引子：热闹背后的尴尬

过去半年，几乎每一家头部公司都在公开场合高调喊出”AI First”。Shopify的CEO Tobi Lütke在一份内部备忘录里说得极其直白——”在Shopify高效使用AI，现在是每个人的基本期望。它是一种全能工具，其重要性只会增长。坦白说，我不认为可以选择不学习在你的专业领域中应用AI这项技能；你可以尝试，但我想诚实地说今天行不通，明天更不行。停滞几乎是必然的，而停滞就是慢动作的失败。如果你不是在攀登，你就是在滑落。”紧接着，Amazon CEO Andy Jassy向员工宣布：”我们会需要更少的人做今天正在做的一些工作，更多的人做其他类型的工作”，并直接指出：”我们预计随着在公司范围内广泛使用AI获得效率提升，这将减少我们的企业员工总数。”

但真正走进企业内部，你会发现一种奇特的割裂：老板在台上高谈阔论，员工在工位上用ChatGPT润色邮件，中间的业务系统、权限结构、流程闭环却纹丝未动。大部分公司其实还停留在”员工自己摸索工具”的阶段。

这就是今天最值得警惕的真相——

AI First 从来不是”大家都开始用AI”这么简单，它真正改变的不是某一个岗位，而是整个组织的运行逻辑。

下面，我沿着”诊断 → 重构对象 → 落地姿势”的顺序，把这场组织重写讲透。

第一部分：诊断——为什么AI First卡住了？

1. 真正的瓶颈不是模型能力，而是”组织接口”

过去两年，所有人都盯着”模型又变强了多少”。但在企业咨询现场你会发现，模型早就够用了，卡住AI落地的，是企业根本”接不住”它。

一个非常有说服力的数据来自MIT与Snowflake合作的调研：尽管AI工具旨在提升生产力且被广泛采用，但77%的数据工程师面临更重的工作负担；83%的组织已部署基于AI的数据工程工具，但45%的组织将集成复杂性、38%将工具碎片化列为主要采用挑战；AI虽在自动化许多数据任务，但脱节系统的泛滥制造了一个”生产力悖论”——单个任务更快了，但整体工作流反而更慢；数据工程师现在37%的时间花在AI相关项目上，两年前这一数字是19%，预计两年内会达到61%。

这组数字背后的真相很残酷：模型越来越强，但企业反而更累。原因就在于——AI进了员工的电脑，却没进企业的”组织接口”：权限没开、系统没连、流程没改、评估没变。

评论区那句一针见血的调侃就是最好的注脚——”你就说要不要给Agent发工牌吧“。这句玩笑精准点破了问题：要让AI真正深度介入业务，就必须赋予它相应的系统权限与组织身份。没有这个”身份证”，再强的模型也只是一个在门口递材料的临时工。

2. AI First 和 AI Assisted，根本不是一回事

这是最多公司混淆的概念。

AI Assisted

：给员工发一张Copilot或ChatGPT的账号，让他写代码、写邮件、做PPT更快一点。这是”工具辅助”。

AI First

：整个业务闭环被AI重新设计，人的角色从”执行者”变成”构建者和判断者”。这是”组织重写”。

Shopify是这条分界线上最具示范意义的样本。Shopify的CEO Tobi Lütke定下了一条严厉的新规则：在决定招聘一个人之前，必须先证明AI做不了这份工作。Shopify不只是在微调团队工作方式——它在重写内部剧本：想要更多帮助？先证明AI做不了。想构建新东西？先从AI开始。做绩效评审？展示你是如何有效使用AI的。

注意这三句话的杀伤力——它们分别对应招聘、研发、绩效三个组织核心机制的重写。这已经不是”多一个工具”，而是组织本身被AI重新编程。

Microsoft更激进。Microsoft的整改中，HR和工程的更紧密对齐是核心支柱之一，反映了公司向AI驱动的产品开发更广泛的推进。”为了交付AI-first的产品和体验，我们需要更有意地把我们如何设计体验和我们如何生成与应用洞察连接起来。这把分析能力带到更接近它们所影响的体验和决策，使更快的学习和更强的洞察到行动的循环成为可能。”

