微软复盘自身 AI 转型，提炼五条经验并发布 Frontier Playbook

AI 正在重塑工作的速度之快，任何组织都尚未完全掌握。在各行各业，讨论的焦点已从 AI 能做什么，转向企业如何利用 AI 创造商业价值、拓展人们所能达成的成就。在微软，我们相信能够成功的组织将是我们所说的“先锋企业”（Frontier Firms）：以人为先导，但越来越多地由 AI 赋能。这份责任始于 AI 的构建方式，并贯穿于 AI 的实际应用：AI 应当扩展人类的能力，同时让人们保留实质性的掌控权、判断力和问责机制。我们承诺成为“零号客户”（Customer Zero），通过自身的转型积累经验，从而帮助他人完成各自的转型。

我们的员工不断尝试 AI，领导者则设定了宏伟目标，并挑战团队重新构想工作方式，以实现超越以往可能的成就。我们成立了横跨公司职能部门、市场拓展和工程部门的跨公司委员会，分享最佳实践并共同学习。我们要求每个人挑战自己的固定型思维，拥抱我们十多年来一直培养的成长型思维。这些工作正在产生可衡量的成果：某销售团队的交易成交率提高了 20%¹；部分供应链工作流的周期时间缩短了多达 75%²；一个九人工程团队在 35 天内发布了首个产品版本。³

随着经过验证的方法不断涌现，我们将其整理为案例研究，以便加速转型、推广行之有效的做法，并从失败中汲取教训。同样重要的是，我们深知，如果想要帮助客户实现 AI 的全部价值，就必须先做好自身转型的工作。我们自身的第一手经验需要成为可以与他人分享的学习资源。

我们一直在与客户分享 微软的《Frontier Playbook》，作为我们 AI 转型历程的实用指南，其中包括我们的所学、迄今为止行之有效的做法，以及从失败中获得的经验。该手册汇集了全公司数百个 AI 转型项目的经验，记录了我们在重新设计工作、构建新能力、衡量影响以及帮助人们与 AI 共同成长过程中的所学所得。

这份手册也反映出一些重要的事实：转型是艰难的，而学习才是持久的超级能力。在我们从成功与失败中获得的诸多洞见中，有五条经验始终最为突出。

1. 从业务成果出发，而非从技术出发

起初，我们把 AI 当作一项传统技术的推广来对待：部署工具、提供培训、推动采用。我们学到，获得工具和使用并不等于转型：一款授权给超过 20 万人的工具，并不能改变工作的实际完成方式。

早期的销售使用情况清楚地说明了这一点。尽管部署范围广泛，使用率却趋于停滞，成效也未能实现。团队没有更用力地推动采用，而是从业务目标出发——为客户创造更多价值、赢得交易并改善员工体验。他们梳理了客户经理每周的时间安排，并为最重要的时刻确定了最佳工具：用于销售管线的 Analyst 智能体、用于交易方案包的 Deal 智能体，以及用于深入理解客户的 Researcher。每周由同事主导的例会让实验成为习惯，并将最佳实践推广到团队中的每个人。在该团队内部，优先用例的采用率增至三倍，每位客户经理的收入增长了 9.4%，成交率提高了 20%。⁴

成功仍然需要投入，帮助人们掌握新技能、尝试新的工作方式并相互学习。但当领导者聚焦于明确的业务成果以及对实际执行工作的人最重要的东西，而非 AI 采用本身时，对话就从使用 AI 转向了创造价值。

2. 重新设计整个工作流，而不仅仅是单个任务

我们最大的教训之一来自于端到端地重新构想工作流，而不是将 AI 应用于现有的步骤。早期的努力帮助人们更快地完成熟悉的任务，但很少改变结果。把智能体加入一个有问题的流程，流程依然有问题——加快一个步骤只会在下一步造成更长的排队。

我们的云供应链团队在使用智能体重新构想之前，先简化了自身的流程。供应链专家和工程师并肩工作，首先梳理并简化端到端的工作流，然后创建单一事实来源，让每个智能体基于相同的数据进行推理。在这个基础上，他们在计划、采购、履约和物流环节部署了 100 多个专为特定目的构建的智能体。这些智能体调查需求变化并对产能进行建模，同时比较空运、陆运和海运方式在成本、时效和碳排放方面的差异——这种复杂度很少有团队能独自应对。在选定的工作流中，周期时间最多缩短了 75%。

这种转变不仅关乎速度，更关乎通过提升团队所能洞察、预判和采取行动的范围来创造新价值。在既定的权限和审批阈值内，智能体已从回答问题进阶到帮助计划员直接更新或取消采购订单。曾经需要花费五到七天追查需求计划为何变化的计划员，如今几小时内就能得到答案，有时甚至不到 20 分钟。这使得在计划周期推进过程中分析变化、建模更多情景、制定更好的应急预案并更早识别风险成为可能——帮助团队做出更好的决策并提升供应链的绩效。⁵

