一、问题的提出:人人都变快了,公司为什么没变快?
这两年,AI 进步得让人吃惊。它能写代码,能做表格,能陪你把一份方案改上十遍。几乎每家公司都在用,很多人说:我的工作效率翻了一倍。
可如果你问很过公司老板:公司整体是不是也快了一倍?多数人会犹豫。
举个再普通不过的例子。一位客户的设备出了故障,打电话给客服。客服用 AI 查清了版本和日志,转给研发。研发接单后,却又把同样的问题问了客户一遍,因为客服查到的东西,并没有真正“交”到研发手里。研发改好了程序,销售还拿着旧版本的资料去跟另一位客户介绍。
三个人都用了 AI,三个人各自都省了时间。可在客户眼里,几乎什么都没变:还是要重复讲,还是要等,下次升级还可能碰上同样的问题。
这就是今天大多数公司的真实处境:AI 在每个人的手里,却不在公司的“血管”里。每个人桌上都换了一台更快的发动机,公司这辆车,还是原来那辆车。
这篇文章想回答三个问题:为什么会这样?它会走向哪里?我们该怎么办?
二、两种流行的看法,都是错的
谈到 AI 和公司,现在有两种声音最响。
一种叫“工具论”:AI 不过是个更聪明的软件,给每人配个账号、培训几节课就够了,公司的组织、流程、分工,都不用动。
另一种叫“速胜论”:AI 马上就会取代大部分人,公司一夜之间就得推倒重来,谁不立刻“全员 AI 化”谁就完了。
这两种看法都有人信,也都沾一点道理,但错在同一处:把一场深刻的变化,看得要么太小,要么太快。
“工具论”看小了。每一次重大技术出现,人们最先都把它当成“更好用的旧东西”。电动机刚出现时,工厂只是拿它替换蒸汽机,结果没什么大变化。它真正的价值,要等到整座工厂都按电来重新设计才显出来。这个故事下面细说。
“速胜论”看快了。公司不是软件,不能一键重装。里面有客户的信任,有员工的饭碗,有多年养成的做事习惯,还有出了事要有人负责的责任。这些东西改起来,要以年计。况且 AI 今天仍然会犯错,会一本正经地说错话,很多事离开人的判断和把关,根本不行。
所以我们的判断是:这是一场必然发生、却需要持久经营的变革。说它必然,是因为底层的力量已经变了;说它持久,是因为公司这种组织要长成新的样子,只能一步一步来。心态也就清楚了:看得远,所以不犹豫;看得清,所以不冒进。
三、形势分析:新的发动机,装在旧的马车上
要看清这场变革,先理解一对老概念。
生产力,是人创造价值的能力:工具、技术、知识。生产关系,是人们怎样分工合作、怎样分配成果。落到公司里,就是它的组织形式:设哪些部门,谁管谁,流程怎么走,利益怎么分。
一般的规律是:生产力先变,生产关系随后才跟上。跟不上的时候,新技术的好处就会被旧组织“憋”住。
历史上有个很好的例子,就是电。十九世纪末,电动机出现了,工厂主们很快装上了它,却发现效率没有明显提高。原因在于,蒸汽时代的工厂是围着一台巨大的蒸汽机建的:机器一排排围着它,靠传动轴和皮带把动力“送”到每台机器,所以厂房又高又挤。工厂主只是把蒸汽机换成了电动机,厂房布局和工作流程一点没动。
直到几十年后,人们才想明白:电可以接到每一台机器上,工厂不必再围着一个动力源排队。于是厂房变成了宽敞的单层车间,按生产流程一道道排开,生产率才真正起飞。电的好处,不是来自电本身,而是来自按电重新设计的工厂。
今天的 AI,正站在同样的位置上。
公司现在这套组织方式,最初是为了解决一个古老的难题:能力和信息,分散在不同人的脑袋里。一个人懂设计,一个人懂代码,一个人懂客户。要办成一件事,就得把他们聚到一起,于是有了部门,有了层级,有了开会、转单、汇报、审批。公司的大半个“身体”,其实是一套“人传人”的传输系统。
而 AI 恰恰动摇了这个前提。工程师借助 AI,可以直接查到版本、读懂现场记录、写出初稿。许多过去必须“转一手”才能拿到的东西,现在伸手就有。传输系统的价值在下降,可它自己还在原地运转。
这就是当前的主要矛盾:AI 带来的生产力已经大幅跃升,公司却仍然运行在为“人传人”设计的生产关系上。好比把新发动机装在旧马车上,车是快了一点,却跑不起来,因为车轮、车架、道路,都是按马的速度设计的。
