中层消失、专家被蒸馏、超级个体单干，公司还需要多少人？ - LOL下注
老板交给你一个原本需要两周完成的任务，但今天，你借助几个AI Agent，一个小时就搞定了。
那么，你会在什么时候交付？
清华大学经济管理学院教授、《AI原生组织》作者李宁曾在课堂上向学生提出这个问题。多数人的答案是“两周后”。
这个答案，实际上也回应了另一个疑问：为什么当个体借助AI迅猛提升效率时，企业组织却常常感受不到生产力的跃升？
水面下的个体早已暗潮涌动，水面上的组织却依然风平浪静。
公司投入重金购买工具、消耗Token，每个人都似乎变快了，但企业的整体产出并未发生根本性变化，反而催生了大量重复和冗余。
问题的核心，早已不在技术本身，而在于那个运转了两百多年的商业底层逻辑。
从亚当·斯密笔下的“制针工厂”开始，现代公司制度的本质就是四个字：拆解与整合。因为人的能力存在边界，我们才将一个完整的目标分解，创造了工种、部门、职级。之后，再用漫长的会议、复杂的审批和庞大的中层管理，将无数个“局部的人”重新组合在一起。
如今，AI正在瓦解这套逻辑的根基。当写前端的程序员顺手搭好后端和数据库，当五十人的业务部门可以被三个带着Agent的人悄然替代，传统分工的边界正在迅速消融。
但另一面是，当“生成”变得极度廉价，“验证”却成了新的瓶颈。几百个Agent可以瞬间输出惊人的工作量，却无法替人类分担哪怕一秒钟的犹豫、判断与抉择。
组织的分工逻辑，正在从“按工作量切分”，转向更隐蔽的“按认知带宽切分”。
更深层的博弈发生在水面之下。当企业要求员工把赖以生存的经验写成Skill、沉淀为公司的数字资产，这无异于让卤肉师傅以普通月薪交出祖传秘方。“反蒸馏”、“留一手”、“影子AI”开始在写字楼里蔓延。这说明旧的雇佣契约已经无法容纳被AI放大的超级个体，但新的利益分配机制尚未形成。当执行的门槛被彻底抹平，人类留在牌桌上的最后筹码，只剩下定义问题的能力，以及那个最难被量化的品味。
近日，《沸腾之下》与清华大学经济管理学院教授、《AI原生组织》作者李宁进行了一场长谈。
在这个所有人都试图向AI索取确定性的时刻，他向我们拆解了组织与个体之间正在发生的权力转移。
01
一个人能干更多事以后 组织还要做什么
沸腾之下：我们先聊聊组织为什么存在。它和大家聚在一起干活有什么不同？
李宁：这可以追溯到亚当·斯密讲的分工。他在《国富论》里举制针的例子，把工序拆开，每个人只做一部分，效率就会高很多。
为什么要分？因为一个人不可能把所有技能都学会。以前做软件，有人搞设计，有人搞数据库，有人做运营。我们的教育也是这样，上大学选专业，最后在一个行业里深耕。
但分工越来越细，又产生了摩擦成本。事情越复杂，要协调的人就越多。
现在有了AI，你把需求定义好，它能做前端、后端，也能搭数据库。原来的分工就开始别扭了：我能干你的活，你也能干我的活。做前端的人顺便问一句后端怎么搭，AI就给他干完了。组织得重新思考，这些人怎么一起工作。
沸腾之下：那至少在编程这类领域，一个人带着多个Agent就能把事情做完，组织岂不是可能没有存在的必要了？
李宁：但这和全知全能还不一样。AI有上下文限制，也需要人告诉它，什么东西值得做。比如我们做科研，定义好一个有价值的问题，它能做得很好；让它自己找问题，特别是在主观性比较强的领域，目前还不行。
再往下问，一个人加AI行不行？这里还有人的认知资源限制。我花十分钟交代一个想法，AI可能干一天，但中间会回来让我做决策。我等它的时候，可以再开一个项目，可开到五六个，很多人就说：“我都没有想法了，没办法让AI给我干活了。”
所以可能还要分工，只是分的东西变了。一个产品我从前端到数据库都能跑通，不等于每个细节都能想清楚。页面挺好看，是不是最优解？用户用起来怎么样？AI生成一版，我看十分钟，再想半小时，耗的还是我的认知资源。
一个项目可以让几百个Agent一起跑，但它们解决了工作量，未必解决了人的判断和注意力问题。
沸腾之下：即使在模型公司，训练模型这么复杂的事，一个人也没办法全部掌握。是不是仍然需要一个主导者，其他人补足他的带宽，形成一个小一点的金字塔？
李宁：对，小一点。一段时间内确实如此，只不过人与人的差距没那么大。以前实习生和CEO很难坐在一起讨论战略，认知对不齐。现在大家掌握的知识、理解问题的背景，可能会更接近，沟通方式也会变。
沸腾之下：我还在想，组织除了分工，还有供应链、谈判能力这些优势。这些似乎不能完全被AI取代？
李宁：是，AI现在主要处理的还是数字世界。农业、制造业里也有设计、信息流，但还有土地、生产这些东西。AI可以优化它们，不等于替代它们。所以不是所有组织最后都会变成一个样，会有混合型。
