夜雨聆风Views are my own.
Key Takeaways
AI 放大了执行速度和协调速度之间的落差。 协调瓶颈一直存在，但过去被执行瓶颈“掩盖”了。当 AI 把执行速度拉到极高，组织内信息流动的带宽和延迟成为真正的制约因素。
层级制度的本质是信息路由协议，设计约束是人类认知带宽。 2000 年来没有替代方案。AI 第一次提供了维护实时“公司世界模型”的可能性，这动摇了层级存在的根基。
Block 的四层架构（Capabilities → World Model → Intelligence Layer → Interfaces）逻辑自洽，但依赖特殊前提：业务可原子化、客户信号高密度、工作过程数字化。 大部分公司不完全具备这些条件，需要找到自己的映射方式。
AI-Native 转型中最容易被低估的瓶颈是判断力。 不是 AI 能不能做，而是谁来判断 AI 做得好不好，团队需要培养足够比例这样的人。
中层管理者的价值需要重新审视。 信息路由的职能会被系统替代，但 judgment、文化塑造、人才发展、“江湖平事儿”的价值反而会上升。AI-Native 不一定消灭管理职责，但会倒逼管理者回归真正不可替代的价值。
从一篇激进的文章说起
上周，颇具争议的 Block（原 Square） Founder&CEO Jack Dorsey 和 Sequoia 的管理合伙人 Roelof Botha 联合发表了一篇文章“From Hierarchy to Intelligence”，提出了一个相当激进的观点：
AI 替代层级制度的信息路由功能，把公司从 hierarchy 变成 intelligence。
背景同样激进。2 月份，Block 宣布裁员约 4,000 人，接近 40% 的员工。这个操作并不是一家处于严重亏损时期的断臂求生之举：Block 2025 财年 Gross Profit 约 103.6 亿美元，同比增长 17%,2026 年指引上调至 122 亿美元。一家赚着钱、增长着的公司，主动砍掉近一半的人，然后在致股东信中解释说 AI “从根本上改变了建立和运营公司的意义”。
不只是 Block 的激进实验，随着 AI 飞速发展和各种 AI 焦虑，你有没有发现一个越来越普遍的现象：
团队里每个人都在用 Cursor、Claude、ChatGPT，Gemini 等各种五花八门的 AI 工具，个人生产力确实提升了，但跨团队协作反而更混乱了？
需求对齐的会越开越多，context 在传递中不断失真，每个人都在高速产出，但产出的方向经常对不齐。AI 解决了“做得快”的问题，却暴露了一个更深层的组织瓶颈——信息流动。
这个文章想讨论的就是这个问题：
当 AI 消解了执行瓶颈之后，组织的真正瓶颈是什么？AI-Native 组织到底意味着什么？以及，一个中小团队如何务实地开始这场转型？
为什么组织的瓶颈变了？
过去十年，技术团队管理者最头疼的问题是执行速度：开发进度慢、功能交付延期、代码质量不稳定。管理的核心工作围绕任务拆解、资源分配、进度跟踪展开。整个管理体系的设计假设是：
执行是瓶颈。
AI 正在快速改变这个假设。根据 Anthropic 最新的 Economic Index Report，经验丰富的老手不仅利用最新的 AI 技术尝试更高价值的任务，甚至把 AI 当成迭代的思考伙伴，而非简单搜索答案的工具。
当执行速度不再是瓶颈，协调的低效就无处遁形。Fred Brooks 在《人月神话》里早就说过“adding manpower to a late project makes it later”，协调成本一直存在。但过去，执行速度慢到足以“掩盖”协调的低效：反正代码写不完，协调慢一点也不是最痛的问题。
当 AI 把执行速度拉到极高之后，执行和协调之间的速度差开始变得不可忍受。 就像一条高速公路突然把限速从 60 提到 300，原来凑合能用的收费站和匝道设计瞬间变成了致命瓶颈。
我们过去习以为常的层级制度，到底在解决什么问题？“From Hierarchy to Intelligence”文章里最核心的观点是：层级制度本质上是一个信息路由协议（Information Routing Protocol）。
他们从罗马军团讲起。最小单位 contubernium 是 8 个人，共用一顶帐篷、一套装备、一头骡子，由一个 decanus 领导。10 个 contubernium 组成一个 century（80 人），由 centurion 指挥。6 个 century 组成一个 cohort，10 个 cohort 组成一个 legion（约 5,000 人）。每一层的指挥官做同样的事：从下层聚合信息，向上传递，接收上层决策，向下分解。
