AI 原生组织：没有岗位，没有中层，只有任务

要点速览

AI 原生组织的基本单元是任务，不是岗位：从第一天起就定义任务、拆解任务、分配任务，人和 AI 都围着任务转。这套判断出自战略学者曾鸣 2026 年的一场长访谈。
“把 AI 嵌入工作流”只是过渡，因为那套工作流是为人设计的。命令线一旦瓦解，层级和中层也跟着消失，协同靠“谁能力强，谁被调用”，激励靠自驱和透明的贡献。
以科层制为骨架的公司会消亡，组织不会。“一人公司”是中途形态，更可能的终点是一群全能的个体像合伙人一样协作。
在这样的组织里，AI 该去啃复杂任务。简单的活没有成长空间，围着它做的应用多半是脚手架，迟早被更强的模型淹没。
护城河来自“智能复利”：智能体独立干活、拿到真实反馈、越干越聪明，再吞下更多场景，最终可能形成“黑洞效应”。

岗位表没动，只是多了个 AI

2026 年，谈到企业怎么用 AI，“AI 一定要嵌入工作流”几乎是一句标准答案。落到实处，往往是这样的画面：客服旁边多了一个答疑助手，销售旁边多了一个写邮件的工具，程序员旁边多了一个编程搭档。岗位表没动，汇报线没动，流程也没动，只是每个环节多了一个 AI。

战略学者曾鸣（阿里巴巴前总参谋长、《智能商业》作者）在 2026 年的一场长访谈里，把这种做法叫作“阶段性产品”，理由只有一句：那套工作流是为人设计的。与之相对的是 AI 原生组织。要讲清它，他从一个“最底层的逻辑”讲起：岗位可能就不存在了。

顺着这个判断往下问，会依次碰到四个问题：这样的组织怎么搭？它还算不算公司？它里面的 AI 该干什么活？它靠什么不被对手追上？这四个问题他在访谈里都回答了。下面按这个顺序展开，并把其中的术语和因果关系补齐。

怎么搭：先把岗位换成任务

两种组织的差别，先看一张对照表，下面逐行展开：

	岗位型组织（今天的公司）	任务型组织（AI 原生）
基本单元	岗位	任务，即要被解决的事情
怎么起步	先定岗位、写工作描述，再招人	先定义任务、拆解任务，再分配
AI 的位置	嵌进为人设计的工作流	和人一样，是任务的承担者
谁说了算	级别高的人	谁能力强，谁被调用
靠什么协同	命令线、汇报线	任务流转，加上共享的上下文
靠什么激励	往上爬的层级	自驱，加上透明的贡献
个人怎么进来	应聘一个岗位	认领一个任务

今天的公司，是围着岗位搭起来的

在今天的公司里，岗位是最基本的运行单元。我们应聘，应聘的是一个岗位；公司要发展，先定一个岗位，写一份工作描述，再去招人。有了岗位，才有汇报线，才有层级，才有对应的报酬。组织里几乎所有的东西，都和岗位绑在一起。

AI 原生组织换掉的正是这个最基本的单元。按他的定义，AI 时代组织的基本单元是任务，也就是“要被解决的事情”。大家围绕任务流转，组织的样子也就完全不同了。

“嵌入工作流”为什么只是过渡

给现有流程配上 AI 当然有用。但流程里的每一步，原本是按人的能力、人的分工、人的交接方式设计的，AI 只能去适配它。说到底，这还是“现有的公司加 AI”。

历史上有过几乎一样的情形。经济史学家保罗·戴维（Paul David）在 1990 年的论文《发电机与计算机》里考察过美国工厂的电气化：从 1890 年代中期到 1920 年代前夕，工厂流行的做法是保留原来的传动轴和皮带，只把电动机接上去，让它带动一组一组的机器。1899 年，电动机在美国工厂机械动力中的占比还不到 5%；电气化对制造业生产率的拉动，要到 1920 年代初才显现出来，这时距第一座中心电站开业已经四十年。戴维指出，改成“每台机器配一台电机”之后，厂房才得以按生产流程彻底重新设计，收益远不止省下的那点燃料。

