智能体项目无法兑现投资回报的根源并非技术局限,而是病态的传统层级阻碍与高管利益冲突,必须通过重构组织权责与绑定薪酬考核推进落地。
AI-assisted summary of Redesigning Workflows and Driving Change Management for Agentic AI — original source. Check the original for full context.
Source published:
Detailed notes
## Background 该内容由 Ai4 频道于 2026 年 8 月 22 日发布在 YouTube 平台。视频记录了一场围绕“智能体 AI(Agentic AI)的工作流重构与变革管理”的企业高管圆桌论坛,汇聚了来自 Zumba、JLL、NIX 和 Phenom 等企业的技术与业务领袖,探讨企业如何重塑跨职能流程、对齐领导层与激励机制、应对组织文化阻力,并平稳推进自主智能体的落地应用。
## TL;DR 论坛嘉宾结合 Ask JLL 领域智能体、Zumba 的 Kodu 智能体软件工厂、Phenom 的人力资源垂直大模型以及 NIX 的 SDLC 流程重构等一线实践,系统阐述了智能体 AI 的落地路径。讨论强调企业必须从单纯追求工时节省转向聚焦核心业务 ROI,通过设立单一流程负责人打破部门壁垒与高管冲突。同时,嘉宾们提出了智能体四层架构、AI 适用度评估模型与三步走演进路径,指出未来的核心竞争力在于通过高管激励对齐与人机协同,推动员工从基础工单处理者转型为智能体编排与监督者。
## Atmosphere & style 整场圆桌讨论务实、锐利且极具实战沉淀,对话毫无空泛的口号,而是直击组织内部博弈、流程混乱与系统孤岛等现实痛点。四位嘉宾与主持人互动默契、风趣幽默,既有对“深埋组织六层之下”隐性单点依赖的生动比喻,也有对高管考核与流程重构的深刻反思,为观众带来兼具危机感与高可操作性的落地方法论启发。
## Key takeaways - [03:09](https://www.youtube.com/watch?v=XOThNoSud90&t=189s) 通用上下文仅能解决约 30% 的基础业务场景,智能体必须深度融入垂直行业与各部门的专属上下文才能创造质的突破与真实 ROI。 - [08:37](https://www.youtube.com/watch?v=XOThNoSud90&t=517s) 大型企业在 AI 战略上逐步从全栈自研专有基础大模型,转向聚焦业务价值与 ROI,通过保留内部领域专家并引入成熟编排与外部技术实现平衡。 - [10:38](https://www.youtube.com/watch?v=XOThNoSud90&t=638s) 降低智能体落地阻力的关键在于“无缝融入既有工作场景”,如将决策确认和人机交互打通至 Slack 与 Jira,避免引入新的工具孤岛。 - [13:26](https://www.youtube.com/watch?v=XOThNoSud90&t=806s) 引入 AI 适用度评估框架(AI Eligibility Framework),通过计算自动化研发成本、后续人工审查维护开销及频次,科学筛选优先改造的流程。 - [15:20](https://www.youtube.com/watch?v=XOThNoSud90&t=920s) 智能体系统底层需具备编排层、记忆与本体层、配置层与应用层四层架构,并依赖涵盖行业、业务单元、地域、岗位与领导力结构的“五维超细胞”模型落地。 - [17:28](https://www.youtube.com/watch?v=XOThNoSud90&t=1048s) 很多企业未能获得 AI 预期的 ROI,核心根源不在于技术本身,而在于管理层未敢于拆解臃肿的层级架构及协调 CFO、CIO、CHRO 之间的目标冲突。 - [19:25](https://www.youtube.com/watch?v=XOThNoSud90&t=1165s) 解决跨职能流程治理壁垒的有效路径是设立“单一负责人”机制,由其全权统管流程决策并配备独立专属预算,只对公司整体 ROI 负责。 - [21:34](https://www.youtube.com/watch?v=XOThNoSud90&t=1294s) AI 不会直接剥夺工作,但掌握 AI 的人会替代不善用 AI 的人;员工核心阻力在于“时间贫困”,企业需通过早期内部标杆演示看到成效。 - [27:00](https://www.youtube.com/watch?v=XOThNoSud90&t=1620s) 变革推动依赖顶层设计,JLL 通过将高管的薪酬与奖金直接挂钩 AI 熟练度、自动化比例及智能体采纳度,形成硬性考核激励。 - [27:00](https://www.youtube.com/watch?v=XOThNoSud90&t=1620s) 通过重构业务价值主张实施“80/20 转型”,剥离 80% 机械工单后,员工被重塑为知识库专家与智能体编排架构师等高价值角色。 - [30:47](https://www.youtube.com/watch?v=XOThNoSud90&t=1847s) 蓝领与白领业务的 AI 诉求截然不同,管理层需根据业务扩张或收缩动态重配人力,如将制造领域的招聘专员敏捷转岗为入职培训管理。 - [34:18](https://www.youtube.com/watch?v=XOThNoSud90&t=2058s) 如果业务流程本身混乱无效,直接引入 AI 只会将缺陷成倍放大;企业必须遵循“先修复流程,再引入 AI”的基本原则。 - [39:46](https://www.youtube.com/watch?v=XOThNoSud90&t=2386s) 利用 AI 自动发现并记录工作流面临深层隐性盲区挑战,如深埋基层未被文档化的人工单点依赖,AI 尚难以敏锐捕捉与解析。 - [40:49](https://www.youtube.com/watch?v=XOThNoSud90&t=2449s) 工作流智能体化可通过高性价比的三步演进法推进:先通过精益六西格玛离岸梳理标准流程,再利用低代码平台自动化,最后进行智能体化改造。 - [42:05](https://www.youtube.com/watch?v=XOThNoSud90&t=2525s) 垂直 SaaS 厂商利用沉淀于 700 多家客户的跨组织经验构建底层行业本体,能先于客户诊断出流程断点,由外部逆向驱动企业自动化升级。
## Detailed walkthrough 以下是根据视频转录稿 Part 1 整理的详细中文逐段梳理与深入解读:
[00:04](https://www.youtube.com/watch?v=XOThNoSud90&t=4s) 开场致辞与与会嘉宾介绍
研讨会主持人以极高的热情拉开了本场论坛的序幕,对现场几乎座无虚席的盛况表达了由衷的感谢。在经历了一场精彩绝伦的主旨演讲后,主持人强调本场关于“智能体 AI(Agentic AI)”的专题讨论将为与会者带来极具价值的实战洞察。为了确保互动环节的高效与有序,主持人特别提醒现场听众提前构思提问,并说明在个人总结发言后将进入 Q&A 环节,届时会有工作人员递送麦克风。随后,四位来自不同领域的重磅嘉宾依次进行了自我介绍:
* **Mahe Bayireddi**:Phenom 的 CEO 兼联合创始人。Phenom 是一家专注于人力资源(HR)领域的应用 AI 公司,致力于在智能体时代重新设计工作流程与人力运营,涵盖招聘优化、员工留存、人才流动性与职业发展等核心场景。 * **Max Ushchenko**:NIX 的 AI 与数据总监。NIX 拥有 30 年的市场经验,专门为客户提供软件解决方案、产品开发以及所需的技术专家资源。 * **Ralph Valdes**:Zumba Fitness 的首席技术官(CTO)。负责管理产品工程、质量保证(QA)、数据部门,目前全面主导 AI 战略,推动智能体在全公司范围内的落地与普及。 * **Carlin Power**:JLL(琼斯郎和 LaSalle,全球商业地产巨头)全球 AI 产品与企业赋能负责人。JLL 在全球 80 个国家拥有约 12 万名员工。Carlin 还在开场打趣道,作为明尼苏达州人,她非常感谢能来到拉斯维加斯威尼斯人酒店享受冷气。
```mermaid flowchart LR accTitle: Panelists and Organization Structure subgraph Panelists["论坛嘉宾与代表企业"] A["Mahe Bayireddi<br/>(CEO @ Phenom)"] B["Max Ushchenko<br/>(AI & Data Director @ NIX)"] C["Ralph Valdes<br/>(CTO @ Zumba Fitness)"] D["Carlin Power<br/>(Global Head of AI @ JLL)"] end
subgraph FocusAreas["核心专注领域"] A --> A1["HR 智能体 / 人力运营重塑"] B --> B1["软件工程 / SDLC 流程重构"] C --> C1["企业级智能体普及 / Kodu 工厂"] D --> D1["Ask JLL / 跨部门知识库智能体"] end end ```
[03:09](https://www.youtube.com/watch?v=XOThNoSud90&t=189s) 各大企业的智能体 AI 落地实践案例
论坛进入第一个核心议题,嘉宾们分享了各自企业或客户目前已经完成或正在推进的智能体 AI 项目:
