52gapp.abb-k8凯发

核心内容摘要

52gapp.abb_u3m8最新版本更新内容-内容来源  |   本文摘编自中信出版集团书籍《ai 原生组织》李宁 著责编  | 六月第 9845  篇深度好文：4366 字 | 13 分钟阅读2024 年，全球企业在生成式 ai 上投入了 300 亿～400 亿美元，麻省理工学院的研究者在 2025 年追踪这些投资的回报，发现大约 95% 的企业没有获得任何可衡量的财务收益。bcg（波士顿咨询公司）2025 年开展的一项覆盖全球 1250 家企业的研究报告印证了这一点：只有 5% 的企业获得了 ai 带来的显著回报。与之相反的是另一组数据。同一段时间里，个体层面的效率提升几乎是肉眼可见的：写代码快了三倍，写文档省了一半时间，做数据分析从一周变成一天。一个尖锐的问题摆在管理者面前：员工效率明明提升了，企业的收益去哪了？清华大学经济管理学院教授李宁在新书《ai 原生组织》里给出了答案：因为大多数组织在做的事情，是把 ai 塞进旧的岗位框架里。每个人在自己的岗位边界内变得更有效率了，但组织的结构没变，岗位边界没变，协调成本没变，信息在部门之间的损耗没变。真正的 ai 变革不是 " 每个岗位都用 ai"，而是重新思考岗位本身是否还有意义。一、" 岗位 "：人类认知边界的产物先从最基础的概念说起。我们需要区分两个词：【任务】与【岗位】。任务是工作的原子单位：把数据整理成表格，把客户需求翻译成技术规格，把代码部署进服务器。任务是客观存在的，不管是人做还是机器做，任务就是任务。岗位则是人类的发明：把一组相关的任务打包在一起，分配给一个人。岗位是分工的产物，分工是人类有限理性的产物。它的边界不是由任务的逻辑决定的，而是由人的认知边界决定的。亚当 · 斯密在《国富论》里描述扣针制造业就体现了分工的价值：一个工人独自完成所有步骤，一天可能都生产不了 20 枚扣针；把这些步骤分给 10 个人，每人只做一个或两个步骤，10 个人一天可以做 48000 枚。人的认知带宽有限，分工让每个人都变成自己那个环节的专家。但分工意味着边界，而边界意味着信息的碎片化。李宁教授在书里讲了一个导出按钮的故事：客户要 " 一键导出 excel，格式要和财务系统对得上 "，销售转述成 " 客户想要一键导出 excel"，产品经理写成 " 支持数据导出功能 "，工程师做了一个 csv 导出。每个人都在自己的认知范围内做出了合理的决策，但结果就是错的。这是数学问题：n 个人的潜在沟通路径是 n ( n-1 ) /2，10 个人 45 条，30 个人 435 条，人数增至 10 倍，沟通复杂度增加超过 100 倍。信息损耗、决策延迟、责任模糊、激励错位、文化税，它们像五根绳子，随着组织规模增长越勒越紧。" 大企业病 " 的真正病根，是五种协调成本的总和超过了分工带来的专业化收益。这是一个结构性问题，不是管理问题。为了解决分工带来的协调问题，人类发明了一系列书里称为 " 补丁 " 的东西：层级、会议、审批、绩效考核。管理不是组织的 " 大脑 "，而是组织的 " 疤痕组织 "，它不是因为被需要才存在，而是因为分工造成了伤口，需要愈合。假设人类没有有限理性，每个人都能掌握所有知识、做出最优判断，我们还需要分工吗？答案是不需要。没有分工，就没有边界；没有协调成本，管理就失去了存在的理由。因此，我们可以得知：管理是 " 最不坏 " 的选择。当 ai 到来，人的认知约束被打破，这套运行百年的组织逻辑又该如何变化？二、ai 打破人的能力边界，岗位正在被动解体理解 ai 与人类的本质差异，才能理解为什么过去 100 多年的管理补丁对当下 ai 的冲击无效。