FDE 企业 AI 落地与交付 · 组织采用与项目陪跑 · 2026-06-03

超级个体时代|腾讯研究院3万字报告

AI时代,真正的组织变革并非自上而下设计,而是从个体觉醒开始自下而上涌现。这份报告揭示1%成功企业的共同路径。

核心内容:

  1. 当前AI转型的普遍困境与“1%成熟度”现象
  2. 自下而上涌现的AI原生变革模式与案例
  3. 基于演化过程的组织生长分析框架

袁晓辉 腾讯研究院副院长、资深专家

余 一 腾讯研究院高级研究员

从田野调研和实验出发

AI 时代的组织变革,到底是被设计出来的,还是长出来的? 过去两年,几乎每一家咨询公司都发布了AI 转型路线图,每一个商学院都开设了AI战略课程,每一位CEO都在年度战略里写下了拥抱AI四个字。斯坦福HAI《2026人工智能指数报告》1显示,全球88%的组织已在至少一项业务中采用AI。麦肯锡2026年全球AI调查2则揭示了一个鲜明对比:尽管AI采纳率创下历史新高,仅有1%的公司自认达到了AI成熟:将AI深度嵌入核心业务并产生系统性价值的企业,百中无一。这个1%和78%之间的巨大鸿沟,暴露了一个被广泛忽视的事实:绝大多数组织推进的AI变革,仍然停留在采用AI工具上,远未触及组织借助AI实现彻底蜕变的层面。大家购买了工具、成立了委员会、撰写了政策文件,但组织本身:人如何协作、决策如何流动、价值如何创造,并没有发生根本性变化。在这片广袤的停滞中,有一种完全不同的图景正在发生。这种图景的起点,往往不在高管会议室,也不在重新绘制的组织架构图上,而是出现在一个工程师的深夜编程中,出现在一个产品经理第一次用Claude Code跑通需求验证的那个下午。这让我们开始思考一个问题:真正有效的AI变革,核心驱动力或许并非来自自上而下的推动,而是来自自下而上的涌现。2026年5月15日,腾讯研究院AI原生小组发布了《AI原生工作报告》,我们当时在报告中对自己的描述是八个字一边实践、一边研究。那份报告回答的问题是:在AI真正进入工作流之后,一个人的工作方式应该被怎样重做?在报告里,我们用 10 个关键词把AI 原生工作拆开来讲:驾驭工程、记忆、技能、评估、上下文管理、工作流、多智能体、加法偏见、去技能化、知识工程等。

而当个体的工作被重做之后,AI原生小组的共识是,下一步必须是协作方式和基础设施的重新设计。这也是我们过去一年在内外部调研中反复观察到的模式:真正深刻的AI 组织变革,几乎总是从一两个人开始。一个人先醒来,发现AI可以将自己的能力放大几倍、十倍甚至百倍,然后这种新的工作方式像涟漪一样向外扩散,感染一个小组、一个部门,最终改变整个组织的运作方式。而目前业内常见的组织变革讨论,无论是红杉与Block提出的从层级到智能的信息结构视角3,还是麦肯锡和BCG的CEO驱动转型框架,抑或学术界基于科斯交易成本理论的组织边界分析,大多从自上而下的设计逻辑出发,回答的是组织应该怎么变。本报告的核心视角是基于演化过程和自下而上涌现的分析框架。我们想回答的是一个不同的问题:组织正在怎么生长?这个视角还帮我们统一了一个看似分裂的光谱。在当下的讨论中,AI 转型和AI 原生常常被视为两个截然不同的命题:一边是存量组织在庞大惯性中的艰难改造,另一边是新创团队在白纸上的全新构建。之前的讨论会把两者视为完全不同的两个问题、两套框架,认为一家AI转型企业如果真的想推进AI变革,最好的方式是另起炉灶重新组建AI原生团队。但后来我们发现,如果我们把镜头从组织拉近到人,会发现成熟企业的AI转型和初创团队的AI原生,都遵循着同一个底层逻辑:AI 转型 = 存量组织内部,超级个体逐步涌现,能力溢出带动团队进化AI 原生 = 超级个体从第一天就按新方式聚合两者的核心命题其实可以是同一个:超级个体如何聚合为超级团队。 二者的区别只在于路径和约束不同。对于今天的企业而言,这意味着一个极具实践意义的转向:不必纠结我们的企业是AI转型还是AI原生,也不必纠结团队是否一定要拆散了重新组建,真正应当关注的是一个更本质的问题,当下的企业环境究竟有没有在培育超级个体?有没有为超级团队的生长创造出足够的空间和环境?我们用了一个公式来校准这场生长:组织竞争力 = 人才密度 x AI杠杆 / 组织摩擦。它的价值在于把变革问题拆成三个独立可操作的方向:人才密度指的是单位团队中具备独立闭环能力的人占比;AI杠杆指的是AI实际嵌入工作流的深度和覆盖面;组织摩擦指的是一个想法从产生到变成可交付成果之间要经过多少等待、审批、对齐和信息衰减。

