别只谈超级个体，AI 时代更需要重建组织操作系统

你好，我是曹犟，欢迎关注我的公众号。

最近听说国外某知企业的 IT 一把手，因为不够拥抱 AI 不够积极被换掉了，继任者上任后全面推动 AI 转型，并把组织变革列为第一优先级，选择的切入点则是"把每个人打造成超级个体"。

我不评价这次管理者替换本身，“超级个体”这个切入点，我也并不完全认同，但非常认可继任者把“组织变革”放在了第一优先级，他抓住了一个更底层的问题：AI 不是单纯的工具升级，而是组织运行方式的根本变化。

这种变化首先体现在组织的节奏上。过去组织想做一件事情，通常要先立项、定预算、组团队，再开会、排期、评审、审批。人越多，动作越复杂，看上去也越“正规”。但 AI 会显著压缩从想法到原型、从原型到上线、从用户反馈到产品修改的周期。如果组织仍然沿用传统节奏，很多时间就会消耗在同步、对齐和审批上，真正面向客户的验证反而变少。

所以，组织要改，不是因为“拥抱 AI”这个口号时髦，而是因为原有的组织形式已经跟不上 AI 带来的新生产力了。

正好最近 Anthropic 发了一篇文章 The Founder's Playbook，讨论 AI-native 创业公司应该如何从想法、MVP、PMF 一路走到规模化。虽然它主要讲的是创业本身，但里面有不少关于组织方式的洞察。所以这篇文章借着这份 playbook，结合我自己的理解，谈谈 AI 时代组织到底应该怎么变。

一、不知道怎么改，但组织必须改

先说一个可能有点像废话的判断：我可能不知道组织应该具体怎么改，但我非常赞同组织必须要改。

AI 的能力还在持续进步，AI 对组织的影响还在持续发酵，没有人知道终局会是如何。今天很多观点，要么过于激进，好像明天所有公司都可以只剩下几个人；要么过于保守，只把 AI 当成一个提升个人效率的工具。而我目前的看法介于两者之间。

AI 当然会提升个人效率，但我现在越来越觉得，它真正改变的是组织里的摩擦、节奏和反馈方式。AI 时代的组织变革，不只是把每个人都变成“超级个体”，更重要的重新改造人、AI、流程和上下文之间的关系。

但这种改造有一个前提：执行速度变快之后，组织的理解力、判断力和纠偏机制必须同步升级。 否则执行越快，组织跑偏的风险反而越大。

二、“超级个体”是方向，但不是全部答案

“每个人都是超级个体”这个说法当然有道理。

在 AI 的帮助下，一个人的能力边界确实会明显扩大。正如 Anthropic 的 playbook 里提到，AI-native 创业公司可以在很小的团队规模下完成过去需要更大组织才能完成的事情。一个创始人或者一个很小的团队，可以借助 AI 完成调研、产品原型、代码实现、运营流程自动化等工作。

我在之前的文章AI 时代，组织应该如何重新设计？里也分享过类似的实践：我们 3 个人的小团队做一个新产品，每个人都用 AI 来完成过去需要多个角色配合才能完成的工作。我们团队没有严格的岗位分工，我负责战略和营销，但也写代码；另一位同事主攻客户沟通和商业谈判，但也参与 skill 迭代和方案产出；还有一位专注工程开发，但同样可以做客户交付。某个人临时缺席，其他人都可以无缝衔接，工作不会停下来。

这种超级个体的模式听起来很美好，但执行起来对人的要求非常高。能跑通的核心条件有三个：强烈的意愿、丰富的跨职能经验、以及对 AI 工具的深度应用能力。

我们三个人都有十年以上的工作经验，都做过很多不同的岗位，在各自领域也踩过足够多的坑。AI 弥补了我们深度上的短板，而我们的经验广度让我们知道该让 AI 往哪个方向补。这种模式显然不适合组织中的大部分初级人才，一个实习生或者刚毕业两三年的人，很难在这种模式下生存。不是因为他们不够聪明，而是他们缺乏足够丰富的经验。而 AI 时代初级岗位的上升阶梯反而在系统性地消失。过去你可以从写简单模块开始，逐步积累经验；但当 AI 可以直接完成大部分执行工作时，“从基础做起”这条路本身就变窄了。

除了经验以外，大部分人也不具备成为超级个体的意愿和能力。这里说的能力，不只是会不会用 AI 工具，而是能不能把 AI 嵌入自己的工作流：会拆问题、会给上下文、会验证结果，也会把一次性的产出沉淀成可复用的方法。面对 AI，大部分安于现状的人顶多停留在基础使用层面，而不会真正投入精力去重构自己的工作方式。

