摘要 模型在进步,组织却还停在原地。AI 的下一幕不在参数里,而在组织里。岗位收敛为任务,经验沉淀为资产,流程闭合成进化。研究院必须先把自己变成一个智能组织,同时啃下真正的核心技术。
这几年,我参与评审、走访、共建过的人工智能项目不算少。有一个现象越来越清晰。
同一批模型,同一套工具,装进两家企业,一年之后,差距大得不像在同一个行业里竞争。
一家把 AI 接在原来的流程上,当一件更快的工具用。另一家把任务重新拆开,让人、Agent、数据重新排布了一遍。
模型是公开的,差距是从组织里长出来的。
前不久,李彦宏提出一个判断,人工智能的下一幕是智能组织。我非常认同,甚至认为它对今天的研究机构来说,比对任何一家企业都更紧迫。
他给出三条原则,打破岗位边界,沉淀隐性知识,设计流程闭环。看上去是管理学的说法,往下想一层,全是技术命题。
01
下一幕,为什么在组织
过去三年,我们习惯用参数、榜单、算力来衡量 AI 的进步。这些指标还在涨,但企业之间的 AI 收益曲线,已经明显分叉。
分叉的原因,不是谁先拿到更强的模型。模型会追平,能力会商品化,接口迟早会变成水电一样的基础设施。
真正拉开差距的,是组织有没有能力把一次模型进步,变成一千次任务的复制。
技术扩散从来不是技术问题。
电力从发明到真正进入工厂,用了四十年。转折点不是发电机效率又提高了一点,而是工厂拆掉了那根贯穿车间的传动轴,把机器按工艺流程重新排布的那一天。
AI 现在卡在同一个位置。模型已经进了门,组织还没有重排。
下一幕的竞争,
不在模型层,在组织层。
这也是为什么我把「组织智能」看得比「模型能力」更重。模型是全行业共享的变量,组织才是每家机构自己的变量。
02
三个原则,其实都是技术问题
打破岗位边界,释放组织活力
岗位是工业时代的单元,任务是智能时代的单元。
这句话值得多停一会儿。
岗位封装的是「一个人负责什么」,任务封装的是「一件事怎么被交付」。当执行环节越来越多地被 Agent 接走,组织真正稀缺的就不再是人手,而是能把一件事定义清楚、验收清楚、复用起来的人。
岗位不会消失,但会收敛。我理解会分成两类。
一类是 Builder,创造新东西的人。定义问题,做出原型,把想法变成可以运行的东西。
一类是 Seller,连接人的人。让对方产生情感,建立信任,把价值真正传递出去。
中间那一层呢。汇总、传话、协调、催进度的岗位,恰恰是 Agent 最擅长替代的部分。
这不是裁员逻辑,是组织结构的物理变化。未来的组织依然存在,但它是一张以任务为核心、人和 Agent 协作的任务网络。
图 1 组织单元从岗位迁移到任务,人是节点,Agent 也是节点
沉淀隐性知识,构建组织智能
员工脑子里的经验,只是个体能力。
组织智能和个体能力最大的不同,就在于隐性知识能不能显性化。经验留在人身上,人一走,组织就归零。经验沉淀到平台上,可以持续累积、随时调用、人人可用,这才叫组织智能。
我想在这个基础上再往前推一步。
显性化不等于文档化。
把老专家的经验整理成一份厚厚的 PDF,那不叫显性化,那叫存档。存档不会自己跑起来。
真正的显性化,是让知识变得可执行。写成流程,写成数据集,写成评测基准,写成一个能接任务的智能体。
检验标准只有一条。换一个人来做,能不能做到同样的水准;换一个 Agent 接手,能不能跑通。
沉淀得下来的知识,别人抄不走、挖不动、买不来。通用能力人人都能买到,叠加了自己独有的知识、上下文和文化理念,才变成别人复制不了的壁垒。
组织智能,
是企业最深的那条护城河。
设计流程闭环,推动组织进化
智能组织不是一堆流程拼起来的机器,它是一个能自主进化的系统。
可以用一个公式来描述,可衡量 + Looping = 持续进化。
人和 AI 围绕一个任务形成一个 Loop,一轮一轮迭代,这种方式我叫它 Looping。无数个 Loop 叠在一起,公司就变成一个高度自动化运营、并且不断学习和进化的组织。
