这是 AI炼金术的一期单口，我想聊聊 AI 原生组织转型。之所以聊这个，是因为最近来找我的朋友，话题已经从"用什么模型、要不要培训、大家怎么用"，变成了另一种。他们说，我们公司已经在用 AI 了，很多人用得还不错，但整个组织的效率好像并没有提升。更诡异的是，还有一些公司发现效率确实提升了，却没有多赚钱，有的甚至裁了员，省了一部分人力成本，最后利润也没涨。
这就是我想讲的那个鬼故事：学也学了，用也用了，每个人都觉得自己提效了，整体效率却没动；或者整体效率动了，钱却没多赚。今天就聊聊这个鬼故事是怎么发生的，以及有没有办法解决。
效率有三层，大部分人只盯着最不重要的那层
我的基本判断是，效率本身不是一件特别重要的事情，至少单点任务上的效率不重要。这里面有三个层次。
第一层是单点效率，一个具体的员工干一个具体的活、干得快不快。这件事对个人、对任何一个打工人或个体户都很重要，但对公司其实没那么重要。公司要做的是把很多个体的努力协调起来，把劲往一处使，产生整体效果。单兵能力和组织作战能力，很多时候是两回事。
第二层是组织协调层。哪怕你练出了协调能力，不再是一群武林高手各自为战，而成了一支井井有条的军队，能不能赚钱还取决于你打下来的是什么样的城市，有些仗打赢了也是亏的。
第三层是市场和战略层，你站的位置对不对，做出来的东西是不是市场要的、是不是稀缺的。如果你做了一堆市场不要的东西，或者做了有人要但竞争激烈的东西，那你只是卷得更狠而已。
从单点效率，到组织协调层的效率，再到能把产出在市场上变成钱，这中间有两个大台阶要上。但我们大部分时候只关注第一件事，就像打仗时只盯着士兵的单兵技能好不好。士兵的单兵技能其实没那么重要，关键在于组织怎么把士兵协调起来，以及打下来的城市有没有意义。
单点提效为什么带不来整体结果
光做第一层没什么用，这里有几个原因。
第一个是阿姆达尔定律。一件事要干成有好多个环节，你只优化其中一个，对整体的效果有限。我经常坐上海到北京的飞机，大概两个小时。假设飞机提速百分之三十，从一百三十分钟降到一百分钟，这是一个伟大的科技进步。但整体想一想，我得从家里出发、打车、提前去机场、留提前量、等安检，门到门可能要五个小时。你在飞行环节省掉半小时，对两个小时来说显得很了不起，对五个小时来说，不过是从五小时变成四个半小时，在我脑子里变化不大。
我自己做过非常多很漂亮的 demo，有些合作方都发了 PR 稿，大家一起庆祝，说我们好棒，汇报的 PPT 做得花团锦簇。过一段时间再问这东西后来有用吗，答案往往是其实也没什么用。在一个长流程里优化一个环节，经常就是这样。
更悲惨的情况是，你优化一个环节，连整体上一点进步都看不到。因为一个系统的表现，取决于中间那个最低效的瓶颈环节，而不取决于某个非瓶颈环节的提升。拿餐厅后厨打比方，有洗菜工、切菜工、厨子、端菜工。假如洗菜切菜的手速突然提高十倍，但厨子没增加，或者厨子增加了灶台没增加，只有四个灶台四口锅，那灶台就是瓶颈，你把菜洗得再快也只是堆在那里，整体可能只提升了百分之一。更夸张的是，就算灶台也加了、后厨整体快了十倍，但门口的人流量没增加，你照样赚不到钱。
第三个原因更根本。一个组织真正的损耗，很多时候不在于干活。我们听播客的大多是做知识工作的白领，知识工作里最大的时间、精力和资源消耗，大部分花在开会、对齐、协调对接交接、反反复复的往来上，而不是做事本身。我看过不同口径的报告，大致都是说，百分之六十的白领工作时间花在这种协调性、对齐性的工作上：听懂老板在说什么，把老板的话讲给下属听，跟兄弟部门对齐，以及等待某件事发生。有个流程那边卡两天，你做得再快，那边还是卡两天。工资越高的白领，这种对齐、协调、人和信息的交互就越多。
所以就算你把那百分之四十的干活时间优化到极致，顶了也就四成，大头没动。这才是组织真正的瓶颈。而且这里有两个麻烦，一是大量时间成本耗在这，二是只要这里断了，你单点再对也没用。那个经典的例子是 NASA 的火星气候轨道器，两家公司合作，一家用英制单位一家用公制，没对接上，探测器飞了九个半月、几亿英里，到了火星直接坠入大气层烧掉，一亿多美金打了水漂。各自做的都对，各自说不定还加班提效了，拼到一起就是个零。
