当AI开始接管工作，企业为什么必须重新设计组织？

过去两年，我走访了一批把AI真正推进到生产与经营环节的企业。一个现象反复出现：个人效率翻了几倍，公司的效率纹丝不动。这不是AI不行，而是“组织”这台协调装置本身，正在被重新定价。

“人人提效”

为什么没变成“公司提效”

我调研时习惯只问三个数字：过去12个月，人力产值变了多少？一件事从提出到上线的平均天数变了多少？被AI替代的工时占总工时多少？

第三个通常很漂亮，前两个通常没人算过。有些公司能拿出扎实的降本数据——某个环节原来五个人，现在两个人——但接着问“生意有没有更好做”，回答就含糊了。

这不是造假，而是三个错位。

第一，省下的时间没有出口。AI节省的是工时，客户付钱买的是交付。省下的时间大多落回原来的日程表，被会议、排期、等待和新增的复核重新填满。AI今天加速的大多是在制品，不是成品。

第二，我们一直误读了时间去了哪里。随便挑一件上季度做完的事，比如一个系统需求，从提出到上线走了30天。把这30天拆开：真正有人坐在电脑前做它，也许只有5天；剩下25天，它在等排期，等评审，等另一个部门回话，等下一次周会把它拉上议程。AI提速的是那5天。而那25天散落在一次次交接的空隙里——这些空隙不属于任何岗位，不写进任何人的KPI，也没人为它负责。说白了：AI让每个人干活更快了，公司却慢在人和人之间。

第三，跑得快的人会自己踩刹车。当一个环节产能跳升而下游没变，加速会被抑制——不是被制度，是被当事人主动抑制。我在不同行业听过同一句话的不同版本：“我不敢交那么快，交出去没人接得住。”产能过剩在工厂里表现为库存，在办公室里表现为自我降速，而且不进任何报表。报表上的一切正常，往往正是问题被吸收掉的证据。

那么，瓶颈为什么长在交接处，又为什么偏偏此刻暴露？

因为组织从来不是自然物，它是一套解决方案，解决三项长期高企的成本。一是信息成本：没人看得见全局，所以要分层、要汇报、要有人专门“掌握情况”；二是翻译成本：专业之间彼此听不懂，所以把同类人聚成部门，再用需求文档、评审会这类接口协议对接；三是试错成本：把东西真做出来太贵，所以先写方案、先立项——文档从来不是因为它好，而是因为成品太贵。

科斯当年回答的是“为什么会有企业”：市场上找人、谈价、监督太贵，当内部协调比市场交易便宜，企业就出现。今天要追问下一个问题：当这三项成本同时下降一个数量级，企业还需要这么厚吗？

它们确实在同时下降。AI可以同时在场于所有会议、所有群、所有系统，并按每个人的位置重述全局；它天然是跨专业的转译器；一个可点击的原型从两周变成20分钟。层级、部门、文档、评审，全是这三项成本高企时的合理妥协。支撑这些设计的成本已经塌了，设计还立着。

所以我的第一个判断是：AI首先是一种协调技术，其次才是生产技术。管理者习惯把它放进组织里评估产出，但它真正在竞争的，是组织自身存在理由的一部分。真正的命题不是“改造组织以便用好AI”，而是“哪些组织职能可以交出去，让组织本身变薄”。

Seeed的三次改写

Seeed Studio（矽递科技）是我跟踪得比较完整的样本。它不是白纸上的创业公司，而是一家几百人、业务稳定、ERP（企业资质计划）深度二次开发、有十几年流程沉淀的深圳硬件公司。它的价值恰在于：必须在原地转型。

第一步是文化的：把AI First（AI优先）写进内部改善提议机制，让变化从真实业务里长出来。一年左右涌现254个员工自主发布的案例，覆盖21类场景——AI直接读原理图完成分析审查，小时级工作压到分钟级；把模型训练、转换、量化、配置、验证和故障排查等工程经验封装成可复用的AI Skill（AI技能），整体部署周期从天级缩短至分钟级。

