--- title: "组织形态的失效" title_en: "The Breakdown of Firms" subtitle: "公司最初解决了什么，哪些正在被 AI 结构性地瓦解" author: "Dawei Geng" date: 2026-04-24 excerpt: "关于组织、管理、协作的整套词汇都是工业时代留下来的。这些词本身带着错的假设。" canonical: https://offbook.press/essays/breakdown-of-firms/ --- ## 前言 前两篇讲的是**个体**，认知能力在 AI 时代的重新分化（Issue 1）、个体学习方式的失效和重建（Issue 2）。 这一篇讲**组织**，当个体在 AI 时代被重新分化之后，由这些个体组成的公司、团队、协作关系会发生什么。 这是一个更冷的问题：**现有的组织形态、管理方式、协作关系里，哪些在 AI 时代已经结构性失效，而我们还在用过时的词汇描述这些失效**。 这件事讨论起来会有点难，因为：**关于组织、管理、协作的整套词汇**（“公司”、“员工”、“管理者”、“团队”、“协作”、“效率”）都是工业时代留下来的。这些词本身带着工业时代的假设。用它们讨论 AI 时代的现象，会像用“烧煤效率”讨论电动汽车，不是讨论不清楚，是词本身就不对。 但我们没有更好的词。所以这一篇做的只有一件事：**用这些旧词汇尽可能精确地描述正在发生的事，同时承认语言本身的限制**。 不给方案。给一个尽可能诚实的诊断。 --- ## 第一章 · 先问一个被跳过的问题：公司最初解决了什么 讨论“AI 时代公司形态应该如何演变”之前，要先问一个所有人默认跳过的问题：**公司最初是为了解决什么问题而存在的**？ 这个问题看起来基础得不需要讨论。大部分人默认公司就是“一群人一起做事的组织形式”，一种**自然状态**。但公司并不是自然的。它是在某些历史条件下为了解决某些具体问题而出现的**一种组织方案**。如果那些问题被新技术解决了或改变了，公司这个方案的必要性就变得不再明显。 ### Coase 的问题 1937 年，Ronald Coase 写了一篇叫 “The Nature of the Firm” 的文章，提出一个核心问题： **既然市场这么高效（价格机制分配资源），为什么还需要公司？为什么不是所有的经济活动都通过一个一个的市场交易完成，我需要 A 就去市场上买 A，需要 B 就去市场上买 B？** Coase 的答案是：**市场交易本身有成本**。搜索合适的对象、谈判、签合同、执行、追责、处理违约，这些**交易成本**在很多情况下高到让“通过市场完成一件事”变得不划算。这时候“把这件事放进一个组织内部”就成了更便宜的方案，因为组织内部可以用**指令和流程**代替每一次市场谈判。 所以公司的存在本质上是：**对市场交易成本过高的问题的一种解决方案**。当一件事在市场上交易的成本 > 在组织内完成的成本，这件事就会被拉进组织。 Coase 的这个判断后来被 Oliver Williamson 等人深化，成为整个**新制度经济学**的基础。这不是一个商学院的花俏理论：**它是对“为什么公司存在”这个根本问题的最清晰的回答**。 ### 公司解决的八类问题 把 Coase 的框架展开，公司实际上在解决**八类具体的交易成本问题**： **一、搜索和匹配成本** 过去要做一件复杂的事，需要找到一堆不同技能的人，程序员、设计师、销售、财务、法务。**每次都去市场上找合适的人太贵了**，你不知道谁靠谱、他们不知道你靠谱、双方都要大量时间建立信任。 公司解决这个的方式是：**把一批人长期绑定在一起**。一旦你进了公司，公司内部的程序员、设计师、销售都是“现成可用的资源”，不需要每次重新搜索。 **二、信息不对称成本** 市场交易的一个根本问题是，你很难在事前确认对方会不会好好做事。你雇一个自由职业者写代码，他说他会写得很好，但你怎么知道？写完之后才知道好坏，到那时你已经付了钱或浪费了时间。 公司用**长期雇佣关系 + 声誉 + 可观察的日常表现**来解决这个问题。你在一个公司待三年，你的老板对你的能力有相当清楚的了解，这是一次性市场交易做不到的。 **三、资产专用性问题** 有些投资只在特定关系里有价值。比如你为了给某个客户做定制开发，花三个月学习他们的内部系统，这个学习只对这一个客户有用。如果这是一次性交易，你承担了这个专用投资的风险。 公司通过**长期关系**解决这个，你为公司做的专用投资（学习公司流程、建立公司内部关系、掌握公司特有的 know-how）是值得的，因为这段关系足够长。 **四、协调成本** 做一件复杂的事涉及很多人配合。每一步都靠市场交易协调是不可能的（想象每次程序员要和设计师沟通一个小细节都要签一个合同）。**公司用层级和流程代替了这种每次协调**，有明确的汇报关系、有惯例、有“这种事情一般这么处理”的默契。 **五、风险分担** 市场里每个独立个体承担自己的风险。公司通过**把很多人绑在一起**实现了某种风险分担，一个项目失败，损失被分摊；一个员工生病，别人可以临时补位；一个客户流失，公司整体还在。 **六、资本集中** 有些事情需要大量前期投资（建工厂、研发新产品、买设备）。单个人或小团队凑不出这些钱。公司作为一个**可以对外融资的法律实体**，能把分散的资本集中起来用于大规模生产。 **七、法律合约权力** 很多事情需要一个**法律实体**才能承担，签署大额长期合同、承担破产风险、给员工缴社保发期权、作为被告或原告上法庭、接受监管审查、拿政府牌照。 个人在这些场景里要么**做不了**（没有对应的法律身份），要么**做但承担过大的个人风险**（一笔大合同出问题，个体全部资产被起诉）。公司提供了一个**法律人格**，股东以投资额为限承担责任，公司自身可以签约、负债、被告、破产。这个人格不是公司的副产品，它就是“为什么做某些事必须用公司做”的核心原因。 **八、品牌与信任背书** 有些事情需要一个可信的第三方出面，特别是在**高后果、低可验证**的场景。 一家医院的手术、一家律所的官司、一家银行的托管、一家咨询公司的战略建议，客户在事前没法评估输出质量，他买的是“如果出事，有一个机构为结果负责”的承诺。这个承诺的重量来自机构本身的品牌、历史、规模，以及它不愿意把这些赔进去的激励。 一个独立个体即使同样能干，**也无法提供同等分量的承诺**，因为他没有那么多东西押在背书上，客户也没有那么多可以起诉的对象。在这些场景里，客户实际购买的一半是能力、一半是机构背书，后者个体无法替代。 ### 这八类问题在 AI 时代的现状 理解了公司最初解决的是什么问题，接下来才能问一个真正的问题：**这八类问题在 AI 时代还存在吗？公司作为解决方案还是最优的吗？** 一项一项看： **一、搜索和匹配成本：被削弱** 过去找一个靠谱的程序员 / 设计师 / 律师，成本极高。现在： - AI 替代了一大部分这些角色的工作，需要找的人少了 - 对于还需要人的部分，远程协作平台、Upwork、LinkedIn、Twitter、各种 Discord 社群让搜索成本大幅下降 - AI 的通用能力让你**不需要每个角色都是专家**，一个能用 AI 写一般代码、做一般设计、做一般法务工作的“全能型”个人，替代了过去需要一个团队才能完成的活 这意味着：**“把一批人长期绑在一起”这个方案的性价比在快速下降**。很多事情现在通过临时组合或纯个人+AI 就能完成。 **二、信息不对称成本：部分被削弱** 过去判断一个人能不能做好，只能通过长期观察。现在： - 公开作品成为了过去简历无法替代的信号（GitHub、Twitter、个人网站、过往项目） - AI 让“评估一个候选人能否做某事”变得比过去更便宜（可以让他做一个试验任务，用 AI 协助评估） - 但信任的深层问题没被解决，真正复杂、需要长期投入的合作，依然需要长期关系才能建立信任 所以这一项部分被削弱，没被消灭。 **三、资产专用性问题：本质上没变，但形态在变** 这个问题依然存在，做任何深入的事都需要专用投资。但**投资的性质变了**： - 过去的专用投资是“学习一个公司的内部流程”，这种投资只对这个公司有价值 - 现在的专用投资更多是“理解一个领域 + 掌握一套工具 + 建立某种独特视角”，这些投资**可以跨多个合作关系复用** 这意味着：**个人的专用投资越来越独立于单一雇主**。