8 → 80 → 480 → 5,000。这个结构的设计约束只有一个：一个人能有效管理 3 到 8 个人，这是人类认知带宽的硬约束。罗马人通过几百年的战争发现了这个约束，今天的美军层级链遵循同样的模式，现在叫它 Span of Control。过去很多年的组织创新，本质上都是在同一个约束条件下做优化：人类认知带宽有限，所以需要层级来路由信息。
最近的几十年，科技公司做过各种尝试突破这个约束。Spotify 试过 Squad 模式，Zappos 试过 Holacracy，Valve 试过完全扁平化。结果呢？Spotify 在扩张后回归了传统管理，Zappos 经历了大规模离职，Valve 的模式在几百人以上就难以为继。
这些实验碰上了同一个问题：当组织试图用文化、流程或制度来取代层级的协调功能时，却没有一个拥有真正能执行这些功能的技术。 组织一旦超过几百人，就会回归层级，因为没有其他信息路由机制能替代它。
直到现在。
AI 第一次提供了一种技术，能够维护一个持续更新的“公司世界模型”，并用它来协调工作，而这些工作过去都需要人类通过层级来完成。
如果这个判断成立，组织层级必须存在的假设就动摇了。
Block 的激进实验：公司即 Agent
大多数公司对 AI 的使用方式是：给每个人一些 AI 工具或者 Token，期望让现有结构和流程运转得好一点，这叫 AI-augmented。Block 要做的事情完全不同，他们想把公司本身变成一个“mini-AGI”。
AI-augmented 的组织里，智能分布在人脑中，层级负责路由。AI-Native 的组织里，智能在系统中，人在边缘节点。
传统组织的信息流是：IC 产出 → 经理聚合 → 总监决策 → 经理分解 → IC 执行。AI-Native 组织的信息流是：World Model 持续更新 → Intelligence Layer 识别机会 → 直接组合 Capabilities → 通过 Interface 交付。
Block 设想的组织架构分四层。
第一层：Capabilities（能力层）。 首先是原子化的金融能力，包括支付、借贷、发卡、银行、先买后付、薪资等等。这些不是“产品”，是乐高积木块。它们没有自己的 UI，只有可靠性、合规性和性能指标。它们之所以有价值，是因为获取和维护这些能力的门槛很高，有些涉及网络效应，有些需要监管许可。
第二层：World Model（世界模型）。 两个子模型。Company World Model 是公司对自身运营的理解，什么在建、什么被阻塞、资源如何分配、什么有效什么无效。这些信息过去由管理层通过层级聚合和传递，现在可以由 AI 持续维护。需要说明的是，Block 是 remote-first 的公司，所有工作交付物都是数字化 artifact，比如决策、讨论、代码、设计、计划等，这些就是 World Model 的原材料。Customer World Model 则是公司对客户的理解，基于交易数据构建的 per-customer、per-merchant、per-market 模型，从原始交易数据起步，逐步演进为因果和预测模型。
第三层：Intelligence Layer（智能层）。 这是整个架构中最有想象力的一层。它的功能主要是在特定时刻，为特定客户，组合 Capabilities 来解决具体问题。 文章举了两个例子。一家餐厅的现金流在季节性低谷前开始收紧，模型之前见过这个模式：智能层从借贷能力中组合一笔短期贷款，用支付能力调整还款计划，在商户还没想到要找融资之前就主动推送方案。一个 Cash App 用户的消费模式发生了变化，模型判断他搬了家，智能层组合工资直存设置、针对新社区的 Cash App Card 优惠、根据更新收入校准的储蓄目标，打包推送。没有产品经理决定做这些功能，Capabilities 本来就在那里，Intelligence Layer 识别到了 moment，实时组合了方案，神不神。
第四层：Interfaces（界面层）。 Square、Cash App、Afterpay、TIDAL、bitkey 等，这些是“交付界面”，智能层通过它们把组合好的方案送达用户。界面很重要，但价值创造不在这里。价值在 Model 和 Intelligence。
这四层架构带来了一个极其激进的推论：传统 Roadmap 可以消失。
传统模式下，产品经理假设用户需要什么，排优先级，安排开发。Dorsey 认为这是“any company‘s ultimate limiting factor”。在 Block 的模型中，当 Intelligence Layer 尝试组合方案但发现某个 Capability 不存在时，这个失败信号直接生成了 backlog。“Customer reality generates the backlog directly.” 从“假设驱动”到“现实驱动”，我认为这是整个架构中最值得思考的转变。