然后他们撞上了我在很多公司听过的那句话：员工越来越快，组织没有同步变快。一个原本几天的任务被压到几小时，但它仍要进入原来的部门，经过原来的分工、会议、审批和交接。

改写一

把上下文变成基础设施

AI要进入复杂流程，前提是拿得到公司的数据、规则和历史背景。而企业的上下文天然是碎的：它散在一次会议的争论里、几十封邮件里、系统的历史数据里，以及某个老员工的判断力里。

Seeed的做法是建“组织级Context（上下文）”：搭统一API网关（应用程序编程接口网关），逐步开放ERP及销售、研发、采购、财务等核心系统的数据与能力；换用开放性更强的协作平台，让日程、邮件、聊天、文档持续沉淀；所有会议默认开启AI纪要。在此之上，用统一的数据与模型能力、MCP（模型上下文协议）服务与Agent Hub（智能体中枢），让客服、数据分析、招聘、报销等Agent直接长进业务流程。

这一步的意义常被低估。人和人对齐所需的连线数与人数的平方成正比：3个人3条线，50个人1200多条。我们没被压死，靠的是切部门让大部分人不必对齐，以及大量有损传递。而传递中丢掉的通常不是数据——每一站都保留了结论，丢掉了理由。下游只知道要什么，不知道为什么，于是用自己的假设补上空缺。信息不是均匀衰减的，是被替换的。

现代协同工程早给过答案：不要各持副本再靠会议求同，而要让所有人操作同一个状态。冲突不该被讨论出来，它应该被系统暴露出来。多数公司已经做到“每个人都有工具”，却没做到“所有人在同一个状态上”。会议纪要就是最典型的副本：六次会议六份纪要，单看每份都对，合起来是错的，而“两份纪要之间”这个位置，公司里没有任何岗位负责。

改写二

把组织单元从“职能”改成“结果”

上下文通了之后，Seeed同时做了更结构性的一件事：把IT与HR放在一起管理，共同对组织效率负责——一手更新生产力，一手重构生产关系。

他们把围绕一个结果形成的端到端责任单元称为Loop：先定义需要被完整负责的结果，再围绕结果组合人、Agent与所需能力。专业分工依然存在，但不再决定组织如何划分、责任如何切割。

最锋利的样本在IT部门。改造前，一个系统需求要走：业务提需求→开会讨论→项目经理写详细需求文档→前端开发→后端开发→测试→业务验收。改造后只剩四步：业务提需求→项目经理判断合理性并分配→开发带着AI直接对接业务、完成开发与自测→业务验收上线。复杂项目则用AI纪要快速生成原型，业务、项目经理、开发三方对着一个能点的东西确认，再进开发。

取消的是项目经理大量的“需求翻译”，以及前端—后端—测试之间的信息交接。保留的是项目经理，但职责换了：从“协调项目交付”转向“对端到端流程效率负责”，各自负责一条业务链路。采购提一个需求，他不再只判断“这个功能怎么实现”，而要放进整条链路问：需求合理吗？与计划、库存、财务的规则冲突吗？有没有更简单的办法？开发也从“完成开发任务”转向“对完整项目负责”。

结果是一组硬数字：同等资源下可并行项目数至少增加三倍——过去一个项目要三人协作，现在一名开发加AI完成完整交付，借助Vibe Coding（氛围编程）单人还能并行推两个；整体开发周期缩短约50%。

关键不是“AI替代了人”，而是任务被越拆越大。过去人是专才，只能按技能切，再用流程把技能串起来；现在AI补齐长尾职能，一整块交给一个人加AI，比切碎给五个人再拼装更快。摩擦减少不是因为每个环节更快，是因为交接次数变少。组织变薄，不等于裁人，等于减少交接。