更刺眼的是Microsoft对HR本身的重写：”我们正处于技术、工作方式和组织结构都在演变的时代。变化的速度超过了我们当前运营模型和决策节奏所能应对的。我们不再被要求为稳定性而扩展；我们需要为适应性而扩展，并帮助设定新的节奏。鉴于此，我们的职能必须随着我们正在变成的Microsoft而演变。”

注意这句话的分量：HR本身——这个几十年来象征”稳定”的部门——都在被AI First的逻辑重写。这就是AI First和AI Assisted的本质差别。

第二部分：重构对象——AI到底改写了什么？

3. AI 重写的是”整条loop”，不是某个岗位

大多数人谈AI落地，都在问”会取代哪个岗位”，这是典型的工业时代思维。AI真正改写的是整条业务闭环。

Amazon是这个观点最好的说明。Amazon已在使用或构建超过1000个生成式AI服务和应用——这只是它最终将创造的”一小部分”。这些AI Agent能自主执行深度研究、写代码、翻译语言。Amazon在内部运营中广泛应用AI。这些新的AI能力意味着Amazon需要更少的人类员工。Jassy表示，随着Amazon构建更多AI Agent接管业务单元中的任务，公司将削减人类员工。

请注意1000个AI应用这个数字背后的含义——它不是”某个岗位被AI替代了”，而是仓储、客服、广告、商品页、采购、物流整条链条都在被AI重新编排。生成式AI的影响在Amazon自己的运营中运行得很深，直接影响CX。Jassy指出它在履约网络中的使用——微调库存、改善需求预测、让机器人更高效。

当loop被AI重写，”某个岗位是否保留”就成了伪问题——因为流程本身已经不存在了。

同样的闭环级重构在工业侧也极其清晰。汽车制造商奥迪在其车身车间使用工业AI，那里每天进行500万次焊接。训练AI模型自动化焊点检测并与西门子工业AI套件集成，帮助奥迪在车间现场实现了高达25倍更快的推理速度，从而可以直接在问题出现的地方处理缺陷。

（注：原文来自Nvidia博客，这里引用工业案例）这25倍的意义，不是”质检员做得更快”，而是**”发现缺陷 → 判断原因 → 现场干预”这条闭环被压缩到了秒级**。

4. 被压缩的，是”中间协调”的价值

在老的业务流程里，最大的成本不是”做事”，而是**”传话”**——进度跟进、跨部门协调、信息对齐、状态同步。评论区那句”体制内沟通成本是最高的”，说得一点不假。

而这恰恰是AI最擅长吃掉的部分。Meta给出了最具戏剧性的案例：Meta和Block等主要科技公司正在重新定义传统的中层管理角色，引入”AI builder”、”pod lead”和”player-coach”等新头衔，试图扁平化组织结构并通过先进AI工具赋能员工。这种远离专职中层管理者的转变是公司精简管理层级以追求速度和效率的更广泛趋势的一部分——2025年雇主发布的中层管理职位比2024年减少了12.3%。

这个12.3%的下降非常关键。它说明——被AI First首轮吃掉的，不是”执行层”，而是”协调层”。

Meta内部的数据更具体：在新结构下，组织采用了异常扁平的管理层级。内部指导显示每位经理可能管理多达50名工程师或研究员，反映了扎克伯格2026年为减少官僚主义、加速产品开发而设定的更广泛管理哲学。

一个经理带50个人——这在三年前几乎不可想象。它意味着什么？意味着大量原本由经理承担的”进度跟进、状态同步、信息对齐”工作已经被AI Agent、dashboard、workflow工具接管。Meta AI负责人Alexandr Wang对此的解释是：”通过减少团队规模，做决策需要的对话就更少，每个人将承担更大的责任、更广的范围和影响力。”

这就是AI对”中间协调层”的压缩逻辑：当沟通本身被自动化，就不再需要那么多人专门负责沟通。

5. 分工重构：未来最贵的人，是”构建者”与”判断者”

当纯执行被AI吃掉后，人的价值会向两端集中：

构建者

：定义系统、设计流程、搭建Agent、制定评估标准的人；

判断者

：在AI输出上做最终决策、承担责任、处理边缘案例的人。

Klarna的故事是这个观点最具警示性的反面教材。Klarna——瑞典金融科技巨头——走得更远。CEO Sebastian Siemiatkowski宣布AI已经取代了约700名员工的工作，公司把员工从5000人缩减到3800人，同时处理相同体量的客服和运营。但结局呢？——到2025年末，他们又开始重新招人了。原因很直白：客户满意度在复杂交互上下降了，边缘案例、情绪化投诉和多步问题让AI不堪重负。

