FDE 企业 AI 落地与交付 · 组织采用与项目陪跑 · 2026-06-17

AI Native 时代 —— 研发组织何去何从

AI Native时代,工程师的工作模式正被彻底重塑,研发组织面临根本性重构。 核心内容:

  1. AI如何改变工程师的日常时间分配与工作节奏
  2. 从信息路由史看组织演化的核心约束与当前变局
  3. AI作为新协作主体将如何重塑组织设计与人机协作

前言/我们正在看到的事情

我们最近做了一份内部访谈,问几位深度使用 AI 的工程师"你日常时间分配的变化"。结果有点出乎意料——

写代码的占比,从过去的 30% 降到 5%;和 Agent 对话的占比,从 5% 升到 60%;查问题的时间下降一半以上;纯编码效率提升 10 倍,但端到端需求交付效率只提升 2 到 3 倍。

更值得停下的不是数字,是节奏:一个工程师上午 10 点上线一个新功能、中午做 A/B 测试、下午 3 点根据数据下线、5 点上线更好的版本。同一天。这是过去 6 周才能完成的迭代。

为了理解这件事到底意味着什么,我想先回到一个更基本的问题:组织到底是为什么存在的?

01

两千年的协调问题史

把这个问题拉远一点看,会发现组织的演化已经持续了两千年。本质都在解决同一件事:信息怎么路由。

罗马军团把军队拆成 8 → 80 → 480 → 5000 人的嵌套结构,就是把信息路由协议化:每一层都有人聚合下层、传递上层。1806 年,普鲁士被拿破仑打败之后,军队改革重建了"总参谋部",这是中层管理的雏形:一群专门做信息整合和决策预演的人。

1840 年代,美国铁路从军队里借来这个结构,画出了世界上第一张组织架构图——为了避免火车相撞。Taylor 的科学管理把这个金字塔做到极致;战后矩阵组织、Spotify 的 Squad、Holacracy、Valve 的扁平化,都是各种修补。

这两千年里有一件事没变:组织演化的核心约束是人的"管理跨度":一个人能直接管的下属在 3 到 8 之间。这个数字不是文化决定的,是人这个生物的硬限制。所以所有组织的形状本质上都是在这个限制上做的妥协。

Block 在最近一篇文章里说得很直接:"问题从来不是要不要分层,而是:人是不是这些层唯一的承担者?现在,他们不再是了。"[1]

02

组织的形态来自哪里:人的镜像

如果组织的形状是为了适配"人",那么组织里的所有具体设计,也都是人的镜像。

康威定律说"组织结构 = 系统结构"[2]——为什么?因为团队内部的沟通成本远低于跨团队,所以模块边界不可避免地与团队边界重合。Brooks 在《人月神话》里说"加人无法加速一个延期的项目"[3]——为什么?因为沟通成本随人数指数增长。Frederick Taylor 把工作拆分成专业岗位——为什么?因为人的注意力是稀缺资源。我们今天还在用的 manager 评价制和强制分布——为什么?因为员工产出不可观测,所以让"信息上最近的人"代理评估。

这些定律和制度都不是抽象工程哲学,它们是人这个生物的协作物理学。组织设计的所有特点本质上都是这个物理学的具体实现。

03

AI 不是新工具,是新协作主体

接着这条线,AI 进来之后会发生什么?

AI 不是过去意义上的"工具":工具是延伸人的能力,AI 是新的协作主体。它的特点正好和人形成镜像反面:人有沟通衰减,AI 没有;人需要激励,AI 不需要;人会疲劳和有情绪,AI 没有;人有 context switching 成本,AI 极小;人的记忆和注意力有限,AI 几乎无限。

也就是说,上一节里所有"以人形约束为前提的设计",其前提开始失效。

那 AI 实际是怎么进入组织的?是替换人吗?还是和人共存,怎么共存?

观察几个真正在做 AI Native 的团队——Anthropic、CREAO、我们内部的一些先锋小组,会发现一个共同形态:它们的工作分两层,两层的运作逻辑甚至是相反的。

底层是极度结构化的 Harness 层:代码、测试、流水线、文档、世界模型,所有信息都被做成 AI 友好的形态,这一层越结构化越好,AI 主导;上层是极度松散的 Hive Mind 层:对话、试错、idea 涌现、Yes-and,这一层越松散越好,人主导。

Anthropic 几乎肯定有比任何公司都精密的 Harness(Claude 就是它造的),但它在 Harness 之上选择运行混乱的文化——这两件事不是替代,是叠加。结构化是为了释放无结构的协作,不是用结构控制一切。

04

设问 + 范式转换:

从 Org Chart 到 Execution Graph

如果 AI 是新协作主体,AI 的特点正好和人形成镜像反面,那么过去围绕"人"被设计出来的整个组织和研发体系,应该怎么重设计?新瓶颈又会落在哪里?

