吴朋阳 腾讯研究院专家
季新苏腾讯云资深云产品策略专家
当 AI 变革遭遇组织瓶颈
2026 年腾讯全球数字生态大会上，组织变革成为热点议题之一。腾讯 WorkBuddy 专场命名就叫 " 超级组织 "，腾讯 HR、财务、行政等职能部门也首次举办专场分享内部探索。所有讨论有一个共同的指向：如何将 AI 的生产力效应从个体扩展到组织？
近期海外也在积极探究这个问题。OpenAI 平台发布了《企业的未来》文章，探讨 AI 作为人类的助手、团队成员或协调层，可能怎样改变组织分工。Anthropic 发布了 AI 原生创业手册，贯穿需求验证、产品开发与规模化，提出以智能体工作流支撑日常运营，减少组织运转对创始人持续介入的依赖。企业需要明确人机分工、权限与验收责任，才能让 AI 的执行能力转化为可靠的组织产出。
AI 使用不断深化，但个体提效与企业整体收益之间仍有落差。OpenAI 于 2026 年 9 月披露，其样本中使用量前 10% 的企业，每活跃用户输出 Token 是分布中间 10% 企业的 8.3 倍，而 1 月仅为 2.6 倍，AI 使用强度差距大幅增加。麦肯锡 2026 年调查则显示，80% 的受访者表示 AI 提高了自己的工作效率，但仅 37% 表示 AI 改善了所在企业的息税前利润 （EBIT） ，比例仍然与 2025 年基本持平。
个人通过 AI 工具的局部提效不会自动汇聚为组织收益。分析完成更快，后续仍可能等待数据确认、协调和审批；成果增加，也可能增加审核与维护负担。原有岗位、 流程和系统主要适应人的执行方式，只增加工具、不调整分工和协作，传统的管理方式仍会成为瓶颈。如何让生产关系适配新生产力，正是 AI 原生组织讨论的出发点。
AI 原生组织兴起：十大特征
如果说传统企业是以人为核心生产力，AI 原生组织可以定义为：以 AI 作为核心生产力，围绕其执行能力重新设计业务与运行方式的组织。常规执行主要由 AI 承担，人转向聚焦目标、创造、价值判断、协调与责任兜底。
可以从业务、组织、流程、系统和治理五个维度理解这种变化：创造什么价值、怎样分工、如何执行、依据什么、如何管控。维度展开有十个主要的目标状态，现实企业往往很难一步到位，大多从局部开始逐渐变革。
（一）业务层：把 AI 作为核心要素创造新价值
特征① AI 倍增器：借助 AI 加快业务创新及规模化，放大组织创造和交付价值的能力。
传统模式下，业务扩展往往需要相应增加人员和交付投入。AI 原生则把 AI 作为业务的核心要素，通过投入 AI 支持产品和服务更快创新、迭代及规模化扩展。
案例｜多邻国
多邻国是一个在线语言学习平台，过去以人工为主的新课程开发往往需要数年，限制了课程供给的扩展速度。2025 年多邻国正式宣布 AI 优先战略，重点将生成式 AI 与共享内容系统、内部工具结合，先建设可复用的基础课程，再快速适配为面向不同语言用户的版本。该公司通过组织流程改造激励员工使用 AI，让 AI 参与内容生成与验证，教研专家把关质量。2025 年 4 月，公司上线 148 门以初级为主的新课程，使课程总量增加一倍以上。最初 100 门课程的开发约用 12 年，而这批新课程从开发到上线不到一年。通过复用课程内容与生产方法，日语、韩语等 7 种热门非英语语言的课程得以向使用 28 种不同界面语言的用户开放，显著扩大了业务覆盖。
（二）组织层：围绕任务安排人和 AI 的分工
特征②任务为中心：按任务灵活进行人机混合编队，组织层级尽量扁平。
特征③数字生产力：AI 超越单纯工具，成为可独立完成任务并交付成果的生产力。
特征④人机互补：凡事优先用 AI 处理，人力聚焦于 AI 不擅长和高价值的工作。
传统组织主要按部门和岗位配置人员，通过管理层级协调工作。AI 原生则围绕任务灵活配置人和 AI，尽量减少固定部门和层级对协作的限制，并相应调整责任分工、人才培养和激励机制。
案例｜Moderna
