ENFRहिES中文
博客

Prosci 极速模式：为智能体时代重构变革管理

作者：Jean-Philippe Bédard · 发布日期：2026年8月7日

执行摘要

传统的变革管理是为线性的、固定范围的软件部署而设计的，ERP迁移、CRM改造。这些项目有明确的开始日期、固定的上线时间和稳定的功能。人工智能以指数级的速度演进。当企业完成一个为期12个月的传统变革推行时，底层的模型、智能体能力和工作流集成已经经历了多次迭代。

本文探讨组织领导者如何重构Prosci方法论，将其从一个静态的、基于项目的框架转变为一个持续的、高速的变革能力，能够吸收快速的AI变化而不触发员工倦怠。

数据令人警醒。McKinsey的2025年AI现状报告显示，虽然88%的组织现在使用AI，但仅有6%符合"AI高绩效者"标准，即AI带来的EBIT影响超过5%。采纳与价值创造之间的差距正在扩大，而非缩小。

引言：这个博客为何存在

如果你正在阅读这篇文章，你很可能是一位正在与一个反复出现在董事会和战略会议上的问题搏斗的领导者：我们如何在技术使我们的实施计划过时之前，从AI中获得真正的价值？

本文为 agenticprocessvalue.ai/blog 博客揭开序幕，这是一个致力于一个看似简单问题的新空间：我们如何将智能体AI能力转化为可衡量的商业价值？不是炒作。不是空中楼阁。不是概念验证的坟场。而是真实的、可审计的投资回报。

这个时代呼唤这个博客。企业在AI上投入了数十亿美元。62%的企业正在试验AI智能体（McKinsey，2025）。然而，大多数组织被困在两个世界之间：为2010年ERP部署设计的传统变革管理，以及每周都在迭代的AI能力。

我花了三十年时间在技术变革中航行，从前网络时代到互联网革命，再到移动、云计算，以及现在的智能体AI。每一波浪潮中都重复着一个模式：当人类操作系统没有与技术系统同步升级时，技术采纳就会失败。 这个博客将为弥合这一差距而存在。

承诺：每篇文章都将真实的业务问题与具体、可操作的框架联系起来，具备足够的严谨性以在董事会中进行辩护，以及足够的清晰度以便下周一执行。

让我们从这个时代最基本的张力开始：AI速度鸿沟。

1. AI速度鸿沟

每个尝试AI转型的组织都会遇到一个根本性的张力。技术能力呈指数级增长。人类适应，习惯形成、信任建立、文化规范，呈线性推进。

AI速度鸿沟，技术能力呈指数级增长，而人类适应呈线性推进。两条曲线之间不断扩大的差距代表了组织风险。

当这一差距不受控制地扩大时，会出现三种失败模式：

失败模式 表现 根本原因
培训过时 第二个月创建的课程涵盖基础提示工程；到第六个月，企业已部署了定制RAG流水线和自主智能体 为技术快照设计的静态内容，而非移动目标
变革疲劳 员工被无休止的、互不相干的公告和政策更新轰炸，随之而来的是犬儒主义和疏离感 碎片化的沟通，缺乏统一的叙事
采纳幻觉 中央IT部门报告许可证激活率很高，但实际使用深度仍然肤浅，员工用AI起草邮件，而核心工作流原封不动 衡量访问量，而非行为

数据证实了这一模式。只有23%的组织正在超越试点阶段扩展AI智能体（McKinsey，2025）。近三分之二甚至尚未开始扩展。而IBM Watson Health, 一项耗资40亿美元、旨在革新肿瘤学的登月计划，在2022年以约10亿美元被拆分出售。STAT News记录的尸检报告确定了根本原因：不是技术，而是未能赢得临床医生的信任并整合到现有的临床工作流中。一场披着AI外衣的变革管理失败。

战略转向很明确：AI变革管理不再是关于"实施工具X"。而是关于构建组织持续、低摩擦适应的能力。

2. 为持续速度重构Prosci三阶段流程

为了匹配现代AI的节奏，Prosci的三阶段流程必须从一次性的项目生命周期演进为持续的运营循环。以下是重构后的框架。三个阶段定义了什么必须改变。四大支柱（第4节）详细说明了如何执行。

阶段1：准备方法，构建适应性基础

在传统项目中，阶段1为单一可交付成果定义变革策略。在高速AI环境中，阶段1建立的是持续变革的基础设施：

  • 持续的高管支持 : 确保最高管理层不仅为特定工具发布做出承诺，而是为持续的AI实验和工作流重新设计文化做出承诺。Prosci自身的研究表明，拥有极其有效发起人的项目有79%的可能性达成目标，而发起人不力的项目仅为27%。

