Muse爆火背后：Meta这一年多是如何重构AI组织的？

Meta可能是大厂中调整AI组织最激进的一家。这些调整有没有效果，过去很难判断。现在，Muse可能让这些变化有了一个清晰的产品出口。

9月8日，Meta上线个人AI Agent Muse。十天后，它登上美国免费iPhone应用榜第一。到9月22日，市场研究机构Sensor Tower给出的下载量已经超过250万。Meta股价也在发布后明显上涨。

Muse引发了不少讨论。相比产品功能，我们更关注它背后的组织逻辑。因为产品发布只是一瞬间，团队、资源和责任的调整，往往提前半年甚至一年影响结果。

而把时间往前拨一年，我们会看到另一条线：Meta重建AI决策中心，重划研究与产品的边界，裁减约600个岗位，重建技术栈，并让员工成为第一批真实用户。

Muse是一款面向普通消费者的个人AI Agent。用户可以在独立App里和它对话，也可以直接通过WhatsApp发消息。

它会打开浏览器、填写表单、订行程、整理邮件、搜索商品并完成结算。遇到发送邮件、购买商品等敏感动作，系统会停下来请求用户确认。任务时间较长时，用户关掉App，它仍可以在后台继续推进。

Muse还有一台自己的云端电脑。Meta称它为Muse Secure VM，里面有独立浏览器、文件系统和终端。主Agent可以写代码、创建工具、调用多个子Agent。

安全边界由一个独立的Sentinel系统负责。Muse提出动作，Sentinel决定放行、拦截，或把授权交回用户。密码和支付信息保存在隔离区域，模型看不到真实凭据。

这套产品的门槛不在聊天能力。难点是让Agent接触邮箱、日历、支付和浏览器后，仍能被约束、追踪、随时接管。

2025年初，Meta的AI力量分散在几套体系里。FAIR承担长期研究，GenAI团队负责Llama等基础模型，Meta AI及各应用团队负责产品。基础设施又由另一批团队支撑。

但Llama 4把问题推到了台前。它在2025年4月发布后反响不及Meta预期，旗舰模型Behemoth也未按原计划推出。路透社随后把MSL的成立与Llama 4反响欠佳、核心人才离开联系在一起。

2025年5月底，Meta先做过一次调整。AI产品与AGI Foundations被拆成两个团队，FAIR仍然独立。时任首席产品官Chris Cox在内部备忘录里提出两个目标：增加各团队的责任范围，同时把依赖关系降到最低并明确写出来。

这句话已经点出症结。Meta缺少的并非某个单独岗位。研究、模型和产品之间的接口太多，责任又分散。遇到模型效果、安全边界或产品优先级冲突时，决定很难快速落到一个人身上。

关键点发生在2025年6月，Meta以143亿美元投资Scale AI并获得49%股份。Scale AI创始人Alexandr Wang随即进入Meta。

月底，扎克伯格宣布成立Meta Superintelligence Labs，即我们熟知的超级人工智能实验室，Wang担任Meta首位首席AI官，直接向他汇报。

两个月后，MSL被重新划成四块。

四块组织对应一条完整链路：长期研究提出方向，模型团队完成训练，产品团队把能力推向用户，基础设施负责规模化。研究、模型、产品和算力都有清晰负责人。

这里最值得注意的是TBD Lab的尺寸。Meta CFO Susan Li在2025年9月对投资人说，这支团队只有几十名研究人员和工程师，定位是一群人才密度很高的人，负责未来一到两年的前沿模型。

一年前，2025年10月，Meta确认削减MSL约600个岗位。受影响的主要是FAIR、AI产品和AI基础设施团队，新成立的TBD Lab基本没有受到影响，仍在继续招人。

Alexandr Wang在内部备忘录里解释，团队缩小后，决策需要的沟通会减少，每个人要承担更大的工作范围和影响。

“Fewer conversations will be required to make a decision.”

