从“信息协同”到“认知共创”:AI时代组织变革的底层逻辑

编者按：

前不久，一场关于“企业如何打造AI原生组织”的闭门研讨会在中国人民大学举行。会上，中国人民大学世界一流企业研究院、商学院与联想集团联合发布业内首个《AI原生组织转型指南》。依据该指南的定义，AI原生组织是将AI深度融入企业业务模式与工作流程，让智能体成为组织全新生产力，与碳基员工协同共建的高效灵活、可持续迭代进化的人智共创型组织，可全方位助力企业提升运营价值、战略价值与社会价值。

显然，在AI浪潮的冲击下，组织转型与变革已经成为企业的必答题。而要让这场变革真正从理论走向实践，还需要更深刻地把握组织演化的底层逻辑。曾鸣书院创始人、阿里巴巴集团前总参谋长曾鸣的新书《智能：AI时代的商业、组织与战略的本质》（中信出版集团出版），提出了理解AI时代组织变革的核心关键词：“认知共创”与”集体认知”。在曾鸣看来，AI时代的组织进化正在从“信息协同”走向“认知共创”，这并非只是效率的提升，更是组织底层逻辑的根本重构。传统组织依赖分工来降低复杂性，而AI原生组织依赖的是认知同步来应对复杂性；传统组织关注信息共享，AI原生组织关注的则是认知共创。

该书揭示了一个关键趋势：当认知成为核心生产过程，AI开始参与认知生成与继承时，组织正在从工业时代的机械系统逐渐演化成一个由创智人才与智能体共同构成、能够持续学习、持续感知、持续进化的共生智能体。AI时代最终的竞争，将是组织智能之间的竞争。

《商学院》杂志认为，在AI时代，组织能否持续生成集体认知、快速迭代战略与产品，正在成为影响企业增长确定性的关键变量。当企业的核心竞争力从资源占有转向认知迭代，我们应当审视那些正在重塑商业世界的底层组织代码。当然，在AI浪潮面前，没有放之四海皆准的转型模板。《商学院》杂志希望通过持续的深度报道，激发每一位管理者对组织进行反思、完善甚至重构，让管理者更加从容地迎接认知共创的时代。

以下内容摘编自《智能：AI时代的商业、组织与战略的本质》

在未来，组织有两项重要的工作：第一，逐步推进整个组织运营的AI自动化；第二，逐步提高整个组织的决策质量和效率。

人工智能和人的智能的发展和应用，目前还是非常不一样的两套体系。人可以处理很多模糊场景和隐性知识，但AI不行；只有在线化的数据，AI才能处理。所以，AI需要所有决策的背景都要数据化，成为在线的上下文，这样它才能理解。同时，AI的学习需要直接的数据化反馈，这样才能完成学习的闭环，如果还需要人在中间干预和评估，学习的飞轮就转不起来。

所以，所谓AI原生组织的第一步，就是从AI的本质和特征出发，重新架构整个公司的运营体系，即必须以AI，而不是人，为出发点。以人为中心的工作流必须全面重构，谁先建立端到端，且没有人干预的AI学习闭环，谁就拥有领先优势。

在AI自动化越来越发达后，另一个问题的重要性就会凸显出来，即决策的质量和效率。以前，企业的竞争很大程度上比拼的是谁的组织能力强，可以高效实现规模化扩张；当规模化扩张越来越依靠智能体系系统时，决定做什么，用什么方法做，就变得非常重要了。

不少AI原生组织关注的早已不是如何通过AI提高效率，而是怎么通过AI全面提高整个组织的认知能力。AI越来越强的推理能力，可以帮助公司把认知能力最高的人的认知模型和专业知识“蒸馏”成公司的特有能力，并把这种能力开放给需要的人。CEO也可以利用自己的认知优势，先把公司的问题分解，再把子问题分派给能力最匹配的人。更高明的用法是建设一个智能体，让其作为一个思考者参与公司所有问题的讨论。它会消化吸收所有人的认知模式和决策过程，参与所有讨论，拥有所有上下文和相关数据，从而影响公司所有决策。这是公司层面的认知共创。也就是说，传统组织关注的是信息共享，AI原生组织关注的则是认知共创。

