AI-native：你不是在给公司装 AI，而是该为 AI 重造一家公司

「2021–2026 AI组织转型与领导力」专辑 · 第 1 篇（共 6 篇）写给创始人与高管　|　写作日期：2026-09-25

一切要从那个安静的早晨说起

2022 年 11 月 30 日，一个其貌不扬的网页悄悄上线了。

没有发布会，没有 keynotes，甚至没有多少人注意。最早只是硅谷的工程师圈里互相丢链接："你试了吗？这个不一样。"人们在对话框里敲进去各种刁钻古怪的问题，然后盯着屏幕，第一次产生一种近乎本能的错愕——它好像真的听懂了。

接下来的速度，超出了所有人的预料。短短两个月，ChatGPT 的月活用户冲到一亿，成为人类历史上增长最快的消费级产品。从 CEO 到实习生，从北京到波士顿，无数人在同一段时间里，对着同一个对话框，心里闪过同一个模糊而强烈的念头：

这玩意儿，可能会改变一切。

三年后，轮到你了。

设想一个普通的周一早晨。你坐在办公室，翻着过去一季度的经营数据。说实话，这两年你在 AI 上没少下本：工具买了一整套，培训做了一轮又一轮，团队也确实提效了——销售写方案快了，工程师说代码有人帮忙补了，连 HR 的入离职流程都挂上了智能助手。会议室里，每个部门都在汇报"我们用上了 AI"。

可当你把所有汇报放到一边，重新盯住那张损益表，一个让人后背发凉的事实浮了出来：

人人都更忙了，可公司的账，几乎没有变化。

直到这一刻，你才不得不承认一件事：真正卡住这场变革的，也许不是 AI，而是 AI 待着的这间"公司"——是它的组织形式。

真正的分野：你在"装 AI"，还是在"为 AI 重造公司"

这不是你的错觉，而是一场全球性的集体困境。

企业的生成式 AI 使用率，在大约一年时间里就从 55% 飙升到 75%；模型、算力、云，只要愿意花钱都能买到，技术早就不再是壁垒。但 BCG 的研究给出了一组刺眼的数字：高达 60% 的企业，AI 投资回报微乎其微；真正把 AI 用成规模化能力、被称作"Future-Built"的企业，只有 5%。而这 5% 的企业，收入增速是落后者的 1.7 倍，股东总回报是 3.6 倍。

问题到底出在哪？

面对这个问题，绝大多数公司的第一反应是两个：要么觉得"是我们的 AI 还不够强"，于是不停升级模型；要么觉得"是员工还不会用"，于是加码培训。这两件事当然要做，但如果你只盯着它们，可能正朝着错误的方向使劲——因为瓶颈根本不在这两处。

真正的分野，是一个更根本的组织选择：你是在"给一家旧公司装 AI"，还是在"为 AI 重新设计一家公司"。

前者把 AI 当插件，组织结构纹丝不动。个人确实快了，可省下来的时间，很快被旧结构里的会议、审批和部门摩擦重新吸收——这就是为什么"人人都更忙，公司却没变"。后者则承认一个事实：AI 不是一个更聪明的工具，而是一个能大规模处理信息的"新员工"，一个公司里的第二个智能主体。既然如此，工业时代沿用了上百年、为"信息处理能力极度稀缺"而设计的那张组织图纸，就必须重画。

这一点，我在今年初发表于《哈佛商业评论》的一项对比研究中有过直接观察——《One Company Used Tech as a Tool. Another Gave It a Role.》：把技术当工具，它只让旧工作更快；而当它作为一个"角色"真正进入协作网络、成为一个功能节点，金字塔式的层级，才会向着以功能节点为核心的网状联接演变。这也是理解后面所有案例的一条暗线。

这两种公司的差别，被过去五年的领先实践收敛到了三个地方。它也是你判断自己公司是否真正 AI-native 的三道考题：

在逐个拆开之前，我们先花一点时间，看清楚这五年到底发生了什么——因为同一张考卷，题目的问法已经悄悄换了三次。

五年，一道题换了三次问法

回头看，企业对 AI 的提问方式，清晰地走过了三个阶段。

2021–2022 年，是"分析式 AI"的平台期，问题是"怎么把 AI 嵌进现有业务"。这里要先纠正一个常见的错觉：AI 并非这两年才起步。麦肯锡的全球调研显示，已经有约一半企业在至少一个职能用上了 AI——2021 年为 56%，2022 年约 50%；IBM 的口径则是 2022 年约 35% 已部署、另有 42% 在探索。最常见的场景，是服务运营、产品与服务开发、营销与销售。

