夜雨聆风AI训练营10期，6月底开班，欢迎咨询
当前很多企业都在追求 AI 原生团队，但他们其实并不了解 AI 原生团队的含义，所以会产生很多误解和试错成本，比如 AI Native 看上去是个高大上的词，但如果你真的理解他，会发现这个高大上背后全部都是脏乱差...
当然，你真的对于什么是 AI 原生，如何搭建 AI 原生组织比较清晰的话，可以尝试回答以下几个问题：
一、AI 时代，公司到底还需要多少人？
就我今年企业 AI 咨询的反馈来说，这几乎是关于 AI 原生直击本质的问题：
老板一直关注的问题都是能不能用更少的人，做更多的事？ 而员工则一边在关注自己的效率能不能更高，以便有更多的时间可以创新（摸鱼）、另一方面他们也担心自己的岗位会不会被 AI 干掉；
那么问题就来了，在 AI 原生组织里面，人做什么、AI 做什么，边界是什么，再然后的演进趋势是什么，这些都是值得关注的。
对于每个个人来说，尤其如此，这其中包括所谓的老板。
因为很多老板也可能仅仅是某个甲方的包工头，如果不能回答在 AI 以外的额外价值，都会很难办；
而且这个问题最终会延伸到 OPC，需要回答一个人 + 一群 AI的能力边界是什么。。。
二、AI 原生团队和传统团队的最大区别是什么？
这个问题也很经典，他直接区分了企业一号位关于 AI 的底层认知基因。
这里的点在于：不是用了几个工具就叫 AI 原生团队，而是组织结构、协作方式、信息流、决策流都要变。
如果只是口头上的 AI 原生、口头上的 all in AI，那么很容易不攻自破，因为问题马上就会接踵而至，比如：
公司刚刚呼唤 AI 原生，马上就会遭遇绕不过去的问题：未来的团队，是按岗位分工，还是按任务流分工？
如果是按岗位划分，如何整合跨部门信息流（部门墙问题）？
如果是按任务流分工，整个员工汇报关系是什么、谁去评价员工任务的好坏？
可以看到：表面上回答的组织结构问题，其实本质上是 AI 要切入评价体系了。
三、你的团队处于哪个阶段？
当前行业认为一个团队使用 AI 可分为三个阶段，且每个阶段的效率差距可达 10 倍以上：
散乱阶段，零星使用； Copilot 阶段，以人为主，个人提效明显，但组织部明显； Native 阶段，工作以 AI 为核心构建，组织效率提升明显；
于是问题就来了，你的团队现在停在哪个阶段？
这个问题的背后是要搞清楚 AI 原生团队搭建的标准，标准清晰了才知道后续怎么做，才能更好的定义每个阶段背后的难点、卡点......
综上，我们今天就要带着几个问题，再去去回答：什么是 AI原生、如何建设 AI 原生？
只不过，这一次我不准备上理论了，我们直接把时间线拉回三年前，用实际的案例娓娓道来：为什么我没说高大上的 AI 原生背后尽是脏乱差、他又有什么难点？
AI 原生的“前世今生”
熟悉我的同学会知道，我是三年前离开公司体系开始做 AI 创业，第一个创业产品是 《CEO 数字分身》，然后虽然下了不少功夫，但最终以失败收场，前前后后亏了一百来万：
那么这个《CEO 数字分身》是干什么的呢？答案是：
他是 AI 1.0 时代，我在 AI 原生团队上面的探索
我在尝试回答一个问题：AI 时代的组织结构、运作方式应该是什么样的？在我的构想中，这套系统需要完成三个核心功能：
对企业的信息流做统一的管理； 不断发现企业冗余、重复、低效的模块，并且给他 AI 化了； 在基本信息链路完善（形成）的前提下，AI 开始逐渐做出有效的建议，起到专业评价的作用；
整体想要达到的效果如图所示：
其实懂行的同学（做过企业级数字化转型的同学）都会理解，整个这类系统的核心目标其实是第三点：预警、提建议、做预测；
而因为要达到能够有效预警的目标，就不得不做统一的信息流处理，而第二点 SOP 化 → AI 化其实是整个系统想要达到的最终结果了。
只不过实际在企业落地的时候却会遭遇不少困境，这与当前的 AI 原生团队的建设是一样的，核心难点都是一个数据难以组织，于是就要找一些切合老板的命题（比如成本节约），项目才更有可能落地：
因为数据难以组织，所以当前 AI 原因团队容易建设的好的往往是灵活的小团队。
那么为什么小团队会更适应于于 AI 原生呢？答案很简单：阻力会少很多，并且这里也才真正涉及到 AI 原生的本质：
其实 AI 原生是一次完整的组织变革、组织重构，这东西繁杂且容易出错，要做这个事既要有影响力、又要有耐心
这里以之前我们做 CEO 数字分身落地时候的实际困境为例展开说明：
AI 原生团队搭建案例
案例背景是一家（电销企业）正在尝试将核心生产业务（从线索到交付）全面搬到 AI 系统上的公司。
在过程中，我们遭遇了很多问题，工期预期从最初的一个月直接被拉到了三个月，而多数时间都在解决各种管理、交流问题。
总算最终取得了不错的成绩，虽然从实施成本来说，肯定是亏了不少的：
这里我们重点关注该公司在做整个业务全案设计的时候遭遇到的几个核心问题了，这也是各个企业做 AI 原生组织设计时候容易遭遇的问题：
一、没有业务主线
这个问题其实很夸张的，我知道很多团队都是草台班子，但真的到了一个公司没办法把业务主线整理清楚的时候，我依旧感到很惊奇...
