# 个人变强不一定能让团队变强

前两篇文章其实都在拆解同一个幻觉。第一篇讲“产出物幻觉”：AI 让人更容易做出东西，也更容易让人把“东西做出来了”误认为“问题被解决了”。第二篇讲通用 Agent 的大众市场困境：普通人当然需要 AI，但大多数人缺乏意愿也并无必要亲自维护一个复杂的 Agent 工作流。

到了管理者们最关注的领域：从团队和组织层面看，这个“幻觉”会变得更麻烦。现在很多人已经接受一个说法：个人 AI 提效很明显，而组织 AI 提效却很缓慢。这个说法听起来很合理，甚至很符合大家的日常感受。个人开始使用 AI 以后，材料立刻丰富了起来，专业的代码和图片也能迅速产出。组织层面却看起来很迟钝，流程还是那个流程，会议还是那个会议，领导还是那个领导，最后大家只好说：优秀的个人已经起飞了，陈旧的组织还在被它的官僚和傲慢束缚。

如前所述，我对这个说法很怀疑，至少“个人提效明显”这件事本身就经常被高估。个人使用 AI 时，最容易确认的是自己的“爽感”：我做出了以前做不出的东西，我写材料更快更丰满了。可组织无法消费爽感，组织只能消费被吸收之后的结果。一个人的 AI 成果如果不能进入团队目标或减少团队误判，它就只是多了一份材料或链接，多验证了一次“产出物幻觉”。

从组织视角看，真正的问题应该是：个人变强之后，团队到底得到了什么？

## 更多中间产出物无法让团队减少误判

AI 对个人最直接的“提效成果”，是让产出物变多。它很擅长把尚未成型的东西变成可展示材料，这在个人场景里看起来非常有用，至少能帮助人启发、探索和表达。但团队面对的是目标、责任和落地成本，不是一张自由书写的空白答卷。

第一篇里我讲过，AI 带来的“产物增强”和“能力增长”之间有很长的距离。这个困境放到团队里会变得更苛刻：个人成果是否有效，不再主要由生产者自己的成就感来确认，而要经受下游所有人的检验。它必须让不确定性下降，让下一步行动更清楚，让沟通和返工成本变少，最好还能在下一次相似任务里继续成立。进入团队协作以后，产物本身的完整和漂亮很快就不够用了。

也就是说，团队其实是个人 AI 成果的更严格验收环境。一个人在个人场景里觉得自己变强了，可能只是因为他获得了更强的表达能力和更快的生成速度；但到了团队里，成果必须进入一个价值闭环，真的改变认识，促成行动，减少风险，或者验证一个原本无法确认的判断。否则，个人提效只是把成本往后推，把判断负担交给了更多人。

产品经理的例子就是很典型的情况。过去有人提交一句话需求，大家会批评它太粗糙。这个批评在我看来还有待商榷，有些“一句话需求”其实是高度凝练之后的判断。AI 介入以后，同样一个想法很快就能变成一份看起来要好得多的“完整需求文档”，背景、用户故事、验收标准和边界条件都很丰富。需求评审会议上大家看到材料充分了，会很容易产生一种组织终于变规范的幻觉。问题是，篇幅无法替代密度，结构也无法替代判断。原本没有被验证的用户场景，扩写之后只是变得更像真的存在。原本应该在会议里被追问的假设，进入文档以后反而获得了某种形式上的可信度。

这类成本不会立刻出现。落地之前，大家看到的是一个更完整的材料。进入实现以后，需求边界、验收标准和用户场景这些问题才会接二连三冒出来。AI 没有消灭成本，只是把成本从“写材料的人”转移给了“阅读材料的人”和“执行材料的人”。这就是组织最容易被 AI 欺骗的地方：个人产出看起来变好了，团队吸收成本却变高了。

还有一个大家不愿意提及但很有意思的现实是：很多组织在本质上没有那么执着于效率。大家当然都会使用效率语言来描述自己，但它们存在的原因可能是历史惯性，可能是权责平衡或风险分摊，也可能只是过去某个决策留下来的结构。它们表面上也会谈提效，实际运行时，效率未必是那个真正决定行为的变量。

这时候 AI 能做的事情很有限，它不能替组织回答自己为什么存在，也不能替一个职能证明自己应该被保留。所以，组织提效不能从“每个人都用 AI”开始。它应该从一个更朴素也更难回答的问题开始：我们到底希望这个组织更快地完成什么？如果一个团队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。