“AI 嵌入工作流”就像那台接在旧传动轴上的电机：动力换了，车间没变。AI 原生组织做的是另一件事，重画车间。用他的话说，这种组织会从第一天开始就去定义任务、拆解任务、再分配任务，所有的人和 AI 都围绕任务运转。他把 AI 叫作“硅基员工”，把人叫作“碳基员工”（芯片的主要材料是硅，生命的基础元素是碳），两者围绕任务的流转协同。在同一场访谈里，他还给过一个更形象的说法：未来的组织是一个神经网络，是一个任务流导向的系统，人和 AI 都接到这个系统里面。

他也承认，这超出了大部分人的想象，需要一点时间消化；人到底怎么在这样的组织里结构起来，是眼下大家都在探索的问题。

找工作，变成认领任务

没有岗位，以后找工作找什么？他的回答是：去认领任务。按他的观察，几家头部 AI 实验室内部已经在这样运转：任务发布出来，你觉得能干就接，能交付结果，你的东西就上线了。组织只管发布任务，个人只管认领任务，结构从一棵树变成一张网。

打个比方，这很像开源软件社区的协作方式：维护者把待解决的问题挂出来，谁有能力谁认领，提交的代码通过评审就合并上线，没有人问你是什么职级。

层级和中层，为什么站不住了

层级为什么存在？他的解释很直接：因为不知道谁说了算，那就先定个层级，层级高的人说了算。层级的高低固然和判断力的积累有关，但在任何一个具体场合，原则上是谁级别高谁拍板，并不以判断力为标准。到了任务型组织里，规则变成“谁的能力强，谁被调用”。

这就动了科层制的根基。科层制是德国社会学家马克斯·韦伯（Max Weber）描述的现代组织形态：垂直分工，层层汇报，靠一条自上而下的命令线运转。命令线一旦被打破，协同就不再靠命令，基层、中层、高层这样的结构也就没有了存在的理由。他的结论是：传统意义上的中层肯定要消亡。换句话说，中层的大量工作是把命令往下传、把情况往上报，命令线不在了，这份工作也就不在了。

命令退场之后，靠什么协同？他提到一句重新火起来的话：context not control，意思是用透明、充分的信息，替代层级指令和审批。他说五年前讲 Netflix 的这个案例时，大部分人觉得厉害，但觉得和自己没关系；今天人人都知道给够上下文有多重要。放到组织里，就是全员共享一份完整的上下文，而且人和 AI 都要共享。

梯子撤了，人靠什么往前走

层级不只是管理工具，也是激励工具：它给每个人一架可以往上爬的梯子。梯子撤掉之后，绩效、考评和驱动力从哪里来？

他的回答是：本质上是自驱。他提到近半年硅谷最流行的一个词 high agency，可以理解为“高主观能动性”，指那种不等条件完美、不把处境归咎于环境、主动把事情握在自己手里的人（这个词近一两年成了硅谷的招聘热词，也有心理学者批评它过度美化冒险）。在他看来，你有没有成长，没有人比你自己更清楚：成长了、开心了，就继续做；没成长、不开心，就换个地方。

何况压力不只来自同事，还来自 AI 同事。对个人，他给了四步：

向内看，找到自己的驱动力；
想清楚要培养什么样的能力；
找到这项能力最适合的应用场景，跟着场景一起成长；
接了任务、交了结果，贡献是透明的，所以一定会得到相应的回报。

他还补了一个判断：能适应这种新组织的，一开始只是相对少的一部分人，也就是非常积极主动、学习能力非常强的人。

贡献透明，身价才高

第四步里的“透明”，是整套激励的支点。他举的例子是顶尖 AI 研究员的身价。2025 年夏天，Meta 为组建超级智能实验室，从 OpenAI、谷歌、Anthropic 等公司大举挖人，开出的多年期薪酬包高达数千万乃至上亿美元；据《纽约时报》报道，一位 24 岁的研究员在与扎克伯格面谈后，接受了四年约 2.5 亿美元的报价。

身价为什么这么高？他的解释是：因为贡献很透明。这些人见诸报道时，头衔往往只是“顶尖研究员”，连 VP 之类的职位都不写，也不需要写，圈内都知道他们的江湖地位。谁在做贡献、谁没在做贡献，在这张网络里一清二楚。用他的话说，领跑的那两家公司里，都有前 30 个人、前 300 个人、前 1000 个人，你在不在那里头，大家都很清楚。