教训很直白：纯执行可以AI化，但判断不行。

Shopify对此的理解非常成熟：他描述了一些团队已经达到了一年前看起来不现实的生产力水平。以前不在任何人雷达上的人现在正在解决高影响力的问题，仅仅因为他们知道如何以正确的方式与AI协作。

看清楚——Shopify眼里最有价值的，不是”能把代码写最多的人”，而是”懂得如何和AI协作解决高影响力问题的人”。这就是构建者和判断者的原型。

6. 老程序员未必比新程序员更有竞争力

这一条听起来刺耳，但必须说。

过去20年，软件行业信奉”经验为王”：代码风格、架构直觉、踩过的坑，都是老员工的护城河。但在AI First的范式下，这条护城河正在被部分抽干。

Shopify内部发生的事最说明问题：这种转变可能对初级岗位产生真实影响。如果一份新工作主要涉及AI能做的任务，可以想象早期职业候选人得不到offer。这可能意味着更少的人才进入企业，因为初级岗位变少了。

但这只是故事的一半。另一半更残酷：Lütke把AI称为不仅仅是有用的东西，而是一个乘数——把10X员工变成100X团队。

注意这里的逻辑——在AI First时代，员工之间的差距不再是2倍、5倍，而是可能达到100倍。而这个差距的拉开维度，不再是资历、经验、工龄，而是”AI迁移速度”。

一个工作3年、会写Prompt、懂得编排Agent、习惯审查AI产出的新工程师，在实际产出上可能已经追平一个工作15年但坚持”AI我就用来查资料”的老师傅。

经验不再自动等于竞争力，迁移速度才是。这不是对资历的否定，而是对思维方式的重估。

第三部分：落地姿势——真正的AI转型怎么做？

7. 真正有效的转型，不是先规划，而是先嵌入

大部分公司启动AI转型的标准姿势是：开战略会 → 请咨询公司 → 做5年规划 → 列50个场景 → 立项 → PPT汇报。结果往往是方案做到完美，但业务端毫无感知。

真正跑通的公司都是反着来的——先让AI强行嵌入一条具体业务，发现问题，再迭代。

Shopify的做法就是典型。AI必须是你GSD Prototype阶段的一部分。任何GSD项目的原型阶段都应该由AI探索主导。原型是用于学习和创造信息的。AI极大地加速了这个过程。你可以学会以过去所需时间的一小部分产出一个团队成员能看、能用、能推理的东西。

这套”先用AI造原型、再讨论方向”的姿态，和传统”先规划再执行”的范式是完全相反的文化。它默认学习只能从摩擦中产生，方案只能从嵌入中长出来。

Microsoft走的是另一条相似的路径。Microsoft正在对其商业业务进行大规模重组，旨在加速其下一阶段的人工智能增长。在公司官方博客上发布的一份员工通讯中，CEO Satya Nadella宣布了重组，将关键职能整合在一个伞下。Judson Althoff将领导扩展的商业部门，Nadella称之为”构造性的AI平台转移”。

这里的关键词是”tectonic“——构造性、地壳级别。Nadella没有等”完美方案”，直接动了公司架构：Nadella说，重组将让Microsoft的工程负责人专注于数据中心建设、系统架构、AI科学和产品创新。他敦促员工”快速学习新技能”并”贴近金属”以跟上新平台时代的需求。他把这一刻称为”不仅仅是演化，是再发明”，并将重组定位为确保Microsoft在下一波AI转型中保持领先地位的关键。

贴近金属（stay close to the metal）——这句话可以被写在所有AI First企业的墙上。它的意思就是：别停留在会议室里谈战略，直接扎进真实业务的底层。

8. 选对”Scaling对象”：下一个该被AI化的是哪段闭环？

AI First不是一次性工程，而是一场持续的”Scaling对象迁移”。2023年大家Scale模型参数，2024年Scale上下文长度，2025年Scale Agent协同和记忆。企业的挑战是——在你的业务里，下一个值得Scale的点在哪里？

