出自与刘于一对谈《从超级个体到超级团队》（2026-05-20）：不存在”AI 转型”，只有”AI 原生”。但两者不是二分，而是连续谱系（沿用她”连续还是离散”的框架），所以大公司内部同样能长出 AI 原生团队。切入点是”超级个体 → 超级团队”：再大的公司也有超级个体，也会形成超级团队。

三层支撑。组织即护城河：硅谷爆款《The Next Biggest Moat in AI》认为技术会收敛、叙事人人会讲，壁垒是组织形态——能不能成为人才愿意来的组织，能不能让判断力沉淀为可复利资产。结构服从目标：要速度就得扁平，要客户反馈就得给一线授权。判断力被指数放大：引清华杨斌”AI 次方”，你本身是 1.1，平方立方后倍数惊人。

因此她压住”提效”：方向错了发动机转更快未必是好事，真正的增量在出海、银发经济、情绪价值、疗愈。Block 那期说得最狠：组织变革比任何 AI 工具提效都更有用，因为它逼你重新回答”公司为什么存在”。

一、先拆工作流，再谈转型

案例是对谈”依然”与”良策 AI”创始人徐建：一家近 200 人、95% 无 IT 背景的韩妆品牌代运营公司。2026-03-31 WorkBuddy 打通企业微信，4-01 就把 IT 团队从 2 人扩到 10 人。此前全员学 Claude、学 Python”螃蟹吃得不太成功”，因为工具独立于企业微信、腾讯文档、金蝶等既有系统，改变使用习惯的成本被严重低估。

起作用的是拆解方法：按岗位、按周/日/季度是否重复，把每人任务列成大表，逐条回答”能否用 AI 提效、人在哪个环节、人的价值是什么”。全公司梳理出 1400 多条日常工作、400 多条工作流，按耗时加权算出 77% 的工作时间可由 AI 承担（口述亦有”76%”，同一指标）。原预估 20% 的人跟不上，实际只有 5%。

分层比总量更有信息：财务、设计、客服等”电脑工作占比高”的岗位替代率 80% 多；信息化低、依赖线下与人际的部门（如物流）约 50%。连运营、行政也被大幅提效，超出”只有编程和客服能提效”的预期。

为什么必须先拆：员工用 AI 给自己提效没问题，但组织要的是把技能与工作流沉淀为组织资产并复用，否则每次重做一遍。失效模式是一号位认知不介入，只剩个人零散提效，形不成闭环。

落地形式不是全员课，而是 workshop：上午讲 1–1.5 小时，下午学员带自己的痛点当场做出工作台并跑通，分组上台讲效果、互评打分。

二、FDE：把转型变成”有人负责的上门服务”

同一案例的机制侧：10 位 FDE（Forward Deployed Engineer），每人负责约 2 个部门、”上门服务”。答辩三条标准：会建”专家”、会建”技能”、把自己每项日常工作都讲清如何被 AI/自动化替代，通过者奖 2000 元。

配套动作：动员会明确”通过答辩一定留用”，同时告知”学不会会成团队短板”；随后减掉财务总监、人事总监等中层，组织更扁平；要求管理层把审核原则全部写出来并自动化。能力分级用”骑兵/弓箭“：会 AI 是骑兵，能用 AI 重塑 SOP 才配”指挥骑兵”。

二阶段不是”人人会用”，而是公司级唯一 AI 专家智能体：连接所有数据、自动调用技能、回答任何业务问题——”公司的世界模型“，9 月底完成全员信息与技能录入。

方法论上留了一处分歧：先试 Ontology 失败，转而提出”目的论优于本体论“——组织的第一性原理是目的而非对象与关系，否则会为无关之物过度建模，太重太贵。副产品是第二曲线：FDE 能力对外输出，韩国品牌 CTO/CFO 上门学习，”我们的 agent 对接你们的 agent”成了谈判筹码。

三、智能体基建：agent 是另一个物种

腾讯全球数字生态大会现场那期的框架是”AI 原生生产力飞轮“，要解决”超级个体 → 超级组织”的跃迁，路径是给 agent 建新基础设施（agent runtime）。前提判断：agent 与人是”完全不同的物种”，不确定性强、可控性弱、需要独立权限体系。于是四件套：

  1. 沙箱隔离：大规模并行沙箱、快速响应，权限限制在稳定可靠范围；
  2. 存储：上下文与工作物料；
  3. 可观测性：何时出错、钱花在哪、卡点在哪、用了哪个模型、成本多少——”像开车有仪表盘”；
  4. token hub：一站式调用多家模型，按能力差异路由。

更根本的缺口是：AI 除了”经由人”进入组织，能否直接进入？她借新员工入职拆出 context awareness 六要素——角色（我是谁、为何招我）、目标（组织期待解决什么）、规则（奖惩与制度节奏）、资源（预算、专家体系、协作网络）、关系（汇报线与跨部门结构）、当前状态（项目进展）。知识库只覆盖一部分，目标、关系、当下状态这些”没开放给 AI”的信息才是真缺口。

