# 个人变强了，团队也会变强吗？ 前两篇文章讨论的对象，主要还是个人。第一篇讲的是“产出物幻觉”：AI 让人更容易生成东西，也更容易让人把产出误认为能力。第二篇讲的是通用 Agent 的大众市场困境：普通人当然需要 AI，但大多数人并不需要自己维护一个复杂的 Agent 工作流。 到了组织和团队层面，这个问题会更有意思。现在很多人已经形成了一个大致共识：个人使用 AI 的提效很明显，组织使用 AI 的提效却慢得多。这个观察有一部分是真实的。个人拿到 AI 后，反馈来得很快，材料立刻能写，代码立刻能跑，图片和 Demo 也能迅速出现。组织要看到结果就慢很多，因为组织看重的从来不是某个人多生成了几个东西。 更准确地说，个人提效本身就常常被高估。刨除 AI 在学习和探索上带来的快乐，回到生产端，组织真正要判断的是：这个东西能不能被团队吸收。如果答案是否定的，个人产出越多，团队可能越累。 ## 团队不需要更多产物，团队需要更少误判 个人使用 AI 时，很容易把素材变多当成进步。团队不一样。团队需要的是目标更清楚，判断更可靠，协作成本更低，交付更稳定。一个人用 AI 写出更长的文档，不一定帮助团队更快理解问题；一个人用 AI 做出更漂亮的汇报，也不一定推动团队做出更好的决定。 产品经理的例子很典型。过去有人提交一句话需求，大家可能会批评它太粗糙。但有些“一句话需求”并不粗糙，它可能是高度凝练之后的判断。一个好的产品经理知道用户真正卡在哪里，也知道团队当前最该解决哪个问题。他只写一句话，是因为这句话已经把关键变量压到了最短。 AI 介入之后，情况会变得微妙。同样一个想法，可以很快被扩展成一份完整需求文档。它看起来有背景，有目标，有用户故事，也有验收条件。会议上，大家更容易觉得素材变充分了，讨论也有了更完整的抓手。问题是，篇幅不等于密度。AI 擅长把一个模糊输入扩写成结构完整的文本，却不一定能替人补上真实判断。原本一句话里没有说清楚的用户场景，扩写之后可能只是被包装得更像存在。原本需要团队当场追问的假设，进入文档以后反而获得了某种形式上的可信度。 这类成本通常不会立刻出现。在落地之前，大家看到的是一个更完整的材料。进入实现以后，隐藏的问题才会冒出来：需求边界不清，验收标准虚，用户场景没有证据，技术实现绕了一圈才发现原问题并不存在。AI 没有消灭成本，只是把成本从“写材料的人”转移到了“阅读材料的人”和“执行材料的人”身上。 这就是组织视角下最需要警惕的地方。AI 让个人更容易生产看起来完整的成果，而团队真正稀缺的是判断力和吸收能力。一个团队如果没有更好的目标定义和验收机制，AI 很可能只是让错误以更完整的形式流动起来。 ## 组织真的需要提效吗？ 即使个人真的提效了，组织提效也不是下一步自动发生的事情。第一个问题甚至更基础：这个组织真的需要提效吗？ 这听起来像一句反常识的话。组织当然应该追求效率。现实中，很多组织和职能并不以效率为核心目标。部门存在的原因，可能是历史惯性，可能是风险分摊，可能是权责平衡，也可能只是某种过去决策留下来的结构。它们当然会使用效率语言来描述自己，但实际运行时，效率未必是它们最在意的东西。 有些流程看起来低效，是因为它承担了别的功能。它可能在制造确认感，也可能在分散责任，还可能在让不同利益方都有机会表达意见。它不一定理性，却可能在某个组织里长期维持了稳定。如果一个组织本来就没有清楚目标，或者某个职能本来就是历史产物，那么 AI 很难解决问题。AI 可以让它更快地产生文件，更快地流转消息，更快地完成审批，但它不能替组织回答自己为什么存在。 所以，组织提效不能从“每个人都使用 AI”开始。它应该从一个更不舒服的问题开始：我们到底希望这个组织更快地完成什么？如果这个问题没有答案，AI 提效很可能只是在加速一种没有目标的忙碌。 ## 真正的结合点：目标，流程和数据 只有在两个条件同时成立时，AI 才真正进入组织提效的核心场景。第一，个人的 AI 成果确实解决了团队需要的问题。第二，组织本身也有明确目标，并且真的需要围绕这个目标提高效率。 到了这里，AI 的价值会变得非常具体。组织需要先定义自己的目标，再把目标拆到个人和团队的工作里。然后看核心流程：哪些输入会触发工作，哪些判断决定下一步，哪些结果需要被记录，哪些动作必须人工确认。再往后，才是数据交换和治理。数据在哪里，谁能访问，口径是否一致，结果能否追溯，系统之间能不能稳定传递信息。 在原有组织形态不发生巨大变化的情况下，这可能是 AI 给团队带来最高 ROI 的场景。原因并不复杂：它没有要求组织立刻重构自己，也没有要求每个人都变成 AI 专家。它只是把一个已经存在的目标和流程变得更清楚，然后让 AI 进入那些重复的判断和流转环节。 比如客服团队要提高的是问题被正确理解和快速解决的比例，写回复只是其中一个环节。销售团队需要的是线索判断和后续动作稳定发生，客户摘要只是输入。研发团队也不能只看代码产量，真正决定效率的，常常是需求偏差有没有减少，修改是否可审查，问题能不能更早暴露。 在这种场景里，AI 从个人玩具和桌面助手，变成团队流程的一部分。个人仍然会用 AI，但 AI 的价值要通过团队目标来校准。什么该生成，什么该复核，什么可以自动推进，什么必须停下来让人判断，都要落到流程里。 ## AI 应该扮演同事，还是扮演系统？ 再往后，才进入更难的一层：组织是否要变得更适合 AI。 这里有一个关键区别。AI 应该扮演同事，还是扮演系统？很多组织想象 AI 时，很容易把它放进现有组织结构里：这里有一个 AI 产品经理，那里有一个 AI 分析师，再旁边还有一个 AI 助理。这个想象很自然，因为我们习惯用岗位来理解工作。但我越来越怀疑，AI 在组织里最有价值的位置不在这里。 把 AI 理解成一个和人职责相同的“同事”，组织很快会陷入替代叙事：这个岗位能不能被 AI 替代，那个人有没有被 AI 减负，某个 AI Agent 能不能像员工一样独立负责一块工作。这个方向有价值，但它容易把 AI 的能力压进人类岗位的旧形状里。 我更倾向于把 AI 理解成一个大型的高效率智能系统。它的位置不在组织图里的某个格子里，它应该连接数据，调度流程，记录状态，发现异常，并在合适的位置请求人介入。人的角色也会随之变化。人会从每一个小环节里的被动确认者，变成 human on the loop：站在系统之上，观察它的运行，处理它无法判断的现实问题，并逐步把更多现实信息映射回数字系统。 借用 FDE 这个词，未来很多关键岗位会变得更像 Forward Deployed Engineer。这里说的工程师，范围要比狭义的软件工程师更宽。他们是一类连接物理世界和数字世界的人。他们理解一线真实问题，也理解系统如何工作。他们知道哪些信息还没有被结构化，哪些判断还留在人脑里，哪些权限可以逐步交给 AI，哪些边界必须由人守住。 如果用铁匠铺来比喻，把 AI 想象成另一个铁匠，会把它的价值压窄。它更像机床和控制系统。铁匠的价值没有消失，但他的工作从反复挥锤变成了理解材料，设定工艺，操作机器，并判断什么时候机器给出的结果不能接受。组织里的很多岗位也会经历类似变化。人会从执行者变成系统操作员，也会变成现实世界向数字系统迁移的负责人。 这才是“组织适配 AI”真正困难的地方。扁平化和职责泛化都是结果，不能当成起点。起点应该是自上而下分析组织的核心目标，然后重新定义人和 AI 的位置。AI 负责把数字世界里的数据和流程管理好，人负责让这个系统逐步接近真实世界，并在关键位置保留判断权。 ## 用 AI 重构组织，是用设计论对抗进化论 这一步风险很大。通过 AI 来“重构组织流程”，听起来非常合理。既然 AI 能处理信息，既然很多流程本来就低效，那么我们似乎应该重新设计组织，让它从一开始就适合 AI。 这个想法最大的问题，是它在用设计论对抗进化论。设计论有明确目标，也有清晰图纸。进化论没有目的，它只是不断适应环境。一个已经成型的组织能够活下来，未必因为结构最优。更常见的情况是，它在长期妥协中形成了某种可运行状态。这里面当然有大量 bug，但很多 bug 和 feature 已经混在一起，外部很难快速区分。 有些员工的价值并不体现在正式职责里，而体现在他知道某个流程为什么不能那样走。有些信息误差看起来制造了无意义工作，却让组织在决策前多了一层缓冲。有些重复确认显得很低效，却分散了风险，也给了不同角色参与的机会。甚至有些不必要的工作，恰恰支撑了某些团队之间脆弱的协作关系。 这并不意味着低效值得被美化。低效当然应该被识别，也应该被改造。问题是，一个组织能跑起来，常常依赖很多无法写进流程图的隐含结构。AI 擅长把显性流程做快，却不一定理解这些隐含结构。重构者如果只看到表面低效，很容易把组织里真正维持稳定的冗余一起切掉。 所以，AI 组织重构不能只靠一张新的流程图。它需要更谨慎的试验方式：先在目标明确的局部流程里建立反馈，再逐步扩大 AI 的权限。每一步都要看结果有没有被正确吸收，风险有没有转移到别处，人的判断有没有被保留在真正需要的位置。组织不是代码仓库，不能假设一次 refactor 之后只要测试通过就万事大吉。 ## 个人变强，只是组织变强的前置条件 回到标题，个人变强了，团队也会变强吗？我的答案是：不一定。 个人变强最多只是组织变强的前置条件。它说明组织里出现了更多可用的局部能力，却没有说明这些能力能否被共同目标吸收。一个人写得更快，团队不一定理解得更快。一个人分析得更多，团队不一定判断得更准。一个人自动化了自己的流程，组织也不一定获得了可复用的能力。 组织提效至少要过三道门。第一，个人的 AI 成果要先服务团队需要，不能只服务个人成就感。第二，组织是否真的有明确目标，并且真的需要围绕这个目标提高效率。第三，目标能否落到流程和数据里，让 AI 进入可验证和可治理的工作系统。 过了这三道门，AI 会非常有价值。它可以让知识流动得更快，让重复判断更稳定，让状态更容易被记录，让复杂流程更容易被调度。再往后，组织甚至可能围绕 AI 重新定义人的角色。人会更像系统的操作者，也更像现实世界和数字世界之间的工程接口。 如果这些门没有过，AI 只会让组织获得更多产物，更多材料，更多看起来合理的方案，以及更多需要被消化的工作。个人工具的繁荣不会自动变成组织能力。真正的组织能力，来自目标，流程，数据和责任被重新连接起来。 这也是为什么在 AI 时代，程序员和类程序员的创作者反而会变得更重要。他们的重要性不只来自代码能力，也来自另一种更核心的工作：把强大的 AI 能力包装进可运行的系统，让个人能力变成团队能够吸收的能力。