译者注
最近在LinkedIn上，我看到Tim O’Reilly推荐了一篇文章，称其为"管理者必读的AI文章"。其作者Aparna是微软AI体验首席产品官，她在文中提出的核心观点 - “大部分工作即翻译”，让我也深有感触。
作为曾经的产品经理，我觉得PM工作的核心本质其实就是不断地在做"翻译"。PM们需要将用户在访谈中表达的模糊需求和痛点，翻译成可量化的用户故事；将业务部门提出的战略目标，翻译成具体的产品功能和路线图；将技术团队反馈的实现难度和架构约束，翻译成易于理解的权衡方案呈现给老板；将复杂的产品逻辑和交互流程，翻译成开发团队可以执行的PRD文档。每一天的工作，实际上都是在不同的"语言"之间穿梭：用户的语言、业务的语言、技术的语言、老板的语言。
如果再结合当前做AI顾问后的具体经验，这种"翻译"工作的本质变得更加明显。AI技术本身充满了专业术语：transformer架构、token限制、提示工程、RAG检索增强、微调与对齐等等。但企业客户关心的从来不是这些技术细节，他们想知道的是：这个技术能帮我解决什么业务问题？实施成本多高？多久能看到效果？有什么风险？我的大部分工作就是在深入理解AI能力边界的基础上，将这些技术可能性"翻译"成"人话"，让业务负责人能够理解，并进一步"翻译"成具体的应用场景和落地方案。
Aparna在她的文中提出：组织中的大量工作，本质上都是信息在不同形式、不同层级、不同部门之间的转换和传递。而LLM的出现，第一次让这种"翻译"的成本趋近于零。这不仅仅是效率的提升，更可能从根本上重塑组织结构：当中间层的"翻译"工作可以被AI高效完成时，传统的金字塔型组织架构将不再是必然选择。
这是一个值得所有管理者和知识工作者深入思考的洞察。
大部分工作即翻译
LLM是工作中的第一个通用翻译器
我总是会想起电影《上班一条虫/Office Space》里的一个场景：
“你能说说……你在这里具体做什么吗，Bob？”
“我从客户那里获取需求……然后把它们传达给工程师……这样工程师就不用亲自去做这件事了。”
这听起来像个笑话，但你越深入观察组织实际的运作方式，就越会意识到Bob并不是个例外。事实上，他这个情况非常典型。
我们告诉自己我们在创造、在构建、在执行，但当你放大视角来看，大部分时间我们并不是在发明创造或执行落地。而是在做翻译：将某种形式的东西转换成另一种形式，以便其他人可以据此行动。
一个肥皂配方变成可生产的肥皂条，然后变成营销话术，再变成零售SKU，最后变成损益表上的一行数字。
一个搜索算法变成代码，然后变成用户界面，再变成广告单元，接着变成合规报告，最后变成董事会演示文稿。
一旦你看到了这一点，就再也无法视而不见。律师将风险翻译成条款。工程师将规格说明翻译成代码。产品经理将活动翻译成状态更新。分析师将日志翻译成叙事报告。财务将交易翻译成报表。销售将痛点翻译成提案。高管将市场噪音翻译成战略决策。
组织架构图就是一台翻译机器
数据很能说明问题：
• 只有39%的工作时间花在核心职责上。其余时间都在处理邮件、参加会议和做行政工作。 • 知识工作者花费57-60%的时间在协调和沟通上。 • 开发人员每周只有10-16%的时间在写新代码。他们大部分时间都在调试、规划或搜索上下文信息。 • 仅会议一项就占用每周14.8小时，约37%的工作时间，每年每位员工的会议成本接近3万美元。
难怪组织架构图看起来都是那个样子。它们是金字塔型的：领导者在顶端，执行者在底部，中间是厚厚的一层人类翻译者，负责将信息上传下达。
通用翻译器的到来
现在，AI带来了一个根本性的转变：“翻译”变得更便宜、更快速、更优质了。
