运行模型是连接战略与执行的“结缔组织”。它把宏大的愿景——无论是效率、创新还是韧性——翻译成日常例行机制，从而规定人、流程与技术如何协同工作。落到实践中，运行模型会明确角色、决策权、信息流，以及问责机制。它回答一些非常实际的问题：谁做什么、用什么工具、遵循什么规则、以什么结果来衡量？在金融服务、航空、医疗等诸多领域，运行模型正是让组织能够安全且可预测地驾驭复杂系统的框架，它在“自治”与“监督”之间取得平衡。
随着智能体兴起——并且很快将出现 agentic mesh（由 AI 驱动的软件实体组成的网络，它们与人以及彼此协作）——对一个健壮运行模型的需求变得更加迫切。智能体不是静态工具；它们会学习、适应，并跨越边界采取行动，同时带来机会与风险。如果缺乏一个定义所有权、设置护栏并内建可观测性的模型，组织就可能滑入失控的复杂性：试点项目无法规模化、错误层层级联、问责边界变得模糊。
这场更广泛的讨论包含若干相互关联的维度。本章首先从高层设计入手，为 agentic mesh 给出一个运行模型，勾勒其结构、流程、技术、策略与指标。接着我们解释 agent fleets（智能体编队/群组）以及它们如何被管理与组织。然后我们转向单个智能体的团队结构，说明跨职能所有权如何确保智能体保持有效、安全并与目标对齐。随后我们审视转型考量，探讨组织如何以伦理、合法且富有同理心的方式应对劳动力变化。最后，我们对未来工作形态作出推测，追踪智能体如何重塑岗位、任务与组织身份。合在一起，这些视角不仅展示 agentic 系统如何落地实施，也展示它们将如何重塑“工作”本身的性质。
WARNING
坦白说，写这一章既令人兴奋也令人不安，因为智能体版图变化非常快——即便我们身处该领域中并与客户共事。我们也许能把其中一些说对，但很可能在几年之后，这一切都会发生变化。即便在最好的时候，水晶球也总是雾蒙蒙的，因此必须承认后面某些部分——尤其是关于未来工作的章节——仍然带有很强的推测性。智能体生态系统还处在早期演进阶段，它们的技术能力与组织影响都很可能快速变化。今天看似可能甚至合理的轨迹，在短短几年内就可能显得截然不同，因为自治能力、监管与文化接受度的进展会重塑可能性。因此，本章的部分讨论不应被视为确定性预测，而应被当作工作假设（working hypotheses）：希望能提供一些指引，帮助组织在为多种情景做准备的同时，保留足够灵活性，以便在智能体技术成熟时持续适应。
结构、流程、技术、策略与指标（Structure, Process, Technology, Policy, and Metrics）
像任何有效设计一样，图 13-1 所示的 agentic mesh 运行模型建立在五大支柱之上：结构（在这里既包括人也包括智能体）、流程、技术、策略与指标。对“人 + 智能体”的工作队伍而言，这五者都必须被重新构想。结构定义所有权与决策权；流程铺开智能体从构想到退役的生命周期；技术规定每个智能体依赖的共享平台要素；策略把允许与禁止的边界编码下来；指标揭示系统是否在安全地创造价值，还是正在滑向风险。该框架呼应了其他复杂系统（如云原生开发或金融风险管理）的运行模型被制度化的方式：防止含糊不清演变为脆弱性。
图 13-1 运行模型支柱（Operating model pillars）
结构（人和智能体）（Structure: People and Agents）
在结构上，智能体应被视为数字员工。每个智能体或智能体家族都应有一位人类产品负责人（product owner）对其业务价值负责，并有一位安全负责人（safety owner）对其风险画像负责。决策权必须明确：哪些动作智能体可以自主执行，哪些需要预先批准，哪些需要事后复核？智能体的身份与访问管理应当镜像人的管理方式，能够在条件变化时签发、吊销并调整权限。与人力资本运行模型的类比很有启发：组织为员工设计岗位说明、汇报线与升级路径，同样也必须为智能体完成这些设计。
流程（Process）
运行模型中的流程要素捕获智能体的生命周期。不同于一次发布、偶尔打补丁的软件，智能体必须被当作“活系统”来管理。它们的生命周期应从需求受理与商业论证开始，然后在安全沙箱中完成设计与仿真。分阶段发布之前，应进行策略符合性检查与红队压力测试。部署必须包含“紧急停止开关”（kill switches）与错误预算（error budgets）来约束风险边界。一旦上线，智能体需要可观测性、与事件响应体系集成，并最终在退役时保留审计日志。这个端到端流程呼应航空或制药等高可靠行业的运行模型：生命周期治理不是可选项，而是内建其中。
技术（Technology）
对于 agentic mesh，技术需要提供若干关键能力：
- 一个注册表（registry），对每个智能体进行版本化并跟踪其来源（provenance）
- 一个策略决策点（policy decision point），在运行时对数据、工具与自治程度施加约束
- 可观测性系统（observability systems），以不可变方式记录 prompts、工具调用与结果
- 回归流水线（regression pipelines），通过回放场景来测试更新
- 安全消息与身份层（secure messaging and identity layers），让智能体能彼此安全认证并进行交易式交互
这套技术栈并不陌生，类似云运行模型的技术骨架：注册表、可观测性平台与身份织体（identity fabric）都是中心组件。差别在于：这里的工作单元不只是容器或微服务，而是会做决策的自治实体。
指标（Metrics）
指标是评估的生命线。它让运行模型变得具体且可验证。在价值侧，组织应跟踪（除其他外）完成率、周期时间、服务成本（cost to serve）与客户满意度。在安全侧，必须监控升级频率、覆盖/强制改写率（override rates）、幻觉事件（hallucination incidents）与隐私违规。这些指标应绑定到服务级目标（service-level objectives）。如果某个智能体超出其错误预算，应自动降低或暂停其自治度。这里的逻辑与云运维中的站点可靠性工程（SRE）一致：用量化阈值决定系统是否保持全自治，或回退到更安全、更慢的模式。
