夜雨聆风个人提效的故事已经讲完了，下一局在组织里。
近期，Cloudflare CEO Matthew Prince 做了一件让所有人不舒服的事。
公司营收刚创下历史新高，增长率超过 30%，现金流充裕，新增客户数量前所未有。在这种背景之下，他裁掉了超过 20% 的员工[1]。
不是公司不行。恰恰相反——公司太行了。但 Prince 认为商业环境正在发生结构性剧变，Cloudflare 必须顺势而为。
裁员之后他干了什么？启动了公司史上最大规模的招聘——100 万份简历，争夺 1111 个实习岗位。录用的全是 AI 原生代的建造者和销售者[3]。
裁了一批衡量者，招了一批建造者和销售者。这不是缩减成本，是组织重编。
你快了，公司没快
过去两年，AI 个人提效的故事到处都是。前端人均有效代码量提升到 3 倍[7]，Qoder 团队反馈响应速度提升 25 倍[10]，数据库团队提效 400%[9]。数字漂亮得像加了滤镜。
但换个角度看：NBER 的研究发现 90% 的企业表示 AI 对生产力没有可衡量的影响。S&P 500 里只有 1% 的公司量化了 AI 对盈利的贡献[5]。
更有意思的数据来自 METR 的实验：经验丰富的开发者使用 AI 工具后，完成任务的时间反而增加了 19%[6]。不是 AI 不好用——而是整合、验证、对齐的时间超过了单点加速省下的时间。
个人快了。组织没快。甚至更慢了。
差的那 95% 在哪
Prince 回溯了一本 1954 年的老书——德鲁克的《管理的实践》。他把企业角色分成三类：建造者、销售者、衡量者[2]。
建造者造产品，销售者卖产品。这两类人的饭碗稳得很——AI 让工程师生产力翻 10 倍，Prince 会把市面上能找到的这种人才全招进来。掌握预算的还是人类，人类愿意从能建立信任的人手里买东西。
衡量者不同。审计、合规、法务、财务、中层管理、运营——这些岗位的任务是审视和衡量公司运转。AI 系统在衡量这件事上不知疲倦、绝对独立、极其高效[2]。
Prince 裁掉的绝大多数就是衡量者。然后他把省下来的资源全部砸向建造者和销售者。
这是德鲁克 70 年前的洞察在 AI 时代的落地：客户靠建造和销售争取，衡量固然重要但不应占用最多资源。AI 让衡量不再需要大量人力——释放出来的预算，转向创造端。
串行瓶颈才是真敌人
这里有一个数学问题。
Amdahl 定律说：系统的整体加速受限于它无法并行化的"串行部分"。即使 AI 把可加速的部分提升到 100 倍，如果流程中仍有 20% 是串行的——安全审查、跨部门审批、人工确认——整体提速最多 5 倍[11]。
5 倍。不是 100 倍。差的那 95%，卡在人和人之间的等待里。
阿里云 CIO 蒋林泉踩过同样的坑。他的团队前端人均有效代码量提升到 3 倍、后端 2 倍，但他一开始就把 AI 生码率排除在考核体系之外——因为他知道那只是过程指标，不能代表端到端的业务价值[7]。
他说的更直白："规模化才是 AI 提效真正的分水岭。"个人提效满天飞，组织效能规模化提升才是真难点[7]。
约 74% 的企业 AI 项目卡在试点阶段，无法规模化[4]。卡在哪？不是模型不够聪明——而是 AI 缺乏业务知识、数据碎片化、操作不可审计。
换个说法：模型跑得飞快，数据跟不上，审批流程跟不上，审计跟不上。快的那部分跑在高速公路上，慢的那部分堵在收费站。整体速度取决于收费站，不是高速公路。
真做了什么的人
说说几个真做了事的企业。
银泰做过一次极端实验：100% 云化（把所有系统搬上云），从 2016 年底到 2021 年初，花了 4 年。100% AI 化——把所有系统从页面化改成无 UI 化，让 AI 直接操作系统——花了 4 天[8]。
四年和四天。砍掉的不是功能，是翻译层。Agent 不需要你把数据翻译成图表、把操作翻译成按钮。人看界面，Agent 看接口。
PolarDB-X 团队提效 400%，做法之一是把原始数据直接交给 AI，不给加工后的二手结论[9]。人加工数据时每一步都是信息损耗——选了什么字段、排了什么序、过滤了什么异常。给 Agent 生料，不给熟饭。