为统筹 AI 应用与人员配置，生物技术公司 Moderna 于 2025 年将 HR 与 IT 合并为 " 人员与数字技术 " 部门。公司不再分别规划人力和技术投入，而是从工作目标出发，确定技术如何支撑、哪些工作需要人的能力。到 2026 年，AI 智能体已开始在供应链、IT、HR 等领域承担信息整合、协调和部分常规决策，让人从具体琐碎事务中抽身，专注在复杂场景的判断。在 HR 服务中，Ask HR 接收员工咨询并分流至专业 GPT，HR 团队则利用反复出现的问题改进政策与沟通。随着人机分工调整，公司开始出现侧重工作流设计与编排的新角色，并通过培训、实践和经验交流帮助员工适应。早期应用减少了日常工作中的协调负担，缩短了工作周期。通过跨领域信息的综合，提升团队的判断能力，改善决策质量。
（三）流程层：让 AI 执行与人工监督高效配合
特征⑤人在环上：AI 自主执行为主，人负责监测和必要时介入调整。
特征⑥并行迭代：任务可由 AI 多路并行快速执行与收束，流程能敏捷调整优化。
传统流程多由人按固定步骤串行推进，依赖岗位之间的交接。AI 原生则是让 AI 连续承接可验证的工作，人依据风险监督，并通过并行与反馈减少等待。
案例｜Stripe
在复杂代码库中，编码、测试和问题修复需要持续占用工程师的时间与注意力。支付技术公司 Stripe 开发了无人值守编码智能体 Minions，让工程师可以把明确的研发任务交给 AI 连续处理。工程师通过 Slack 提出需求后，Minions 读取相关资料、修改代码、运行测试并提交代码变更，中间无需人工逐步操作。多个 Minions 可在独立开发环境中同时处理不同任务，避免执行时相互干扰。流程将 AI 自主处理与固定检查结合，测试失败后自动反馈修正，仍未解决的问题由工程师接手，代码合并前也须经过人工审核。2026 年 2 月，Stripe 披露每周已有超过 1300 个完全由 Minions 生成的代码变更经审核后合并，研发由工程师逐项执行，转向多项任务并行推进、人员重点把关结果，开发效率显著提升。
（四）系统层：AI 系统具备自主学习和改进能力
特征⑦组织记忆：工作内容和经验可编码存取，持续沉淀为可复用的组织资产。
特征⑧共享上下文：相同任务中人员和 AI 共享上下文内容，实现人机实时对齐与高效协作。
特征⑨自进化系统：系统能自主学习和迭代升级，越用能力越强。
传统系统主要记录信息、辅助人员工作，经验传承和工作衔接主要依赖人。AI 原生则将业务知识与经验沉淀为人和 AI 可共同调用的资产，实时同步任务目标、资料与进展，并根据业务结果持续学习、改进系统能力。
案例｜Morgan Stanley
金融机构 Morgan Stanley 每天需要跨财务、风险、运营与交易系统核对损益数据，差异排查依赖财务人员逐项分析和判断。公司部署对账智能体系统 FIXR，读取历史指引、分析差异并提出处理建议。财务人员审核或纠正建议，系统记录其处理方式，将反复采用的做法沉淀为后续可调用的规则。人和 AI 围绕具体差异协作，处理结果不仅解决当次问题，也不断补充系统的处理依据，减少对同类问题的重复分析。2026 年 6 月披露，单个账簿的对账时间由最长 6 小时缩短至 2 — 3 小时，约 100 名财务人员每周合计节省约 1500 小时。人的经验由此逐步转化为可积累、可复用的系统能力，让每轮工作都能为下一轮提供更好的基础。
（五）治理层：保障 AI 运行全程安全可控
特征⑩运行即治理：对 AI 动态分级授权和管理，实现 AI 运行全程的可视可控。
传统治理主要围绕人员职责和流程制度展开。AI 原生则将治理规则嵌入 AI 运行，根据任务风险和自主程度分级授权，并在执行中借助 AI 工具持续监测、及时干预，使运行过程可控、风险可预警、责任可追溯。
案例｜微软