在这个架构下，组织结构也随之倒置。传统组织里，人在中间（管理层路由信息），智能在边缘（IC 做具体工作）。Block 的模型里，智能在中间（World Model + Intelligence Layer），人在边缘。
用 Dorsey 的话说：“A world model that can‘t touch the world is just a database.” 而边缘是智能与现实接触的地方。人在边缘的最大价值在于，触达模型还无法触达的地方，感知模型无法感知的东西，比如直觉、文化语境、信任关系等，以及做模型不应该独自做的决策，比如伦理判断、情境判断、犯错代价极高的决策等。
Block 将组织角色精简为三种：
IC（Individual Contributor）：资深专家，负责构建和运维某一层，World Model 提供过去由经理提供的 context，IC 可以自主决策
DRI（Directly Responsible Individual）：拥有某个跨职能问题的临时 owner，比如 90 天内负责解决某细分市场的商户流失问题，有权跨团队调配资源，问题解决后转向下一个
Player-Coach：既写代码/建模型/做设计，又培养人，替代传统 manager，但不再花时间开状态同步会和谈判优先级
这样的组织模式变成了：
World Model 处理对齐，DRI 结构处理优先级，Player-Coach 专注于 craft 和 people，没有常设的中层管理。
Block 自己也承认这个转型还处于早期阶段，但他们选择现在就公开讨论，因为他们相信每家公司最终都要面对同一个问题：你的公司到底理解了什么真正难以理解的东西？这个理解每天在变深吗？
如果答案是“没有”，那 AI 对你来说只是一个降本增效的故事，砍人、提利润、撑几个季度，最终被更聪明的东西吞掉。如果答案是“深”，AI 不是在增强你的公司，而是在揭示你的公司对什么的理解比别人深。
这个架构成立的前提条件是什么？
显然，Block 的这个叙事非常理想，真要做成也需要依赖几个非常特殊的前提条件。
前提一：业务能力天然可原子化。 Block 做的是金融服务，像支付、借贷、发卡等，这些能力本身就是高度标准化、API 化的。你可以把“发放一笔贷款”抽象成一个原子操作。但如果你做的是咨询、内容、硬件、或者任何涉及大量非结构化，决策判断为主的业务，“Capability”这一层怎么定义？把“写一份战略报告”或者“设计一款消费电子产品”拆成原子化能力，难度完全不同。
前提二：有高质量、高密度的客户信号。 Block 坐在交易数据上，每一笔支付、每一次借贷、每一个消费行为都是实时的、结构化的、诚实的信号。这是 Customer World Model 的基础。但大多数公司的客户信号远没有这么干净。SaaS 公司有用户行为数据，但颗粒度和信噪比跟交易数据差很远。做 B2B 的公司，客户信号可能主要来自销售的口头反馈和季度 review，这怎么建 World Model？
前提三：工作过程天然数字化。 Block 是 remote-first 公司，所有决策、讨论、代码都以数字化 artifact 的形式存在。这是 Company World Model 的原材料。但很多公司的关键决策发生在会议室白板前、微信群里、甚至饭局上。这些信息 AI 看不到，World Model 就建不起来。
前提四：Intelligence Layer 的可靠性问题。 这是我个人认为最值得质疑的一点。Block 描述的 Intelligence Layer，本质上是一个自动化决策系统，它要在金融场景下实时组合方案并推送给客户。这对系统的可靠性要求极高。当前 LLM 的 hallucination 问题、因果推断的不可靠性、以及金融监管对自动化决策的合规要求，都是实实在在的技术障碍。
而且这里有一个隐藏的悖论：Intelligence Layer 判断“应该组合什么方案”本身就是一种模型假设，它基于历史模式做推断，而历史模式不等于未来现实。如果模型过度拟合了过去的交易模式，它“发现”的需求可能只是对旧模式的重复，而非真正的客户现实。
基于上面的分析，更准确地说，Block 的模型是从“人的假设驱动”变成了“模型的假设驱动”，而后者更快、覆盖更广，但并没有消除假设本身。
说这些不是要否定 Block 的方向。个人判断，Block 提出的组织设计原则，即“智能在中间、人在边缘、信息路由由系统承担”的大方向是对的。 但具体的四层架构是 Block 根据自身业务特点设计的，不能直接照搬。
每个团队需要根据自己的业务特点，找到属于自己的“能力层”、“世界模型”和“智能层”的映射方式。
转型真正难在哪儿？
理解了 Block 架构的前提条件之后，再来看转型的难点，就不只是“技术难”或“组织难”这么简单了。
最核心的难点：中层管理者的存在性危机。