构建一个“适度但务实”的策略目录，能帮助组织起步而不至于被“完备性焦虑”拖住。例如，自治与升级规则可以按风险等级结构化：低风险任务可自治执行并记录日志；中风险任务包含限制与通知；高风险任务必须人类审批。类似地，数据访问策略应始终强制最小权限（least privilege）、目的绑定（purpose binding），以及在 prompts 中最小化敏感细节。这些不是抽象理念，而是平衡速度与安全的具体约束，类似大型企业的采购策略：防止支出超出批准类别。
策略（Policy）
策略是领导力施加影响的地方。智能体绝不能在既定规则之外运行，而这些规则必须在运行时系统中被强制执行，而不是停留在手册里。自治分层、最小权限数据访问、prompt 与工具版本化、以及针对不安全行为的护栏都是例子。仅仅写下策略，如果不把它翻译成机器可执行规则，是不够的。这类似 2008 年金融危机后金融运行模型的演进：监管者意识到纸面策略不够，机构必须把风险控制嵌入实时系统——信用评分、限额与报告体系——之中。
其他考量（Other Considerations）
成本控制值得特别强调。如果上下文窗口不断膨胀，或工具调用数量无限增长而缺乏约束，agentic 系统可能悄然变成成本黑洞。把每个智能体的运行时成本上限内建进去，并按任务衡量单位经济性（unit economics），能倒逼效率。这让人联想到精益制造的运行模型如何通过准时制（just-in-time）原则减少浪费。通过监控每个智能体的经济足迹，组织建立问责，防止隐藏成本侵蚀价值。
与其他运行模型的对比也很有启发。比如 DevOps 运行模型通过整合研发与运维，在保持可靠性的同时加速交付，其成功依赖三点：清晰所有权、持续监控与自动化护栏。agentic mesh 运行模型呼应这一结构，但把对象扩展到会自主推理与行动的实体。类似地，金融危机后银行的目标运行模型（target operating models）把策略、治理与指标组合起来以确保韧性。经验是：运行模型的成功不靠增加官僚，而靠把清晰与控制嵌入日常工作。
再看一个不同产业的类比：航空业。航空公司运营需要持续监督、认证与生命周期管理的“机器编队”。飞行员仍然负责，但飞机系统会自动执行许多决策。训练、认证与事件报告被深度制度化。agentic mesh 也需要类似的严谨：智能体就像机队，每个都有自己的运行执照、性能画像与可审计日志。没有这种严谨，小故障也可能被规模化放大为系统性风险。
把这些模型串起来的核心，是“自治”与“问责”的平衡。自治太少，系统效率低，智能体被人类瓶颈拖住；自治太多而缺乏问责，系统会变得鲁莽，风险扩展到失控。运行模型正是用来校准这种平衡的工具：基于观测到的表现与量化的风险容忍度来调节自治水平。
像其他运行模型一样，文档不是终点，而是起点。模型必须是“活的”——可版本化、可更新，并与改进历史绑定。它应以原则开篇——人类仍负最终责任、自治是挣来的不是给的、日志是事实来源——并自然流向结构、生命周期、策略与指标。它的力量不来自长度，而来自清晰与可执行性。
归根结底，agentic mesh 的运行模型是对高可靠领域经验的综合，并为自治软件的新现实做了改造。它从航空借来严谨性，从站点可靠性工程借来量化阈值，从金融服务借来治理。但它也必须足够轻量，才能让创新继续向前。能否把这种平衡做到位——在结构与敏捷之间、在风险管理与速度之间——将决定 agentic mesh 是否能作为企业中可信、可创造价值的一部分实现规模化落地。
智能体编队的结构（Structure of Agent Fleets）
智能体编队（agent fleet）是一组彼此交互、并以团队方式协同工作的智能体。如图 13-2 所示，编队最适合被视为“人类团队”的类比：团队里有多个人，编队里有多个智能体。组织（简单化地说）是“团队的团队”，而 agentic mesh 则是“编队的编队”。
图 13-2 智能体团队 vs. 智能体编队（Agent teams versus agent fleets）
智能体编队是 agentic mesh 的构建块。人类组织通过组装“团队的团队”来规模化，智能体系统则通过“编队的编队”来规模化。编队是一种逻辑上的、可部署的智能体单元：一组智能体被配置为在共享的基础设施与治理之下协同工作。编队不把智能体视为彼此孤立的工具，而是把它们视为能交付端到端结果的协同组合。它们被当作整体系统进行配置、管理与演进，而不是当作个体的集合来处理。
编队的重要性在于：它能为智能体生态带来结构、连贯性与可问责性。它为一组智能体可预测地运行提供所需的注册表、可观测性、交互规则与策略执行能力。它也为规模化提供脚手架：企业可以管理数十甚至数百个编队，就像它管理部门或事业部一样。四个主题定义了智能体编队的性质：
- 编队作为 mesh 的规模化单元
- 动态成员与流动边界
- 核心服务作为“胶水”
- 以使命对齐，而非仅以职能对齐
编队作为 mesh 的规模化单元（Fleets as the Scaling Unit of the Mesh）
编队之于智能体，正如团队之于人：它是协作的基本单元。单个智能体可以完成某项任务，但复杂的业务结果——例如客户入驻（onboarding）或理赔处理（processing a claim）——需要多步骤、交接与协同。编队通过把多个智能体组织成可编排的组合，使这种复杂结果成为可能。正如人类组织不会依赖个体孤立工作，企业也不会依赖孤立的智能体。
编队的独特之处在于它的可部署性。它们以一致单元的形式被启动、扩容与退役。一个编队可能从“空壳”开始——只有基础设施没有智能体；也可能在启动时就“满编”，拥有为某条业务流程准备好的专业化智能体。这种模块化让编队可复用、可移植：它们可被当作打包组件——在需要处被配置、在能力提升时被升级、在不再相关时被退役。
当组织把关注点从“智能体”转向“编队”，讨论就从战术任务上升为战略结果。高管不必跟踪每个智能体的每一次决策；他们监控编队级的表现，就像管理部门而不是管理每个员工。编队以聚合方式交付结果：仪表盘、合规证据、价值流指标——这些都可直接映射到企业目标。
