组织 AI 转型研究 01 | 现象:买得到的工具,买不到的转型

写在开篇

组织的 AI 转型，是这两年企业问得最多的问题：预算批了、工具买了、培训和试点也都做了，可回头看，AI 并未转化出显著的价值，转型也没能真的发生。这份研究想探究的就是这个现象背后的机制和解法——

通过分析 2026 年二季度以来公开的一百多篇企业披露、机构报告、一线复盘和从业者访谈，结合近一年在企业服务中看到的真实状况，我们提炼出十项关键发现和五条深层洞察，并串联成七个章节的问题链，告诉组织管理者和 AI 推动者，AI 转型的卡点到底在哪、一家企业又该从哪一步走起。

七章问题链如下：

AI 转型被误读成一张采购清单的这几年，跑通的企业给出的经验几乎一致：工具可以买，但转型不是买来的。

1. 工具采购式的转型

过去几年，很多企业的 AI 转型走过了类似的路径：董事会批一笔 AI 预算；IT 部门采购几家大模型的服务、给全员开通账号；HR 组织几轮"拥抱 AI"的培训；业务部门各自挑场景做试点。到了季度复盘，看的是三个数：账号开通数、工具渗透率、AI 使用率。数字不错，但是管理层却发现自己难以判断：公司的 AI 应用到底做得怎么样、算不算完成了 AI 转型。

买工具、发账号、培训都没错。但如果企业把这套动作当成转型的终点、停在"全员用上 AI 工具"这一步，那往往就会成为转型失败的起点。

下面这些证据来自完全不同的方向：投资人的公开演讲、对标杆公司的拆解、亲历转型的一线操盘手、咨询公司的调研数据，以及三家企业的 AI 现状——一家全球食品公司、一家制药公司、一家造车新势力。这些来源彼此独立，结论却一致。

2. 投资人的判断：AI 应该是操作系统，不是工具

2026 年 5 月，创业孵化器 Y Combinator（YC）的合伙人 Diana Hu 在 YC 公开课的视频里发布了一套「AI-native 公司」的组织设计方法论。这套方法论后来被反复引用，成为"AI 原生企业"从产品命题升级为组织命题的标志性时刻之一。她开场的第一句话是：

「AI should not be a tool your company just uses. It should be the operating system your company runs on.」——AI 不应该是公司顺手用一用的工具，而应该是公司运行其上的操作系统。[1]

区别在哪？她给出了几个具体的概念：

可查询公司（legible company）——原话是：「The whole organization should be legible to AI. Every important action should produce an artifact that the intelligence at the center of the company can learn from and use to self-improve.」整个组织都应该对 AI 可读，每个重要动作都应该产出一件"artifact"，让公司核心的智能层能从中学习、自我改进。

软件工厂（software factories）——人写规格、定义测试、判断是否成功，agent 负责生成实现、写代码、循环迭代直到测试通过。

闭环公司（closed loop）——信息被捕捉、反馈、再用来训练下一轮动作，整家公司像一台持续运行的学习系统。

这套方法论里流传最广的，是一位从业者在评论区晒出的组织形态。Chen Avnery 说，他们团队 12 个 agent 靠纯文本文件共享上下文——约束文档、滚动上下文、共享情报——「没有中间层、没有管理层。Agent 读一个文件、干活、写回去。中层管理没有消失，它变成了 markdown。」[1]

这套"操作系统"的概念现在还并没有被普遍验证的落地实践，但至少说明一个重点：在最前沿的"AI 布道者"的原生概念中，AI 从来不是"工具"。[1]

3. 对标杆公司的拆解：AI Native 是重写组织底层关系与操作系统

再看对 Anthropic 这家标杆 AI 公司的拆解。真正的 AI Native，不是每个人都配了 AI 助手，而是公司里几个最底层的关系开始重连——人和模型、模型和工具、工具和上下文、上下文和决策、决策和责任边界。[2]

在关系重塑的同时，Anthropic 也重新定义了 AI 视角下的新版组织"操作系统"，包括以下五个要素：

目标函数。 Anthropic 注册为公共利益公司（Public Benefit Corporation）——照样融资、商业化、追增长，但治理规则不同：普通公司的重大决策主要围绕股东利益，它则被要求在董事会层面平衡股东利益、被公司行为影响的人的利益和章程里的公共利益。目标函数被写进了法律结构。