这是整个 AI-Native 转型中最敏感、也最值得讨论的问题。Dorsey 的文章说得很直接：传统中层管理者的核心职能，比如信息聚合、上传下达、资源协调、优先级判断等等，在 AI-Native 架构中由系统承担了。Block 的方案是让他们转型为 Player-Coach 或 DRI。
但这个方案回避了一个问题：中层管理者做的真的只是信息路由吗？
大多数公司，优秀的中层管理者做的远不止这些。他们做冲突调解，两个团队对优先级有分歧，不是靠数据就能解决的，需要有人理解双方的情绪、利益和面子。他们做文化塑造，团队的价值观、工作标准、什么行为被鼓励什么行为被制止，这些微妙的东西很难写成规则让 AI 执行。他们做政治缓冲，替团队挡掉来自上层的不合理要求，或者在资源争夺中为团队争取空间。他们做“翻译”，把高层的战略意图翻译成团队能理解和执行的具体方向，这个翻译过程本身就包含大量的判断和取舍。有人的地方就有江湖，更别提各种“江湖”上的人情事故了。
World Model 能替代信息聚合，但能替代这些吗？个人认为短期内肯定不能。
所以更准确的说法可能是：AI-Native 架构不是消灭中层管理，而是迫使中层管理者从“信息路由器”转型为“judgment provider”。 那些核心价值就是信息搬运的管理者确实会被替代，但那些核心价值是判断力、文化塑造和人才发展的管理者，反而会变得更重要。
第二个难点：团队的 AI 能力分布严重不均。
Deloitte 2026 State of AI 报告调研了 3235 位管理者，结论是：企业 AI 落地的第一障碍并不是预算、技术或者领导层支持，而是技能。更值得注意的是，84% 的公司没有围绕 AI 能力重新设计工作和岗位，大部分还停在“给现有流程加 AI”的阶段。
但这里的“技能”不是指“会用 ChatGPT”。不是每天简单用用 AI，有几个顺手的工具，就是“AI-native”了。
遇到问题是不是第一反应如何用 AI 方式来解决？是不是用 AI 加速了现有的思考方式？是不是因为 AI 改变了思考方式本身？是不是开始用 AI 来挑战自己的假设、探索你原本不会考虑的方案、构建你一个人根本搭不起来的系统？
这个 gap 本质上是一个 taste-and-judgment gap：工具人人都有，但知道什么该做、什么该测、什么该砍，以及如何保证 AI 输出的质量标准，这些判断力的差异，才是真正拉开差距的地方。
管理者往往会高估团队的 AI 能力水平。团队推 AI-Native 架构，很多人可能只是把它当成“又一个新工具”来用。更麻烦的是，这个问题不是培训能解决的，它需要思维方式的根本转变，这个转变因人而异，没有标准路径。
架构债和技术挑战也是真实的，但相对来说是更“可解”的问题。 产品要拆成原子化的 Capabilities，数据要重构为 World Model 的输入，业务逻辑要从代码里抽出来放进 Intelligence Layer，这些都是工程问题，有明确的技术路径，难的是投入和耐心。
真正卡住大部分组织的，是上面说的人的问题。
一个中小团队怎么开始？
Block 的实验是公司级别的全面重构。对大多数公司来说，这个路径的说服成本和执行风险都太高。但如果把范围缩小到一个百人以内的中小团队，尝试的可行性就高多了。决策链短，试错成本可控，团队 Leader 可以真正做到从上到下推动。
以下是我个人 YY 的一套渐进路径，逻辑上是通的，但尚未验证。权当抛砖引玉。
第一步，让团队的工作对 AI 可见。
这是一切的前提。
Block 能建 World Model，是因为它是 remote-first 公司，所有工作天然产生数字化 artifact。大多数团队不具备这个条件，决策在会议室里做，context 在微信群里传，知识在老员工脑子里存。
所以起点不是引入什么 AI 工具，而是建立“信息总线”：把决策过程文档化（不是会议纪要，是决策的 Why 和背后的推演过程），把异步沟通作为默认模式（不是禁止开会，是让开会变成 exception），建立 Single Source of Truth（一个地方能查到所有 context）。
团队 Leader 的角色也随之发生变化，TL 需要变成 Chief Context Officer：首要职责不再是下达指令和监督执行，而是构建、维护和优化这条信息总线，确保关键 context 在团队内无损、高速地流动。
听上去不难，做起来一点也不容易。大部分团队试过“文档化”，最后都变成了没人看的 wiki 坟场。文档化的目的不是“记录”，而是“让 AI 能读懂你的团队在干什么”。如果你的文档连 AI 都解析不了，那人就更读不了。
一个简单的检验标准：新人加入团队后，能否在不依赖“找人问”的情况下理解团队在做什么、为什么这么做。
能做到这一步，新人一入职就会感觉到团队的“调性”。