最初实施的时候，我们其实并没有把这个项目放在心上，觉得技术上没难度，一个月怎么都搞完了，结果真的深入后就发现了，他们公司业务：
靠人脑补； 靠微信群协调； 靠主管临时判断； 每个部门负责人都只能说清楚自己部门的流程，但从来没人完整的串起来过； ...
换句话说，团队里面没有一个人能说清楚：
线索从哪里来？谁负责分配？ 销售如何跟进？ 线索怎么转成学员？ 学员进入报考涉及哪些模块（工种、考点、证书、区域）？ 交付、财务、运营各自在哪些节点介入？
而就是这种情况下，他们业务都已经跑了一年了，一度让我以为：原来创业也没那么难...
但其实，他们的业务经过了初期的疯涨，已经到了个不得不改变的地步，属于那种管理效率直接影响业务发展的情况了。
而这条主线应该如何成型呢？答案是我们去跟各个部门重复沟通、沟通、再沟通，再把所有人拉到一起，对齐、对齐、再对齐...
我们浪费的时间，也全部在这里了，社会很单纯，复杂的是人啊，最终的主线图如下：
二、没有数据标准
业务主线理清楚之后，第二个让人抓狂的问题是：同一个东西，在不同部门嘴里叫法完全不一样。
比如“线索”，销售叫“商机”，运营叫“潜在客户”，财务叫“待回款对象”。
又比如“学员转化”，交付部门叫“入学”，销售部门叫“成单”，财务部门叫“确认收入”。
开会的时候到是能沟通，因为人可以靠猜、靠问，可以根据对方反应不断调整，也就是人天生能掌握的上下文就很多，但暂时 AI 还没办法做到，系统必须有一个统一的命名。
这些都不是技术问题，就是典型的没有管理统一而已，是债得还，只不过每个部门都觉得自己部门的叫法最合理，谁都不愿意改。
至于如何解决呢？自然又是对齐、对齐、再对齐咯，我们当时是拉着所有部门负责人，一个字一个字地过了一遍“业务术语表”，然后就达成一致了，当然是他们自己吵出的共识...
这个过程极其痛苦，前后开了四次会，每次都有部门拍桌子，术语表定稿那天，我的感受是：比写代码累一百倍。
三、权限问题：岗位职责模糊
数据和语言统一之后，下一个点就来了：谁该看什么、谁该改什么、谁该批什么，完全说不清：
于是又是各种吵架，吵来吵去，发现很多岗位的职责边界本来就是模糊的。
线下业务可以运行的核心是：靠人情、靠“反正你问我就说”来解决问题；但线上系统不行，AI 可不管这些，权限模糊就一定是事故。
而这里的解法就更操蛋了：让每个部门写出《岗位数据权限说明书》，这个说明书写了一个星期，来回改了无数版。最终形成了一张权限矩阵表：
权限矩阵定下来的那天，财务负责人居然说了一句：“原来我一直以为销售能看到回款数字，现在才知道他们看不到。”
这就是典型的，线下靠想象，线上靠规则...
四、靠人催
最后也就是最常见也是最烦的问题了：指令颁布了，但就是落不下去，员工不执行得靠人管、靠人催...
