为什么AI战略与人事战略可以合而为一

2026年6月，Mercari任命CTO兼任CHRO和CAIO，Sansan则让CHRO兼任CAXO（Chief AI Transformation Officer）。两家公司的出发点相反，但共同之处在于，它们都没有把AI应用仅仅当作技术部门的课题，而是当作重塑人与组织运营基础的课题。

如果只用“为了把人工成本替换为token成本，所以由同一位负责人来管理人和AI”这类“AI会抢走人类的工作”的论调来理解这一动向，我觉得多少会误读其背后的思路。

正如后文将详细说明的那样，如果把引入AI看作“在人、AI、软件、规则等之间，重新配置组织所拥有的信息处理能力和判断权”，那么要做这样的设计，需要的就不只是理解AI能力的人，还需要拥有改变人事和组织的权力、能够综合设计职务、权限、培养、评价和组织结构的人。这样一来，CHRO与CAIO等职能的整合就有了一定的说服力。

此前在《从“AI企业边界论”看AI时代的组织论》中，我也稍微提到过“HR负责人兼任AI负责人的动向，看起来反映了AI时代组织设计的样貌”，这里再整理一下。

电力的社会应用与AI的社会应用

最近经常听到这样的说法：给全公司发放了生成式AI的许可，也做了培训，使用率也提高了，但整个组织的生产率和决策速度并没有提高到预期的程度。

新技术兴起时，最先发生的是在现有工作上增加一件新工具。AI摘要、起草文稿、制作资料等，大多都是这样进行的。

不过，我之前在《当软件和智能变得便宜时会发生什么》这篇文章中也提到过，技术要真正提高生产率，似乎还需要更大一些的变化。

比如，来看看电力是如何提高制造业工厂的生产率的。从工厂的面貌发生改变，到电力使工厂生产率得到提升，似乎花了数十年。

在电力出现之前，工厂靠蒸汽机运转。据说那时是从中央的大型发动机出发，通过传动轴和皮带向多台机器输送动力。在这种结构下，机器的位置受到动力传输的限制。

在早期的电气化中，即使把中央的蒸汽机换成了大型电动机，传动轴和工厂的布局也常常原封不动地保留下来。这样一来，燃料费和维护费虽然能降低一部分，却无法充分发挥电力的潜力。

重大的变化发生在为每台机器配置小型电动机的单独驱动方式普及之后。由于机器的位置可以从中央动力中解放出来，设备就能够根据材料和作业的流程来布置。就这样，工厂的机器布局、工序、监督、维护乃至投资决策全都改变了，生产率这才大幅提高。按照经典的解释，这种方式要广泛固定下来，用了约30年。（年数有多种说法。更详细的内容，也请参阅《实现未来》等。）

也就是说，技术的价值不是由技术本身决定的，而是当设备、业务、技能、权限、评价制度等互补的机制被重新组合得与技术相适应时，价值才会变得更大。

从这个角度来看，给大家都发放生成式AI的许可，可以说就像在1900年前后“把电动机发给工厂的全体员工，让他们思考改善自己工作的方案”一样。当然，AI与电动机不同，它是智力生产的工具，所以我想，提供这样的工具确实会带来个人生产率的提升，但基本上只会产生对现有业务做局部改善的方案。

如果当前的AI是一种可以通用的技术，那么本来应该做的，是由管理层去思考运用AI的未来组织整体，并在其中思考如何使用AI。我认为，CHRO与CAIO的兼任，就是为探索这个答案而做出的人事安排。

组织也是信息处理的架构

AI具有与以往“物理力量”的机器替代不同的一面。

从组织的角度来看，组织论自古就有一种把组织视为信息处理机制的看法。根据杰伊·加尔布雷思的信息处理模型，工作的不确定性越高，在执行过程中必须观察、共享和判断的信息量就越大。规则、层级、审批、目标管理、跨部门团队等制度，都是组织为了处理这些信息和例外而建立的装置。

实际上，组织结构决定了以下事项。

谁来观察现场的信息，以什么形式记录
谁可以访问这些信息，汇总到哪里
谁来解释、判断和批准
例外事项交给谁
结果反馈到哪里

在这个意义上，组织架构图和业务流程既是人员的配置图，也是标示信息处理节点以及节点之间连线的设计图。退一步来看，组织架构本身就是用来规定信息处理的机制。

例如，采用层级型组织时，信息处理的方向是级联式的，由上司分配信息，所以信息传递往往较慢，但经过过滤的信息更容易传达下来，责任归属也更清晰。另一方面，扁平型组织的信息传递更快，但快速传达的信息并不一定都是必要的，责任归属也变得不那么清晰。组织结构本身，在信息传递和责任方面，就内置了优点和缺点。