JLL 的 Carlin Power 首先分享了他们在一个月前刚刚发布的重磅产品——**Ask JLL**。这是一个汇集了企业内部各职能部门领域智能体(Domain Agents)的综合平台,覆盖人力资源、财务、技术支持、采购、研究、法务及合规等多个部门。这些智能体能够上下文调取并检索各自部门的知识库,不仅能回答员工的具体咨询,还能代表员工直接执行任务(例如提交休假申请、订购电脑及外设硬件、发起合规举报、申请法律合同等)。目前该系统主要面向内部员工,未来计划推出面向客户的智能体。
Zumba Fitness 的 Ralph Valdes 补充了两个方向的实践:一是利用 **Snowflake Agents** 对全公司的核心 KPI 及数据分析进行集中化管理,在保证数据可验证与准确的前提下实现数据民主化;二是推出了名为 **Kodu** 的“智能体软件工厂(Agentic Software Factory)”。Kodu 能够接收 Web 或移动端应用的需求,自主制定开发计划、编写代码、跨部门询问澄清问题,并在安全的环境中生成预览版本供人工测试与审批,最后完成发布。
Phenom 的 Mahe Bayireddi 则强调了他们在 HR 生态系统中的垂直深化。Phenom 的系统覆盖超过 700 家企业客户,每 18 个月触达逾 10 亿用户。他们构建了筛选智能体以及后端的劳动力规划智能体,帮助企业在业务收缩或扩张时,精准调整人才配置与资源规划。Mahe 特别强调,generic(通用)上下文只能解决 30% 的基础场景,唯有深度融入行业及部门的专属上下文,智能体才能带来质的飞跃。
NIX 的 Max Ushchenko 分享了一个医疗健康领域的软件工程案例。他们协助客户的软件工程师、业务分析师(BA)、项目经理(PM)和测试人员(QA)重构了软件开发生命周期(SDLC)。通过评估各个环节的“AI 适用度(AI Eligibility)”,在保留人工复核的同时,实现了自动化代码审查和安全风险评估。
- **Ask JLL 服务规模**:覆盖 JLL 全球 80 个国家约 120,000 名员工。 - **Phenom 数据体量**:服务 700+ 客户,18 个月内触达 10 亿+ 用户。 - **通用 vs 垂直场景效率**:通用上下文仅覆盖约 30% 业务需求,深度垂直上下文才是 ROI 的关键。
[08:37](https://www.youtube.com/watch?v=XOThNoSud90&t=517s) 智能体项目的战略选择:ROI 导向与自主研发平衡
在总结首个议题时,Carlin Power 为现场听众提供了极具操作性的落地建议。她指出,企业在决定自研智能体架构还是直接购买集成了编排层(Orchestration Layer)的商业成熟技术时,关键在于将业务与职能部门的专家与最适合自身预算、业务形态的技术栈进行匹配。
Carlin 透露,JLL 在两年前开启 AI 探索之旅时,为了避免被供应商绑定(Vendor Lock-in)并积累内部核心能力,率先自研了内部专有的 GPT 模型。但随着基础设施巨头(Labs)投入数十亿美元进行底层大模型迭代,JLL 果断调整了战略:保留内部的业务与领域专家,引入成熟的外部技术,并在特定高价值场景下补充低成本的自研专有技术。
更重要的是,JLL 在项目初期就做出了一个关键的方向性转变——**从单纯追求“效率提升与生产力释放”转向聚焦“业务价值与 ROI(投资回报率)”**。对于 JLL 这样庞大体量的企业而言,仅靠节省工时不足以支撑大规模投资,智能体项目必须能够带来指数级的业务回报。
[10:38](https://www.youtube.com/watch?v=XOThNoSud90&t=638s) 重构工作流与应对“人机交接”阻力
当谈到如何不只是将 AI“套用”在旧流程上,而是彻底拆解并重构以智能体为主导的工作流时,Ralph Valdes 拿 Zumba 的 **Kodu 智能体软件工厂** 举例:让智能体生成代码早已不是技术难题,真正的挑战在于——“智能体应该生成什么?谁来决定?遇到矛盾或歧义时怎么处理?由谁来进行设计审查与产品决策?”
为了克服员工对“权力被剥夺”的抵触情绪并推动项目落地,Zumba 采取了**“无缝融入既有工作场景(Meet people where they are)”**的策略: 1. **拒绝新开孤岛工具**:不强制员工登录特定的 IP 地址或新系统,而是将所有决策节点、交互和确认全部打通至员工日常使用的 **Slack** 与 **Jira** 中。 2. **智能上下文路由**:根据智能体涉及的代码模块和业务线,自动将问题与确认请求精准路由给对应的团队。 3. **降低交互门槛**:当智能体提出的问题不够清晰时,员工只需在 Slack 中回复“请解释得更清楚一点”,智能体即可重新组织语言,大大降低了用户的使用摩擦(User Friction)。
```mermaid flowchart TD accTitle: Kodu Agentic Workflow