## 真正的结合点是从组织的核心目标开始

当组织愿意回答这个问题，AI 才真正进入组织提效的核心场景。起点是组织目标。每个人各自寻找 AI 工具，只会把问题重新推回个人。个人成果服务这个目标时，才会脱离个人成就感；目标落到稳定流程和可治理的数据里，AI 才有可以放大的对象。

到了这里，AI 的价值开始会变得非常具体，它褪去了虚幻的光环而成为系统中最强大的工具之一。组织先定义目标，再把目标拆到团队和个人的工作里。核心流程里要看清几件事：工作怎么被触发，什么判断会改变下一步，哪些动作必须人工确认。数据治理解决的则是访问、口径、追溯和系统之间的稳定传递。

这听起来没有“每个人都有一个 AI 同事”那么有启迪心灵的宿命感，但我认为这是现阶段 AI 给团队带来最高 ROI 的路径。它不要求组织立刻重构自己，也不要求每个人都变成可以在小红书发帖的 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 进入那些重复判断、信息整理、状态流转和异常提醒的环节。

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。流程要给出生成、复核、自动推进和人工停顿的边界。否则，所谓 AI 提效就会变成每个人各自维护一套小型魔法道具，组织最后得到的是更多碎片化工作流。

## AI 不应该被理解成同事

组织不应该指望个人提效之后自动发生组织提效。它要先搞清楚自己要什么，然后才谈得上调整自己去适配 AI，AI 对组织成员而言才会从个人工具变成组织目标所需要的一部分。到了这一步就会出现一个关键区别：AI 应该扮演同事，还是扮演系统？

很多组织想象 AI 时，很自然会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。这个想象很容易传播，因为它足够拟人，也足够符合管理者的直觉。组织本来就靠岗位理解工作，于是 AI 也被塞进一个个岗位里。

但我认为，即使是在一开始，AI 在组织里最有价值的位置也不应该在这里。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，讨论开始围绕岗位替代、员工减负和 Agent 独立负责打转转，它会把 AI 的能力压进人类岗位的固有形状里。最后我们可能只是得到一堆用旧岗位命名的新工具。

我更倾向于把 AI 理解成一个大型的高效率智能系统。它不应该只是组织图里的某个格子，而应该连接数据并调度流程，在合适的位置请求人介入。人的角色也会随之变化。人不再只是每一个小环节里的被动确认者，而是逐渐变成 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，并把更多现实信息映射回数字系统。

借用 FDE 这个词，未来很多人类承担的关键岗位会变得更像 Forward Deployed Engineer。这里说的工程师，范围比狭义的软件工程师更宽泛：他们是一类连接物理世界和数字世界的人。他们既理解一线真实问题，也理解系统如何工作。他们要把未结构化的信息变成系统可以处理的状态，同时判断权限让渡的节奏，以及当前阶段必须由人守住的边界。

假设一个组织是铁匠铺，把 AI 想象成另一个铁匠，会矮化它的价值，也会把讨论拖回 AI 和人类抢饭碗的叙事里。AI 更应该像机床和控制系统。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只是结果，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 直接重构组织，是用设计论对抗进化论

用 AI 直接重构现有组织，是个危险的诱惑。有时候大家会去想，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，让它从第一天开始就适合 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。

很多价值藏在正式职责之外。有人知道某个流程为什么不能那样走，有些信息误差给决策留出了缓冲，有些重复确认分散了风险，也给了不同角色参与的机会。甚至有些看起来不必要的工作，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。每一步都要观察结果吸收、风险转移和人的判断位置。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。

## 个人能力必须变成团队能吸收的能力

回到标题，个人变强了，团队也会变强吗？你们都知道了我的答案：未必。

除去那些虚假的“产出物幻觉”，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；一个人自动化了自己的流程，组织也不一定获得了可复用的能力。个人能力只有变成团队能吸收的能力，才进入了组织提效的讨论。

组织提效要沿着相反方向倒推。先弄清楚组织到底需要什么结果，再定义哪些流程决定这个结果，接着判断哪些数据和权限可以交给 AI，最后才回到个人：他应该如何生成、复核、沉淀和交付。个人真正的 AI 提效，衡量标准不在他的工作台上，而在他的成果能否被团队稳定吸收，并且减少后续协作里的不确定性。

过了这一关，AI 会非常有价值。它可以在知识流动、重复判断、状态记录和流程调度上持续发挥作用。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。

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，也来自另一种更关键的工作：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。