夜雨聆风
AI对于企业的影响目前还处于非常早期，但长期被远远低估，我最近也在思考组织形态，这篇文章期待激发大家一起思考这个领域
2026 年 4 月 16 日，佛蒙特州伯灵顿，气温 11 摄氏度。Bernie Sanders 站在一排工会领袖中间，灰色的头发被风吹乱，声音嘶哑但每个字都砸得很重：“如果不加控制，十年之内，制造业工作这个概念将不再存在。”台下的钢铁工人、汽车工人、物流工人，没有一个人鼓掌。他们不是不认同，他们是听太多了[1]。
同一天，三千公里外的山景城，Google 据报正在跟五角大楼谈判——把 Gemini 部署到机密级军事系统中。一周前，Anthropic 发布了 Claude Design，一个能生成原型图、Pitch Deck 和营销物料的产品。再往前几天，Block 公司（Square 和 Cash App 的母公司）宣布裁员超过 40%, CEO Jack Dorsey 在声明中直言：“AI 从根本上改变了建立和运营公司的意义。”公司股价当天暴涨 20%[2]。
一个说 AI 是末日。一个说 AI 是效率革命。两个极端，都只说对了一小片真相。他们都跳过了一个被严重低估的问题：你的组织怎么从“AI 辅助”走到“AI 驱动”？中间那段看不见的谷底，才是大部分公司将要死去的地方。
一、U 型曲线：被证实的组织悖论
2026 年 3 月，MIT 经济学家 Fasheng Xu 和 Sinan Aral 发表了一篇可能改写 AI 转型理论的论文。他们用数学模型回答了一个看似简单的问题：当组织引入生成式 AI，管理幅度（span of control）会扩大还是收缩[3]？
答案出乎所有人意料：先收缩，再扩大。
这不是理论推测。论文建立了一个包含工人、高级专家和 AI 系统的三层模型，模拟了四种不同的 AI 部署架构。无论哪种架构，组织都会经历同一个非单调演化路径——管理幅度先缩窄，然后在 AI 能力跨过某个临界点后才开始扩张。换句话说，AI 引入的早期阶段，组织不会变扁平，反而会更加层级化。管理成本不降反升。
为什么？因为 AI 能力不完美的阶段，每个使用 AI 的员工背后都需要一个人类来校准输出、兜底错误、处理 AI 搞不定的边界情况。AI 越强，能处理的任务越多——但这同时也意味着 AI 触达的边界案例越多，需要人类兜底的场景反而增加。一个初级分析师用 AI 一天生成 15 份报告，但谁来 Review 这 15 份报告？谁来确保 AI 没有在第 12 份里编造数据？谁来处理 AI“自信但错误”的那些 case?
MIT 的另一项研究将这种现象命名为“增强陷阱”(Augmentation Trap): AI 工具提升短期产出，但持续使用会侵蚀员工技能。更致命的是，当 AI 接管了某些认知任务后，剩余任务的性质发生了根本变化——它们变得更加碎片化、更难标准化，协调成本不降反升[4]。
这就是 U 型曲线的谷底：AI 在处理工作，旧的组织结构在处理“管理 AI”——两套系统同时运行，管理成本比引入 AI 之前还高。Boston Consulting Group 2026 年 3 月的一项研究给这个现象起了个更直白的名字：“AI 脑力油炸”(AI Brain Fry)。研究发现，当 AI 相关工作需要高度监督时，员工的心理努力增加 14%，心理疲劳增加 12%，信息过载增加 19%[5]。
KPMG 2026 年 4 月发布的适应性指数报告揭示了这个谷底的真实代价：81% 的董事会要求提高组织适应性，但只有 30% 的组织认为自己能快速重构。46% 的高管报告了倦怠和变革疲劳。更微妙的是，不到 10% 的领导者将“提升心理安全”列为过去一年组织改变最多的行为——这意味着大部分公司在要求员工拥抱 AI 的同时，并没有创造允许试错的环境[6]。
二、为什么宏观数据显示“影响温和”？因为大部分公司还没走到谷底
Sanders 说“十年内制造业工作将不存在”，但 Morgan Stanley 2026 年 4 月发布的 AI 干扰追踪报告给出了一个看似矛盾的结论：AI 对劳动力市场的总体影响“至多 10 个基点”。年轻且高 AI 暴露的群体（22-27 岁的分析师、会计师、法务助理）失业率确实上升更快，重新就业时间更长，但整体失业率几乎没有结构性断裂[7]。
这个“温和影响”不是因为 AI 没有破坏力，而是因为大部分公司还没走到 U 型曲线的谷底。它们仍在试点阶段——给几个团队配了 Copilot，开了几场 AI 培训会，在季报里写“AI 转型稳步推进”，但组织结构纹丝未动。真正的考验在未来 2-3 年，当这些公司被迫从“局部试点”走向“全面部署”时，U 型曲线的谷底才会真正到来。
美国制造业就业人数从 1979 年的 1950 万跌到 2025 年的约 1280 万，40 年间下降 35%[8]。但这个下降不是线性的——它集中在 2001-2009 年（下降 33%）和 2020-2023 年。每一次技术浪潮（ERP 系统、精益生产、工业机器人）都会引发一轮“先混乱后稳定”的调整期。AI 不会例外，只会更剧烈。