subgraph Input["需求输入与规划"] A["需求提交 (Slack / Jira)"] --> B["Kodu 智能体拆解规划"] end
subgraph Execution["开发与跨部门协同"] B --> C{"发现歧义 / 疑问?"} C -- "是" --> D["精准路由至对应业务团队 (Slack)"] D --> E["团队反馈 / 澄清"] E --> B C -- "否" --> F["自主编写代码与构建"] end
subgraph Deployment["安全测试与发布"] F --> G["生成沙盒预览环境"] G --> H["人工 QA / 产品审查与批准"] H --> I["自动部署上线"] end end ```
[13:26](https://www.youtube.com/watch?v=XOThNoSud90&t=806s) AI 适用度评估模型与人机协同(Human-in-the-Loop)
NIX 的 Max Ushchenko 深入探讨了如何科学判断一个工作流是否适合交由智能体接管。他们构建了一套被称为 **“AI 适用度框架(AI Eligibility Framework)”** 的评估体系,重点关注以下维度:
1. **人机协同模式**:判断该流程需要人类全程参与(Human-in-the-loop)、部分参与,还是仅在流程末端对最终结果进行验证。 2. **开发与运维成本占比**:评估构建该自动化流程所需的研发精力,以及后续人工检查和维护(Overhead)所消耗的精力。如果检查成本过高或运行费用昂贵,该流程就不适合自动化。 3. **可量化的影响**:精确计算某项工作流如果引入 AI,能节省百分之多少的时间,以及该流程发生的频次(按小时、天还是月计算),进而建立数学模型决定优先启动哪个项目。
主持人赞许道,与会嘉宾在剥离部分传统人力权限的同时,无一例外地强调了“以人为本(Human-Centered)”和保留人机协同,这极大地缓解了员工对 AI 的安全感危机与抵触情绪。
[15:20](https://www.youtube.com/watch?v=XOThNoSud90&t=920s) 智能体架构的四层模型与五维“超细胞”架构
Phenom 的 Mahe Bayireddi 提出了一个关于架构与变革管理的深刻洞见。他对比了传统系统与智能体系统的底层架构差异:
* **传统系统**:仅包含“应用程序层(Application)”和“配置层(Configuration Layer)”。 * **智能体系统**:必须具备四层架构——**应用程序层**、**配置层**、**记忆与本体层(Memory & Ontological Layer)**以及**编排层(Orchestration Layer)**。
```mermaid flowchart TD accTitle: Legacy vs Agentic Architecture
subgraph Legacy["传统系统架构"] L1["配置层 (Configuration)"] --> L2["应用程序层 (Application)"] end
subgraph Agentic["智能体时代系统架构"] A1["编排层 (Orchestration Layer)"] A2["记忆与本体层 (Memory & Ontological Layer)"] A3["配置层 (Configuration Layer)"] A4["应用程序层 (Application Layer)"]
A1 --> A2 A2 --> A3 A3 --> A4 end end ```
Mahe 指出,ROI 无法凭空产生,它必须直接转化为业务影响,而业务影响取决于业务单元(BU)与职能部门之间的协同,这又与企业文化息息相关。Phenom 将此总结为 **“五维超细胞(5D Hypercell)”模型**: 1. **行业(Industry)**:企业所处的特定行业特性。 2. **业务单元(Business Unit)**:项目试图产生直接影响的具体业务部门及其 ROI。 3. **地理位置(Location)**:不同地区的招聘、留存与管理模式差异巨大(如北美与欧洲、亚洲的运营逻辑截然不同)。 4. **岗位/角色(Job/Role)**:重构所针对的具体职位。 5. **智能体架构与领导力结构(AG/Leadership Structure)**:**最关键的一环**。领导者的认知与组织架构直接决定了变革管理(Change Management)的成败。
[17:28](https://www.youtube.com/watch?v=XOThNoSud90&t=1048s) 组织壁垒、高管冲突与 ROI 的真正阻碍
在对话的最后,主持人提出了一个行业普遍存在的痛点:业务部门与职能部门之间往往存在天然的“高墙”,相互不理解对方的工作,AI 是否帮助打破了这种壁垒?