AI 开始访问数据、调用工具并代用户执行任务，风险管控也需要从上线前审查延伸到日常运行。微软 2026 年重构《负责任 AI 标准》，以可靠安全、隐私保护、透明和问责等原则为基础，将风险管理贯穿 AI 开发与使用全过程：上线前评估风险，对高风险用途加强防护；运行中管控智能体身份与工具权限，持续监测行为，发现问题及时干预和改进。微软开发人员使用 GitHub Copilot 辅助编程，也采取分阶段部署、人工监督与安全防护。为验证治理要求的落实情况，微软覆盖多项 AI 产品和服务的管理体系已通过 ISO 认证，并接受第三方审核。
整体而言，AI 原生组织是缺了 AI 就无法正常运转的组织，AI 是组织必不可少的生产力；就像今天如果缺了电，大部分的现代化工厂和企业都难以正常开工一样。
变革突破方向：从个体到组织、从辅助到自主
未来组织融入 AI 工具、走向 AI 原生，有两个关键突破方向：一是从范围角度，AI 生产力提升要能从局部个体扩展到整体组织；二是从层次角度，AI 驱动生产力要能从辅助人类为主演进为自主执行为主。
从腾讯 WorkBuddy 服务企业客户的实际情况看，大量的企业并不用一开始就大规模调整组织架构、重塑业务流程、更换 IT 系统，而可以从最高频、最日常、最重复的某项任务切入，让 AI 智能体应用能够跑通并创造真实价值，再逐步扩散实现整个组织的升级。这个过程的核心是让智能体能够跳出个人应用范围的局限，形成员工可共建共用的企业级智能体规模化部署应用，WorkBuddy 总结为五阶模型：试用、推广、沉淀、连接和自治。
第一阶段是试用，从种子用户跑出可信的结果；第二阶段是推广，从小范围推广到全员；第三阶段是沉淀，个人的经验、skill 以及企业的上下文等能不断沉淀，形成可分享和复用的数字资产；第四阶段是连接，智能体广泛连接企业的软件和系统，能够进入企业真实的工作环境干活；最后一个阶段是自治，智能体能够全天候持续运行、安全可控地工作。
2026 年腾讯全球数字生态大会，WorkBuddy 企业版做了四大功能升级，以更好支持企业级智能体的部署。
一是开放。针对企业系统难打通，WorkBuddy 开放平台能力扩展，向内融合企业微信及腾讯办公生态，向外兼容第三方 IM 与企业系统，并接入丰富的主流优质模型。借此让 AI 能进入企业的工作环境，调用各类系统和工具闭环完成任务。
二是安全。针对企业担心 AI 风险、不敢放权，WorkBuddy 构建了全链路防护的企业级安全解决方案，覆盖身份治理、权限管控、执行防护、数据安全与全流程审计，实现智能体行为可控、数据可管、过程可追溯。特别是采用 AICC 机密计算，强化数据安全。
三是可观测。针对 AI 不好管控，WorkBuddy 新上线可观测中心，为企业的智能体装上仪表盘，帮助企业了解智能体运行轨迹，算清 Token 和积分消耗，掌握不同部门、场景等 Token 用量与成本，为企业精细化管理 AI 资源提供抓手。
四是可托管。针对本地 AI 难持续服务，WorkBuddy 托管智能体 （WMA） 能够将任务执行能力搬到云端，企业可以自主搭建专属智能体，通过云端托管与 API 分发部署到更多部门、系统与业务入口，让核心流程拥有 7 × 24 小时在岗的数字助理。
云端托管是实现企业级智能体的重要手段，特别是对员工或客户的公共服务的智能化升级。例如腾讯内部，基于 WMA 搭建的经营服务智能体 " 磐石小 O"，已接入 ERP 系统中的 300 多个业务接口。员工可以通过对话便捷查销量、看业绩、走审批，每次操作均继承员工身份与权限并保留审计记录以保障安全。
腾讯 WorkBuddy 的升级，为企业将 AI 从个人工具转化为组织生产力提供了更有力的基础设施和技术支撑。但技术能力不会自动变成经营收益，企业还需在真实业务中调整分工、打通流程，并让经过验证的成果持续复用。只有把单点提效转化为更快的交付、更低的成本或新的业务价值，AI 投入才能形成可持续的回报。
腾讯实践：探索打造 AI 生产力飞轮
