AI 的组织角色图谱（Roles, Not Tools）

大多数组织引入 AI 的方式是「发工具」：买一批账号分给员工，能力归个人、不归组织。另一种方式是「设岗」：像设计岗位一样设计每个 Agent——有明确角色，有职责边界，有人类负责人，有可追溯的工作记录。AI 在组织中应该扮演的不是一种角色，而是一组角色：构建者、老师、医生、监管者、史官、参谋。

// 一句话理解

把 AI 当软件发下去，和把 AI 当「数字员工」安排上岗，是两种完全不同的部署方式。后者的问题清单和招聘一样：这个岗位负责什么？向谁汇报？能看哪些资料？干了什么如何检查？想清楚这些，AI 的能力才会沉淀为组织的能力。

// 核心命题

组织的价值从来不是由执行量决定的，而是由结构和关键判断决定的。所以 AI 的第一批岗位，都应该围绕一个目标设置：让结构变清晰，让判断被沉淀。把工具发给员工，能力归个人；给 AI 设岗，能力归组织。

先给 AI 一个身份：从发工具到设岗

「发工具」模式下，AI 的身份是软件：模型很聪明，但对这家公司一无所知，回答无出处、操作无记录，A 员工问过的问题，组织不会因此多记住任何东西。「设岗」模式下，AI 的身份是组织里的职能节点：它对特定的目录、文件与流程负有明确职责，像一名有岗位说明书的数字员工（见 Agent 即文件管理者）。

设岗不等于设一个「超级 AI」。AIDC 的做法是多个职责有边界的 Agent 在同一套企业定义下分工协作（见去中心化 Agent 组织）——正因为如此，才需要回答：这些岗位分别是什么？本页给出我们在部署实践中沉淀下来的六个角色。

第一个高价值场景：让核心人物显形

在为 AI 设岗之前，有一个更基础的问题：这个组织真正的核心人物是谁？多数组织靠印象回答——谁加班多、谁汇报勤。但真正决定系统上限的信号是另一类：谁在定义全公司引用的口径？哪些流程离开某个人就停摆？疑难问题最终都流向谁？企业知识被系统化组织起来之后，这些问题第一次有了数据可答：

知识贡献分析 — 哪些规则、口径、模板被全组织引用最多？出自谁之手？被反复引用的判断，就是组织真正的资产；
流程依赖分析 — 把流程画成图之后，哪些节点压在同一个人身上？这既是核心人物的坐标，也是关键人风险的预警：一个人离开，多少流程停摆；
问题流分析 — 组织内部的提问最终汇聚到谁那里？问题的汇聚点，就是事实上的系统设计者，无论头衔是什么；
决策记录分析 — 重大决策里，谁在出判断、谁在确认执行？判断与执行是两种贡献，组织需要分得清。

找到核心人物之后做两件事：把最高杠杆的工具——Agent 编队——优先配给他们，让设计者的判断被放大而不是被会议消耗；把压在他们个人身上的关键判断沉淀为组织资产，让组织不再因为一个人的离开而失忆。

// 治理边界

这不是用 AI 给员工打分排名。AI 输出的是证据与可见性，评价与任用的决定权永远在人。分析对象是结构与流程的依赖关系，不是对个人的监控。

六个角色总览

角色	组织类比	回答的核心问题	上岗条件
构建者 Builder	组织工程师	组织的结构在哪里？规则写在哪里？	基座建成即起步，随系统逐层成熟
老师 Teacher	教练 / 导师	新人多快能上手？经验如何传承？	知识与权限基座建成即可
医生 Doctor	诊断师	流程哪里断了？数据哪里矛盾？	需要业务对象与关系建模
监管者 Governor	审计与风控	规则有没有被遵守？动作可否追溯？	需要操作通道与审计记录
史官 Historian	组织记忆	我们当时为什么这么决定？	知识与权限基座建成即可
参谋 Strategist	经营分析师	数据在说什么？下一步怎么走？	需要业务对象与关系建模

前四个角色——构建者、老师、医生、监管者——覆盖组织的「建、传、诊、管」；史官与参谋最常被低估，它们不直接产出，却让其他所有角色的产出更准。

构建者：把组织从口口相传变成结构

构建者是所有角色的地基：把一个长在「老员工脑子里、聊天记录里、各自硬盘里」的组织，变成有结构、有版本、可检索、可执行的系统。

知识底座构建 — 把散落的文件、邮件、群聊记录梳理进统一的企业文件系统，建立每个域的秩序；
业务对象建模 — 把客户、订单、产品、合同定义成明确的对象与关系，让「客户 A 有几个在途订单」从猜测变成可查询的事实；
SOP 起草与版本化 — 观察实际工作流，起草流程文件，由负责人审定后入库；流程从此有唯一的当前版本；
口径统一 — 发现同名异义的指标（三个部门三种「毛利」算法），列出冲突，提议统一定义；
隐性知识显性化 — 用访谈式提问，把老师傅脑中「说不清但一直在用」的判断写成文档，变成可传承的资产。