以前我们干活慢，这个协调瓶颈被盖住了。现在干活快了，你很容易就发现，交接和对接才是组织真正的大头。
组织是上一个时代的发明
张一鸣说他把公司当作一个产品来打造。如果把组织当成产品，那什么是好组织？应该是协调得特别快、能更有效地调度资源、能自己进化的那种。重点在于能不能把单点配到一加一加一大于三，有综合性的效果，而单个单点做得多好反倒是次要的。单点很强而协调跟不上，其实没用。
我听过最恶毒的一个类比，是说很多公司搞 AI、买一堆系统上一堆 copilot，其实就是满清买铁甲舰。船坚炮利，军舰都是好军舰，但整个组织的协调机制没跟上，你买得来好军舰，做不出好海军，这是两件完全不同的事。大部分人还停留在北洋水师的水平。
要往下想，就得回到一个原点：组织到底是用来干嘛的。我们常把组织当成天经地义的东西，像天上有蓝天白云一样。考虑 AI 组织转型时也默认，我们就是有这么一个组织，把它转一转就能更好地用 AI，人还是这些人，还是好兄弟。但现代公司制度其实是一种发明，老板、科层制、部门、汇报线，都是很近代才有的东西，用来解决具体问题。它本来要解决的，一个是信息路由，让大家知道消息；一个是管控机制，让大家协调到一起干活。
顺着这条线看，组织本身是为达成特定目的而造出来的工具，我们未必一定要保留这个形态。为什么有层级？因为一个人管不过来，让你直接管一百个干不同活的人你看不过来。但如果 AI 让你看得过来呢？滴滴一个人能管上千个司机，因为全局谁送到哪、车上录音都看得到，这个前提假设就变了。为什么有部门？因为人脑有限，不可能既懂这个又懂那个，所以要把一堆专才塞到一起、搞一个统一的界面对外交互。但如果未来每个人都是通才，身边都有一个小秘书帮他做翻译，研发和产品、设计之间不再需要靠会议和接口来沟通，还需要部门这个设计吗？为什么要有流程、要有人来做管控、要有开会、要有 KPI？
这么一个个问去，你会发现这些组织的零件大多是为解决某个特定问题、或者基于某种稀缺假设而设计的。当那个"搞不定"或者"资源一定稀缺"的假设不再成立，世界不一定还会这样运转。
AI 来了，有点像恐龙时代一颗小行星撞地球，整个生存环境已经变了。过去留下来的那些东西，我们可以当成化石。它有没有道理？当然有，但那是上一个时代的道理，适应的是上一个时代的生存结构和生产力。今天全都需要重新审视。我想到一个段子，有些地方坐月子讲究不能洗头，这在古代挺有道理，没有热水器、没有电吹风，热水容易凉、头发吹不干容易感冒。但现在有热水器、电吹风、青霉素，这就不是什么大问题了。我们很多时候要考虑的，与其说是这个东西经不经典，不如说是环境约束变量有没有变。变了，就该重新设计那些习以为常的组织结构和打法。
一句暴论：用 AI 替代组织，而不是让组织用 AI
前段时间我在一个会上突然想到一句暴论。做 AI 原生组织转型，与其把原来的组织转一转去更好地用 AI，不如想一想怎么用 AI 去替代原来组织的绝大部分功能。AI 不是组织的工具，AI 是组织的替代品。从这个角度，你可能会打开一些新的思路和空间。
这里面有三层思考。第一层，在原有组织里把 AI 装起来、用好。第二层，改我的组织去用好 AI。第三层才是我今天真正想讲的：组织原有的目的、原有的功能，能不能用 AI 更有效地完成。问题从"我的组织怎么用好 AI"，变成了"我如何用 AI 让组织原来的那些功能发挥得更好、让商业目的更有效地达成"。
落到打法上，我现在看到最先发生的是三件事：对齐、推进、闭环。对齐，是让所有人站在同一条线上做事，不要每个人看到的图都不一样、自己打自己。推进，是让 AI 来推动一件事从想法到商业结果、从生产资料到最终产出，把整条线推下去。闭环，是让 AI 帮我们沉淀组织能力，这次做成的下次能做得更好。今天嗓子有限，我主要讲对齐，再讲一点推进。
对齐，先对齐事实
我们每天在公司里做的绝大部分事，其实就是对齐。对齐无非两件：一是对齐事实，让大家知道当前是什么状态、处于什么情况、客户是什么情况、产品到底是什么想法、要有几个功能；二是对齐打法，公司有哪些做事的规范、目标和优先级是什么、边界在哪。一个是世界是什么样子，一个是我们要怎么做。
