这两年，几乎每家公司都在上 AI，不论是小公司，还是大中型公司。但情况不同，结果也就不同。
出生在 AI 时代的创业公司天生就是 AI 原生组织；那些在过去有成熟业务和市场的小公司，因为人员少、负担小，也能在阵痛之后成功转型。
而层级复杂、业务线多、数据沉重的大中型公司，绝大部分都还没有看到真正的 AI 组织变革。
本期混沌在线课程，MetaOrg 元组织咨询创始人兼 CEO 袁凌梓老师详细讲述了中大型公司的 AI 困境，也指出了成为 AI 原生组织的关键核心。
她做了 20 多年组织咨询，从 ERP 咨询做到 HR 组织咨询，2020 年进字节跳动做了 HR 首席幕僚官（梁汝波的幕僚）。
在袁凌梓老师看来，大中型公司大多是在"半推半就"做 AI 转型，不敢真正往前走。为什么？因为生产力已经被 AI 改变了，但配套的生产关系都还停在原地。
AI 转型，从来不是技术问题，而是组织问题，关键在人。
人和 AI 如何共同服务于业务结果？人怎么拥有安全感，不担心被 AI 替代？人和 AI 怎么协作？人开始承担复杂判断后，对等的价值回报要怎么给？
这一堂课，袁凌梓老师把这些问题总结为"三座桥"。大中型公司要走过这三座桥，才能到达对岸，完成 AI 组织转型。
（以下是课程内容的精编笔记，仅占 1/8，可通过文末图片扫码进入混沌 APP 学习完整版。）
投钱做 AI 组织转型，你走到哪一步了？
我想先说两个问题。一是企业的困惑，就是现在大部分企业都在用 AI，结果却是每个人都在提效，但是组织没有产生增量，没有产生新的业务收入和利润增长。二是个人的体感，我们都在这个过程当中感受到了焦虑。越拥抱 AI，越觉得自我价值降低了。
配资助手我们必须去探索一下，为什么会有这样的落差？如果我们要解决问题，要找到组织和个人的价值平衡，应该怎么做？
那么首先我们再仔细看看，现在很多大中型企业和创业公司都怎么用 AI？
现实情况是，Agent 已经进入了组织的核心工作流，每个人都能非常熟练地使用 AI 工具。但是，从企业层面来看，还是有四个大的困境。
一，ROI 算不清楚，已经花了很多钱，但却没有明显看见 AI 带来的生产力影响和市场增长。二，大企业已经意识到，组织提效不能困在旧的工作流程里，但是很难去真正改流程。三，知识管理和数据建设是个巨大的洞，没办法去萃取沉淀那些隐性的判断和方法，去训练和优化 Agent。四，AI 治理与伦理风险悬而未决，数据隐私、算法偏见、责任归属等方面还是存在大量的未知。
所以大中型企业做 AI 转型更像是"半推半就"。虽然他们相信最终的 AI 大方向是正确的，但现在又还不敢真正往前走。
那么在近几年才成立的创业公司又是什么样的呢？那些出生在 AI 时代的" AI 原生组织"怎么去做业务、管团队？
举个例子。2024 年在美国成立的一家公司，Palona，它的产品是为餐饮商家提供 AI 应用服务。当时很多餐馆都需要客户打电话来详细说明需求，但 Palona 开发了两个 Agent，一个作为餐馆前台面向客户收集订餐信息，一个作为门店后台管理餐馆的接单、出餐、座位清洁、账单支付等全部的运营流程。
更重要的是，这并不是一个标准化的数字产品。每个餐馆会有不同的需求，所以这家公司把所有员工就分了两组岗位，每次获客，一个销售会带一个技术，独立完成"见客户、理需求、写代码做产品"的全过程，中间不需要产品经理立项，也没有多层的开发审批流程。
以前需要销售等着产品，现在有各种版本产品来减轻销售的业务阻力。如果客户需求很大，产品生产又能快速对接，自然就拿到更多的收入，就这么简单。
所以为什么要改流程，因为流程中有导致效率下降的环节，每个环节可能都有一定的停留时间，有人的判断，要沟通，要对齐。
传统公司的管理方式是比较固化的，有一个业务目标，就从内部去找资源匹配、岗位承接。但是 AI 原生公司是从外面倒推的，围绕业务结果去组团队、做交付。
基于业务结果去拆工作流，思考是用人还是用 Agent。但其实公司的本质都是为了拿业务结果，只是我们会发现很多公司越长越大、越长越成熟的时候，容易忘掉了为什么而存在。
所以现在很多大型组织想要改造成为" AI 原生组织"，但是我认为，真正的 AI 原生组织其实是出生在 AI 时代的" Baby Company "，很多已经六七十岁的"老登公司"，怎么可能变成 Baby 的状态呢？
但是如果变不成" AI 原生组织"，能不能变成一个 AI 加强公司、AI 赋能公司？能不能真正让 AI 解决生产力痛点？是可以的。
从传统公司到 AI 原生公司，本质是要解决生产关系的重塑问题。生产关系要是顺了，人就有动力干活，通过更好的协作，拿到更好的回报。所以现在在讲的规模大小、一人公司、让 AI 进入流程，这都是结果，最底层应该就看有没有解决生产关系。