但那时的 AI，是传统机器学习：计算机视觉、推荐算法、需求预测、客服中心自动化。它需要专门的 ML 团队、专有数据和一条条定制的管线，最终作为一种"嵌入式能力"被装进既有的产品和流程里，价值主要体现在降本上。换句话说，AI 站在组织网络之外——它让某些环节更快，却不改变谁和谁协作、不改变汇报线，组织本身纹丝不动。

真正的拐点，是 2022 年 11 月 ChatGPT 的上线。2023 年随之成为"发现年"：员工个人的使用率先爆发，跑得比组织还快；约三分之一的企业开始在至少一个职能常规使用生成式 AI。各大公司纷纷设立 AI 卓越中心（CoE），大规模做培训、推工具——这一阶段的问题，是"怎么让全员用起来"，追求的是使用率和覆盖率。

2024 年，是规模化与价值兑现的一年。生成式 AI 的常规使用率跃升到约 65%，企业整体 AI 采用率达到 72%，开始在财务上产生可感知的价值。但繁荣之下，真正的难题也暴露出来：德勤对 2700 多家企业的调研显示，绝大多数公司只在推进 20 个以内的实验，而其中预计只有 10%–30% 能真正被规模化。瓶颈不在技术，而在组织。

于是到了 2025–2026 年，领先者的问题，终于变成了"怎么为 AI 重新设计组织"。当工具人人都有、模型家家都强，他们承认：真正卡住价值的，是组织结构本身。动作由此发生质变——从"给现有的公司加装 AI"，转向"为 AI 重新设计，甚至重新诞生一家公司"。这，才是我们今天要谈的这道分水岭。

看明白这个脉络，你就会理解下面三个转变为什么如此重要。它们不是三个孤立的管理技巧，而是同一件事的三个侧面——当信息不再稀缺，组织里那些靠"占有信息"而存在的梁，必须一根根重新立过。需要先说清楚：这三个转变，没有一个是技术问题，它们全是组织问题，最终全是愿不愿意把手里的权力，让渡给更高效率的问题。

转变一：先问"AI 能做什么"，再决定公司该有多大

传统公司的规模，是顺着人头长出来的：业务多了加人，人多了加管理层。AI-native 公司把这个逻辑整个倒了过来——先用 AI 的能力，推演维持业务所需的"最小组织"，再决定边界。换个角度看，它其实是在问：当 AI 成为一个能承担功能的节点，这张协作网络，到底还需要多少个人类节点、需要多少层？

把这一点做到极致的，是 Block——Square 和 Cash App 的母公司。

2026 年 2 月 26 日，CEO 杰克·多西向股东发出一封信，宣布裁员约 40%，超过 4000 人，员工总数从一万多人降到不足六千。消息一出，盘后股价上涨约 20%。真正值得注意的，不是裁员这个动作，而是他做决策的方法。据《财富》披露，多西给团队出的，是一道反常识的推演题：

"别问能裁多少人。问的是——要 100% 维持现有服务、合规和增长，理论上最少需要多少人？"

他是在用 AI 的能力，倒推公司的最小可行边界。在随后与红杉资本合伙人鲁洛夫·博塔联名发表的长文《从层级制到智慧体》里，这套逻辑被讲得更彻底。他们的核心论断是：层级制本质上是一种"信息路由协议"。从古罗马的军团小队、普鲁士总参谋部，到美国铁路公司的组织架构图，之所以需要一层层管理者，是因为公司大到没有任何人能看清全局，只能靠人把信息逐级上传、再把指令逐级下达。

而这个维持了两千年的前提，第一次不成立了——AI 可以为整个企业维护一个实时更新的"世界模型"，不靠人来中继信息。Block 计划构建两个模型：一个聚合内部的代码、决策、流程和绩效，另一个通过 Cash App 和 Square 的海量交易，映射客户与商户的真实行为；在其上叠加一层智能，动态地编排金融产品。传统的管理金字塔，则被三类全新角色取代——独立贡献者（直接从模型获取全局信息、自主决策）、直接负责人（在 90 天周期内对某个具体结果负责）、以及球员兼教练（既做业务又培养人，不再把时间耗在汇报和协调会上）。

