在可比任务上，AI 智能体把完成时间从 269 分钟压缩到 36 分钟——相比仅靠搜索作业的人，估计省下约 87% 的时间和 94% 的成本（Yang et al., arXiv 2606.07489, 2026）。这是每条头条都在转载的数字。它也是本季度会把运营负责人引向错误决策的数字。单独来看，94% 的成本下降听上去像是一条即将削减的人员编制。但同一份研究若读到摘要之外，说的恰恰相反：人的工作并未蒸发。它在迁移。而它迁移的去向——走向验证、编排，以及跨越任何组织架构图上从未存在过的岗位边界——正是狭窄的岗位定义无法触及之处。
这才是值得你关注的发现，而它被埋在成本数字之下。AI 智能体并不会减去一层人。它把剩余的人类工作向上、向旁迁移。如果你的岗位是按旧工作裁剪的，这种迁移就无处落地——智能体创造的价值又会以摩擦的形式漏出去。
人人引用的数字，和被跳过的那个
该研究基于 Perplexity 旗下 Search 与 Computer 两款产品在 2026 年 2 月底至 5 月底为期 90 天窗口内的生产数据，由一位哈佛商学院（Harvard Business School）研究者与 Perplexity 团队共同撰写（MarkTechPost, 2026）。头条的反差是真实的：一次智能体会话执行约 26 分钟的自主工作，而常规搜索仅为 33 秒。压缩成一次可比任务的对照，就是从 269 分钟到 36 分钟的崩塌。
下面是没有刷屏的那部分。研究测量了智能体旁边那个人身上发生了什么，两个信号格外突出。第一，智能体产品上每次查询的不满意度下降了约 55%——用户不只是更快，他们得到的产出可信到足以在其上继续构建。第二，也是对如何组建团队更具决定性的：后续工作向上迁移了。一旦智能体接管了执行，人剩下的查询便集中到验证与延展——核查智能体的产出并把它推得更远——而不是从零做这件任务。
这是与"AI 让人更快"不同的主张。它说人类岗位的内容改变了形态。智能体归还的分钟数并未作为可削减的闲置产能回来。它们被再投资到一项工作者此前几乎不做的更高阶活动上：治理机器的产出，并把它延展到高一层的工作。
剩余工作去了哪里：验证与范围
两类重新安置至关重要，而运营对二者都负有所有权。
第一类是纵向的。当智能体执行时，人不再是执行者，而成为验证者与编排者。岗位沿价值链向上移动——从生产草稿到判断草稿是否正确，从做分析到决定该做哪项分析、以及拿它做什么。这是熟练工作，且并非当初招这个岗位时所要的那种能力。一支为执行而挑选的团队，并不自动就是一支能够验证与指挥的团队。
第二类是横向的。研究发现，智能体的使用者开始尝试跨越职业边界的任务——那种把不同角色的相互依赖子任务捆在一起、要求更高阶认知、且在前智能体使用中根本不曾出现的工作。智能体不只是加速了既有工作；它扩大了一个人会去尝试的范围，把过去需要第二位专家或转交另一职能的工作也拉了进来。
把两者放在一起，运营图景就反转了。智能体缩小了任务。它放大了岗位。坐在工位上的人现在被要求验证机器产出，并在比其岗位说明书所命名的更宽的工作带上作业。如果岗位仍按前智能体的狭窄任务裁剪，两件事会崩坏：验证工作无人去做（因为没人为它负责），而跨边界工作卡在旧有的筒仓墙前（因为组织架构图仍说它属于别人）。
诚实地为利益冲突定价
严谨的解读必须点明显而易见之处：Perplexity 共同撰写了一份吹捧 Perplexity 产品的研究，且至少有一家媒体对此直接提出质疑（PPC Land, 2026）。那些效率量级——87%、94%——来自一家在这些数字越大越有商业利益的供应商，理应得到任何供应商撰写的基准都该有的怀疑。把精确数字当作方向性的，而非奉为圭臬。
但请注意冲突真正威胁的是发现的哪一部分。供应商有充分动机去夸大成本节省的数字。它没有特别的动机去揭示那个令人不便的——即它的工具把人类工作重新安置到验证与跨边界范围，这对买家是麻烦，而非卖点。重新安置这一发现与"AI 取代工作"这套卖智能体的干净叙事相抵触。它仍然出现，反而使其更可信，而非更不可信。你可以给 94% 打折，仍然严肃对待那个结构性主张：剩余的人类工作向上、向外迁移，无论确切的效率倍数是多少。