还算不算公司：公司会消亡，组织不会

消亡的是科层制，留下的是分工

一个没有岗位、没有层级的组织，还算公司吗？他的回答很干脆：公司会消失，会消亡，而且“这没有什么可以遗憾的”。

这个判断有它的历史依据。按他的解释，公司是和工业时代一起出现的：工业时代之前没有公司，只有手工作坊；公司是工业时代最大的制度创新。如果工业时代的许多基本经济规律今天受到挑战，公司这种形态自然也会受到挑战。他随后把话说得更准确：会衰亡的是科层制管理的公司制度，人类的分工协作会继续，“有人的地方就有组织”。

他眼里已经有雏形。2026 年冒出了一批新型 AI 研究机构，业内叫 New Lab，他把它们看作新组织形态的早期样子。大家为什么叫它 Lab 而不叫公司？他的解释是：就是因为不满意公司。

他对这个结局并不伤感，理由很朴素：现在有多少人去公司上班是开心的？按他的分析，上一个时代的公司让人不快乐，是因为大部分知识工作简单、枯燥、重复，没有成长性，而公司为了管理又偏爱控制性的手段。将来可以有更开心的方式，在他看来这正是技术进步带给人的价值。他甚至把这一条立成了标准：以后评判一个组织是否优秀，标准之一是它能不能让人更快乐。

一人公司只是中途

公司消亡之后，接替它的会是“一人公司”吗？一人公司指的是一个人借助 AI 包揽产品、营销、客服、财务，独立运营一门生意，这个说法近两年很流行。

他的答案是：不会。所谓一人公司，是公司的很多职能坍塌到了一个人身上，一个人现在能干原来几十个人才能干的活。但一个人能干的活永远是有限的，所以一定要有组织，一定会有分工，一定会有合作。

一人公司的意义，在于让人看清一件事：一个人有了 AI 的帮助，能做成过去一整家公司付出巨大的管理和协调成本才能做成的事。所以他描绘的未来不是人人单干。每个人都像一家一人公司，是能力全面的“六边形战士”（借自游戏和体育圈的说法，指能力雷达图上六项全满的选手），然后在组织里和别的六边形战士一起合作。

这种组织长什么样？他给的参照物是合伙人企业：律师事务所、咨询公司、投行，很多一直就是这种形态，它和公司制度是平行存在的。他判断未来的企业会越来越像合伙人企业，人会变少，联合创始人会变多，因为“如果一个人不是必不可少，那就不如用 agent 了”。

老公司的路：不换脑袋就换人

已经成型的传统公司怎么办？他给了三个词：转型、升级、成为新物种。怎么转？“不换脑袋就换人。”核心是认知要升级。

这也是“AI 原生”这个概念的用处。和它相对的是“AI+”，也就是在现有业务和流程上叠加 AI。理解 AI 原生，是为了看清新物种会长成什么样、自己要跨过的鸿沟有多大，看清了才会真去努力。否则大部分人会顺着惯性做 AI+，一路加下去，“但是原生的公司起来的时候，你就会很绝望”。

具体怎么转，他观察到一条线索：在这方面走得足够远的创业者，基本都亲手重写了公司内部的运行体系。他举的例子是出门问问创始人李志飞：把自己关在家里三天，就把框架写了出来。（据公开报道，李志飞 2025 年一个人用 AI 编程，在两三天里做出了一套 AI 原生协作平台的原型。）他据此推测，第一批真正的 AI 原生组织的 CEO，大概都是自己动手重写组织运行方式的人，因为那套系统就是未来组织的神经网络；而传统的 ERP（企业资源计划系统）是一条固化的道路，成不了实时反应的网络。大部分人则会满足于现有办公软件的 AI 升级，觉得够用了，迁移成本也高。他认为分水岭就在这里。