Stanford HAI 2026 年 AI 指数报告揭示了一个更深层的分裂：73% 的 AI 领域专家认为 AI 会让工作变得更好，但只有 23% 的公众持相同看法——这是 50 个百分点的认知鸿沟[9]。专家看到的是 L2 终局（组织扁平化、生产力跃升），公众感受到的是 L1 谷底（工作强度增加、技能贬值、不确定性爆炸）。两者都没错，只是处在时间线的不同位置。
三、两条路径，两种命运：丰田 vs Block 的真实差异
原文将丰田和 Block 作为 L1 和 L2 的代表案例，但这个分类掩盖了一个更关键的维度：谁控制了 AI 部署的决策权？
丰田：嵌入式增强路径
丰田从 2022 年开始数字化转型，2024 年通过 Google Cloud 节省 10000 小时管理工时，2025 年底与 AWS 合作推出 Agentic AI[10]。但丰田的 AI 总监在 GAIA 会议上反复强调一个词：Jidoka（自働化）——不是“自动化”，是“带有人类判断的自动化”。机器自己发现问题，自己停下来，自己报警，但人保留干预的权力[11]。
这不是技术选择，是权力结构选择。丰田的 AI 平台让车间工人自己创建 AI 模型——从 2023 年的 8000 个模型增长到 2024 年的 10000 个。这些模型不是 IT 部门自上而下推送的，而是工人根据实际需求自下而上创建的。AI 在丰田是“工具”，不是“管理者”。
这条路有天花板。Xu 和 Aral 的论文将它归类为“增强现有结构但不改变结构本身”的路径。丰田的组织图在过去四年里几乎没有变化——它没有拆掉一堵墙，没有合并一个部门，只是在现有结构内嵌入了 AI。这意味着丰田可能永远走不到 U 型曲线的右侧（大幅扁平化），但它也不会掉进谷底。
Block：替代式瘦身的危险游戏
Block 的故事被严重误读了。2026 年 2 月，Block 宣布裁员 40%（从约 10000 人降至 6000 人），同时上调 2026 年业绩指引：预期毛利润 122 亿美元，人均毛利润将达到 200 万美元——是 2024 年 75 万美元的 2.7 倍[12]。
这看起来像是 AI 驱动的组织扁平化成功案例，但 CFO Amrita Ahuja 在接受 Fortune 采访时透露了一个关键细节：Block 的工程师代码产出量自 2025 年 9 月以来增长超过 40%，这是通过 agentic coding tools 实现的。换句话说，Block 不是在“重构组织”，而是在“用 AI 替代人，然后裁掉被替代的人”[13]。
这不是 L2 路径，这是“自动化陷阱”。Block 的股价暴涨 20%，不是因为投资者相信它找到了新的组织范式，而是因为它证明了在全数字化的科技公司里，可以用更少的人创造更多的利润。但这个模式能复制到制造业吗？能复制到有物理供应链、有车间、有库存的企业吗？
Block 还面临另一个风险：2025 年 1 月，48 个州的金融监管机构因反洗钱违规对 Block 处以 8000 万美元罚款。当你用 AI 替代了大量合规人员，谁来确保 AI 系统不会在监管盲区犯更大的错？
四、临界点在哪里？AI 成熟度的四个阶段
Xu 和 Aral 的论文最有价值的贡献不是证明了 U 型曲线，而是量化了临界点。他们定义了一个参数 ，代表 AI 在时间 的可靠性（减少幻觉的能力）。模型显示：
: AI 频繁出错，每个 AI 用户需要 0.8-1.2 个人类监督者，管理幅度收缩至历史最低
: AI 可靠性提升，但边界案例增多，管理幅度维持收缩状态（谷底）
: AI 开始内化大部分问题解决，管理幅度开始扩张
: AI 高度可靠，工人技能阈值提升，组织快速扁平化[3]
当前（2026 年 4 月）最先进的模型在 Stanford AI Index 的 FrontierMath 基准上得分约 38.3%，在 PhD 级别科学问题上超过人类基线，但在需要多步推理和领域知识整合的任务上仍然脆弱[14]。按照 Xu 的框架，我们大约处在 的区间——正好在谷底的最深处。
这解释了为什么 KPMG 的调查显示 46% 的高管报告倦怠：他们正处在最难熬的阶段——AI 已经强大到不能忽视，但还不够可靠到可以放手。组织必须同时运行两套系统，承受双重成本。
五、谁会死在谷底？三个致命陷阱
陷阱 1：过早拆除人类兜底机制
Block 的 Managerbot 是一个警示案例。这个 AI 代理可以为小企业预测库存、优化员工排班、自动化营销。听起来很美，但 VentureBeat 的报道指出，Block 在推出 Managerbot 的同时裁掉了大量客户支持人员。当 AI 犯错时（比如错误预测节假日需求导致库存短缺），谁来兜底[13]？
陷阱 2：技能侵蚀的不可逆性
MIT Caosun 和 Aral 的研究发现，AI 增强会产生一个隐蔽的技能分化：老手更强，新手退化到零。当组织里最强的那几个人在驾驭 AI，剩下的在学 prompt，你实际上不是在变扁平，你是在加深一条新的能力鸿沟[4]。更可怕的是，这个过程是不可逆的——当一个分析师习惯了让 AI 生成报告框架，他就永远失去了从零构建分析框架的能力。
陷阱 3：组织债务的复利效应
你见过那种公司吗？AI 在处理实际的采购、排产、质量检测，但旧的层级还在处理“协调 AI”的协调会、审批 AI 的审批流、对齐 AI 的对齐会。管理成本比引入 AI 之前还高。员工比引入 AI 之前还累。CFO 在季报里写“AI 转型稳步推进”，底下的人连轴转了十八个小时，晚上十一点还在校准 AI 第三版的排产方案。