你掌握的东西不再是“某公司的 know-how”，而是“你自己的 know-how”。这让个人有了比过去更强的议价能力和独立性。 **四、协调成本：大幅下降** 这是变化最剧烈的一项。 过去协调一件复杂的事需要会议、流程、层级、流水线。现在： - 异步通讯工具让协调大幅去会议化 - AI 作为“无限耐心的协作者”承担了过去大量需要人工协调的工作（写文档、整理信息、跟进进度） - 一个人 + AI 能完成过去需要一个 5 人团队才能完成的事 **协调成本下降最剧烈的地方**，小规模协作的成本降到了历史最低。过去“3 个人 + AI”能做的事比过去“10 个人”能做的还多。 **五、风险分担：依然存在但形态在变** 风险分担的需求依然存在，个体还是会生病、会倦怠、会犯错。但： - 过去风险分担靠“长期雇佣 + 福利”，这种模式对个体和公司都越来越僵化 - 现在出现了新的风险分担方式，灵活的合作关系、独立个体之间的互助网络、社群、AI 作为永不疲倦的后备 - 国家层面的社会保障、保险、医疗，在一些国家减少了个人对公司的风险依赖 所以这一项**本质需求没变，但公司已经不是唯一或最好的方案**。 **六、资本集中：对大部分软件/内容/服务不再必要** 过去很多事情需要大量前期投资。现在： - **软件不需要**：一个人 + 一台电脑 + AI 能做出过去一个团队做的软件 - **内容不需要**：独立创作者用 AI 能产出过去一个内容团队产出的东西 - **很多服务不需要**：咨询、设计、写作、翻译，过去需要机构和团队，现在个人就能做 **但对一些事情还是必要**，造芯片、造火箭、造药、做需要大规模硬件投资的事情。这些领域公司的必要性没变。 **七、法律合约权力 — 没削弱，某些方面加强** AI 没有改变法律体系的任何东西。合同法、公司法、破产保护、监管合规、税收法规，这些依然要求一个法律实体承担。 而且 AI 自身带来了**新的法律复杂性**，AI 输出造成的损失谁负责？训练数据侵权谁赔？AI 做出的决定算谁的决策？这些问题正在加深“需要一个法律实体兜底”的需求，不是削弱它。 所以这一项在 AI 时代**完全没被削弱，某些方面反而加强**。 **八、品牌与信任背书 — 表层被削弱，深层被加强** AI 对这一项的影响是双向的。 一方面，AI 让个体可以以低成本做出看起来专业的产品，**表层品牌差距被压平了**，你一个人做的 deliverable 可以看起来和大公司做的一样精良。 另一方面，也是更大的一方面：AI 生成内容爆炸式泛滥，**信任的稀缺度反而上升**。客户越来越难判断“这个方案是真人深度思考的结果，还是 AI 批量生成的”。在高后果场景下，客户更需要一个机构来承担“这不是 AI 随便糊出来的”的承诺。 所以品牌信任的**表层**被 AI 削弱了（做出精美 deliverable 不再稀缺），**深层**反而被加强了，稀缺的不是漂亮，是“真的为结果负责”的承诺。个体在深层这个维度上依然难以替代机构。 ### 一个结构性推论 把这个分析放在一起。 公司最初解决的八类问题里： - **两类被大幅削弱**（搜索匹配、协调） - **两类部分被削弱**（信息不对称、资产专用性） - **两类依然存在但公司不再是最好方案**（风险分担、资本集中对软件类工作） - **两类没被削弱，某些方面反而加强**（法律合约权力、品牌信任背书） 这个分布比“大部分被摧毁”的叙事要谨慎。公司作为解决方案的边界没有整体崩塌，它在**收缩，但收缩是不均匀的**。 收缩最剧烈的区间是：**认知密集型、低资本门槛、低合约风险、低监管、不需要强品牌背书的领域**。软件、内容、咨询、设计、一部分服务属于这一类。在这些领域里，**一个人 + AI 能完成过去需要一个团队的工作；三五个人 + AI 能完成过去需要一个中型公司的工作**。 收缩最不明显、甚至反向增强的区间是：**资本密集、强监管、高合约风险、高后果的领域**。金融、医疗、基建、制造、能源、航空航天、政府承包属于这一类。在这些领域里，公司的必要性没有减弱，甚至因为 AI 带来的新法律风险和信任危机而加强。 所以真正准确的结论不是“公司作为组织形态正在消失”，而是：**公司的适用边界正在被重新划分**。过去公司是几乎所有合作的默认形式；现在它在一部分领域仍然是必要的、甚至更必要，而在另一部分领域变得过重、过慢、过贵。 这篇文章接下来讨论的，**主要是收缩最剧烈的那个区间**，认知密集型工作里的组织形态变化。在另一个区间里发生的事（大公司如何在资本/监管/品牌维度继续稳固），不在本文讨论范围内。读者如果身处后一个区间，下面的分析只对你工作里认知密集的那一部分成立。 而我们讨论组织问题用的整套词汇，全部基于“公司是默认形式”这个假设。在收缩的那一侧，这套词汇即将面对它的边界。 --- ## 第二章 · 协作已经不在同一个平面上 讨论完“公司为什么存在”之后，下一个问题是：**这些新的组织形态（独立个体、小团队、松散协作网络）里，人和人之间的协作是什么样的**？ 这个问题的答案是反直觉的。**AI 时代的协作不是变容易了，是变得两极化**。 ### 协作池在收缩 过去讨论“和谁协作”，标准是多维的。 - 这个人有相关经验吗 - 这个人熟练吗 - 这个人掌握相关知识吗 - 这个人有行业信息和人脉吗 - 这个人能做判断吗 这五个维度在过去大致是独立的，一个人可以在某几个维度强、某几个维度弱。一个有 15 年经验、很熟练、知识储备丰富、但判断能力一般的人：**在过去是一个非常值得协作的对象**。你把需要判断的部分自己做，把他擅长的执行、经验调用、信息整合交给他。他的价值是真实的。 **AI 时代的变化不是他的价值降到了零，是他的价值里前四项几乎全被 AI 吃掉了**。 - 经验 → AI 知道所有行业里的坑，而且一问就说 - 熟练度 → AI 不疲劳不出错不请假 - 知识储备 → AI 就是一个活的知识库 - 信息和人脉 → 模型训练数据覆盖了公开的一切 这四项被吃掉之后，剩下的**只有认知去耦能力（做真正判断的能力）**。 如果他的认知去耦能力强，他依然极度有价值（可能更有价值，因为他过去被埋没在执行里的判断能力现在被释放了）。 如果他的认知去耦能力一般，他之前叠加出来的“价值”崩塌了，**因为那个价值的所有支柱被 AI 替掉了**。 所以协作判断的计算完全变了： **过去**：他的经验 + 熟练度 + 信息 + 知识 + （一般的判断力）= 一个有用的协作对象 **现在**：（AI 已经做了前四项）+ 他的（一般的判断力）= **不如我自己 + AI** 这个等式的右边是决定性的：**你不是在和他比较，你是在和“你自己 + AI”比较**。过去这个备选方案不存在。现在这个备选方案强到让大部分“经验型搭档”变得不划算。 ### 不是协作成本被拉大，是筛选成本 这件事经常被误读为“AI 时代协作变贵了”。这个误读不对。 和对的人协作：**比过去更顺畅**。因为双方都用 AI，都有高带宽判断力，可以异步、可以用 AI 作为共享中介、可以跑高频循环。 变贵的不是协作本身，是：**筛选合格协作对象的成本**。 过去可以接受的维度多，筛选池大，找到合适的人成本低。现在能接受的维度变窄，筛选池急剧缩小。在一个小池子里找合适的人，成本当然指数上升。 这不是心态变傲慢了、也不是对别人要求变高了，是**“什么是值得协作的人”这个定义的底层标准变了**。过去合格的人里有 70% 是靠经验 + 熟练度撑起来的，现在这 70% 的人在绝对价值上没变（他们还是懂那些东西），但相对价值被 AI 的出现降到了不值得协作的程度。 **你筛的不是更挑剔的池，是一个被重新定义过的池**。 ### 生产体系的不可通约 这个变化用一个类比能讲得更清楚。 过去两个纺织工人可以良好协作。他们在同一套生产逻辑里，都是用手感知线、用眼睛看织物、用几小时完成一匹布。他们可以互相理解对方在做什么、互相补位、互相检查。 当流水线出现后，一个流水线检修员和一个手工纺织工之间：**不是“协作成本更高”，是他们根本不在同一个生产体系里**。检修员的工作节奏是以机器为单位（检查、调整、优化），产出是“让一百台机器同时运转良好”。