改写三

让经验自己留下来

第三层最容易被忽略，却决定改造会不会回弹。

Seeed的IT团队建了三样东西：企业系统知识库——因ERP深度二开、历史文档分散，干脆把各系统代码交给AI反写业务逻辑与规则，把埋在代码里的知识还原成可调用的知识库；自动化测试平台——按需求与规则自动生成用例、执行基础测试；AI需求分析Agent——新需求进来，结合知识库与历史需求自动识别重复、冲突与关联影响，生成初步文档，再交项目经理确认。

于是形成一个循环：知识沉淀→需求分析→开发→测试→再沉淀。过程中产生的上下文全部回流，被下一次需求重新调用。人工投入主要集中在需求判断这一环。

这一步真正改变的是经验的物理形态。过去，交接摩擦的解决方案沉淀在两个人的默契里——我交给老王，他不满意，我们在饭桌上对齐了；现在，同一次摩擦沉淀成系统里的一条验收标准。默契不可继承，标准可以。

三次改写已反映在经营结果上：2025~2026年间，单位人力承载的业务结果提升超过50%；254个案例在具体场景中释放约30%的人力投入；产品研发、业务审批、招聘等典型流程平均闭环周期缩短约30%。

三件不好看但更值得看的事

回退是常态，代价是信任。供应商对账Agent原本要结合审核规则和大量单据自动识别异常、生成结论。但部分单据数量多、资料复杂，AI的速度与准确度一度达不到要求。调整方案是分层：常规单据继续自动，复杂的转人工。代价很实在——业务对AI的信任度下降了一截。效率可以回补，信任只能重建。

第一版会变差，但迭代变快。不再依赖完整需求文档，第一版往往不够完善，却能靠真实反馈快速迭代。这要求管理者换掉一个根深蒂固的习惯：从“一次做对”改成“更快改对”。相应地，质量要靠机制而非人肉终审——如果每件事都要人最后把关，AI的提效基本封顶在一成。可行的做法是设自动门禁，让检查方与执行方上下文隔离，保留抽检与回滚，把偏差控制在每个节点，不要让它累积到最后爆发。

人的强度会上升。一个世纪前的装配线提醒过我们：传送带取消了工位之间的等待，也取消了工人喘息的间隙，福特上线移动装配线后流失率骤升，第二年不得不把日薪几乎翻倍。AI抽走的正是那些间隙——找材料、碰一下、等回复。所以AI原生组织必须同时提高回报，提高自主性，并且给人目标，而不是任务。Seeed让IT从“接受需求”前移到“主动识别组织里该提效的问题”；项目成员因为与业务目标一致，能拿到最客观的正反馈：问题解决了，效率提升了，用户数涨了。

如果你明天就要动手

顺序是反直觉的：第一步与AI技术无关。

先通接口。让AI看得见、理解得了、操作得动你的业务。绝大多数公司的真实业务过程根本没有留痕，你自认为的数据资产，在AI眼里并不存在。判据很简单：模型下一代变强就作废的，先别做；模型再强也必须问你的，先做——你们有哪些能力、规则是什么、数据口径在哪里，这类知识不会过期。

再选人。最好的实施者已经在你公司里，只是还没被找出来。别急着招算法科学家，去找那些已经自己掏钱买生产力工具、能讲清端到端做成过什么，并且影响了身边同事的人。把他们的账单接过来报销，等于告诉他：这是公司的事，不是你的私活。而如果老板自己不在用，下面看得出来这是做样子。

后划小。个体能力变大，团队规模就该变小。把职能横切改成按结果纵切，让小团队端到端负责一段完整业务。原则是紧缩预算、超额授权：钱可以少给，但要让它几乎不必走外部审批，不必求外部资源。最大的卡点从来不在钱，在流程。

三个判断

公司的规模将不再用人数描述。过去组织设计的核心是把人组织起来，接下来是把能力组织起来。当一家公司能同时调用人、智能体、模型、知识与外部生态，资源配置就会从“围绕固定结构配置人”走向“围绕经营结果动态组合能力”。不是你有多少人，而是你能组织多大的能力，完成多大的经营结果。对投资者而言，单位人力承载的业务结果、端到端闭环周期，比人员编制和研发投入更有信息量。