国内AI原生公司观察：联想集团推进岗位重塑，智谱人机分工

股价又创新高的联想集团于2026年9月20日与中国人民大学商学院联合发布《AI原生组织转型指南》。联想中国区软件团队已普及全栈工程师工作方式，联想还新增前沿部署工程师等岗位；联想披露，2025/26财年智能体推动精准营销ROI提升59%，销售团队人效提升20%。联想集团正把AI原生转型推进到岗位和营销、销售流程。代表新生AI原生公司的智谱，则让GLM参与自身推理系统建设：工程师设定目标，智能体修改代码，实验环境检验结果。

联想集团推进AI原生转型：从客户经营走向组织重构

4月1日的联想集团新财年誓师大会上，董事长兼CEO杨元庆提出，联想要成为AI原生的公司。他在5月的公开访谈中进一步解释，企业需要基于AI重新思考、构建和运营业务。

联想中国区此前已有一段客户直营的转型经历。2017年以来，中国区逐步从渠道分销转向直接经营客户，软件业务也从设备交付延伸到持续运营。联想集团副总裁阿不力克木·阿不力米提在公开访谈中说，中国区是集团创新与转型的先行区域，部分动作早于集团整体。中国区建立的数据、营销销售和电商运营平台，也陆续用于全球业务经营。

9月发布的《AI原生组织转型指南》把联想的收入增长、成本节约和效率提升列为价值指标。业务部门先提出场景目标，再决定哪些任务交给智能体，并按“场景、项目、项目集”追踪收益。岗位怎样调整，由具体业务任务和结果要求牵引。

9月10日发布的2026年《财富》中国最具影响力的商界女性榜单收录了联想集团高级副总裁、首席战略官兼首席市场官乔健。榜单个人评语谈及她在联想混合式AI转型中连接技术、产品、生态与市场认知的工作。

联想集团的岗位重塑：四类变化如何落到具体团队

联想集团副总裁、中国区及职能团队人力资源副总裁吴彤把岗位变化归为四类：AI增强型保留岗位主体，把部分任务交给智能体；AI拓展型降低专业门槛；AI消融型让员工转向知识沉淀和智能体行为把控；AI新兴型则随新的协作关系和业务需求出现。

软件团队的调整已经落地。过去分处前端、后端、测试和运维的工作，在联想中国区的软件团队中被重新组合，全栈工程师工作方式已覆盖全部软件团队。联想还新增前沿部署工程师、业务场景专家、AI治理专家和AI交互设计师等岗位。杨元庆5月谈到，程序员今后会把更多精力放在规划与设计；中国区的全栈工程师如今同时承担原来分处多个岗位的工作。

研发现场还有更具体的配置。联想披露，需求、架构、前后端、测试和运维等角色被整合进“全栈工程师＋五个智能体”的融合小团队。工程师负责目标和关键判断，智能体承担相应的开发、测试与运维任务。

招聘和培养随之改变。联想中国区推出AI能力评测，考察提示词、上下文处理、任务分解与判断力。联想中国市场推广人力资源总监张书7月介绍，过去一年中国区市场部招聘的AI专家岗位占比接近40%，面试也会考察候选人的AI思维。这一比例属于中国区市场部的招聘情况。

联想集团的人机分工：智能体执行任务，人负责目标与结果

联想中国区已形成三个超级智能体、100多个场景智能体和众多技能模块组成的网络。乐享面向公众与客户，同享面向合作伙伴，乐搭面向员工；场景智能体覆盖研发、供应链、营销、销售和服务等环节。它们处理的任务不同，业务责任仍由相应团队承担。

联想在公开材料中划分了人和智能体的职责：规则明确、重复高频、数据密集且结果可验证的任务可以交给智能体；战略判断、复杂决策、价值权衡和重大异常由员工主导。联想还为智能体设立业务责任人，由人确定目标和权限，处理异常并验收结果。智能体执行时保留记录，便于追溯任务经过。

业务团队和IT团队也要各管一段。业务人员定义场景目标、客户规则和验收标准，把经验整理为可执行任务；IT团队建设系统、接通接口，负责安全治理和运行保障。智能体处理客户咨询或销售任务时，业务方仍要决定何时交由员工接手，以及怎样判断结果是否有效。

员工学习的内容因此从“会用工具”延伸到“会分配和检查任务”。联想披露，面向员工的乐搭已沉淀上千个技能模块，不同团队可按场景组合使用。员工既要写清目标，也要判断智能体的输出能否进入下一步业务流程。

联想集团把分工接入流程：治理和持续改进怎样运行

联想披露，2025/26财年梳理了692个四级以上业务流程，并在不同领域推进重构。在电话销售团队，针对某类客户，从线索到商机孵化的首轮工作交给智能体，员工随后重点跟进。智能体处理哪一步、员工从哪一步接手，都需要在流程中明确。

联想7月介绍的“凤凰架构”覆盖智能体的构建、治理、运行、观测和优化。业务团队提出目标与规则，IT团队提供系统接口、安全和运行保障；智能体进入实际流程后，团队再根据运行记录和业务结果调整任务。这样的分工让业务部门能够提出改进，同时保留系统和权限的统一管理。

联想称，过去一个财年中国区开展了580场培训，累计10万人次参加。公司还建设AI岗位序列，分别培养AI转型管理人才、超级个体和AI专业人才。员工能力评测与这些培训一道，服务于岗位和任务调整。

智谱的人机分工：GLM推理工程中的工程师、智能体与验证环境

智谱以GLM模型和模型服务为核心业务。9月17日，智谱公开了GLM-5.3-Flash生产推理系统的建设过程。模型适配新硬件后，需要同时处理内存、并行计算、数值精度、数据传输和服务稳定性等问题。智谱让GLM驱动的Infra Agent参与建设运行自家模型的基础设施。

这项工作由工程师、智能体和实验环境分担。工程师确定优化目标、系统约束和验收标准；Infra Agent分析代码及运行状态，提出假设、修改实现并发起实验；实验环境提供正确性测试、运行日志、执行轨迹、局部性能测试和端到端指标。改动能否保留，要由这些结果判断。

推理服务的吞吐量下降时，仅看最终数字很难找到故障位置。智谱把反馈拆到计算内核、线程和数据传输等环节：先用局部测试排除错误或无效的改动，再回到完整服务验证。一个内核跑得更快，也可能占用数据传输所需资源，拖慢整套系统。智能体因此需要在真实负载下复测，而不是只看局部成绩。

智谱披露的一次调试就发生在预填充计算与数据传输之间。工程师设定相同负载下性能差距不超过5%的约束，Infra Agent却发现部分场景的差距超过20%。执行时间线显示，两个组件没有按计划重叠运行；继续追查发现，相关调用持有Python全局解释器锁，传输线程难以及时提交任务。调整后，团队按原定条件复测，差距降至1%以下。

速度之外还有正确性。并行配置改变后，智能体比较不同计算路径的输出，发现一条内核路径在长上下文条件下存在精度误差。原实现使用较低精度的计算方式，误差随上下文长度累积；调整计算精度后，团队以回归测试检验，并将目标部署环境中的最终验收列为后续步骤。工程师还会复核涉及数值语义、并发和生产风险的关键改动，避免局部性能提升带来服务问题。

内核优化也依赖已有工程经验。智谱让Infra Agent从不同代码库的实现中提炼可用方法，再针对当前内核、硬件和负载重新测试。能在局部测试中提速的改动，还须经过完整推理服务的验证；工程师负责判断它是否满足部署条件。