面对 AI 技术和组织变革浪潮，腾讯集团上下都在积极探索，不仅是业务部门、职能部门也在加速 AI 创新应用，致力于打造 AI 生产力飞轮提升组织能效。在此驱动下，腾讯的组织体系也开始向着 AI 原生的方向发生变化，虽然还远未达到 AI 原生组织的理想形态，但反映了大型企业 AI 组织转型的真实情况和进展。
在职能部门中，HR 的实践是大型企业 AI 组织变革的一个代表性样本。HR 连接招聘、人员配置、绩效与培养，既服务员工，也参与组织能力建设。腾讯 HR 的 AI 变革启动早、应用推进快速且深入，已从单点 AI 应用走向企业级能力建设，孵化数千个应用，并开始改变专业团队与一线的协作分工。
腾讯 HR：以 AI 共享平台为核心激发一线创造力，推动组织工作方式变革
人力资源工作的一个长期难题，是统一管理与一线差异化需求之间的矛盾。集团需要统一制度、数据口径和流程，但不同部门的人才盘点、新人培养和招聘运营，又必须结合各自业务。以人才盘点为例，一线 HR 不仅需要人员信息，还要加入业务指标，用业务负责人认可的方式分析和沟通。这些贴近现场的需求，很难由一套标准系统全部覆盖，只能等待定制开发，或依靠表格和线下工作补齐。
腾讯 HR 的 AI 探索也经历了从单点辅助到应用创造的变化。早期，AI 主要用于招聘材料解析、内容生成和智能填单；随着开发能力增强，一线开始自行制作工具，却遇到新的障碍：代码生成了，应用无法部署；页面做出来了，内部数据仍需手工导入。个人已经能够创造，组织的运行条件却尚未接上。
为解决这些问题，腾讯 HR 依托既有数据治理，建设了HRClaw ——一个提供 HR 数据、知识和技术服务，并支持应用发布、管理与共享的 AI 基建平台。它与 WorkBuddy 等通用 AI 产品结合，将过去需要专业团队逐项介入的数据接入、身份认证和部署能力交给一线调用。变革由此从 " 帮助员工完成一项工作 "，延伸到 " 让员工能够创造工具，并让成果成为组织可复用的能力 "。
1、治理先行：把数字化积累转化为可信可用的业务基础
HR 数据涉及人员、薪酬、绩效等信息。不同系统的字段和口径不一致，会影响分析可靠性；不同角色的管理范围不同，又决定了数据不能简单地全量开放。腾讯 HR 此前约两至三年的数字化建设，持续梳理统一数据定义和统计口径，实现对 HR 数据分级分类设定访问权限，为 AI 接入准备了可信可用的基础。相关接入覆盖上百张宽表、数千个字段，使 AI 能够依据业务定义查询和关联数据，而不必依赖员工反复导出、解释和拼接。
开放能力的同时，权限仍由底层服务控制。查询按使用者身份过滤行、列乃至单元格级信息；同一个人才盘点应用分享给不同管理者，AI 智能体访问仍只返回其授权范围的数据，不会把管理者的权限一并传递。接入 AI 后，控制进一步延伸到模型选择、敏感信息保护、外发检查和生产发布。数据治理既保障安全，也成为能力能够规模化开放的前提：一线可以共享工具和分析方法，无需共享彼此的数据权限。
2、系统集成：把组织能力转化为一线可调用的服务
HRClaw 的建设起于具体的落地障碍。一位 HR 借助 AI 制作活动应用，却卡在部署环节，最终仍将代码交回研发；另一位员工制作人才盘点工具，因无法接入内部数据和权限，只能手工添加人员名单。这些问题使平台方向逐渐明确：既要让应用有地方发布，也要让它能够识别使用者身份，在授权范围内连接真实数据。
技术选择也围绕这一目标展开。团队没有重新开发一套通用 AI 产品，而是把部署、取数、存储和组件等能力封装为 AI 可调用的技能与接口，接入 WorkBuddy。WorkBuddy 负责理解需求、生成代码和调用工具，HRClaw 提供业务数据、专业知识与运行条件。一线因此可以专注于 " 需要解决什么问题 "，不必反复处理 " 数据怎么接、应用放哪里、谁能使用 "。系统建设的重心从交付固定工具，转向提供能够支撑多种工具的共享服务。
3、业务创新：让一线差异化需求直接进入交付
