前段时间有感而发，在朋友圈发了一段关于「公司推 AI 变革 5 个阶段」的观察。没想到，这条简短的动态引发了大量企业家朋友的共鸣和讨论。
我感觉到大家对这个问题的思考深度、焦虑程度，甚至是「对号入座」给自己组织做评级的热情，比我想象的还要积极得多。
过去一年多，我密集观察和交流了身边几十位创业者、企业家朋友。他们所在的企业，很多本身已经是业界极其优秀的标杆，可以说是「前 1% 的组织」。但即便是在这群最敏锐的人里，在推进 AI 变革的过程中，我们依然能看到他们不可避免地经历了几个特定的阶段，甚至交了不少真金白银的「学费」。
所以，今天就把那条朋友圈稍微扩展一下，把这期间观察到的更多细节、故事以及大家走过的弯路，放出来和大家共同探讨。
变革往往始于极度的兴奋。
当老板们，尤其是技术出身的 Founder 或者 CTO 们，第一次使用 Claude Code 或同类 AI 后都极度兴奋，很多老板或 CTO 都经历过恨不得立即砍掉所有汇报线，专注于 coding 的冲动。
确实啊，面对一个情绪极其稳定、7×24 小时工作、交付及时的「超级下属」，老板们突然发现，跟 AI 协作的效率实在太高了，高到让他们觉得中间的管理层、甚至整个团队都成了瓶颈。于是满心战斗力，他们自己抱着 AI coding，每天只睡几个小时，一睁眼就开干，觉得自己将无所不能。回头再看团队里的任何人，都觉得不够满意。
但在这个事上过度沉迷的老板，总有下头的时候。虽然看得见一个 vision，自己的精力足够充足，思维也足够活跃，但此时已经把整个团队甩在了后边。
这个阶段很多老板为团队做的唯一一件事，就是全员推广用 AI，给员工配最好的模型账号。既然 AI 这么好用，那给每个人都配上，公司效率不就整体起飞了吗？
但问题是，不是人人都是老板的心态，不是人人都有老板的 context，更不是人人都有老板的痛点。给员工开 AI 账号，老板一个人在前蒙头突进——这本质上是一种「放羊式 AI」，表面上看以身作则，实际上是不负责任的一骑绝尘。
有些公司很快出现了内部协作问题，比如组织里有人 AI 用得好，但公司整体业务和环境没变化，反而能打的这批开始嫌弃公司这个环境。有人 AI 用得多，但自身责任心和目标感不强，反而拉低了组织的协作质量和效率。
其实老板们虽然不说，但也有一个很微妙的转变：商业原本是需要团队协作的「足球赛」，当老板一个人带着 AI 单兵作战时就成了「围棋赛」。商业世界里，首先不是所有的想法都能端到端地靠 AI 来落地的。其次，「围棋赛」虽然下赢了很爽，一旦下不赢，连个找借口的余地都没有，自我强烈的挫败感随之而来。
所以第一阶段的幻灭通常来得很快。跑一段时间就会发现：公司原有的业务并没有因此成长，而老板自己一个人拎的新项目，也未必都是对的，也很难交付出去长期推进。这一阶段的老板们大多经历过从极度兴奋到焦虑受挫的巨大落差。
这一阶段可以验证的是：单兵作战的「孤勇者」心态会导致严重的组织脱节，就算老板自己成为了超级个体，但公司还是原来那个公司。AI 成为个人的私有外挂并不导向组织层面 AI 转型的成功，重要的是 AI 需要成为组织的公共基础设施。
走过第一阶段的老板，通常会迎来一个重要的认知转变：超级个体不等于超级组织。自己一个人用 AI 再厉害，也带不动整个公司。于是他们开始回到公司已有的业务上，认真盘点，思考如何从组织和工作流的层面，让 AI 真正发挥作用。
这是目前我观察到的中位数状态——大多数认真在推 AI 变革的公司，大多处在这个阶段。但这个阶段的坑，一点也不比第一阶段少。
第二阶段最容易出现的问题，就是痴迷于降本。老板们很快会觉得，某一块业务整个儿都可以被 AI 替代，于是开始所谓的「开人」——把那些 AI 能搞定的岗位都裁掉。
降本增效的效果确实立竿见影。成本下来了，组织轻盈了，公司也没崩。
但这里有一个巨大的隐忧：你可能在减脂的同时，也减掉了很多肌肉。
什么是「肌肉」？是那些你平时觉得「好像没用」，但实际上在为业务持续供血的东西——是一线销售跟客户聊出来的真实需求，是产品经理在用户群里蹲出来的痛点，是运营团队在跟合作伙伴扯皮中磨出来的行业认知。这些东西不直接产出，但它们是业务创新的土壤。
当你把这些人都砍掉，公司就变「薄」了，你接触市场的一线触角变少了，你对行业的体感变钝了，你能感知到的细节变少了。业务开始变得抽象——不再是一个个具体的人和场景，而是一个个数据指标和功能模块。