这事为什么重要？如果大家看到的世界不一样，心里想的就不一样，每个人的努力就会互相抵消。像一支军队，每个连队看到的地图不同、打法没协调过，那就是一锅粥，根本打不出来。
传统组织在对齐上有两个病。第一个是工作量太大。纯从数学上看，N 个人就有 N 的平方级的对齐压力，每个人都得知道别人怎么想。三个人有三条沟通路径，五十个人就有一千两百二十五条，协调成本是平方级增长的。这就是大公司病，慢，是因为维持一个统一的想法实在太难。
不过你可能也觉得，大公司虽然慢，倒也没夸张到平方级那么离谱。那是因为我们其实没真做到对齐。我们会开个会、给个文档沟通一下，这其实是在做脑子里信息的压缩和传递。一个设计师可能考虑了上百种方案，最后只出一张图或三页 PPT，在沟通会上跟产品经理讲我们要用这个、原因是什么，就结束了。后面那些隐空间里的大量考虑都传不过去。信息被压缩到人类带宽能处理的水平，交给下一个接棒的人，对方再重建，中间就产生大量幻觉和对不齐。这并非有人故意歪曲，只是我们这种转述式的传播带宽本身就是有损压缩，像快乐大本营那个传声筒游戏，一个传一个，最后传成什么样都不知道。
所以传统组织的问题就两条：对齐的工作量太大，会耗掉大量优质的人；以及反正也对不齐，信息是有损传递的。
AI 为什么能解决？两个好处。一是能把 N 乘 N 的问题变成 N 的问题，所有人不用互相聊，而是统一跟一个 AI 聊，所有的线连到同一个地方。有点像一个项目所有人都对着一个共享文档，这个文档掌握一切，就对齐了。
你可能会说，那现在有飞书也不需要 agent，为什么一定要 AI？因为以前的共享文档有两个毛病。一是更新不及时，你改了想法懒得去更新文档，除非这个文档有智能，能自动参加你的会、听你的想法、自己去改。二是就算更新及时，文档也太大，二十个人的项目进展文档会很长，你做事之前不可能每次先通读，更新了四十条可能只有一条跟你有关，你也不知道怎么搜。有了 AI，它可以把跟你相关的那部分单独给到你，上传和下达都能匹配人类的带宽，这是上一代大文档做不到的。
但逻辑上，它其实类似于上一代文档，大家都对着一个统一的东西干活，不要各干各的，也不要人跟人之间来回聊。有点像以前的 PMO，一个项目管理的角色统整所有事、脑子里管着所有的上下文。现在是 AI 来做这个 PMO。而且 AI 可控的上下文比人大得多，以前的 PMO 很难参加每一个会、知道所有细节，只能记几个关键要点，压缩比很高；AI 做 PMO 能了解所有事，压缩比更低，知道得更多。
所以对齐事实的做法，是公司里所有事都应该有一个统一的源，姑且叫它 ground truth，所有人都在这个源头上操作，而不是你脑子一份、我脑子一份再互相沟通。最好是不要沟通，所有的线都连到同一个地方，大家工作在同一份事实上。
波音的云飞机和火星探测器
传统对齐又花人又花钱，还有大量损耗，这个损耗现在可能还感受不到，举两个过去的例子。
波音最开始手画图，因为莱特兄弟那会儿没有 CAD。后来有了电脑用 CAD 画图，效率肯定比手画高，就像现在用 AI 比不用单点效率高。但波音当时还做了一件匪夷所思的事：一个部门画完图，把图纸打印出来交给下一个部门，下一个部门用肉眼看、去理解、再画自己的图跟它拼起来。为什么？因为哪怕都用 CAD，你用一个、我用另一个，两个文件不互通，所以每个人还是各自为战，中间靠人在做对齐的桥梁。比如你做门框我做门，中间靠一张打印的纸传递，于是对不齐的情况非常多，一扇门可能反复修改一万两千多次，最后还得拿实体木头做模型、模拟能不能飞。直到波音 777，大家觉得这太傻了，就在云端搞一架云飞机，所有人统一操作云端这架飞机，在数字空间就能看门和门框对不对得上、这五个地方是不是能用同一个螺丝。
仔细想，这不是一个很显然该做的事吗？大家云端操作同一架飞机，天然就对齐了，而不该依赖点和点之间的沟通。应该是操作同一个对象来对齐，而不是去增强点对点的沟通效率、沟通能力，那全是过去时代的废话。