Meta的选择很有启发性。内部指导显示每位经理可能管理多达50名工程师或研究员，反映了扎克伯格2026年为减少官僚主义、加速产品开发而设定的更广泛管理哲学。构建新的”数据引擎”——该组的核心使命之一是开发Meta所称的”Data Engine”，一个内部基础设施平台，旨在支持下一代AI系统。

注意这个选择的精妙：Meta没有继续卷”更大模型参数”，而是把下一个Scaling对象定义为”组织扁平度“和”数据引擎“。换句话说——当模型本身边际收益开始递减，真正的杠杆就移到了组织和数据上。

这对每个企业的启示是：你拥有的独特数据、独特流程、独特专家经验，才是你真正该Scale的东西。别人能用ChatGPT，你也能用，这不构成竞争优势；你的独有数据如何被AI化、模型化、Agent化，才是。

给企业的一个实操问题：停下来盘点——你公司里哪些流程、知识、判断逻辑，目前只存在”老员工的脑子里”？那就是你下一个该Scale的对象。

9. AI First 的极致形态：从”大公司”走向”一人公司”

这是一个大公司必须正视的战略威胁。

“一人公司”（OPC）在2025年底开始从创业圈向大众破圈。它不再仅指法律上的单一股东结构，而是一种新范式：核心创始人 + AI智能体集群 + 极少量辅助人员。

有趣的是，大公司自己内部也在用类似逻辑重塑组织单元。”我们开始看到过去需要大团队才能完成的项目，现在可以由单个非常有才华的人完成。””不需要永久性的中层管理层。旧层级做的其他所有事情，系统都会协调。”

给大公司的警钟极其刺耳：如果一个独立开发者+一套Agent就能干过你一个部门，你的组织臃肿就不是”稳定”，而是”债务”。

对大公司而言，真正的风险不是外部OPC创业者偷了客户，而是你内部每一个业务单元都应该被重新问一遍：在”一人公司+AI集群”的能力密度下，这个部门还值多少人？边界应该划在哪？

这不是裁员的借口，而是组织密度的重估——把人力从协调、传话、汇总的低价值工作中释放出来，让他们成为构建者和判断者。

10. AI First 的风险也会被等比放大

最后一个必须说的点：AI First 不是只有Upside。风险同样会被等比放大。

Klarna的AI客服从”顶700人”到”重新招人”，是最典型的教训。更大的隐忧是——2025年哈佛商学院的一项研究发现，6成经理超过一半的时间都花在AI现在可以自动化的行政任务上，到2030年将有约150万个美国管理岗位面临风险。

但这150万个岗位的消失，如果没有配套的上下游兜底机制，造成的组织真空可能远大于效率收益。然而，专家警告说，如果实施不当，完全消除中层管理会造成模糊性和问责缺失，仍需要人类”桥接者”帮助团队有效协作。

Shopify的基础设施给出了正面示范：Shopify如何让这件事变得真实——内部LLM代理、24+ MCP服务器、开源工具——这些基础设施让AI First的强制要求在其他公司可能失败的地方变得可行。

这对所有想做AI First的企业的启示是：越是激进的AI嵌入，越需要扎实的数据治理、评估体系、仿真验证、回滚机制和人类兜底。

激进的AI First，必须配上谨慎的工程化基础设施。两者缺一不可。

绕回最开始的那句调侃——”你就说要不要给Agent发工牌吧“。

这句玩笑的分量，到这里应该能看清了：

给Agent发工牌，不是一个搞笑的IT问题，而是整个组织愿不愿意承认”新物种进场”、愿不愿意重新分配权限、责任、预算和分工的问题。

AI First 真正的门槛，不在算力，不在模型，甚至不在人才，而在你愿不愿意重写组织本身：

愿意重写loop的，吃到的是Amazon那种”1000+应用重塑整条业务链”的红利；

愿意重写分工的，吃到的是Meta那种”一位经理带50人”的组织密度升级；

愿意重写招聘的，吃到的是Shopify那种”100X团队”的人才筛选效率；

愿意先嵌入再规划的，吃到的是Microsoft那种”贴近金属”的迭代确定性；

而那些只在高管发言稿里喊AI First、却不肯动组织一根汗毛的公司，会在接下来3年里，在”我们也在用AI”的自我安慰中，被结构性淘汰。

给Agent发工牌，只是这场重写的开始。真正的问题是——

你的组织，准备好容纳这个新同事了吗？