穿过 AI 的噪声——构建抗震荡的智能新组织

【本文速览】

AI 正在制造一种 “合成生产力” 的幻觉：个体效率爆发，组织价值却陷入震荡。当“烧 Token”成了新的绩效指标，我们得到的往往不是增长，而是淹没决策者的数字噪声。

• • 核心危机：AI 正在打爆组织的“信息过滤装置”。底层的产出通量上去了，但决策层的注意力带宽没变，导致“体力节省”变成了“脑力过载”。
• • 人才断层：缩招和停招初级员工是在拿未来的资产形成去换今天的利润表改善。人才培养是组织的代谢系统，切断入口将导致组织特定知识的传递链断裂。
• • 组织重构：真正的 AI 红利不在于模型，而在于重新设计“工厂”。这要求我们将考核标准从“产出量”切换到“信噪比”，并将中层从“审批者”重塑为“人机协作协议”的制定者。
• • 终极逻辑：赢家不是最早通电的人，而是最先重写工厂的人。

最近硅谷出现了一个荒诞又很有代表性的词汇：Tokenmaxxing。它的意思就是尽可能多地“烧 Token”。在一些公司里，这已经不只是技术习惯，而开始带上了一种比赛和炫耀的意味。最近几家媒体都报道了 Meta 内部一个名为 Claudeonomics 的排行榜：员工可以看到谁在一段时间内消耗了最多的 AI Token，前排用户甚至被叫作 “Token Legend”。后来这个内部看板因为数据扩散问题被下线，但它留下来的，不只是一个笑话，而是一种值得警惕的组织信号：当管理层越来越难直接判断 AI 到底创造了什么价值时，他们退回去盯住一个最容易量化、也最空洞的数字——你烧了多少Token。

看起来这只是硅谷的新段子，其实映射出一个时代的剖面图。它暴露出一个让很多公司都很尴尬的事实：AI 已经进入办公室了，但组织并没有准备好。于是很多企业一边在喊“效率革命”，一边却在用最旧的方式理解这场革命：一边在买最贵的模型、上最多的 Agent、烧最多的 Token；另一边却迟迟说不清组织到底因此增强了什么。

这就是今天很多公司最真实的状态：AI 的生产力已经爆发，但组织的价值机制还停留在旧时代。 结果不是增长，而是噪声；不是升级，而是震荡；不是智能组织，而是高算力驱动下的管理混乱。

这些现象自然引出一个更难回答的问题：什么样的组织能够穿过 AI 制造出来的巨大噪声，不被它冲垮，反而把它变成自己的资产？

一、表象的狂欢：当“烧 Token”成了新的工分制

如果你把 Token 看成汽油，那么 Tokenmaxxing 是一场很奇怪的竞赛：大家不在乎谁更快到达目的地，而是比赛谁烧油更猛。这当然不是一个健康的信号。因为 Token 只是投入，不是产出；只是过程中的能量消耗，不是结果本身。把它拿来当目标，几乎是古德哈特定律最标准的例子：一旦一个指标成了考核目标，它就不再是一个好指标。

过去有些公司也有同种问题。有人刷代码行数，有人刷开会时长，有人刷日报字数。现在 AI 把这个问题推到了一个新阶段。以前你要造假，至少还得自己动手；现在你只要启动几个 Agent，让它们在一个模糊任务上来回空转，就可以轻松制造出惊人的 Token 消耗。换句话说，Tokenmaxxing 可能是管理史上第一个几乎可以全自动完成的“绩效造假指标”。它的可笑之处在于组织居然会把这种刷出来的数字当成一种值得赞美的活跃度。Meta 内部排行榜之所以引发争议，核心也在这里：它把一个本该只是成本侧的过程量，悄悄包装成了文化侧的荣誉。

这背后真正暴露的是一种管理焦虑。管理层不是不知道 Token 不是价值，只是当下他们越来越难直接识别 AI 产出的真实质量。人写的方案还可以通过写作习惯、思考深度、结构感受出些差别；AI 生成的东西越来越“像样”，越来越流畅，越来越会说正确漂亮的话。于是组织对“价值”的判断反而变迟钝了。在这种情况下，最先产生的退化是：既然我一时看不懂你到底做得好不好，那我先看你是不是“很努力”——在 AI 时代，“很努力”直接被替换成“很会烧 Token”。如果组织已经开始用最先进的技术，去放大最无意义的指标，那么这场所谓的生产力革命，会不会最后只是一场更贵的资源浪费？

