AI组织转型，卡在“谁负责”这三个字上

2026年10月，Thoughtworks发布了一份覆盖全球10个国家、3200名CIO的调研报告。数据显示，70%的受访企业已设立首席人工智能官（CAIO），另有26%正在考虑设立。但同时，29%的CIO表示，CAIO与CIO之间存在组织摩擦或边界不清。

设了官，但没定权。

几乎在同一时间，国内的组织调整从两个方向密集落地。一个方向是架构整合。字节跳动将飞书、TRAE、扣子整合进豆包体系，产品和运营团队统一向豆包产品负责人汇报。快手成立了跨事业部的虚拟组织“企业AI生产力”，截至2026年6月，员工使用自研AI Agent产品的占比已超过92%，研发技术人员AI代码贡献率达60%。腾讯、阿里也在推进类似的整合趋势。

另一个方向是权责定义。国庆前夕，平安银行董事会审议通过了一份不太起眼的制度文件，没有发布会，也没有对外宣传。制度里最关键的一句话是七个字：谁使用谁负责。更关键的是另一句：“可解释性不足的只能作辅助，关键决策必须人工复核。”这份制度由董事会战略委员会统筹，把AI治理从技术部门上升到了公司治理层面。

架构整合和权责定义，是两件事。字节、快手、腾讯、阿里在重构能力层，但公开信息中，没有一家把AI产出归责规则写进事业部P&L责任书。平安银行没有动架构，而是先动了权责。

架构动了，权责没动——这是大多数公司的状态。平安银行是一个例外。

IBM商业价值研究院对全球2000位CEO的调研显示，68%的高管表示AI采用放缓的根源在于决策权归属与升级路径不清晰。该调研样本以大型跨国企业为主。几十人小团队不存在多层审批和跨部门责任切割，业务负责人天然全权兜底——权责断裂是多层级大型科层组织的特有病症。

一、科层制一直在假装权责对等

组织理论里有一个经典框架，能解释这件事为什么必然发生。

哈佛商学院教授迈克尔·塔什曼（Michael Tushman）和大卫·纳德勒（David Nadler）在1980年代提出了“组织一致性模型”。核心判断是：组织绩效取决于关键任务、正式组织、人才、文化四个要素之间是否协调一致。塔什曼后来在《赢在组织》中进一步提出，战略确定之后，关键任务变了，正式组织、人才、文化三个要素必须跟着变。

AI来了，关键任务变了——从“人做决策、人执行”变成“AI辅助决策、人监督AI”。但正式组织里的权责分配，没有跟着变。

Thoughtworks CEO Mike Sutcliff的总结一针见血：“AI的权威是分散的，但问责并没有随之转移。”

但这里需要承认一个更深的现实：AI不会破坏权责对等，AI只是把科层制本来就在假装权责对等这件事曝光了。风控有否决权但不背营收，法务可以叫停项目但不背业绩，这些不对等在AI之前就存在。在许多大型组织中，权责对等实际是靠事后追责的表演来维持的。

科层制的设计假设是：权力自上而下，责任自上而下，产出可归因。AI的特征是：建议自下而上生成，产出多人混合，错误滞后显现。所以不是AI破坏了组织一致性，是旧组织一致性本来就靠事后找替罪羊维持。

Gartner预计，到2028年至少15%的日常工作决策将由AI智能体自主完成——这是一个预测，不是既成事实，但它指向的趋势值得关注。

二、权责断裂的三种表现

治理层：谁定规则、谁定边界。

70%设CAIO、29%与CIO摩擦，本身就是一个信号：企业把谁负责翻译成了再招个人，但新职位的汇报线、否决权、定责权、P&L绑定都没写。CAIO不是答案，是把问题人格化了。

CIO被默认为AI失误的第一责任人。Thoughtworks调研中，37%的CIO表示他们个人需要为涉及AI系统的安全事件负责，35%为数据隐私泄露负责——而这些风险他们无法完全控制。但需要看到，这类调研天然放大CIO的无力感。如果调研业务线负责人，结论可能反过来：AI工具太多、IT不管、出事还让我们背。

执行层：谁在回路、谁升级、谁担绩。

Gartner在管理者能力研究中强调，管理者的角色画像必须正式承认AI监督和升级管理为核心职责。但现实中层的KPI没变。他们被要求验证AI输出、识别错误、指导团队，同时还要应对不变的交付压力。旧考核体系不变，中层和一线缺少动机去承担AI相关的监督责任。四分之一的经理表示，如果有机会，他们会选择退出管理岗位。

决策层：谁最终兜底。

IBM调研显示，79%的CEO表示，随着AI在企业范围的作用增强，他们正将决策权下放。决策权下放了，但出了问题谁负责的规则没有跟着下放。IBM的报告用了一个精准的表述：“当一个系统以规模化方式生成决策时，那些组织长期容忍的细小漏洞——比如模糊的权限边界、关于谁有权说不的未言明假设——就会迅速放大。”