在一些AI原生企业中，没有清晰的部门边界，没有稳定的职责分工，也没有一个始终主导决策的中心结构。大量工作并不是按照预设流程推进的，而是在不断变化的环境中自发地形成、调整与消失。

更具体地说，员工工作的起点，往往不是来自某个明确的指令，而是来自不断涌现的问题与机会。当一个方向被认为有潜力时，员工会迅速围绕它聚集，资源也随之流动。这种流动不由管理层分配，而更像是一种“被吸引”的过程：新想法越被认同，参与者越多，推进速度就越快。但是，公司一直有非常清楚的愿景。在实现目标的过程中，这些做法非常高效。

这种“不像”公司的状态，恰恰是认知共创在组织层面的体现。在这样的结构下，项目不再被立项，而是在持续互动中逐渐成形。一个产品的诞生也不再遵循传统意义上的阶段划分，而是在不断试探与修正中被雕琢出来。有案例显示，某些关键产品从最初构想到对外发布，仅用了极短的时间周期。这种速度并不是通过压缩流程获得的，而是通过内部共识的快速形成和资源的自由流动实现的。

这些AI原生企业的实践指向了一个新的方向：AI原生组织的核心目标是认知共创，是集体认知的不断升级，而不是传统的信息共享和工作配合。

认知共创的本质不是简单地更多人参与讨论，而是把协作从信息交换转变为认知生成。在这种机制中，参与者之间的互动不再是传递已有观点，而是通过不断的反馈、修正与重构，逐步形成原本不存在的理解。在这个过程中，问题本身在不断变化，答案也在持续生成。重要的不是某一个人提出了正确方案，而是整个系统通过多个角色间的多轮互动，逐步逼近一个更合理的理解。这种理解很难被还原为单一来源，而更像是系统整体运行的结果。

这正是认知共创与传统协作之间最本质的差异。在传统协作中，组织的效率取决于信息是否被充分传递，以及执行是否足够到位；而在认知共创中，组织的能力取决于认知生成的质量，也就是系统能否在不断变化的环境中持续形成更接近真实的理解。

一旦把这一点看清楚，很多在现实中反复出现却难以解释的现象就会变得可以理解。例如，为什么在一些企业中，信息越来越充分，工具越来越先进，但决策反而变得越来越迟缓？为什么每一个环节都在高效运转，但整体创新能力却在下降？从执行视角看，这些都是效率问题，但从认知视角看，它们更像是一个信号：组织正在用信息协同的方式去处理认知生成的问题。这种错位必然会引发摩擦。因此，认知共创不再是选择题，而是必答题。这一变化，在日常工作中的体现是非常具体的。

首先，讨论的性质发生了改变。在传统组织中，大多数会议都有一个明确目标：对齐信息，分配任务，解决问题。讨论围绕着“我们已经知道什么”展开，其价值在于把这些信息组织得更清晰，从而推动执行。但在认知共创环境中，最关键的讨论往往不直接指向行动。会议中会出现越来越多看似无效的问题，例如，“我们是不是一开始就理解错了？”“这个问题本身是否需要被重新定义？”“有没有一种完全不同的解释路径可以解释当前现象？”这些问题在传统逻辑下显得低效，因为它们不直接产生结果，但在认知共创逻辑中，它们恰恰决定了结果的方向。换句话说，讨论的价值从推动执行转向修正认知。

其次，决策的形成方式发生了改变。在传统组织中，决策通常有一个明确的终点：某个层级或某个角色做出判断。这种结构的优势在于清晰，但决策质量肯定受制于决策者有限的信息和认知能力。而在认知共创环境中，面对一个复杂决策，团队的不同成员、不同的智能体都可以提出不同的方案。在AI环境下，验证不同方案的成本大幅降低。这些方案在不断的反馈中被筛选，有的被强化，有的被淘汰，认知也在不断更新，最终形成一个更优的决策。这个决策并不来自某一个瞬间，也很难确认来自某个人，而是来自对整个过程的学习。