他不回避难度：这种转型的确非常困难，因为它本身是反人性的。

干什么活：简单的活留不住，要干复杂的

组织围着任务转，硅基员工也要领任务。那么 AI 该领什么样的任务？这就要说到 Agent。

Agent（智能体）指的是能接过一个目标、自己规划步骤、调用工具把事办完的 AI 程序。和只会一问一答的聊天机器人相比，它更像一个能独立干活的数字员工。

先看坐标：应用才刚开场

曾鸣判断 Agent 的现状，用的是一个“三阶段”框架。研究过历次技术革命之后，他认为一项通用技术大致要走三步：先成为社会的基础设施；再在基础设施上冒出海量新应用，百花齐放；最后才需要更底层的方法来运行这个新世界，真正的原生应用也在这时出现。他还有一个不太好听的推论：第一阶段的企业很难活到第二阶段，第二阶段的企业很难活到第三阶段。

按这个坐标，2026 年是第一阶段基本完成、第二阶段刚刚开场的交叠点，而智能体就是第二阶段的新应用。所以他对 Agent 现状的描述是：百花齐放，各显神通，大家都在找切入点。这一阶段可能还要走八到十年。

2025 年那批 Agent，为什么没留下来

不少人把 2025 年叫作“Agent 元年”。那年夏天他在硅谷亲历了第一波热潮：随便去一场创业项目路演日（demo day），十几个项目几乎全是各种各样的 Agent 应用，只有零星几个做基础设施。

但他当时就不看好。一场十个项目里，大概三五个是做广告的，有的做素材生成，有的做投放。“就这么简单的事情，我当时就觉得不太可能有长期价值。”到 2026 年回头看，他的评价是这批应用“都不怎么样了”，因为做的都是特别简单的任务。

同一时期让他觉得可能有前途的，是一家想用 Agent 做“增长”的公司。增长指的是帮企业获取用户、提高留存和收入的一整套工作。他看好的原因只有一个：增长很复杂。

脚手架会被淹没，闭环才留得下

复杂为什么重要？他用了两个词。

第一个是智能闭环：AI 干一件事，拿到结果的反馈，据此改进，下一次干得更好，如此循环。任务足够复杂，这个循环才有空间一圈圈转下去，团队也才能在过程中攒下属于自己的、有价值的技术积累。

第二个是脚手架。模型能力不够的时候，很多应用其实是在替模型打补丁：拆分步骤、写死规则、层层校验，用工程手段把模型扶起来。这像盖楼时搭的脚手架，楼自己立住了，脚手架就该拆了。用他的话说，这时候做应用很大程度上是在搭脚手架，然后等着模型能力自然溢出，把脚手架淹没。

所以他主张换一个起点：先假定智能是完全够用的，再问它到底能干什么活。核心是干活，而且是干复杂的活。越简单的活越容易被复杂的活吞掉，因为它没有成长空间：“这个是干完了就干完了，那不就停在那边了吗？”

切入点要大十倍

Manus 是一个参照。这款 2025 年 3 月发布的通用 Agent 产品，在他看来当时的市场嗅觉非常敏锐：抓住了 AI 编程能力快速外溢的那个难得的窗口，定位为通用 Agent，触达的是一批 prosumer，也就是介于专业人士和普通消费者之间、愿意为个人生产力付费的用户。那个切入点在当时是对的。他也说明自己有一阵子没接触这家公司，不清楚它下一步的思路。（Manus 在 2025 年 12 月底被 Meta 收购，据报道交易额超过 20 亿美元；2026 年 4 月，中国国家发展改革委决定禁止这项外资投资并要求撤销交易，8 月 Manus 宣布重新作为独立公司运营。）

放在今天，他认为一个 Agent 要再立住，至少要找到一个十倍以上的切入点，也就是比当时那类场景大十倍以上的场景。做做 PPT、出个报告，都不够大。技术又往前拱了一步，模型做长程规划（连续规划并执行很多步、一口气把长任务做完）的能力进步了很多。问题于是变成：能不能往前大大走一步，把一个真正复杂的任务解决掉？

垂直、通用，以及“组织大脑”

做垂直还是做通用？他的回答是：“这个就是大家接下来比创造力、比这个天分的地方。”教育、健康是典型的大垂类，在里面认真耕耘就够了，关键是找到一个“现在能切得进去，将来能长得大”的切入点。

