AI重塑中台：人从执行者变为监督者

0 · Summary

用AI工具替代工作流中的部分环节，子任务仍靠人工串联，整体流程未重构。

假设某本地生活中台团队需制定端午节GMV目标，针对每个环节，可引入AI工具提升效率：

此阶段每个环节均有适配AI工具，但人仍是流程的总控者。

指南

指北

当AI工具覆盖率达饱和，边际收益递减，应重构核心重复模块，实现自动化。人不再手动连接任务，而聚焦于设目标、定边界、设检查点与做决策。

仍以营销GMV测算为例，可通过Master Thread统筹任务、拆解模块、监控进度，再由多个子流程分别负责目标框架、报告处理、数据清洗、文档生成与结果评估。每个模块需明确输入、输出、规则与验收标准。

指南与指北

指南

指北

上述两阶段预计持续1-3年，中台人员核心任务是建立基于大模型与Agent的思维范式，但勿沉迷于特定技能或自建流程，主流技能终将被模型内化。例如：

Agent = Model + Harness + Tools + Memory + Skills

当大量任务实现自动化，变革将从任务层延伸至岗位层。岗位将演变为由Agent、规则、记忆、工具与授权机制构成的复合体，人的角色逐步弱化。

岗位Agent化的基础源于两方面：

其一，随着AI覆盖度提升，几乎所有工作行为被记录，实现贡献拆解成为可能：

如“夏季战役”项目结束后，可基于所有参与者记录，还原任务链路与真实贡献，抽象能力模型，重组岗位Agent。真正核心的能力在于设计策略、提供高密度判断、做出关键决策并驱动落地。

其二，所有中台工具将按AI-native理念重构，使Agent可完成全链路执行。例如新补贴平台，图形界面不再是唯一入口，系统需提供适配Agent调用的MCP类接口，让补贴Agent直接调用配置，而非依赖浏览器插件。

桥水基金Ray Dalio开会时，通过内部APP（Dot Collector）让与会者实时互评，并动态展示反馈。AI将降低此类评估成本，并扩展至方案设计、文档协作与项目执行。

我们尚难判断该体系是否更公平，但在LLM的黑箱概率游戏中，所有人将主动揣摩并迎合模型偏好——这真是理想方向吗？

昔日外卖骑手流传各种“玄学”抢单；未来中台人也将衍生“秘技”，以提升AI评分。

Dot Collector 的评价维度界面。