同样的思路，加拿大的 Shopify 用更温和的方式走通了。CEO 托比·吕特克在 2025 年 4 月发出一份公开备忘录，把用人审批的逻辑整个反转：要新增一个人头，必须先证明这件事 AI 做不了；"本能地使用 AI"被列为全员（含高管）的基本要求，并纳入绩效与同行评审。为了让这条指令落地，Shopify 先搭好了基础设施——内部代理让每个人都能调用前沿模型，还部署了 20 多个内部 MCP 服务。结果是：员工数不增反降，人均营收却从约 110 万美元，提升到 163 万美元。它和 Block 一激进、一克制，说的是同一件事：先问 AI 能做什么，再决定公司该有多大。

在中国，同样的变化已经发生。蚂蚁集团把已经跑通的 AI 健康业务正式"升舱"为第五大事业群；百度则把 AI 业务从存量业务里彻底拆出来独立核算——它们的组织边界，都在跟着 AI 创造的真实价值重新移动，而不是迁就存量结构。

甚至连 IBM 这种百年公司，也在用更安静的方式做同一件事。CEO 阿尔温德·克里希纳透露，IBM 约有 8000 个 HR 等后台岗位，将通过"暂停招聘 + 自然减员"的方式逐步交给 AI，同时把节省下的编制投向工程师和销售——不是一刀刀切，而是结构性地置换。

但作为领导者，你必须同时看见这件事的风险。

Block 的 Q2 财报确实亮眼：毛利同比增长约 25% 至 31.7 亿美元，调整后运营利润率创下 27% 的历史新高。可一个尖锐的质疑，始终悬在头顶：

利润的改善，究竟来自 AI 带来的真实生产力，还是仅仅来自一次性裁掉几千人所省下的成本？这是典型的"AI 外衣"（AI washing）嫌疑。

多西团队自报的那些数字——工程师代码变更量提升 150%、功能发布速度快 3 倍——外部无法独立验证。更关键的是，Block 的模式高度依赖金融科技行业那种高频、高密度的交易数据；换到一个数据稀薄的行业，这套"世界模型"还能不能成立，完全是未知数。

所以 Block 不是成功样板，也不是翻车故事。它是这场转型的极限样本：它第一个替所有公司，把一个绕不开的问题推到了极致——当能力可以被 AI 调用，你到底需要多大一个组织？这个问题，每位 CEO 或早或晚，都要亲自作答。

转变二：中层不会消失，但"中层"这个身份被重新定价了

听完 Block 的故事，很多管理者会得出一个过于简单、也过于让自己恐慌的结论：AI 要干掉中层了。

事实比这更微妙，也更值得高管重视——中层不会消失，但中层这个身份的"定价方式"，正在被彻底改写。因为中层本是金字塔里负责"信息路由"的那类节点；当路由功能被新的节点网络接管，这类节点就必须证明自己还能提供别的价值，否则会迅速贬值。

工业时代，中层最核心的权力来自信息不对称：我比下属掌握更全的信息，由我来汇总、转译、审批。而当 AI 能自动完成信息聚合和上传下达，这项权力正在迅速贬值，这在互联网时代平台型公司中就有体现（上面提到我的HBR文章就有详细解释）。贝恩公司的一项估算颇具冲击力——过度复杂的层级、流程和审批，每年会吞掉大企业超过 15% 的利润；麦肯锡的调研也显示，40% 的受访者把"缺乏清晰"列为组织低效的首要原因。中层臃肿，早已不只是"让人难受"，而是实实在在地吃掉利润。

亚马逊的价值在于，它给了这场"去中层"一个不靠裁员、但极其强硬的硬指标。2024 年 9 月 16 日，CEO 安迪·贾西发出全员信，提出一个非常具体的要求：在 2025 年第一季度结束前，全公司"个人贡献者对管理者的比例"，必须至少提高 15%。这个比例，就是一线干活者与管理协调者之比——用一个数字，硬逼着组织"压扁"。而且亚马逊主要不是靠裁员实现的，更多是通过合并团队、把一部分管理者重新变回一线贡献者。同期，一个内部匿名反馈渠道收到约 1500 条意见，最终落地了 450 多项流程优化。