三者的关系是乘除而非加减:分子翻倍但分母不动,净效果打折;分母减半的效果等价于分子翻倍。超级个体放大的是分子,超级团队真正解决的是分母。我们观察到的有效变革,极少是被规划出来的,组织能自上而下设计的,至多是让它生长的土壤。本报告将沿着个体觉醒→能力溢出→团队涌现→组织启示这条线索展开。我们从超级个体的诞生讲起,追踪他们如何聚合为超级团队,观察不同组织中的超级个体能力涌现路径,并最终提炼出对组织变革的启示。我们希望通过对变革正在怎么发生的事实记录,找到这些演变路径背后的规律。关注腾讯研究院公众号,在后台回复关键词“超级个体2026”,获取精致排版的PDF报告。

第一章:超级个体的诞生

1.1 什么是超级个体?演化路径:从知识工作者到超级个体要理解超级个体,先要看它是从哪里来的。把这个概念放在知识工作演进的长链条上看,每一代都比前一代更接近一个人独立创造价值的极限,但每一代也都有自己跨不过去的能力边界:直到AI出现,把一个人做不了所有事这个最根本的限制给消解了。彼得·德鲁克在1960年代提出知识工作者概念4时,定义的是一群用知识创造价值的人。他们是组织的核心资产,但高度依赖组织:组织提供信息、资源、协作环境和分工结构,知识工作者在其中完成被分配的任务。理查德·弗罗里达在2002年提出创意阶层(Creative Class)5,将视角从知识处理扩展到创造力。创意阶层是能够产生新想法、新设计、新内容的人,超越了单纯的信息处理。但他们仍然受限于个人的专业边界:一个设计师就是设计师,一个工程师就是工程师,创造力虽强,局限在单一领域之内。保罗·贾维斯(Paul Jarvis)在2019年出版的《一人公司》(Company of One)6以及此后围绕一人公司的大量讨论(2019-2023),进一步把个体推向了组织的对立面:一个人不需要扩张,不需要雇佣团队,也可以构建一个可持续的商业。 但在AI之前,一人公司面临明确的能力天花板:一个人无法同时胜任所有角色,增长到一定阶段就不得不在继续一个人做和开始雇人之间做出选择。但这条演化链中间有一段容易被忽略的历史:超级个体曾经出现过,又被组织化浪潮压了回去。2000年代初的独立软件开发者天然就是自闭环的角色:自己设计、自己写代码、自己发布、自己回复用户反馈,从发现问题到交付产品在一个人手里完成。但随后,互联网的工业化用了二十年时间把这种完整性拆碎了:岗位化把创造拆成七八个角色,工业化把角色串成流水线,中台化又用平台和权限把复杂度固化。每一步都有合理性,没有分工就没有规模协作,但最终结果是,一个人的自闭环能力被切成了碎片。工程师不再面对用户,产品经理有责任但没有执行手段。AI的出现,第一次系统性地把跨角色行动的成本打了下来,让自闭环重新变得可能。AI 超级个体打破了这条链条上以往所有学者的基本假设,也打破了组织拆分二十年来的惯性 :

这几个概念的核心区别在于:AI 超级个体的工作方式从执行跃迁到了指挥调度。他们设定方向、构建约束、评估产出、迭代优化。核心竞争力已从执行迁移到思考:思考什么值得做、怎么做是对的、做到什么程度算好。这种能力模式的转变,使得个体的能力边界从有限变为可延伸,组织形式从依赖人治走向可能的系统自治。 超级个体的定义:四个结构性特征在这条演化链的基础上,如果让我们用一句话定义超级个体,那就是:借助AI,一个人能够达到过去需要一个小团队才能达到的产出规模和影响半径。 拆开来看,超级个体有四个结构性特征:

第一,AI First的工作动线。 超级个体把AI排进了整个工作动线。AI是工作的默认起点。大多数人用AI的方式是我照常工作,遇到困难时问一下AI;超级个体的方式是我先让AI跑,然后在AI的产出上做判断和修正。这个区别看似微小,实际上决定了AI杠杆能放大到什么程度。第二,能力边界的量级跃迁。 超级个体远超用AI工具的人这一层面。他们借助AI实现的跃迁同时发生在两个维度:量的维度上,产出从提升百分之几十变为提升十倍甚至数十倍;域的维度上,一个人可以独立把一件事从想法做到交付,跑通过去需要产品、设计、研发、运营多个角色接力的整条链路。专业分工的必要性在一定程度上被大幅削弱,一个人可以同时是提出问题的人和解决问题的人。第三,主动性极强。 超级个体不等待组织安排,他们是天然的边界探索者,主动寻找AI能力的极限,不断扩展自己的能力圈。这种自驱力是持续的好奇心与行动力的结合,让他们在组织中成为AI应用的先行者和示范者。第四,影响力溢出。 这是最容易被忽视的特征,也是判定超级个体的关键阈值:高效个体只让自己变快,超级个体让团队变快。 如果一个人用了AI让自己产出翻十倍,但同事毫无察觉,那他还没成为超级个体,只是一个使用AI的优秀员工。超级个体真正的影响力溢出是自然发生的:当一个同事看到你用AI在一个晚上做出了他们一个月的产出,当一个管理者发现团队里用AI最好的人不一定是技术背景最强的那个,变革的种子就已经播下了。以上四个特征缺一不可。少了AI First原则,AI用了但杠杆率上不去;少了能力跃迁,只是传统意义上的高产者;少了主动性,AI工具再多也只是在被动地消耗token;少了影响力溢出,价值停留在个人产能层面,带不动组织。 量化证据:超级个体并非传说超级个体已经不只是少数案例制造出的想象,越来越多数据正在指向同一个变化:AI 把个体可调用的时间、技能和组织能力同时放大了。Anthropic 于 2025 年 11 月发布一项基于 10 万条 Claude.ai 匿名对话的生产力估算研究7。研究用 Claude 估算如果没有 AI,专业人员完成同一任务需要多久,再与对话内实际耗时对比。结果显示:样本任务若无 AI 辅助,平均约需 1.4 小时,Claude 估算 AI 可使任务完成时间平均减少约 80%。部分任务的效果更为极端:报告信息汇编约节省 95%;课程开发任务从 Claude 估算的 4.5 小时降到 11 分钟,对应约 96% 的时间节省;文档写作节省约 87%,金融分析任务节省约 80%。Harvard Data Science Review 2026 年发表的《The Agent-Centric Enterprise》8进一步解释了为什么不同人和组织之间会出现数量级差距。文章指出,很多企业已经在使用 AI,78% 的公司声称采用了 AI,但 80% 仍未看到可衡量的利润影响。关键差别在于:只把 AI 叠加到原有人类工作流上,常见收益多为 20%–40% 的增量提升;围绕 Agent 重新设计流程,部分场景才可能释放 2–10 倍的生产力潜力。文中案例显示,Linde 的审计报告初稿时间从约 24 小时降至约 2 小时,减少 92%;Stora Enso 的 B2B 销售洞察从 1–2 个被动场景扩展到 10–20 个主动场景。商业侧也已经出现相同信号。AI 原生公司 Cursor 被多家研究机构列为增长最快的软件公司之一,Sacra 估算其从 100 万美元 ARR 到 1 亿美元 ARR 仅用了约 12 个月;后续报道显示,在约 3 亿美元 ARR 阶段,团队规模约 60 人,收入/人效远高于传统 SaaS 公司,传统软件公司达到类似收入规模通常需要 500–1000 人。另一个信号来自一人公司。Carta 2025 年 Solo Founders Report 9 显示,在其覆盖的美国创业公司中,单人创办的新公司占比从 2019 年的 23.7% 上升到 2025 年上半年的 36.3%,约 6 年相对增长 53%,获得的风险投资美元占比约 14.7%。1.2 什么人先醒来?不同角色的觉醒路径超级个体是在不同位置、不同时间、因不同触发事件而觉醒的个体。我们在调研中发现,觉醒发生在组织的各个层级,但觉醒的方式和随后的影响路径截然不同。按照觉醒者的起点和方向,可以归为三条路径。