Mahe Bayireddi 的回答直击要害。他认为,这完全取决于企业的心理模型、行为习惯、战略以及领导风格(如 Jensen Huang、Jeff Bezos 或 Satya Nadella 截然不同的领导性格如何塑造企业的思维模型)。
Mahe 坦言,当前许多企业中普遍存在 **CFO(首席财务官)、CIO(首席信息官)与 CHRO(首席人力资源官)之间的剧烈冲突**——他们对 CEO 期望达到的目标无法达成一致。这种冲突本质上源于企业内部臃肿、扭曲的传统层级结构(Hierarchical Structure)。许多公司抱怨“智能体效果不好、无法带来预期 ROI”,但真实原因并不是智能体技术本身不行,而是**企业没有勇气去拆解和重组内部病态的组织架构与领导力结构**。如果不从根本上对齐组织结构与变革管理,再先进的智能体也无法释放出真正的商业价值。
<ElicitationsGroup message="如果您想深入探讨本场论坛提及的更多细节,可以选择以下方向:"> <Elicitation label="详细拆解 Ask JLL 的知识库与领域智能体架构" query="请详细拆解 Ask JLL 的领域智能体(Domain Agents)架构,说明它们是如何与 HR、法务、财务等部门知识库对接并执行任务的。"/> <Elicitation label="深入分析 Zumba 的 Kodu 智能体软件工厂运行机制" query="请深入分析 Zumba 的 Kodu 智能体软件工厂,解释它是如何在 Slack 和 Jira 中实现需求拆解、跨部门询问和自动化开发的。"/> <Elicitation label="对比 Phenom 智能体四层架构与传统系统架构的异同" query="请对比 Phenom 提出的智能体四层架构(编排层、本体层、配置层、应用层)与传统系统架构的异同,并解释其在实际业务中的作用。"/> </ElicitationsGroup>
[19:25](https://www.youtube.com/watch?v=XOThNoSud90&t=1165s) 跨职能流程治理与“单一负责人”机制
在探讨如何落地 Agentic AI 之前,JLL 的 Carlin Power 提出了一个至关重要的前置准备步骤:对跨业务线和跨职能部门的复杂流程进行治理重构。她以企业中普遍存在的“请求到解决”(Request to Resolution,即员工发起需求并需要人工介入解决的流程)为例。在三个月前,这个流程极为臃肿混乱,分散在 12 个系统、74 个团队、17 个预算中心以及约 240 位高管级利益相关者手中。
```mermaid flowchart TD accTitle: 请求到解决流程重构架构图 subgraph Past["改造前:分散混乱模式"] P1["12 个独立系统"] P2["74 个职能团队"] P3["17 个分散预算"] P4["240+ 位管理层 Stakeholders"] end
subgraph Governance["治理重组:单一归口机制"] Lead["单一责任人 (Accountable Leader)"] Bud["独立专项预算"] Align["全公司 ROI 与商业价值目标"] end
subgraph Present["改造后:敏捷运作模式"] Lead --> Bud Bud --> Align Align --> Out["打破部门壁垒(SOP/KPI 统一),高效驱动 Agentic 落地"] end ```
为了彻底打破这种壁垒,JLL 采取了一项关键决策:将复杂的跨职能流程指定给单一负责人(Single Accountable Owner)。该负责人对整个流程的决策和组织重塑全权负责,从而避免了首席人力资源官(CHRO)、首席财务官(CFO)和首席信息官(CIO)之间的利益冲突。公司不仅为该负责人设立了独立的专属预算,还确保其考核只对全公司的整体效益与投资回报率(ROI)负责,彻底摆脱了过去各部门因各自 SOP、KPI 及预算限制而产生的内耗。
---
[21:34](https://www.youtube.com/watch?v=XOThNoSud90&t=1294s) 岗位角色演变与化解员工学习焦虑
主持人 Jill Hosmer-Jolley 随后将焦点转向组织变革中的员工转型:当员工从“执行工作的生产主体”转变为“监督与审查 AI 产出的人机协同者(Human-in-the-loop)”时,企业该如何推进。Zumba 的 Ralph Valdes 明确表示,自己并不认同“AI 会夺走所有人的工作”,AI 更是一种增强而非替代力量。但他强调,每个人都应该保持一种“健康的危机感”——“AI 不会抢走你的工作,但善用 AI 的人会夺走你的工作”。企业应鼓励员工为了自身的职业未来积极尝试与学习,因为无论身处哪家公司,这些技能都将决定未来的竞争力。
在推进培训与转型时,Ralph 指出最大的阻力在于员工的“时间贫困”:“我本身就已经全职满负荷工作了,现在你还要我花额外的时间忍受效率降低,去学习一个两个月后才可能有用的东西。”面对这种合理的抱怨,Ralph 建议企业内部的早期实践者积极提供协助,将自己的工作流和 Agent 演示给同事看,用直观的成效帮助大家看到“隧道尽头的曙光”,从而愿意承受初期的阵痛。
NIX 的 Max Ushchenko 则从软件工程视角补充道,AI 正在深刻改变工程师的工作性质。过去企业追求“摇滚明星般的资深工程师”,而现在借助 AI 工具集,普通工程师甚至需要成为能够同时胜任 5 项职能的“一人交响乐团”。因此,招聘门槛已全面转向要求具备 AI 实战经验,团队文化也转变为“接到任务的第一时间,就要思考该任务是该由 Agent 完成、AI 辅助完成还是由自己完成”。
---
[27:00](https://www.youtube.com/watch?v=XOThNoSud90&t=1620s) 高管激励绑定与重塑业务价值主张