公司变抽象之后，创新方式也会跟着变。
原来的创新可能来源于一线的观察、用户的反馈、市场的体感；现在的创新变成了老板的一个 idea 或者某种洞察，然后迅速用 AI 做出来，扔到市场上做 ABTest。
好处是生产的成本大幅降低了——写代码成本低，上新功能成本低，试错成本也低。坏处是缺少了前期的验证和来源于具体场景的深度思考。你不再是「从用户中来，到用户中去」，而是「从老板脑子里来，到 ABTest 里去」。
这当然也有它的优势——速度快、迭代快、不纠结。但问题是，你可能会错过那些真正有深度的、需要长期浸泡才能发现的机会。因为那些机会不在历史数据里（即便你数据工程已经做的足够好），不在 ABTest 的结果里，而在具体的场景和不断变化的环境里。
第二阶段还有一个容易被忽略的问题：很多老板用个人效率的逻辑去套组织效率，结果发现不尽如人意。
个人用 AI 是立竿见影的——你今天学会用，今天效率就翻倍。但组织不一样。在组织里提升 AI 效率，需要做大量的准备工作和机制设计，例如数据怎么整理？权限如何管理？哪些环节适合用 AI？模型怎么选择？每个环节里人和 AI 怎么搭配？结果谁来验收？中间谁来兜底？谁承担责任？
这些都是无数细碎的细节问题，很难用粗犷的方式解决。但很多老板在第二阶段的心态还是「快」——即刻把 AI 塞进去，即刻看到效果，即刻降本增效。
于是就出现了三种典型的「粗犷」做法：一是降本砍人，能替代的都替代掉；二是简单置换，把一些环节直接换成 AI；三是拿 AI 当「创新引擎」，指望靠 AI 自己就能长出新业务。
这三种做法都能快速看到一些效果，但也都会留下后遗症。降本砍人伤了组织的肌肉，简单置换忽略了流程的适配，拿 AI 当创新引擎则容易陷入「为 AI 而 AI」的误区。
这时候容易出现的问题是，极致高效后，公司的「底」也脆弱了。毕竟人的精力在 AI 面前是有限的，责任心会被迫被摊薄，概率模型里必然存在的问题开始放大，公司的韧性开始降低。
所以第二阶段的核心矛盾是：你已经意识到需要从组织层面思考 AI，但你还在用个人效率的思维方式去做组织变革。「减脂」很容易，「增肌」很难；降本很容易，创造价值很难。
降本可能是起点，但不该是终点。真正的价值创造，靠的不是一个人的 idea，而是整个组织对市场的深度感知和响应能力。
如果说前两个阶段还是在「用 AI」，那到了第三个阶段，公司才真正开始「经营 AI」。
这个转变的触发点通常很具体：token 费用。一开始，老板们看着公司的 token 消耗量蹭蹭往上涨，心里是骄傲的——这说明大家都在用 AI 啊，说明我们的 AI 变革很成功啊。但等到月底账单出来，看着账单的数字和公司的报表，骄傲就慢慢变成了焦虑。
这推动了一项认知转变的发生：从 Token 最大化，转向 Outcome 最大化。不再是「用得越多越好」，而是「花出去的每一分钱，到底带来了多少产出？」
第三阶段的核心词是「Harness」。AI 要做 harness，AI 转型的公司也要做 harness——系统性地 review 业务和人员对于 AI 使用的产出效率，Harness 的颗粒度变得越来越细。
颗粒度变细，就不再只是笼统地说「我们公司在用 AI」，而是能精确地回答：哪个业务环节用了 AI？用的是什么模型？花了多少钱？带来了多少效率提升？ROI 是多少？哪些环节用 最好的模型是值得的，哪些环节用便宜的模型就够了？
这是一个从「粗放」到「精细」的过程。前两个阶段，AI 是一个新鲜事物，大家都在探索，没人太计较成本；但到了第三阶段，AI 已经变成了生产资料，就需要像管理水电、管理服务器、管理人力成本一样去管理它。
但 Harness 不只是对 AI 的，也是对人的。因为最终的效能是人和 AI 共同产生的——你不能只优化 AI 那边，人这边拉垮了也不行。
到了第三阶段，老板们会逐渐清晰地看出：未来组织里需要的人才，到底是什么样的。
过去，大公司依靠的是执行力强、听话、能按流程做事的「斯巴达方阵轻步兵」，整齐划一，令行禁止。
但 AI 时代，公司需要的是能够驾驭「飞机」、「战车」的「驾驶员」和「指挥官」。他们不是靠人多取胜，而是靠驾驭复杂工具的能力取胜。一个优秀的 AI 使用者，能顶过去一个团队的产出。