Claude Tag（绑定 Slack）是这个缺口的解法样本：在 channel 里 @ 它就能拆任务、总结上下文、执行。关键变化是”上下文不用搬来搬去“——从 ChatGPT 要你贴，到独立 APP 仍要丢文档，再到 AI 直接驻扎进协作上下文，于是它成为”组织的助手”而非”我的助手”：多人共享、后台执行、ambient 式提醒。

编排能力正在沉淀进权重：Sakana AI 的 Fugu 用强化学习调度开源+闭源模型；TRINITY 用 0.6B 小模型当”排班经理”，在 thinker/worker/verifier 间决定下一步由谁执行；Conductor 用约 7B 当”指挥家”规划角色与拓扑。她的推演：未来每个软件公司都会变成”为特定场景与数据做优化的模型公司”，但单体智能依然重要——”一堆天才聚在一起”的放大是 10 倍到几十倍。

四、最小单元是三个人

agent 小队三角色：PM/规划（理解意图与上下文）+ worker 执行（端到端）+ judge 审核。成本纪律是：planner 与 judge 用最强模型，中间 worker 用便宜模型、靠 judge 打回返工。支付/金融团队的另一版是 CEO、销售、合规三角——销售与合规立场不同，必须两人相互制衡。

由此推出：人与人协作的最小单元也是三个人。团队的作用是稳定注意力、彼此承担风险、用不同立场相互拉扯形成合力。

她用自己的经历反证”一个人+AI 就够”：指挥 AI 写工具正反馈极强，一度倾向手搓 skill 自闭环，结果精力不够、下班越来越晚、周末还在调工作台；另一位小哥用 AI 折腾两小时没做出爬虫，最后闲鱼 16 块钱买到现成服务。分工与比较优势在 AI 时代不过时，理想状态是”人人有全栈能力，但专注各自擅长领域”。

大厂超级个体与独立者的差别，她归结为是否直接面对客户：大厂是在一个专业岗位上放大价值，不承担最终交付；独立者要端到端，既售前也售后，必须回答”客户为什么买单、会不会复购”。大厂方反向成立：个体+AI 的边界很快到来，因此更渴求与同水平品位的人互补。

组织形态样本是北辰青年：变成”超级个体联盟“，每个子公司找能兜底的一号位、谈分红权（如三七）。超级个体最贵的是精力，要克制开支线，关注杠杆与复利（挖井而非砍树）。

五、组织形态：从层级到智能，以及怎么招人

Block 的激进样本。 约一个月前裁员 40%，股价反涨 20%，资本市场接受了这套叙事。2023 年起把按事业线（Square 支付、Cash App）编排的组织拆成职能制，技术全向 CTO、产品全向 CPO 汇报。理论文章《From Hierarchy to Intelligence》由 Dorsey 与红杉一位合伙人（亦为 Block 董事）合写。

起点是层级制历史：罗马军团 8 人一小队、10 队成百人队，再往上 480 人、5000 人——因为管理幅度只有 3–8 人、信息带宽有限；普鲁士与泰勒制延续这套。Dorsey 的判断是 AI 可成为组织协调中枢：Slack 讨论、邮件、会议纪要全部数字化，AI 掌握全量上下文，人人直接向公司级 agent 取信息，中层上传下达的价值消失。

人留在边缘仍不可替代，分三类角色：IC（靠品味/审美/创造力）、DRI（直接对结果负责、跨职能整合资源交付）、player coach（能打仗也能带人）。公司能力抽象成四层：能力层（发卡、信贷等可被 AI 调用的模块）→ 世界模型层（运行状态 + 客户交易信号反推需求）→ 智能层（预判并构建产品）→ 界面层。CEO 的职责变成搭组织智能体、定文化和意图。最要紧一句：裁掉的 40% 省的是上传下达的时间精力，不是人被人替代的故事。

招人：从”因岗定人”到”因人定岗”。 Kimi 与 DeepSeek 同期启动校招、社招、实习，Kimi 抛”100-1000-10000“：围绕一个想法迭代 100 次、品鉴 1000 个产品/作品、投入 1 万小时钻研；配套全球仅 7 个名额的 wildcard 画像，创业失败、辍学、独立开发者都不设限。解读是：能被清晰定义的标准化岗位会先交给 AI，留下的是”因人而异”的工作。案例：一位独角兽 CTO 加入 Kimi 时并非应聘某岗位，进去后自己找到”增长团队基建没人做”就接手。张予彤（存疑）的另一标准是”偏执”——屡败屡战者恰被传统 HR 筛掉，却积累了与众不同的品味。