责任边界。 如果 AI 会放大一家公司的能力，那它是不是也该提前设计好自己的约束？Anthropic 没有等跑起来之后再补一道闸门，而是在公司设立时就写明自己愿意被什么约束。

人才结构。 传统创业公司的标准配置是"一个技术 founder + 一个商业 founder"，而 Anthropic 的创始层把五类判断压缩在一起：技术、产品、组织、安全与治理、社会叙事。往下看，影响力来自"站在哪个问题上"，不来自管多少人——顶级人才不必当经理，可以做"嵌入大组织里的小型 founder"。

组织分工。 Anthropic 把 CEO 这个角色拆开：Dario 聚焦找方向，Daniela 聚焦把人和组织系统搭起来，另有一位充当"判断力的信息接口"，帮 CEO 过滤噪音。找人、找钱、找方向没有取消，而是被拆开、加厚、系统化了。

文化机制。 文化不是"大家相处得怎么样"，而是冲突出现时，公司默认怎么判断、怎么取舍。联合创始人 Daniela 有一句很重的判断：好的价值观不能太平淡无害——不能制造取舍、不能帮员工在具体场景里做决定，它就只是漂亮话。它那条"Do the simple thing that works"就是这种工具：一个方案为了显得完整而过度复杂时，用它把它砍掉。

学 Anthropic 不是照抄它的公共利益公司身份和价值观——多数公司也抄不了。真正能带走的是同一个动作：在 AI 把能力放大之前，先把规矩定好——公司该被什么约束、遇到分歧按什么标准定、谁站在哪个位置上负责，都得先摆明。用什么形式固定下来，每家公司可以有自己的答案。

4. 亲历者的故事：卡点从来不是 AI 够不够强

如果说前两路是理念层面的声音，下一位，就是亲历转型的一线操盘手在硅谷调研了一圈之后，对"什么是 AI Native 公司"的重新理解。他的故事围绕一件很具体的事展开：把公司写下来。

他讲了两个执行层的小故事。一个是他在硅谷见到的公司：一家数据库公司里，一个 UI 背景的同事靠着 AI 协作开发流程，做出了能打的数据库功能，压过了数据库技术老炮——"它把'谁有资格干这件事'的规矩改了"。另一个发生在他自己公司：一位老架构师一行代码没写，配了最强模型的账号，自己兼任产品经理、研发、测试，把一个此前需要约十个人、小半年工作量的活，一个多月做完。执行层的 AI 化，在他看来已经"不值一提"。

他拆出了三层进阶：

为什么第三层那家公司能把经营交给 AI？答案是它做了十几年，经营理念、流程、考核标准早已沉淀成文成制度——它的"AI 大脑"接得住，是因为有东西可接。而大量 AI 创新公司最关键的知识，装在老板和几个核心同事的脑子里，从来没有成体系地写下来过。他的原话是：

「卡点从来不是 AI 够不够强，是这家公司有没有被'写下来'过……你没写下来的东西，AI 读不到。」[3]

5. 咨询公司的数据：战略比工具更重要

这些判断，也有调研数据可以印证。咨询公司 BCG 2026 年 6 月发布的第四版 AI at Work 调研，覆盖全球 11,749 名员工，报告标题很直白："战略比工具更重要"。

先看一组容易被忽略的前置数据：42% 的前线员工每周因 AI 节省至少一天时间，但 66% 的人没有收到任何指引说这省出来的时间该用在哪，超过一半的人根本没有把时间重新投入战略性工作。工具是发下去了，时间也省出来了，但组织没有把省出来的东西转化成别的。

再看两组核心对照：

这两组数据合起来说了一件事：工具的数量不决定结果，战略的清晰度和流程的重构程度才决定。用工具和感受到价值之间，隔着巨大的鸿沟。

2026 年 8 月，BCG 在另一份关于"AI 中枢"的报告里，这样描述大多数企业的现状：「业务部门自己做场景，IT 部门建平台，HR 在做 AI 培训，法务和风控制定规则，各个部门都有自己的 AI 试点……工具不少、项目不少、投入不少，但能够真正规模化复制的成果并不多。」[5]