另一个更惨烈的就是前面提的 NASA 火星轨道器，一边用英制一边用公制，飞了九个半月、几亿英里，到火星直接烧在大气层。所以对齐不只是费事的问题，没对齐还会让所有努力南辕北辙，各自做得都对、说不定都加班提效了，整体做出来就是个零。一亿多美金打了水漂。
讲到这你可能觉得又是以古讽今。但我真正想说的是，今天我们也在犯一样的错。听过我以前讲段子的朋友应该记得，我说过会议纪要的事：你们公司一个新产品比如智能耳机，已经开了十二个会，这十二个会的会议纪要是彼此独立的还是连续的？如果是独立的，那跟波音打印图纸有什么区别。明明用了 CAD、本该在数字空间有一架统一的飞机，却把图纸打印出来用低带宽传输。
关于这个 AI 耳机，本该在云端有一个统一的库，所有人操作那个库，而不是一个单独的会议纪要文档。会议纪要是给谁看的？它不该是给人看的，它应该产出几个结论，比如螺丝要改大一点、音量调大、改成蓝色，然后直接去改那个产品、改云端那个耳机，而不是去改一份指望某个人看完再带到下一个会的纪要。举个例子，一个会说这个螺丝要改大一点，另一个会说决定把这家供应商换掉，这两个会单独看结论都成立，但其实是冲突的。如果两份纪要各自独立，这个冲突要靠人的脑子才能发现。为什么要靠人脑？明明可以让大家去改一个统一的、有逻辑关系的对象，冲突能被天然发现。
我们嘲笑古人把图纸打印出来、嘲笑一边公制一边英制搞不清楚，可我们自己处理问题的方式不也一样吗？把一个单点工作做完，没想过去云端对齐，还想着人跟人之间对齐；也没想过会与会之间的冲突该由系统发现，总觉得应该是我去发现，可人类根本没有那么大的上下文窗口。所以这个时代里我们还带着非常多古人的印记。我跟很多 AI 创业者聊，都会发现他们的思维比我这种老登还古代。再举个更荒谬的，Word 为什么是一页一页的？飞书文档就不是。我们大部分内容根本不打印，没必要分页、没必要翻页，这件事完全没必要，只是我们受了传统世界的影响，之前是一页一页的，就以为新世界也该如此。
所以 AI 原生组织的解法是，用 AI 来对齐事实，让 AI 控制那唯一的事实。AI 是一个状态库、一个数据库，所有人都对着这个库工作，或者每个项目一个自己的库。重点在于大家都在同一架飞机上画图，这样才知道你的门和我的框对不对得上，至于每个人画图的效率提高多少，反倒是次要的。这比以前讲的数字化转型要容易很多。以前的数字化转型也要求大家维护一个统一的东西，但要人填很多表、配合机器、学会用那台机器，存取门槛都很高。现在 AI 能旁听你的会、看懂你的战略规划和周报、录下客户访谈，上传容易多了，它又能听懂、知道你要查什么、知道这个会跟那个会的冲突在哪，可以主动参与进来提醒你。逻辑跟上一轮数字化转型差不多，但难度已经降低了很多。
从李志飞到安克：已经在发生的操作
讲几个现在已经有的操作，从激进的到朴素的。
比较激进的是出门问问。李志飞他们的做法是，每个项目有一个自己的 agent，这个 agent 管理项目的全部上下文、进展、待办、风险，每个人每天就是跟这个 agent 沟通。他们有个明确的说法：不准人跟人开会，信息不该从一个人直接流转到另一个人。我的理解是，每个人都应该在同一个数字对象上工作，而不是单点工作完再靠人脑对齐。AI 了解全局，所有人对着这个 AI 工作，这件事其实没那么难。
大一点的公司案例是安克创新，他们在 B 站有一个公开课，讲得非常好，我从里面学到很多。他们原来的新品上市流程有十几个节点、大几十个判断点，都靠文档和会议传递信息，每个节点都有损耗，整条跌下来损耗可能超过七成，他们说即便每个节点做到百分之九十九，最后也到不了九十九。他们的做法跟"加强沟通"这种屁话无关，就是每个项目一个 ID，项目的 agent 自动把所有信息整合起来，数据库里有历史信息、社媒信息、自己采集的信息，整个流程从原来二十个环节变成三四个大环节，由 AI 总控。环节少了，内部信息共享同一个上下文，交接就从二十次变成四次，每一次 agent 到 agent 的交接都是传递明确的核心数据对象。