从经营的角度，如果只看“人”这种资源所具有的功能的一个侧面，人是信息处理节点的一种。他们从客户和现场接收信息，与过去的经验和专业知识比对，赋予意义，当场做出判断，并在必要时把结果交给其他人或系统。

AI也是被放置在这张组织连线上的新节点。它检索、分类、摘要信息，生成文章和代码，有时还会操作系统。

只要把组织看作信息处理架构，人和AI都可以被认为是“接收信息、处理信息、再交给下一道工序的主体”。那么，把二者平等地并列起来，思考如何让它们运转，就是有道理的。利用AI能够大量处理信息的优势，或许还可以探讨新的组织形态。

而AI与以往软件的不同在于：以往的软件相对容易明确输入、处理步骤、输出和例外条件；而生成式AI虽然能够针对非结构化的输入和含糊的请求生成开放式的输出，却难以事先列举出其性能边界和失败条件。可以说，正因为它更接近人类智能的性质，这些组织和人事问题才变得更加切近。

功能相似，制度上却不对称

当然，人和AI并不是同一种资源。

人通过经验成长，并承担法律和道德上的责任。AI虽然能够处理信息，却既不能自己承担组织的目的，也不会在发生事故时负责（至少在目前的法律上是如此）。此外，目前的AI所掌握的上下文信息也不如人类充分。

这些差异在实务中至少表现为两个问题。

第一个是与目的的不一致。AI可以生成平均的、似是而非的输出，但在充分掌握上下文信息的基础上做出“对组织而言”正确的判断，目前还不那么擅长。例如，即使能写出作为给客户的回复很自然的文章，也不一定符合公司的方针、合同条件和法律义务。

当然，人也并不总是与组织目的一致，所以组织才建立了招聘、培养、评价、激励、文化等机制。但AI所需要的并不是这类面向人的措施，而是数据的访问权限、执行权限、可参考的知识、验证工序和停止条件等，是与人完全不同的方式。要使这些到位，需要付出相当大的努力。

第二个是责任的不一致。可以把工作委托给AI，却无法把组织层面的说明责任也委托出去。把AI配置到业务中时，必须在其周围同时准备好责任结构：谁来批准，谁来监督，谁来叫停，谁来承担最终责任。

也就是说，对二者都必需的，是设计一条边界：把什么交给AI，从哪里开始不交给AI。而这条边界的设计，仅凭“减少人工成本和token成本”这样的成本比较是得不出来的。

换句话说，引入AI包含

经济性（人和AI谁能以什么成本来处理）
业务设计（人、AI、系统以什么顺序处理什么）
制度设计（谁拥有权限，谁来学习，谁被评价，谁承担责任）

这样三个不同的问题，其中成本比较只能回答第一个，而CHRO与CAIO的整合所处理的，主要是第二个和第三个。

以客户咨询处理为例来思考

抽象的讨论持续了一阵，下面以任何行业都有的客户咨询处理为例来看看。

过去的做法是：负责人阅读咨询，查找过去的资料，撰写回复草稿，上司确认，回复客户，留下记录。

如果只在这里增加一个生成回复的AI，撰写回复草稿的时间确实会缩短。但是，只要还保留着由上司确认所有回复的做法，案件就会滞留在审批工序。因为只有制作工序的处理能力增加了，下游的审批能力并没有改变。

这不是AI性能不足，而是因为组织这一信息处理和决策的连线仍和以前一样，才会出现的问题。许多企业所烦恼的“AI的使用率提高了，整个组织的生产率却没有提高到预期”，其原因大概也在这样的地方。

如果以AI为前提重新设计整个业务，大致会是下面这样。

在受理时将咨询信息结构化，对案件的类型和风险进行分类
AI参考已批准的知识库，提出回复草稿及依据
低风险案件自动处理，并按一定比例抽样审核
中风险案件由负责人确认依据后批准
高风险案件和例外案件上报给专业人员
将新的例外和错误经过批准后回流到知识库
测量解决所需时间、错误回复率、退回率、客户评价

这里希望大家注意的，是这次设计变更中发生转移的东西。

负责人的职务，从撰写回复转移到验证依据并判断例外。
上司的角色，从逐件确认转移到设计风险标准并监督异常。
年轻员工所需要的能力，也从快速写文章，转变为质疑AI回复的前提、确认依据、发现例外。
评价指标不再是回复的撰写件数，而是解决时间、判断的质量、事故的少发程度以及对知识库的贡献。