这种结构性转变——从管理智能体到管理编队——把零散自动化转化为韧性强、企业级的生态系统。mesh 本身是“编队的高阶系统”，使得规模化与治理能上升到超越任何单一智能体的层级。
动态成员与流动边界（Dynamic Membership and Fluid Boundaries）
不同于成员相对固定的人类团队，智能体编队是有弹性的。智能体可以根据需求、上下文或目的，动态加入或离开某个编队。例如，一个客服编队在高峰期可能扩容并加入数十个额外智能体，然后在夜间缩回。某些专业智能体可能会临时加入编队以处理合规或翻译任务，完成后再离开。
这种灵活性使编队更像“活的组合体”，而非静态组织。连续性不在于具体某个智能体，而在于编队的基础设施：注册表、可观测性与规则，这些会在名单变化时依然保持。编队提供持续的连贯性，确保成员变动不会导致混乱。
其结果是一种更像云计算、而不是传统团队的结构——弹性、响应式、模块化。人类组织可能需要数月来招聘或重组；编队则可以在数秒内重塑自身，同时不丢失问责与治理。
核心服务作为“胶水”（Core Services as the Glue）
每个编队的核心，是把智能体绑定成一个连贯单元的核心服务。这些服务就像数字组织里的 HR、IT 与合规，为智能体的可预测协作提供基础设施。
注册表（registry）是编队的目录：智能体在其中可被发现，并附带目的、负责人、自治等级、认证等元数据。注册表确保成员关系不是临时拼凑，而是受身份与问责规则治理。
交互管理（interaction management）是另一项关键服务。它处理通信流、消息中介，以及当多个智能体对同一对象采取行动时的冲突消解。没有它，编队会面临瓶颈或相互矛盾的行动。可观测性（observability）确保每次决策、工具调用与交互都被不可变地记录，从而支持审计、监控与事后复盘（postmortems）。
策略执行（policy enforcement）同样重要：它在运行时实时检查智能体能做什么、不能做什么，确保遵循自治等级、数据访问规则与业务护栏。合在一起，这些控制确保自治不会滑向无政府状态。
除上述必需项外，编队还可能包含认证与鉴权等安全层、编队级监控仪表盘，以及在压力下扩缩容或重配置编队的韧性服务。这些“胶水服务”决定了一群 bot 与一个可运行的数字组织之间的差别。
通过内建这些服务，编队就不只是智能体的集合——而是被编排的系统。它们提供可靠性、可预测性与可审计性，把原始的智能体能力转化为可用于业务的结果。
以使命对齐，而非仅以职能对齐（Alignment to Missions, Not Just Functions）
人类组织通常按职能（财务、HR、运营）或地域来组织。相比之下，编队更自然地按使命或结果来对齐。它们被组装起来交付端到端价值流，例如客户入驻、理赔处理或供应链编排。每个编队围绕流程阶段聚合智能体，并把交接编码进交互模式之中。
这种使命驱动结构让编队更通用：它们可以服务流程、客户旅程或跨职能需求。例如，一个以客户为中心的编队可以监控客户数据、管理计费、标记风险并提供主动支持——作为一个统一协同单元来运作。实际上，它像一个专属客户团队，但在软件规模上运行。
通过按使命对齐，编队交付的不只是效率，还交付结果的连贯性。它们把孤立的智能体输出转化为可度量的价值流，直接映射到业务目标。这种设计使编队成为把智能体嵌入企业运行模型的理想载体。
编队管理中的关键角色（Key Roles in Fleet Management）
管理智能体编队需要新的“人类角色”，用于在自治与监督之间取得平衡，并让编队与组织目标保持一致。以下是编队管理的关键角色：
Fleet manager（编队经理）
编队经理是对编队生命周期承担问责的人类角色。他们决定编队的组成、使命边界与运行条件。智能体可以自我协调，但只有人类才能平衡战略优先级、合规要求与风险偏好。编队经理更关注编队作为系统的整体表现，而不是单个智能体的具体行为。
Fleet reliability engineer, FRE（编队可靠性工程师）
FRE 确保编队可靠运行并遵守错误预算。他们监控健康状况、扩缩容与韧性，并在跨智能体故障发生时介入。类似云环境中的 SRE，FRE 负责设计可观测性、管理事件响应，并维护性能服务级协议（SLA）——但对象是编队层面，而非基础设施层面。
Fleet interoperability/integration engineer（编队互操作/集成工程师）
该角色确保编队能够跨边界通信与协作。就像人类部门需要集成一样，编队需要跨域兼容性。该工程师定义协议、在编队之间中介消息，并确保结果能在 mesh 的不同编队间顺畅流动。缺少这一角色，编队容易变成孤岛，削弱“编排”的价值承诺。
编队的组织模式（Organizational Patterns for Fleets）
编队可以按不同方式组织，取决于组织优先级；常见模式围绕领域、流程、客户、地域与跨职能集成展开：
按领域（By domain）
一些编队对齐核心业务职能，例如财务、HR 或合规。这些编队像数字部门，在领域内提供一致性与治理。
按流程或价值流（By process or value stream）
另一些编队对齐业务流程——如入驻、理赔或订单管理。它们交付端到端结果，作为流程团队的数字等价物运作。
按客户或细分（By customer or segment）
客户对齐的编队围绕特定客户或市场细分提供服务，实现个性化、持续的参与感，带来“专属客户团队”的体验。
按地域或市场（By geography or market）
全球化组织可能按地区部署编队，内建本地合规、语言与市场认知。这些编队对应跨国企业的地域分部结构。
跨职能编队（Cross-functional fleets）
一些编队跨越多个领域，把流程端到端串起来。例如在供应链场景，编队可能连接采购、物流与财务。这些横向编队为纵向孤岛之间提供“结缔组织”。
智能体团队的结构（Structure of Agent Teams）
我们使用了两个术语，它们可能会被误以为是同一回事：agent teams（智能体团队） 与 agent fleets（智能体编队） 。但二者差别很大：智能体团队是一个面向价值流的流对齐团队（在 Team Topologies 的术语中称为 stream-aligned team），它端到端拥有一个自治智能体：从定义、构建、运行到治理。本节讨论的是智能体团队。为简化表述，智能体团队由人组成，尽管他们可能会使用 AI 和智能体本身来构建与管理智能体。