有学员问为什么不是一个 agent 搞到底。因为 agent 还是有上下文的问题，让它做完很多研究脑子就浆糊了，所以做完比如一个竞品研究就出一个精华报告，下一环只读这个报告，不用把研究过程全吃进去。所以他们还是会压缩再交给下一环，只是交接更清楚：减少交接次数、把压缩的规范做得很漂亮（核心数据对象怎么压缩、要给下一关提供哪些信息都定得很清楚）、每个智能体的产出都流进项目池。关于这个项目的所有信息，大家随时从数据库拿到的都是最新的，而不是上个月的一份文档。颜色一改成蓝色，所有上下相关方立刻都知道。人与人之间还是有传递，但大家都对着同一个数据对象工作，传递是 AI 到 AI 的、明确交付物的传递，让压缩尽量高效。
还有一个比较科幻的是 Claude 在 Slack 里那种可以 @ 的机器人。很多人会把它想象成一个豆包，但它其实不是单人助理。它会持续读你授权的所有上下文，比如频道的内容、项目库里的东西，积累历史上所有上下文，主动参与对话。它参加了隔壁部门的会、看了 Slack 上所有聊天记录，知道那边已经把螺丝改了，当你们在讨论要不要干掉某个供应商时，它会自己冒出来说现在不能换。他们是在比较激进地尝试，让一个 agent 把所有上下文吃透、做全局对齐。当然你担心上下文爆炸，可以设计渐进式的内容披露，这是另一回事。
整体上，我们要的是让所有人工作在同一个数据对象上，而不再是像过去那样建一个知识库，而这个数据对象本身是 AI 化的，因为这样我们的带宽才受得了上传和下达。
用 demo 对齐，消灭误会
最后一个不太科幻的点。很多时候对齐对不上，问题不在没沟通，而在误会：我以为我听懂了，其实没有。这种对齐靠一个统一的库解决不了，得把东西做得更好理解，用 AI 的生成能力帮大家理解。
以前为什么有误解？因为文字是非常多义、非常有歧义的东西。什么东西没歧义？做出来的成品。一句话可以有一万个哈姆雷特，但一个微信长什么样，大家都知道，没有解读空间。我认识的创业公司现在基本都在用 demo 沟通，很少靠文档，文档往往写的是用户故事、是给 AI 看的。Flomo 的少楠他们是产品经理提出需求后自己先写代码跑通、拿到结果再写 PRD。上一期 AI炼金术 的嘉宾那家公司，研发要自己先把产品上线、直接做 MVP 找客户用、有了反馈觉得靠谱，再找设计师做成好看的好产品。相当于直接 show me the numbers，用数据说话。
我们也孵化了一家做 to B、帮人做 AI 转型的公司，他们 pitch 的时候已经夸张到：跟客户开会聊半小时，就说王总你看我们刚聊的，我们对银行业多了很多理解，有一些好点子，然后直接上线、展示八个 demo，每个都能点、按钮功能全有、里面全是假数据。王总就说第三个靠谱、第四个不是我想要的、第五个你误会了我的意思。一方面震慑对方，让他看到我们干活快；另一方面很快知道他到底想要啥。空口讨论一两天，不如半小时发个 demo，第三个靠谱我再给你发个细化版，半小时后再出来，大家一边用一边定，情绪和误会就少很多。
对齐打法：把规范变成一个按钮
对齐事实之外，大部分公司也希望在打法上对齐，比如价值观、理念、做事方法、规范，最好统一一下，不要瞎搞、不要自相矛盾。这些东西传统上会写进制度文件、年度计划、规章、最佳实践，然后大家都不看。传统靠三个工具：培训（请人讲一堂课，鼓掌说讲得太精彩，回去全忘）、制度（写得特别精彩，没人看）、KPI（大家想歪门邪道把 KPI 搞定，不做正事）。
举几个难管控的例子。我最近在抖音上老刷到一种广告，说王总前段时间原价两百块买了什么现在一定后悔死了，今天大降价、那些人已经哭晕在厕所了。如果我是这个品牌老板会气死，这是在赤裸裸地教育用户以后别在原价时买你家东西，绝对伤品牌。但他这样打，转化上大概是有效的。品牌方应该也交代过不能伤品牌，而他整段话里确实没说这个品牌不好，你很难指出他哪里伤了品牌，但你一眼就知道他伤了。这种外部合作方的行为你怎么控制、怎么检查，其实很难。