我们也会把任务分成两个维度来看：生成和验证。以前很多人负责干活，最后由专家验收，瓶颈主要在生成；现在一下出来很多东西，验证反而跟不上了。
当然，也有些任务AI见得少，生成本身就困难；有些判断高度主观，没有明确标准。这些地方，目前受到的影响会小一些。
沸腾之下：也就是说，组织改造还得让人更好地做验证，对吧？
李宁：对。数学、代码为什么跑得靠前？因为能验证，给它一个明确的奖励函数，它知道做得更好还是更差，就能不断改进。但你说一篇文章怎样才算好，除了语言、语法，还有品味，就没那么简单。
不过，这部分也在变。比如我把过去给学生的批注整理成Skill，里面就有我怎么判断研究的经验。我们还微调过一个专门评价研究想法的小模型，看它是否符合顶级期刊的品味。这个效果甚至超过专家和一线大模型，因为它学到了领域数据里的隐性信号。
别的事它不会，但这一件事它能做好。
以前咨询公司要很多初级员工帮忙搜索、写报告，最后由专家跟客户谈。以后报告可以很快写出来，但专家有没有时间看？我们现在一天能出一篇论文，根本看不过来。
组织要解决的瓶颈，跟以前不一样了。
02
超级个体的冲击
沸腾之下：前一阵讨论token maxing，大家用了很多Token，产出很多，但组织没变，最后还是过不了验证这一关。各自做Skill，也可能在重复劳动。这个问题怎么解决？
李宁：我上课经常问一个问题：老板给你一个任务，两周时间，觉得优秀员工才能做完。你用Agent，一小时就干完了，什么时候交？很多人说，两周以后。
个人提效了，组织却看不到。还有些事情原本不需要十个人做，但岗位没变，十个人各带一个Agent，做出来的东西自然差不多。
所以要先想清楚需求。比如我们有十个新产品要做，再让大家去做。如果还是这一个产品、这点客户，只让大家多用Token，出口在哪里？初期不算完全浪费，至少学会了怎么用，但长期不能只停在这里。
Skill也是。员工进公司有工牌、权限、培训，Skill却很“野生”：你做一个觉得好，就分享给我。里面有没有风险，谁认证、谁管理？这些都还没跟上。
沸腾之下：您考察了不少公司。现在比较AI原生的组织，已经在发生哪些变化？
李宁：一类是在生成式AI出现后成立的公司，人少，遇到问题先想能不能让AI做。另一类是原有企业，完全转过来的还很少，更多是一个部门、一个业务点先变。
比如供应链专家，以前要把需求交给产品经理，再找IT开发；现在可能自己把系统搭起来了。做得比较好的，是让懂业务的人把整件事做下来。
但难处往往在内部。一个五十人的部门，由创业元老带着，可能三个人加Agent就能做，这个部门怎么动？谁有动力动？业务又不能停，也不知道改完能不能达到原来的效果。
我们见过一些企业另起一个小团队，旧的继续做，找两三个AI原生员工并行试。就像房子要装修，但人还住在里面，先在外面准备一套，弄好了再说。
早期成本可能反而会上升。
沸腾之下：除了人少、围绕项目做事，还有什么不同？
李宁：人的职责会扩大。以前很多事情要分给不同岗位，现在一个人能往前、往后多做一些，协作方式也就变了。
这跟过去数字化转型不一样。以前是把信息流搬到云端，流程大体不变；现在是流程本身要变，而且常常从一个部门、一个点开始。
以前考验组织的是，能不能把一千个人组织好，朝一个目标走。现在更重要的是，能不能找到超级个体、激励好他们。管理大军团和管理特种兵，用人方式肯定不同。
沸腾之下：那再往后看，AI原生公司会往哪个方向走？
李宁：我觉得一定要成为创新组织。以前效率高、成本低，就有竞争优势。现在我们看很多初创团队，工作方式已经很像了：大屏幕、语音输入，一台电脑挂五六个项目，人的认知带宽几乎用满。
差别在于能不能找到新需求。不一定是很大的需求，在一个小领域里把用户的痛点解决好，也可能有机会。
沸腾之下：但需求有时也很明确，比如我就是想把产品卖出去。大厂用数据、A/B测试来判断，AI做统计、预测可能更好。那人的判断是不是也会被取代？
李宁：你说的是已经看得到的范围。网站按钮怎么放、电商怎么定价、促销怎么组合，这些渐进式改进，可以通过测试来做。
但还有未知的空间，那些以前没有见过的需求。这就像马奇讲的“探索和利用”，探索这部分，目前仍然需要人给方向。
沸腾之下：那未来可能就是几个有天才想法的人组成小团队，去做颠覆性创新？
李宁：我觉得不光是天才。
大厂的人才密度很高，为什么没做出来？这里有组织导向的问题。
我们接触很多大厂，天天讲ROI。可创新的东西以前没见过，你怎么用历史数据算多久回本？如果所有事都得先回答这个问题，很多尝试就做不了。