这是组织债务最危险的形态：表面上在进步，实际上在透支。当这种状态持续 18-24 个月，最优秀的员工会先离开，留下的是那些没有选择的人和那些已经技能退化的人。这时候组织已经失去了爬出谷底的能力。
六、如何穿越谷底？三个反直觉的原则
原则 1：在谷底阶段，增加而非减少人类监督
这听起来违反直觉，但 Xu 的模型明确显示：在 的阶段，试图通过减少监督来“加速扁平化”会导致错误率指数级上升，最终拖累整体效率。正确的做法是：在 AI 可靠性跨过临界点之前，保持甚至增加人类监督密度。丰田的做法是典型范例——它没有裁掉质检员，而是让质检员从“盯着产线”变成“训练和校准 AI 质检模型”。
原则 2：技能投资的时机比规模更重要
KPMG 的报告显示，高管在新技术上的投资是员工培训投资的近两倍[6]。这是致命的错配。在谷底阶段，员工技能的退化速度远快于 AI 能力的提升速度。正确的投资时机是：在 AI 部署之前而非之后进行密集培训，让员工在技能完整时学会“如何与 AI 协作”，而不是在技能已经侵蚀后试图“重新学习基础能力”。
原则 3：权力下放而非集中
丰田和 Block 的根本差异不在技术，在治理。丰田让车间工人创建 AI 模型，Block 让总部决定裁掉谁。前者是分布式实验，后者是集中式优化。在高度不确定的转型期，分布式实验的容错能力远高于集中式优化。当 1000 个工人各自尝试 10 种 AI 应用方式，总有几种会成功。当总部设计一套“最优方案”推给 1000 个工人，一旦方案有缺陷，全盘皆输。
七、十年后：Sanders 和硅谷都只说对了一半
Sanders 说“十年内制造业工作将不存在”。如果“工作”指的是 1979 年那种在产线上拧螺丝的岗位，他说对了。但如果“工作”指的是“人类在制造业中创造价值的方式”，他说错了。丰田的案例证明，人类在制造业中的角色不是消失，而是从“执行者”变成“AI 系统的训练者、校准者和异常处理者”。这些新角色需要的技能更高，但岗位数量确实会大幅减少。
硅谷说“AI 让你更高效”。这也只对了一半。AI 确实让现有工作更高效，但“更高效”和“保留岗位”之间没有必然联系。Block 用 AI 让工程师效率提升 40%，然后裁掉 40% 的员工——效率提升了，但工作机会没有增加。
真正的问题不是“工作会不会消失”，而是“谁来决定 AI 创造的生产力红利如何分配”。如果决策权在总部，红利会流向股东（Block 模式）。如果决策权在一线，红利会部分留在员工手中（丰田模式）。Sanders 的法案试图通过暂停数据中心建设来“给民主一个追赶的机会”，但这治标不治本[1]。
真正需要的政策不是暂停技术，而是重构治理：
强制 AI 影响评估：任何超过 500 人的组织在大规模部署 AI 前，必须进行独立的就业影响评估，并公开结果
技能过渡基金：对使用 AI 替代员工的企业征税，资金用于被替代员工的再培训
工人参与权：在 AI 部署决策中给予工人代表实质性投票权，而非仅仅“征求意见”
你的组织在 U 型曲线的哪里？
如果你的组织刚把 Copilot 装上、还在兴奋期——你在 U 型曲线的左边，谷底还没到。
如果你的组织 AI 在跑、旧结构也在跑、两套系统并行烧钱、员工报告工作强度增加但产出没有明显提升——恭喜，你已经在谷底了。这个阶段会持续 18-36 个月。熬过去的公司会看到管理幅度扩张、成本下降、生产力跃升。熬不过去的会死在“表面进步、实则透支”的组织债务里。
如果你的组织已经看到了上坡的路——人均产出显著提升、管理层级减少、员工技能在 AI 协作中增强而非退化——你是少数幸运儿。但请记住 Block 的教训：用 AI 替代人很容易，用 AI 赋能人很难。前者让股价涨 20%，后者让组织活 20 年。
Sanders 和硅谷的争论会持续十年。但对你的组织来说，未来十年的命运将在接下来 18 个月的谷底决定。选择丰田路径还是 Block 路径，不是技术问题，是价值选择。
参考文献
[1] Sanders, B. (2026). NEWS: Sanders, Ocasio-Cortez Announce AI Data Center Moratorium Act. U. S. Senate. https://www.sanders.senate.gov/press-releases/news-sanders-ocasio-cortez-announce-ai-data-center-moratorium-act/
[2] Fortune. (2026). Exclusive: Block’s CFO explains the AI leaps over 18 months that led to the decision to slash nearly half its workforce. https://fortune.com/2026/03/06/exclusive-block-cfo-ai-leaps-18-months-led-decision-slash-nearly-half-its-workforce/