创新土壤。 梁文锋的判断：问题不是缺钱而是缺自信，以及”如何组织高密度的人才做有效创新”；机制是自上而下派活不超过 50%，留一半给自下而上的探索（对比谷歌 20%）。王虹那一侧的”心理安全”同理：导师被反复”挂黑板”仍微笑听完。环境才是变量。

组织优势对照。 Anthropic：哲学家做模型性格调校、每两周 Dario 向全员广播战略推理、”high trust, low ego“、7 位创始人同股同权扁平网络，顶尖人才放弃管理职位加入，被愿景而非薪酬激励。XAI 是反面：核心 11 人尽数离职，工业时代式”逼人往前”留不住人，去年烧 60 多亿美元，索性把 Colossus 2 以月租 12.5 亿美元租给 Anthropic。

人的位置。 明略吴明辉的公司 1000 多名员工配了 3000 多个 Agent；她追问”极致形态是不是 1 个 CEO 加一堆 Agent”，回答是：人在现实中感受、体验、旅行会持续产生新想法，末端多样性 AI 替代不了。TCL 的价值观则是”省下的人力做更多项目”而非裁员。

六、三个反例：别把手段当目的

token maxing。 黄仁勋在 GTC 上说给每位工程师配等于工资一半的 token（50 万美元年薪配 25 万美元），一年只花 5000 美元就被认为”不胜任”；Meta 内部据称有 8.5 万人比拼消耗排名。一线强烈反对：指标成为目标就会被 hack——提示词写极冗长、任务无限拆小、写没人看的文档、反复上传图片刷量。这是古德哈特定律，与用代码行数考核程序员同构。斯坦福 AI 指数显示七八成管理者相信 token 消耗与产出成正比，八成一线工程师不同意。token 是输入项，该衡量业务产出。

“95% 企业没见成效”。 AI Index 2026 引 MIT 的”95% 企业部署 AI 但没见到成效”（她认为已过时半年），以及 Acemoglu 测算 AI 对 GDP 拉动只有 0.0 几个百分点；她认为这是口径问题，用 token 价值而非真实创造价值评估会系统性低估。她自己的估算是编程、客服、广告、内容创作平均提效 20%–30%，真正卡点是一号位有没有变革意图——”我靠既有业务流就能挣钱，为什么要用 AI”；企业真正怕的不是同类对手，而是善用 AI 的新物种抢生态位。

harness 不等于壁垒。 演进链条是提示词工程 → 上下文工程 → 驾驭工程（harness）→ 环境工程。概念不重要，重要的是它当初解决什么问题（OpenAI 解决”AI 吞吐量太大、人审不过来”；Cursor 解决代码规范与 multi-agent 通信）。真正的不变项是”知识工程“——一个业务有 5 个角度要照顾，没在业务里浸泡过的 AI 只能覆盖 3 个，剩下 2 个就是公司之间的差距。”软件变便宜”只是写代码变便宜。

可操作清单

  1. 一号位先定意图：别把转型交给 IT 部门。
  2. 先盘工作流：按岗位与重复周期列大表，按耗时加权算替代率，再选工具。
  3. 配 10 人量级 FDE，一人对 2 个部门；考核是改掉了多少工作流，而非写了多少代码。
  4. 用答辩做筛选与承诺：会建专家、会建技能、讲清自己每项工作如何被替代；通过即留用，公开小额奖励。
  5. 别一上来换系统：接在企业微信/文档/ERP 等既有习惯上，习惯成本常被低估。
  6. 建 agent 四件套：沙箱、存储、可观测性、token hub 多模型路由。
  7. 补 context 六要素：把目标、汇报关系、项目进展显式开放给 agent。
  8. 划清权责：谁判断、谁执行、谁审核；AI 不担责。
  9. 三人成队：规划/执行/审核，前后两端用最强模型，执行层靠审核打回；跨部门按”立场冲突”配人。
  10. 先摘低垂果子：财务、HR、质量运营的信息路由，再动架构与权限分级。
  11. 衡量业务产出而非 token：token 是输入；结构服从目标，裁的是上传下达的岗位。

局限

  • 样本集中且偏成功叙事：核心数据几乎都来自她参与或对谈的公司（WorkBuddy 生态、徐建的代运营公司、北辰青年、TCL、明略），Block 属二手拆解，缺同行业失败对照。
  • 数字来自自评与访谈：1400 条、77%、80%/50% 都是企业内部口径；她本人也提醒”体感提效通常高于实测”。
  • 主张难证伪、成本侧缺细账：”连续谱系”留了余地，但”AI 原生”倡导者的立场带叙事色彩；2000 元奖励、730 美元/月订阅、10 人 FDE 都是小样本，规模化 ROI 与返工成本未给。
  • 转写存疑、建议偏原则：workbody、洛克巴底、张雨彤、孙俪、Oppos 4.8 等人名术语已标注”存疑”；扁平化、三人单元、因人定岗在强层级、强合规行业（制造、金融国企）的可行性未验证。