✦ HBS CASE 9-427-023 · Tsedal Neeley
百融智能：
被哈佛商学院——
写进案例库的中国AI公司！
近期，哈佛商学院（Harvard Business School，HBS）正式发布百融智能案例，编号9-427-023，题为《Bairong：1,200 Human and 200,000 AI Agent Employees - Each with KPIs》。该案例由哈佛商学院教授 Tsedal Neeley 主导撰写，经公司指定代表审阅确认后，由 Harvard Business Publishing 正式发行。
1,200 名碳基员工，20 万名硅基员工，而且每一个都有 KPI。仅从案例标题看，HBS 研究的已经不只是“AI 技术如何应用”，而是一个更接近企业管理核心的问题：当 AI 不再只是软件和工具，而开始进入岗位、承担工作、接受考核，企业应该如何组织、如何管理，又如何为结果定价？
这也是百融过去几年持续实践的一条主线——AI 从工具走向“硅基员工”，人和 AI 从简单协作走向“硅碳共治”，并最终用真实业务结果衡量价值。
🏛 01 从“AI 工具”到“AI 员工”：百融引领的范式正走进全球管理视野
HBS 9-427-023 · Tsedal Neeley
在这份案例中，HBS没有把视线停留在某个模型或产品，而是将20万硅基员工背后的组织、治理与商业模式作为核心研究对象。百融的 AI Agent 实践由此被正式纳入 HBS 管理案例研究，并进入更广泛的全球管理讨论。
这两种模式，不是“自动化程度高一点和低一点”的关系，而是生产单位的根本切换。co-pilot 时代，人是生产单位，AI 是工具；autopilot 时代，AI 是生产单位，人是编排者。
案例将百融描述为一家聚焦 Voice AI 和 AI Agents 的企业级AI公司。截至案例记录的 2026 年，百融拥有约 1,200 名碳基员工与超过 200,000 名硅基员工，硅碳比约 167:1。
案例还记录了这套组织背后的规模化运行数据：
约 500 类硅基员工角色
每日全渠道客户互动峰值最高约 1 亿次
每日 10-20 亿次 AI 模型 API 调用
服务8,500+ 企业客户，覆盖保险、财富管理、电信、制造、零售等多个垂直行业，市场从东南亚延伸至中东
100% 的主要工作流涉及至少一个硅基员工
在部分运营工作流中，效率提升幅度最高达 700%
这些数据意味着AI Agent 已经不再停留在 Demo、Copilot 或局部提效工具的阶段，而开始成为企业真实生产体系的一部分。
上一代 AI 更像 co-pilot：人发起、人执行，AI 在旁边辅助；而 Agentic AI 正在把另一种可能变成现实——AI 可以自主规划、调用工具、执行多步骤任务，人更多承担目标设定、判断、监督与例外处理。
这两种模式并不只是“自动化程度高一点或低一点”的关系。co-pilot 时代，人仍是主要生产单位，AI 是工具；当 Agent 开始端到端完成工作，AI 本身也开始成为生产单位，人则越来越像编排者和管理者。
一家中国公司的 AI Agent 实践，开始进入关于“下一代企业究竟如何运转”的全球管理讨论。
🧬 02 20万硅基员工背后，是一整套组织与经营实验
组织与经营实验
如果只有 20 万个 Agent，这仍然可能只是一个规模数字。案例真正花大量篇幅讨论的，是百融如何把这些 Agent 当作“员工”来管理，以及这种变化如何进一步影响企业的组织结构、商业模式和经营方式。案例专门呈现了百融如何被描述为一个“AI-native organization” ——一种围绕人和 AI Agent 共同工作而设计的 AI 原生组织。这种组织与传统的“层级管理”公司，有几个根本性的结构差异。
第一个差异，是硅基员工的「制造」过程被严格分工。
HBS 案例中，百融构建一个硅基员工，需要三个角色协同（Exhibit 7，Building a Silicon Employee： The Three-Role Model）：
父亲（domain expert）：把领域知识传授给 AI。客服专家、销售培训师、业务规则专员，都可以是“父亲”；
构建者（technical builder）：通过 Agent Builder 将领域知识转化为可执行的工作流和硅基员工；
评估者（evaluator）：独立于前两者，按 KPI 评估 AI 表现。2024 年起，部分评估者也成为硅基员工，即“AI 评估 AI”。