沸腾之下：现在的组织还是更偏向维持运行，是吧？
李宁：对。员工有个想法，要论证、开评审会，给绿灯、给资源以后才能做。以前这样有道理，开发要投入很多人和时间。
现在成本结构变了，开论证会可能才是最贵的环节。有开会的时间，交给AI，demo都出来了。
有些小团队就要求每周拿出几个点子，再从里面挑。
不是嘴上说说，要有能看见的原型。
03
一个人的能力 究竟能扩到哪里
沸腾之下：我们再谈超级个体。
每个人的经验、技能都有偏向，要在各个领域都能判断，我觉得还是很难。如果一个组织里百分之九十九的人没有这个能力，以后就只组织那百分之一的人吗？
李宁：我觉得不一定只有百分之一的人有潜力。现在有几个问题还没解决：怎么识别这样的人，什么人能培养出来，以及长期的人才梯队怎么接上。
比如初级岗位减少了，大家都需要判断专家，那专家从哪儿来？以前是从实习生开始“干中学”，做七八年、十几年，慢慢成为专家。但这只是过去分工方式下的一条路，不见得是唯一路径。
有了AI，学习方式可能会变。我见过一些人，开始并不觉得他是超级个体，接触Agent后像打开了一扇门，钻得很深，可能两三周就对一个领域很精通了。
这里不光是智商差异，还有学习的方向、方式和目标。以前我们花很多时间练操作、学技巧，却未必想清楚这个领域到底怎么回事。现在实操可以交给AI，但基本概念得借助它学明白。理解得深，才有可能迁移到别的领域。
沸腾之下：但一个人掌握全链路，通常也还是在某个行业里。让一个不懂生物的人明天去研发新药，他没有验证能力，基础专业训练是不是绕不过去？
李宁：这个差异是有的。比如我们学科，学生用自己的Skill，甚至用我的Skill，出来的东西仍有细微差别，哪个更好，他不一定能判断。
但能不能借助AI学习，弥补专业差异？一个月以后能不能判断，或者三个月？我觉得学习可以很快，取决于他有多强的动力。
读一个博士要涉猎很多东西，现在如果只聚焦一个很专的方向，比如某一类新药或筛选，能不能在一两个月达到很高的水平？
其他原理了解有限，但在这个小方向上达到专家水平，我觉得是可能的。
沸腾之下：拿我自己的经历来说，我想做网页，但没受过艺术教育，连描述一个风格都很困难。学过艺术的人就知道怎么跟AI说。AI能给我一个差不多的设计，可要做得好，还是需要那些积累。
我当然也能学，但再快也得花时间。一个已经懂的人就在这儿，马上可以做。对不缺人的组织，是让一个人从头学会所有事，还是让已有专长的人分工，效率更高？
李宁：如果有这个条件，当然是把已有专家变成AI原生人才。他本来就有判断力，又能用AI做，这才是最优解。
问题是，有些人经验多，也容易陷在旧的做事方式里。现在还需要跨界，有时恰恰是因为能按AI原生方式工作的人少。
如果大家都转过来了，还是会各有所长。比如我擅长设计、客户交互，但也懂一点后端，交给你的东西就不会完全接不上。
一个项目最后可能三个人：一个人做客户和设计，把demo跑通，一个人把数据库效率做到更好，另一个擅长运维。
以前三十个人分得很细，现在能力有重叠，也保留专业差异。
沸腾之下：所以还是多人一起做，只是我多懂一点你的工作，沟通就容易了。把具体操作省下来的时间拿去学这些，原来的摩擦也会少一些。
李宁：对。我知道后端怎么回事，设计也会变。否则天马行空，后端说做不了，又得来回改。
沸腾之下：书里还讲到任务制。以后不固定在一个岗位上，任务换来换去，工作积累和发展路径没那么明确，一般人会不会很难适应？
李宁：叫岗位也可以，只是性质不同了。以前你只做其中一个环节，做完交给下一个人。以后更需要自己定义问题，中间引导AI，最后把结果验收好。
如果我交给你，你还得从头检查，那跟AI直接给你的东西有什么区别？我应该对从自己这里出去的东西负责，让它已经达到人的验收标准。
这就需要培训和教育跟着变。
大学以前的专业划分，是为了适应企业分工。现在大学也在讲交叉学科、淡化专业，只是没有那么快。
04
员工成为合伙人以后
沸腾之下：但组织培养出超级个体以后，可能组织需要他，他却不怎么需要组织了。公司怎么留住这样的人？
李宁：现在的一些探索，是把员工变成合伙人。像律所，没有多少固定资产，最宝贵的就是人才，所以合伙制在这些行业已经跑通了。
很多大厂过去觉得，是公司给你平台，你的收入是赶上了时代。有AI以后，人的价值可能反过来被放大。前沿科研团队、AI公司，有时就是几个领军人才决定方向。
公司得围绕这个变化重新考虑怎么管理、怎么分享收益。也不只是钱，还有大家愿不愿意跟这群人一起，做一件觉得有价值的事。
沸腾之下：具体到利益分配，会怎么变？
李宁：以前有能力也未必敢出去，
发表评论