另一个例子，我有个朋友是很大的 K12 教育公司，突然问我有没有 AI 电销工具推荐。我给他拉了个群，介绍了一家非常牛的人工电销头部公司，是按效果付费的，买不了吃亏。但他聊得很客气，后来还是发消息说想找 AI 的。我说现在 AI 搞不定这么复杂的事，用人的就行。他说，我们内部本来有外呼团队，但你只要定下 KPI，他们总有办法达到，可那个过程里的话术永远不是我想要的。我既想要过程又想要结果，这种要求只有 AI 能做到。
所以你想要的往往不只是一个数字化的结果，还希望他按你想要的方向来，比如不能提打折、不能提不合规的东西、不能引诱得太过分。可一旦有 KPI 压力，人就做不到，你只能对 AI 提这种自相矛盾的要求，它会说好的；人类听了只会想把老板干掉。既想要结果又想控过程，很多时候真的只能靠在流程里疯狂加 AI 来做打法上的对齐。
AI 原生组织怎么做打法对齐？让 AI 帮你对齐：目标是什么、该用什么方式、要用什么规范、要检查哪些点，全用 AI 来做检查，甚至全用 AI 来操作，只让人类处理例外。这样那些想做的事就不再是贴在墙上的几句话，而是落实到执行环境里。
有些打法写在工具里。安克的俊东分享过一个例子，他们的设计师把品牌方案，也就是该用什么颜色、什么 logo、多大，全写成了一个 skill。要做 presentation，把内容写好、调用一下这个 skill，整个文档就自动变成符合品牌规范的样子。原本品牌规范是一本册子让你对照着用，现在变成一个按钮，点一下、告诉 AI 套那个品牌规范，就自动套好了，比原来容易一百倍。关键不在又讲一个道理，而在把它变成一个按钮。
有些打法写在检查点里。还是安克，梁萌分享过"检查点优于行动"的说法，标准是贴在检查点里的。所以他们在 agent 到 agent、人的流程里设很多检查点，设计清楚每个点要查什么、看哪些点、什么能过什么不能过，让 agent 在关键点检查，而且这个检查 agent 的上下文和被检查的 agent 是独立的，免得乱掉。徐文浩分享过一个反例：让 agent 做测试，结果它把测试全 mock 掉，用假数据假装跑了一遍，你看到的全是绿灯，其实啥都没干。所以你得搞一个对抗性的、干干净净的独立机制来对抗，而不是让它自检自查。就像公司里要监控一个部门，一定是另一个独立部门去管，让部门自己查是查不出东西的。
常有人跟我说现在的 AI 还不靠谱、有幻觉、没法用。我说人类的能力更不够、更有幻觉、更不靠谱，你为什么敢用人？因为你用机制解决问题：研发搞完有测试，有内控，有流程。解决 AI 的问题也一样，别指望一个 AI 当下就帮你搞定，而是用一套机制搭出来帮它解决。
还有些打法写在后面的流程里。路口的徐浩在研发线上分享过：大家都用 vibe coding 之后没了代码规范，我乱写，像我这种二十年没写过代码的人，你能指望我写出啥。传统上要么大家拼到一起打架，要么靠教育，可培训也没人听。最后只能用 AI 来辅助对齐。一个很小的例子，大家 web coding 之后经常用代码画图、画成 SVG，比如画个小熊猫，每个人自己画一套，公司里明明有很多库可以复用，画法又丑、代码又巨大。逻辑上该教大家都用统一的库，但培训没人听。那就让 AI 去检查每个人代码里写 SVG 的部分，用规范方式复用、帮大家重写。既达到了更好的效果、避免了冲突和浪费，又不需要人去学习，人本来就不想学习。机器学习让我们达到了对齐的效果，却没让人付出对齐的成本，组织的协调压力就更小了。
所以在对齐这件事上，最有效的是让 AI 来对齐事实，让所有人去操作同一个 AI、同一个事实，而不是人跟人之间对齐，大家都操作同一个实体对象，它本身就不存在对齐的问题。打法上的对齐，就是让 AI 把我们的打法翻译一遍让它更对齐、让它自己检查不好的打法，以及把所有需要对齐的事情变成工具自动来对齐。
推进：让 agent 推动流程，人被 agent 叫过来
对齐之外，AI 原生组织要做的第二件事是推进。什么叫推进？公司有很多事要做，总有先来后到、先谁干再谁干，总需要有人去推，说谁谁你推进一下这件事。推进就是催活：把活发明出来、谁该干什么、催着他赶紧干完，发现任务、分配任务、传导任务、检查任务，有点像 PMO。讲得学术一点，这是任务的编排或编译，我们的决策有点像源代码，需要编译成一个可执行程序、分配资源，它才会发生。旧组织里很多岗位就是干这个的：把老板的角色变成一系列的活，让员工把这一系列活传递下去干完。