现在很多公司已经站在这个门槛上。员工借助 AI，可以一天写出十几篇方案，生成几十页报告，做出数量惊人的图表、总结、路线图和竞品分析。表面上看产出爆炸；硬币的另一面是，这里面大量内容只是“正确的废话”。它们格式正确、语气正确、结构也正确，但组织看完之后并没有因此更接近答案，可能反而更远。以前管理层面对的是两份需要判断的方案，现在是十八份都“差不多能看”的方案。AI 并没有替你完成决策，只是替你制造了更多需要决策的材料。

这就是我想说的第一层错觉：很多企业今天得到的不是生产力，而是合成生产力。 它像塑料。廉价，量大，成形快，而且很难降解。它看起来像有用的东西，但一旦在组织内部大量堆积，就会迅速变成新的负担。员工生成得越快，主管筛选得越累；基层提交得越多，中高层越接近决策瘫痪。于是那个原本应该带来解放的工具，开始在另一端制造更大的拥堵。

二、逻辑的断裂：为什么工厂通了电，产出却没有起飞

要理解为什么当前企业会陷进这种荒诞状态，可以回头看一段更老的历史：电力革命。经济史里有一个经典问题。十九世纪末到二十世纪初，美国工厂开始逐步电气化，但生产率的全面提升却不是立刻发生的。保罗·戴维在研究中指出，早期很多工厂虽然换上了电动机，却仍然沿用蒸汽时代围绕中央传动轴布置车间的方式，所以电力真正的灵活性并没有被释放出来。后来真正拉开差距的，不是最早“通电”的工厂，而是那些围绕电动机重新设计生产布局、工作流和管理方式的工厂。换句话说，决定结果的不是有没有上新技术，而是有没有围绕新技术重构整个组织。

今天的 AI 和当年的电力很像。它也是一种通用技术，能嵌进几乎所有知识工作流程里。但很多公司现在做的事，其实就是把“蒸汽机车间”原封不动保留下来，然后在每个旧岗位上塞一个 AI 助手。流程没变，权责没变，汇报关系没变，筛选机制没变，绩效指标也没变。唯一改变的是，大家生产文档的速度快了十倍。于是就出现了这个吊诡的局面：个体效率上升了，组织价值却没有同步增长。

为什么会这样？因为公司不是一个单纯堆积产出的地方。公司本质上是一个有限注意力系统。 人脑有处理带宽的上限。组织之所以产生层级，并不是因为人类天生喜欢官僚，而是因为高价值决策者的注意力很贵，必须被保护。科斯解释企业存在时强调过，用组织内部的指挥关系替代市场上的反复交易，是为了节约协调成本；西蒙的有限理性理论则进一步说明，无论个人还是组织，处理信息的能力都受到严格限制。层级制在很大程度上，就是为了把原始现实层层脱水，让最顶端只处理少量但高价值的信息。

你可以把传统组织理解成一个信息过滤装置。底层负责接触混乱现实，中层负责压缩和筛噪，高层只在被提纯后的几个关键选项之间做判断。这个结构可能看起来笨重，但它能保护昂贵的大脑，不被大量低价值噪声淹没。

AI 现在首先打爆的恰恰是这个过滤平衡。过去一个初级员工三天写两份方案，中层有时间读、改、追问、退回。现在一个初级员工三十分钟就能生成二十份方案。底层的产出通量上去了，但中层和高层的人脑带宽没有任何变化。于是原本负责过滤的层级，不再是过滤器，而变成了洪水闸门。组织没有变扁，它只是更快地把垃圾向上推。这就是为什么很多公司在接入 AI 以后，员工会觉得自己忙得很有效率，但管理层却反而更疲惫。以前主管一天看两份方案还可以认真判断，现在面对二十份逻辑通顺、格式整洁、语气自信的材料，最容易发生的不是更快决策，而是决策瘫痪。因为判断“写得通顺”不难，难的是判断“哪一份真正贴合这家公司此刻的问题”。AI 极大降低了文档生成成本，却没有同步降低价值判断成本。很多时候，它甚至抬高了后者。

这就是第二层错觉：很多所谓的 AI 提效，其实只是把体力节省变成了脑力过载。

所以我不太相信那种看似自然的说法：将来的公司会被 AI 自动“压扁”，大家都成为超级个体，高层直接带 Agent，组织自然更轻盈。甚至会出现大量“一人公司”。真实世界没有这么简单。因为中层不只是一个审批节点，它首先是一个信息过滤节点、责任承担节点和组织记忆节点。如果你只是把底层的大量产出直接推给高层，而没有重写过滤协议，那么所谓扁平化只会变成高层直接被噪声淹没。那不是组织升级，而是组织的心肌梗死。