最后，反馈的作用发生了改变。在执行导向的组织中，反馈通常发生在结果之后，其作用是评估执行是否到位。例如，一个项目失败，首先会追溯执行环节是否出现了问题。但在认知共创环境中，反馈更早进入系统，而且作用完全不同：它不只是评估结果，更重要的是修正认知本身。一次用户流失，不再只是说明某个环节执行不力，还可能意味着整个问题的定义存在偏差；一次产品失败，不再只是项目层面的教训，还可能需要对更上层的假设重新审视。因此，反馈必须被更快速、更完整地纳入系统，成为下一轮认知生成的起点。这也是为什么一些AI原生组织会刻意降低“完美输出”的要求，而更强调“快速试探与反馈”。因为只有在高频反馈下，认知才有可能持续校正。

基于此，AI的作用开始变得具有决定性。在认知共创过程中，AI不仅提供信息支持，更重要的是还会拓展认知空间。它可以在极短时间内生成多个可能路径，揭示人类难以察觉的模式，并通过模拟不同选择的后果加速判断的收敛。除此之外，AI还改变了反馈的速度。过去，一个假设可能需要数周甚至数月才能验证；现在，很多判断可以在更短时间内得到初步反馈，从而进入下一轮修正。这种高频循环，使认知生成从一种间歇性活动变成一种持续流动的过程。

在这个过程中，人类的角色也随之发生变化，即不再是信息的整合者或决策的执行者，而更像是认知过程的设计者与约束者：设定问题边界，判断哪些路径值得继续探索，对系统生成的结果进行校正与取舍。

综上所述，认知不再是线性生成的，而成为一个不断循环的系统。当这种循环持续发生时，组织开始具备一种新的能力：它能够在不确定环境中持续学习。这种学习，并不是传统意义上的经验积累，而是一种更深层的结构变化。每一次认知生成与修正，都会改变系统未来的判断方式，使其能够处理更复杂的问题。随着时间的推移，这种能力会不断强化，从而形成一种持续的优势。这也解释了为什么一些规模较小的团队，在AI环境下能够表现出远超传统组织的竞争力。它们并不一定拥有更多资源，但在认知生成与修正的效率上具有明显优势。这就是前文讨论的智能复利的价值。

在组织设计的层面，核心问题始终是如何处理好分工与协同。

在传统组织中，分工的基本单元是岗位。一个岗位对应一组职责，一组职责对应一套稳定的任务边界和执行要求，精细的分工通过标准化使得经验的积累和复制成为可能，从而实现了规模化扩张。

今天，最小的有效单元是认知节点，也就是能力本身。在共同探索的过程中，问题该怎么被应对、需要什么能力组合、谁具有相关能力，往往无法用原来的岗位责任来定义清楚，因为它们事先都是不确定的，必须通过实践才能知晓。更何况很多挑战是如此崭新，大家都没有相关经验可循。此时，比能力更重要的反而是谁愿意迈出第一步去尝试，因此，每个创智人才的学习能力、主观能动性就会变得非常重要。愿意主动承担责任是现在很多企业招聘的首要考量因素。所以我们看到，在不少高效的团队中，任务被主动认领，项目发起出于自愿，团队自发组织，任务结束后大家又很快融入新的项目。

很多组织呈现出一种过去少见的状态：判断在流动，角色在流动，认知也在流动。这种流动并不是因为组织混乱，而是因为问题本身在不断变化。当问题无法被预先定义时，任何固定的职责划分都会成为认知生成的阻碍。组织如果仍然试图通过边界来维持秩序，就会不断滞后于问题的变化速度。这时，组织必须采用另一种方式来维持自身运转——认知的同步和共创。这也是为什么在这些组织中，透明不再只是文化选择，还会变成一种基础设施。信息必须尽可能实时地在系统中流动，判断必须尽可能被更多节点理解，决策路径必须可被回溯与修正。否则，一旦某一部分的认知与整体脱节，协作就会迅速失效。