手工纺织工的节奏是以一匹布为单位，产出是“我今天织完了一匹”。两者的**时间尺度、判断对象、产出单位都不同**。 让他们协作是一个**范畴错误**，就像让一个农夫和一个空中交通管制员协作种庄稼。不是谁拖谁效率的问题，是他们根本不知道该怎么对齐。 AI 时代出现了完全同样的分化。 一个用 AI 做杠杆的独立个体，输出节奏是“一个下午一个循环、几周一个完整产品”；一个不用 AI、嵌在传统流程里的工作者，节奏是“一周一个会议、一个季度一个 release”。这不是效率差距。效率差距两倍三倍还能协作，一量级以上的差距就不再是效率问题，**是生产体系问题**，双方的时间尺度、判断对象、产出单位根本不在同一个坐标系里。 和“一个月产出一次”的人讨论“今晚要不要上线新功能”，双方的时间感根本对不上。和“每个决定都要开会讨论”的人谈“我刚刚决定改掉整个架构”，双方的决策颗粒度根本对不上。和“需要被 PM 给需求”的人说“我自己就是产品判断”，双方的责任模型根本对不上。 **这不是沟通问题，是体系问题**。就像蒸汽机出来之后，工厂工程师和铁匠不是“沟通有障碍”，是他们从事的就不是同一种劳动了。 ### “下属”这个词的重新定义 协作池的收缩具体表现在**“下属”这个关系里最清楚**。 “下属”这个关系结构一直存在，上级做大方向判断，下属在一个较窄范围内独立做事、向上汇报、接受审查。这个结构不是 AI 时代发明的，工业时代、前工业时代、帝国时代都有。 **AI 时代变的不是这个结构，变的是“合格下属”的定义**。 过去合格下属的画像： - 有相关经验（能快速上手） - 执行可靠（交代的事能做完做对） - 有一定判断力（在小范围内不出乱子） - 听话但不愚钝（能反馈问题但不越权） - 在行业里有积累的人脉 / 资源 在 AI 时代之前，这种人**大量存在**。招聘市场、人力资源、大学教育、职业培训，整个社会基础设施都在培养这种人。稀缺性低，筛选成本不高。 AI 时代之后：**这种画像里的能力大部分被 AI 吃了**。剩下能贡献价值的就只剩**“自己能独立跑判断循环”这个能力**，即在一个上级给定的窄范围内，他能完整地做“判断-执行-反馈-调整”的循环，不需要上级介入每一步。 **这种下属在任何时代都稀缺**。只是工业时代有大量“次合格”的下属可以用，他们不能完全独立跑循环，但他们有经验 / 熟练度 / 执行力可以弥补。组织通过**流程、监督、中间层管理**让这些“次合格”的人也能发挥作用。 AI 时代的变化，AI 吃掉了经验 / 熟练度 / 执行力这些“次合格”能力可以贡献的部分。剩下能贡献价值的就只剩“自己跑循环”这个能力。而具备这个能力的人在任何时代都稀缺：**稀缺量级没变，变的是这些人现在是“唯一合格的下属”，而不是“特别优秀的下属”**。 过去你可以用 10 个“次合格”下属 + 1-2 个真正能跑循环的下属组成一个团队。现在只能用能跑循环的下属：**其他人 AI 做得更好更便宜**。 ### 两种协作对象 基于这个分析，AI 时代值得协作的人分成两类： **一类是平行协作者**。自己能独立跑判断循环的人。他们有自己的完整循环，他们加入协作不是为了“被指挥”，而是作为一个**独立节点参与整体工作**。筛选标准极其苛刻，判断能独立形成、方向大致对齐、循环节奏匹配、承担后果、不需要对齐仪式。 **一类是合格下属**。不是独立判断者，但**在一个给定范围内能独立跑循环**，上级给方向和边界，他自己拆解问题、和 AI 协作、判断 AI 输出的质量、决定下一步、执行、反馈。关键是他要能**审查 AI 的输出质量**，一个不能判断 AI 对错的下属，在 AI 时代是有害的，因为他会把 AI 的幻觉当成真实传递上来。 这两类人**都比过去稀缺得多**。前者是因为本来就少；后者是因为过去合格的大部分下属在新标准下不再合格。 这就是“协作池在收缩”的具体含义：**过去合格的下属，现在不再合格**。不是因为他们变差了，是因为**合格标准变了**。 --- ## 第三章 · AI 提效为什么在不同组织形态下效应不同 前两章讨论了**公司作为组织形态的边界**和**协作关系的重新筛选**。这一章进入一个更具体的现象：**AI 在不同组织形态下产生的效益差异巨大**。 这个差异不是小差异，是**数量级差异**。同一个 AI 工具在独立个体手里能让整个循环跑起来；在大公司里往往只能让某些孤立任务跑得更快，整体产出几乎不变。 大部分讨论把这个差异归结为“谁更会用 AI”。这个解释是错的。**差异不在工具使用，在组织形态本身**。 ### AI 提效的真正机制 要理解这个差异，先要理解 AI 提效的**真正机制**。 大部分讨论把“AI 提效”等同于“AI 把某个任务做得更快”，原来写代码几小时，现在一会儿就好。这种**任务级别的提效**是真实的、普遍的，在所有组织形态里都存在。 但任务级别的提效 ≠ 整体产出的提效。 真正让一个人或一个组织发生质变的，不是“每个任务做得更快”，是**任务之间的间隔时间被压缩到接近零**。 举个对照。 一个独立个体想改他产品的架构。他的流程大致是，想到一个可能的改法，问 AI 这个改法的副作用，觉得不对就换想法，让 AI 实现试一下，跑起来看效果，发现问题调整，觉得方向对了再继续推进。一个下午之内他可以完成若干轮“判断-执行-反馈-调整”的循环，每一次循环都在推动思考往前走。 同一件事在大公司会怎么发生，想到改法，得先写一个 proposal（因为不能一个人决定），发给上级 review 等几天，上级再让相关团队看，开一个 alignment meeting 要提前几天约，会上有人提疑问需要下一轮 follow up，然后某个决定性 PM 排进下一个季度的 priority，开发团队做出来再 review。同样的一轮循环，独立个体一下午，大公司可能要几周到几个月。 **这不是效率差距，是循环数差距**。AI 提效对独立个体是把每次循环本身也加速一些；对大公司是把循环里的某一个小步骤加速，但**循环的总长度几乎不变**，因为循环的瓶颈不在执行，在决策和协调。 所以“AI 提效”这个词在不同组织形态里**指向完全不同的东西**。在独立个体那里它是循环加速；在大公司那里它是任务加速。前者带来数量级的产出变化，后者只是边际优化。 ### 大公司 AI 提效失败的四个结构性原因 理解了“循环加速”这个机制之后，可以精确地诊断**大公司 AI 提效失败的具体原因**： **一、层级化决策链** 大公司的决策需要多个层级同意、需要相关团队配合、需要评估风险、需要合规审查、需要和别的项目 priority 对齐。 这些环节 AI 完全没法加速，因为它们**不是“产出某个东西”的环节**，是**“让多个人达成一致”的环节**。AI 可以帮你写一份更漂亮的 proposal，但它不能让 5 个 stakeholder 更快同意。 你把每个执行环节都用 AI 加速了 5 倍，整个项目依然慢，因为执行只占整个项目时间的 20%，80% 的时间在等决策、等对齐、等 alignment、等 review。AI 把 20% 里的时间压缩了，对整体影响微乎其微。 **这就是 Amdahl 定律**，对一个系统里某一部分加速，整体加速受限于那部分占总时间的比例。大公司里 AI 能加速的部分占比低，所以整体加速有限。 **二、激励结构让 AI 加速“看起来在工作”** 组织规模到了一定程度，很多岗位上员工的绩效高低、个体贡献，是很难在系统中充分分离的。这意味着评价系统退化到了可测量的替代物：报告、会议表现、表达清晰度、与老板方向的对齐度。这些“像是产出”的东西，恰恰成了很多员工的证明。 AI 又恰恰能把这些东西的成本降到几乎为零。 过去一个员工要花一天写一份报告来证明自己在工作；现在他 30 分钟就能用 AI 生成一份更漂亮的报告。省下的 7 小时并没有被用来做真实工作，而是被用来生成更多报告，因为他的同事也在这么做，他不跟进就显得掉队。 结果是**报告更多、会议更多、PPT 更精美、邮件更长、Slack 消息更密**。整个组织看起来更忙，但实际产出没变甚至下降。因为生产出来的“看起来像工作”的东西得有人消费，每个人花更多时间读同事 AI 写的报告、参加讨论这些报告的会议，真实工作被挤到没有空间发生。 