有人会说，那就让 AI 再来过滤 AI 产生的噪声，不就行了吗？这听上去很接AI地气。但如果底层用 AI 生成一百份东西，中层再用 AI 把它们压缩成一份，你当然可以说系统最终还是得到了那一份结果。问题在于：既然最后只需要一份，为什么我们要先花大价钱制造九十九份废料，再花另一笔钱把它们删掉？

这更像一种昂贵的数字内卷，而不是增长。更关键的是，过滤的本质从来不是“删除重复”，而是做价值判断：什么对本公司当前最重要，什么风险虽然概率低但代价极大，什么方案虽然不完美却更符合组织真实能力边界。这个“金标准”不是通用的，也不是平均主义的，它深深依附于一家公司的历史、客户、技术债、组织习惯和内部偏好。这些东西几乎无法完全文档化，以至于人们借用"品味"这个模糊的词来形容决策的好坏。AI 可以帮你做筛查，但很难替你定义这一刻究竟该押注什么，决定什么。

所以问题从来不是“AI 能不能过滤”，而是谁来定义过滤标准，谁为过滤后的结果负责 。只要责任还不能外包给模型，层级就不会消失，只会换一种形态存在。

三、结构的坍塌：招聘冻结、人才断层与“失落的一代”

当组织既没有重写过滤协议，又感受到 AI 带来的短期提效时，它最容易做出的不是重构，而是把这份表面的效率红利立刻兑现为人力压缩：裁员或者停招。这正是今天很多企业正在做的事。

表面看这种决策非常理性。老员工加 AI，短期产能暴涨；在预算压力、宏观不确定和资本市场要求更高利润率的背景下，管理层的第一反应当然是：既然现有人手配上 AI 已经能顶更多工作，那今年先别招新人了。但企业不是一个静态“任务堆”，而是一个动态“人才代谢系统”。短期把招聘关掉，是告诉资本市场企业在做成本优化；从更长的时间尺度看，它是切断未来的供血。

最近一年，关于这一点已经出现了一批越来越值得重视的证据。斯坦福数字经济实验室团队在高频行政数据中发现，22 到 25 岁、处在 AI 暴露度较高职业里的年轻工人，近年的就业出现了明显的相对下降；他们把这类现象概括为“煤矿里的金丝雀”，意思是大规模失业未必已经全面出现，但入口处的变化，可能已经先一步告诉时代不同了。达拉斯联储随后对相关研究做了通俗解读，也指出 AI 暴露较高岗位里的年轻就业自 2022 年以来出现了明显下滑。Anthropic 自己发布的劳动力研究也认为，到目前为止，AI 对总体就业的冲击证据仍然有限，但更可能率先体现在某些职业入口和工作结构的变化上。

现实里更脆弱，更难以抵挡AI入侵的很可能首先是白领体系中的入门层。这些岗位承担的大量工作恰好就是文档整理、信息汇总、代码初稿、客户邮件、基础研究、流程推进这类最容易被大模型先一步吃掉的任务。组织一旦发现这些活可以由老员工配 AI 或由自动化工作流完成，马上就会觉得新人不是刚需。但是很多管理者没有意识到，新人重要，不只是因为他们今天能产出多少，而是因为他们构成了公司三年后、五年后、十年后的中层和骨干来源。AWS CEO Matt Garman 去年公开说，用 AI 去替代初级员工，“是我听过最蠢的想法之一”；他的理由其实非常朴素：初级员工不仅便宜，而且他们是未来的人才管道，没有人从起点进入系统，整个组织迟早会在上游断流。

这句话说中了一个经常被财务表误导的地方：人才培养在利润表上看像费用，在组织现实中却更像资产形成。 贝克尔的人力资本理论早就区分过一般人力资本和企业特定人力资本。前者可以带走，后者嵌在公司自己的流程、产品、客户关系、历史 bug、内部默契和灰色知识里。很多企业真正值钱的部分不是写在制度手册里的内容，而是老员工知道、但没有文档化的那些直觉判断。贝克尔后来也明确说过，企业员工的特定人力资本应该被视作公司最重要的资产之一。管理学和战略研究后来进一步强调，企业特定人力资本之所以重要，是因为它很难在外部市场上直接买到，也很难被快速复制。

这意味着，一家公司如果因为 AI 让短期产能变好看就顺手砍掉新人招聘，它实际上是在拿未来的资产形成，去换今天的利润表改善。 如果这种趋势持续下去，它的代价不会只体现在年轻人找工作更难，也不会只体现在某些年份的毕业生更倒霉。更深远的后果是整个公司的知识传递链会断掉。没有新人参与核心逻辑，没有足够多的初级岗位承接真实业务，没有“人带人”的摩擦过程，公司特定知识就无法稳定沉淀。那些只能在做事中学会的东西，会随着一批批老员工流失而蒸发掉。

