AI原生组织进步了,谁决定经验怎么用?

2025年，Meta重组AI团队，并在10月裁减约600个岗位。2026年，它先发布Muse Spark模型，再推出个人Agent Muse。到了9月，媒体又报道：Meta开始邀请Applied AI部门的部分员工重新担任Manager。

从压缩部分团队规模，到在Applied AI部门重新安排管理岗位，这些发生在不同团队和阶段的调整，说明组织设计需要不断回应具体问题。Muse的发布也不能证明某一次裁员是正确答案；产品、团队与资源如何接上，才是这个案例值得看的地方。

当越来越多工作由人与AI共同完成，组织需要重新安排的，也包括经验如何积累、判断由谁作出。尤其当AI开始利用过去的工作记录改进下一次工作时，谁能决定这些经验如何被记录、调用和修正？

01 每个人都更快了，公司为什么还在等？

麦肯锡2026年的全球AI调查里，80%的受访者表示AI提高了个人生产力；37%的受访者认为AI对所在企业的息税前利润有正向贡献。两个数字衡量的不是同一件事，却提示我们：个人生产力的改善，转化为企业收益还需要经过更多环节。整件事的交付时间，就是其中一个值得观察的角度。

2026年云栖大会AI Native组织论坛上，阿里巴巴首席人才官蒋芳也谈到类似的落差：工程师写代码更快，端到端开发周期未必同步缩短。超级个体的集合，不会自然成为超级组织。

一个项目可能已经有了方案、原型和代码，仍在等待需求确认、交付责任落实，以及风险承担方式的明确。即使AI加快了部分环节，环节之间的等待和返工仍可能留在那里。

复盘这类项目时，可以把需求确认、责任交接和风险审批的时间点摆出来：工作在哪一步停住，谁能推动下一步，返工又从哪里开始？

个人更快不等于公司更快。环节之间的等待和返工，是个人提效后最容易漏算的时间成本。

交接中的等待和返工，也要计入整件事的交付时间。

麦肯锡报告还有一组值得注意的观察：它将约6%的受访者归为AI高绩效者，这些受访者表示，所在企业至少5%的息税前利润可归因于AI，并认为AI带来了显著价值。在这一群体中，近四分之三表示已因AI而从根本上重新设计工作流；其他受访者中，约四分之一这样回答。这是一项调查中的相关特征，不能保证改流程就能赚钱。它至少提醒我们，评估AI投入时要看一项工作从开始到交付的完整过程。

02 工作系统开始学习，组织要怎样改变？

等待和返工有不同的成因。职责不清，需要重新安排协作；工具反复出错，则可以把失败记录转化为改进线索。YC的一个内部实践，展示了后一种可能。

YC合伙人Tom Blomfield介绍过一个内部例子：YC用Agent帮助员工查询数据，后来又让另一个Agent检查哪些查询失败，分析缺少的工具或数据视图，并尝试修复。第一次没答好的问题，下一次可能就能回答。

这里的“学习”，具体体现为根据失败记录修改工具或工作流程。系统需要能够读取工作记录、观察结果，也需要有人界定什么可以自动修改，什么必须经过核验。

失败留下线索，形成修复建议；经核验的工具更新进入下一轮工作。

Tom还提出“burn tokens, not headcount”：工作增加时，先看能否用更多AI算力扩展产能。这改变了资源配置的选择，却不意味着Token花得越多、员工越少，组织就越有价值。

曾鸣从另一个角度描述未来组织：日常运营尽可能形成由AI执行的端到端闭环；人的工作更多转向在不确定环境中持续形成新认知、提高战略决策质量。随着工作流变化，固定岗位不一定仍是最合适的协作单位；具体任务需要什么能力，可以由人和Agent共同承担。

小禾自己也在经历这样的变化。团队目前只有三个人：巴布负责技术，子推负责产品，我负责运营。过去，我们各自带着团队推进工作；现在，我们按各自擅长的板块分工，与AI共同完成日常工作。