通用方向又分 toB（面向企业）和 toC（面向个人）。toB 这边，他给了一个可以检验的预言：到 2026 年底，会冒出一堆要做“组织大脑”的 Agent，也有人叫它组织的操作系统，或者“CEO 的 Agent 团队”，这会是 2026 年很火的一条主赛道。toC 这边，情感陪伴、帮人解决具体问题的产品，又重新开始有人做。

把“组织大脑”和前面讲的组织放在一起看，两件事是接着的。一个任务流导向的系统，需要有东西来定义、拆解和分配任务，把人和 AI 都接进来。“组织大脑”这类产品瞄准的，正是这个位置。

靠什么赢：越干越聪明的智能复利

组织围着任务转，AI 去啃复杂任务，剩下的问题是：优势怎么积累，凭什么不被对手追上？在 2025 年的一次演讲里，他把智能时代的护城河叫作“黑洞效应”，并把它和前两个时代的护城河对应起来：

时代	护城河	一句话解释
工业时代	规模经济	产量越大，单位成本越低
互联网时代	网络效应	用户越多，产品越有价值
智能时代	黑洞效应	场景越多、连接越复杂，智能越强

第三行是新词。要讲清它，得从大家更熟悉的数据飞轮说起。

从数据飞轮到智能飞轮

先补两个互联网时代的概念。网络效应：用户越多，产品对每个用户越有价值。电话和微信都是这样，身边的人都在用，你就离不开。数据飞轮：用户越多，数据越多；数据越多，产品越好用；产品越好用，用户更多。推荐算法是典型，你刷得越多，它越懂你。

外界有一种担心：这一波 AI 应用，很难再形成上一代互联网那种数据飞轮。他的看法是，数据飞轮一直都在，只是升级成了“智能飞轮”，也就是他说的智能复利。他拿具身机器人（有实体、能在物理世界里行动的机器人）作比：要把飞轮真正跑起来，数据之外还要有算法创新和应用场景，是“三结合”的东西。

复利是怎么滚起来的

复利就是利滚利：本金生出利息，利息并入本金继续生息。放到智能体身上，本金是人人都能调用的基础大模型，利息是智能体在具体场景里多长出来的那部分能力。

他把这个过程拆成一条环环相扣的链：

调用基础智能，让智能体在一个特定任务上具备更高的智能；
完成任务的过程中，数据飞轮会转起来；
数据飞轮的前提，是真实世界的反馈；
拿到真实反馈的前提，是智能体能独立干活，离开人的参与；
这中间一定伴随算法创新，广义上包括上下文管理（让智能体在长任务里记住该记的东西）、记忆和新的交互方式；
于是智能体在这个场景里越来越聪明，再把能力延伸到别的场景，去解决更复杂的任务。

这条链把前面几部分串了起来。第 4 环说的是组织：按这个逻辑，AI 如果只是嵌在人的工作流里、每一步都等人接手，就拿不到属于自己的真实反馈，链条在这里断掉；它得像“硅基员工”那样独立领任务，复利才开始计息。第 6 环说的是任务：简单的活一次干完就停在原地，只有复杂任务给“越干越聪明”留了空间。

好场景还没出现，出现时口碑先到

这条链通向哪里？他的判断是：谁找到了、或者运气好撞上了最能规模化、最能泛化（能推广到大量其他场景）的那个场景，谁就最有可能跑出来，进入第三阶段的竞争。而这需要很多条件同时成立。

这样的场景现在出现了吗？“没有啊，要有的话肯定就火了，大家就肯定都会抢着去用了。”他给了一个识别办法：即便只是阶段性的原生产品，也一定是靠口碑起来的，因为它一定在体验上有大突破。2026 年初爆火的开源智能体 OpenClaw（网友俗称“龙虾”）没有人做投放，是自己火的；当年的雅虎也一样。

他对这种时刻有亲身记忆。1993 年他在伊利诺伊大学香槟分校（UIUC）读书，Mosaic 浏览器正是那一年从这所学校发布的，他说自己“可能是全世界最早用浏览器的一万人之一”。整个校园天天晚上不睡觉地上网，很快有人嫌网上能看的东西太少，动手建网站；再往后有人发现这能赚钱，飞轮就转起来了。OpenClaw 走红时，他感受到的是同一种气氛。

