Management

岗位真实，人名与数据已脱敏。这是一篇可以被复制的实践——文末有千问办公实操路径。

我是某条业务线的一号位，每周要向 CEO 汇报商业化、产品与组织三条线的进展。10 位直接下属，周报形态五花八门——有人发长文消息，有人甩一个文档链接，有人发文件附件；同一个指标，业务线和 BI 各有一个数，谁也不服谁。

上周日，我第一次让 AI 同事全程接管这件事。没有 SOP，没有模板，纯靠对话指挥：一个个群、一个个单聊地读，一份份总结、比对、入稿。从早到晚干了三个多小时，周报是交出来了，token 烧了上亿。

贵，但值——因为做完之后，我让 AI 把整个过程复盘了一遍： 哪一步是固定动作？哪一步踩过坑？哪个数字要过谁的口径？ 然后把这些蒸馏成了一份 weekly-report 技能文档：固定坐标、模版结构、素材来源对应表、指标字典、历史教训，一条不落。

这周日，我只说了一句话：开始整理本周的周报。

AI 同事加载技能，按流程执行：读上周远端文档定结构、批量收集十个来源、报「已收/未交」清单、按字典压缩入稿—— 不到十五分钟，一份质量过关的周报草稿出来了，全是重点信息。

省下来的时间，我去做了真正值钱的事：写下业务、产品、组织面对客户与竞争的方向判断，预演 CEO 的追问，补上风险与决策请求，再把待确认的问题分发给责任人。下面是这份周报背后的五个细节。前四个发生在十五分钟里，第五个，是十五分钟和 AI 都替代不了的。

上周一个老板问我：他想像同行那样，用 3 个真人带 30 个数字员工跑业务（这个比例是我们推演的示意，不是他的真实编制）。卡点在哪？

不是模型不够聪明，也不是工具不够多。卡在一个很朴素的地方：没有一个中层愿意把自己的判断标准写成文档。

审批到什么金额要上报、哪种客户投诉要升级、什么情况下可以破例——这些判断每天都在发生，但全装在某个管理者的脑子里。数字员工问他，他口头答；换一个场景，又得重新问。

于是 30 个数字员工，每一个都变成了「等他拍板」的排队窗口。

这句话出自最近一次关于企业 AI 转型的讨论。

当时的话题是：怎么判断一家公司是不是真的 AI 原生了？很多人的第一反应是列技术清单——买了多少 AI 工具、覆盖了多少人、token 消耗增长了几倍。然后有人扔出了这么一句：

企业组织架构不变、流程不变、人才要求不变，就别谈 AI 原生。

乍一听很极端，但细想会发现它的厉害之处：它把「AI 原生」从一个技术采购问题，变成了一个组织事实问题——原生与否，不看买了什么，看结构动没动。

这个类比很精确。cloud-native 的反面不是「没用云」，而是 lift-and-shift——把单体应用原封不动搬上虚拟机，然后宣称自己上云了。今天绝大多数所谓的「AI 转型」，就是 AI 版的 lift-and-shift：把 AI 塞进旧流程、旧考核、旧管理思维里，然后管这叫原生。

上周内部交流会，有位同学站起来提了一个问题。

问题原文是这样的：

如果希望公司更像一家 AI-native 公司，各位 Leader 最希望大家立刻停止的一种/几种传统工作方式是什么，以及希望大家开始的一种/几种工作方式是什么？