这种「端到端」人才，在公司内部的挖掘、培养，在外部的发现、招募，已经变成了一个非常重要的问题。因为这群人才，才是真正能让 AI 高效能被运用起来的关键。
如何识别这样的人才，是第三阶段的一个新课题。
过去的 HR 看履历，觉得学计算机、搞过模型的人就能做好。但这在 AI 时代可能变了，有些应届毕业生就能有出人意料的表现。需要用新的方式去识别他们——例如给他一个复杂的问题，让他用 AI 去解决，然后观察他的思路是怎样的，看他在解决问题过程中与 AI 协同的效率。
这些都是特别重要的指标。这也意味着组织需要非常清晰地跑在一套完整的数据系统和显性系统里——因为只有这样，这些能力才能被更好地识别、激励和奖赏。
可以说，对一个组织来说，终极的 Harness 是人和 AI 的编排艺术。最深层的挑战是如何把人和 AI 混在一起做有效编排。
例如，在这中间需要想清楚：在哪些环节，AI 干活、人保底，在哪些环节，人要是指挥官、AI 做执行？在哪些环节，人和 AI 得是平等协作的关系？
这里面有一个很容易被忽略的点：对人的一个关键素质要求，往往不是「你是不是脑子最好使、最能驾驭 AI」，而是「你有没有足够的责任心」。很多环节里，就是要有足够多有责任心的人，持续挂着弦、持续去推进、持续做把关。在一个以效率为导向的组织里，这些人的价值很容易被低估，但他们恰恰是系统优化和稳定的关键。
所以，第三阶段的组织工程，已经远远超出了「给大家配 AI 账号」或者「用 AI 替代一些岗位」的范畴。它涉及到如何重新识别人、如何管理人、如何把人和 AI 在一起编排成一个高效的系统。
这并不是一个念头、一个主意就能解决的事，它需要有一群人天天琢磨这件事，去系统性地思考。它已经变成了一个重要的系统工程。
第四个阶段，一个显著的指标就是你的业务跑通了 10 倍效率，组织基本完成了对人和 AI 的整体 Harness 工程。已经进入到这一阶段的，转型中的公司，基于我有限的观察，目前几乎没有。L4 基本上只在 AI Native 公司的实践中能观察到，因为他们是零包袱和顺着技术条件生长出来的，而转型中的公司，因为历史业务和惯性目前还很难一步到位。
10 倍效率不是一个夸张的修辞，而是一个可以被量化、可达到的现实。
举个例子，像 Genspark 这样的 AI Native 公司，大约 70 号人，年 ARR（年度经常性收入）已经做到了 3 亿美金。这是什么概念？人均创造的价值，是传统 SaaS 公司的好几倍甚至十几倍。
你走进这样的公司会发现几个明显的特征：公司的层级被压缩到了极致——没有那么多的经理、总监、VP；岗位的种类也被压缩到了极致——没有那么细的分工，每个人都是「端到端」的。一个人加上 AI，能从需求到设计到开发到上线到运营，全链路搞定。
「端到端人才」的密度，构成了公司人效优势的一大核心。
过去的组织是「流水线」——每个人负责一个环节，靠流程和协作把事情串起来，也不可避免地会增加沟通成本和摩擦。AI Native 的组织是「特种兵」——每个人都可以成为一个独立的作战单元，靠共同的目标和价值观把大家拧在一起。
组织形态在发生根本性重构，从「人+流程+工具」的模式，进化到「AI 放大的超级个体+共同目标」的模式。
第四阶段的状态，对于有历史包袱的公司来说，是很难一上来就达到的。原因很简单：你有历史包袱，你有组织惯性，你有既有的流程和文化。公司在巨变的环境中，既要痛苦地「减脂」，又要艰难地「增肌」，还要重构对环境的感知。
AI Native 公司不一样，他们没有历史包袱，没有惯性，是顺着 AI 能力长出来的。他们从第一天起，组织设计就是围绕 AI 能力来的；他们的员工，从入职第一天起，就是用 AI 工作的；他们的流程和文化，天生就是适配 AI 时代的。
而且像 Genspark 这样的 AI Native 公司本身就离模型更近。他们对 AI 能力的理解、对 AI 边界的把握、对 AI 最新进展的跟进，都比存量公司要快得多。他们可以顺着技术浪潮一波一波向前冲浪，而存量公司还在费劲地「转型」。
但这并不意味着存量公司就没有希望了。第四阶段不是 AI Native 公司的专利，而是所有公司在 AI 变革中的长期追求目标。