我们在软件工程领域也看到了同样的转变，那里的机遇不仅限于更快地生成代码，还在于重新设计团队如何借助智能体在整个工作流中规划、构建、测试和评估产品。

我们发现，当团队退后一步，重新设计工作应如何在人员、流程和技术之间从头到尾流转——包括智能体可以访问和执行什么、其行为如何被监控，以及在哪些环节必须由人来审核、批准或干预——才能获得最大的收益。当这三者共同推进时，AI 的威力最为强大。

3. 让员工成为转型的中心

实际执行工作的人知道流程在哪里失效、判断力在哪里至关重要、AI 能在哪里提供帮助——这些洞见是任何流程图都无法完全捕捉的。他们的专业知识需要从一开始就塑造转型。领导者的职责是设定清晰的愿景，帮助员工培养贡献所需的技能，并让他们在决定工作如何变革时发挥有意义的作用。

在微软，我们正在创造让员工动手实践以培养这些技能的方式。一项面向职业生涯早期的发展计划 PRAISE 将初出茅庐的工程师与经验丰富的导师及 AI 辅助学习相配对，帮助新晋工程师在磨练自身技艺的同时为复杂工作做出贡献。

Camp AIR 是一个为期数周的 AI 转型加速器，帮助跨职能团队围绕真实的业务挑战学习新的 AI 能力，同时重新设计他们的协作方式。一次早期试点让我们明白，AI 转型是一项团队运动，仅靠工具和培训是不够的。虽然个人可以独立学习新技术，但当团队共同学习、实验和适应时，才会发生有意义且持久的变化。团队需要就 AI 将如何重塑角色和工作流程展开坦诚的对话，并拥有安全试验的自由，从而建立对新工作方式的信心。我们无法让今天存在的所有工作都免受未来冲击，但我们可以帮助员工通过培养随着工作演进取得成功所需的技能、适应能力和心态，让自己的职业生涯具备面向未来的能力。

这一经验成为了 Camp AIR 的核心设计原则，并帮助该计划在整个组织中扩展到 3,000 多名工程师。

Copilot Cowork 背后的团队展示了这在实践中可以是什么样子。这支由工程师、设计师和产品经理组成的九人团队获得了重新思考产品构建方式的自由，从第一天起就融入 AI。在与智能体协同工作的过程中，他们的角色扩展为他们所说的 meta-engineers、meta-designers 和 meta-PMs。他们共同努力，在 35 天内发布了初始版本，并记录下所学到的经验，以便其他团队能够在此基础上继续发展。⁶

根据我们的经验，领导者设定成果和问责机制，而最贴近工作的人则能看到 AI 在哪里创造价值、人类的判断力必须在哪里保持核心地位。管理者将两者连接起来，他们的以身作则和支持是成功的最强预测因素之一。我们的 研究 证实了这一点：当管理者积极示范 AI 的使用时，智能体 AI 带来的价值报告提升了 17 个百分点，对它的信任度提升了 30 个百分点——而在管理者营造心理安全感的团队中，员工成为智能体 AI 高频用户的可能性要高出 1.4 倍。当员工拥有背景信息、能力和自主权时，他们就能成为转型的引擎。

4. 用 AI 拓展人们所能做的事

我们的起点和许多公司一样：通过自动化任务来提升效率。这种价值是真实的，但仅仅是个开始。随着时间的推移，我们意识到更大的机遇在于“能力叠加”（Capability Add）：将人类与 AI 的优势相结合，实现以前不切实际或无法达成的成果。可以把它看作一个等式：CI + AI = CA。持续改进消除浪费，AI 则注入能力。两者共同产生能力叠加——具有更高战略价值的产出。仅靠持续改进，得到的是旧公司更精简的版本；而能力叠加则会创造出一个不同的公司。这就是转型。

在我们最新的工作趋势指数中，58% 的 AI 用户表示 AI 帮助他们完成了以前无法完成的工作——在高级用户中这一比例高达 80%。在我们的案例中，这体现为预测质量故障而非事后才发现，或者在团队原本只有时间研究三个方案的情况下探索二十个方案。

这种更宏观的视角决定了我们衡量 ROI 的方式。我们常说：效率是下限，能力是上限。使用率和采纳率，以及速度、质量和成本方面的改进，都是重要的信号。但最终的衡量标准是 AI 是否改善了客户和员工的体验、推动了增长与创新、降低了风险，并拓展了组织所能达成的成就。由于这些成果可能需要时间才能显现，我们还会追踪先行指标。对客户经理而言，这可能意味着在收入增长完全实现之前，与客户相处的时间更多、销售管道更强劲或赢单率更高。对工程师而言，关键不在于 AI 产出了多少代码，而在于团队能否更快地打造更好的产品。

我们鼓励团队超越效率的视角，去追问：“我们的员工能完成哪些以前无法完成的事情？”

5. 结合人类与 AI 的能力，打造持续学习的组织

在微软，我们长期以来一直相信成长型思维是竞争优势的来源。十多年来，我们挑战假设、勇于实验、学习和适应的意愿塑造了我们的文化——这也为 AI 时代提供了更加重要的基础。

AI 正在赋予这一理念新的意义。作为思考伙伴，它可以帮助员工探索新想法、培养技能并在工作流程中学习。它可以让学习更快速、更个性化、更易于获得，帮助人们迎接曾经看似遥不可及的挑战。