到那一步，公司表面上可能仍然很“精简”、很“高效”、很“AI native”，但它已经开始失去最关键的资产：自己独有的判断和自己培养判断者的能力。它会变成什么？很可能会变成一个谁都可以替代的通用算力承包商。模型大家都能买到，Agent 框架大家都能接入，流程模板大家都能抄袭，但只有真正沉淀下来的组织知识、责任链和人才代谢体系，不是明天就能复制出来的——罗马不是一天建成的。

从估值角度看这个道理也很直白。资本市场不会只看你这一季省了多少工资，它还会看你五年后有没有继续做高附加值工作的能力。一个没有人才梯队、没有内部学习能力、只能依赖高薪空降外部资深人员填坑的组织，迟早会被打上“资源耗尽型企业”的标签。因为外部招来的高手有通用技能，却不自带你这家公司的历史上下文；他们要重新磨合，失败率高，成本高，忠诚度也不稳定。你省下的是校园招聘成本，交出去的却可能是更高的“陌生人税”。

所以招聘冻结不只是“少了几个人”，它会让公司进入一种慢性的结构性震荡：短期看上去更精简、更漂亮，几年后却突然发现没有接班人，只能恐慌式扩招，再过几年又因为冗余而收缩。组织开始在“现在省钱”和“未来失血”之间来回摆动。它不再是一条稳定成长曲线，而像一个长期失稳的振荡系统。

四、终极回答：什么样的公司，能在 AI 浪潮里真正受益

真正决定一家企业能不能吃到 AI 红利的，不是它接通了多少模型，不是它运行了多少 Agent，也不是它内部每个月烧掉多少 Token。真正决定生死的，是它有没有能力重新设计自己的工厂 。这个“重新设计”不是一句空话。如果把旧工厂思维与 AI 时代的智能组织思维并排来看，差异可以压缩成下面这张表：

第一，把考核从产出量切到信噪比。

在 AI 时代，最廉价的东西就是“看起来像成果的内容”。因此，任何还在奖励“生成了多少”、“提交了多少”、“写了多少”的组织，几乎都等于在鼓励噪声泛滥。新的价值衡量不应该是你产出了多少文档，而应该是你替组织减少了多少无效文档；不是你烧了多少 Token，而是你用多小的成本，帮组织把真正重要的问题从洪水里筛了出来。

换句话说，员工的价值越来越不在于“做加法”，而在于“做减法”。谁能把二十份 AI 草稿压成一份真正可决策的方案，谁能指出这份表面完美的材料里真正缺的那一个关键假设，谁能在模型看起来都说得通的时候，识别出哪一个风险一旦发生代价最大，谁才在创造价值。未来最值钱的人，不一定是最会生成的人，而是最会过滤的人、最会定义问题的人、最会承担判断责任的人。

第二，把招聘从变动成本，改成代谢基础设施。

真正聪明的公司，不会把新人招聘完全跟着当期产能波动走。因为它们很清楚招聘是为了维持一个组织长期自我更新的代谢率。AI 越强，这件事越重要。因为 AI 可以让一名资深员工短期顶更多工作，但它不能自动替你长出三年后的中层、五年后的负责人和十年后的业务骨干。

真正受益的组织会在 AI 带来短期提效的时候保持某种战略定力：不是立刻把效率红利兑现为缩招和停招，而是坚持维持稳定、连续的人才入口。它们会把招聘看成一种基础设施投入，而不是一项可以随着季度波动随手压缩的成本。你可以把这看成一种看似低效、但实际上极度理性的“战略性冗余”。它像大坝后面的蓄水池。平时看起来占地方、吃成本，真到了洪峰来临的时候，才知道它是整个系统不崩的关键。

第三，人为保留成长的摩擦力。

但入口不断流，并不等于成长会自动发生。AI 越强，组织越要警惕另一种更隐蔽的风险：学习过程被短路。很多真正有价值的能力，并不是通过直接拿到答案学会的，而是在反复试错、被追问、被否定、被迫解释、重新推导的过程中长出来的。如果一个新人接触到的永远只是 AI 直接给出的最终成品，他会越来越擅长操作工具，却越来越难形成自己的判断。久而久之，组织里会出现一批很会调用系统、却并没有真正理解业务的人。他们看起来像“在环上”，实际上已经慢慢退到了环外。