把智能体团队想象成现代产品团队，或数据网格（data mesh）里的数据产品团队：你不会把工作“隔墙丢过去”；你会把它从想法一路带到安全、可创造价值的运行状态——从想法到生产。不同之处在于：智能体是“活系统”。它们会推理、通过工具执行动作、与其他智能体协调，并且当你修改 prompts、模型、工具或上下文时，它们的行为也会改变。正是这种“活性”，要求持续评估、显式护栏，并与平台团队（身份、数据、API、可观测性）以及赋能团队（治理、安全、架构、培训）紧密协作，才能让智能体长期既有用又可信。
在构建这一结构时，我们希望尽可能沿用已有实践。因此，在很多方面，我们对待智能体 owner 的方式，几乎与 data mesh 里的数据产品 owner 一模一样：对全生命周期的可用性、质量与信任负责。额外的复杂点在于自治管理——定义决策权、边界与升级路径——以及在价值所有权之外，还要设置安全所有权。这个“双重使命”使智能体既有效，又能被客户、监管者与品牌所接受。
我们也大量借鉴 Team Topologies：在我们看来，它可能是关于“如何组织任何具有实质技术成分的团队”的最佳信息来源之一。因此沿用其命名体系，智能体团队会对齐某条价值流（理赔处理、客户入驻、财务运营等）。如图 13-3 所示，智能体团队由平台团队（数据平台、API 平台、身份/策略、可观测性）提供支持，这些平台团队提供“铺好路”（paved-road）的能力，智能体团队以自助方式消费。智能体团队的成功也依赖现有的人类团队（治理、架构、红队、安全、培训/赋能、指导委员会等），它们帮助智能体团队提升技能、固化标准，并处理棘手的横切关注点（crosscutting concerns）。这种结构让智能体团队在保持安全的同时也能快速推进。
NOTE
我们会描述一些角色，但并不要求每个角色都由一个人单独担任——在一些大型智能体团队中也许会这样，但我们不认为这具有强制性。你应当选择适合自己的方式。有时一个人可以承担多个角色；但在另一些情况下，你可能需要多个人共同承担同一个角色。
图 13-3 支撑智能体团队的角色（Roles that support agent teams）
下面快速概览接下来会详细讨论的角色：
- Agent owner（智能体负责人）
对目的、价值与风险承担问责；类似 data mesh 的数据产品负责人，并包含自治与安全护栏。 - Agent engineers（智能体工程师）
构建智能体：prompts、工具契约、检索/上下文、API 与集成；以安全且快速的方式交付变更。 - Reliability and operations specialists（agent SREs，智能体 SRE/可靠性与运维专家）
负责生产运行：可观测性、错误预算、事件、性能、成本控制、紧急停止开关。 - Governance and certification lead（治理与认证负责人）
把策略转化为测试与认证；定义自治分层；在变更后管理（再）认证。 - Evaluation and human-in-the-loop supervisor（评测与人类在环监督者）
新时代的智能体测试者；设计金标准测试、对抗场景、版本并排回归；在需要时监督决策。 - Policy and ethics liaison（策略与伦理联络人）
把法律/合规/品牌原则转化为运行时约束、审批与审计。 - Release manager（发布经理）
与智能体负责人和客户协作规划发布、安排变更窗口，并交付有序、可回滚的上线。
Agent owner（智能体负责人）
智能体负责人是对智能体承担首要责任的人，也是价值的首要发声者——他们代表智能体团队发声。他们定义并传达智能体的目的（解决什么问题、为谁服务）、成功度量（业务 KPI、安全 SLO）、以及自治边界（智能体能“执行”还是只能“建议”）。这与 data mesh 的数据产品负责人完全类比：他们拥有的是可用性、信任与生命周期，而不仅是交付里程碑。他们还会维护智能体对外提供的“契约”（capabilities、expectations、limits）。
智能体负责人为智能体工程师设定优先级，与发布经理一起验收发布，与智能体 SRE 约定服务级目标（SLOs），并与治理负责人一起确定认证门禁（certification gates）。他们也会与策略/伦理联络人对齐约束，与评测监督者对齐验收测试。在 Team Topologies 的语言里，智能体负责人编排来自平台团队与赋能团队的支持，使流对齐团队能快速推进而不破坏信任。
需要注意的是，智能体负责人会向智能体编队经理（在“Structure of Agent Teams”中提及）汇报，以确保一个编队内的智能体交互满足运维期望。
Agent engineers（智能体工程师）
这类角色负责设计与构建智能体。智能体工程师塑造 prompts 与工具使用策略；定义强类型工具契约（typed tool contracts）；连接检索、embedding 与上下文窗口；并通过干净的 API 集成外部系统。他们也会添加可观测性钩子（决策日志、工具追踪），并实现护栏（校验器、策略检查）。这项工艺处在分布式系统、机器学习与产品工程的交汇点上。
该角色之所以关键，是因为极小的改动——prompt 里的一行、新增一个工具、更换检索策略——都可能彻底改变行为。因此工程师必须以“安全即构造”（safety by construction）的方式编码：工具动作幂等（idempotent）、明确的前置/后置条件（pre/postconditions）、可复现构建（reproducible builds）。他们也需要管理单位经济性（tokens、延迟），平衡成本与性能。
智能体工程师把智能体负责人的意图落实为实现，暴露 SRE 所需指标，满足治理负责人提出的认证测试，并为评测监督者的回归套件做好可观测与可测性。他们依赖平台团队提供身份、策略、数据访问与可观测性能力，也依赖赋能团队提供架构模式与默认安全的库。