而为了将这些事情做好，让整个系统能完整的运行起来，下面是必须搞定的“标准”：
综上，就是我们三年前，围绕 AI 和组织系统过程中会遭遇的核心问题，当然还有一些问题被略过了。
于是这里又有一个问题：三年前的 AI 与组织协同，和现阶段的 AI 原生组织，又有什么差异呢？
要想了解这个问题，可以先思考：三年前我们用 AI 做了些什么？
AI 的价值与管理的边界
我们最开始就说了，CEO 数字分身这个项目的目的是去探索 AI 到底应该如何与组织协同，也就是站在组织的角度去思考 AI 提效这件事；
所以，大家看了上面的案例，可能觉得我们当时在做一套很传统的企业管理系统。
但其实现阶段 AI 原生组织的构建方法论很多逻辑也就是如此：
第一，用自动化脚本替代人肉流转 第二，用提示词处理非结构化信息 第三，用定时任务跑数据指标 ...
说起来有些模糊，这里给一个案例吧：
AI 销售线索分配系统
线索拿到后，会涉及到一个棘手的问题：分配，与其说这是在分配任务，不如说这是在分配利益，所以销售团队间经常起冲突。
一个销售小组，多的有20人，少的也有5人，争斗首先会发生在小组之间，其次会发生在组员之间，核心逻辑就是线索分配得不公平。
这些销售深谙安闹分配原则，有事没事打两枣。至于真实线索分配小组是不是不公平呢？
答案是：当然不公平！同样的50个线索，每组25条，但一个组可能线索质量好太多！这其中弯弯绕可太多了，会有很多策略，比如：
优质的线索一般由销冠优先跟进； 新手销售每人每次最多分配5～10条线索，资深销售可以拿15～20条； 有些线索是比较急的，要求快速响应，于是就把线索丢线索群，谁抢到就是谁的，只不过初衷是好的，结果却是很多人喜欢屯线索，最终根据效率也不行； ...
可以看到：规则策略都是好的，但实际执行下来却千疮百孔，于是就出现了：忙的忙死、闲的闲死、旱的旱死、涝的涝死的情况。
管理层不是不知道这种内耗，但有人的地方就有江湖，有情感的地方就有操作，所以这个问题一直存在，偶尔还有些尖锐，于是乎AI线索分配就出来了！
系统从设计上就要规避人为的线索分配，实现线索找团队、找人的功能，根本不存在销售闹着要抢的可能：
值得说明的是这套系统运行得非常好，直接将原来的 5 人线索分配团队干到了 1 人，只不过半年后系统停用了，原因也很扎心：
老板对其中某个销售团队Leader不满意，又没有完全达到要裁掉的程度，但是AI系统因为太公平了，居然还让他们每个月都拿奖金，这就让老板忍不了了，所以公平这个东西其实并不是老板们需要的...
于是大家就要思考了：如果管理意志与 AI 意志相左的时候，应该如何调整，这可能是终极命题。
AI 原生团队的本质
好了，基本的背景和案例都交待得非常清楚了，甚至于大家会觉得有些奇怪：
我是来了解 AI 原生组织搭建问题的，你给我讲企业数字化系统落地血泪史，这是要闹哪样？
答案很简单啊，因为 AI 原生组织的本质，不是 AI，而是组织......
很多人对 AI 原生团队最大的误解，就是这东西很高级、很酷，所有员工都在用 AI，每个个人的效率都很高，于是这家公司就 AI 原生了，这当然不是。
这最多只能说明这家公司进入了 AI 工具使用阶段，甚至连 Copilot 阶段都未必算得上，更谈不上 AI Native。
按照我们前面的案例，所谓 AI 原生，应该是整个团队的工作方式开始围绕 AI 重新设计。
所以这注定了就是一件管理的事项，我们必须先从宏观梳理清楚：任务怎么产生，信息怎么流动，权限怎么划分，结果怎么评价......
为什么要做这么枯燥、不酷、不像 AI 原生的事情，那是因为所谓 AI 原生就是要把所有能被干掉的重复工作全部干掉，你不去梳理工作、评估任务，这个动作如何能完成呢？
大家总不能认为搞点 Skills 就算 AI 原生了吧？
其次，之所以大家在这个案例里面不太能感受到 AI 原生，是因为他离大家最熟悉的 AI Coding 相去甚远。
但如果你真要讲 AI 原生研发团队打开了看，你会发现多数团队只做了一半，比如：程序员整个流程完全适应了 AI 的改造，但产品团队就是不跟进，那他整个链路就是断的。
这里给一个大家更为熟悉的案例：
AI 原生研发团队
程序员是离 AI 最近的一批人。
所以一提到 AI 原生研发，很多人脑子里马上浮现的是 Claude Code、Agent、Skills 这些高级名词。
感觉是比前面的电销企业案例高级很多，但如果真的拆开看，你会发现其实是一回事：
AI 原生研发团队，也是团队为了适应 AI，把研发规范重新整理了一遍
比如，我们之前做过一次基于 Spec-Kit 的生产团队落地探索。一开始想得很简单：既然 AI Coding 这么强，能不能让 AI 在人的监管下，尽可能完整地承担代码实现？
那当然是能啊，而且最终对组织的提效非常大，但他有前提啊：
需求边界说清楚； 业务规则稳定表达； 接口约束提前定义； ......