从讨论问题、制定方案到推进执行，AI参与了大部分环节。每个人在自己负责的板块里，把这些环节接起来，承担从想法到交付的完整责任；技术、产品和运营之间仍然需要彼此配合。这是我们在三人团队里探索AI原生组织的具体方式。

这样的工作方式也让我们更关心下一步：与AI讨论过的判断、执行中的反馈，怎样留下来，帮助下一次工作？当经验逐渐进入可使用、可修正的系统，一个不能略过的问题也随之出现：这些经验由谁贡献，谁能调用，又由谁核对和修正？

03 经验进入系统后，人不能从记录里消失

设想一位业务负责人，从第一次丢单开始，逐渐摸清客户为什么接受或拒绝某类方案。她在会议和项目复盘中留下判断理由，团队将这些记录整理成可供AI调用的背景。下一位同事处理相似需求时，不必一切从头摸索。

这对组织有益。但如果系统只保留一条“客户通常这样选择”的结论，原始条件、例外和贡献者的判断过程都被抹掉，下一次就可能用错。如果这样的结论继续被后续任务调用，一次误解就可能被反复放大。让经验能够被追溯和纠正，本身就是组织持续改进的条件。

所以，“让组织拥有记忆”还需要回答更具体的问题：哪些知识应当在团队内共享？客户资料能用于什么任务？经验被提炼后，谁能核对来源、指出失效条件？当AI据此采取行动，谁承担结果？

这些问题关系到经验能否被准确、恰当地复用。只保留结论，容易丢失适用条件；忽略资料的使用范围，也可能把客户信息带入未经授权的任务。组织积累经验的同时，需要保留来源、条件和使用边界。

核对原始记录，补回适用条件，再按授权用于具体任务。（假设案例）

同样的控制问题，在面向个人的Agent中更直接：它可能接触用户的邮箱、日历和支付信息。Meta的Muse提供了一个例子：用户可以选择连接哪些应用、授予多大权限；发送邮件或购买商品前，系统会请求批准，并提供操作记录。用户还可以调整访问权限和管理记忆。

这些设计为用户控制AI接触什么信息、采取什么行动提供了入口。还值得继续追问：AI形成建议时依据了哪些信息？它有没有把过时的理解当成现在的偏好？使用者能否在行动之前发现并修正？

04 让组织进步，也让人保有主动权

小禾所说的“认知资产归你”，首先意味着，你应当能够掌握自己提供的资料，并参与核对、修正AI据此形成的理解。对于个人AI，资料用于什么任务、关键行动是否执行，都应当在你的授权范围内；已授权的日常任务则可以交给AI完成。

小禾从用户授权、相关资料的本地留存与导出做起，让用户更方便地保存和使用自己的资料。让AI对人的理解可核对、可修正，是我们继续推进的方向。从保存资料到核对AI形成的理解，用户的主动权需要落实到不同环节。

放到公司里，道理相通，安排却更复杂。组织需要让团队共享经过核对的经验，也需要保护客户信息、辨认人的贡献。

组织可以把这些权限分别安排：经验贡献者核对提炼是否准确，资料和流程负责人按授权确认使用范围，关键行动由明确的业务负责人把关。需要纠正的判断，也应有清楚的反馈和更新路径。人不必守在每一个自动化步骤中，但目标、边界、例外和结果，始终要有清楚的负责人。

AI原生组织没有一张永远适用的结构图。Meta在不同团队中调整组织安排，YC尝试让工作系统从失败中改进，云栖大会强调把个人能力连接成组织能力。对一家正在转型的公司来说，更实际的检验是：整件事有没有更好地完成？上一次工作的结果有没有帮上下一次？当系统越来越能干，人是否仍能看见、修正并负责关键判断？

公司可以在我们睡觉时继续进步。我们也该知道：它从什么经验中学习，为谁工作，谁有权改变它的判断。