于是一件很神奇的事情发生了：**既有的低效运作得更快了**。 **三、信息孤岛让 AI 无法接触判断所需的全貌** 独立个体用 AI 的方式是：**把所有相关信息装进一个 context，让 AI 帮我思考完整的问题**。 大公司做不到。因为： - 信息分散在各个系统里（多个工具、多个权限、多个私人空间） - 很多关键信息只在某几个人脑子里，没有任何文档 - 信息的权限分层极严，没人能看到全貌 - 大量决策依赖“非正式”信息（上级的心情、某个竞争对手的动态、某个客户的暗示） AI 在这种环境里只能接触到碎片，它能帮你写一段代码、整理一份会议记录、润色一份邮件，但它**无法帮你做真正的判断**，因为做判断需要的信息它看不到。 独立个体不一样：**他自己就是所有信息的节点**。他脑子里 + 他的本地文件 + 他和 AI 的对话历史，就是全部相关信息。AI 能接触到一切，所以 AI 能真正参与判断。 **四、AI 抗体** 这一条最少被讨论，但必须同时承认它的两面。 **一面是真实的风险管理需要**。大公司在 AI 使用上的谨慎，相当一部分是合理的，幻觉放大到数千员工使用时会造成真损失、客户数据灌进公开模型会触发合规事故、AI 决策出错时责任归属在法律上不清晰、多租户数据隔离在大型部署里确实难做。这些担心不是借口，而是负责任的大公司应当处理的问题。小公司或独立个体可以承担的不精确，大公司不能。 **另一面是岗位自我保护**。大公司内部有大量人的岗位价值来自**协调、审查、汇报、对齐、合规**。他们的工作本质上是“信息过滤器”和“决策中介”。AI 威胁这类岗位的核心价值。所以这些岗位的人有意无意会让 AI 在公司内的使用变得困难。 两面的合流就是大公司 AI 使用里常见的画面，合理的风险担忧**被**岗位自保的动力**放大**成阻止工具。表现形式包括： - 把 AI 的风险、合规、幻觉、数据安全等议题放大，扩张成“必须严格审批才能用” - 要求 AI 走审批流程，让真正想用的人用不了 - 官方采购的企业版通常比公开版本弱好几代 - 强调“AI 生成的东西需要人审核”，把 AI 的产出再套回人的流程里 区别有没有被放大，看一个简单的标志：**这些顾虑是否指向具体可解决的问题（如“在这个业务里要解决的数据边界是 X、Y、Z”），还是指向一个无限延后的审核流程（“等合规看完再说”)**。前者是风险管理，后者是岗位自保。 所以 AI 在大公司威力被削弱，**既有技术和合规上的合理原因，也有组织政治上的防御成分**。两者共同作用，难以彻底分开。 ### 独立个体为什么尤其显著 反过来看，**独立个体是“AI 提效”的物理极限**，因为前面所有阻碍全部消失： - **决策瓶颈是零**，决定就是一个人做，不需要对齐 - **没有“显得在工作”的激励**，产出就是一切 - **信息完全集中**，你自己就是所有相关信息的节点 - **没有任何 AI 抗体**，你不会阻止自己用 AI 所以独立个体的“判断-执行-反馈-调整”循环可以跑得密集而连续，每一次循环都在推进思考往前走。同等时间窗口里跑完的循环数，可以远超一个大公司。这就是为什么 AI 时代一个人 + AI 能做出过去一家中型公司做的产品：**不是比大公司聪明，是在一个能让 AI 真正发挥作用的组织形态里**。 ### 严守推演边界 需要明确的是：**“AI 提效在大公司失效”不等于“大公司会被替代”**。 大公司可能在其他维度上有巨大优势，护城河、网络效应、资本壁垒、品牌信任、分发渠道、监管合规、长期客户关系，这些都是 AI 提效无法触及的维度。这些优势完全可能让大公司在整体竞争中依然稳固很多年。 所以这一章**只断言一件有限的事**：**在 AI 提效这个维度上，独立个体和小团队对大公司有结构性优势**。这个结论不能被外推到“大公司整体命运”上。 但**即使只是这个有限的断言**，它也揭示了一件大部分人还没看清的事：**AI 时代真正的组织竞争不是“谁用了 AI”（所有人都在用）。是“谁的组织形态让 AI 能真正发挥作用”**。这个问题的答案绝大多数大公司回答不了，因为改变组织形态意味着拆掉它们赖以存在的东西。 --- ## 第四章 · 旧管理失效，新管理未知 前面三章讨论了**组织边界**、**协作关系**、**不同形态下 AI 效益的差异**。这一章进一件更深的事：**工业时代留下的那套“管理”在 AI 时代已经不够用了，而替代它的新范式还没有成形**。 这一章也延续上一章的边界，讨论的是**认知密集型工作在收缩区间里的组织形态**。资本密集、强监管、大规模物理运营的场景里（制造、医疗、基建、能源、政府），泰勒-科层这套不只没过时，甚至是必需的。 下面讨论的所有“失效”都在这个边界里成立。 ### 泰勒-科层范式的四个假设 **工业革命以来成形的泰勒-科层式范式**，标准化任务、分工、监督、KPI、层级汇报、岗位说明书这一套。当下，依旧绝大部分公司公司的管理骨架和血肉。这套范式的内核假设有四条 **一、工作可以被拆解成可重复的任务** 所以工作能被标准化、测量、监督。一个流水线上每个人的动作可以被精确拆解，装这个零件、拧这个螺丝、检查这个参数。拆解之后，每个动作的效率可以被量化，每个环节的问题可以被定位。 **二、决策者和执行者是两类人** 决策者负责想（要做什么、怎么做、为什么做），执行者负责做（按照被告知的方式完成具体任务）。管理的任务是把决策者的想法有效地传达给执行者，并确保执行者按要求完成。 **三、效率来自分工 + 监督** 每个人做一小块自己擅长的事，有人确保每一块都做对了、每一块之间衔接顺畅。整体效率来自精细分工和有效监督，而不是来自每个人的全局判断。 **四、激励来自外部奖惩** 员工的动力来自工资、奖金、晋升、惩罚这些外部机制。管理者的工作之一是设计这些机制，让员工的行为和组织目标对齐。 **这四条假设合起来，构成了工业时代“管理”这门专业的内核**。MBA、管理咨询、组织行为学、KPI、OKR、Scrum，这些现代管理工具链大部分都建立在这四条假设之上。 ### 为什么这四条假设在 AI 时代的认知密集型工作里失效 **一、工作不再能被拆解成可重复的任务** AI 已经把可重复的部分做了。**剩下留给人的工作是不可重复、高判断、情境敏感的工作**，每一件事都是独特的、需要具体的判断、无法被提前规范。 一个独立开发者面对“要不要改变这个产品方向”，这不是一个可以被拆解成小任务的工作。它要求综合考虑市场、用户、竞争、自己的能力、团队现状，所有这些判断必须合在一起做，拆开就失去了意义。 **二、决策者和执行者的区分在消失** AI 时代每个会用 AI 的人既是决策者又是执行者。他做判断、自己执行、收到反馈、再次判断。“决策 - 执行”不再是两个不同的人做的事，而是**一个人或一个小团队的连续动作**。 那个“把决策者的想法传达给执行者”的管理中介角色，不再有对应的现实。 **三、效率不再来自分工 + 监督** 高判断工作**无法被分工**，拆开就失去整体判断的完整性。你不能让 A 做“判断的前半段”、让 B 做“判断的后半段”，判断必须整体做。 高判断工作也**无法被监督**，没法从外部观察判断质量。一个人坐在那里想了两小时，他想得对不对、深不深、有没有价值，从外面看不出来。监督只能看到可观察的行为，但**可观察行为和判断质量已经脱钩**。 **四、激励不再来自外部奖惩** 高判断工作的质量和外部奖惩几乎无关，更多依赖**内在动机、专注力、兴趣**。一个对问题真正好奇的人会在问题上投入远多于 KPI 要求的时间；一个对问题没有真正好奇的人，再高的 KPI 奖励也无法让他做出好判断。 **外部激励对低判断工作有效（按件计酬、绩效奖金），对高判断工作几乎无效甚至有害**（会让人为了奖励去伪装而不是真正做好）。 ### 所以旧管理在这个区间里失去了对象 这四条假设的消失意味着**泰勒-科层式管理正在失去它所描述的对象**（在收缩区间里）。 管理的五个核心动作，规划、组织、监督、协调、激励，在**每一个具体动词层面都失去了对象**： - 规划：工作不再能被提前规划成具体任务 - 组织：执行者和决策者不再分离 - 监督：判断质量无法被外部观察 - 协调：小团队里不需要协调，个体内部做的事自然协调 - 激励：外部激励对高判断工作效用急剧下降 所以在 AI 时代高效运转的小规模认知密集型组织里，**你找不到旧管理词汇的清晰对应物**。 