这是接下来要回答的问题。但要真的回答它,得先承认一件事:组织本身这个对象,需要被重新思考。

Ken Huang 在一篇文章里有一句话,我认为很关键。"Once AI becomes agentic, the organization stops being accurately described by an org chart. It becomes an execution graph."[4]

它的意思是:当 AI 真的能行动、能调用工具、能修改系统、能执行 workflow,你的公司就不再能被一张 org chart 准确描述。它变成了一张 execution graph,一个把人、agents、数据、权限、工具、审批关系当作同等节点的活的网络;节点之间不是"汇报关系",是"意图到行动的转化链路"。

这个范式转换里最关键的一点是核心问题变了:旧问题是 ownership——"谁拥有这件事?"新问题是 routing 加 governance——"意图从哪里进入系统?怎么被翻译成行动?什么约束让这个行动是安全的?"

为什么这件事真的重要?让我从一个管理者的体感角度补一个:每个做过组织调整的人都经历过 reorg 的真实代价:计划几个月、执行几个月、恢复信任又几个月,一次完整的 reorg 周期常常是 6 到 12 个月。

这是因为旧组织的最小单元是"人 + 长期关系网"。这个单元粘性极高,每次 reorg 实际上是在重新建立信任、重新拆解依赖、重新切割身份归属。

Execution Graph 把组织的最小单元从"人 + 关系网"换成"任务 + 上下文 + 权限 + 工具",这个单元里大部分依赖是机器可读的 artifact,不是人脑里的隐性关系。

所以重组的成本可以从季度级压到 week 级,这是数量级的跃迁。从公司层面看,这可能是 AI Native 转型最被低估的红利:不是"组织能更高效"的小提升,是适应性速度本身的升级。

05

人既是瓶颈,也是兜底

前不久看团队的 AI Native 访谈调研,做记录时我在文档里随手写了一句批注:「之前的模式一个工作需要拉入很多人来做模块划分,功能上需要相互协议和对齐目标,消除理解的不一致性。但如果是一个人或者少数人来自定向下的处理,就不需要协商和对齐,自己理解清楚,就能开始干了。」

事后越想越觉得这句话隐含了一个更深的判断——协作的本质是消除理解不一致性的成本,而这个成本,过去一直是人在扛。

人为什么扛得起?不是因为人多牛,是因为没别的选择。我们这个生物有一些硬约束:通信带宽很窄、记忆有限、注意力是稀缺资源、切换情境成本极高,再加上情绪、疲劳、动机这些非线性变量。这些约束放在一起,定义了人作为协作主体的物理形状。前面说的康威定律、人月神话、manager 评价制,都是围绕这些约束的妥协。

但这次访谈让我看清了之前没认真想过的另一面:

人既是协作的瓶颈,也是协作的兜底。

什么意思?过去几十年我们抱怨的所有"组织效率问题"——会议太多、对齐成本高、信息上下传递失真、流程慢,矛头都指向人。

但同时还有一件事却很少有人正面说:一份不完整的需求、一段没注释的代码、一个不一致的 API 约定、一段口头传达的"潜规则"......这些缺陷之所以系统能正常运转,是因为人在用自己的灵活性、推理能力、社会沟通能力悄悄把缺口补上。开个会问一下、走过去问老王、凭经验猜一下、跑去预发环境试一下——这些动作发生得太自然,自然到我们不再把它看作"工作"。

但它们是工作。它们是人扛在肩上的、维持系统运转的隐性成本。

整个研发系统其实长期容忍着大量的不规范、不结构化、不完整的信息,只要人足够聪明、勤奋、熟悉,这些缺陷就不会上升为瓶颈。

而当 AI 接管执行之后,这一面就翻过来了。AI 没有"猜"和"问老王"的能力:它需要的是结构化、可查询、可执行、确定性的信息。但传统系统根本没有这些,因为它从来就不是为 AI 设计的。

这就是新瓶颈的真相:它不是 AI 能力不够,是系统的信息形态不够。过去被人吸收的所有"信息隐性化、信息非结构化、信息缺失"的成本,第一次以瓶颈的形式暴露出来。

06

新瓶颈:信息形态的人形偏置

我先给一个数据。这是公司内部最近做的一份大规模 AI 化调研,对象是已经在大量使用办公和编程 AI 工具的员工——不是 AI 化的反对派,是已经在用、并且想用得更深的那批人。

在所有维度的期待里,提及最多的是什么?不是模型能力更强,不是响应更快。是"系统打通与数据整合"——数百条原声,所有岗位、所有层级提及频次最高,断崖式领先第二名。

具体痛点是:员工已经认可 AI 的处理能力,但苦于 AI 无法触及他们日常工作的数据和系统:钉钉、数据系统、研发系统、邮件、审批流。

结果是一种很反讽的人机协作:员工自己当信息搬运工,从各系统手动导出数据、复制粘贴进 AI、再把 AI 输出搬回业务系统。

把这个画面看清楚:员工正在做"人肉中间件"。

AI 已经能处理(大模型很强),但系统没给 AI 留接口(系统是为人设计的)。所以人成了系统和 AI 之间…

— 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/2026061731279.html