传统靠人推，问题是会卡在很多环节里。整个组织最大的时间损耗不在干活，而在任务和任务中间走流程、等待：方案做完躺在群里等产品，产品看完挡在邮箱里等法务，法务看完卡在系统里等采购，每个环节都要等，而且不是白等，对方会给你一个反馈，说这里是不是还有什么没考虑到，于是又卡在接缝上。传统做法是养一批人去解决这些接缝，就是 PMO；或者让两个部门合并、有同一个老大，用这个老大的权威和上下文来推进。所以公司里比较贵的人在干嘛？大部分时候就在做这种事。你觉得某个人能干，往往是因为很多卡住的事他能推得动，你给他那么多钱，主要买的是他能让事情动起来，而不是他的专业性。
推进具体是四件事：发现活、分配活、传导活、检查活。整个卡住的，就是活在那里不动，卡住的是分配、传导、检查这些卡点的速度、掉进缝里的速度，而不是干的速度。
AI 为什么能更有效地推进？它更知道全局、更耐得烦、更得罪得起人，还能保持一个持续的状态。安克早期也做了很多 agent、做了培训，大家满意度很高，回去就不用了，因为每个人最后又回到老的工作上。原因是，不管那个 agent 好不好用，到头来还是人在使用 agent，整个活的流程还是人在推进：你催我、我催下一个人，然后每个人再决定自己要不要用 AI。人是发动机，agent 只是可有可无的工具，走着走着没有特别理由就回到老路上了。他们最后发现，最重要的是把这个圈推快，而且推动你去用 AI 这件事本身也该用 AI 来做。于是产生了一个概念：让 agent 推动流程，而不是让人去用 agent。节点上看差不多，实际差很多，agent 推四步搞完的事，人推可能要十几步，而且节点和节点之间的流转也交给了 agent。agent 推动流程，人被 agent 叫过来。
发现活：让工作自己举手
发现工作是一切的起点。以前我们也发现工作，比如战略会上发现哪件事没做好、实体店巡场、月度精英会，但这里有很多损耗和延迟，可能要等到半年度经营会才发现一个问题，再立计划慢慢安排下去。发现工作的最高境界，是工作自己举手说"我该被干了"。
海底捞的例子，门店里有摄像头，服务员的平板上会显示哪张桌子有人、哪张需要清理、哪张刚走、哪张已经准备好。系统自动识别状态，不需要人反复巡场，机器马上看见、马上识别、马上派活，这桌人走了，就派谁去擦。这既是发现工作，也顺手把活派下去了。美的以前有班组会，每两个小时跑到大屏前碰一下、看发现了什么问题，本质就是在巡检、发现工作，现在他们用人形机器人扫码巡检，识别问题、自己派工单。大量基层的周会这种事，本质都是在发现工作和汇报汇总，本该交给 AI。
这两个是实体的例子，看得见。数字工作很多时候看不见，你不知道他在电脑上干嘛，那有没有办法？也有。还是安克，他们有个东西会自动识别工作，比如亚马逊上某个产品销量猛跌，不用等人发现，系统自动报警，然后自动分析是不是没库存、广告流量减少、有差评，把看到的东西打包汇总，生成一个工作项：我判断大概是什么问题、数据都在这，你们谁来看一下尽快解决。而不是等到周会上过数据、说这个数据为什么跌了、小王说我去查一下。在数据下跌那一刹那，所有数据已经汇总好、工作已经派给最能解决的人、流转开了。
所以 AI 原生组织应该让工作自己被发现，把上下文准备好，能做的 AI 自己做掉，不能做的请人类帮忙。蓝领的例子容易看见，白领的你得先知道公司里什么事值得被关注，让 AI 进入你的文档和系统去发现问题、识别工作，让问题更快暴露出来。
分配活：先让 AI 干，搞不定再叫人
发现活之后就是干。应该先让 AI 自己干，再让它叫人干。以前是人思考、人分配给人，浅层用 AI 的话，是那个人再去决定要不要用 AI。但 AI 原生组织应该反过来：先用 AI，AI 搞不定的用人。因为最了解全盘、最了解这件事的其实是 AI，该让 AI 来统筹规划、来拍脑袋，而不是人拍脑袋。