所以，哪怕 AI 可以一秒生成初稿，组织也应该故意保留一些不能被完全省掉的学习环节。让新人参与关键逻辑推演，让他们看到一个判断是怎样形成的，也让老员工解释为什么某个方案虽然更慢却更稳，为什么某个风险虽然不显眼却必须优先处理。让重要决策背后的上下文被说出来、写下来、传递下去。这个过程表面上有摩擦，实际上是在防止组织被“零摩擦效率”掏空。没有这些摩擦，人才不会真正长成，知识也不会活着沉淀。大模型需要鞍座(Harness)，需要上下文，人类成长遵循同样的过程。

第四，重新定义中层：从审批者变成协议制定者。

当组织既要持续引入新人，又要防止学习过程被 AI 短路，接下来就必须回答另一个更现实的问题：人和 AI 到底按什么规则一起工作。未来真正强大的组织，不会让中层继续充当旧时代的传声筒，也不会简单把中层裁掉。中层最重要的新职责，是定义人机协作的协议：什么信息可以自动流转，什么必须人工复核；什么任务可以交给 agent 舰队，什么必须由人类拍板；什么算风险前置信号，什么算噪声；什么需要进入组织记忆库，什么只是一次性的材料。

换句话说，中层不再只是“批文件的人”，而是“定义过滤规则的人”；不再只是“分配任务的人”，而是“设计责任链、升级条件和状态同步机制的人”。AI 的工作是提供更多选项、更快试错、更强搜索；人的工作则更加集中到定义标准、维护边界、承担后果和守住组织判断力上。真正成熟的组织，不会让人和 AI 在一个没有规则的流程里各自乱跑，而是会把协作边界、责任归属和信息流转方式，明确地设计出来。

到这里，我们其实已经能看见一种新的组织轮廓了。它不一定还是过去那种刚性的金字塔，也不应该是那种轻飘飘的“全部扁平化”幻想。它更像一种由多个高自主度单元组成的系统：资深人员负责目标、审美和责任抵押，初级人员负责参与执行、理解上下文和学习判断，AI agent 负责吞掉大量重复和低价值劳动；这些单元之间靠清晰的状态同步和知识沉淀机制连接，而不是靠无穷无尽的周报、例会和文档转发来维持运转。

你可以把它想成一座大坝。AI 带来的不是涓涓细流，而是洪水。真正强的组织，不是去和洪水比谁流得更猛，而是要有能力把洪水导入渠道、削去泡沫、过滤泥沙，最后把它变成稳定可用的势能。谁做不到，谁就会被噪声冲垮；谁做到了，谁就能把通用算力转化成自己独有的人才、流程、知识和判断优势。

结语：赢家不是最会烧 Token 的人，而是最先重写工厂的人

AI 不会自动给公司带来更高价值。它首先带来的，很可能只是更多内容、更高速度、更低生成门槛，以及更大规模的组织噪声。AI 时代真正的分水岭，可能并不在模型侧，而在组织侧。

有些公司会把 AI 当作一个更强的打字机，于是他们得到的是更多报告、更多方案、更多流程材料，以及更少的清晰判断；有些公司会把 AI 当作一个短期降本工具，于是他们会在最该维持人才代谢的时候切断入口，几年后付出更贵的代价；还有一些公司，会意识到这场革命真正要求他们做的，是重写自己的过滤协议、责任链、培养机制和价值定义方式。

前两种公司，都会在一段时间里显得很热闹，甚至看起来很高效。最后留下来的往往是第三种。因为 AI 时代的胜负手不在于谁更会烧 Token，而在于谁先承认：旧车间已经不适合这股新电流了。

真正能穿过 AI 噪声、并从中获益的公司，不会沉迷于“压扁”本身，也不会迷信“生成”本身。它们会主动建立一套能吞下 AI 产能、过滤合成噪声、维持人才代谢，并把公司特定知识持续沉淀下去的组织协议。它们理解一件事：AI 可以让动作更快，但只有组织设计，才能决定这些动作最后沉淀成资产，还是堆积成废料。

未来真正值钱的，不只是会使用 AI 的人，也不是会部署 Agent 的团队，而是那些肯为长期代谢能力付出短期效率代价的组织。它们看起来可能没有那么“新潮”，也没有那么多关于 Token 和 Agent 的表演性数字，但它们更接近真实的长期主义。

毕竟，技术浪潮每一轮都会制造一种幻觉：只要换上更新的机器，旧世界就会自动变好。历史已经证明过很多次，事情从来不是这样。

最后胜出的，永远不是最早通电的人，而是最先重写工厂的人。