AI时代团队怎么搭 · 04

模型可以换，但组织方法必须留下来

组织命题 04　怎样把个人使用 AI 的经验沉淀成组织能力？

前三篇一路讨论下来，其实已经完成了从“个人使用 AI”到“重新设计部门”的大部分推演。

如果 AI 能够让一个人的能力边界扩大，那么部门就不能继续简单通过堆人数获得能力；如果人员结构发生变化，团队就应该从传统金字塔转向更高的能力密度；如果专家、骨干、新人和 AI 开始共同完成工作，那么组织还需要重新划分生产和判断的边界，并建立新的质量机制。

但走到这里，还有一个问题决定了前面所有变化究竟是一次短期效率提升，还是能够真正留下来的组织变革：

这些新的工作方法，到底属于员工个人，还是属于这个部门？

一个部门真正拥有AI能力，是离开某几个“AI高手”以后依然能够运转

如果一个部门里有三个人特别会用 AI，他们一个人能顶过去两三个人，我们当然可以认为他们很优秀。但如果这三个人离开以后，所有方法也跟着消失，那么公司实际上没有得到任何新的组织资产。

真正的组织能力必须能够沉淀。

我现在最想做的事情之一，就是把自己使用不同模型的经验逐渐从“感觉”变成记录。

什么类型的任务适合什么模型，什么任务快速处理就够了，什么问题值得投入更多思考，哪些结果容易出现什么错误，什么情况下需要第二个模型挑战，最终又需要多少人工修改。

几十个任务以后，这可能只是一张个人经验表；几百个真实任务以后，它就有可能逐渐变成部门的“AI 任务分配表”。

但如果站在部门建设的角度，只做到这一步还不够。

这张表还应该和部门的知识库、历史项目、交付模板、典型案例、常见错误和质量标准结合起来。新员工加入以后，不需要从头摸索“这个事情怎么问 AI”；一个业务骨干形成了好的方法，也不应该只保存在自己的聊天记录里；一个项目踩过的坑，更不应该在下一个项目重新踩一次。

真正理想的状态，是人的经验能够不断进入组织，再通过 AI 被更多人调用。

这样一来，高级人员的价值也会出现一个很有意思的变化。

过去一个高级专家的能力主要通过自己工作和带人扩散。他一天的时间有限，能够亲自指导的人也有限。未来如果他的判断方法、典型案例、检查标准和经验能够被系统化地沉淀下来，再通过 AI 帮助其他成员使用，那么一个专家的经验就有可能突破他自己的时间限制。

这才是我认为 AI 对组织最有价值的地方之一：它不只是提高一个人的生产效率，还有机会提高经验的复制效率。

而一个部门真正形成壁垒的地方，也可能就在这里。

模型本身没有壁垒。今天 GPT 强一点，明天可能是另一个模型；我们今天总结出来的模型排名，半年以后很可能已经失效。竞争对手可以买到和我们一样的模型，也可以学习类似的提示词。

真正不容易复制的，是一个部门经过几百个项目、几千个真实任务以后形成的那套判断：什么事情应该怎么拆，哪些风险最容易被忽略，什么结果必须检查，什么情况下 AI 不值得相信，以及怎样把有限的高级人员用在最关键的地方。

模型可以换，组织方法应该留下来。

我认为这才是部门真正应该建设的 AI 能力。

AI转型最后要回答的，不是“大家有没有变快”，而是“这个部门是不是已经变了”

如果我们真的开始沉淀这些能力，管理者最终还需要回答一个非常现实的问题：怎么判断 AI 转型到底有没有成功？

如果只是看多少人使用 AI、每天调用多少次，意义其实不大。

员工当然可能觉得方便了。过去两个小时才能完成的材料，现在半小时完成；过去需要自己搜索很久的信息，现在几分钟就可以整理出来。这些都是真实的价值，但对部门建设来说，这仍然只是第一层。

我真正希望看到的是组织层面的变化。

同样规模的业务，现在需要多少人支撑？一个成熟骨干能够覆盖的业务范围是不是扩大了？一项工作经过 AI 以后还需要多少人工修改？多少低价值工作已经真正从人工流程中消失？高级人员的时间有没有从写材料、改材料转移到客户、方案和关键决策上？效率提高以后，返工率和质量事故有没有同步上升？

这些问题比“使用率”更能说明真实变化。

如果人还是原来那些人，岗位还是原来的岗位，工作流程基本没变，只不过大家在原来的工作步骤里多打开了一个 AI 页面，那么 AI 本质上还是一个更好用的办公软件。

只有当人员结构、工作方式、单位交付成本和能力边界开始变化，我们才能说 AI 真正进入了组织。

所以如果今天让我重新组建一次团队，我大概已经能够描述出它的轮廓：

它不会拥有一个庞大的金字塔，而会拥有少量真正的专家、一批能够独立承担结果的复合型骨干、一支规模不大但被认真培养的新人梯队，以及一层深入日常工作的 AI 能力。

人的时间会更多留给业务、客户、判断、创造和责任；大量生产工作逐渐交给 AI；部门通过分级验证控制 AI 带来的新风险；高级人员的经验则通过规则、知识和工具不断向整个组织扩散。

这支团队的人数可能比今天少，但人数从来不是我的目的。

我真正希望得到的是一个能力密度更高、协调成本更低、经验可以重复利用，而且不会因为某几个高手离开就迅速失去能力的组织。

回头看我最开始做的那一轮多模型实验，其实挺有意思。

一开始我只是想知道 GPT、Kimi、GLM、DeepSeek 到底谁更适合我的工作。结果用到最后，我反而越来越不关心模型排行榜。

因为模型一定会继续变化。

真正不会那么快过时的是另一组问题：什么能力应该留在人身上，什么能力应该交给 AI；什么事情机器可以自己完成，什么事情必须由人判断；我们怎样培养下一代高级人才；又怎样把少数人的经验变成整个部门可以重复使用的能力。

这四篇写到这里，我其实也只是完成了第一轮思考。

因为一旦真的按照这种方式重构部门，后面还有一些更现实、也更棘手的问题会出现：绩效怎么设计？岗位职级怎么调整？高级人才是不是会越来越贵？中层管理会不会被压缩？当一个三十人的部门能够承担过去五十人的业务以后，预算、报价甚至公司的利润模型又会发生什么变化？

这些已经不只是 AI 使用问题，而开始进入真正的经营管理。

这也是我接下来准备继续思考的方向。

如果说这个系列讨论的是“AI 时代，我们应该怎样重新建设一个部门”，那么下一个值得继续追问的问题可能是：

当这样的部门真的出现以后，我们今天习以为常的管理制度和商业模式，还能不能继续沿用？

这个问题，我想留到下一个系列继续讨论。

AI时代团队怎么搭 · 系列 4 / 共四篇