可以说，传统组织依赖分工来降低复杂性，而这些新型组织则依赖认知同步来应对复杂性。每一个节点不再仅仅是执行某个任务，而是在持续参与认知生成：提出问题、修正假设、判断路径、反馈结果。这些节点之间的连接也不再是信息传递，而是认知互动，它们共同构成一个不断变化的认知共创网络。

在这个意义上，组织已经不再是一个由人组成的结构，而更像是一个由认知节点构成的系统。这里的认知节点由两类主体构成：一类是创智人才，他们负责定义问题，设定约束，进行价值判断；另一类是AI智能体，它们负责拓展可能性，处理复杂性，加速探索过程。

在越来越多的复杂场景中，AI所承担的已经不再是辅助执行，而是拓展认知。在这个过程中，人类的角色也在变化：不再只是提出问题，更多时候是在对多种可能性进行筛选与判断。在这个过程中，问题本身不断被重构，答案也在持续变化；不再是由人定义、由AI解决，而是在多轮互动中被共同塑造。在这个过程中，很难说是谁做出了决定，更准确的描述是决策在系统中逐步生成。这种现象一旦在组织中成为常态，就会带来一个更深层的变化：认知从个体经验转向网络中的持续生成。

这并不意味着个体不再重要，恰恰相反，对个体的要求反而更高。因为在一个认知共创系统中，个体的价值不再体现在执行能力上，而体现在其能够在互动中贡献高质量判断。这些判断一旦进入系统，就会被不断吸收、修正与放大，最终成为系统整体认知的一部分。

正是在这个意义上，我们可以理解为什么这些组织会逐渐呈现出一种类似整体智能的特征。它并不是简单地把很多聪明的人放在一起，而是通过各种机制，使这些人的判断在更大范围内被整合与放大。同时，AI的加入使这一过程的速度与深度都大幅提升，系统可以在更短时间内探索更多路径，在更多维度上评估结果，从而形成更高质量的决策。

当这种能力持续积累时，组织会表现出一种新的属性：它能够学习，不是个体学习，而是整个系统在学习。每一次决策、每一次反馈、每一次路径修正，都会改变系统未来的行为方式。这种学习不是显性的，也不一定被某个人完全理解，但它真实地存在，并不断影响后续决策。

如果把这一切放在一起看就会发现，我们已经很难再用“公司”这个概念来描述这种存在。因为“公司”隐含着一整套前提：稳定的结构、清晰的分工、可定义的职责以及通过管理实现的协同。但在以持续生成认知为核心的环境中，它们正在逐渐失去解释力。

这并不意味着这些隐含的前提会立即消失。在大量相对稳定的业务场景中，结构、流程与分工仍然是必要的。但问题在于，它们已经无法覆盖越来越多最关键的活动—那些需要在不确定环境中不断探索、修正与创造的部分。

因此，我们需要一个新的概念来描述这种正在出现的组织形态。当组织不再只是由人构成的结构，而是由人类与AI共同参与，在持续互动中生成认知、形成判断并不断演化时，它更接近一种新的存在形式。我们可以把这种存在称为“共生智能体”。

之所以称为“共生”，是因为这里并不存在简单的替代关系。人类与AI并非各自独立运行，而是在同一个认知循环中持续互动：人类提出问题与约束，AI拓展可能性与路径，新的判断在互动中逐步形成，再进入下一轮探索。这种关系不是工具与使用者的关系，而是一种稳定的协同结构。

之所以称为“智能体”，是因为这个系统表现出类似生命体的特征。它能够持续感知环境变化，根据反馈调整自身状态，并在多轮互动中不断优化判断路径。从外部看，它不再是一个执行结构，而更像一个具备学习能力的整体。

工业时代组织的知识，往往附着在流程、制度与管理层经验之中。但在AI原生组织里，学习越来越像一种系统行为。每一次智能体执行结果、每一次用户反馈、每一次工作流调整、每一次模型交互，都会直接进入整个系统。组织的认知不再只是存储在人的经验里，还会越来越多地存在于系统互动之中。