付玉林做过一件更反直觉的事。做性能分析时他渲染火焰图给人类工程师看——做得越好看，人看得越慢。后来他停了下来，把原始 profile 文件直接丢给 AI，让 AI 自己解读[10]。
"如果还是为人做工具，瓶颈永远在人。"他说。
这三件事的共同逻辑：把人从中间层挪出去。不是删掉人，是把人从翻译层、加工层、展示层挪到指挥层。
地下管网先修
阿里云副总裁高飞走访了约 200 家企业，说了一句比喻："路灯再漂亮，地下管网不建设也是空谈"[12]。
AI 下半场的起点不是选模型、配工具、买 token。是先把地下管网修好——数据能被 Agent 读取、流程能被 Agent 调用、结果能被 Agent 验证。
蒋林泉的实践佐证了这条路径：测试覆盖从 20% 扩到加权接近 100%，存量系统通过 AI 还原出清晰的 Spec 知识库，API 注册表终结了职能间的代偿关系[7]。先让数据通、让流程通、让验证通——Agent 才能跑起来。
Cloudflare 也是同一条路。裁员之后换了一批人——不是因为旧人不好，是因为旧组织结构的串行瓶颈太多。新招的人是 AI 原生代的建造者和销售者，他们天然理解"接口比界面重要、生料比熟饭有效"[3]。
下半场不在键盘上
AI 的上半场讲了一个让人兴奋的故事：一个人可以干十个人的活。
下半场讲的是一个不那么舒服的故事：一个人干十个人的活，公司可能还是只快了 5%。
差的那 95% 不在键盘上。在审批流程里、在数据孤岛里、在跨部门对齐的会议里、在"我需要看这张图才能做判断"的习惯里。
Prince 裁掉衡量者不是因为衡量不重要——是因为 AI 衡量得比人更好、更快、更全天候。省下来的资源投向建造和销售，投向创造端。
这不是技术选型。是你决定在每一条流程里，把人从中间挪出去。
参考资料
[1] Matthew Prince, "我是如何判断用 AI 替换哪些员工的", 华尔街日报专栏, 2026 年 5 月。https://mp.weixin.qq.com/s/4oV6EFzH69JMwl-9eisfaQ
[2] Peter Drucker, 《管理的实践》, 1954。Prince 引用德鲁克企业角色三分法（建造者/销售者/衡量者）作为裁员判断框架。
[3] Cloudflare 2026 年春季招聘数据：100 万份简历、1111 个实习岗位。来源同 [1]。
[4] SAP 中国方案架构总监周伟峰，阿里云峰会分享，2026 年 5 月：74% 企业 AI 项目卡在试点阶段。
[5] NBER Working Paper: "The Impact of AI on Firm Productivity", 2025。研究发现 90% 企业无可衡量 AI 生产力影响，S&P 500 仅 1% 量化了 AI 对盈利贡献。
[6] METR (Model Evaluation & Threat Research) 实验, 2025：经验丰富的开发者使用 AI 后任务完成时间增加 19%。
[7] 蒋林泉（阿里云 CIO），"代码首先是负债——CIO 的 AI 效能实践复盘", 阿里云峰会, 2026 年 5 月。前端人均有效代码量 3 倍、后端 2 倍。https://mp.weixin.qq.com/s/TrgoIq3rWn6bpYT8Lvdwyw
[8] 熊超（银泰 CTO），"AI 驱动零售变革：人机协同与智能体演进", 阿里云峰会, 2026 年 5 月。
[9] 孙梦石（阿里云 PolarDB-X 团队高级技术专家），"数据库团队提效 400% 的 AI 实践", 阿里云峰会, 2026 年 5 月。
[10] 付玉林（Qoder 端侧开发专家），"Qoder 团队 AI 内应用实践——Agent 是 AI 产品第一个用户", 阿里云峰会, 2026 年 5 月。反馈响应速度提升 25 倍。
[11] Amdahl 定律（Gene Amdahl, 1967）：系统整体加速受限于不可并行化的串行部分。
[12] 高飞（阿里云公共云事业部副总裁），"面向 AGI 时代的企业 AI 飞跃升级路径", 阿里云峰会, 2026 年 5 月。走访约 200 家企业。