很多人对 ai 的第一直觉是：ai 是 " 更聪明的人 " 或 " 不会累的员工 "。这是一个危险的误解。最明显的差异是：ai 没有领域边界的约束。人类的有限理性有一个核心表现：我们必须选择领域。一个人可以成为出色的心脏外科医生，或者出色的税务律师，但几乎不可能同时成为两者。但 ai 不受这个约束，它可以在同一秒内处理医学影像分析、合同条款审查和代码重构。ai 的知识来自训练数据，而训练数据跨越了人类知识的几乎所有领域。市场已经出现不少实践：数据协作公司 atlan 让一个客户成功经理 " 管理 " 多达九个高度专业化的智能体，不是先有岗位再找人填，而是先有任务流再决定谁来做。阿里巴巴前技术专家毕玄创办的公司取消了所有按技术栈划分的岗位，把所有工程师统一叫作 "agent 工程师 "，技术栈不再是身份标签，而只是实现目标的手段。当一个人加上 ai 可以覆盖原本需要一个团队才能完成的工作时，岗位的必要性就被动摇了。想象你把一台汽车引擎装在马车上。引擎确实比马有力得多，速度更快了，但整体还是马车。引擎的动力在马车结构中大量损耗，因为每一个部件都在抵抗引擎。这不是效率损耗的问题，而是结构性的不兼容。用 ai 的组织，不等于 ai 原生组织。岗位不会彻底消失，但不再是组织的基础单元，取而代之的是任务流。任务流聚焦完整工作链条，明确任务内容、交付标准、上下游依赖关系，不预设执行者，可以是人、ai，或者人机组合。在岗位思维下，你会问：这是谁的工作？在任务流思维下，你会问：这个功能需要哪些任务？每个任务有明确的输入规范和输出标准。谁来做？也许功能边界需要人来定义，也许前端代码可以让 ai 生成、人来审核。任务的分配是灵活的，不被岗位边界限制。从岗位到任务流的转变，不是要消灭人的角色，而是要重新定义人的角色。三、个体效率暴涨，为什么转化不成企业利润2025 年底，ai 教育公司 section 对美国、英国和加拿大的 5000 名白领员工进行了调查，这些员工来自规模超过 1000 人的企业。研究者问了一个简单的问题：" 你认为使用 ai 每周可以节省多少时间？"40% 的普通员工回答 ai" 没有节省时间 "，持同样观点的高管仅 2%。同一项调查还显示，普通员工对 ai 感到 " 焦虑或不知所措 " 的比例远高于高管，大多数高管对 ai 感到 " 兴奋 "。问题出在激励上。一个员工发现用 ai 可以在一小时内干完原本需要一整天的活儿，他会理性地选择私有化效率，剩下的时间变成 " 摸鱼时间 "。薪酬雇佣体系本质是员工通过 " 出卖时间 " 换取薪酬，如果他们用 ai 提高效率、减少时间消耗，那就等于在损害自己的商业价值。这种激励结构是反 ai 的。只要这个结构存在，ai 转型就会被消极抵制。还有一层更隐蔽的阻力：知识所有权。一个资深员工沉淀多年的业务诀窍，是个人职场护城河。企业希望员工把经验写成提示词，沉淀为企业智能体。站在员工视角：多年打磨出的安身本领，为什么几分钟就无偿交付给公司？在传统雇佣关系下，员工的产出归公司所有，这没问题。但 skill 是 " 生产能力 " 本身，要求员工交出 skill，等于要求他交出自己的 " 护城河 "。如果激励机制不改变，公司就只能得到一堆皮毛。人一走，能力就没了。四、" 病根 " 找到了，企业该怎么改？李宁教授的回答，恰恰不是一张直接可用的转型蓝图。先破除一个误诊：ai 转型不是数字化转型的延续。数字化是 " 原子到比特 "，把流程搬到线上，路修好了，车还是原来的车；ai 转型是 " 思考到计算 "，把判断交给机器，这是造一辆能自动驾驶的车。用修路的方式造车，注定失败。所以 ai 转型无法靠一张蓝图自上而下强推：岗位里哪些任务会被替代，事先算不准，它只发生在任务层级，只能从业务末梢长出来。