新的部门墙，正在被写进AI的判断里

全文 2718 字 | 阅读 7 分钟

传统企业往往从具体部门和业务场景推进AI。专业智能不断增强，也可能在部门目标、数据和反馈中形成彼此隔离的判断。本期《数智新解》从《AI原生组织》出发，讨论如何让不同专业智能共享组织的价值底层，并通过人的协同判断持续形成组织智慧。

AI进入传统企业，常常从一个具体问题开始。

销售希望更准确地识别客户机会，客服希望缩短响应时间，财务希望提高风险识别能力，供应链希望获得更及时的预测。

这些场景边界清楚，数据相对集中，也容易看到应用效果。因此，不少企业会先在一个部门完成试点，再逐步扩大AI的使用范围。

这是一条现实而有效的路径。

但当越来越多部门拥有自己的知识库、智能体和判断系统，一个新的问题也开始出现：每个部门的AI都变得更加专业，组织却未必因此形成了更完整的判断。

过去，部门墙常常表现为信息不共享、资源不流动、流程不衔接。今天，数据可能已经连接，判断却仍然彼此分离。

而且，这些判断正在被写进AI。

传统企业已经形成了相对稳定的组织结构、业务流程和责任体系。它很难在AI进入时推倒重来，也不需要这样做。

从局部业务场景开始，让AI先解决真实问题，有助于企业积累经验，也能够让管理者更清楚地理解AI适合做什么。

但局部应用不仅在训练AI完成任务，也在塑造AI理解业务的方式。

销售部门会告诉AI什么样的客户更值得跟进，财务部门会告诉AI什么样的风险不能接受，客服部门会用处理时长和满意度评价结果，技术部门会根据稳定性和安全性筛选方案。

这些都是专业判断，也是各部门承担责任的基础。

真正需要关注的是：当AI持续接收这些数据、规则、评价和反馈时，它学到的不只是如何完成任务，还包括这个部门认为什么最重要。

AI不会天然理解组织的整体价值。

它依据获得的上下文、知识、目标和反馈形成判断。部门用什么指标评价它，哪些建议被采纳，哪些结果被认为成功，都会影响它下一次如何行动。

销售持续反馈“什么带来了成交”，AI就会更擅长寻找转化机会；财务持续反馈“什么降低了风险”，AI就会更倾向稳健；客服不断强调处理效率，AI就可能优先缩短对话。

这些判断单独看都有价值。

但顾客长期信任、伙伴关系、员工成长、组织能力和社会影响，未必能够完整地进入某一个部门的评价体系。

如果AI只在局部绩效中学习，部门目标就可能逐渐成为系统默认。每个AI都越来越准确，也越来越自洽，却不一定更接近组织真正要创造的整体价值。

AI不会只继承部门的知识，也可能继承部门看待问题的方式。

这是一种容易被忽视的循环。

部门绩效决定AI关注什么，AI围绕局部目标给出建议，建议进入业务并产生结果，结果又成为新的数据和反馈，继续强化原有的判断逻辑。

需要说明的是，这里的“写进AI”，不一定只是重新训练模型。知识库的更新、上下文的积累、评价标准的设置、人工反馈的选择以及智能体记忆的形成，都可能产生这种影响。

当这一循环持续发生，原有的部门边界就可能进入AI的判断系统。

销售AI越来越理解增长，却未必理解财务安全；财务AI越来越擅长控制风险，却未必看到新的顾客机会；运营AI越来越追求效率，却可能忽略一次特殊服务对于长期信任的价值。

组织拥有的不是一套共同进化的智能，而是多个不断强化自身逻辑的判断孤岛。

过去的部门墙存在于结构、流程和人的认知中；新的部门墙还可能被固化在AI的目标、上下文和反馈里。

数据能够流动，并不代表判断已经跨越边界。

在《AI原生组织》中，我用“恒星内核”来描述组织共同的引力中心。

恒星内核不是一个替代所有专业AI的统一模型。它承载的是组织的共同价值、战略方向、目标函数与基本边界，让不同角色和智能体能够在共同引力下运行。

这意味着，企业在建设专业智能的同时，还要把对整个价值网络的理解转化为共同的价值底层：

• 企业为谁创造价值？

• 顾客、员工、伙伴和其他主体如何参与价值创造？

• 哪些短期收益不能损害长期信任？

• 组织希望借助这项业务形成什么长期能力？

• 当不同目标发生冲突时，什么是更重要的选择依据？

这些内容不能只停留在企业文化表达中，而要进入AI可以调用的知识、评价标准、目标设置、权限边界和升级规则。

销售AI仍然可以专注增长，财务AI仍然要识别风险，技术AI仍然需要守住安全边界。但它们都要理解，自己的专业目标只是组织整体价值的一部分。

部门智能可以各有所长，但不能各有一套彼此隔离的价值逻辑。

共同价值可以进入系统，却不可能一次定义之后永远不变。

顾客需求在变化，战略会调整，新的伙伴会加入，技术也会带来过去没有出现过的情境。组织一定会遇到现有知识和规则无法回答的问题。

这时候，需要不同领域的强个体进入协同判断。

他们不是简单代表部门利益，也不是把各自的答案放在一起表决，而是要理解整个价值网络：不同选择会给顾客、员工、伙伴和企业长期发展带来什么影响？哪些价值需要坚持？哪些原有判断需要改变？

AI可以帮助他们获得信息、模拟结果、揭示风险，但最终的价值取舍仍然需要人来完成。

更重要的是，人的协同判断不能随着会议结束而消失。

为什么作出这个选择，考虑了哪些主体，接受了什么风险，调整了哪些目标，后续结果是否验证了原来的判断，都应当重新进入组织的知识和智能系统。

这次判断可能更新共同的价值边界，也可能修正某个专业智能体的评价标准，还可能让系统学会识别下一次需要人的情况。

人的协同判断不仅要解决一次问题，还要成为组织下一次判断的基础。

传统企业从局部推进AI，是走向智能化的重要起点。

但局部智能不等于组织智能。每个部门拥有更强的AI，也不等于组织拥有了更完整的判断能力。

如果不同AI只在局部绩效中持续优化，部门会变得更加专业，也可能更加封闭。管理者需要在建设专业智能的同时，建立组织共同的价值底层，让知识、判断和反馈能够跨越边界。

共同价值为不同智能提供方向，专业智能贡献各自的能力，人的协同判断处理新的情境，并把新的认识重新反馈给系统。

由此形成的，不再是彼此隔离的部门智能，而是一套能够持续学习、不断校准的组织智慧。

AI承载组织已经形成的智慧，人创造组织尚未拥有的判断。

当每一次新的判断都能够更新整个系统，AI才不会把原有的部门墙变得更坚固，而会帮助不同专业能力在共同价值中持续生长。

（本文完）

在你的组织中，各部门的AI正在依据什么目标和反馈持续学习？这些判断是否共享同一个组织价值底层？一次跨部门判断形成以后，它更新的是某个部门的经验，还是整个组织的智能？

本文收录于“春暖花开”公众号【数智新解】栏目。转载请联系授权。

《AI原生组织：成为驾驭智能体的超级团队》

作者：陈春花 李智勇

出版社：机械工业出版社

出版时间：2026年7月

微信 ID：chunnuanhuakai-cch