可靠性与运维专家（智能体 SREs）（Reliability and Operations Specialists）
智能体 SRE 关注可靠性与可运维性——简单说，就是让智能体在生产中保持健康。他们为准确性、延迟、升级率与成本定义 SLO 与错误预算；为 prompts、工具调用与结果构建仪表盘；并响应事件。
智能体是动态的。我们知道模型会变、工具会失败、数据会漂移、prompts 会漂移。因此如果没有 SRE 纪律，回归问题会泄漏给用户，事件会重复发生，自治不得不收窄——从而侵蚀价值。SRE 通过把韧性“运维化”来守护信任（采用传统技术包括退避 backoffs、熔断 circuit breakers、策略强制限流 policy-enforced throttles），并量化运维风险。
该角色与工程师一起协作运行时模式，与发布经理一起管理发布列车与变更冻结（change freezes），并与治理负责人一起产出事件证据与复盘报告。他们也向智能体负责人提供生产反馈：自治是否可以安全提高。平台侧的可观测性与身份/策略团队是关键协作方。
治理与认证负责人（Governance and Certification Lead）
治理负责人把策略转化为机器可检查的门禁（machine-checkable gates）。他们将隐私、安全、品牌与监管规则翻译成测试与评估；定义自治分层（仅建议 propose-only、带限制执行 act with limits、执行并通知 act with notify 等）；并在上线前认证（certification）以及任何有意义变更（模型替换、prompt 重写、新工具接入）后再认证（recertification）。
与静态软件不同，智能体的行为可能在没有代码变更的情况下发生漂移（例如模型更新）。治理提供持久保证：谁批准了什么、通过了哪些测试、配套什么回滚计划，都有清晰轨迹。它保护客户与企业，并通过让风险显性化、流程化来支持更快变更。
该角色与智能体负责人一起验证智能体是否按预期工作，复核智能体表现并认证其正确运行。他们也可能与发布经理一起阻断或放行发布，并与策略/伦理联络人协作保持约束的时效性。他们依赖赋能团队（治理、安全、法务）并复用平台能力（策略决策点、审计日志）来在运行时执行规则。
评测与人类在环监督者（Evaluation and Human-in-the-Loop Supervisor）
该角色最贴切的描述是：面向智能体的“新质量与测试角色”。他们构建并维护金标准评估套件：代表性任务、边界案例、对抗 prompts、以及跨版本的并排对比。他们也为高风险动作设计检查点，并监控升级/覆盖率作为漂移的领先指标。他们的视角是行为层面的：智能体是否在边界内采取了合适行动？而不仅仅是：它是否跑通了？
持续评估让漂移可见。有了稳定且与业务相关的测试，你就可以更有信心地修改 prompts、模型或工具。监督者也确保在人类判断至关重要之处，人类仍然掌控：把隐性的专家经验转化为清单、量表与结构化反馈，让智能体可以学习。
该角色与智能体负责人一起定义验收标准，与工程师协作提高可测性，与 SRE 关注部署后指标，并向治理负责人提供认证所需结果。他们也会与赋能团队（培训、红队）协作扩展场景，并与平台数据团队合作以负责任方式获取评测数据集。
策略与伦理联络人（Policy and Ethics Liaison）
策略与伦理联络人负责把企业原则与运行时约束连接起来。他们解读法律、行业标准与品牌指南；决定何处需要同意（consent）、来源证明（provenance）或可解释性（explainability）；并确保智能体的行为与记录能够经受审计与客户审查。他们定义禁止或高摩擦操作，以及这些操作所需的审批。
为什么这个角色重要？因为智能体会触达人、数据与金钱。伦理失误或合规失败会侵蚀信任，并引入更严格的控制从而拖慢进展。一个前置的联络人通过“默认合规”的设计降低风险，让团队能够快速推进而不越线。
该角色与治理负责人共同编写策略测试，向智能体负责人提供自治边界建议，帮助工程师嵌入策略检查，并向发布经理说明变更影响。他们依赖平台团队提供身份/授权、数据脱敏与审计日志能力，也依赖赋能团队（法务、风控、品牌）提供源策略输入。
发布经理（Release Manager）
发布经理负责变更节奏（change cadence）。他们与智能体负责人一起从客户与利益相关者处收集需求，划定发布范围，与 SRE 一起规划金丝雀（canaries）与回退方案，并安排避开业务冲突的发布窗口。他们维护发布日历，协调跨团队依赖（例如模型升级与 API 变更），并确保每次上线都有序且可回滚。
在智能体系统中，“小改动”可能产生巨大的影响。发布经理通过确保在变更进入生产前证据齐备（评测结果、认证签署、回滚计划）来保护客户与品牌。他们也通过建立可预测的发布列车提升吞吐，减少临时救火式的发布。
该角色处在流对齐团队的中心：与智能体负责人协作优先级，与工程师确认就绪度，与 SRE 评估风险，与治理负责人对齐门禁，与策略与伦理联络人对齐审批。他们也与平台团队协调共享升级（身份/策略、数据、可观测性），并与赋能团队协作变更治理与 steering。
转型考量（Transition Considerations）
几乎没有任何组织能够在一夜之间从“纯人类劳动力”跳跃到一个完全成熟的 agentic mesh。走向 agentic mesh 的旅程需要审慎规划、循序实验与富有同理心的推进。是的，智能体承诺速度、规模与精度，但它们也会带来不确定性、文化摩擦与新的风险；如果缺少周全的转型方案，组织可能会被夹在两个世界之间：一边是担心被替代的人类员工，另一边是缺乏清晰监督的自治系统在运转。结果既不是效率，也不是信任，而是瘫痪。
转型之所以必要，是因为智能体改变的不只是任务如何完成，还改变了“工作”本身如何被组织。岗位会分解为任务集合：部分任务转移给智能体，部分仍由人承担，而全新的任务也会涌现出来。如图 13-4 所示，这种重构要求组织重点考虑：
- 人的影响与伦理
- 沟通与信任
- 再技能与治理