开发者的觉醒:从写代码到指挥代码开发者是最早感受到AI冲击的群体,也是觉醒形态最清晰的群体。他们的变化远超效率提升10%或20%,工作方式被根本重构:从亲手写代码,变成设定方向、定义约束、审查产出。CodeBuddy的subo,描述了一种新的工作状态:他90%以上的代码由AI编写。他说:我不关心它写什么代码,只关心代码架构。一个晚上,AI在他的指挥下产出约一万行代码。subo的角色已经并非传统意义上的程序员,他更像是一个代码架构师和AI调度员。他由此说出了一个AI时代反常规的判断:AI是中心,所有人都是边缘,在AI原生的工作流里,人是给AI输入意图的边缘节点,AI是协调一切的中心节点。CodeBuddy团队负责人Bati描述这种变化是:只要你拥抱AI,把你的技能嫁接在AI上,你个体就乘十倍。到十倍,已经需要并行指挥很多AI Agent了。如果你只指挥一个Agent,一般就提高一两倍、两三倍。效率提升的上限,取决于你能同时管理多少个AI Agent。这是一种全新的管理技能:管理的对象从人变成了Agent。这种觉醒也在催生新角色。FDE(前沿部署工程师)正在OpenAI、Anthropic、Google等大模型公司快速扩张,它本身就是开发者觉醒的产物:AI coding让一线工程师能在听到客户炮声后直接改产品、沉淀可复用的能力模块,而不再像Palantir时代那样只能记录问题、等待后方排期。Cresta的Agent负责人jove描述这个岗位需要的是迷你CTO,既能写代码也能对接客户,一个人端到端负责从需求到交付的全链路。开发者觉醒的本质是角色跃迁:从代码的生产者变成代码的架构师和AI的调度员。代码还在被写出来,但写代码的不再是人。非工程师的跨界觉醒:岗位边界在溶解如果说开发者的觉醒改变了代码怎么写,非工程师的觉醒则改变了谁能写代码。这条路径上的案例,每一个都在消解传统岗位边界。在美图,CEO吴欣鸿提出了超级设计师的概念,内部已经出现了多个跨越岗位边界的案例:RoboNeo的产品负责人原来是设计师,自学了模型部署和AI编程,现在很难定义他到底是设计师、产品经理还是工程师;一位原本只跟数据打交道的分析师,通过AI工具掌握了运营全能力,一个人完成了原本五六个人的协同。在特赞,Marketing同事用Claude Code抓取LinkedIn联系人后摇身一变成为Marketing Engineer,产品经理和设计师直接用Cursor出功能不再等研发排期。创始人范凌观察到,公司里用AI工具用得最好的并非研发团队,而是产品经理和设计师。AI最大的价值,是让非专业人士也拿到了过去专属于研发的开发资源。Block 也观察到同样的现象。在安克创新,岗位融合走得更激进。非程序员一个人用三个月搭建了整套供应链运营系统,另一个人用两个月搭建了亚马逊Case自动提交、监控和回复系统:这些过去是整个团队数月的工作量。安克因此提出了明确的组织目标:到2027年基本消除前端工程师、测试工程师等细分岗位,只保留三种角色:业务工程师(全栈)、AI工程师和产品经理。具体到个体案例,koa作为CodeBuddy团队的工程师,在接触AI后转型成了产品经理,在一周之内搭建了一套PRD系统化工具,这在没有AI的时代是一个产品经理加上前端工程师协作数周才能完成的工作。CodeBuddy团队的产品负责人Jason也经历了类似的变化:产品方法论、执行、原型这些以前需要跨界团队才能覆盖的知识鸿沟,被AI抹平了。他可以直接用AI完成以前需要设计师、数据分析师、前端工程师协作才能完成的工作。歸藏原本是产品和交互设计师,从未做过专业开发。但他用Claude Code做出了开源产品Codepilot,一个月16万行代码、39个版本、200多次commit,平均一天1.3个版本,基本上所有版本都有功能迭代。ColaOS的橘子把一个盈利中的产品ListenHub交给一个人继续开发,与其说是维护,不如说是在继续推进产品迭代;一个人加一堆 Agent 维护 20 个 repo,从产品、设计、前后端到测试运营,实际产出提升了 10 倍以上,DAU 和营收也显著提升。