上述种种因素结合，“让每个人都成为超级个体”作为组织目标，听上去很美，但落地时会发现适用面没有想象的那么广。

在这种情况下，如果只是简单地要求每个人都变成超级个体，最后只会变成另一种形式的压榨。

真正重要的不是让每个人无限变强，而是让组织学会重新分配工作：哪些事情该由人来判断，哪些交给 AI 执行，哪些固化为组织自己的能力。

所以，超级个体只是表象。更底层的变化，是组织从“管理人”变成“编排人和 AI 的协作系统”。

三、什么才叫 AI Native 组织

说到这里，值得先讨论一个问题：到底什么叫 AI Native 的组织？

我现在越来越觉得，AI Native 不看组织里用了多少工具，也不看多少人会写 prompt，而看团队是不是默认把 AI 和 Agent 当成工作系统的一部分。

我听过一个粗糙但有意思的判断标准是：当团队遇到一个问题时，花在思考“这件事如何用 AI 来解决”上的时间，已经大于这次任务单次执行本身所需的时间，这个组织才开始进入 AI Native 状态。

这背后的意思是，重点不在于让 AI 完成一次任务，而在于想清楚如何让 AI 稳定解决一类问题。只有到了这一步，AI 的能力才真正开始内化成组织能力。

如果这个判断标准成立，AI Native 组织里会出现几个很具体的变化。

第一，把 Agent 当成一个平等参与协作的“同事”来设计工作环境。

简单理解，就是人能看到的，Agent 就应该能看到；人能做的，Agent 就应该能做；反之亦然。换句话说，组织中凡是基于信息读取、系统操作、文档产出的工作，都应该尽量被设计成 Agent 可见、可理解、可执行，同时人可以追溯和接管。

一个新同事加入团队，你肯定不会只给他一句口头指令，而不给他客户背景、历史文档、系统权限和协作接口。同样，如果组织希望 Agent 真正承担工作，就必须建设 Agent 友好的基础设施和上下文。

第二，提需求的人，越来越成为解决需求的人。

过去提需求意味着把问题交给别人：产品经理写需求，研发评估，设计排版，运营验收。AI 时代，一个更合理的状态可能是，谁最接近问题，谁就先借助 Agent 做端到端的解决。不是所有事情都要等一套完整流程启动，很多问题可以由提出问题的人直接给出第一个版本的答案。

第三，协作会从“人和人反复对齐”，转向“各自带着 Agent”的协同。

过去我们常说要加强沟通，但很多沟通其实是在重复背景、同步状态、解释上下文。未来更好的方式，可能是让自己的 Agent 把背景、约束、判断和当前进展整理成对方 Agent 能理解的结构化信息。人当然仍然要做判断和取舍，但不必把大量时间花在“为了对齐而对齐”上。

第四，员工会重新找回做事的快乐。

快乐不是来自工作变少，而是来自无效消耗变少。很多人真正痛苦的不是做事本身，而是反复解释背景、等待确认、协调排期、推动审批。

当这些摩擦被 AI 和上下文系统吸收掉，人反而可以把更多精力放在真正创造价值的事情上。

而这种价值创造会有一个特点，就是容易让人“上瘾”：一直在做事，一直有产出，一直有正反馈，这种循环会驱动人自发地往前跑，根本不需要传统的管理动作来推动。

就以我自己为例，有不止一个其他部门的同事说，感觉我回到了 11 年前刚创业时的那种状态。

所以，AI Native 不是在旧组织上外挂几个 AI 工具，而是围绕 AI 和 Agent 重新设计组织的工作环境、协作方式和上下文结构。

四、管理者要从审批者变成编排者

Anthropic 在 playbook 里有一个观点很有启发：AI-native 创业公司里，创始人的角色是 orchestrator，也就是编排者。

我觉得这个观点不仅仅适用于创业公司，可以推广到更一般的组织里。

过去很多管理者的价值，主要体现在审批、协调和信息路由上：接收上级指示，分解后传达给下级，再把执行情况汇总回去。我在管理的黄昏，智能的黎明那篇文章里，把这类角色称为“路由器型管理者”。

但 AI 时代，写方案、做调研、生成代码、整理会议纪要、分析数据，这些事情不再天然地需要很多人来排队完成，也就不再需要管理者来在中间做润滑。

举个我自己团队的例子。有一次我在后台看数据，发现官网某个落地页的转化率不太对，个人判断是文案和用户预期有偏差。如果是在传统组织里，这件事的流程大概是：我先提需求给产品经理，产品经理排期，然后找设计师改稿，再找前端开发、测试、上线，中间可能还要经过几轮评审。整个链条走下来，两周算快的。

