2026 年，管理范式正在从「人 + 工具」转向「人 + AI + 工具」。 这一章回答两个问题： ① 本书八层体系里，每一层哪些地方可以立刻上 AI？ ② 「AI 原生组织」长什么样？怎么一步步走过去？
写作者自身就是一个 AI 组织实践者（本仓库由人类创始人 + AI 协作者共同维护，部署了 20+ 自动化任务）。
每层给出：AI 能做什么 / 用什么工具 / 成熟度（🟢可用 🔵半成熟 🟠早期）
| AI 实践 | 做什么 | 工具示例 | 成熟度 |
|---|---|---|---|
| 市场洞察 | 五看中的看宏观/行业/竞争——AI 自动聚合新闻/研报/竞品动态 | 情报雷达（TrendRadar）、AI 搜索、研报摘要 | 🟢 |
| 情景规划 | AI 生成 2-4 个未来情景 + 每情景应对预案 | LLM + 提示词框架 | 🔵 |
| 竞争监控 | 自动跟踪竞品价格/新品/招聘/融资 | 爬虫 + LLM 摘要 | 🟢 |
| 预算模拟 | What-if：改一个参数看净利润影响 | BI + LLM 自然语言查询 | 🔵 |
| 复盘纪要 | 月度经营会自动转录 + 差异归因 + 待办提取 | 语音转写 + LLM | 🟢 |
案例：华为 BLM 的「五看」中，AI 可显著自动化宏观、行业、竞争信息的初步搜集与摘要；信息验证、客户洞察、内部能力判断和战略取舍仍需人完成。
| AI 实践 | 做什么 | 成熟度 |
|---|---|---|
| 协议审阅 | AI 扫描股权协议/公司章程/合同的异常条款 | 🟢 |
| 合规检查 | AI 检查关联交易定价是否偏离市场价（转移定价红线） | 🔵 |
| 董事会材料 | 自动生成董事会汇报材料/经营月报 | 🟢 |
| 跨境法规监控 | AI 跟踪目的国监管变化（电子烟 PMTA/TPD 等） | 🟢 |
| 环节 | AI 实践 | 工具示例 | 成熟度 |
|---|---|---|---|
| 业务/销售 | AI 自动跟进线索、写报价邮件、客户画像 | CRM AI、邮件 AI | 🟢 |
| 研发 | AI 辅助设计（结构/电路/代码）、专利检索、竞品拆解 | Copilot、AI 检索 | 🟢 |
| PMC | AI 预测排产、交期预测、物料齐套预警 | 预测模型 + ERP 数据 | 🔵 |
| 生产 | AI 视觉质检（缺陷检测）、设备预测性维护 | 工业视觉模型 | 🟢 |
| 品控 | 质检报告自动生成、客诉分类归因 | LLM + 视觉 | 🟢 |
| 客服 | 24h AI 客服 + 客诉自动分类/升级 | 客服机器人 | 🟢 |
制造企业最优先试点：视觉质检 + 客诉分类 + 交期预测（ROI 最高、落地最快）。
| AI 实践 | 做什么 | 成熟度 |
|---|---|---|
| AI Agent 员工 | 把 AI Agent 当作「虚拟员工」进入部门（如「AI 采购员」「AI 跟单员」） | 🔵 |
| 流程自动化 | RPA + AI 自动处理单据/审批/对账 | 🟢 |
| 组织知识库 | 公司大脑：所有 SOP/文档/经验喂给 AI，员工随时问答 | 🟢 |
| 会议纪要 | 周会/评审会自动纪要 + 任务分派 | 🟢 |
| 资源 | AI 实践 | 成熟度 |
|---|---|---|
| 人 | AI 简历筛选、面试评估辅助、新人培训问答 | 🟢 |
| 财 | AI 发票识别入账、对账、现金流预测、成本异常预警 | 🟢 |
| 物 | AI 采购寻源比价、供应商风险监控、断供预警 | 🔵 |
| 数 | BI 自然语言查询（问一句出报表）、数据质量自动检查 | 🟢 |
案例（本书实践）：作者团队已把「数」做成 AI 驾驶舱——每天自动汇总收入/毛利/库存/现金流推送到飞书，由 AI 生成经营日报并标红异常。
| AI 实践 | 做什么 | 成熟度 |
|---|---|---|
| 研发速度 | AI 辅助研发 = 专利/新品迭代速度翻倍 | 🟢 |
| 数据壁垒 | 业务数据 + AI 分析 = 对手没有的洞察 | 🔵 |
| 运营效率 | AI 降本 = 成本优势 = 最硬的护城河之一 | 🟢 |
| 个性化 | AI 千人千面服务/产品配置 | 🔵 |
注意：AI 是「工具」，护城河还是「人 + 组织 + 数据」——AI 增强护城河，但不会凭空造出护城河。
| AI 实践 | 做什么 | 成熟度 |
|---|---|---|
| 反欺诈/异常检测 | AI 识别异常交易/报销/库存损耗 | 🟢 |
| 合规监控 | AI 扫描合同/单据合规性 | 🔵 |
| 舆情/危机预警 | AI 7×24 监控品牌舆情、竞品负面、行业风险 | 🟢 |
| 审计辅助 | AI 抽凭、异常审计线索发现 | 🔵 |
| AI 实践 | 做什么 | 成熟度 |
|---|---|---|
| 决策参谋 | AI 聚合信息 → 给 CEO 列选项/利弊/证据链 | 🟢 |
| 红队挑战者 | AI 专门唱反调：指出你决策的偏见和盲区 | 🔵 |
| 实时驾驶舱 | AI 随时回答「现在公司什么状态」 | 🟢 |
| 复盘分析 | 决策后 AI 跟踪结果、检验假设 | 🔵 |
关键：AI 是参谋不是司令。最终决策权、责任、信任必须在人。
三种形态不是时间线，也不是线性升级——同一家公司可以并存：客服用 AI Agent、财务仍是 Copilot、研发已做流程级自动化。区分维度是「AI 参与业务的程度」。