这些案例指向同一个趋势:AI正在消解谁能做什么的传统边界,觉醒发生在每一个愿意拿起AI的人身上。创始人转化为Builder:从提需求到亲手做创始人的觉醒在所有路径中最为激烈,因为当一个掌握资源和决策权的人亲自变成builder,改变的不只是他自己的工作方式,而是整个组织的运转逻辑。flomo联合创始人少楠的觉醒代表了非技术背景创始人的路径。在开始使用Claude Code之前,少楠从未写过代码。但现在,他每天花三个小时用Claude Code跑需求验证,直接把想法变成可运行的原型来测试,跳过了写需求文档、等工程师排期、来回沟通细节、等待开发完成再验证的全部流程。现在少楠对 flomo 所有产品经理提了一个新要求:提需求之前,必须先拿到代码库权限,在自己的分支上用代码把需求跑通,在真实数据库里拿到结果,再写 PRD 交给工程师上线。工程师那侧也在变。Web 端做完一个功能,移动端工程师直接去代码库级别参考实现,不需要重新写 PRD,打点(数据埋点)有专门的 Skill 技能指令自动化完成。现在flomo目前70%-80%的代码由AI贡献。周期从按周计算变成了按小时计算。特赞范凌的觉醒是创始人亲自下场build的典型。范凌和CTO、产品负责人三个人组成小团队,亲自用AI做出Atypica原型,两周内跑出的用户增长远超公司内部一个七人团队。范凌由此得出一个洞察:AI是帮那些需要研发资源的人直接拿到研发资源的Agent。这次个人体验后面也被放大成全公司的build文化和组织变革的起点。AI对代码生产力的冲击正在提供一个微观样本,帮助我们理解这到底意味着什么。当一个人借助 AI 产品可以完成过去一个团队的产出时,组织存在的理由、团队协作的方式、管理的逻辑,都必然被重新审视。出门问问创始人李志飞的经历和转变就是一个典型案例,2025年端午节,李志飞自己开始重新编程,三天内亲自用AI写了十几万行代码开发了一个团队协作软件,这是CEO作为超级个体的极致展示。此后一个多月,他每天9点到凌晨1点沉浸在AI编程中,但正是这次体验,让他意识到一个组织问题:如果组织没有被重新设计,超级个体(尤其当创始人本人就是超级个体)在组织里可能是一场灾难。这个认知最终驱动他转向了一个完全不同的方向:转而去设计AI原生协作平台-CodeBanana,让团队中的每个人都有可能成为超级个体。1.3 能力排序的洗牌超级个体的涌现伴随着一个出乎很多人预料的现象:AI同时在做两件事:重排序列和拉大方差。它不是简单的放大器,也不是均衡器,而是按一套新的标准重新给人定价。CodeBuddy团队在实践中发现了一个令人惊讶的现象:以前逻辑能力强、学习能力强的人,会在AI的协助下,变得更强。这是在多个团队中反复出现的模式。AI会放大之前积累的底层能力:逻辑思维、快速学习、问题分解、系统思维。少楠从另一个角度观察到:只有原来优秀的人,变得更优秀了。AI没有带来能力平权,反而把鸿沟拉得更大。两个观察指向同一件事的不同侧面:AI按底层能力重排了序列(CodeBuddy的发现),重排之后头部和尾部的差距比过去更大(少楠的发现)。旧序列里的「中下水平者」如果恰好底层能力强,会在新序列里跃升;但新序列本身的方差,比旧序列更大。结果是:个体之间的差距在扩大,但谁领先谁落后的名单洗牌了。麦肯锡全球研究院2025年的数据印证了这一趋势:近90%的公司已投资AI,但不到40%报告了可衡量的生产力收益10。收益集中在少数高绩效组织。据麦肯锡2025年年报及CEO Liz Hilton Segal公开演讲披露,麦肯锡内部已部署约25000个AI Agent与40000名顾问协同工作,后台团队缩减25%的同时产出增长10%。AI像一个放大器,强的信号被放得更强,弱的信号被进一步淹没:生产力的方差在急剧扩大。触宝科技创始人王佳梁基于自己的观察和实践,提出了一个结构性的分层模型来描述这种洗牌:

王佳梁对此的总结是AI替代的是你被雇佣的理由。当AI可以获取几乎所有知识、执行几乎所有标准化任务时,一个人被组织需要的理由,必须从我知道什么和我能做什么转移到我能判断什么和我能创造什么。超级个体花叔在谈到蒸馏同事现象时也补充了一个切面:大多数人并不值得被蒸馏,把经验Skill化的核心价值,是让输出符合你自己的品味。世界已经能生成很强的东西,但你要的是它别总生成不符合你的风格。这种洗牌对组织的冲击是深远的。传统的人才评估体系,基于学历、资历、职级和过往业绩,在AI 时代可能系统性失灵。一个有十年经验的工程师,在AI辅助编程上的适应速度可能不如一个善于学习的应届生;一个从未写过代码的产品经理,可能因为出色的逻辑能力和系统思维,成为团队中AI产出最高的人。

把这些观察叠起来,我们越来越倾向于把 AI 看作一台分化加速器:它不普惠,它放大差距。过去两年最流行的说法是AI 赋能每个人,但我们在样本里反复看到的,是它把差距越拉越大。一个组织如果照人人都会被平等赋能去配置资源,很可能把投入摊得最平均,而回报恰恰集中在最不平均的地方。更值得留意的是被洗掉的究竟是什么。表面上洗的是技能,但 AI 几乎抹平了技能这一层,真正被重新定价的是它底下那层更难命名的东西:判断力、学习速率、问题分解、品味。难处在于,现有的人才体系衡量的几乎都是正在贬值的那一层。 1.4 什么人不容易醒来?讨论了谁先醒来、能力如何洗牌之后,有必要反过来看一个问题:什么样的人不容易成为超级个体?

第一种是学习姿态错位的人。我们在调研中反复看到,有一些聪明、靠谱、在过去体系中表现优秀的人,面对AI时却迟迟不动。他们有一个共同的行为模式:先学再用。先系统学完课程,先等公司统一采购工具,先看别人用的效果,然后再开始自己的实践。这套姿态在过去二十年非常有效。知识结构相对稳定的年代,先学框架再做项目是高胜率策略。但AI时代有一个根本性的不同:工具变化得比课程快,产品形态变化得比分类体系快,真实问题变化得比组织流程快。等你系统学完,窗口可能已经过去了。第二种是把AI当效率工具没有把AI当作协作对象的人。他们会用AI,甚至用得不少,但始终在用搜索引擎升级版的方式使用它:问一个问题,拿一个答案,然后回到自己原来的工作方式里。他们没有真正把AI放进工作流的核心位置,没有让AI参与决策过程、审查自己的判断、挑战自己的假设。AI对他们而言是一个更快的工具,没有意识到AI能改变工作方式。这种用法能获得10%-20%的效率提升,但永远触不到十倍放大的门槛,十倍放大的重点是重新定义什么事值得做、怎么做,目标并非做同样的事更快。第三种是身份感过强的人。当一个资深工程师的自我认知建立在我写的代码质量高之上,AI coding对他就不只是一个工具问题,而是一个身份威胁。当一个设计师认为审美是我的不可替代性,他就很难接受AI生成的方案可能在某些维度上已经够用甚至更好。身份感越强,转型成本越高,因为要放下的不只是旧技能,还有旧技能附带的尊严感和确定性。超级个体的成长路径恰恰与这三种模式相反:行动中学习,先学完再行动是旧路径;把AI当共同思考的对象,把AI当取用答案的机器不对;愿意让自己的专业身份变得流动,死守一个越来越窄的定义会限制发展。先做一个小东西,让它碰到真实问题,从失败中获取反馈,再回头命名、归类、沉淀方法论。超级个体往往是组织中最愿意在不确定中先迈出一步的人。

第二章:从超级个体到超级团队

2.1 超级个体为什么会聚合?

如果AI能让一个人完成过去一个团队的工作,那一个合理的推论似乎是:组织会瓦解,每个人都变成独立的超级个体,团队将变得不再必要。传统团队的价值来自技能分工:一个人不会设计,找个设计师;一个人不会写代码,找个工程师。但 AI 正在消解这种分工的必要性:一个有判断力的人加 AI 智能体,可以同时完成设计、代码、运营、数据分析。如果只看技能分工,超级个体已经够了。我们观察到的恰恰相反。超级个体没有走向孤立,他们在以新的方式、新的理由聚合在一起。我们对此的判断是,超级个体需要团队,能力是必要条件但不是充分条件。AI已经极大扩展了个体能力,但一个人承载不了所有的风险、注意力、信任和长期承诺,也接不住需要多种判断并行的更大价值场景。前三件事超出能力维度,第四件事(价值场景)仍涉及能力的组合与规模,但它需要的是复数的人同时在场,单点能力再强也撑不开这个空间。