为何是岗位架构，而非工具使用权，才是约束性瓶颈
如果工作迁移了而你的岗位没有，迁移就无处可去。这正是为什么 AI 价值的约束性瓶颈不在于你发放多少席位、也不在于你的人提示词写得多好——而在于你的岗位架构能否吸收智能体向上、向旁推送的工作。
更广泛的证据已经表明，多数组织恰恰卡在这一点上。针对 1,217 名高管的 PwC 2026 AI Performance 研究发现，AI 可测经济价值的 74% 被仅仅 20% 的公司攫取——而领先这五分之一的区别特征不是更好的工具，而是它们围绕 AI 重新设计工作流程的可能性高出一倍，而非把 AI 加装到既有流程上（PwC, 2026）。在 PwC 的框架里，技术只交付一项举措约 20% 的价值；另外 80% 来自重新设计工作。Deloitte 的 State of AI in the Enterprise 2026 给出了"做到的人有多少"的数字：对 AI 最常见的回应是员工培训，而非重新设计岗位或流程，致使绝大多数组织把 AI 工具叠加在未变的岗位之上（Deloitte, 2026）。
三个来源呈现的模式一致。工具使用权不再是稀缺的投入。重新设计的岗位才是。胜出的公司是那些围绕智能体所改变之处重建工作的公司；观望的公司是那些买了工具、却让工作一切照旧的公司。
中端市场的暴露
这对 100 到 500 人规模的公司打击最重，且是结构性的。大型企业有余裕：冗余的专才、一个组织设计职能、以及让工作跨越边界的余地，因为某处总有人对那道接缝负责。中端市场则精瘦。岗位被裁剪到极紧，因为没有替补席；职业筒仓僵硬，因为每个人都恰好在唯一一条车道里承重。
对于想要迁移的工作，这是最糟糕的起始姿态。当智能体压缩了一家 200 人运营的执行工作，把残余向上推入验证、向旁推入相邻角色时，没有富余岗位去接住它，也没有组织设计职能去重画边界。验证工作掉进缝隙，跨边界任务死在筒仓墙前，智能体产出的效率转化为无主的工作，而非被捕获的价值。中端市场正是最可能凭 94% 这个数字买下智能体、却在组织上最缺乏能力去兑现它的那一群。
本季度的重新设计动作
高杠杆的一招不是又一次工具评估。而是围绕智能体实际重新安置的工作，去重新设计一个岗位族——并刻意为之，赶在迁移意外发生、却无处落地之前。
挑一个智能体已经上线的岗位族。绘出人在智能体跑完之后现在做什么。你会发现两簇：验证并纠正智能体的产出，以及伸手去做原本属于相邻角色的工作。那一簇就是新岗位。把它白纸黑字写成岗位本身，而不是当作加班。
让验证成为有主的职责，而非缺口。如果每十份智能体产出有三份未经人工核查就发出——这是 2026 年其他劳动力数据不断浮现的量级——那么验证者角色就是你的差错风险控制点，而此刻在多数团队里无人担此责。指定负责人，把智能体腾出的时间给他，并衡量拦截率。
按判断力与系统思维去招聘和调动人，而非按任务吞吐量。被重新安置的工作奖励的是评估机器产出、跨边界作业的能力——一份过往任务执行的履历几乎无从预测这些。这正是客观心理测量信号胜过代理指标之处：按新岗位所要求的特质去甄选，而非按智能体刚刚吸收掉的那项旧任务的熟练度。
这也是我们在 Scovai 思考 talent 与 operations intelligence 的贯穿主线：当工作改变形态，关于由谁来做的决定应当建立在客观、可追溯的信号之上，而非建立在一份为机器刚刚接手的工作而写的岗位说明书之上。
本季度的决定
这是季度收尾前要做的唯一决定。拿出你最成熟的 AI 智能体部署，回答一个问题：你是否围绕智能体重新安置的工作重新设计过任何岗位，还是你的人仍背着为那项智能体如今 36 分钟就能做完的任务而写的岗位说明书？若是后者，你并没有捕获智能体的价值——你正眼看着它以无人负责的验证、和无人获准去做的跨边界工作的形式漏走。智能体已经缩小了任务。你唯一真正剩下的杠杆，是你是否会在被重新安置的工作落地之前，重新设计这个岗位。