针对员工转型过程中的压力管理,Carlin Power 指出,推动变革的核心往往不是 CHRO,而是来自 CEO 的顶层设计。在 JLL,CEO 将高管的薪酬激励机制与员工赋能和企业 AI 转型直接挂钩。Carlin 的团队曾历时数月与各部门领导人坐在一起,重新梳理并书写各自部门的核心价值主张(Value Proposition)。令人惊讶的是,很多业务部门甚至无法清晰表述自己当前的价值主张。
```mermaid flowchart LR accTitle: 业务价值主张重构流程 A["梳理现状价值主张"] --> B["识别 AI 替代/增强环节"] B --> C["价值捕获分析<br>(吞吐量/新业务线/效率)"] C --> D["重写价值主张与员工角色"] D --> E["从底层支持转为<br>最大化投资回报的高价值团队"] ```
团队通过系统性梳理,明确哪些环节会被 AI 替代、增强或重构,并将收益重新映射为业务吞吐量的增加、新营收线的拓展或服务质量的提升。通过奖励变革、而不是因效率提升去惩罚裁撤岗位,公司有效化解了员工的抵触与恐惧。Carlin 分享了一个具体案例:两年前她召集技术支持团队,直言“你们 80% 的日常工作未来将不再存在,我们可以坐以待毙,也可以重新定义自己的价值”。如今,这批员工已从被动的“工单处理者”蜕变为了“知识库专家”与“Agent 编排架构师(Agent-to-Agent Orchestrators)”,直接帮助企业最大化技术投资价值。
- **80/20 转型法则**:剥离 80% 的机械重复工作后,员工得以专注于 20% 最具挑战、最能提供情感价值与深度支持的核心难题,并将该价值成倍放大。
---
[30:47](https://www.youtube.com/watch?v=XOThNoSud90&t=1847s) 蓝领与白领差异化落地:从医疗到制造的用例
Phenom 的联合创始人兼 CEO Mahe Bayireddi 赞同 CEO 是核心驱动力的观点,因为资本市场正在倒逼企业建立全新的高性价比运营模式。他提出,企业的工作可以划分为 1 到 5 个层级(Zone 1 至 Zone 5): - **Zone 1 与 Zone 2**:偏向一线员工(Frontline Workers,如蓝领操作工、一线护理人员)。 - **Zone 4 与 Zone 5**:偏向知识工作者(Knowledge Workers)。
```mermaid flowchart TD accTitle: 医疗与制造场景中的 AI 流程差异 subgraph Healthcare["医疗场景 (以 Baylor Scott & White 为例)"] H1["痛点:护士退休多、毕业少、招聘极难"] H2["Agent 落地:自动化资质筛选全流程"] H3["成效:招聘官省 20-25% 时间,管理者省 3 小时/周"] end
subgraph Manufacturing["制造场景 (以 Thermo Fisher 为例)"] M1["特点:制造员工招聘快、批量大"] M2["痛点:新人到岗后的培训与管理承载力不足"] M3["角色转移:招聘人员实时转向负责入职培训 (Onboarding)"] end ```
AI 在不同行业和工种中的自动化与 Agent 架构应用差异巨大,CHRO 需要动态识别哪些业务在缩减、哪些在扩张,并在内部灵活调配人才。例如在医疗健康领域,Baylor Scott & White Health 面临护士老龄化与极端用工荒,引入 Agent 自动化筛选基础设施后,每周为招聘专员节省 20%~25% 的时间,为业务经理每周节省至少 3 小时;而在 Thermo Fisher 赛默飞世尔的制药制造场景中,招聘速度虽快,但管理承载力有限,企业便将招聘专员的角色动态切换为入职培训管理人员(Onboarding),实现人力资源的敏捷重组。
---
[34:18](https://www.youtube.com/watch?v=XOThNoSud90&t=2058s) 嘉宾金句总结与核心建议
在进入问答环节前,主持人邀请四位嘉宾各自分享了一句最希望观众带回企业的核心总结:
| 嘉宾 | 核心建议 | 详细内涵 | |:--- |:--- |:--- | | **Mahe Bayireddi** | 聚焦具体用例与业务结果 | 技术架构每年都在剧烈迭代(从 RAG 到图模型、Loop 工程再到 Agent Harness),只有锚定在稳定的业务产出上,才能在技术变迁中保持定力。 | | **Max Ushchenko** | 先修复流程,再引入 AI | 如果业务流程本身是混乱无效的,AI 不会解决问题,只会将错误和缺陷成倍放大。 | | **Ralph Valdes** | 拥抱变革,主动成为 Agent 的拥有者 | 未来 6 个月到 3 年内大量工作将被自动化,但也创造了巨大的新管理界面,员工应积极寻找并主动认领这些新机会。 | | **Carlin Power** | 领导者以身作则,发挥一线创造力 | 最有效的变革管理是领导者亲自示范行为模式,同时必须相信一线员工才能构想出最具颠覆性的市场竞争方式。 |
---
[37:53](https://www.youtube.com/watch?v=XOThNoSud90&t=2273s) 观众互动:CEO 薪酬考核指标设计与流程挖掘
现场进入 Q&A 环节,观众 Arlon 提问 JLL 的 CEO 是如何通过薪酬机制推动全员采纳 AI 的。Carlin Power 透露,公司全球执行委员会(汇报给 CEO 及董事会的高管)有明确的业务 KPI 和薪酬 KPI,且薪酬考核具有一票否决权——未达成 KPI 将无法获得任何奖金: - **AI 熟练度(AI Fluency)**:硬性考察各业务线领导者的 AI 应用水平。 - **自动化比例目标**:针对各个具体业务板块和职能部门,制定明确的流程自动化百分比指标。 - **Agent 采纳度**:在统一平台内推动 AI 与 AI Agent 的实际使用深度。近两年来,每位高管的奖金考核均深度绑定了这些变革指标。