但李宁教授给出了方向：先改流程和知识，而不是先买工具。1. 改流程，从 " 岗位 " 切回 " 任务 "ai 替代的从来不是岗位，而是任务。逐任务过一遍：哪些可以完全自动化、哪些需要人机协同、哪些必须人独立完成，划分标准不是 " 难不难 "，而是 " 能不能被验证 "。有客观对错标准的，交给 ai 自我进化；没有客观标准的、涉及价值判断和责任归属的 ai 生成、人做判断。然后按任务性质重组任务流，岗位边界让位给任务集群。一个现实的例子是：德勤。2026 年 1 月，德勤宣布彻底重组其职级体系。传统的咨询岗位阶梯：分析师、初级顾问、高级顾问、经理正在被替换为新的系统。更值得注意的是德勤给的理由：现有结构是为传统岗位职责设计的，而这 " 已经过时了 "。2. 改知识，核心是激励重构员工与组织之间的契约：从 " 榨取 " 转向 " 共生 "，用 " 版税机制 " 打破囚徒困境：员工构建的 skill 注册进内部市场，每次被调用都产生分成。一个 skill 如果 3 个月没人调用，就自动下架；如果调用后反馈差，评分就会下降，影响版税系数。当分享的收益大于藏私的收益，员工才会把真正的知识喂给组织。五、面对企业 ai 改革，普通人怎么办？ai 变革带来的新世界是不是只属于精英？基层员工、普通从业者出路在哪儿？书中指出一个扎心的事实：在旧世界里，" 普通人 " 的处境真的很好吗？在传统组织中，他们被困在底层，做重复性工作，用 " 熬资历 " 换取缓慢晋升，终于摸到中层的边缘，最有创造力的年华已经消耗在等待上。ai 不是剥夺了普通人的机会，而是打破了用时间熬资历的旧路径。旧路径关闭了，同时新路径打开了：非线性成长，在设计中学习，快速建立验证能力。更关键在于，ai 时代需要的能力维度发生了根本变化。传统组织看重学历、资历、行业经验年限，都需要 " 熬 "；ai 时代看重四种能力：人机沟通、创造性贡献、判断力、任务分解，它们需要的是方法训练。竞争的维度变了：过去你需要 " 熬 "，现在你需要 " 学 "。对于愿意学习的人来说，门比以前开得更大了。书里还给了特别实用的行动指南：搭建个人 " 知识账户 "。传统职场积累的是工作经验，在某个岗位干了几年、做过什么项目。在 ai 时代，真正有持久价值的，是可以被提取、被转化、被放大的知识资产。一类知识是通用的、ai 容易获取的，市场价值正在快速归零；另一类是隐性的、在特定领域经过多年试错才形成的判断力，市场价值在上升。第一类知识让你成为 " 执行单元 "，第二类知识让你成为 " 知识节点 "。怎么积累第二类知识？在某个领域深耕，而非追求广度，因为 ai 擅长广度，人的相对优势在深度；大量练习 "ai 生成、人为判断 " 的循环；练习把隐性知识变成显性表达。还需要认知升级：不再把自己定义为 " 做某类工作的人 "，而是 " 拥有某类知识的人 "。落到每天的工作里，每个人都要适应这三种角色：一是协作者，人和 ai 在同一个任务中配合，人主导方向和判断，ai 加速执行；二是指挥者，站在任务流上方设计流程、定义标准，把 " 什么是好的 " 写成显性规则；三是架构师，把知识嵌入系统，产出不是 " 完成任务 "，而是 " 创造能完成任务的系统 "。无论在哪个位置，真正的问题都一样：你拥有的哪些东西，是无法被自动化、无法被租用、无法被替代的？知识有脚，它会走，走向放大它的地方。那些建立合伙关系的组织，会成为知识的 " 宜居星球 "；那些坚持传统雇佣模式的组织，会成为知识的 " 荒漠 " ——技术在那里，但没有人愿意把真正的知识贡献出来喂养它。组织与个人，这纸契约，终归要重签。早签的人，先拿到下一张船票。* 文章为作者独立观点，不代表笔记侠立场。分享、点赞、在看，3 连 3 连！