这个矛盾不会永远存在。生产力和生产关系错位得足够久,生产关系总会被改写。问题只在于:谁先改,谁后改。
四、什么是 AI Native 公司
Native,是“原生”的意思。互联网原生的公司,不是把原来的生意搬到网上,而是围绕网络重新设计生意。AI Native 的公司也一样:它不是给原有流程加一个 AI 按钮,而是从一开始就把 AI 当作公司运转的一部分,人和 AI 共同完成日常业务,并且每做一次,都会变得更好。
它有四个特点,环环相扣。
第一,人机共生。不是人伺候 AI(出了错让人去收拾,人沦为校对员),也不是 AI 伺候人(只当一个高级秘书),而是各用所长。AI 负责查资料、对日志、整理记录、起草方案、做那些错了也能撤回的操作;人负责定目标、做判断、担责任、对客户许下承诺。AI 拿不准时,要能停下来叫人;人觉得 AI 不对时,要能随时改路线。越是“做错了难以挽回”的事,比如改客户的生产设备,越要由人来签字。
第二,相互连接。公司里的事,要能“接着做”。客服查到的、研发改的、销售承诺的,都留在同一张工单上,写清楚:哪些已经确认,哪些还只是猜测,下一步在等谁。这样换一个人接手,甚至换一个 AI 接手,都不用从头问起,客户也不必讲第二遍。这是 AI Native 公司最底层的“血管”。
第三,快速迭代。这里的快,不是写代码快、出方案快,这些现在谁都快。真正的快,是多快能知道“这次改对了没有”。补丁半天就写好,客户两周后才装上,那么这个循环还是两周。所以 AI Native 的公司,会把力气花在缩短“验证”上:先在一台设备上试,尽早拿到现场反馈,错了就退回去。
第四,自我改进。这是最关键、也最难的一环:今天帮一位客户解决的问题,要让明天的客户少走一次弯路。比如查明某种旧设备不能升级到新版本,以后安装程序就能自动识别,提前拦住。公司的经验不再只存在老师傅的脑袋里,而是变成系统里能被检验、能被修改、也能被撤回的规则。一家公司真正会学习,不在于读了多少报告,而在于它根据亲眼看到的结果,改变了下一次做事的方式。
四个特点是一个循环:人和 AI 分好工,事情才连得起来;连起来,才能快速试错;试得快,经验才能沉淀,并反过来改进下一轮。四个环节转起来,就是一个会自己成长的组织。
五、推演:这种组织会把公司的版图带向哪里
如果这条路是对的,沿着逻辑往下推,会看到什么?
变化的根子在这里:做成一件事需要多少人,正在被改写。过去,一门生意要养一支队伍才能做,将来几个人配合 AI 和外部服务,就可能做起来。与此同时,造模型、建算力、让服务全年不断线,却需要越来越大的投入,客户越多,成本摊得越薄。
于是出现了两端:
-
一端是大型平台。 它们提供模型、算力和基础能力,像水和电一样成为所有人的底座。规模越大,越划算。 -
另一端是 OPC(一人公司)和几个人的 mini 公司。 它们不再自己养一整套职能,缺什么能力,就从平台上买什么。人少,反应快,贴着客户做事。
夹在中间的,处境最难。那些靠“养一大群标准化的人,再层层转手”挣钱的中型公司,它们最核心的价值,也就是组织协调很多人,恰好是 AI 最先削弱的部分。客户借助 AI 就能自己做出初稿,真需要专家时,直接去找少数高手,中间那层“管理费”就得重新证明自己值不值。
我们把这个趋势叫作:两头大,中间空。
要说清楚的是,消失的是靠堆人头、层层转手的那种形态,并不是说每一家中等规模的公司都会没有。大致有三种去向:
一些向上长成平台;
一些向下变成“精干团队加外部能力”的小而强的组织;
还有一些靠本地服务、长期信任和“出了事我负责”的承诺立住脚,规模不一定变小,但内部做事的方式已经完全不同。
真正被挤压的,是那些 AI 来了,却依然守着旧结构过日子的公司。
再说时间。这是一场持久战,大致分三个阶段:
-
第一阶段:各自为战。 这就是我们现在所处的阶段。AI 是个人手里的工具,人人在用,彼此隔离,效率的提升停留在个人身上。 -