这件事其实已经很常见。你中午点外卖、出门打车，外卖员的调度和滴滴司机的调度，是人在调还是 AI 在调？全是 AI。AI 的调度效率肯定比人高得多，只是我们总觉得自己的工作可复杂了、调不过来。不一定。很多工作之所以调不过来，是因为我们对工作本身就是一团浆糊，假设你是打工人，这是一种保护；但从逻辑上讲，这其实是工作没做好。工作清晰定义了，理论上 AI 是能调度的。组织里最老的问题就是大家都骂老板，其实是因为很少有人适合当老板、适合派活分活。AI 解决了这个问题，它看得到全局，分工相对科学，你碰到的至少是个 AI，不是个 SB 老板。腾讯研究院出过一个报告，举了 CodeBuddy 的例子：每天早上程序员不再是自己想干嘛或等领导安排，而是 AI 根据每个人的历史情况说你今天适合干这几个活、挑一挑。程序员每天写的活各不相同，这都能分配，那你们公司大部分基层白领的活，很难说不能让 AI 调配。
这里还有个关键点，CodeBuddy 那边说派的活越来越大。以前给人派活、还在原来的分工体系里，派的还是原来大小的一小块，那时他可用 AI 可不用。但当你用 AI 来产生分工、并且先假设大家都用 AI 干活，每个人的产能就变大了 N 倍。如果还是那么多人接那么多环节来推进，每个人都很憋屈，明明有超能力，却只让他做这么一点，做完马上又要跟下一个人交接。上一期 AI炼金术 的嘉宾那家公司跟我聊过，他们说之前把 AI 塞进老流程很崩溃：AI 给了产品非常多信息，产品接不住、吸收不进去，又得跟研发讲，很多东西不是他自己想出来的、讲不清楚，很暴躁，摩擦反而变大。但如果让他全部自己做，所有东西融合在他一个人的上下文里，流程反而走得快。
所以应该把活变大、把流程中的交接变小。过去不这么做，是因为人的能力有限。现在能力大的人你该给他更大块的活，让他直接完成。一个人干三个人的活，绝对不只是提效三倍，而是减少了两次很大的压缩和摩擦，提效才更显著。你要重新定义什么是工作，不能再把原来那一小块给他、让他再切一小块给 AI，而是整体上根据到底什么该被做来重新定义，中间一大块交给一个人、他自己全搞定，再交给下一个人。整个工作完成需要更少的活、更少的人、更少次的交接，组织效率才会提升。再回到蓝领，很多工厂比如酷特智能（原来叫红领），车间主任、班组长的工作本质就是信息收集、模式识别、管控、信息传递，都是白领的信息活，理论上都该 AI 来做。现在就是 FID 识别出这件衣服到了这里该干嘛，屏幕上直接告诉工人，而不是一个人分配给另一个人、那人再决定怎么用 AI。
所以整体上，分配工作就是把 AI 放到更中心的位置：让它定义活、分成大块，人去处理这个大块，AI 处理这个大块，把中间搞不定的部分交给人。
一个代价：人会更累
这样做之后有个悖论，我自己体会很深：人其实更累了。我们平时虽然号称想要提效，但每天的工作可能百分之八十是低效、无聊、低智力低算力的，这对脑子其实是种休息。当 AI 来分配活，每一个都需要你做决策、做真正的思考，脑力消耗非常大。我现在工作时间没怎么增加，但脑力损耗可能是以前的好多倍。以前做个 PPT 随手就做了，现在每个模块 AI 至少给我出了上千万字的东西，我大量时间在看、在找各种人聊，对事情的要求也变多了。留下来干活的那部分人，其实更累。
这有点像福特流水线上的工人。福特一直被说成好人，给工人涨薪水，其实是因为他把工人放到流水线上后，那些原本还能喘口气的工人发现自己永远有活、忙不过来了，你不涨薪他就跑了。让 AI 来发现和分配工作之后，人的工作强度是更大的，所以你要么挑更好的人，要么给更多激励，这需要组织其他方面的配合。
今天先到这里
AI 组织转型我分了三部分：对齐、推进、闭环。推进里有四个板块，发现工作、分配工作、传导工作、检查工作，今天只讲了前两个，后两个和闭环，等下次再聊。再往后还要讲组织怎么转型，比如怎么激活团队、怎么做 IT 系统建设和基础准备，以及战略层和市场层，怎么识别产业的四要素冲击、怎么规避、怎么占住新的生态位、怎么借势。目标很远大，进度很缓慢。
本文整理自 AI炼金术 单口第一期《AI 原生组织转型 01：用 AI 对齐事实、对齐打法》，录制时主讲人正待在一处山清水秀的民宿里。下一期看什么时候找到时间再接着录。