各部门都在动，就是没有一处把组织当成整体来重连——采购清单上的动作一个不少，合起来却仍然不是一家 AI 原生公司。

6. 一个可参考的组织 AI 成熟度框架

本章开头留了一个问题：公司的 AI 应用到底做得怎么样、算不算完成了转型？回答它，需要一把统一的尺子。AI-OMM 是一套可参考的组织 AI 成熟度框架，它把组织分成四档：

它衡量的不是"多少人在用 AI"，而是 AI 在组织里走到了哪一层——个人手里的工具、流程里的一环、决策中的一个角色，还是组织设计的前提。

用几家有代表性的企业举例：

达能，全球食品巨头，把数字化转型的成功路径复制到 AI 转型里，通过复制包推广成功试点；按 2026 年的公开披露，约 5 万名员工每天使用 AI 解决方案，AI Champions 网络扩大到 600 人——"全员用 AI"的样板级数据。[6]莫德纳，一家 mRNA 制药公司，是制药集团默沙东的抗癌药研发伙伴；到 2025 年底，员工已经自建 4000 多个 AI 助手，覆盖写试验方案、整理合同、查询制度、分析数据等。[7]理想汽车，开发自有的 VLA（"视觉-语言-动作"）大模型，用于端到端智能驾驶，让模型直接看路况、做判断、开车；公司披露，2025 年 10 月 VLA 月度使用率达到 91%。[8]

——这三家企业，有的全员在用 AI，有的上线了大量 AI 助手，有的产品本身深度使用 AI。但它们在这套评估标准中，成熟度都落在 S2（流程化），只有少数局部业务或环节接近或进入了 S3（决策化），更谈不上围绕 AI 重写组织。

也就是说，当下即便看起来把 AI 用得不错的企业，多半也还没突破成熟度的中位——与"AI 原生"还有明显的距离。

7. 结论：工具的部署和使用，都不等于转型

把本章所有证据叠在一起，结论其实有两层。

第一层：上线工具，不等于转型。只做工具部署的企业，31% 看到业务改善；做端到端流程重构的企业，53%。差距不在工具有没有，在公司有没有为它改流程。把"全员用上 AI 工具"作为终点，恰恰是转型失败的开始。

第二层：用的人多、范围广，也不等于转型。达能的五万名员工每天在用，莫德纳的员工自己造出 4000 多个 AI 助手，理想的产品里跑着 91% 使用率的 VLA，但用刚才那把尺子一量，三家整体都停在 S2 流程化。把 AI 当工具用（S1），无论多少人用、用得多勤，组织形态没有变；AI 进了流程（S2），才算碰到组织的边；AI 开始参与决策、组织围绕它重设（S3/S4），才是转型真正发生的地方——工具化的使用，放大的是旧组织。

两层合起来：工具的部署和使用，都只说明这家公司在动，说明不了它动到了哪一层。转型的分水岭不在"有没有 AI"，在 AI 有没有从个人手里的工具，走进流程、走进决策、走进组织结构。这个认知共识，是后面六章讨论组织重构、知识资产化、治理重设计的基础。

下一章继续讨论：如果 AI 转型的卡点不在工具的使用，那在哪里？

本章关键发现

发现 1：工具采用 ≠ AI Native/转型。

我是张詠曦，一名管理咨询老兵，组织转型和目标管理教练，AI 深度探索者。欢迎后台留言，讨论一切 AI 相关的话题。

参考资料

1.  《YC 放出一套「AI-native 公司」组织方法论，直接把公司当操作系统来设计！中层管理变成了 markdown》2.  《如何做一家 AI Native 组织 —— 学习 Anthropic》3.  《AI Native 的门槛，是把你的公司写下来》4.  《BCG AI at Work报告解读》5.  《BCG最新：企业不缺AI项目，缺的是统筹全局的“AI中枢”（附四阶段演进模型）》6.  《AI组织进化 12｜达能灯塔工厂，如何变成全组织的AI能力复制器？（附带5条实用实践原则）》7.  《AI组织进化 019｜莫德纳 Vs. 默沙东：引发市场“核爆级”影响的明星抗癌药，为何照出了两家药企AI组织进化的两种路线》8.  《AI组织进化 018｜理想汽车最新财报发布：亏损时还敢投AI，究竟是远见还是执念？》