共享能力首先释放的是长期难以满足的差异化需求。人才盘点需要加入部门业务指标，新人培养需要结合岗位资源和成长路径，招聘与文化活动也有不同的节奏与表达方式。这些 " 非标 " 内容往往最贴近业务现场，却因使用范围有限、开发成本较高，难以获得集中建设资源。AI 降低实现成本后，一线能够直接把自己的业务理解转化为工具，不再只能在标准系统之外用人工补齐。
人才盘点、校招工作台、新人成长平台和活动应用由此不断出现。平台已孵化 3500 多个应用，CSIG 新员工管理系统已有上千名新人实际使用。其价值不仅是原有需求交付更快，还包括过去难以排期的想法开始获得验证和使用的机会。工具形式则按场景选择：固定看板可以由 AI 生成，再通过接口更新数据；直接操作更清楚的工作保留页面，无需全部改成对话式智能体。业务人员获得的是解决具体问题的能力，业务价值由实际使用决定。
4、流程优化：减少逐级接力，让反馈直接推动交付
一线获得数据、知识和技术服务后，部分需求可以绕开原有的多轮接力。过去，工具不好用或流程有断点，通常先反馈给专业领域团队、共享服务团队，再转为技术需求，经过解释、评估和排期。现在，业务人员可以直接与 AI 共创；需要补充平台能力时，也可以围绕真实场景与技术团队共同设计。需求提出者更直接地参与实现，减少了转述、等待和重复确认。
交付过程随之变为边生成、边预览、边调整。人定义目标、增减功能并验收业务效果，AI 承担代码生成、工具调用和技术性实现。测试插件可以扫描代码、模拟页面操作，将发现的问题交给 AI 修复，形成局部自动测试与修复闭环。平台也根据使用反馈调整服务：月度看板因长期不访问而失效，就修改运行环境的回收规则；用户混淆测试与生产入口，就简化可见入口。流程改进既发生在人机协作中，也发生在平台对实际工作方式的适配中。
5、成果沉淀：从个人产物走向可继承、可复用的组织资产
一线能够创造工具之后，新的问题是成果能否留下。应用如果散落在个人电脑中，其他人难以发现，后续修改也可能找不到源码，人员转岗后更容易失去维护。HRClaw 将生成与发布链路打通，使应用及源码回到统一平台，通过应用市场支持发现和使用，通过版本管理、回滚和转交支持持续维护。
创造者开放源码的情况下，其他员工可以下载、修改并部署自己的版本，已有成果因此能够适配新的部门和场景。交流与学习也有了具体对象：员工可以从一个实际应用理解别人怎样解决问题，再结合自己的需求继续开发。个人创造开始成为后续工作的基础，而不只是一次性产物。从工作过程中进一步萃取知识和经验，是这条路径的延伸；但将经验变为可靠的组织知识，仍需明确适用条件、审核和更新机制，不能把应用归集直接等同于完整的组织记忆。
6、分工重构：专业团队建设公共能力，人力聚焦现场判断
能力供给方式的变化，已经影响专业团队的工作重心。数据团队原先每月承接约 10 — 15 个看板需求，后来此类需求几乎不再进入原有承接流程，团队转向数据治理和质量建设；同期，数据请求量约为上年的三至四倍。业务对数据的需求扩大了，但不再主要依靠专业团队逐个制作看板满足。共享服务使一份基础能力能够支撑更多需求。
研发团队同样从承接零散开发，转向封装可调用的技术服务；专业领域团队提供制度、规则和知识，并探索建设领域数字专家；一线 HR 则结合业务情境定义问题、组合能力、判断效果。HR 的专业价值仍在：同样的数据放在不同业务阶段，分析变量如何选择、负责人真正关心什么、方案是否适用，都需要现场理解和判断，不能仅靠复制历史经验解决。
协作和培养方式也随之调整。HRClaw 项目按问题吸纳合适人员，由不同成员对接数据、知识和技术服务；面向一线的推广则结合真实任务、现场共创和答疑，帮助员工完成自己的应用。分工的变化既包括 AI 承担技术性执行，也包括专业团队从 " 替一线做工具 " 转向 " 让一线具备做工具的能力 "。正式组织架构尚未因此全面重构，但具体工作的承担方式已经发生变化。
7、渐进转型：以局部实践推动主干流程与管理机制改变
