微软“前沿企业”手册：部署 AI 智能体前，先重做工作流

微软在《成为前沿企业》（Becoming a Frontier Firm）手册中提出的核心观点很直接：部署 AI 智能体不是给员工多发几张软件许可证，也不是看提示词发了多少次，而是一次运营模式变革。基于公司内部数百项 AI 转型实践，微软认为，企业应先把工作如何发生看清楚、简化掉不必要的环节，并建立治理机制，然后才让智能体承担其中一部分任务。衡量成功的标准应是质量、速度、风险、收入和客户影响等业务结果。12

先看工作流，不要先选工具

微软建议，企业首先要弄清一项工作实际上是怎样完成的：端到端流程有哪些步骤、部门间如何交接、例外情况如何处理、谁拥有决策权，以及员工依赖哪些数据和系统。若缺少这一步，企业很可能只是把一个不一致、低价值或本就冗余的流程自动化，而不是把它做得更好。12

手册将这一原则概括为 “先精益，后智能体”（lean before agents）。在把职责交给智能体前，企业应当：

• 简化并标准化底层流程；
• 清除不必要的审批、重复劳动和交接环节；
• 建立可共享、可用的数据基础，并打通相关系统；
• 设置访问权限、控制措施和治理规则；
• 明确哪些决策、例外处理及高风险行动必须继续由人主导。12

关键不在于让智能体“提升生产力”这样泛泛地工作，而是为它划定在一个已被充分理解的流程中、边界清晰的责任。

三条可并行推进的转型路径

微软并未把 AI 转型描述成唯一的采用路线，而是提出三种可以相互配合的方法。

1. 关键岗位加速（Persona Acceleration）

这一方式面向优先级较高的岗位，提供助手、提示词、技能培训和岗位专用智能体。目标是把少数高效 AI 使用者的做法，沉淀为团队可复制的能力；同时通过培训和管理机制，让人机协作成为日常工作方式。1

2. AI 驱动的流程再设计（AI-Powered Process Redesign）

这种路径瞄准完整的跨职能工作流。重点不是自动化一个孤立任务，而是重新设计流程，减少等待、重复、浪费和割裂的决策。它最清楚地体现了微软的判断：AI 的价值取决于企业是否改变工作的组织方式。12

3. AI 优先探索（AI-First Possibility）

企业可给予小型专家团队空间，从一开始就假定 AI 存在，去打造产品、服务或新的运营方法。这条路的不确定性更高，但也可能发现渐进式自动化无法带来的工作模式和产品机会。1

智能体自主性应逐步提高

微软不认为自主性是“全有或全无”的选择。其建议是，在人仍承担责任的前提下，让智能体逐渐接手定义明确的工作：

1. 人类使用 AI 助手： AI 负责起草、总结、分析，为人的判断提供支持。
2. 人机团队： 智能体在既定控制、升级路径和监督机制下，执行特定任务或决策。
3. 人类主导、智能体运营的工作流： 智能体处理大部分日常运营流转；人负责战略方向、例外情况、结果验证，并保留最终问责责任。1

这并不一定是一条所有流程都必须按顺序走完的成熟度阶梯。不同工作流应根据风险、数据准备程度及出错后果，采用不同层级。

微软内部案例说明了什么

微软表示，其云供应链团队先进行工作流再设计并建设共享基础，之后才将智能体规模化部署到规划、采购、履约和物流等环节，累计使用了超过 111 个专门构建的智能体。微软称，部分供应链工作流的周期时间最多缩短 75%；需求计划调查从原先的 5 至 7 天缩短到数小时。24

另一个 Copilot Cowork 案例中，一个由 9 人组成的跨职能团队以 AI 优先方式工作，在 35 天内发布了首个产品版本。微软强调，这一案例的意义不只是开发更快：工程师和产品经理的角色转向其所称的“元工程师”（meta-engineers）和“元产品经理”（meta-PMs）——他们更多负责指挥、审查和协调智能体输出，同时将精力集中在产品判断和系统设计上。24

在这种框架下，AI 会减少人在初稿撰写、常规检索和追踪运营信息上的时间投入；人的工作则更多转向定义问题、设计系统、验证结果、处理例外、建立关系和行使判断。要完成这一转变，所需的不只是 Copilot 许可证，还包括 AI 素养、信任、试验文化，以及岗位和管理方式的调整。12

持久优势不在于选中某个模型

微软认为，基础模型会越来越可替代。真正更难复制的竞争优势，来自企业自身的资产与能力：可信的机构知识、受治理的数据和工具访问、工作流编排、对“好工作”的专有定义，以及与真实业务结果挂钩的评估机制。15

微软把由此形成的反馈循环称为 “爬坡机器”（hill-climbing machine）：先定义想要达成的结果，评估智能体输出，记录反馈和错误，改进工作流或智能体，再反复迭代。按这一思路，优势较少来自挑选某一个模型，更多来自持续围绕企业自身标准和工作方式优化整套系统。5

企业智能体数据传递的信号

微软对近 2,000 个租户中 40,093 个 Copilot Studio 企业智能体的分析显示，面向内部员工效率和用户支持的用例占已部署智能体的 64.6%。报告同时指出，应用正在转向边界更清晰的运营场景，例如技术支持和专业业务工作流。3

这与手册的总体判断一致：通用生产力助手或许是常见起点，但更具实质影响的智能体部署，通常需要明确界定的流程、相关数据、控制机制以及可衡量的结果。

应把它当作框架，而非通用标尺

这份手册中的证据主要来自微软对自身转型实践和产品生态的报告。相关绩效数据尚未经过独立验证；微软也明确表示，该手册是一套仍在演进的工作方法，而不是适用于所有企业的规定性方案，更不保证能复制同样结果。12

因此，最值得借鉴的并不是照搬微软的数字或组织称谓，而是验证其顺序：选定一个重要业务结果，显性化并简化工作流，打好数据和治理基础，为智能体分配边界清晰的工作，保留人类问责，并通过可衡量的反馈持续改进系统。