一个独立个体，他每天在“管理”什么？他不是在管理 AI（他和它协作）、不是在管理自己（这个词在一个人身上很怪）、不是在管理项目（他就在做项目）。**旧管理词汇在他的实际生产实践里根本不出现**。 一个 2-3 人的小团队，他们不“管理”彼此，他们**协作、分工、同步、碰撞**。这些词和管理不是同义词。管理隐含的是权力梯度（管理者 → 被管理者）和监督关系；协作同步碰撞这些词是水平的、无梯度的。 **这不是性价比下降的问题，是整个概念框架的前提已经消失**。 ### 五个失效的具体地带 在这个收缩区间里，可以精确地指出旧管理在哪些地方已经明显无效： **一、周期性协调仪式**（周会、双周会、月会、季度 review） 周期性协调的预设是：**人的工作节奏是线性、可预测、每周大致等量推进的**。所以每周开一次会同步一次进度是合理的。 AI 时代这个预设失效。独立个体和小团队的产出不是线性的：**一个上午可能完成过去一周的工作量，然后接下来两天陷入一个难题或为下一轮工作构造新的工具**。循环的节奏是高度不均匀的、由具体问题的结构决定的，而不是由日历决定。 周期性协调仪式强加一个外部节奏在真实产出节奏之上：**在高产出时期它打断循环（刚进入状态就开会）、在困难时期它制造伪进展（在会议上汇报“我在思考某个问题”作为进度）**。 **无效的核心**：周期性协调仪式把“时间”当作协调的基本单位。在 AI 时代，**协调的基本单位应该是“循环完成”，不是“一周过去了”**。 **二、以可观察行为为基础的绩效评估** 传统管理的核心工具之一是可观察的行为指标，出勤、响应速度、会议参与度、任务完成度、可见的“在工作”状态。 这些指标在重复性、可拆解的工作里是合理的代理。AI 时代留给人的工作主要是**高判断、不可观察、非线性产出**的工作。这些工作里，**可观察的行为和实际产出几乎完全脱钩**。 一个人可能盯着屏幕 8 小时什么都没产出；另一个人可能散步 3 小时回来半小时做出一个决定性的判断。一个人可能回复所有消息保持高参与度，但他的回复全是水；另一个人可能几天不回消息，但他每次回都说出关键的东西。 **传统绩效评估在这种场景下不仅失效，它主动产生反向激励**。因为它奖励那些最擅长“产生可观察行为”的人，而这些人恰好不是真正在做高判断工作的人。 **三、以“把事情分解成任务”为核心的项目管理** Scrum、看板、Jira、工单系统，整套项目管理工具链的前提是**工作可以被提前拆解成明确的小任务，每个任务有明确的输入输出，进度可以通过任务完成数来衡量**。 这个前提在重复性、结构已知的工作里成立。**在高判断工作里不成立**，因为，工作不能被提前拆解（拆解本身就是工作的一部分）、任务之间的输入输出不是明确的、进度无法通过“完成数”衡量。 所以在 AI 时代的小团队里，硬上 Scrum 常常让产出**下降而不是上升**，因为真正的工作被压缩成符合 Jira 格式的“任务”，不符合这个格式的真正关键工作（判断、权衡、结构重构）变得无法被承认、无法被分配时间、无法获得资源。 **四、以对齐为目标的协作流程** 大量管理动作的目标是“对齐”，让团队里每个人理解同一件事、朝同一个方向走、共享同一个优先级。 这是工业时代合理的目标，当你有 500 人做同一件大事，让每个人都对齐到同一个方向上，组织才能作为一个整体运转。 AI 时代几十人的高判断力单元里：**过度对齐反而有害**。小团队里每个人都在做真正的判断。如果所有人都被“对齐”到同一个方向，那就只剩下一种判断在发挥作用：**组织失去了多元判断的价值**。 真正高质量的协作不是对齐，是**碰撞**，不同判断碰撞产生新的判断。对齐会扼杀碰撞。 **五、垂直责任分配** 传统管理的一个基本假设，责任是**垂直分配**的。管理者对某块业务负责，下属对管理者交代的任务负责。 AI 时代小团队里，责任分配不再能垂直，每个人既是判断者又是执行者，没有“谁交代谁”的关系。AI 参与了几乎每个环节，“谁对某个决定负责”变得模糊。团队小、没有中间层，也就没有“向上汇报”的对象。 这导致传统意义的“问责”在新形态里难以运作。但它不是被取消了，而是被**替换成了“自我问责”和“结果问责”**。每个人对自己的判断质量负责、团队对最终产出负责。 但这种替换在**既有管理概念框架下无法表达**，你没法在一个传统组织架构图里画出“这个人对自己的判断质量负责”。这是管理词汇的空白。 ### 旧的失效，新的未知 需要老实承认一件事：前面把五个失效地带讲清楚了，但**“这些东西该被什么替代”这个问题没有答案**。 不是没有人尝试。这些年冒出来过不少候选，Holacracy、自组织团队、Spotify 的“部落/小队/分会”模型、RenDanHeYi（海尔）、一些创业圈子里流行的“纯独立节点网络”。每一套都有自己的说法，每一套都有一些公司试了，每一套在**一些场景下有效、在更大范围里无法稳定复制**。 原因不复杂。这些替代方案大部分仍然在用旧词汇（团队、经理、对齐、OKR）微调边界，而不是真的换掉底层框架。真正能换掉底层的东西，需要一整套新的：组织原语、工具链、法律形态、教育体系、语言。这些东西没有任何一个到位。 所以**诚实的说法不是“新管理是 X”，是“我们不知道新管理是什么”**。我们目前能确信的只有： - 一组旧动作（周会、可观察行为绩效、任务分解、强对齐、垂直问责）正在失效 - 一些新动作正在浮现（循环对齐、判断质量审查、结果问责、自主单元协作），但它们**还没凝结成一个有名字的体系** - 在它们凝结之前，任何声称自己找到了“AI 时代新管理方法”的东西都应该被怀疑 这不是消极。这和 1900 年前后的状态类似，工厂已经取代手工作坊几十年了，但 Drucker 式现代管理理论要到 1954 年才出现。中间的几十年里，有大量的尝试、失败、尝试。**我们现在在类似的位置**。 承认“新的还不知道”，比强行给一个看起来有体系的答案，更接近现实。 ### 语言的限制 这一章讨论旧管理的失效时不得不一直用旧词汇，这本身是个症状。 “协调”比“管理”更水平，但它没有涵盖判断质量的审查。 “同步”比“汇报”更双向，但它没有涵盖方向性的决定。 “判断带宽”比“KPI”更准确，但它是一个描述性概念，不是一个可操作的工具。 **我们正在经历一次语言的滞后**。新的组织形态正在涌现，但描述它的词汇还没有被发明出来。所有用旧词汇讨论的分析都不完全准确，包括这一章。 这不是作者的无能，这是整个时代的认知债务，我们还在用工业时代的词汇讨论 AI 时代的组织，就像电气化时代初期人们还在用“煤炭效率”讨论工厂。 承认这个限制本身比强行造新词更诚实。强行造的新词只是在掩盖理解的模糊。**真正需要的是保持对这个模糊的清晰意识**，在它不断被新现实塑造的过程中慢慢形成真正的新词汇。 --- ## 第五章 · 岗位和知识的蒸馏曲线 前面几章讨论了**组织边界的收缩**、**协作池的筛选**、**AI 提效的差异**、**管理概念的过时**。这一章进入一个更具体的问题：**组织里的人，他们的岗位价值在 AI 时代是怎么变化的**？ 这个问题的答案是反直觉的，也是最尖锐的。 ### 他们还在，但不一定是因为原来以为的那些理由 观察一下现在的任何一家公司，它的大部分员工还在岗位上，每天工作、完成任务、交付产出、参加会议、领工资。 如果你问管理者“这些人有什么价值”，他会给出一套答案，他们的经验、他们的熟练度、他们对公司流程的理解、他们和客户的关系、他们对行业的熟悉。 这套答案不是错的。这些价值里确实有**真实存在、AI 难以替代**的部分，默会知识（tacit knowledge）里那些没有语言化、没有文档化、只通过长期共事沉淀出来的判断；真实的信任关系；组织内部的政治感和人脉；在复杂情境里嗅到“这事不对劲”的直觉。这些东西 AI 很难接触，甚至可能长期接触不到。 但**这套答案里也有大比例的部分，其实是 AI 还没完全蒸馏完的那些领域知识**，这一部分正在快速消散，而且往往被管理者和员工自己误认为是上一类的东西。 这两类价值需要被分开看。 