但现在，我直接用 AI 分析了数据，验证了我的结论，重写了落地页的文案和布局，跑完了测试，然后部署上线，整个过程大概一个小时。

这不是因为我比别人更厉害，而是因为中间没有需要同步、对齐、审批的环节。过去那些环节存在，是因为每个人只负责一小块，所以需要大量的沟通来保证大家方向一致。但当一个人借助 AI 可以端到端地完成一件事时，很多中间协调本身就不需要了。

同样的逻辑也体现在会议上。我们内部会议极少，工作进展主要通过代码提交和 Agent 运行记录来同步。不是刻意避免开会，而是当信息本身就沉淀在系统里、每个人都能直接读取的时候，大部分同步会议确实没有存在的必要了。

所以，AI 改变的不只是执行效率，而是让很多原本用于弥补信息不对称的中间环节，从“必要”变成了“惯性”。

这时候，管理者最该少做的是传话，最该多做的是给系统定边界。具体来说，管理者最重要的能力会变成这么几件事：

1. 定义清楚问题：我们到底在解决谁的什么问题。

2. 设定边界：哪些可以快速试，哪些不能乱试。

3. 提供上下文：为什么这么做，之前试过什么，客户真实反馈是什么。

4. 设计反馈闭环：怎么知道这件事真的有效，而不是看起来有效。

5. 编排资源：哪些由人做，哪些由 AI 做，哪些沉淀成自动化流程。

一句话，管理者要做的不是传递信息，而是创造条件，让系统正确运转，让最接近问题的人能够端到端解决问题。

五、快速迭代是共识，但必须加上纠偏机制

小团队，快速迭代，快速尝试，这可能是目前关于 AI 时代组织的最大共识。

但这种共识背后也隐藏着另一个问题，AI 让执行变得太容易，也会让执行的惯性变大。

以前做一个原型可能要两周，现在一天就能做出来。以前加一个功能要排期，现在下午就能加上。于是团队很容易产生一种错觉：我们做了很多，反馈很多，所以方向应该是对的。在这种正反馈的激励下，团队很容易继续闷头狂奔。

但这未必是真的。Anthropic 的 playbook 里提醒了一点：AI 会让人把“做出来了”误认为“验证过了”。 一个能跑的原型，不等于真实客户有真实需求；一堆看起来不错的 demo，不等于找到了产品市场匹配。

所以我觉得，AI 的高效率给组织带来一个新的风险，就是理解力落后于执行力。我经常用一个比喻：11 年前第一次创业像驾驶一辆时速 30 公里的马车，看到路不对了有足够时间换方向；这次用 AI 重新出发，像换了一辆时速 120 公里的跑车，试错成本骤降、反馈速度飙升，但方向盘稍微偏一点，车就会错出去很远。

AI 让组织执行速度变快的同时，组织反而必须更频繁地停下来，回到最根本的问题：

• 我们解决的到底是什么客户的什么问题？

• 这个问题是客户真实存在的，还是我们自己想象出来的？

• 用户现在的反馈，是长期价值，还是新鲜感？

• 我们新增的功能，是解决核心问题，还是因为 AI 太容易实现所以顺手做了？

• 现在的数据，能不能证明方向正确，还是只证明我们执行很快？

六、组织管理的重点，要从“审批流程”转向“上下文建设”

AI 时代，组织最容易低估的资产是上下文。

对于人来说，上下文包括客户是谁、需求为什么重要、以前做过什么、哪些坑踩过、当前阶段的目标是什么。对于 AI 来说，上下文同样重要。没有上下文，AI 每次都会重新猜测你的意图，看似在高效执行，实际上可能不断漂移。

同样的模型，给它充分的上下文，和不给上下文，产出质量天差地别。组织层面也是一样：你不能只强调“用 AI”，还要强调“让 AI 在正确的上下文里工作”。

到组织层面，所谓上下文建设，不只是多写文档，而是让需求、决策、客户反馈、工具权限和协作记录，都变成 Agent 可以读取、理解、调用和交接的组织资产。这样人和人之间的协作，才可能逐渐变成“我和我的 Agent”与“你和你的 Agent”之间的协作。