团队还有另一层价值:它跟做事无关,跟持续做成事有关。如果这一层不被论清楚,超级团队就会被读成一群会用 AI 的高效员工,这种解读会让所有人停留在加 AI的层面,错过 AI 原生组织真正的拐点。第一重需要:共同承担风险风险承担是一种系统属性。完成任务只需要能力,承担风险需要稳定性。AI 能让一个人在能力维度上无限延伸,但承担风险的能力来自系统冗余:多点决策、多点抗压、多点试错。纳西姆·塔勒布在《反脆弱》11中提出过一个深刻的洞察:集中决策系统,一个人做所有判断,通过消除小波动来追求表面稳定,实际上在积累隐藏的系统性风险;分散决策系统允许小失败发生,反而建立了对不确定性的持续适应能力。这是数学结构问题,单点故障的概率,始终高于多点冗余。在现实层面,WinSavvy 对多项研究的汇总18显示:与单创始人相比,有联合创始人的公司 5 年存活概率高约 45%、获 VC 投资概率约 1.8 倍、到达 PMF 约快 25%;十亿美元级公司中约 80% 有 2 名或以上联合创始人;融资超过 1000 万美元的公司里,仅约 9% 由单创始人领导。First Round Capital 对其约 300 家种子被投、近 600 位创始人的十年复盘《The 10 Year Project》19则显示:多创始人团队相对单创始人在初始投资至退出或公允价值之间的价值表现高约 163%。这些数据意味着风险分担是一种结构性需要,它不会因为AI让人更强而消失,反而在AI放大个体能力的同时,放大了个体承载的风险。超级个体借助 AI 变得更强,但也承担了更大的不确定性,窗口更短、迭代更快、赌注更重。一个人在长时间尺度上连续做出正确判断的概率,必然衰减。 第二重需要:共同稳定注意力赫伯特·西蒙的有界理性理论告诉我们,人的注意力是最稀缺的资源,人类决策受信息可获取性、认知处理能力、时间约束三重不可超越的限制。能力更强意味着天花板更高,不意味着天花板消失。对于超级个体而言,这个问题反而加剧了,当AI将能力边界无限延伸后,面前的选择和机会也无限膨胀。一个善于使用AI的人可以做产品、做设计、做运营、做内容、做开发,但这不意味着他应该同时做所有这些事情。Sophie Leroy 在 2009 年提出注意力残留概念12:任务切换时,前一个任务未完成的部分会持续影响后续任务的表现。加州大学欧文分校 Gloria Mark 等对工作场所中断的追踪则显示:被中断的任务若在同日恢复,平均约需 23 分 15 秒才能回到等效专注状态23。Leroy12与 Mark23 等研究反复确认同一件事:注意力切换是有结构性损耗的,而且这种损耗不会因为切换者更聪明而消失。当一个超级个体在多个项目和角色之间频繁切换时,他在每个任务上的投入质量都会下降。AI 进一步加剧了这种紧张,AI 的高吞吐让决策点的密度暴涨,每小时要做的判断从 5 个变成 50 个,每一个都要付出注意力切换成本。为什么注意力问题不能靠个人自律或AI辅助来解决,而需要团队?原因有三层。第一层是承诺锁定:当你知道有人在依赖你的特定产出时,退出当前任务的心理成本上升,承诺本身成为对抗分散的结构性力量。独自工作时切换方向是零成本决策,有队友时切换方向意味着辜负一个人的等待。第二层是优先级校准:超级个体面临的问题往往不是做不做,而是先做哪个。AI可以帮你列优先级,但它缺乏一个关键输入,从不同角度看这件事到底重不重要。队友提供的是另一个判断视角,帮你在50个都能做的事里锚定最该做的3个。第三层是注意力的社会性维护:深度工作研究反复表明,人在有限的社会结构中(固定的协作对象、稳定的节奏)更容易进入并维持专注状态。团队提供的是一个固定的注意力场,而非一个人对抗无限可能性的孤军。第三重需要:共同形成信用关键人物风险(Key Person Risk)是投资界和企业治理中的经典议题。在 closely held 企业估值实践中,对单一关键人物的过度依赖常通过 key person discount 体现;实务与文献常见讨论区间约 10%–25%,亦有 5%–40% 的宽口径表述,须结合客户集中度、管理层深度等事实逐项论证24。Schilke 与 Lumineau 在组织间信任研究25中指出,B2B 合作中的信任评估常落在供应商这一组织实体,而不仅是单个对接人上。