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…