结论很直接：AI 要真正进入研发流程，也是要先立规范的。这个时候大家再对比一下，就会有感觉了：
然后就是大家的理解还得更上一层楼，电销案例 AI 已经完全的侵入整个公司的业务流程了，他们只是没有研发团队，但整个公司完全随着 AI 做了一次改造；
而研发的案例还仅仅停留在研发协作效率而已，他们还没侵入到产品层，更没有侵入到业务侧，他只是个小团队协作案例，很有很长一段路要走呢，这里完整的闭环应该是这个感觉：
所以，这里的问题是什么呢？这里的问题是：
AI 原生是什么需要被定义，他到底是 AI 课题还是管理课题； AI 原生的落地好坏，需要标准，我们要能给出一个好坏标准，并且能够判断一个团队到底处于哪个区间，
AI 原生团队的好坏标准
所谓 AI 原生，即是围绕 AI 重构组织的工作方式，他上是个管理课题；而怎么判断一个团队到底算不算AI原生？这是个标准问题，这里会涉及到分层模型了：
一、分层逻辑
首先，所有AI原生与否的争论，最终都可以归结为一个问题：在团队中，谁有最终裁决权，是人，还是规则（AI辅助执行）？
如果是标准一，关注点是 AI 如何去影响（加入）工作流；
如果是标准二，AI 的结果是否直接影响分配、晋升、奖惩？
回归，案例中的线索分配案例：技术上完美运行，但老板能随时干预、最终停用，这不叫AI原生。
企业一号位在意识底层认可 AI、组织文化尊重 AI，不要去破坏规则，这才是 AI 原生
三个大类
由此，我们可以简单的分为三个大类：
L1，工具辅助层； L2，流程嵌入层； L3，规则主导层；
其中，L1 到 L2，难点不是技术是管理；L2 到 L3，难点不是信不信任而是愿不愿意。
三个问题
再回归最初的三个问题，首先是：AI 时代公司还需要多少人？
最直接的答案应该是：所有重复、固定的动作（任务）都 AI 化了可以剩下多少人，与其关注人不如关注任务，哪些任务需要人，哪些任务可以 AI？
其次就是：与传统团队的最大区别？这里最本质的区别就是评价权最终的归属是不是 AI。
这里容易有个误区，并不是说管理层不能影响结果，但不能以破坏组织、破坏结构的方式直接影响员工。
至于最后一个问题：你的团队处于哪个阶段？我们需要单开一页：
判定条件
真的到回答这个问题的时候，大家就会发现 L1-L3 有点粗犷，不利于我们后续设立标准，所以在此基础上之上会有更具体的实现：
工具层，AI 是否进入了个人工作：
岗位层，AI 是否进入了岗位动作：
流程层，AI 是否进入了部门流程闭环：
业务层，AI 是否进入了公司核心业务流：
经营层，AI 是否进入了经营判断与组织优化：
结语
文章篇幅已经很大了，这里再回答个问题：为什么我的创业项目 CEO 数字分身失败了？这个问题很复杂，但首先可以有一句话：
时来天地皆同力，缘去英雄不自由
什么意思呢？那就要回归 AI 原生最核心的组织两个字了：老板们当时不愿意，并且很抵触；但他们现在被 AI 洗脑洗够了，反而又很急迫...
真的是时也运也命也啊...
也就是，我做了一套系统：统一信息流、识别冗余模块、让 AI 给出专业建议。技术上，能跑通；逻辑上，很自洽。但真正进入企业时，就不行了，原因很简单：
老板首先不需要公平，需要可控； 组织也不会为 AI 而重构组织，除非被逼到绝路。换句话说，如果不是 AI 的倒逼，企业依旧不会发生改变； 我自己也没想清楚......
这里对各位的建议就是：不要试图用 AI 绕过管理。而管理是什么，管理是那些脏乱差，管理是哪些不同的沟通、沟通、再沟通，对齐对齐再对齐，说时候这真的挺不 AI、也挺不酷的...