随后,Butterworth Advisors 负责人、前 CBRE 首席技术官 Nicholas Butterworth 提出了关于业务流程挖掘(Process Discovery)的挑战,指出在重构像 17 个系统并存的复杂工作流之前,如何有效厘清与发现这些底层流程往往是企业面临的最艰难一步。
[39:46](https://www.youtube.com/watch?v=XOThNoSud90&t=2386s) 利用 AI 发现与记录工作流的挑战与隐性盲区
小组讨论进入尾声,主持人抛出了关于变革管理漏斗顶端(Top of funnel)的关键问题:企业是否已经能够利用 AI 来主动发现并记录(discover and document)既有的工作流。Ralph Valdes 指出,这在当前仍然是一个极其棘手的挑战,团队目前还没有在这方面大量应用 AI。对于那些结构清晰的领域——比如软件工程和数据流——由于其工作流本身已经被高度文档化、透明化,因此识别和完成模式转换相对容易。
真正的痛点隐藏在那些深层且未被记录的人工节点中。Ralph Valdes 形象地描述了一种企业常见现象:在组织架构“深埋六层之下”(six levels deep)的某个基层员工,掌握着某项极其微小但关键的操作;如果这位员工每周没有在特定时间提交某项数据,整条下游业务链(downchain stream)就会彻底崩溃。现阶段的 AI 尚无法敏锐地挖掘出这种深层隐性依赖,而这正是企业未来亟需攻克的方向。
```mermaid flowchart TD accTitle: 识别显性工作流与隐性盲区的对比 subgraph Explicit["显性/易捕捉领域"] A["软件工程与数据流"] --> B["已有清晰文档与规范"] B --> C["易于 AI 识别与流程转型"] end
subgraph Implicit["隐性/深层盲区"] D["深处组织 6 层的关键岗位"] --> E["每周单点人工提交"] E --> F["AI 尚未能自动发现依赖"] F --> G["一旦遗漏引发下游链路崩溃"] end ```
---
[40:49](https://www.youtube.com/watch?v=XOThNoSud90&t=2449s) JLL 的三步走优化路径:离岸外包、低代码自动化到 Agent 化
针对工作流发现与梳理的问题,Carlin Power 分享了仲量联行(JLL)采取的“人机结合”策略。JLL 在印度班加罗尔建立了一个名为 JLL Business Services 的离岸中心,部署了大量精益六西格玛(Lean Six Sigma)流程工程师,结合低代码平台 Mendix 以及专用的六西格玛流程建模工具(如 Blueprint),自底向上地对组织内部所有 Level 0、Level 1 和 Level 2 流程进行全量绘制与梳理。
在具体落地上,JLL 制定了一套清晰且高性价比的三步演进路径: 1. **离岸迁移(Offshore Transition)**:先将梳理明确的标准流程移交至班加罗尔的离岸服务中心。 2. **流程自动化(Automate via Mendix)**:借助 Mendix 低代码工具将规则化步骤自动化。 3. **Agent 化改造(Agentify)**:在自动化流程之上注入智能体能力,实现端到端的 Agentic 运作。
Carlin Power 坦言,市面上或许有采用全职等效员工(FTE)或昂贵咨询方案的做法,但企业必须对股东资金负责,这种结合精益流程工程与低代码工具的阶梯式推进,是目前性价比最高的实现路径。
```mermaid flowchart LR accTitle: JLL 流程重构三步演进模型 A["班加罗尔精益六西格玛团队<br/>Mapping L0/L1/L2 流程"] --> B["第一步:离岸迁移<br/>(Transition Offshore)"] B --> C["第二步:低代码自动化<br/>(Mendix Automation)"] C --> D["第三步:智能体化改造<br/>(Agentify)"] ```
---
[42:05](https://www.youtube.com/watch?v=XOThNoSud90&t=2525s) Phenom 基于跨客户本体与 AI 的逆向诊断与对客赋能
Phenom 首席执行官 Mahe Bayireddi 提出了截然不同的企业级软件服务视角。他主张企业软件厂商必须在客户自己分析之前,先一步对客户的业务进行深度解剖,因为“如果你不能比客户更懂他们所在的垂直赛道,企业软件就失去了存在的根本意义”。
Mahe Bayireddi 阐释了其背后的核心机制:单一企业内部的视野往往受限于自身上下文,而 Phenom 能够聚合跨 700 多家企业客户沉淀的数据与业务上下文,并将这些洞察凝练注入到产品底层的数据本体(Ontologies)中。当他们走向客户时,系统早已深度理解该客户的业务断点,并能通过广泛部署的 AI 精准指出哪些环节存在优化和自动化的迫切需求。这种诊断不是为了技术炫技,而是帮助企业直面当下的业务压力;借助 AI 进行这种大规模上下文提炼与诊断,成为了推动业务指数级扩张的核心驱动力。
- **跨客户上下文融合**:打破单家企业的数据孤岛,利用 700+ 客户的跨组织经验构建行业核心本体。 - **主动式业务诊断**:在对客交付前,利用 AI 预先测算潜在效率漏洞,由外部驱动企业内部变革。
---
[43:13](https://www.youtube.com/watch?v=XOThNoSud90&t=2593s) 圆桌尾声与线下交流