但我们也发现，学习是双向的。人们通过提供雄心、背景、判断和反馈，帮助 AI 变得更有用，教会它工作是如何完成的、什么才是好的成果。人们设定要求、纠正不足之处、判断哪些环节人类判断不可或缺，并对 AI 的应用方式始终负责。

以我们的员工职能部门（People organization）为例，各团队正在持续改进智能体，以支持新员工入职所涉及的众多跨公司活动。我们的团队引导整个流程，并为“什么才是好的成果”设定标准，确定哪些环节需要人类判断，解决问题并治理整个系统。

随着时间的推移，这一学习循环将个人洞见转化为组织能力。AI 帮助人们更快地学习，而人们则帮助让 AI 在其组织中发挥更大作用。我们认识到，我们正在构建的持续学习循环也在生成独特的机构知识，而保持对它的掌控对我们的长期优势至关重要。同时，每个组织都应该能够构建自己的持续学习循环，而不必依赖任何单一的模型提供商，并保持对其知识以及知识如何嵌入其所用模型和系统的掌控。

仅仅能够使用最好的模型并不足够。领先的组织将是那些建立起加速学习能力的组织——在其中，人与 AI 共同进步，他们创造的知识成为持久优势的源泉。

***

这些经验汇聚为三个实用的方法：面向角色的 Persona Acceleration、面向工作流的 AI-Powered Process Redesign，以及面向全新机会的 AI-First Possibility。它们从数百个转型实践中提炼而来，是团队可以调整运用的模式——往往组合使用——以便更快推进并避免重复摸索。

能否使用 AI 并不会成为差异化的关键。真正的优势将来自组织赋能并激发员工、重新设计工作、负责任地治理 AI，以及将行之有效的做法落地运营的能力。我们看到的结果——从收入增长和更高效的供应链，到更快的产品开发和更好的员工体验——表明当这些要素汇聚时能够实现什么。但要取得这些成果，仅仅部署 AI 是不够的，还需要有意识地将人员、流程和技术对齐。这正是成为 Frontier Firm 的艰辛所在——也是我们创建 Microsoft Frontier Company 的原因：将我们从自身转型中学到的经验带给客户，并在他们推进转型的过程中与之并肩同行。

阅读 《成为 Frontier Firm》：我们的 Frontier Playbook，其中包含 Microsoft「Customer Zero」之旅的框架、转型方法与经验教训。

Kathleen Hogan 是 Microsoft 的执行副总裁兼首席战略与转型官，负责领导公司全企业范围的战略与转型议程，加速 Microsoft 向 Frontier Firm 的演进。此前，她曾担任 Microsoft 首席人力资源官和 Microsoft Services 企业副总裁。

注释

¹ Microsoft 内部销售团队数据，基于 2024 年 1 月至 6 月期间 687 名 Microsoft 365 Copilot 销售人员的数据，并与 Copilot 低使用率的销售人员进行了对比。Copilot 的常规使用指在测试期间每天至少有 50% 的时间使用 Copilot 的销售人员。

² 基于微软对一项工作的内部分析，该工作由一个 150 多人组成的跨职能团队于 2025 年 9 月至 2026 年 8 月期间主导。截至 2026 年 9 月，已有超过 111 个智能体部署于云供应链工作流中。在 2026 年 4 月至 2026 年 8 月间测量的 5 个月度规划周期中，平均周期时间从约 10 个工作日缩短至不足 2.5 个工作日。此外，在每月 20 多项需求计划调查中，生成经人工验证的解释的平均时间从五到七天缩短至不足几小时，其中一些在不到 20 分钟内完成。结果仅适用于这些工作流和测量期间。

³ 基于内部项目记录。35 天的周期是从团队正式启动项目到 2026 年春季交付首个版本之间测量的。此结果反映的是一个专门的跨职能团队所执行的一个项目，并非全公司范围的产品开发基准。

⁴ 微软内部销售团队数据，基于 2024 年 1 月至 6 月期间 687 名使用 Microsoft 365 Copilot 的销售人员，并与 Copilot 使用率低的销售人员进行了对比。定期使用 Copilot 是指在测试期间每天至少有 50% 的时间使用 Copilot 的销售人员。

 ⁵ 基于微软对一项工作的内部分析，该工作由一个 150 多人组成的跨职能团队于 2025 年 9 月至 2026 年 8 月期间主导。截至 2026 年 9 月，已有超过 111 个智能体部署于云供应链工作流中。在 2026 年 4 月至 2026 年 8 月间测量的 5 个月度规划周期中，平均周期时间从约 10 个工作日缩短至不足 2.5 个工作日。此外，在每月 20 多项需求计划调查中，生成经人工验证的解释的平均时间从五到七天缩短至不足几小时，其中一些在不到 20 分钟内完成。结果仅适用于这些工作流和测量期间。

 ⁶ 基于内部项目记录。35 天的周期是从团队正式启动项目到 2026 年春季交付首个版本之间测量的。此结果反映的是一个专门的跨职能团队所执行的一个项目，并非全公司范围的产品开发基准。

本文我们从微软自身的 AI 转型中学到了什么最先发布于微软官方博客。