只是存量公司要走到这一步，需要的时间更长，付出的努力更多，经历的阵痛也更剧烈。你需要减脂——优化工作结构、重新配置人力；你需要增肌——培养和招募能驾驭 AI 的端到端人才；你需要重构——把整个组织的流程、文化、激励机制都重新设计一遍。
这不是一蹴而就的事，但方向是明确的：组织的效率一定会越来越高，人均创造的价值一定会越来越大，端到端人才的密度一定会越来越成为核心竞争力。
当我们将 L4 级别的效率推演到极致，未来的公司会变成什么样？
第五个阶段，是面向未来的逻辑推演。它还几乎没有具体的样本。但我接触的一些到达第四阶段的企业中，创业者们已经在思考和探讨这样的问题了。
要理解第五阶段，想明白一个问题很重要：当 AI 把生产效率提升到极致之后，到底什么才是最稀缺的？
我们可以做一个思想实验。
如果你的组织效率是存量公司的 10 倍，意味着什么？意味着你可以用更短的时间，投入更少的钱，创造非常高的价值。你的资本回报率会高得惊人。那在这样的情况下，你的资本还是短缺的吗？
当效率足够高的时候，钱不再是瓶颈——因为你不需要那么多钱就能做成事。你可以不依赖大额外部投资，而投资人会追着你投，因为你的 ROI 太高了。
那什么才是真正短缺的？
答案可能是人。准确地说，是那种能驾驭 AI、能独立端到端创造价值的人，那些能不断拓宽边界的「指挥官」人才。
在此情况下，一个很自然的推论是：公司的分配方式会开始出现明显变化。当一个人能创造过去一个团队的价值时，传统的工资 + 奖金的激励方式，显然就不够了。一个公司可以拥有物质的核心资产，但没有办法真正「拥有」正在成为核心资产的人。
业务分红、甚至合伙人制的利益分配，可能会成为主要的激励手段。你不再是「雇佣」一个员工，而是「合伙」一个创造者——他带来能力，你提供平台和资源，大家按贡献分享收益。
AI 越强大，一个组织里的「有效存在」的人就越有价值。
如果未来最稀缺的是端到端型的人才，组织中更多是这样的人员构成与生产方式，那组织的形态也会随之发生变化。
未来或许会出现「蜂巢型公司」——公司不再是一个庞大的、层级分明的有机体，而是一个由很多小的、独立的、高度活跃的单元组成的生态。每个单元都像一个小蜂房，有自己的目标、自己的团队、自己的分配方式；而总公司这个大蜂巢提供基础设施、品牌、资源和规则，让各个小蜂房在这个生态里自由生长。
这种形态最大的优势是什么？是系统性地对抗熵增。
传统大公司一个逃不开的问题就是越做越大，熵越来越大——流程越来越复杂，效率越来越低，创新越来越难。这是组织的宿命，就像热力学第二定律一样不可抗拒。
但蜂巢型组织或许可以不一样。它不断地分裂，不断地产生新的小单元。小组织、小体系、不断运行的活跃的东西。每个小单元都保持着高度的活力和创造力，熵是小的，而整个生态通过不断的新陈代谢，保持整体的熵减。
蜂巢型组织带来的另一个变化，是创新业务的繁衍速度可能出现 10 倍级的提升。
传统大公司要做新业务，要经过立项、招人、建团队、跑流程、试错、调整……一个新业务从想法到落地，可能需要半年甚至一年。而且新业务在老组织里会受到各种束缚，成功率很低。
但在蜂巢型公司，可以不一样。一个有想法的人，拉上两三个队友，借助 AI 工具，很快就能把一个新业务跑起来。公司提供基础设施和资源，成功了就按约定分红，失败了也没关系——成本很低，试错很快。创新的概率和发生速度可能实现 10 倍提升。
当然，这一切都还只是推演。第五阶段什么时候会到来？会以什么样的形式到来？现在还没有人知道答案。
但有一点是确定的：当效率的瓶颈被 AI 彻底打破之后，组织需要解决的是「人的价值如何被重新定义和分配」的问题。这不仅是组织变革，更是生产关系的变革。组织形态和分配机制的变革，只是时间问题。
以上这五个阶段，只是行进间的观察和思考，各个阶段不是每个公司都会完整经历，也不是线性递进。有些公司可能从第二阶段直接跳到第四阶段的某些特征，有些公司可能在某个阶段反复徘徊。
但毫无疑问的是，AI 技术本身不会平等地拯救每一个组织，它只会加速组织的分化。
如果你对这个话题有共鸣，或者你觉得你所在的团队已经是一个 L3 甚至 L4 级别的组织，或者对 L5 有所思考和探索，非常欢迎你在评论区留言，或者后台私信交流。
在这场前所未有的变革中，没有谁手握完美的标准答案。希望和更多一线的探索者多交流，让关于 AI 组织变革的真实认知和实操经验，更多、更有效地流动起来。