他们知道的行业规则、流程细节、公开案例：**AI 在公开数据上已经知道大部分**，在他们的具体组织语境里也在快速学习。这部分是“可蒸馏价值”。 他们累积的熟练度：**AI 不疲劳、不出错、成本不断下降**，在大部分结构化任务上已经超过了人类熟练工的中位数。这部分也是“可蒸馏价值”。 他们和外部的关系：**一部分可以被文档化（谁是什么样的人、沟通风格、历史交互），一部分不能（真正的信任关系、长期合作中建立的默契、对方愿意为你做一些合同之外的事）**。可被文档化的部分正在被组织的知识库系统性地蒸馏；不可文档化的那部分是“难蒸馏价值”。 他们对流程的理解，其中“流程怎么跑”是可蒸馏的；“流程之外的灰色地带怎么处理、什么时候该走非正式路径、谁可以绕开谁”这些是难蒸馏的。 **所以更精确的说法是，这些人现在还在岗位上，部分是因为真实难替代的价值，部分是因为他们身上附着的可蒸馏知识 AI 还没蒸馏完**。两部分的比例因岗位而异，而组织和员工自己常常把后者也当成前者。 这不是说这些人是“烂人”，他们是工业时代合格的工作者。在一个稳定的生产体系里做可重复、可监督、可测量的工作，他们的价值通过“严格按规则操作 + 长时间稳定产出”实现。他们不是笨、不是懒，他们是这个位置的合适人选。 **但对其中相当一部分岗位，这个位置本身在消失**，特别是那些价值里“可蒸馏”占比高、“难蒸馏”占比低的岗位。 ### 蒸馏的机制 他们身上的知识正在通过**几个同时进行的机制**被蒸馏： **一、他们自己用 AI 的时候在蒸馏** 每次他们用 AI 处理工作（即使是当百度用），他们都在**把自己脑子里的隐性知识显式化**。他们 prompt AI 的方式、他们问的具体问题、他们对 AI 答案的修改，这些都在把他们的隐性知识暴露给 AI 系统。 具体说，他们本来知道“这个客户喜欢 A 不喜欢 B”（隐性知识）。某次他们让 AI 帮写邮件时，在 prompt 里加了“注意这个客户喜欢简洁不喜欢长篇大论”，这个隐性知识**被文本化了**。 一旦被文本化，它就可以被记录、被学习、被复制。下次你让 AI 给这个客户写邮件时，可以直接给它同样的上下文，不需要那个人了。 **他们每用一次 AI，就泄露一点自己的价值**。他们自己感觉不到，因为在他们看来这只是“给 AI 一些背景信息让它输出更好”。实际上这是他们存在价值的净损失。 **二、他们和同事协作的时候在蒸馏** 他们解释一件事给同事听、在会议里描述某个情况、在文档里记录某个流程，这些动作都在把隐性知识显式化。如果这些文档、会议录音、Slack 消息进了公司的知识库（现在很多公司在做这件事），那这些知识就进入了可被 AI 检索和学习的范围。 **三、他们被要求文档化的时候在蒸馏** 很多公司现在在推“知识管理”、“流程文档化”、“tribal knowledge capture”，理由是“让组织的知识沉淀下来”。听起来像是在帮公司留住知识，实际效果是**把原本绑定在人身上的知识抽取出来，存进组织可以使用的系统里**。一旦抽完，原来绑定这些知识的人就变得可被替代。 这不是阴谋论，这是现实。很多大公司的 HR 和运营部门都在主动做这件事，他们不一定意识到最终效果，但效果是真实的。 **四、整个行业级别的数据在被 AI 公司收集** 一个公司的领域知识可能是员工独有的，但**整个行业的领域知识**正在被各种 AI 公司通过各种途径收集和训练，财报、行业报告、专业论坛、公开讨论、公开的合同和案例。每一年，基础模型对各个行业的理解都在加深。 这意味着：**即使员工不主动蒸馏自己的知识，整个行业的集体知识也在被蒸馏**。等到某个时点，模型对某个行业的理解已经超过了一个普通从业者的平均水平，那这个从业者身上附着的“领域知识”价值就归零了。 ### 不同知识的蒸馏速度 不同类型的知识蒸馏速度差别很大。不精确给具体年数，因为底层模型迭代速度在变、多模态能力和机器人能力在快速进步、不同行业被“啃”到的深度也不同。但大致的**相对顺序**是稳定的： **最先被蒸馏完**： - 流程性知识（某个行业的标准操作流程） - 公开规则的细节（法规、税务、合规） - 常见问题的解答（客服、技术支持、常规咨询） - 模板化的工作（标准合同、标准报告、标准设计） **随后被蒸馏**： - 领域判断经验（什么时候用哪种方案） - 客户特异性知识（常见客户类型的偏好和处理方式） - 行业常识（行业 insider 才知道的“一般是这样”） **较长时间内仍有价值**： - 特定复杂情境下的灰色判断 - 涉及多方利益协调的政治性判断 - 需要长期关系积累的信任性工作 - 涉及物理世界的精密操作 **目前看最难被蒸馏**： - 真正的创造性判断 - 人际关系本身 - 和物理世界的深度互动 一个补充判断：**“涉及物理世界”这条护城河是有期限的**。它在 2026 年这个时点确实是一道厚墙，因为具身智能、通用机器人、精密操作的成熟度还远未达到替代水平。但这不是一条永久的墙，多模态大模型 + 机器人学的进展速度比很多人预期的快。所以“做物理世界的工作”带来的安全感应该被理解成“在一段时间内相对安全”，而不是“永久避风港”。时间窗口是多少年，取决于后续几代基础模型和机器人硬件的进展速度，没有人能准确预测。 所以不同岗位的人面对不同长度的时间窗口。做可文本化流程性工作的，窗口最短；做复杂灰色判断或长期关系性工作的，窗口较长；做真正创造性工作的，基本不在当前一轮蒸馏威胁里；做物理世界工作的，现在安全、但要留意下一代技术何时追上来。 ### 一个反直觉的推论 这个框架给出了一个反直觉的推论： **高端知识工作受 AI 冲击反而更直接**。 过去讨论 AI 对工作的影响时，默认假设是“AI 从底层往高层替代”，先替代简单工作、再替代复杂工作、最后可能挑战高端工作。 这个假设是错的。**AI 不是从“简单”往“复杂”替代，它是从“可文本化”往“不可文本化”替代**。 很多高端知识工作恰好是**高度可文本化**的，战略分析、投资研究、法律文书、咨询报告、学术研究。这些工作的产出和过程都是文本性的，所以它们的知识**容易被蒸馏**。 很多看起来“低端”的工作反而**不容易被蒸馏**，一个资深销售对特定客户的理解、一个修车师傅对机械的身体感觉、一个护士对病人状态的直觉、一个 boss 对员工状态的观察。这些知识大量是**隐性的、具身的、情境性的**，AI 难以接近。 **所以“中层管理者”这种高学历、高薪、看起来“高端”的岗位，可能是 AI 时代价值消散最快的岗位之一**。因为他们的工作大部分是可文本化的判断，阅读报告、做决策、写反馈、开会、发邮件。这些东西 AI 能做的部分正在快速扩大。 反过来，一个真正做创造性工作的设计师、一个做深度关系性销售的人、一个在物理世界做精密工作的技师，他们的价值反而相对韧性更强。 需要加一个时间限定：这里说“在物理世界做精密工作的人相对安全”，指的是 **2026 年这个时点**。具身智能和通用机器人目前距离替代一个熟练技师还有不小距离，但这个距离在被持续缩小。所以“具身性 = 安全”不是一条永久结论，是**一段较长但有限的窗口**。具体多长取决于下几代多模态模型和机器人硬件的成熟度，而不是某种原理上的不可替代。 这个反直觉让很多公司的组织结构正在经历**价值重新分布**，不是沿着“级别高低”分布，是沿着“知识是否可蒸馏”分布。而大部分组织（包括员工自己）还没意识到这件事。 ### 评估岗位时，时间维度没法再忽略 蒸馏曲线带出一个简单但常被跳过的观察：**评估一个岗位时，“当前产出”不再是单独变量**。 过去评估一个岗位，只看“现在这个岗位在创造多少价值”。这个评估默认了一个隐藏假设：**这个岗位的价值会在可预见未来大致稳定**。在一个变化慢的时代，这个假设是合理的。 在 AI 时代这个假设不成立。同样“现在创造 X 价值”的两个岗位，如果一个面对的是还在快速加深的蒸馏，另一个面对的是较稳定的不可蒸馏价值，那两个岗位的实际价值完全不同，前者是一段正在耗尽的库存，后者是一条可持续的现金流。 这里不给一个看起来精确的计算公式，因为“剩余时间窗口”没法被准确量化、“维持成本”也不是单一维度（包含工资、占用的位置、对招聘新角色的挤压、对组织心态的影响）。强行塑成公式只会制造伪精度。 