而且，谁对哪个案件负最终责任这一权限结构也会发生变化。

也就是说，必须改变的是人的职务、管理者的角色、与之相关的必要技能，以及评价、权限和责任。“把AI放在哪里”“把什么交给AI”，以及与之相应的“把人放在哪里”“把什么交给这个人”，恰恰是AI战略、人事战略乃至组织战略交汇的原因。

换句话说，假设当前AI的性能相当于拥有新员工水平的智力，并且是一种无法承担责任的存在，那么可以说，被追问的就是这样一个问题的答案：“如果可以低成本地获得无限多相当聪明的新员工，应该建立怎样的组织，才能提高整体的绩效？”如果只是简单地增加人数，管理者和负责人就会因审查等负担而成为瓶颈，如何避开这一点，同时发挥出最大的绩效，才是关键。

人事所处理的不只是对“当前能力”的优化

人事参与AI战略还有另一个理由。因为人事承担的不只是当前的能力配置，还有未来的能力形成。

迄今为止由新人承担的工作，具有两种功能。一是调查资料、整理、起草的成果产出功能；二是通过这些工作，学习应该看什么、该在哪里存疑、哪些例外重要的培养功能。

把准备工作交给AI，第一种功能可以提高效率，但如果设计失误，第二种功能也会随之丧失。也就是说，可能出现这样的情况：短期内生产率提高了，几年后却没有培养出能够验证AI输出的中坚员工和专家。这个“职业阶梯变细”的问题，我曾在《AI与就业与精英过剩生产，以及教育将如何改变》中从社会一侧写过，而从企业一侧来看，它就是如何在自己公司内培养将来所需能力的问题。

尤其是，人的专业能力不像AI的处理能力那样可以立即复制，而是要通过经验、反馈、失败以及与他人的关系，花费很长时间才能形成。因此，AI战略仅仅追求当前处理能力的最大化是不够的。

通过引入AI来减少工作，与培养AI时代所需的人才，并不是各自独立的议论，而可能是同一个业务设计的两面。

整合绘制组织设计图的角色

基于以上内容，整合CHRO与CAIO的意义就变得清晰了。

CAIO在理解AI的能力及其局限的基础上，设计运用AI所需的数据、技术管控、模型更新、日志和评价方法。

CHRO则一如既往，负责职务、配置、招聘、培养、评价、薪酬，以及组织结构和权限与责任。

在引入AI之前，这两者可以相对分开来考虑。但是，当人和AI在同一业务流程中分担工作后，两者之间就产生了紧密的相互依存关系。如果CAIO判定“这项任务可以交给AI”，CHRO一方就必须变更原本承担该任务的职务、招聘要求、培养路径和评价指标。如果CHRO判定“这项判断留给人”，CAIO一方就必须让AI能够提示该判断所需的依据，并建立供人介入的界面和日志。

也就是说，需要在一定程度上预测AI能力的发展和可用范围的同时，设计出一张关于人和AI如何分担什么、如何授予权限、如何验证、由谁负责，以及培养谁的设计图。

但是，CHRO兼CAIO并不是唯一的解

当然，并不是说所有企业都应该由CHRO兼任CAIO。重要的不是兼任，而是职能的整合。此外，在AI决定产品本身竞争力的企业里，CAIO最好靠近CTO或产品负责人；如果以供应链和运营的重新设计为核心，与COO整合可能更有效。

而且重要的不是头衔，而是掌握AI的能力边界、重新设计业务流程，并在此基础上，将能够设计出运用AI时组织应有样貌的人——包括人与AI的职务分工、培养与评价的变更、权限与责任的重新定义——如何安排到位。我认为，CHRO兼CAIO是实现这种整合的一种组织上的表现形式。

不过，请允许我附带说明，不同的行业和业种情况也会有所不同。电动机极大地改变了制造业的生产率，但服务业应该没有改变到那种程度。这一次的AI，或许在以信息处理为主的行业里效果很高，而在其他行业里可能没有那么高。包括这类判断在内，怎么用，大概正处于摸索之中。

总结

把人类和AI这两种性质不同的信息处理主体，配置在同一业务流程中。这就是AI时代的组织设计，也可以说，这就是在人与AI之间重新配置以下事项：

任务：谁/什么来执行哪项作业
判断权：谁/什么可以决定并执行
管控：验证、审计、停止什么
能力形成：如何改进、训练人和AI
评价：成果和责任归属于谁

把什么交给AI，把什么留给人。谁来验证，谁来学习，谁被评价，谁来承担责任。为了不让这样的设计被割裂而下的功夫，我想，就是这次AI与人事、组织战略的一体化。