这个机制的关键，是“评估者不能是父亲或构建者”——存在利益冲突。在 HBS 案例的语境下，这种角色分离，是“硅基员工可以被严肃考核”的前提。
每个硅基员工都有员工号、角色定义、KPI 体系、汇报对象——其中一些汇报给人类管理者，越来越多汇报给 AI 管理者。在部署到客户环境之前，必须通过正式“入职”流程；不通过就不上线，表现不佳就重训或下线，无需像人类员工离职那样复杂的流程。
换句话说，Agent 开始进入企业原本只用于“人”的管理体系。谁为 AI 的错误负责？AI 与人怎么分工？哪些工作应该完全交给 AI，哪些必须保留人工判断？这些问题开始从技术问题变成组织治理问题。
第二个差异，是从“AI 辅助人”，到“硅碳共治”
案例记录了百融内部 Three Organizing Principles（三大组织原则）：打破边界、硅碳共治、持续自我进化。每位碳基员工的评估，不仅看本职功能表现，还要看是否在跨边界工作、其所在团队的硅碳比如何、是否在与 AI 同事一起持续进化。
百融内部还用“硅碳比”观察 AI Native 程度，即一个团队中硅基员工与碳基员工的比例。百融提出一条方向性路径：在适合的工作流中，从 1:9（10% silicon）起步，推到 4:6（40%），并以 9:1（90%）作为目标。它不是要求所有岗位都走向 90% AI，而是从一个真实工作流开始，先跑通结果，再逐步扩大 AI 承担工作的比例。
组织评价机制也随之改变。案例记录，百融会持续追踪各部门部署了多少硅基员工、多少工作由 AI 完成；工程师会被追问“这段代码是你手写还是 AI 生成”，因为在 AI Native 组织里，评价人的标准开始从“亲自做了多少”转向“能否调度 AI 交付更大结果”
第三个差异，从个人提效，到重新设计整个组织
案例还记录了百融内部的 One-Person Company（OPC）实践。其核心判断是：AI 把一个人的效率提高十倍，并不意味着整个企业效率就提高十倍。代码写快了，测试可能成为瓶颈；生产快了，审批可能成为瓶颈；一个人能力增强了，围绕多人协作建立的原有流程仍可能拖住他。
在案例记录的一个项目中，1.5 个全职员工用 3 个月构建出一套完整的客服与问询管理系统；按传统方式，类似项目约需要 40 名工程师、耗时 2 年。
随之出现的，是过去组织里并不存在的新角色：Orchestrator（调度大量 AI 员工）、Process Consolidator（把多角色工作流收拢为单点负责）、AI Enabler（在内部跨职能推广 AI Native 方法）。这意味着，AI 的价值不再只是让每个岗位更快，而是重新划分岗位、流程与责任边界。
第四个差异，从卖软件，到对结果负责
HBS 案例中另一个被重点讨论的，是百融自 2021 年确立的 RaaS（Results-as-a-Service）模式。当时 SaaS 估值正处高位，投资人曾建议百融重新定位为 SaaS 公司，但百融选择了另一条路：不只卖软件使用权，而是让 AI Agent 完成真实任务，再按结果计价。
具体有三种定价结构：
AI Staffing：客户按交易或决策付费，硅基员工按 KPI 交付
AI Process Outsourcing：客户外包整条业务工作流，百融对结果负责
Monthly Silicon Employee Salary：硅基员工月度薪资，按月计费，等价于同等人类员工的成本，但 24×7、任意语言、可弹性伸缩 10 到 10,000 名
RaaS 的核心差异在于，收入与任务和结果直接挂钩。对百融而言，这也意味着 AI 必须真正进入业务流程并持续交付结果，而不能只停留在软件交付。
硅基员工解决“谁来工作”，硅碳共治解决“怎么组织和管理”，RaaS 解决“价值如何衡量和计价”
案例中的外部观察与业务结果
案例同时引用了 IDC、Gartner、Morgan Stanley 等第三方机构的相关市场研究与观察：
IDC：在 AI Agent 市场，百融被认定为 6 个领导力领域的代表
Gartner：被多个 Market Guide 和 Innovation Insight 报告引用
Morgan Stanley：在中国 AI 60 名单中，作为该垂直行业唯一一家 AI 公司被纳入
案例同时收录了多项客户与内部实践结果：
某大型电信运营商：AI 部署后，平均处理时间从 50 分钟降至 10 分钟（下降 80%），客户满意度上升 35%；