三、当AI犯错，谁负责

三个真实案例可以说明问题的复杂性。

2014年，亚马逊开始开发AI招聘引擎，通过观察10年来的简历数据自动给求职者打分。2015年，公司发现系统对包含“女性”一词的简历自动降权——比如“女子国际象棋俱乐部队长”，系统还降低了两所全女子大学毕业生的评级。亚马逊调整了程序，但最终在2017年初解散了这个团队，因为高管们对这个项目失去了信心。

2022年，美国平等就业机会委员会起诉在线教育公司iTutorGroup，指控其招聘软件被编程为自动拒绝55岁以上的女性申请者和60岁以上的男性申请者，超过200名合格申请者因此被拒。2023年，iTutorGroup以36.5万美元达成和解，这是美国首例与AI招聘歧视有关的和解案。

2026年，斯坦福大学牵头的一项研究分析了400万份通过AI筛选工具提交的求职申请，发现26%的黑人申请者和15%的亚裔申请者投递了对其种族群体存在偏见的岗位。研究还发现了一种“系统性拒绝”现象：一些候选人被多家公司使用同一供应商的AI工具反复筛掉。

这三个案例的深层问题，在于AI的责任本身就是分布式的因果链：设目标的人、给数据的人、写规则的人、开开关的人、采纳输出的人、不审计的人、签合同的人——每个环节都有责任，但没有一个环节能独自承担全部后果。

AI治理领域正在形成新的共识：不是追求责任归一个人，而是追求可追溯、可升级的责任链路。联想在2026年提出的原则提供了一个方向：“任务可交给智能体，责任不能交给智能体。”

更现实的约束是：在大型组织中，权责完全对等本身就是一种理想状态。我们追求的不是完美的权责对等，而是清晰的责任链路和可预期的升级路径。平安银行的“谁使用谁负责”提供了一个更具体的样本：一线业务人员按照获批流程和模型指引操作，负责识别风险；技术底座承担系统性风险责任；董事会战略委员会统筹治理。使用者负责识别，技术底座负责系统——两层责任，各有归属。

四、治理的代价：越清晰，越难用

文章到这里容易给读者一个错觉：只要把权责重新设计好，AI转型就能顺了。

现实没有这么简单。权责清晰是有代价的。越精细的问责、越完整的审批链条，越容易增加使用门槛，反而压制AI的试用。企业真实的两难是：治理太松，出事无人担责；治理太紧，没人敢用AI。

AI治理需要分层。高风险场景（招聘、信贷、医疗）用强问责，低风险场景（周报、纪要、代码补全）用轻治理。

但轻治理≠无治理。绿场景的“采纳人负责”，前提是公司已做数据脱敏、模型白名单、输出不可直连生产系统。否则“采纳人负责”会把系统性风险转嫁成个人背锅——员工用AI写周报把客户名写错，责任不在员工，在公司部署了没有护栏的模型。

平安银行的制度设计恰好回应了这个两难：它对“关键决策必须人工复核”做了硬性规定，但没有把低风险场景也纳入强审计。有解释力不足风险的场景用辅助定位，关键决策交给人工——这是分层治理的一个可操作样本。

五、落地路径：别先出治理手册

诊断之后需要药方。四件事可以启动，但第一件事是“别先做错的事”。

第零条：别先出治理手册。先选一个绿场景（会议纪要或需求草稿），定“采纳人负责+周度抽检”，跑两周再说。AI问责不是纸面RACI，是先在低风险场景里把“责任链路”跑通。

第一条：按风险分级绘制AI场景清单。把所有AI使用场景分成红/黄/绿三档。绿场景默认可用，采纳即负责；黄场景业务负责人加AI owner双签；红场景董事会或CAIO有否决权，事业部背业务结果。

第二条：为每个场景指定唯一业务责任人。不是IT，不是CAIO，是对业务结果负责的那个人。每个AI应用必须有明确的业务责任人、异常升级路径和可追溯日志。

第三条：CAIO不进成本中心。放在成本中心，它只能提建议；放在利润中心，它才有推动力，但也要承担业务结果。汇报线进CEO办公室，但挂业务指标。

六、结尾

AI组织转型，卡在“谁负责”这三个字上。

字节整合了，阿里收权了，腾讯整军了，快手成立了跨部门虚拟组织。组织架构在动，但“出了问题谁负责”的规则没有跟着动。平安银行是一个例外——它没有动架构，而是先动了权责。

不是因为技术不成熟，不是因为员工不接受，而是因为大多数公司只换了工具和架构，没换权责。塔什曼在几十年前就提出了“组织一致性”的诊断框架——战略变了，关键任务变了，正式组织、人才和文化必须跟着变。AI到来之后，大多数公司的正式组织没有跟着变。

判断一家公司的AI组织成熟度，不只看它买了什么工具、设了什么部门，看三件事：每个AI应用是否有明确业务责任人、异常升级路径、可追溯日志。三条都有，才算过了“谁负责”这一关。

未来AI成熟度高的公司，不一定模型最好，也不一定Agent最多。它们只是最早接受一件事：AI把决策做快了，组织必须把归责做稳、做细、做在前面。工具可以周级上线，权责只能季度重画。