图 13-4 平衡且有效的转型（Balanced and effective transition）
人的影响与伦理基础（Human Impact and Ethical Foundations）
当智能体进入工作场景时，最迫切的担忧是人的反应。员工会自然地问：这项技术会取代我，还是会帮助我？如果不加处理，这种焦虑会迅速侵蚀士气并滋生抵触。领导者必须公开承认：对失业的担心是真实且合理的——忽视它只会助长怀疑。以伦理为基础的转型必须从这一点出发：人的影响不是“附带损伤”，而是采用能否成功的核心。
伦理原则是组织使用智能体时的承诺边界。透明、公平与对尊严的尊重必须构成基石。这意味着尽可能把智能体设计为增强人类角色，而不是悄无声息地替代他们。例如，客服智能体可以自动化常规分流与初步分诊，而人类员工则专注于共情与复杂问题求解。通过明确“增强优先”的设计原则，组织把价值观固化为实践。
伦理还必须被“运维化”为机制。仅仅说“我们重视公平”并不够。组织应把对劳动影响的决策纳入人工复核保证，确保所有岗位变更都可以申诉，并建立审计日志记录智能体建议是如何被采用的。就像金融机构必须遵守严格的风险控制一样，部署智能体的组织也必须能证明：伦理承诺是可执行的，而不是停留在愿景层面。
同样重要的是，价值观必须塑造激励机制。如果员工只按个人产出衡量，他们很可能把智能体视为竞争者。但如果激励机制奖励协作、安全自治与提升智能体表现，那么智能体就会成为队友而非威胁。这呼应制造业与 IT 过往的转型经验：重塑激励对文化接受度至关重要。
智能体伦理很可能应被视为动态的。随着智能体演进与社会预期变化，今天可接受的做法明天未必仍然可接受。组织需要持续运作的伦理审查委员会，成员包括员工代表、技术团队与合规代表。这确保当 agentic mesh 变得更强大时，伦理护栏也能同步演进，而不是滞后。
沟通、信任与文化适应（Communication, Trust, and Cultural Adaptation）
即便具备强伦理基础，如果缺少清晰且持续的沟通，转型仍会失败。员工害怕他们不理解的东西，而智能体的行为常常显得不透明或不可预测。领导者必须说明的不只是为何引入智能体，还包括它们将如何与员工互动、日常工作会改变什么、以及哪些会保持不变。清晰能降低不确定性；含糊会放大不确定性。
但沟通不能是单向的。信任既需要“告知”，也需要“倾听”。员工应拥有提出担忧、报告问题与提出改进建议的渠道。共同设计工作坊（codesign workshops）、试点参与与反馈论坛能让员工感到：智能体不是被强加的，而是在协作中塑造出来的。这种参与式方法会把叙事从“技术对我们做了什么”转为“技术与我们一起建什么”。
文化适应还需要重塑对智能体的认知。智能体不应被呈现为沉默的竞争者，而应被呈现为协作者——把人从例行事务中解放出来，使其专注于依赖判断、创造力与关系经营的工作。领导者必须以身作则，强调那些“智能体处理常规任务、员工用独有人类能力创造更大价值”的案例。在文化转向中，正向协作的故事往往比统计数据更有力量。
组织应为长期作准备。早期兴奋可能会在出现失误后转为怀疑。沟通不仅要讲成功，也要讲失败——并说明学到了什么、系统如何改进——这体现诚实与成熟。对智能体的信任，就像对同事的信任一样，是通过一致性与透明度慢慢建立的，而不是靠口号与承诺一次性建立的。
通过再技能、支持与治理实现结构化转型（Structured Transition Through Reskilling, Support, and Governance）
除了伦理与沟通，组织还必须为人提供可适应的结构化路径。再技能与再部署是关键考量。对常规手工与基础认知任务的需求正在下降，而对社交、情感、技术与更高阶认知技能的需求正在上升。培训项目必须与岗位强相关且可落地。例如，行政人员可以被再培训为智能体监督者、数据集策展人，或异常处理管理员。这些是 mesh 真实创造的新岗位，培训应直接映射到这些岗位上。
但再技能不能是一锤子买卖。智能体演进很快，意味着人的角色会持续变化。组织需要持续学习基础设施：微证书（microcredentials）、按需培训平台，以及内部流动机制，使员工能随新角色出现而更流畅地迁移。把这种能力规模化，是许多领导者低估的挑战——它需要培训预算投入、与教育机构的合作，以及与职业发展框架的对齐。
支持不仅是技能层面。对受智能体采用影响较大的员工，应提供提前通知、辅导、再部署路径，并在必要时提供收入支持。以同理心管理转型的组织能保住士气与声誉；不这样做的组织会面临怨气、流失与舆论反弹。过去自动化浪潮的教训很清楚：技术成功不能成为忽视人的尊严的借口。
法律与合规保障必须内建。监管机构正审视 AI 的偏差、歧视与不透明性，而对影响劳动力的决策尤为严苛。由于智能体由 AI 驱动，智能体也会受到同等审视。任何一个智能体做出的、影响员工岗位、薪酬或职业轨迹的决策，都必须可由人类复核。审计追踪、申诉流程与日志留存都是不可妥协的。这些保障不仅保护员工，也保护组织免受法律与声誉风险。
治理也必须是多学科的。转型委员会应包含 HR、法务、伦理、运营与技术团队。这确保上线不是被当作狭义 IT 项目，而是系统性的组织变革。纳入员工代表会进一步增强正当性并促进认同。
分阶段自治部署也是关键机制。组织不应一开始就让智能体满血释放能力，而应从低风险、高影响任务起步。随着表现被证明可靠、错误预算保持健康，自治程度再逐步提升。这种渐进方式类似航空或医疗的执照制度：从业者通过证明能力逐步获得更大自主权。员工有时间适应，信任也能逐步积累。
成本控制应被纳入转型。若缺乏约束，智能体可能成为隐形成本中心——上下文窗口蔓延、API 调用过量、工具使用低效。把“按任务、按智能体”的单位经济性嵌入治理结构，可防止费用失控。转型委员会应定期把成本表现与安全与价值一起复盘。
另一个要素是岗位重塑的透明性。岗位说明书应更新以反映“人-智能体”协作的混合形态，并清晰划分智能体负责什么、人类保留什么。这能防止“职责被悄然蚕食”的感受，并帮助员工看见自身贡献仍然关键的部分。
重要的是，转型应被视为迭代过程，而不是一次性事件。组织应试点、学习、调整并循环。通过问卷、论坛与分析数据形成的反馈闭环，能让领导者尽早发现士气下滑、流失风险或文化抵触。结构化转型必须是动态的，随着智能体成熟与员工反应而演进。