大语言模型不仅可以在不同语言之间翻译，更重要的是，它们可以在不同工作形式之间进行翻译。
• 一份20页的研究论文可以瞬间翻译成一页"所以呢"备忘录。 • 一个60分钟的会议可以翻译成4分钟的决策简报。 • 一个电子表格可以翻译成图表和标题。 • 一张头脑风暴白板照片可以翻译成路线图文档。 • 需求规格文档可以翻译成带测试的代码脚手架。
对我而言，LLM有潜力成为工作中的"巴别鱼" - 那个来自《银河系漫游指南》中的小生物，能够即时翻译进入你耳朵的任何语言。只不过在这里，它翻译的不仅仅是语言。它将论文翻译成简报，会议翻译成备忘录，数据翻译成图表，想法翻译成路线图等等。[注1]
[注1]有趣的是，支撑大语言模型的Transformer架构，在2017年的开创性论文《Attention is All You Need》中，最初就是为机器翻译任务而设计的。这个最初为跨语言翻译而生的技术，如今展现出了跨越工作形态、信息形式进行"翻译"的通用能力，甚至被认为具备了某种"智能"。从语言翻译到工作翻译，这或许不是偶然，而是揭示了翻译能力与智能之间的深层联系。
这是第一次，翻译的单位成本接近于零。人类仍然需要并将继续提供判断力、品味和责任担当。但是，填充现代工作大部分时间的"从零开始起草"的负担已经接近零了。
从金字塔到脊梁
这种工作中即时通用翻译的转变将节省时间和金钱。但更重要的是，我预测，它将从根本上改变团队乃至整个组织的结构。
传统上，组织架构图必须是金字塔型的，因为翻译成本很高。厚重的中层 - 协调员和分析师 - 就是为了承担这一成本。当翻译变得廉价时，中间层就会塌缩为AI基础设施。
正如下图所展示的，传统组织中密集的管理层级（人类翻译者）正在被扁平化的结构所取代，其中AI充当了信息流动的脊梁，直接连接领导层和执行层。
未来的工作是什么样子？
对于个人而言：花在产出文档上的时间更少，花在审阅和指导上的时间更多。起草变得不那么重要，重要的是判断准确性和做出决策。
对于团队而言：花在会议中修补断裂交接环节的时间更少，花在快速将混乱的输出转化为可用输入的时间更多。协调循环大幅缩短。
对于组织而言：中间层压缩。吞吐量上升，决策加速，更多能量回流到构建和交付中。规模的含义发生了变化。大公司不再必然因为能够承担翻译成本而获胜。更小、更精简的组织现在也能够大规模协调运作！
创造和执行才是企业存在的理由。翻译一直以来都是做生意的成本。
随着AI成为工作的通用翻译器脊梁，这一成本将急剧下降，从而重塑整个组织架构图的规模和形态。
补充：作者的回应与实践
补充一段Aparna Chennapragada在LinkedIn上的相关补充：
"感谢Tim O’Reilly的推荐，也感谢许多人分享了对我这篇关于AI如何重塑组织架构文章的想法和反馈。我喜欢说，组织中的人类就像是token贫乏、RAG受限、偶尔失调的小型语言模型 :) LLM显然可以帮助我们所有人。
这就是为什么我很兴奋能在微软打造’Researcher’产品 - 这是一款帮助你像CEO一样思考和行动的AI产品。它是市场上第一款能够跨越整个企业大脑和世界知识进行推理的AI产品，让每位员工都能获得曾经只有C级高管才有的洞察力：无论是市场趋势、战略备忘录、财务模型、高风险会议的辅导，还是CEO级别的简报。
这还是非常早期的阶段，但通过Researcher，我们的愿景是让AI帮助我们人类超越简单的翻译，成为精通数据语言、市场语言、组织细微差别和人类判断的’通晓多语者’。"
也就是说，当AI能够高效地进行"翻译"工作时，每个人都能获得以前只有高层才能拥有的全局视角和洞察能力，组织的信息流动将变得更加扁平和高效。