这里我要把「可衡量」三个字单独拎出来讲。
没有度量,循环只是重复。
一个 Loop 如果没有清晰的验收标准、没有可回流的运行数据,转一千圈也只是原地打磨。留下数据的 Loop 才是进化,留不下数据的 Loop 是空转。
所以我一直说,智能组织首先得是数据组织。
图 2 Looping 的四个环节,缺了度量,飞轮就变成了磨盘
03
三大机会,现在是最佳的时间
第一,轻资产运营。
一个人或者很少的人,带着一群 Agent,就能完成过去一个部门才能完成的任务。人力不再是扩张的瓶颈,迭代速度会明显加快。
更关键的是试错方式变了。同一件事,企业可以并行跑很多个小实验,而不是一次押注一个团队。组织轻装上阵,才敢去碰以前不敢碰的增长机会。
第二,构建新护城河。
把顶尖员工的隐性经验沉淀成可复用的数字资产,封装成智能体模块,可以毫秒级部署,7×24 小时运行。
这件事的妙处在于,不同顶尖人才的经验显性化之后,还能互相借鉴、融会贯通。集体智能有机会超过个体天才的简单相加。
第三,创造和发现新市场。
能够自我进化的组织自带一个闭环,感知变化,快速试验,持续学习,规模复制。创新不再只依赖少数创新部门,而是全组织并发探索。
新市场往往是被这样撞见的,不是被规划出来的。
04
研究院下一步的发展方向
我的判断很明确,研究院要率先向组织智能进化,同时把人工智能核心技术的研究强度提上去。这两件事不是两件事,是一件。
组织侧,先把自己做成试验田
第一,从岗位制转向任务制。以任务为单位组队,跨实验室、跨学科,谁能把任务做成谁上。部门的边界,让位于任务的边界。
第二,把知识变成资产。每个项目结束,沉淀的不该只是一份报告,还要有数据集、工具链、评测基准和可复用的模型模块。研究院的价值,要用沉淀下来的资产来衡量,而不只是数完成了多少项目。
第三,让 Agent 进入科研流程。检索、复现、调参、测试、文档,这些重复劳动交给 Agent,工程师的时间回到假设、判断和创造上。
第四,让每个课题都可衡量。立项有指标,过程有数据,结题有验证,成果能回流到下一个任务。这就是科研的 Looping。
这四条听起来像管理动作,做起来全是技术活。任务怎么拆,知识怎么抽,过程怎么度量,都需要方法,也需要工具。
技术侧,核心技术必须自己啃
再说技术。
组织智能的上限,由核心技术决定。
只会调用别人的接口,能做出好用的应用,但做不出护城河。护城河永远长在自己啃下来的那部分技术上。
接下来,研究院会把研究力量进一步集中到几个方向。
大模型与高效训练推理。在有限算力下把模型做好,是我们必须自己解的一道题。
智能体与多智能体协同。这是组织智能的技术底座,任务怎么被理解、被拆解、被协作完成,都落在这里。
多模态与具身智能。机器要走出屏幕,进入工厂车间、建筑工地和矿山现场。
可信与安全。越往生产系统里走,可信越是入场券,不是加分项。
国产算力适配、数据与评测体系。这些是底座,也是最容易被别人卡住的地方。
这些方向不轻松,也不快。但它们决定了五年之后,我们是在定义问题,还是在答复别人定义好的问题。
组织智能不是管理概念,它本身就是一个技术命题。
任务怎么建模,隐性知识怎么抽取,协作过程怎么度量,智能体怎么编排,效果怎么评估。每一项都得有人沉下去做研究,而不是买一套系统就算完成了智能化。
图 3 组织是容器,技术是引擎,缺一边都跑不起来
05
现在,就是进化的时刻
我们这一代做人工智能的人,前半程在造工具,后半程在造组织。
工具决定你能做多快,组织决定你能做多远。
智能组织不会从 PPT 里长出来,它只能从一个真实的 Loop 里长出来。跑一轮,留下数据,改一版,再跑一轮。
现在,就是推动组织智能进化的时刻
李颖悟
湖南省人工智能研究院院长
长沙市智能存算产业促进会会长