一线创造也让原有主干流程与真实工作之间的断点更容易被看见。以绩效考核为例，系统可以发起活动、收回结果，中间的依据材料收集、理念传达和沟通协调，却仍有大量线下工作由 HRBP 承担。进一步的探索，是从主干系统中提炼可调用能力，在统一规则下支持一线灵活组合，绩效流程已有局部尝试。AI 的作用由此从改善外围工具，逐步延伸到推动主干流程调整。
这条路径仍有需要补齐的连接。应用和源码已经回到平台，但新人学习记录等新增业务数据尚未全面回到主干系统或数仓；创造的成果如何进入工作评价，新的协作方式如何获得职责与责任安排支持，也仍在探索。当前形成的是传统主干系统与一线 AI 共创并存的运行方式，局部交付和分工已经改变，更完整的组织收益仍依赖数据闭环与管理机制完善。
腾讯 HR 的核心亮点在于，以数据治理和共享基建为支点，改变了工具供给与使用的关系：专业团队建设可持续调用的公共能力，一线把业务理解直接转化为成果，平台再支持成果继承和复用，初步形成了" 员工 - 平台 -AI" 的协同生产力飞轮。HRClaw 将通用 AI 的创造能力接入组织环境，使个人提效开始延伸为组织的交付、复用和协作能力。从这一基础继续连接主干流程、业务数据和评价机制，才可能推动更深层的 AI 原生变革。
回顾与展望：AI 原生组织的三点思辨
探讨了这么多 AI 原生组织的趋势，也首次呈现了腾讯内部 AI 应用创新和组织变革的探索实践，有一个行业争议的问题可能还没有充分讨论。业内有一种观点认为：只有大模型发展以来这几年成立的新团队、新企业，才可能（有资格）成为 AI 原生，传统企业（老登公司）没可能成为 AI 原生。
从历史、现状展望未来，情况未必如此：
1、AI 原生不是初创企业专利，传统企业也能够打造 AI 原生组织。原生不原生并非由出生决定，而是由思维和方法决定。诚然，初创企业从零开始，没有历史包袱、缺人缺资源，更容易用 AI 原生的方式开启。传统企业用对了人和 AI 原生方法做变革，也有可能创建出或转型成为 AI 原生组织。回望历史，企业成功转型成为新时代物种的案例并不少见。Netflix 开始时是一家 DVD 租赁公司，10 年后转型成为在线视频服务平台，今天则已成为全球领先的内容制作商；三星成立时做农产品出口贸易，30 年后转型电子制造并成为今天的全球数码和半导体巨头；Nokia 最初创办时是一家木浆工厂，100 多年后转型成为全球第一的手机制造商。
2、未来长期看，AI 原生组织将成为市场主流，不成为原生就会被淘汰。新生产力带来的不只是效率差距，更是竞争标准的变化。电气化提供了一个参照：今天，用电本身已不构成企业优势，却是现代生产的基本条件，所有用电的企业都可以认为是电力原生，不用电的企业至少在发达市场已经绝迹，而时代的创新大多基于各种电器的创造。随着 AI 的可靠性和经济性提升，它也可能从竞争优势变成竞争门槛：当率先转型的企业能够持续以更低成本、更快速度提供同等甚至更好的产品和服务，客户的价格、质量和交付预期就会随之改变。仍依赖旧生产方式的企业，即使还能正常运转，可能已无法提供有竞争力的产品和服务。
3、AI 组织变革难以一步到位，短中期大部分传统企业可能处于整体 AI 增强、局部 AI 原生的状态。AI 工具可以较快部署，但数据、流程和权责很难同时调整到位。条件成熟的流程可以先由 AI 执行并形成闭环，其他业务仍主要靠人完成。早期工厂换上电动机，却继续沿用传动轴、皮带和原有布局，也有过新动力与旧生产方式并存的阶段。组织变革要减少无效汇报和重复交接，而不是只做人数与层级的减法。瑞典金融科技公司 Klarna 曾裁员并冻结招聘，扩大 AI 客服应用后，公司承认过于强调降本影响了服务质量，又补充了人工客服。多家互联网科技企业，也都被报出过类似事件。组织的混合形态也不全是转型未完成，AI 原生也不等于取消岗位和层级。Anthropic 的 Claude Code 团队已将 AI 编程作为默认方式，人员随任务流动，仍有经理支持任务团队，产品经理、设计师和安全专家承担关键判断。工作方式虽然改变了，专业分工和管理责任并不会消失。
微信 ID：chunnuanhuakai-cch