第二阶段:连成一片。 一条条业务被重新设计,人和 AI 在同一套流程、同一份记忆里协作。先在几个环节跑通,再扩展到整条业务线。 -
第三阶段:重新长成。 组织形式本身被改写:部门、岗位、规模、边界,都按新的逻辑重新排布,平台与 mini 公司的格局逐渐定型。
每个阶段都不会一夜完成,也没有统一的时间表。但方向是清楚的,而且早走的人,会比晚走的人多积累一样别人学不来的东西:经验。
六、结论
前面的话,可以浓缩成四句:
-
AI 让生产力发生了跃升,这是不可逆的事实。 -
公司仍运行在旧的生产关系上,所以人人变快、公司没变快,这是当前的主要矛盾。 -
矛盾总要解决,解决的方式,就是长出与 AI 相适应的新组织,也就是 AI Native 公司。 -
这是一场持久战:方向要坚定,起步要尽早,步子要扎实。最终的格局,是“大平台加小团队”,而守着旧结构的中间形态,会被逐步挤压。
七、怎么办:四件事
第一,尽早拥抱,而且要彻底。
“彻底”不是把公司推倒重来,而是不要在旧流程上贴 AI 补丁。补丁式的用法,换来的只是个人提速。真正的做法是:挑一条你最熟悉、最常发生、又知道怎样算做好的业务,比如“客户报障”,把从收到问题到客户恢复使用的整条链路拿出来,按 AI 的方式重新设计一遍。哪些环节能合并,哪些交接能省掉,哪些检查必须保留,一件一件想清楚。
然后把组织、产品、营销都放到这个思路里重新审视:产品能不能让 AI 直接读懂、直接调用?营销能不能和最终的交付结果连起来看,而不是只数生成了多少素材?越早开始,越早知道自己真正需要积累什么。
第二,沉淀私有数据和私有业务。
模型谁都能买,通用知识谁都能查,这些不会让你与众不同。一家公司真正独有的,是公开资料里找不到的那一小段:这位客户用的是哪个版本,那批设备改装过,哪种故障在什么条件下才会出现。把这些积累下来,变成 AI 能用、也能验证的“养料”。
整理时有三条规矩。
一是分清谁的数据:客户授权你修这一次故障,不等于你可以拿他的日志去服务别人。
二是分清事实和猜测:“重启后恢复”是事实,“故障是缓存引起的”只是猜想,记录时不能混在一起。
三是管好有效期:软件升级后,旧经验可能不再适用,要有人标明它已作废。通用的能力可以向外买,独有的东西必须握在自己手里。
第三,建立自我改进和快速迭代的机制。
让每一次交付,都留下“下一次能用的东西”。具体地说:问题修完之后,多问一句“怎样让这类问题以后不再出现”,再把答案写成规则、检查或工具。新规则先小范围试用,拿后续的结果来验证:问题少了没有?有没有误伤本来正常的情况?发现规则有害,要能很快撤回。
衡量的标准也要朴素:不看“用了多少 AI”,而看“同样的错有没有少犯”。
第四,让人和 AI 共生共存。
分工要落在具体动作上,不能只说“AI 辅助”。整理材料、起草方案、做可撤回的操作,可以逐步交给 AI。修改客户的生产环境、支付大额款项、作出重要承诺,必须由人批准,并且要给批准的人真实的条件:看得懂依据,有时间检查,有权喊停。否则“人工审核”,不过是最后点一下“同意”。
同时别忘了人。肯把经验整理出来的员工,要给他时间,给他认可。新人不能只会点“同意”,要让他先自己判断,再对照 AI 的建议,从分歧里学到“为什么”。公司不是人服务 AI,也不是 AI 服务人,而是人和 AI 一起服务客户。
八、结语
回到开头。我们大部分人和公司并不关心使用了哪家模型,也不关心有几个部门。当公司遇到问题时,大家只关心三件事:换了人接电话,我还要不要再讲一遍?你说修好了,我的车间是不是真能开工?下一次升级,还会不会碰上同样的问题?
如果一家公司借助 AI,把这三件事做得比过去更好,而且做这些事的人也在一起成长、得到回报,它就找到了自己在 AI 时代的位置。
至于这个位置是在平台一端,还是在小而美的一端,不由一句口号决定,而由一件一件做成的事决定。
路很长,所以,值得我们现在就开始。