  • 敏捷治理与护栏 : 尽早设定明确的可接受使用政策、安全边界和数据隐私规则，使员工能够安全地实验，无需等待逐案审批。目标是在护栏内获得速度，而非速度或护栏。

  • 灵活的影响评估 : 评估AI如何持续改变各业务单元的工作角色和核心能力。这不是一次性的练习；它被嵌入到季度业务审查中。

阶段2：管理变革，执行微赋能周期

比起在上线时交付一个庞大的、一次性的培训计划，阶段2转变为微赋能周期, 短期的、双周一次的能力增量：

  • 模块化沟通 : 用简洁的、针对特定角色的视频摘要取代冗长的全员大会，每个冲刺突出一个新启用的高价值AI工作流。

  • 基于冲刺的培训 : 提供简短的、专注于即时实际应用而非全面技术理论的学习模块。

  • 适应性管理者辅导 : 为中层管理者配备每周讨论要点，指导其直接下属进行本地工作流调整。管理者是最被低估的变革资产，员工对直接主管的信任远超公司沟通邮件。

阶段3：维持成果，运行实时遥测循环

比起在上线后90天进行一次单一的发布后评审，阶段3变为持续的遥测反馈循环：

  • 主动遥测监控 : 追踪实时采用指标：每日活跃使用量、令牌消费模式、提示成功率。在几天内而非几个季度内发现采用率下降。

  • 快速摩擦修复 : 识别员工遇到障碍的地方（输出准确性差或复杂的UI集成），并在48小时内部署针对性的微培训。

  • 废弃纪律 : 这是传统变革模型中缺失的关键机制。随着新AI工作流被采纳，领导者必须主动归档或废弃旧有实践。如果每个微周期都增加一项新能力而不移除一项过时的能力，员工的认知负荷将单调递增，加速变革饱和。安排季度"日落审查"：每引入一个新的AI工作流，识别并退役一个遗留的手动流程。

3. AI成熟度的"分层ADKAR"模型

企业AI转型不是一次单一的ADKAR旅程。它是一系列堆叠的ADKAR循环，随着组织AI能力的深化而被触发。每一层都引入了员工与技术之间根本不同的关系，因此需要独特的ADKAR策略。

分层ADKAR模型，三个堆叠的ADKAR循环随着组织AI能力的深化而触发，从个人生产力（第1层）到流程增强（第2层）再到自主AI智能体（第3层）。

第1层：个人生产力（聊天与Copilot）

是什么： 员工个人使用对话式AI和基础搜索增强处理个人任务，起草邮件、总结文档、头脑风暴。

ADKAR优先事项： - 认知与意愿 : 克服岗位替代焦虑。信息必须从"AI会取代你"转变为"AI会处理你工作中最不喜欢的部分"。 - 知识与能力 : 教授基础提示工程、上下文提供和输出验证。不是全面的理论；而是实践的肌肉记忆。

向第2层的过渡触发点： 当员工开始独立提出"我能把这个连接到我们的内部数据吗？"或"我能自动化这个我每周都做的重复性任务吗？", 从个人工具到业务流程的转变已经开始。

第2层：流程增强（定制RAG与集成工作流）

是什么： AI直接嵌入到业务应用程序、企业知识库和团队流程中。AI不再是一个独立的聊天窗口，它在CRM内、在理赔系统中、在库存仪表板中。

ADKAR优先事项： - 意愿 : 从新奇使用转向日常习惯性工作流。这是大多数转型停滞的地方。McKinsey发现62%的组织在试验智能体但只有23%在扩展，"实验陷阱"。 - 知识 : 灌输批判性评估习惯：验证AI生成的数据，识别幻觉模式，理解AI信心与AI准确性之间的区别。 - 能力 : 建立AI增强工作流的肌肉记忆，直到它们像查看邮件一样自然。

向第3层的过渡触发点： 当组织拥有足够的第2层熟练度，以至于没有AI辅助感觉像是生产力障碍，并且当对AI输出的信任已达到委托（不仅仅是增强）变得可行的阈值时。

第3层：自主AI智能体（委托与监督）

是什么： 最深刻的转变，也是证明本博客域名合理性的转变。员工从操作软件转变为监督自主智能体，这些智能体独立执行多步骤业务任务。这不是副驾驶；这是带有监督的委托。

ADKAR优先事项： - 认知 : 理解"智能体"不意味着"员工替代"。智能体处理执行；人类处理判断、异常处理和升级。这一区分至关重要。没有它，在第一个智能体部署之前，阻力就已经固化。 - 意愿 : 管理失去运营控制权的恐惧。这不是第1层抽象的焦虑（"AI会抢走我的工作吗？"）。这是切身的："如果我把这个理赔裁定委托给一个智能体，它犯了一个50,000美元的错误，我要负责吗？"解决这个问题需要在智能体上线之前明确问责的组织政策。 - 知识 : 建立人机协同审计技能。监督者必须学会发现智能体的失败模式：漂移、结构化输出中的幻觉、边缘案例盲区。这是一种在任何企业培训目录中都不存在的新专业能力。 - 能力 : 将认知负荷从执行转移到评估。这比听起来更难。一个花了15年手动处理理赔的员工必须学会在曾经处理五件的时间内扫描50件智能体处理的理赔，标记异常而非处理每个案例。这是一种根本不同的心智模型。 - 强化 : 认可那些通过智能体委托成功扩大产出的员工。奖励系统必须从"你生产了多少件"转变为"你监督生产这些件的智能体的效率如何"。没有这一转变，员工会为个人产出指标优化，完全忽略智能体。