这会倒逼很多管理动作被重新定义：

• 需求评审不只是讨论要不要做，而是把用户问题、业务假设和成功指标写清楚。

• 产品文档不只是给研发看，也要让 AI 和 Agent 能理解问题背景、业务假设和验收标准。

• 复盘不只是总结成败，而是把新的判断沉淀为下一次可复用的上下文。

• 项目管理不只是追进度，而是维护目标、边界和反馈机制。

• 协作记录不只是方便人回看，也要能支持 Agent 追溯前因后果，并把信息交接给下一个人或下一个 Agent。

过去组织沉淀的是流程，AI 时代组织还要沉淀上下文。 流程解决“事情怎么跑”，上下文解决“为什么这么跑”。

七、怎么判断组织有没有真的改

说了这么多，怎么判断一个组织有没有真的完成 AI 时代的变革？

Anthropic 的 playbook 里有一个练习很有意思：把所有 workflow、decision、approval 都列出来，然后假设创始人一周不在，看看哪些事情会停下来。

这个方法可以用于任何组织。可以问几个问题：

• 哪些事情只有某个人记得才会发生？

• 哪些客户问题只有某个人知道怎么处理？

• 哪些审批只是因为历史惯性存在？

• 哪些报表、周会、同步本来可以自动化？

• 哪些决策必须由负责人做，哪些只是被动堆到了负责人这里？

• 如果核心骨干休假一周，团队会不会明显失速？

如果很多事情都会因为某个人不在而停下来，说明这不是一个 AI-native 的组织，而是一个把关键上下文塞在少数人脑子里的组织。

AI 时代的组织变革，应该把这些隐性的个人能力，逐步变成显性的组织能力。

八、AI 时代组织需要新的操作系统

写到这里，我最想表达的是：AI 时代组织当然需要更多超级个体，但更需要的是一种新的组织操作系统。

这个操作系统至少包括四个部分：

1. 人负责判断：定义问题、选择方向、设定标准、做出取舍；特别是在快速的执行“狂奔”中，能够主动停下来，重新思考。

2. AI 负责放大执行：快速完成过去需要多人、多轮才能完成的工作。

3. 流程负责稳定复用：把验证过的做法固化下来，让组织不依赖个人记忆。

4. 上下文负责保持方向：把客户洞察、业务假设、历史教训沉淀成 Agent 友好的组织资产，供人和 AI 共同使用。

这四个部分缺一不可：只靠 AI、没有人的判断，组织会跑偏；只靠少数超级个体、没有流程和上下文沉淀，组织很难形成稳定能力；只靠流程和审批、没有快速试错，组织又会退回传统的低效模式。

这里还有一个容易被忽视的不对称：AI 大幅优化了组织内部的协作效率，但并没有改变组织外部的信任构建。在我们自己的实践中，内部的信息流转、方案生成、代码交付都因为 AI 变得极其高效，但客户关系的建立、商业信任的积累，依然需要人去面对面沟通、长期经营。尤其在中国做 ToB 业务，客户信任是一切的基础，这一点 AI 暂时改变不了。

这意味着，当组织用 AI 重构运作方式的时候，过去内部大量存在的“润滑剂角色”可能会面临转型压力，但那些真正面向外部、需要建立人际信任和商业判断的角色，反而会变得更加稀缺。

回到最初的问题，AI 时代组织应该如何变革？我的答案是：重新设计人、Agent、流程和上下文之间的关系。减少人不是目的，把所有人逼成超级个体也不是答案。真正关键的是，把 Agent 当成新的、可以持续成长的协作对象来设计组织。与此同时也要清醒地看到，AI 重构的更多是内部效率，外部信任仍然需要人去经营。

最后说一个可能有争议的观点。我很喜欢引用库恩《科学革命的结构》里的一个观察：一个新的科学范式被广泛接受，不是通过说服老一代科学家，而是通过老一代退出舞台、新一代成长起来。组织变革可能也类似：老的组织模式，要么主动转型，要么在市场竞争中被淘汰。当你的对手已经用 AI 原生的方式运作，并且在商业产出上明显领先的时候，你没有第三种选择。

但对于大组织来说，直接全面转型几乎不可能。如果一上来就试图改造整个体系，哪怕你是创始人也很难推动。一个可能的做法是“隔离实验”：用一个小团队在相对独立的环境里跑通新模式，成功了再带着势能回来改造大组织。先做出一个活的样本，比讲一百遍道理有用得多。

一家之言，仅供参考。欢迎大家与我交流讨论。

本文作者曹犟正在和团队打造 Omni-Growth Agent —— 海外全域营销 Agent。我们做了一个不太一样的事：用 1 个 Agent 覆盖 Google / Meta / LinkedIn / Reddit / SEO等多个渠道，而且收入和客户的增长同步 —— 你不增长，我们不收钱。如果你在做海外营销，欢迎免费让 AI Agent 跑一次诊断报告：https://omni-growth.ai/apply.html