贾西在信里对中层痼疾的描述毫不留情，几个说法后来被反复引用：他批评有些中层"想在所有东西上都按一个指纹"，吐槽公司里开起了"会前会的会前会"；他更明确地向所有人宣告：

"以后在亚马逊，晋升之路，不再是带一个大团队。"

这句话的分量，怎么强调都不为过。因为在过去一百年的组织里，"成为管理者、带更多人"几乎是知识工作者唯一的上升通道。亚马逊在 2025 年 10 月又裁掉约 1.4 万个企业岗位（约占白领的 4%），备忘录给出的口径是"去官僚、去层级，加码生成式 AI"。

欧洲老牌巨头的动作，给这个判断加上了历史纵深。拥有 160 多年历史、十多万员工的德国拜耳，CEO 比尔·安德森 2023 年上任后，推出名为"动态责任共担"（DSO）的彻底变革：把约 11 个管理层级大幅压平，一些管理者的直接下属从个位数，扩大到最多约 90 人；取消年度预算，改为 90 天目标周期；用数千个跨职能的自治小团队，取代金字塔。管理学家加里·哈默尔亲自为这套变革提供理论支持，而评估方式也从"上级打分"变成了"同行互评"。

亚马逊用硬比例，拜耳用彻底重构，殊途同归。安德森本人的判断更是决绝：把 1000 条规则减到 900 条，不叫进步；要么彻底重画，要么别动。

这对领导者的启示非常清晰：别再把"成为管理者、带更多人"当作唯一的上升通道。当晋升不再等于带人，你能不能给个人贡献者设计一条同样体面、同样高薪的路径？未来真正值钱的中层，不再是卡信息、按指纹的人，而是能设计工作流、能在模糊情境中做判断、能指挥 Agent 带着团队拿结果的人。（需要说明：拜耳网传的"1362 页规则""裁撤 5500 岗"等数字目前仅有二手来源、口径不一，本文未采用；个别工厂的成效数据尚待验证。）

转变三：部门墙不是一拆了之，而是要学会随技术"摆动"

第三道考题，是部门墙。这里最大的认知误区，是以为答案就是简单粗暴的"把墙拆了"。真正的功夫，是让组织边界具备跟随技术节奏灵活开合的能力——该分时能分，该合时能合。在一张以功能节点为核心的网里，连接本来就是可以随时重连的；所谓"摆动"，本质是让节点之间的连接，始终跟上技术演进的节奏。

最具戏剧性的一幕，是墙被竞争"逼"着拆掉的。

2023 年 4 月 20 日，为了追赶 ChatGPT，谷歌把内部两支最顶尖、却长期彼此竞争的团队——杰夫·迪恩的 Google Brain 和戴密斯·哈萨比斯的 DeepMind——强行合并为 Google DeepMind，由哈萨比斯统一领导，迪恩转任首席科学家。这两支团队此前大量重复投入，各做各的模型、各攻各的方向。为了追赶，谷歌宁可亲手拆掉这堵"最贵的部门墙"，并以此为起点启动 Gemini。这是一个"技术架构倒逼组织结构"的经典样本——当然也有评论指出，合并多少也有掩盖顶尖人才流失的考量。

而把"拆与合"这套摆动演绎得最完整的，是中国的字节跳动。它的独特价值，在于呈现了一次从发散到收敛的完整弧线：

• 2024 年初，先分。
  字节把 AI 拆成平级的两块：Seed 做基础模型，Flow 做 AI 产品，后者大量采用 3–5 人的"特种兵小组"，都直接向梁汝波汇报。
• 2025 年初，松绑。
  前 Google DeepMind 研究副总裁吴永辉接管 Seed，取消季度 OKR 和半年考核（主要是Seed Edge项目），允许团队拿出 20% 的时间自由探索。
• 2025 年内，三次收敛。
  4 月，AI Lab 并入 Seed；年中，多模态团队换帅；10月，Seed大模型负责人朱文佳的汇报线从梁汝波改归吴永辉——曾经拆开的力量，重新一点点收回到一个拳头里。张一鸣也在这一年回归一线，往返北京与新加坡，亲自参与Seed核心技术评审。