主持人 Jill Hosmer-Jolley 对四位嘉宾充满见地、幽默且富有实操价值的分享表示高度赞赏。由于论坛时间限制,现场未能开放更多观众提问,主持人对在场观众的耐心表示感谢,并幽默地提醒大家:“我们优秀的嘉宾们接下来会走到走廊,大家可以在过道里随时‘围堵’他们继续交流。” 圆桌讨论在热烈的掌声与致谢中正式落下帷幕。
## Notable quotes > [03:09](https://www.youtube.com/watch?v=XOThNoSud90&t=189s) generic(通用)上下文只能解决 30% 的基础场景,唯有深度融入行业及部门的专属上下文,智能体才能带来质的飞跃。 — Mahe Bayireddi
> [10:38](https://www.youtube.com/watch?v=XOThNoSud90&t=638s) 智能体应该生成什么?谁来决定?遇到矛盾或歧义时怎么处理?由谁来进行设计审查与产品决策? — Ralph Valdes
> [17:28](https://www.youtube.com/watch?v=XOThNoSud90&t=1048s) 企业没有勇气去拆解和重组内部病态的组织架构与领导力结构。 — Mahe Bayireddi
> [21:34](https://www.youtube.com/watch?v=XOThNoSud90&t=1294s) AI 不会抢走你的工作,但善用 AI 的人会夺走你的工作。 — Ralph Valdes
> [21:34](https://www.youtube.com/watch?v=XOThNoSud90&t=1294s) 我本身就已经全职满负荷工作了,现在你还要我花额外的时间忍受效率降低,去学习一个两个月后才可能有用的东西。 — Ralph Valdes
> [21:34](https://www.youtube.com/watch?v=XOThNoSud90&t=1294s) 接到任务的第一时间,就要思考该任务是该由 Agent 完成、AI 辅助完成还是由自己完成。 — Max Ushchenko
> [27:00](https://www.youtube.com/watch?v=XOThNoSud90&t=1620s) 你们 80% 的日常工作未来将不再存在,我们可以坐以待毙,也可以重新定义自己的价值。 — Carlin Power
> [34:18](https://www.youtube.com/watch?v=XOThNoSud90&t=2058s) 先修复流程,再引入 AI。 — Max Ushchenko
> [34:18](https://www.youtube.com/watch?v=XOThNoSud90&t=2058s) 最有效的变革管理是领导者亲自示范行为模式,同时必须相信一线员工才能构想出最具颠覆性的市场竞争方式。 — Carlin Power
> [42:05](https://www.youtube.com/watch?v=XOThNoSud90&t=2525s) 如果你不能比客户更懂他们所在的垂直赛道,企业软件就失去了存在的根本意义。 — Mahe Bayireddi
## Mentioned Ralph Valdes, Carlin Power, Max Ushchenko, Mahe Bayireddi, Jill Hosmer-Jolley, Nicholas Butterworth, Zumba Fitness, JLL, NIX, Phenom, California State University Monterey Bay, Butterworth Advisors, Ask JLL, Kodu, Snowflake Agents, Slack, Jira, Mendix, Blueprint, Baylor Scott & White Health, Thermo Fisher Scientific, Jensen Huang, Jeff Bezos, Satya Nadella
## Video description Ralph Valdes — Chief Technology Officer, Zumba Carlin Power — Global Head of AI and Enterprise Product Engagement, JLL Max Ushchenko — Director of AI and Data, NIX Mahe Bayireddi — CEO & Co Founder, Phenom Jill Hosmer-Jolley — Faculty, California State University Monterey Bay
Agentic AI reshapes how work gets done. This panel explores how enterprises are re-architecting workflows to integrate autonomous agents, from front-office operations to back-office processes. Panelists will highlight how to identify the right use cases, redesign cross-functional processes, and redefine employee roles to ensure smooth adoption. The discussion will also cover change management strategies, including leadership alignment, workforce training, and cultural adjustments, that enable agentic AI to be embraced across the enterprise.
[Source](https://www.youtube.com/watch?v=XOThNoSud90)