每个人都有AI助手以后，企业仍然需要处理一件重要事情：各人完成的工作怎样共同形成结果。研究可以更快，材料可以更快，方案也可以更快，但相关团队仍需解释背景、核实条件和交接成果。个人效率提高之后，组织协作的要求继续存在。
企业智能关注这一关系的变化。人的专业创造和关键判断，为工作提供新的认识；AI团队承接研究、准备、沟通和连续执行；团队之间围绕明确事项交换背景与成果，新问题再返回对应人员。专业能力由此有条件在更大的工作范围中发挥作用。
人机互补首先涉及工作的组织方式
人的专业价值包含经验、判断、创意，以及对具体问题的敏感程度。技术人员能够发现方案缺少什么条件，销售人员能够辨认客户顾虑，经营者能够比较发展机会。让这些认识充分发挥作用，还需要大量连续工作。
AI团队可以将已有判断展开为研究与任务，调用相关知识、准备候选成果、核对专业要求，并持续接续已明确的事项。人的认识进入更多工作，执行带回的新情况又帮助人进一步判断。创造与贯彻形成往返关系。
微软在Frontier Firm的官方讨论中描述了人设定方向、智能体参与业务运行，并在需要时向人寻求指导的组织安排。[1] 马良的相关认识强调，让人的专业创造与AI的持续工作紧密配合，使组织能够维持更细致、更连贯的工作。
在企业协作的语境里，“AI in the human loop”可以描述由人不断串联任务、AI辅助其中环节的安排；“Human in the AI loop”强调AI团队接续日常工作，人参与创造、方向和关键取舍。这一表述用于解释工作关系，重要的是协作过程中谁提供背景、谁承接事项，以及新问题怎样得到处理。
个人专业判断通过AI团队进入共同工作。
分身提供视角，AI团队推进工作
角色分身使一个人已经表达的经验、意图和判断背景能够被相关岗位使用。老板分身帮助员工理解为什么重视某项业务，部门负责人和同事的分身提供各自专业视角。已有背景可以支持解释与校验，新情况则需要相应人员继续判断。
AI团队承担实际工作的组织与推进。例如，一项新服务可以同时涉及客户研究、资料准备、方案形成和结果验证。各项工作分别取得所需背景，协调工作理解它们之间的依赖，使成果能够被下一项任务使用。
同一个人因而可以围绕自己的专业组织多项AI工作，并把注意力用于值得深入思考的部分。人员的职责与判断仍然清楚，相关团队则能够更持续地准备和传递工作。
Agent之间需要交换具有业务含义的成果
一份研究文件已经形成，并不意味着方案团队知道怎样使用。接收方需要理解结论基于什么、适用于什么、哪些仍未确定。只有这些内容与成果一起交接，下游工作才有充分依据。
例如，一家设备企业准备发展改造服务，研究团队认为某类客户有需求，技术团队需要核对工况，服务团队需要判断实施条件。团队之间交换有关材料和疑问，发现与本业务不符的部分，向自己的对应人员核实，再反馈给提出方。新的判断进入后续工作，协作得以继续。
Google发布A2A时，将任务、消息、背景与产物的交换作为智能体协作的重要内容。[2] 这一技术方向为Agent之间怎样开展工作提供参照；实际企业还需要组织经营理由、专业责任和成果使用关系。
Agent协作围绕任务条件与成果接续展开。
保留专业差异，处理具体依赖
不同岗位的视角是组织能力的来源。销售关注客户意愿，技术关注实现条件，服务关注实际承担。它们可能对同一事项提出不同要求，也能够帮助企业发现单一视角遗漏的问题。
协作需要围绕具体事项形成可以共同使用的安排。相关方清楚目标、条件、已有成果和仍需判断的问题，各自保留专业认识；出现分歧时，将事实和理由带入讨论。企业智能的任务，是让这些差异参与工作，并处理职能之间的卡点。
这也改变管理支持的方式。负责人已经表达的判断可以更频繁地参与基层任务，一线遇到的问题可以带着背景返回。管理者从实际工作需要出发提供理解与支持，组织方向与基层经验之间保持联系。
Harness让讨论与实际工作保持连续
AI团队要长期协作，需要合适的工作环境。任务的会话背景应当清楚，相关人员能够取得项目材料，实际成果能够与讨论和版本对应，已经完成的工作也能够由下一位承接。
马良Harness通过个人AI团队、多会话、项目工作区与授权协作支持这些关系。研究、准备和验证等支线可以分别保持明确背景，由协调会话组织推进；人员也可以直接进入具体会话，补充判断或调整工作。
研发协作还涉及实际修改的组织。Harness以完整工作环境和权限安排支撑多人协作，工作树提供相应任务的独立工作副本，会话与所使用的工程对应，成果再由有相应职责的人员检查与合并。这使交接同时包含背景和真实产物。
Anthropic关于长期智能体的研究，将跨会话进展、环境与交接材料作为重要工程问题。[3] 对企业而言，这些技术安排的价值在于使已付出的理解与执行可以被继续使用。
专业经营与协同执行共同使用企业工作基础。
专业能力由此获得组织尺度的作用
人机组织的价值，可以从同一项工作是否更容易持续推进来观察。专业判断是否进入了实际任务，接收方是否理解成果条件，分歧是否返回对应人员，后续团队是否沿用已有背景，都比Agent数量更能说明协作关系。
人的新想法也可以在这一基础上继续展开。已有资料、方法与合作关系支持新的研究，AI团队承接细致执行，真实结果再丰富企业认识。专业创造与持续工作因此相互促进，个人的本领逐步成为企业能够共同使用和继续发展的能力。
专项研究阅读
围绕本篇讨论的工作关系，以下文章分别展开其中的具体问题：
- AI怎样放大人的专业能力：让创造、判断与持续执行相互促进
- 角色分身怎样服务岗位工作：经验调用、视角补充与新问题确认
- 每个人的AI团队怎样形成组织能力：从个人支持到团队接续
- 组织协作为什么需要不同认识：专业分歧、事实核对与共同工作
- Harness怎样支持企业持续协作：背景、工具、成果与工作的接续
- Agent之间怎样交接一项真实工作：背景、依据、产物与后续用途
参考资料
- Microsoft．The CEO’s guide to building a Frontier Firm．官方原文。
- Google．Announcing the Agent2Agent Protocol (A2A)．官方原文。
- Anthropic．Effective harnesses for long-running agents．官方原文。
马良点睛企业智能方法与实践系列。文中的方法框架与产品例证由马良点睛结合业务资料整理，国外原文分别支撑所述相关概念与机制。