分，是为了让模型和产品各自快跑；合，是因为进入深水区后，分散的墙会制造重复投入和协同摩擦。字节也确实跑出了结果：豆包在 2024 年 12 月月活已达约 7500 万，火山引擎则在 2025 年上半年占中国公有云大模型市场近半壁江山。它与谷歌一者主动摆动、一者为追赶而合，跨越国界说明同一件事：好的组织没有固定的墙，只有跟随技术节奏不断调整边界的能力。（字节这部分主要依据中文科技媒体报道，关键节点仍需更多交叉验证。）

这种"把 AI 写进公司定义"的动作，同样发生在最传统的工业领域。德国西门子在 2025 年汉诺威工博会上宣布转型"ONE Tech Company"，对齐产品组合、投资与组织，开发出首个工业基础模型，CEO 罗兰·博世凯直言，德国工业需要一套"新的操作系统"，而关键配方是领域知识、数据与 AI 的结合。

当然，也有人还在寻找合龙的正确姿势。微软围绕 Copilot，在一年多里反复"拆—并—换人"，2025 年累计裁员约 1.5 万人，纳德拉称公司已有 20%–30% 的代码由 AI 编写。这不是失败，却也远未完成——它恰恰提醒我们：在技术按月迭代的年代，"持续调整"本身就是常态，而不是通往某个固定终点的临时弯路。

给领导者的三个动作

理解了三个转变，你不必一上来就照搬 Block 的极端。可以从三个低风险、可落地的动作开始：

1. 盘点一次组织里的"翻译层"。
   找出那些核心职责是汇总信息、上传下达、组织会议的岗位与环节，认真问一句：这些信息流转，有多少能被系统直接完成？目的不是裁人，而是看清你的组织，究竟有多少效率损耗在信息的中转上。
2. 定一个能被考核的"压扁"硬指标。
   像亚马逊的 IC/管理者比例那样，给组织设定具体、可衡量的目标——管理幅度、审批层级数，而不是停留在"我们要更敏捷"的口号。
3. 把新增人头的审批逻辑反过来。
   学 Shopify：在批准任何一个新编制之前，先要求证明"这件事 AI 或现有系统确实做不了"，让"先问技术、再谈加人"成为公司的默认动作。

最后，回到那个最根本的判断上：

你可以采购一套最先进的系统，但永远无法采购一次权力的自愿重排。

这正是技术能买到、组织却买不到的原因，也是 AI-native 真正的门槛。它考验的，从来不是你用了多强的工具，而是作为创始人与高管，你敢不敢让自己的权力结构，跟着能力的重新分布，而重排。

核心引用（记忆锚点）

"技术是被人使用的工具，还是进入协作网络、与人并肩承担功能的角色——这个选择，决定了公司最终长成什么样。"——笔者 HBR 研究《One Company Used Tech as a Tool. Another Gave It a Role.》（2026-01）

"层级制本质上是一种信息路由协议。两千年里我们别无选择——现在有了。"——改编自多西与博塔《从层级制到智慧体》，2026

"以后，晋升之路不再是带一个大团队。"——安迪·贾西（亚马逊 CEO）

"把 1000 条规则减到 900 条不叫进步。要么彻底重画，要么别动。"——比尔·安德森（拜耳 CEO）

真正的 AI-native，不是你用了多强的 AI，而是你敢不敢让权力结构，跟着能力的重新分布而重排。

下一篇预告

这一篇，我们重画了组织的三道边界：公司该有多大、中层还值多少钱、部门墙该怎么开合。Block、亚马逊、字节们已经证明——结构，是可以被重画的。

但换了"梁"的公司，很快会撞上一道更隐蔽、也更致命的难题：

墙是新的，可墙里跑了几十年的流程"走线"，还是旧的。新的扁平结构，接着的依旧是老的审批逻辑、老的责任划分、老的人机协作规则。AI 接不进这条老电路，组织就会在崭新的结构里，再一次卡死。

于是问题从"怎么搭组织"，转向了"怎么重写工作流"——尤其是：哪些决策真的能交给 AI？权力放下去之后，出了事，又由谁来负责？

第二篇 · 机制/流程：从"自动化旧流程"，到"重写工作流"。我们将从一个让全行业第一次认真思考"AI 责任归属"的真实判例，以及一个高调宣称"替代 700 人"、最终却公开承认"我们走得太远"的反转故事，正式讲起。