构建者的所有产物都必须有人类负责人审定后才生效，每一次结构变更可回溯——AI 起草，人定稿。

老师：让知识长在组织身上

大多数组织的培训依赖「老带新」的运气：师傅忙，新人就荒着；师傅离职，经验就清零。老师角色把培训变成组织的标准能力：

入职培训 — 新员工对着公司自己的制度、流程、案例做问答式学习，每个答案都带出处，不占用老员工时间；
岗位教学 — 按角色生成学习路径与模拟练习，练习场景来自公司真实历史案例（脱敏后）；
考核出题 — 从 SOP 自动生成测验，上手标准从「师傅觉得行了」变成可验证的通关条件；
即时答疑 — 任何员工随时问制度、流程、口径，答案引用文件原文；
教材保鲜 — 制度更新时，培训内容自动同步，不再出现「新人学的是三年前的版本」。

医生：让问题暴露在事故之前

过去要靠数年事故和复盘才能磨出的流程管理，现在可以快速诊断（见 Intelligence Hungry）。医生就是执行这件事的角色——部署即体检：

流程体检 — 对照流程定义与实际执行记录，找断点、找没有负责人的节点、找重复审批；
数据体检 — 口径不一致的报表、互相矛盾的制度文件、重复或过期的台账，逐条列出且每条有出处；
健康指标 — 持续监测响应时长、卡点位置、返工率，让「最近流程不太顺」从体感变成曲线；
复盘辅助 — 事故发生后自动拉出完整时间线与相关文件，复盘从「回忆与争论」变成「对着证据讨论」；
关键人风险检测 — 哪些环节的知识只存在一个人脑中、没有任何文档支撑，在风险变成事故之前列出来。

监管者：让信任建立在可验证之上

Agent 越能干，治理越重要。监管者是图谱里最特殊的角色：它监管的对象首先是系统本身——包括其他 Agent——其次才是流程：

权限审计 — 谁能看什么、谁能改什么，定期核查；权限与岗位不匹配时主动提示；
动作审计 — 每个 Agent 干了什么、动了哪个文件，全部记录在案、可回溯（见 Action Log）；
制度—执行偏差检测 — 写下来的规则和实际做法差距有多大？偏差长期存在，说明要么改流程，要么改制度；
合规检查 — 合同条款、票据流转、敏感资料的使用是否符合既定规则，逐单核验；
考核支持 — 把绩效评审的输入从「印象分」换成「证据集」：目标完成情况、流程贡献、被引用的产出，整理成材料供评审使用。

// 治理规则

监管者提供证据，不下结论；规则对全员透明，不做暗中监控；对人的评价与处置权，永远保留在人的手里。

史官与参谋：两个最被低估的角色

史官：让组织记得住自己

会议纪要与行动项 — 每次会议自动沉淀结论与待办，待办有负责人、有期限、有下次会议的自动跟进；
决策记录 — 重大决策当时有哪些选项、为什么选了这个，半年后复盘不再靠回忆；
组织记忆检索 — 「上次和这家供应商谈到哪了？」「这个客户去年投诉过什么？」任何人随时问得到。

参谋：让判断站在数据上

管理节奏简报 — 周会前自动生成经营简报，数据口径统一、来源可查，会议时间用来讨论而不是对数；
跨域综合分析 — 把销售、库存、现金流放在一起看，回答单个部门答不了的问题；
情景推演 — 「如果这个原料涨价 10%，哪些订单的毛利会被击穿？」在决策之前推演，而不是之后补救；
目标追踪 — 对照季度目标持续追踪，偏差超过阈值主动预警，而不是等到季度末才发现。

角色如何上岗：跟着部署阶梯走

六个角色不是同一天上岗的，它们各自依赖的组织底座不同：

知识与权限基座建成后 — 老师（答疑形态）与史官率先上岗：它们只需要「读得到、答得准、有出处」（见 Company Harness）；
业务对象与关系建模完成后 — 医生与参谋上岗：诊断和分析需要系统真正「认识」这家公司的对象与关系；
业务闭环逐个跑通后 — 构建者从「起草者」升级为「执行者」，流程闭环自动运转（见 Automation Loop）；
持续运营阶段 — 监管者达到完全体：审计、卡点可视、受治理的改进提案（见自演化 Ontology）。

无论哪个角色，上岗标准是同一套：有唯一的人类负责人，有明确的权限边界，有复核机制，通过治理基线检查（见治理规则）。这和招聘一名员工没有本质区别——区别只在于，这名「数字员工」的能力会随每一次模型迭代继续上升，而它沉淀下来的每一份结构都归组织所有。