[3] Xu, F., & Aral, S. (2026). Generative AI and Organizational Structure in the Knowledge Economy. arXiv:2506.00532. https://arxiv.org/pdf/2506.00532
[4] Caosun, X., & Aral, S. (2026). The Augmentation Trap: AI Productivity and the Cost of Cognitive Offloading. arXiv:2604.03501. https://arxiv.org/abs/2604.03501
[5] Fortune. (2026). ‘AI brain fry’ is real — and it’s making workers more exhausted, not more productive, new study finds. https://fortune.com/2026/03/10/ai-brain-fry-workplace-productivity-bcg-study/
[6] KPMG. (2026). KPMG Adaptability Index: Why the push for innovation isn’t translating into adaptability—and how leaders can realign. https://kpmg.com/us/en/media/news/2026-kpmg-adaptability-index.html
[7] Anzoategui, D., et al. (2026). AI and Jobs: Limited Disruption So Far. Morgan Stanley Research. https://www.morganstanley.com/insights/articles/ai-jobs-modest-impact-historical-precedence
[8] U. S. Bureau of Labor Statistics. (2020). Forty years of falling manufacturing employment. Beyond the Numbers, Vol. 9, No. 10. https://www.bls.gov/opub/btn/volume-9/forty-years-of-falling-manufacturing-employment.htm
[9] Stanford HAI. (2026). The 2026 AI Index Report. Stanford Institute for Human-Centered Artificial Intelligence. https://hai.stanford.edu/ai-index/2026-ai-index-report
[10] Google Cloud. (2024). How Toyota is revolutionizing manufacturing with AI. Google Cloud Blog. https://cloud.google.com/blog/topics/hybrid-cloud/toyota-ai-platform-manufacturing-efficiency
[11] Klover.ai. (2025). Toyota’s AI Strategy: Analysis of AI Driven Dominance in Automotive. https://www.klover.ai/toyota-ai-strategy-analysis-of-ai-driven-dominance-in-automative/
[12] MLQ.ai. (2026). Block Lays Offs Nearly Half Its Workforce in AI-Driven Overhaul. https://mlq.ai/news/block-lays-offs-nearly-half-its-workforce-in-ai-driven-overhaul/
[13] VentureBeat. (2026). Block introduces Managerbot, a proactive Square AI agent and the clearest proof point yet for Jack Dorsey’s AI bet. https://venturebeat.com/data/block-introduces-managerbot-a-proactive-square-ai-agent-and-the-clearest
[14] IEEE Spectrum. (2026). Stanford’s AI Index for 2026 Shows the State of AI. https://spectrum.ieee.org/state-of-ai-index-2026