某大型制造企业：用 AI 虚拟分支办公室模式，在第一季度（3 月）即完成了原本要到年底才完成的全年潜客获取目标；
内部 AI Recruiter：6 小时完成 4,000 份简历筛选，效率约为资深人类招聘官的 16 倍；
海外冷启动：通过 2,000 多名资深呼叫中心专家，800 人在 30 分钟内各打 5 次电话，即可在单次训练中生成 4,000 条高质量的真实对话样本，用于新市场 AI 模型的快速冷启动；
📊 案例中收录的实践结果
📞 电信运营商 · 50→10 分钟（↓80%）· 满意度 ↑35%
🏭 制造企业 · Q1 完成全年潜客目标
👥 AI Recruiter · 6h 筛 4,000 份 · 16× 资深 HR
🌏 海外冷启动 · 2,000 专家 → 4,000 高质量对话
⚡ AgentOS 调度 · token 消耗 ↓50%-60%
案例称，百工 AgentOS 的调度框架相比无结构 prompt 调用，可将 token 消耗降低50%-60%，使企业级规模部署具备经济性。
相关数据由HBS 调研团队基于多轮访谈核实、资料与案例研究整理后才写进案例。它们让案例能够从技术、组织、客户结果和商业模式多个层面，呈现一家 AI Native 企业如何把 Agent 真正放进生产体系。
🌍 03 为什么这份案例值得整个企业界看：AI 的下一场竞争，可能发生在组织与经营里
下一场竞争在组织与经营
过去两年，企业谈 AI，最常问的是模型够不够强、参数有多少、能不能接入业务。但当 Agent 真正开始承担工作，问题很快会换成另一组：
• 企业里应该有多少工作由 AI 完成？
• 什么指标能够判断一家公司是不是真的 AI Native？
• AI 转型应该从哪里开始？
• 谁应该领导这场转型？
• 当 AI 的数量远远超过人，企业应该采用什么样的组织结构？
案例最后留下了三个开放问题（Exhibit 10，Three Questions for the Future of Organizations）：
衡量 AI 原生度的指标是什么：百融用“硅碳比”作为北极星指标
转型路径是什么：百融从真实工作流开始，按 1:9 → 4:6 → 9:1 的方向逐步迁移，在适合的工作流中提高硅基员工占比
谁来领导 AI 转型：由同时理解业务和 AI、且较少受传统组织方式束缚的复合型人才推动变革
但案例没有替企业给出标准答案。相反，它继续把问题向前推：当基础模型越来越普及，真正可持续的竞争壁垒是什么？当硅基劳动力继续扩大，合理的硅碳比在哪里？当 Agent 从工具变成劳动者，下一种稳定的组织形态是什么？人类员工又应该如何重新定义自己的价值？
这些问题已经不只属于技术部门，也不只属于课堂。它们正在进入 CEO、管理层和经营者的议程：从“应该买什么 AI”，转向“企业应该变成什么样”；从“AI 能不能提高效率”，转向“工作到底应该由谁完成”；从“人与 AI 怎么协作”，转向“人与 AI 如何共同构成一家企业”。
✦ 从中国企业实践，到全球管理议题
管理议题
HBS 选择将百融的实践写成正式案例，意味着这套变化已经具备了被更广泛讨论的管理价值。它不只关乎 AI 产品，也涉及企业经营的几个基本问题：生产单位如何变化、管理半径如何变化、岗位如何重构、组织如何评价人和 AI、技术公司如何对业务结果负责。
案例还记录了百融出海过程中“人类经验 + 硅基规模化”的方法：进入不同市场时，通过本地专家经验、真实交互数据和 Agent 能力加速冷启动。对于全球化经营而言，这也提出了一个新的可能——一家企业进入新市场，不一定先复制一套庞大的本地组织，再等待知识沉淀；人类经验可以更快被编码、复用和规模化。
因此，这份案例值得被技术行业之外的企业管理者关注。它讨论的不是“AI 到底有多聪明”，而是当 AI 真正成为劳动力之后，企业的生产方式、管理方式和经营方式会发生什么变化。
当硅基员工成为企业的新型劳动力，我们今天熟悉的公司，还会是未来公司的样子吗？
HBS 9-427-023 给出了百融的一种实践。它不是一个标准答案，也不是终点。但当 1,200 名碳基员工和 20 万名硅基员工已经在同一个组织体系里工作、被管理、被考核、被用于交付真实业务结果时，“AI Native 企业”就不再只是一个概念。
对越来越多企业来说，下一个需要回答的问题，也许不再是“要不要用 AI”，而是：当 AI 已经可以工作，我们应该重新设计一家怎样的公司？