但把这个维度**带进讨论**是必要的： - 一个看起来还在创造价值、但大部分价值来自可蒸馏知识的岗位，它的账面贡献和长期贡献可能已经严重背离 - 一个价值不耀眼、但建立在难蒸馏能力（长期关系、物理操作、真实判断）上的岗位，它的长期贡献可能被系统性低估 - 组织对这两类岗位的处理方式经常是颠倒的，前者被保留因为“还在产出”、后者被边缘化因为“产出不够亮眼”，这种颠倒在 AI 时代的成本比过去任何时候都高 承认自己没有能力给出准确的时间窗口，比给出一个假装精确的公式，更接近真实。 ### 一个反向机制：被蒸馏完之后，剩下的反而升值 上面讲的是蒸馏如何让岗位价值贬值。但蒸馏本身还带出一个反向机制，容易被忽略：**某类知识被大规模蒸馏完之后，剩下没被蒸馏的那部分，反而会稀缺升值**。 几个叠加的原因： **一、AI 训练数据的递归消化**。基础模型把公开可获得的文本、代码、专业内容几乎全部消化了一轮。下一轮提升需要更稀缺的数据：真实场景里的一手判断、复杂情境下的非标准操作、没被公开写下来的默会知识。这类数据正在成为训练市场里的稀缺品。这意味着，**能产生这类数据的人**（做真正判断、处理复杂情境、拥有默会经验）在事实上持有一个正在升值的资产。 **二、AI 生成内容爆炸让“未被蒸馏过的东西”成为识别信号**。AI 生成的文本、代码、报告、设计在快速饱和市场。当所有中等质量的可文本化产出都变得几乎免费，**“这个东西一看就不是 AI 出的”本身成了一个稀缺信号**，不是因为它技术上 AI 做不到，而是因为它来自一个 AI 没有消化过的视角、一种未被蒸馏的判断路径、一段没有公开样本的具体经验。 **三、蒸馏曲线的另一面是“反蒸馏”**。某些能力越是被广泛 AI 化，它的反面：“人手工做、人亲自判断、人真实在场”，越是会被作为一种独立价值被消费。这在文化产品、高端服务、人际信任场景里已经可以看到苗头。这不是怀旧情绪，是**一种严格意义上的稀缺性再分配**。 这个反向机制不是对前面蒸馏分析的否定，是补充。整体图景是：**大部分可蒸馏的工作在贬值；剩下的不可蒸馏的部分在稀缺化、升值**。两端在拉开。而且这两端不是对称的，可蒸馏部分的贬值速度，远快于不可蒸馏部分的升值速度，所以从社会总量看，大部分岗位面对的是净贬值；但从少数岗位看，它们的价值反而比过去更高。 这也解释了一个观感上的反常：**AI 时代部分顶级岗位的薪酬不降反升**。不是因为 AI 没冲击它们，是因为冲击把周围一圈可替代位置压扁了，剩下那个真正不可替代的位置变得相对更稀缺、因此更贵。 ### 对人的意义 从人的角度看这件事。 **你不是因为“不够努力”或“不够优秀”被 AI 替代，是因为你的知识的可文本化程度决定了替代速度**。这不是能力问题，是知识属性问题。 这件事不按“人品”、“努力程度”、“职业尊严”分布，它按一个更冰冷的维度分布：**你做的事情有多少是可文本化的**。 所以“这个时代的流水线工人”，过去是真正意义上的流水线工人（可重复的体力劳动），将来越来越多是**做可文本化判断工作的白领**，客服、初级分析师、中层执行者、文员、一般程序员。 他们不是“错了”，他们是在一个他们出生时还完全合理的岗位上，这个岗位在他们职业生涯中期开始消失。 对这类人最残酷的诚实是：**不假装他们的位置会长期存在、不美化他们剩余的价值、不让他们把精力投入在“适应 AI 时代”这种大部分时候做不到的事情上**。而是：**在他们的位置消失之前，给他们足够的时间和资源为下一步做准备**。 这不是温柔，是**比伪装更接近尊重的诚实**。 --- ## 第六章 · 最后 三篇合起来，讲的是同一件事的三个层次。 **Issue 1 讲个体的认知分化正在发生**，大部分人把知识经验错当成了认知能力。当 AI 把前者摊平，后者被单独暴露的时候，一场过去被遮盖的认知不平等第一次变得可见。 **Issue 2 讲个体怎么在这个分化里找到自己的位置**，不是方法论，是回到学习的本质。把自己的判断持续暴露在现实反馈下，用 AI 加速这个过程而不是加速它的伪装。 **Issue 3 讲这个分化如何通过组织形态被放大成更深的结构性变化**，在认知密集型这个收缩区间里，协作池在收缩、旧的那套管理在失效、岗位价值在被蒸馏；同时在另一些区间里（资本密集、强监管、高合约风险），公司反而可能更必要。 三件事是同一件事。底层都是：**AI 把工业时代那些把“能力”和“产出”捆绑在一起的外部机制（学历、岗位、流程、经验、熟练度、博闻）拆掉了，让真正决定判断质量的底层能力第一次被单独暴露**。 个体看到的是自己的认知能力是不是真的存在（Issue 1）、应该怎么去建立（Issue 2）。 组织看到的是自己的形态是不是还能运转（Issue 3）。 两件事互相作用：**有真实认知能力的个体会流向能让他们的能力被放大的组织形态**；**无法让 AI 真正发挥作用的组织形态会逐渐留不住有判断力的人**。这个流动不会一夜之间发生。但它已经开始。 ### 几个本文故意没有回答的问题 完整起见，有必要把本文**没有回答**的问题列出来，避免读者以为它们是被忽视的。 **一、既然大公司在 AI 提效上结构性劣势，为什么很多大公司还在长大？** 因为 AI 提效只是它们面对的诸多竞争维度之一。它们可能靠分发渠道、网络效应、监管壁垒、品牌、长期客户关系、资本壁垒在另外的维度上稳固。这些维度和 AI 提效几乎不冲突。所以“大公司在 AI 提效维度上失势” ≠ “大公司在整体竞争里会倒下”。本文第三章末尾已经强调了这个边界，在这里再次申明：**两件事不在同一个坐标轴上**。 **二、如果我在这样的大公司里、或管着几十人的团队，该怎么办？** 诚实的答案是：**本文不知道**。 任何在这个位置上给出“三步走方案”的内容，大概率是伪装的。真实的情况是，处于这个位置的人面对的问题因组织、行业、具体角色、个人筹码而异，没有一个通用答案。本文能提供的只有**诊断**：让你看清楚自己处在哪一个区间、手里的岗位价值有多少来自可蒸馏知识、你周围的组织是在加强哪个维度上的护城河。**基于诊断做选择，比基于方案做选择更靠谱**，因为方案会过时，诊断给出的判断方法不会。 **三、“新管理”是什么？** 本文第四章已经回答过一次：**我们不知道**。一组旧动作在失效，一些新动作在浮现，但它们还没凝结成一个有名字的体系。这个状态可能还会持续相当长一段时间，类比地讲，工厂取代手工作坊几十年之后 Drucker 才写出现代管理理论。我们现在在类似的位置，而不是在它的终点。 **四、个体在这个分化里该做什么准备？** Issue 2 已经写了它能写的那部分，学习方式的重建、把判断持续暴露在现实反馈下、避免 AI 伪装成熟练度。更进一步的“该做什么准备”，需要结合个体自己的起点、资源、风险承受力来判断，本文没法替任何人回答。 承认这些问题没有答案，比硬造答案更接近诚实。 ### 这一系列不给方案 最后要说的是，这三篇文章从头到尾没有给任何方案。 - 没有“如何成为 AI 时代赢家”的鸡汤 - 没有“如何转型你的公司”的咨询建议 - 没有“如何在 AI 时代学习”的方法论清单 - 没有“未来会怎样”的预测 因为这些都不是这些文章的职责。**这些文章的职责是描述正在发生的事**，尽可能精确、尽可能诚实、尽可能承认自己无法推出的东西。 读者读完之后不会“知道应该做什么”。读者读完之后**可能对自己当下所处的现实更清楚了一点**。基于清晰的现实做选择，比基于各种方案做选择，更可能做对。 这是这个系列希望提供的唯一东西：**一个更清晰的现实描述**。 ### 最后一个问题 回到 Issue 1 结尾那个最后的自检： **你最近一次真正改变重要看法是什么时候、因为什么改变**？ 现在再加一个： **你周围的组织、你所在的团队、你和你合作的人，他们在按照哪个时代的逻辑在运作？这套逻辑还剩多少时间？** 答得出具体的，你至少看见了现实。 答不出的，你可能还在现实之外。 不管哪种，时间都在走。 --- ## 附录 · 入门书单 本文涉及的几条核心线索，公司的本质、管理范式的历史、组织形态的替代尝试，各有经典读物。按主题分组、按难度从低到高排列。 **公司为什么存在（第一章 Coase 框架）** - 《企业的性质》Ronald Coase（1937 年原始论文，中文有多种译本，薄但密度极高） - 《资本主义的经济制度》Oliver Williamson - 《看得见的手：美国企业的管理革命》Alfred D. Chandler **管理范式的形成与局限（第四章）** - 《科学管理原理》Frederick W. Taylor（要理解泰勒-科层范式到底说了什么，读原文比读二手评论准） - 《管理的实践》Peter Drucker（1954 年，现代管理学的起点文献） - 《转危为安》W. Edwards Deming（对泰勒式管理的第一波系统性反思） - 《第五项修炼》Peter Senge（Drucker-Senge 这一脉的代表作） - 《卓有成效的管理者》Peter Drucker **组织形态的替代方案** - 《重塑组织》Frederic Laloux（对 Holacracy、Teal 组织等替代形态的系统梳理） - 《Holacracy: The New Management System for a Rapidly Changing World》Brian J. Robertson - 《海尔转型：人人都是 CEO》（人单合一的内部视角） - 《Maverick》Ricardo Semler（Semco 的极端自治实验，早于 Holacracy 几十年） **关于变化的结构性问题** - 《创新者的窘境》Clayton Christensen（为什么优秀的大公司无法适应范式变化） - 《国家的视角》James C. Scott（对“自上而下的可读性”这套逻辑的系统批判，和泰勒范式背后的假设同根） - 《失控》Kevin Kelly（对分布式协作、涌现式组织的早期系统性讨论） **关于深度工作与知识工作的组织** - 《深度工作》Cal Newport - 《没有邮件的世界》Cal Newport（讨论现代白领被协作仪式淹没的结构性问题） 读的时候有个实用提示：**前面这些书不是拿来直接套用的方案手册**。它们的价值是让你看清楚自己身边的组织**处在哪个范式的语言体系里**，以及这个范式的历史假设是什么。看清楚这个，比找到一个“新管理方法”更重要，因为新范式目前根本不存在。 --- ## 引用与出处 本文涉及的主要事实性断言的来源。 **关于公司存在的理论基础（第一章）** - Ronald H. Coase, “The Nature of the Firm,” *Economica* 4, no. 16 (1937): 386-405，提出交易成本框架，至今仍是解释公司为什么存在的最清晰起点 - Oliver E. Williamson, *The Economic Institutions of Capitalism*（Free Press, 1985），在 Coase 基础上发展出资产专用性、机会主义等核心概念，新制度经济学的奠基之作 - Coase 因此获 1991 年诺贝尔经济学奖；Williamson 获 2009 年诺贝尔经济学奖 - “法律合约权力”和“品牌信任背书”两类交易成本在 Coase/Williamson 原始框架中被提及但未展开，本文将其单独列出是基于现代组织实践的补充 **关于 AI 在大型组织内落地的阻力（第三章）** - Amdahl 定律：Gene Amdahl, “Validity of the Single Processor Approach to Achieving Large-Scale Computing Capabilities,” *AFIPS Conference Proceedings* 30 (1967): 483-485，原本是并行计算语境，本文借用它描述“局部加速对整体影响受限于该部分占比”这个结构性规律 - 关于大公司 AI 采用的企业调研：McKinsey《The State of AI》年度报告（2024-2026 连续三年）记录了大型企业 AI 部署普遍出现的“任务级提效但组织整体产出未变”的模式 - “AI 抗体”不是一个学术术语，是本文对一个经验现象的命名，参考了 Clayton Christensen 在《创新者的窘境》中对大公司如何系统性抗拒颠覆性创新的分析 **关于管理范式的历史（第四章）** - Frederick W. Taylor, *The Principles of Scientific Management*（Harper & Brothers, 1911），泰勒-科层范式的奠基文本 - Peter F. Drucker, *The Practice of Management*（Harper & Row, 1954），首次把“管理”作为一门可教授的学科提出，Drucker-Senge 一脉的起点 - Peter M. Senge, *The Fifth Discipline*（Doubleday, 1990），系统思考、学习型组织的代表作，对泰勒式管理的另一种反向路径 - 从手工作坊到 Drucker 的时间跨度（约 1900-1954），本文用它类比 AI 时代从“旧管理失效”到“新管理凝结”可能需要的时间 **关于替代性组织形态** - Brian J. Robertson, *Holacracy: The New Management System for a Rapidly Changing World*（Henry Holt, 2015），Holacracy 的系统性说明 - Frederic Laloux, *Reinventing Organizations*（Nelson Parker, 2014），对 Teal 组织、Holacracy、自管理团队等替代形态的综合梳理 - Spotify 模型的“部落/小队/分会/公会”结构：Henrik Kniberg & Anders Ivarsson, “Scaling Agile @ Spotify”（Spotify 内部白皮书，2012），该模型后来被 Spotify 官方承认在规模化后遇到严重问题 - 海尔人单合一（RenDanHeYi）：张瑞敏相关著作及哈佛商学院案例研究（Frynas et al., “Haier’s RenDanHeYi,” *California Management Review*, 2018） - Ricardo Semler, *Maverick*（Warner Books, 1993），Semco 极端自治实验的第一手叙述 **关于知识工作的文档化与蒸馏（第五章）** - 组织知识管理对“tribal knowledge capture”的系统推动：Ikujiro Nonaka & Hirotaka Takeuchi, *The Knowledge-Creating Company*（Oxford, 1995），隐性知识 / 显性知识的经典区分 - 可文本化 vs 不可文本化的能力分布：借用 Michael Polanyi 的 tacit knowledge 概念（*The Tacit Dimension*, 1966） - 关于 AI 训练数据递归消化的判断：Villalobos et al., “Will we run out of data? An analysis of the limits of scaling datasets in Machine Learning”（arXiv:2211.04325, 2022 及其 2024 年更新版本），预测高质量文本数据将在 2026-2032 年间被充分消化 **关于创新者的窘境与组织的自我束缚** - Clayton M. Christensen, *The Innovator’s Dilemma*（Harvard Business Review Press, 1997），大公司为什么在面对颠覆性技术时系统性失败。本文第三章“AI 在大公司无法发挥作用”的分析沿用了这个框架的部分逻辑 **关于协调成本与现代协作工具** - Cal Newport, *A World Without Email*（Portfolio, 2021），现代白领被协作仪式淹没的结构性问题 - “异步协作”作为一种组织实践的讨论来源：GitLab 的远程工作手册（about.gitlab.com/handbook/）