需要强调的是，这并不是一种已经完全成熟的组织模型，前面所提到的那些实践仍然处在早期阶段，很多机制还在不断调整之中，尚未形成稳定范式。因此，共生智能体并不是一个可以被简单复制的最佳实践，而是更像一个逐渐浮现的方向。但方向本身已经足够清晰，即展示的是一种新的可能性：当探索创新成为组织新目标时，当认知能力成为核心资源时，当AI成为认知参与者时，当创智人才成为主导时，组织可以在没有强结构约束的情况下，通过持续互动形成稳定协同，并在不确定环境中不断演化。在这个意义上，组织本身正在发生演化，而共生智能体只是我们给这一更具动态，也更依赖认知生成能力的组织新物种的暂时命名。

未来组织真正重要的能力不再是如何管理人，而是如何让一个由创智人才、智能体、上下文与动态认知共同构成的系统能够持续学习。而这意味着，AI时代的组织需要一种新的基础设施。

今天，越来越多的工作正在变成一种持续生成的过程：一个复杂产品为什么会被重新定义？一个智能体工作流为什么会被突然放弃？团队是在什么反馈下重新理解用户需求的？为什么某种看似失败的探索后来又变得重要起来？

过去，这些关键的认知形成过程，几乎都会随着工作结束而迅速消失。因为传统系统虽然能够保存结果，但没意愿也没能力去记录和理解工作是如何完成的，这些东西几乎都附着在个体经验之中。人离开之后，认知也就消失了。

所以很多公司都会反复出现一种现象：很多时候，一个核心成员离开之后，团队虽然仍然存在，但过去那些重要的判断逻辑很快就会消失。后来的人也许还能看到结果，却很难理解为什么当时会那样选择。于是，组织会不断重复类似错误，也会不断回退到曾经走过的路径上。过去大量公司组织层面的学习其实非常缓慢，就是因为学习并不真正发生在系统层，而主要发生在人身上。

但今天，新一代AI工作系统已经越来越深地进入工作形成过程中。当工作过程可以被完整地在线记录下来时，认知形成过程就可以被沉淀；当认知可以被沉淀时，组织就有了持续学习的基础—这正是组织操作系统的起点。

例如，钉钉公司禁止员工人工撰写文档，这乍看起来很奇怪，但认真想想，就能理解这件事背后的意义。它是希望通过在线对话系统等，让员工所有的思考过程都能被在线保留下来。过去的一个产品文档只能记录最终方案，但现在的AI系统能够记录“实际发生了什么”，并尝试理解“为什么会发生”。这背后的变化是非常大的。一个代码仓库过去只能记录代码版本，但今天，AI越来越能理解：团队最初是如何形成假设的，哪些用户反馈改变了方向，不同方案之间争论的是什么，甚至很多过去无法被保存的“过程认知”，也开始被系统继承。这也是为什么今天很多AI原生组织已经隐约意识到，未来真正重要的也许不再是工具能力，而是组织是否能够持续积累认知。因为当智能体越来越多，工作流越来越动态，人与AI之间的协作越来越复杂时，一个组织最稀缺的东西很可能不再只是资源，还有上下文和组织的记忆。

过去，一个优秀员工往往依赖长期经验积累，才能真正理解组织。很多关键判断并不写在制度里，而是隐藏在长期协作形成的默契之中。AI时代新的组织越来越像一个生命系统，系统中的认知不断流动，人与智能体共同探索，新的反馈持续进入系统，新的理解又不断重新改变整个组织。于是，组织真正重要的能力，也从稳定控制逐渐转向持续学习与持续进化。

前文我们把这种新的组织形态称为“共生智能体”，这是由创智人才与AI智能体共同构成、持续共同探索的认知生命体。组织操作系统则是为了支撑这一认知生命体持续运行与进化而逐渐形成的新型基础设施，它负责认知的连接、流动、沉淀、反馈与协同，使原本分散在个体中的经验与判断能够在系统层持续存在。