能力差距： 第3层需要当前任何认证项目都不教授的技能：智能体监督、审计追踪分析、升级协议设计，以及区分"智能体犯了错误"和"智能体遇到了从未被训练过的新情况"的能力。在不投资这些人类能力的情况下达到第3层的组织将看到其智能体计划失败，不是因为智能体出了故障，而是因为监督者没有装备好去监督。

4. 将速度操作化：4个核心执行支柱

如果重构的阶段定义了什么必须改变，这四个支柱定义了如何执行，使持续速度可持续的日常运营机制。

支柱1："思维优先，工具其次"培训策略（80/20法则）

界面、供应商名称和模型世代不断变化。基础的认知习惯持久不变。培训项目应将20%分配给点击哪些按钮，80%分配给核心AI素养：

  • 问题分解 : 将复杂的业务任务分解为模块化、可委托的步骤
  • 上下文工程 : 向模型提供丰富、精确的背景数据
  • 输出验证 : 批判性地审计AI工作；将AI输出视为初稿，而非最终答案

支柱2：嵌入式"领跑者"网络

中央变革团队无法跟上每个部门本地化工作流变化的节奏。通过招募和培训领跑者（Pacesetters）, 直接嵌入业务单元的技术好奇型员工，组织将变革执行去中心化：

  • 领跑者在其团队内运行本地微ADKAR循环
  • 他们分享实时胜利，并立即向领导层标记新出现的阻力
  • 关键的是，他们不是"AI倡导者"。领跑者设定采纳的节奏，而倡导者进行推广。设定节奏是运营性的；推广是宣传性的。这一区别很重要。

支柱3：定量与定性遥测

高速变革需要实时、多维度的数据：

数据类型 示例 揭示的内容
定量（运营） 每周活跃用户、提示量、令牌消耗、执行时间 采纳广度和表面深度
定量（行为） 工作流完成率、有无AI的任务时间、每位员工的AI辅助决策数 实际工作流集成（vs. 偶然使用）
定性 每周2分钟快速调查、领跑者反馈渠道、管理者汇报 信任、摩擦点、新出现的阻力主题

将这些整合到一个实时组织健康仪表板中，在每周领导层站会中审查，而非埋没在季度PPT中。

支柱4：心理安全与沙盒文化

担心犯错或泄露数据严重扼杀了AI实验。领导者必须创建指定的沙盒环境，让员工可以在真实的业务问题上测试AI，而无需担心绩效处罚或合规违规。

一个实用机制：在每个冲刺中指定专门的沙盒会话，员工探索AI工作流，遵循一个简单规则：沙盒会话的任何输出在未经审查前不进入生产，沙盒中的任何错误没有职业后果。 Prosci的数据毫不含糊：具有卓越变革管理的项目达到目标的可能性是变革管理不善项目的七倍。沙盒不是"锦上添花", 它们是将恐惧转化为实验的机制。

5. 高速变革矩阵

下表展示了从业者如何为持续AI部署调整经典Prosci活动。每个维度都从"项目"转向"操作系统"。

变革维度 传统Prosci（静态项目） 为AI速度重构的Prosci
主要范围 固定软件版本/单次部署 演进的AI能力和智能体工作流
发起支持 项目执行期间活跃的联盟 最高管理层对持续适应的持续承诺
培训模式 上线前全面的课堂/在线学习 持续的微学习模块和提示库
ADKAR执行 从A到R的单一线性路径 按AI成熟度层级的顺序分层ADKAR循环
阻力管理 培训/上线期间的反应性干预 通过沙盒文化、领跑者和日落审查进行主动缓解
成功指标 按时、按预算上线，目标完成率 实时活跃使用量、工作流深度、自我报告的信任度和任务效率增益

我们的前进方向

AI速度鸿沟不会自行弥合。McKinsey的数据证实了模式：采纳率飙升，但价值创造仍然集中在极小部分的组织中。捕获真实EBIT影响的6%与仅仅使用AI的88%之间的区别不是更好的模型，而是更好的变革架构。

在未来两年内，"AI变革经理"的角色将演变为根本不同的东西。这个人不会管理项目时间表。他们将编排一个神经系统，持续遥测、微赋能周期、分层ADKAR循环，以及主动废弃不再有用的遗留实践。工作从管理过渡转变为维持自适应运营节奏。

有问题、异议或您自己在高速AI变革方面的经验？联系我们。这个博客将为通过实际应用磨砺框架而存在。

来源

← 返回博客