像大多数转型一样，组织应以整体视角衡量成功。如果效率上升但信任崩塌，转型就不算成功。指标不仅要跟踪智能体表现，也要跟踪员工参与度、留存与满意度。事实是：只有当价值、安全、成本与人的福祉同步改善时，转型才称得上真正可持续。
工作的未来（The Future of Work）
“通过再技能、支持与治理实现结构化转型（Structured Transition Through Reskilling, Support, and Governance）”讨论的是转型——组织如何以审慎方式从纯人类运作走向一种环境：智能体开始与人并肩分担工作。那一视角聚焦近中期，并且以单个组织为范围，强调伦理、沟通、再技能与治理作为即时的变革杠杆。但转型只是故事的一部分。在它之外，还有更长的地平线：工作本身的未来——在那个未来里，智能体不只是对今天结构的“外挂”，而是明日经济中的核心参与者。
“工作的未来”常被当作一句略显俏皮的流行语，但它真正指向的是社会如何创造价值的一场深刻重构。从我们与客户一起演进其智能体未来的视角出发，我们已经能看到智能体带来的切实且广泛影响。人口结构变化、经济压力与技术突破正在汇聚，重塑工作的样貌与组织的运作方式。智能体——能够推理、适应并协同的自治数字实体——加速了这一转型。与更早的自动化浪潮不同，它们不只是执行任务；它们做出决策。这一转变要求我们以更具推测性的视角来观察：既以历史为参照，又对可能以全新方向展开的结果保持开放。
如图 13-5 所示，工作的未来会以同心层的方式展开影响：从中心的岗位出发，向外辐射至社会。核心处是从自动化到自治的转变：智能体从超越任务执行走向决策制定。第一圈涟漪直接作用于岗位——通过在人与智能体之间重新分配任务来重塑角色。
下一层反映劳动力影响与两极分化：一些从事例行岗位的工作者面临替代，而另一些则因“增强”而获得生产率提升。这些不均衡效应会在个人职业路径中扩散，拉大技能鸿沟，并考验社会与组织的韧性。
随着影响进一步扩大，我们预期会在组织层面出现混合职业与混合运行模型。新的角色——例如编队经理、可靠性工程师与智能体监督者——出现，用于在监督与创新之间取得平衡。这反过来会重构组织的运作方式，把它们推向更“网格化”（mesh-like）、更深度集成智能体的结构。
最后，最外层强调目的与持续学习，把影响扩展到整个社会。这里的挑战不仅是组织适配，更是在人类意义、尊严与适应力如何在快速变化的环境中被保存。向上的箭头强调：当我们向外移动，变化的规模会不断加剧——从岗位开始，最终会重塑整个社会与经济系统。
图 13-5 工作的未来与变化影响（Future of work and impact of change）
四个主题捕捉了这一展开中的未来本质：
- 从自动化到自治的跃迁与任务的重新定义
- 由组织文化塑造的不均衡、两极化劳动力影响
- 混合职业与新运行模型的出现
- 人类目的、适应力与终身学习的中心地位
每个主题都指向智能体可能如何重塑工作场所的不同维度：决策如何被委托，不平等如何出现或加深，组织如何重组，以及个体如何在工作中维持意义。合在一起，它们表明：由智能体推动的未来既不会统一，也不会必然到来，而是由一系列审慎选择塑造的结果。
岗位：从自动化到自治（Jobs: From Automation to Autonomy）
过去技术与智能体之间的一个关键区别，在于自动化（automation）与自治（autonomy）的差异。更早的技术——工业机器人、工作流软件、RPA——擅长遵循预先编程的规则。它们在边界清晰的领域内提供速度、一致性与效率。智能体则更进一步：它们能对含糊输入进行推理，在多种工具之间选择，并彼此协调以达成目标。组织不再只是自动化任务，而是在委托决策。
然而，这一差别带来相当深刻的含义。自动化任务默认人类控制仍然完好；委托决策则要求信任：智能体的判断会与组织目标、策略与伦理对齐。问题不再只是“任务是否被正确完成”，而是“完成该任务的理由是否可靠、透明且可接受”。这进一步引出问责问题：当智能体做出影响客户、合作伙伴或员工的判断时，谁负责？
理解这种影响的一种方式，是把岗位重新看作任务束（bundles of tasks），而不是单体角色。在这一模型下，智能体可以剥离例行或基于规则的部分，把判断、创造力与关系建构留给人类。未来的岗位因此变成一幅马赛克：由人类与智能体的贡献共同拼接而成。这样的重构也把讨论从“岗位被消灭”转向“任务被重新分配”，后者对组织演化而言更细腻也更现实。
当组织采用任务视角时，新的治理挑战也会出现：谁决定哪些任务被委托、哪些被保留？智能体自治的阈值如何设定？用什么度量来判断委托是有效还是失败？若缺乏周密设计，决策委托可能漂移为隐性风险——智能体在超出预期范围内行动，或因人类角色退化为偶尔介入而导致监督缺位。
这里也存在文化含义——也许正是关键阻碍或卡点：当智能体进入闭环后，决策方式会如何改变。委托决策在体验上与委托任务完全不同，许多员工可能会抵触把判断交给算法系统。建立对自治的信任需要透明性：展示决策如何产生、为何选择某些结果、以及人类如何介入。缺少可解释性的自治，即便技术上有效，也可能被拒绝。
归根结底，从自动化走向自治迫使组织重新思考“控制”的性质。它并不是要整体替代人类，而是要重新设计人与机器之间责任边界。真正能繁荣的组织，会把委托当作一段被管理的关系，而不是权力的单向转移。
不均衡影响与劳动力两极分化（Uneven Impacts and Workforce Polarization）
智能体的崛起不会以同样方式影响所有劳动者或行业。有些职能——行政、文书与客服——由于任务重复且规则化，暴露在被替代的风险之下；另一些——战略、关系、创造性工作——更难被自动化，但同样会被重塑，因为智能体会增强决策并减轻信息负担。暴露程度的不均衡会形成两极化的劳动力市场：一些角色被掏空，另一些角色被抬升。
这种两极化可能加深不平等。例行岗位的工作者——往往更年轻或经验更少——可能更早面临替代且安全网更薄；相反，具备领域经验的资深专业人士可能发现自己的技能被智能体补强，从而变得更高效，而不是更不相关。没有再技能通道，适应者与被落下者之间的差距会扩大。