第二步，重点培养团队的判断力，而不仅是工具熟练度。
坦率地评估团队的 AI 能力分布。
对于很多资深专家，需要的不是更多工具培训，而是思维方式的转变。几个值得重点投入的方向：
Context Engineering：管理 AI 的信息环境，比如 memory、skills、rules、retrieval context 等，而非只是写写 prompt，搞搞文档，做做总结等
Token Economics：把 token 当成工程成本来思考。可以尝试，如果给团队无限量的 token 和非常有限的人，团队的产出是不是可以有数量级的提升？
Judgment：建立评估 AI 输出质量的标准和直觉。现在所谓的“Taste（品味）”有点烂大街了，甚至很多人自我感觉 taste 很好，实际上未经业务和商业价值验证的 taste 都只是“廉价的判断”而已。另外，taste 这个事情吧，听上去很玄，我个人觉得也是可以刻意练习和培养的。
让团队里所有人都有足够的判断力不现实，但要确保有足够比例的人具备判断力，能在 AI 高速产出的环境下把住质量关。
第三步，选一个子系统做 AI-Native 的重新设计。
不要试图一次性改造整个团队的工作方式。选一个足够小但足够完整的子系统，问一个问题：
如果这个系统从第一天就假设 AI 是基础设施，它应该怎么设计？
这里需要注意前面讨论的适用性问题。Block 的四层架构是为金融服务设计的，你的业务可能完全不同。
但底层思路是可以借鉴的：这个系统提供哪些原子化的“能力”？它需要理解什么——这就是它的“世界模型”。AI 如何组合这些能力来解决问题——这就是它的“智能层”。具体的映射方式需要你自己想，照搬 Block 的架构大概率不 work。
需要注意的是，“给现有系统加 AI 功能”只是AI增强，而“假设 AI 是地基，系统应该长什么样”才是AI-Native。
最后，在组织结构上做小范围实验。
当前面几步有了初步成果，可以开始试验：让一部分 manager 转为 Player-Coach，既做具体工作又带人；设立临时的 DRI 角色（围绕具体问题而非固定职能），让信息总线承担更多的对齐职能。
这一步的核心不是“去掉管理层”，因为优秀管理者的价值远不止信息路由。需要观察和度量的是：
当信息路由的职能被系统承担后，管理者的时间花在了什么地方？
如果释放出来的时间用在了 judgment、craft 和 people development 上，方向就对了。如果管理者发现自己“没事干了”，那说明他之前的价值确实主要是信息搬运，这个信号本身就很有价值。
整个路径的核心原则：
小步快跑，及时调整方向盘，不要跑偏太多。
每一步都应该在不破坏现有运转的前提下进行，不 work 就快速回滚。把它当成一系列实验，每个实验有清晰的假设，跑一段时间看结果，不断纠偏校准。
一个值得思考的问题
Block 的实验，不管最终成败如何，提出了一个对所有管理者都值得认真想想的问题：
如果 AI 可以承担层级制度中信息路由、资源协调、优先级决策的职能，那“管理”这件事的本质到底是什么？
也许答案是 taste 和 judgment，对“什么值得做”的品味，和对“做得好不好”的判断。也许答案是帮助人成长，这件事 AI 目前做不了，可能很长时间内都做不了。也许答案是我们还没想清楚的某种能力。
但有一点是确定的：如果你作为管理者的核心价值是信息路由，只做聚合、传递、分解，那这个价值正在被 AI 快速侵蚀。AI 可以做到你物理上做不到的事：同时维护整个组织的实时状态，7×24 小时在线，不遗漏，不失真，还能不断自我进化。
Block 今天的实验可能太激进，可能太早，可能在执行中挂掉。但他们提出的问题是真实存在的，而且每过一个月，随着 AI 能力的提升，这个问题就变得更突出一分。
Enjoy!
References
Jack Dorsey & Roelof Botha, “From Hierarchy to Intelligence”, Sequoia Capital / Block, 2026.3
Anthropic, “Economic Index Report: Learning Curves” , 2026.3
PwC, “2025 Global AI Jobs Barometer”, 2025.6
Deloitte, “State of AI in the Enterprise: The Untapped Edge”, 2026.1
Nyk ( @nyk_builderz), “How to become AI native”, 2026
Dhanji R. Prasanna (Block CTO), “Building the AI-First Enterprise with Goose”, Training Data (Sequoia Capital), 2025.9