网络效应还在，升级版叫黑洞效应

网络效应不会消失。他认为它会像基础设施一样成为标配，因为最终还是要广泛连接。他顺带点出一条数据规律：越多元、越差异化的数据，越能产生新的洞察；同一类型的数据，规模到了一定程度，价值是边际递减的。换句话说，堆量不如扩面。

网络效应的升级版，就是前面表里第三行的黑洞效应：应用场景越多，连接越复杂，就越有可能拓宽自己的“智商”。在 2025 年那次演讲里，他给过更直接的定义：“黑洞效应本质上是机器学习的复利”，有机会获取更多知识的智能体会演化出更强的智能，进而吸纳更多知识。

这个概念接得上他 2018 年出版的《智能商业》。那本书把未来商业的基因概括为一对“双螺旋”：网络协同，指大规模、多角色的实时在线协作，比如淘宝上买家、卖家、物流、支付同时配合；数据智能，指用数据和算法让机器替人做决策。他说黑洞效应相当于这两条链同时升级：数据智能升级成了智能复利（今天的 AI 本质上仍是数据智能，并没有进入符号 AI，也就是靠人工编写规则和逻辑推理的那条路线）；网络协同则变成黑洞内部的网络结构，比的不再是简单连接了多少人，而是能多快吞下多少场景。

有一个限定值得一并记住：还是在那次演讲里，他明确说过黑洞效应不会导致赢者通吃，未来的竞争会达到相对均衡，会有多个智能体并存。

那这跟我有什么关系

如果你在管理一家企业：该警惕的是只拿 AI 给旧流程提速。可以做一个小练习：把团队手上的工作改写成一串任务，而不是一张岗位表。哪些任务可以整个交给 AI，哪些层级只是在传话，往往一写就清楚了。

如果你在做 AI 应用：用两个问题检查自己的产品。它做的任务，复杂到足以让智能体越干越聪明吗？它是在积累自己的东西，还是在搭一个迟早被下一代模型淹没的脚手架？

如果你是一名职场人：岗位给的安全感在变薄，留得下来的是可以被验证的结果。与其盯着下一次晋升，不如想清楚自己要长出什么能力、在哪个场景里会被反复“调用”。你的同事里已经有 AI 了。

结语：四个问题，一个词

四个问题，答案是同一个词的四种用法。组织怎么搭？围着任务搭。还算不算公司？任务不需要岗位、层级和中层，科层制的公司也就不必存在。AI 干什么活？领复杂的任务。靠什么赢？靠在任务里滚出来的智能复利。

所以判断一家企业是不是 AI 原生，不必数它接了多少模型、上了多少工具，看它遇到一件新的事时第一反应是什么就够了：是设一个岗、招一个人，还是把任务定义清楚，挂出来。

任务挂在那里，人和 AI 都看得见。

谁能干，谁接。

常见问题

Q：什么是 AI 原生组织？

A：AI 原生组织是以任务而不是岗位为基本单元的组织：从第一天起就定义任务、拆解任务、分配任务，人和 AI 都围绕任务协同，谁能力强谁被调用。这个定义来自战略学者曾鸣，他认为在这样的组织里，层级和传统意义上的中层会消失。

Q：AI 原生和“AI+”有什么区别？

A：“AI+”是在现有业务和流程上叠加 AI，典型做法是把 AI 嵌入工作流，但那套工作流是为人设计的。AI 原生是按 AI 的能力重新设计组织和流程，让 AI 像员工一样独立承担任务。前者是给旧流程提速，后者是换掉组织的基本单元。

Q：一人公司会成为未来的主流吗？

A：曾鸣认为不会。一人公司只是 AI 让公司的许多职能“坍塌”到一个人身上的阶段性现象，一个人能干的活终归有限，分工与合作仍然必要。更可能的形态是每个人都像一家一人公司，再与其他全能型个体组成类似合伙人企业的新组织。

Q：什么是智能复利？

A：智能复利指智能体在真实场景中独立完成任务、获得真实世界的反馈、据此越干越聪明，再把能力延伸到更多场景的累积过程。它是互联网时代“数据飞轮”的升级版，前提是任务足够复杂、智能体能脱离人独立干活。曾鸣认为复利滚到足够大，会形成“黑洞效应”。