当一家公司决定把 100 万预算交给你的时候,他们评估的不仅是你的能力强不强,还有这个系统是否可靠。而一个人本身就是结构性地不可靠的:你生病怎么办、你突然变忙怎么办、你换方向怎么办。鲍里斯·格罗伊斯伯格2008年在哈佛商业评论上发表的明星可迁移性研究26揭示了一个重要发现:当明星员工跳槽到新公司时,其绩效往往会显著下降;但如果他们带着原有团队成员一起跳槽,绩效则不会下降。这个研究指向一个反直觉的结论:超级个体的绩效本质上依赖于工具栈、数据、伙伴、组织信用和反馈结构,而不仅仅是个人能力。这个发现对超级个体的聚合具有直接的解释力,个体的超级能力有相当一部分是由其所在的协作网络所支撑的。一个超级个体独自面对客户、投资人或合作伙伴时,对方看到的是单点风险;但当超级个体形成团队时,对方看到的是分散的风险和可持续的承诺。AI可以帮你产出内容和交付物,但替不了这个系统值得长期托付在客户心中的留存。信用是时间乘以关系的函数,需要复数的人在多个时刻持续积累。 第四重需要:进入更大的价值场景一人公司有其结构性天花板。大多数一人公司的收入集中在知识付费、咨询、自媒体等个人品牌变现的领域,难以进入需要稳定工程化产品、更大规模交付、持续产品迭代、需要客户信任体系、合规与责任的更大价值场景。南方财经网 2026 年对大湾区 OPC(One-Person Company)社区的追踪报道[26],与多地 OPC 政策试点中的案例观察一致,印证了这一结构性约束。真正在 AI 时代跑出惊人增长的,多是 20 人以内、且不止一人的 AI Native 团队。Cursor 在约 20 人时 12 个月做到 1 亿美元 ARR;Lovable 在 15 人时 2 个月做到约 1000 万美元 ARR;Bolt.new 约 15 人在发布两月内做到约 2000 万美元 ARR;Base44 约 8 人在 6 个月内以约 8000 万美元现金对价出售。Midjourney 约 11 人即做到约 5000 万美元年收入;Gamma 约 30 人实现 5000 万美元 ARR。早期共同点是一小群超级个体 + AI 工作流 + 共享上下文,团队协作优于单打独斗。组合创新文献指出,差异性往往是创新的原料。Hoever 等(2012)在实验中发现,当团队成员主动进行视角转换时,视角多样性更高的团队创造力显著优于同质团队27。超级团队的价值在于把同一领域里有不同路径的人聚在一起。一个擅长产品思维的超级个体和一个擅长技术架构的超级个体聚合,产出的可能性空间是两人能力的笛卡尔积:每一种组合都可能打开一个新的方向。在AI 时代,最高效的价值创造单元是一小群超级个体的聚合体。他们比一人公司能进入更大的价值场景,又比传统大组织有着高出数量级的人均产出。AI能放大单点能力,但价值场景的扩大需要多点同时在场:多种判断并行、多种关系网络接入、多种品味碰撞,这是复数的人才能撑开的空间。四重结构合起来看,团队的存在是为了承担风险、稳住注意力、积累信用、容纳价值场景。 AI 能让一个超级个体的能力实现跃迁,但跃迁之后,这个人必须面对四件事:一个人承载不了所有风险,稳不住所有注意力,积累不出长期信用,也接不住更大的价值场景。高营收的 OPC 在从 1 到 10 的过程中几乎全部引入了团队,或者加入了超级团队,这本身就是对聚合的最好注解。2.2 协作的本质变了:从按岗位切割到按优势放大理解了超级个体为什么仍然需要团队之后,还需要回答一个问题:聚合之后的协作,和传统团队的协作有什么本质区别?

过去的团队协作,本质是分工协作:因为一个人做不了全链条,所以必须拆成前端、后端、产品、设计、测试、运营。它是基于能力边界的切割。AI之后,一个人确实可以跨越很多原来的能力边界,但这不意味着协作消失了。AI会放大每个人最强的那一部分:产品感强的人用AI可以快速把想法变成原型,工程直觉强的人用AI可以搭出更稳定的系统,用户洞察强的人用AI可以更快分析反馈、重构需求。所以超级团队的协…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/zhinenghuagaizao/2026060334796.html