文化取向在塑造这些不均衡结果中起决定作用。成本导向文化的组织可能把智能体主要视为替代手段，通过裁减人力实现效率；敏捷导向的公司则更强调增强，用智能体扩大人类能力而非削弱它。初创公司由于不受遗留结构束缚，可能采用更极端的模式：很小的创始团队管理“智能体大军”，甚至直接跳过大规模雇佣人类。
这些文化模型的分化意味着：工作的未来不会在行业或地域之间呈现统一形态。有些领域可能高度智能体驱动、人类参与极少；另一些则保留以人为中心的方式，并由智能体提供支持。这种差异让预测更复杂，但也凸显组织价值观在塑造技术结果中的重要性。
两极分化也影响信任。在“替代为主”的组织中，即便是留下来的员工，士气也可能快速崩塌；而在“增强驱动”的文化里，员工更可能把智能体视为队友而非威胁，从而加强凝聚力。因此，文化既是智能体部署方式的原因，也是其结果。
更宏观地看，这种不均衡引出社会责任问题：如果替代集中在特定群体或行业，政府与机构将需要设计安全网与再培训计划以避免社会碎片化。今天组织做出的选择——替代、增强或混合——会在未来几十年向外扩散，影响社会结构。
混合职业与新运行模型的出现（Emergence of Hybrid Professions and Operating Models）
随着智能体进入职场，全新的职业会出现。正如云时代催生 DevOps 工程师、数据时代催生数据科学家，智能体时代将产生智能体产品负责人、可靠性工程师、人类在环监督者与编队经理。这些不会是边缘岗位；随着智能体编队规模化，它们会成为组织运作的关键组成。
混合职业弥合了人类监督与智能体自治之间的鸿沟。例如，智能体产品负责人定义目的、成功标准与护栏；可靠性工程师确保智能体可预测地运行，监控错误预算并处理事件；人类在环监督者设计测试用例并在输出偏离可接受边界时介入。这些角色锚定了创新与安全之间的平衡，确保智能体不仅有效，而且可信。
这些角色的兴起也反映了运行模型的更广泛变化。传统层级结构——每个决策点都依赖人类管理者——在智能体自治运行时无法扩展。组织将转向更“网格化”的结构：人类与智能体在流动网络中协作，由策略与运行时检查来治理。决策权会以不同方式分配，自治分层定义了智能体何时执行、何时通知、何时需要审批。
这种运行模型要求新的治理实践。HR、法务与合规职能需要把数字同事纳入其体系。绩效框架必须评估的不仅是员工，还包括智能体编队。事件响应计划必须假设智能体既可能带来成功，也可能带来失败。甚至入职与离职都会改变：智能体会被“雇用”“发证”“许可”，并最终以与人类同样严谨的流程“退役”。
文化再一次成为决定性因素。在成本导向组织中，这些混合角色可能被最小化，为了效率让智能体在有限监督下运行；在敏捷导向企业中，这些职业会被重视并扩展，因为它们承认智能体是在放大而不是替代人类能力。初创企业可能尝试极度精简的模式：少数人承担所有监督角色，而智能体执行绝大多数工作。
混合运行模型也挑战组织身份。习惯清晰权威链条的员工，可能会在责任由人和智能体共同分担的网状网络中感到不适。清晰沟通、透明性与角色定义将是避免混乱并确保问责的关键。
在很多方面，混合职业的出现与过去技术演进相似。云计算最初似乎只是 IT 的事情，但最终改变了组织设计的方方面面。这里也一样：智能体会从技术奇观开始，最终重塑领导力、文化与结构。
最终，成功的组织会把混合化视为优势而非妥协。通过承认智能体与人类的互补性，组织能够设计出兼具适应力与韧性的运行模型。混合劳动力不是权宜之计；它是未来的基础。
人类目的、适应力与持续学习（Human Purpose, Adaptability, and Continuous Learning）
如果智能体接管重复性与流程性任务，人类工作的意义就必须被重新定义。目的（purpose）成为核心。若组织让人类被边缘化到“可有可无”的角色，即便效率上升，也会导致士气低落；相反，若组织重塑岗位，强调判断、创造力、共情与创新，就能同时强化士气与绩效。因此，智能体未来必须以人类尊严为锚点，至少与效率同等重要。
适应力同样关键。智能体快速演进，工作流变化，工具可能在数月内就过时。工作者不能依赖静态专长，而必须持续学习与适应。终身学习成为生存技能，需要微证书、内部流动与再技能基础设施的支撑。投资适应力的组织将繁荣；把再技能当作一次性项目的组织将落后。
高价值技能也会转移。信息处理——曾经是人类能力的溢价来源——越来越多地由智能体承担。更重要的将是人际、组织与整合能力。人类的价值不在于与智能体竞争，而在于补足它们：编排协作、管理含糊性、连接多方。
制度也必须适应。为稳定职业生涯而设计的教育体系，需要为流动角色做好准备。政府必须设计支持的不仅是失业，更是“转场”的安全网，使劳动者能在智能体重塑行业时跨角色迁移。工作的社会契约需要更新，以反映“智能体也是价值创造参与者”的世界。
由智能体带来的工作未来不会一下子落地（当然，我们的水晶球在最好的时候也雾蒙蒙的）。短期内，我们可能会对它们期待过高，并在它们不可避免地跌跌撞撞时感到失望。但随着时间推移，它们的影响会比我们今天能想象的更深，改变岗位如何成形、组织如何运行、以及人们如何在工作中寻找意义。正如 Roy Amara 在 1978 年所说：“我们往往高估技术的短期影响，低估其长期影响。”真正的关键是在当下谨慎设计，这样当长期到来时，我们的智能体未来不仅更聪明，也更有人味。
总结（Summary）
本章展示了：运行模型与团队结构如何把“智能体的雄心”转化为可靠的实践。我们把战略落到执行层面，覆盖了结构、流程、技术、策略与指标；引入了编队（fleets）作为 mesh 的规模化单元；澄清了让智能体既安全又有用的人类角色；并为劳动力给出了一条更有人情味的转型路径。结论很简单：agentic mesh 的成功，与其说取决于代码，不如说同样取决于治理与问责。
下一步是规模化。随着 mesh 增长到成千上万甚至数百万参与者，靠手工逐个构建智能体将难以跟上。在第 14 章，我们将解释“智能体工厂（agent factory）”如何应对这一挑战：通过工业化智能体创建来规模化交付——模板沉淀最佳实践、认证强化信任、自动化加速部署、护栏确保智能体安全合规。它让企业能够在不失控的前提下，规模化构建并交付可信的智能体。