从传统组织的失效，到创智人才的崛起，再到认知共创与共生智能体的浮现，我们正在目睹一场组织形态的根本变革。在这场变革中，创始人和领导者的角色也在发生深刻变化。

工业时代的组织虽然效率不高但稳定，AI原生组织系统中，固定流程变成了持续变化的工作流，稳定岗位变成了动态认知节点，大量判断也随着反馈实时调整。这意味着AI原生组织虽然拥有更强的创造力，但也变得更加脆弱，因为高自由度的系统天然更容易失控。很多组织会出现局部创新增多但系统整体越来越混乱的问题：例如，模型团队关注能力边界，产品团队关注用户体验，智能体团队关注工作流效率，商业团队关注增长与变现。每一个方向都可能是正确的，但如果整个系统缺乏持续的共同理解，组织很快就会进入认知发散状态。

因此，很多前沿组织越来越强调透明。网飞（Netflix）很早以前就提出过一个非常重要的原则：高人才密度+高透明度。今天来看，它其实非常接近AI原生组织未来真正需要的能力。大量业务数据、财务信息甚至关键战略讨论在组织内部高度透明。因为让整个系统持续形成更高质量的判断的前提，是让尽可能多的人获得全面、高质量的信息。为了减少高透明度的风险，他们同时也强调“成年人原则”，因为成年人才懂得，享受自由的前提是知道承担责任。

再比如英伟达，黄仁勋的组织设计长期被认为是传统管理理论难以解释的案例。最典型的是他拥有超过50名的直接汇报者，且他们被统一称为“副总裁”，而非分层级设置管理梯队。按传统逻辑，如此多的直接汇报关系，意味着管理者需要处理极其复杂的信息流，极易造成决策瓶颈与沟通混乱。但从认知生成角度来看，当层级被压缩，信息不再需要在多个中间节点之间传递与过滤时，关键判断就可以更直接地在更大范围内展开。

黄仁勋表示，目的就是让更多的人可以共享同样完整的信息。不同的负责人虽然承担不同的业务，但在同一上下文中进行思考，可以减少因信息不对称带来的认知偏差。更重要的是，这种结构改变了“谁在做判断”：多层组织中，大量判断实际上是在中间层完成的，高层更多是基于汇总信息进行决策；英伟达则将判断直接推向一线负责人与核心团队，这使得判断更加贴近真实情况，同时也使不同判断之间能够更早发生碰撞。

过去，一个优秀CEO最重要的能力是制定战略、分配资源、建立流程、维持控制，提前想清楚方向，然后确保整个组织围绕既定目标稳定执行。其核心任务是控制复杂度、维持秩序、提高效率、避免系统偏离。未来，领导者越来越像是在设计一个持续演化的生命体。他真正重要的工作是设计整个组织的认知演化机制：信息如何流动、场景如何共享、反馈如何进入系统、不同判断如何碰撞、哪些信号会被放大、哪些路径值得继续探索、组织如何在高速变化中仍然保持共同理解。其核心任务开始从管理人转向设计认知演化。这也是为什么今天越来越多的前沿AI原生组织的创始人把精力更多地投入在系统建设上。他们逐渐意识到，决定组织长期竞争力的不再是某一次具体决策，而是这个组织是否能够持续产生高质量判断。

未来领导力的核心就是如何让整个组织持续形成高质量认知。这是一个变化非常大的目标。因为当问题本身不断变化时，领导者就已经不可能像过去那样提前定义所有路径、设计所有流程、控制所有行为，任何中心化控制都会迅速成为系统发展的瓶颈。于是，未来真正重要的就是透明、高频反馈与认知共享，这些才是让整个组织保持持续学习能力的根本。

这也许正是AI时代组织演化最深刻的地方。当认知成为核心生产过程，AI开始参与认知生成与继承时，组织正在从工业时代的机械系统逐渐演化为一种新的存在：一个由创智人才与智能体共同构成，能够持续学习、持续感知、持续进化的共生智能体。

AI时代最终的竞争，也将成为组织智能之间的竞争。

（扫码了解更多AI时代企业系统运行方式）

《智能：AI时代的商业、组织与战略的本质》

作者：曾鸣

出版社：中信出版集团

出版时间：2026年7月