传统组织 + AI 工具
人做所有事，AI 帮人更快
例：员工用 AI 写邮件、做报表、查资料
判定维度：AI 是个人工具，无长期状态，不直接调用业务系统，决策权不变。
人 + AI Agent 共同组成团队
AI 是「成员」：有自己的角色、任务、输出物
例：AI 销售助理自动跟进、AI 质检员 24h 盯产线、AI 财务助理对账
判定维度：AI 拥有角色和长期上下文，能调用部分业务系统执行受限任务，关键动作需人复核。
本仓库作者的实践：本仓库就是「人类创始人 + AI 协作者」共同维护——AI 负责内容起草/部署评测/文档生成，人负责判断/定方向/终审。这就是形态二的最小样本。
核心流程、数据和权责围绕人机协作设计
AI 驱动受限流程，人做监督/决策/例外处理
例：AI 在销售/客服/财务等职能流程中执行受限任务，人管目标、权限和红线
判定维度：核心流程围绕人机协作重新设计，AI 有长期状态、能执行动作、有权限边界和审计日志。
⚠️ 诚实警告：形态三目前多为「demo 能跑、生产未验证」。生产部署应从单流程、最小权限、可回滚动作开始，不建议一开始就让 AI 跨部门自主经营。
| 仓库 | ⭐ | 项目自述定位 | 实际公开组件 | 证据等级 |
|---|---|---|---|---|
| Claw-Company/clawcompany | 583 | AI 公司 OS：38 角色/6 模板/4 层记忆 | 角色模板 + 记忆系统，TypeScript | README/演示 |
| getnao/sylph | 178 | 公司大脑：AI agents + skills + 自改进 | MCP 集成 + agent 框架，JavaScript | README/演示 |
| Lifecycle-Innovations-Limited/claude-ops | 114 | Claude Code 企业运营：57 skills/21 agents | Claude Code 技能包 + 集成 | README/演示 |
| yomidenzel/BOS | 130 | 把 Claude 变成 COO（10 个 AI 技能） | Claude Code 技能包（法语） | README/演示 |
| felipeluissalgueiro/hive | 20 | Claude Code squads 跑公司 | 多 agent harness，HTML | 早期原型 |
| 10Legs/ceo-f500-harness | 8 | 15 个高管 agent + 决策权限矩阵 | agent 提示词 + 工作流 | 早期原型 |
⚠️ 证据说明：⭐ 为当日快照，不代表采用量或生产成熟度。上表「证据等级」基于公开 README/目录/示例；是否可用于生产，需自行验证（测试、部署文档、生产案例）。
没有数据，AI 是空转。先做「数」（05 章）：
优先选「高频、重复、有数据、容错高」的场景：
| 场景 | 为什么先做 | 见效时间 |
|---|---|---|
| AI 客服/客诉分类 | 高频、数据现成 | 2-4 周 |
| AI 经营日报/复盘 | 简单、立刻用 | 1-2 周 |
| AI 视觉质检 | ROI 最高 | 1-3 个月 |
| AI 销售线索跟进 | 直接增收 | 1-2 个月 |
⚠️ 治理不是第 4 步才做——在第一个试点之前就要建立最小治理，否则 AI 会先于规则进入业务。第 4 步是把治理系统化。
部门：__________
痛点（一句话）：__________
AI 能做什么：__________
需要什么数据：__________
预计节省人力/时间：__________
风险与容错：__________
试点周期：__________
复核人：__________
| 事项 | 人做 | AI 辅助 | AI 全自动 | 复核人 |
|---|---|---|---|---|
| 战略方向 | ✅ | ✅ 情报 | ❌ | — |
| 客户报价 | ✅ 拍板 | ✅ 建议价 | ❌ | CEO |
| 客诉分类 | ❌ | ❌ | ✅ | 品质部 |
| 经营日报 | ❌ | ❌ | ✅ | 财务 |
| 大额采购 | ✅ 审批 | ✅ 比价 | ❌ | 总经理 |
| 合同初审 | ✅ 终审 | ✅ 预审 | ❌ | 法务/老板 |
| 风险 | 说明 | 对策 |
|---|---|---|
| AI 幻觉 | AI 会一本正经地胡说 | 关键决策必须人核 + 给 AI 数据源 |
| 数据安全 | 商业机密喂给云端 AI | 敏感数据用本地/私有化部署（如 Ollama） |
| 过度依赖 | 人判断力退化 | 定期「无 AI 日」锻炼判断 |
| Agent 失控 | AI 做了不该做的事 | 权限边界 + 审计日志 + 红线清单 |
| 虚假效率 | demo 好看但没真用 | 试点必须量化 ROI，不达标就砍 |
AI 原生组织不是「用 AI 替代人」，是「用 AI 把人的精力从重复劳动中解放出来，集中到判断、关系和创新上」。 从数据底座开始，先试点 3 个高 ROI 场景，再让 AI 成为团队成员，最后建立 AI 治理。 2026 年不做 AI 实践的公司，等于 2010 年不用智能手机。
欢迎 PR：