主持人让我先答。

我第一反应是给一份工具清单：停止手写代码，开始用 Agent；停止人肉搜信息，开始问 AI。这种答案安全、正确，而且没用。

于是我在回答之前，先问了自己一个问题： AI 工具早就全员配齐了，为什么我依然觉得组织不够 AI-native？

答案不在工具上，而在一些我们习以为常、甚至毫无察觉的工作方式上——它们运行得太自然，以至于我们误以为它们就是工作本身。

上周和一群刚工作的年轻人交流。有人问我一个问题：我每天都在用 AI，prompt 也调得不错，效率确实提高了——但为什么总觉得，我还是在「自己干活」？

我反问他：你的 AI，会不会越用越好？

他愣了一下：好像不会。每次新开一个对话，都像第一次认识一个新同事。

问题就在这里。他很会用 AI，但他从来没有管理过 AI。

这两件事的差距，比他以为的大得多。

去年年底，一个带三十人团队的朋友跟我吐槽：「我团队执行力特别强，交代什么做什么，但就是没人主动提新想法。」

我问他：「你的绩效考核怎么算的？」

他说：「Bug 修复数、代码行数、需求交付准时率。」

我说：「那你训练出来的不是工程师，是 KPI 优化器。他们不是不会探索，是探索了没奖励。」

他愣了一下：「这跟训练 AI 有什么区别？」

区别不大。真的。

每周一早上，我在董事群发一条消息，列出 16 位高管本周的重点事项。

接下来一周，我靠记忆和同事的自觉来掌握进度。有人及时反馈，有人到周五才想起有这回事，有人直接忘了。

上周五，我试了一下让 AI Agent 帮我跟。结果超出预期。

昨天一个校招生在钉钉上问我：「日报能不能让 AI 帮我写？我每天花 30 分钟凑那些东西，感觉像在演戏。」

我没有急着回答「能」或「不能」。因为这个问题的背后藏着一个更大的矛盾——

如果日报真的只是「写给主管看的汇报」，那让 AI 写完全合理，甚至应该让 AI 写。但如果日报的价值远不止于此，那用 AI 替代的可能恰恰是最不该被替代的部分。

问题不是「AI 能不能写日报」，而是： 在一个 AI 能替你写字的时代，人还应该写什么？

周五下午 4 点。你打开钉钉，你的 D 群里「本周的重点事项」消息已经发了 24 小时。16 位负责人被 @，每个人的进展回复散落在三个地方：有人私聊你说了三段话，有人在群里回了一个 emoji，还有人到现在一个字没发。

你要整理的，是一份让所有人都看得懂、能 action 的结构化进度报告。

手动做这件事需要 2-3 小时（经验估算）。你打开 16 个单聊窗口 + 群聊消息列表，翻来翻去。做得再仔细，也跑不掉三个 bias： recency bias ——最后看到的记得最清， salience bias ——写了一大段的人得到最多篇幅，写了三个字的人被一笔带过。 survivorship bias ——没回复的人直接消失在你的视野里，而不是被明确标记。

我手动做了这件事好几个月。然后写了一个 Agent Skill 文件——不到 200 行的 Markdown，把你的工作流程像岗位说明书一样写清楚。跑起来之后的效果不是「更快了」，而是 总结质量比手动好：每条来源可溯源、16 人全覆盖、没回复的标 ⚠️ 而不是消失。从 12 人扩到 16 人时，只改了 4 行映射表。

这篇文章讲的就是这个案例——以及如何把 Loop Engineering（让 Agent 自主跑到终点的工程方法）从写代码的场景，搬到管理协调的场景。

这个工程能落地，最关键的工具是 钉钉 DWS（DingTalk Workspace CLI）。DWS 是 Agent 与钉钉的统一接口层，它的设计让钉钉对 Agent 友好、对开发者友好。无论你使用哪款 Agent——OpenClaw、Hermes、OpenCode、悟空、MuleRun、WorkBuddy——都能通过 DWS 应用这套 AI 驱动的管理方法。Agent 是 fungible 的，接口层才是杠杆。

每个周五下午，你的团队在做同一件事：打开空白文档，回忆这周干了什么，凑出一份周报。

这件事的荒谬之处在于——周一到周五，你们已经开了 10 次站会，讨论了 50 个问题，做了 20 个决策。所有信息都已经存在了，只是散落在会议录音、聊天记录、任务系统里。周报不是「写」出来的，应该是「长」出来的。

这篇文章用一个 War Room Scrum 的完整案例，说明怎么用 AI 原生思维重构日报和周报流程。核心转变： 不是让 AI 帮你润色周报，而是让 AI 从日常运转的数据中自动聚合出周报。