做一个决定，需要参与的沟通更少。

这次裁撤不能直接解释Muse后来的成功。下载增长还受Meta的分发能力、免费策略、新鲜感和市场时点影响。

但组织变化提供了一条可观察的因果链：权责被压到更少节点，前沿模型团队保持高密度，研究和产品各自有明确接口。Muse随后沿着这条链路出现。

2026年4月，MSL发布首个Muse系列模型Muse Spark。Meta在公告里写道，MSL用了九个月从头重建AI技术栈，这是公司经历过最快的开发周期之一。

三个月后，Muse Spark 1.1开始驱动Meta AI执行任务。它可以连接邮件和日历、制作演示文稿、持续跟进计划。9月8日，就是我们开头说到的，能力被装进一个独立个人Agent，Muse正式上线。

对企业来说，更值得研究的是Meta把组织变动、技术栈和产品发布压进同一条节奏里。每一段都有交付物，也都有下一个团队接棒。

Muse在Meta内部的代码名叫Hatch。Meta官方披露，团队从2026年初开始内部使用它。

员工让Hatch进入自己的收件箱、日历和Shell，还允许它在无人值守时继续工作。很多安全设计就从这些真实使用里长出来：独立运行环境、细粒度权限、Sentinel审批、凭据隔离和完整操作记录。

这个过程和传统的“开发完成—测试—上线”有明显差别。员工工作流本身就是实验场。Agent进入真实任务，暴露问题，模型、产品和安全团队一起修，再扩大使用范围。

Reuters在9月22日的报道也提醒我们，内部试用会暴露难看的问题。Meta曾让人工承包商接手Muse的一部分电话任务，并向约一半员工开放测试。员工提出隐私和披露风险后，这项功能被暂时停止。

这段插曲给Muse的“全自动”叙事打了折扣，也说明试用机制确实在产品大规模推开前发现了问题。AI Agent越深入现实流程，越需要把技术能力、人工兜底和信息披露放在同一个设计里。

Meta的AI组织实验没有停在小团队和扁平化。2026年9月，公司明确告诉工程师，不会用AI adoption dashboard或Token数量评价个人影响。管理者要看产出质量、交付速度、问题复杂度和承担范围。

Applied AI部门也出现了另一轮调整。媒体报道称，这个约7000人的部门曾采用最多约50名个体贡献者对应一名管理者的扁平结构。最近，公司开始邀请部分个体贡献者重新担任Manager。

这些动作都指向同一件事：Meta在按当前瓶颈调组织。

AI原生组织没有一张固定结构图。Meta去年在压层级，今年又给部分团队补管理者；前沿模型团队仍保持几十人的高密度，产品化组织却有数千人。

组织设计的对象正在变化。管理者要盯住瓶颈出现在哪里，再决定该集中权力、扩充平台、减少节点，还是补回管理。

01｜把小核心放在最稀缺的判断上

小团队适合做方向判断、模型路线和关键架构。产品、数据、安全、算力和推广仍需要平台化能力。别把“小团队”误读成“少配资源”。

02｜让员工成为首批真实用户

选一批高频、可追踪的真实任务，让Agent进入收件箱、日历、文档和审批。记录失败路径、人工接管点和安全事件。Demo通过不算完成，真实工作连续跑通才算。

03｜把AI考核拉回业务结果

推广期可以看周活、调用量和覆盖率。进入绩效评价后，要回到质量、速度、问题复杂度和责任范围。使用量是过程信号，不能替代价值判断。

04｜给组织保留回调能力

扁平化带来速度，也可能制造超大管理跨度。集中决策减少摩擦，也可能让外围团队失去声音。组织调整要有复盘日期、异常信号和回调机制。

一年前，Meta的AI部门还在反复重组。十五个月后，它已经跑出Muse Spark、Agent能力、安全系统和一个登顶应用榜的消费产品。

产品会继续变，团队也会继续调。AI原生组织的竞争力，正在体现在这套持续纠偏能力上。

如果您遇到消费AI方面的问题与困惑，欢迎各位与我们一起学习交流！

-END-

📍关注消费AI进化体｜赋能组织AI转型

我们聚焦大消费行业（餐饮、零售、快消）的AI转型升级，坚信人在AI技术变革下起关键作用，以最精炼的方式帮助管理者掌握推动AI组织团队升级的框架、方法、工具，从而更好推动 AI 在团队中的真实落地，提升团队效能和组织上限。

扫码添加小编微信，加入AI餐饮交流群

（加好友请务必备注：公司＋职务）

投稿联系：樊老师13332662349（微信同号）
业务合作：贝老师13392164760（微信同号）

消费AI进化岛平台

媒体·投资·培训·峰会

点击关注 了解更多资讯