第一个要点，人和生产资料的问题。AI 原生公司的生产资料多了模型、数据、知识库和智能体，组织需要重新规定"这些生产资料谁拥有？谁可以使用？谁可以配置？谁可以收益？"但这个问题到目前为止也没有解决，甚至有些 AI 原生公司的员工个人也不具备拥有权。
第二个要点是分工。传统公司的分工相对稳定，但 AI 原生公司是根据业务结果拆工作流，在人和智能体之间做动态的任务分派，谁做更好？谁做更快？谁做成本更低？谁能够更让合作更加丝滑？谁就干这事。
第三个要点是人与权力。传统公司追求稳定性、规模化和效率，管理者拥有权利，分配资源、检查工作。但 AI 原生公司中的权利会更下沉，谁对结果负责任？谁能够直接带来业务结果？谁可以调动相关 Agent？谁就拥有权利。所以一线员工往往会拥有更多的判断权利。
第四个要点是协作。传统公司有稳固的标准分工，但 AI 原生公司分工模糊，会灵活变化。
第五个要点是价值分配，传统公司基本上是按岗位、按结果、按绩效来做评价、做分配，劳动者能拿到的回报是相当有限的。但 AI 原生公司里，其实个体对业务结果产生了更大更多的贡献，如果你不给他足够的回报，不给他的知识和价值足够的溢价，他不可能跟你一起干，他完全可以自己做一个 AI 原生公司。
一和五是极其难的，那中间的分工、权力和协作发生改变了吗？也很难。但是如果我们要真正推动生产力的大幅上升，不去做突破、做改变的话，是做不到的。那么为了让生产关系有机会发生改变，我认为可以先做"三套核心机制"。
第一套是围绕着结果的液态组队的组织机制，第二套叫围绕着工作流的灵活分工的工作机制。第三套叫围绕责任和贡献的价值分配的回报机制。
通过这"三座桥"，我们可以从一个传统的大中型公司到达彼岸的 AI 原生公司，变成一个 AI 加强公司、AI 赋能公司。
组织液态化，不是去掉所有层级
现在组织变革的一个趋势是大家都想打破科层制，因为科层制虽然责任分工很明确但也会导致公司变慢。现在，在有壁垒的行业当中，科层制的公司还是能活得很好；但是在那些竞争越来越激烈的行业中，越慢就死得越快。
所以我觉得，所有的公司，不论是什么行业，只要你没有绝对的垄断，你都应该开始做组织的液态化。并不是完全没有结构，而是资源可以围绕着价值和经营结果，快速流动组合。
过去大家也想这么做，但做不到，现在 AI 让这件事变得可能了。因为协作成本下降了，文档和 Agent 的对齐比人和人口头沟通更清晰；Agent 背后的数据知识库也可以跨部门流动，大家看到的数据都是一样的，没有歧义，不会扯皮。AI 让过去成本过高的敏捷组织，第一次具备了规模化的条件。
但是具体应该怎么做呢？把所有部门都拆了、把金字塔架构彻底推翻吗？我做了二三十年的组织变革，我认为这是不可能的。员工需要安全感，如果这么做，他们没办法接受。
对于大公司来讲，这些有一定规模和历史的组织，要想做组织的液态化，应该是要做"双层组织"。液态的前台，加上稳态的底座，既要有快速变化的部分，也要有稳定沉淀的部分。
让你的销售、产品、项目经理，让这群在前台的人能够跨团队干活，快速组队，一起解决客户的需求和问题。底座部分，就是你的知识管理、信息打通、大量工作 SOP，这些要更紧迫地去做，而且每个部门做了之后一定还要在公司平台上进一步原子化拉通。
那么这里我也给大家提供液态化组织的五种显性形态。如果你的公司虽然有科层制，有金字塔架构，但你实际工作是以这五种方式来协作的，那么你的液态程度就很高了。
第一，动态跨职能组队。能不能在很快时间内，让来自不同部门的人围绕一个客户问题或业务问题坐下来，有共同目标、对齐分工、各自贡献技能、形成结果？
第二，最小价值单元。比如让销售、售前、产品、运营坐在一起，短时间内拿到客户、验证需求、提供产品、拿回订单。如果都是这样的端到端闭环能拿结果，CEO 变成若干个端到端团队的雇主，公司就全是收入和利润单元。
第三，强底座、活前台。每个部门有大量 Agent 处理日常工作，人去做拿结果、面对客户的事。底座一定要通，但这比较困难，因为数字化这件事做了这么多年还是做得很差，不过现在 AI 是一个做强做好的机会。
第四，AI 流水层 + 人工例外层。标准化、常态化的运营工作全给 AI，人跳出日常职能，进入跨职能工作。
第五，管理协调功能消融。以前管理者在某种程度上是"设边界、卡关卡"，比如部门的人要帮谁谁干活必须要经过部分负责人的同意。液态化就是把这种关卡拿掉，换成每个人自己管自己、AI 管人、数据平台管人。
组织液态化一定是一个渐进阶段，固化职能制→跨部门项目制→端到端流程团队→最小价值单元小闭环→液态组织。
我曾经也是做人力资源的，我知道当边界被拿走之后，人是没有安全感的。你把我的人都掏走了，我对什么负责任呢？我没有权利了，没有影响力了，怎么办呢？
所以职能部门要从"资源的领地"转向"能力的平台"。你能不能给公司把知识、SOP、专业能力建好、建得有战斗力，这就是你未来被依赖的价值。从那些 " 制造摩擦、降低客户感受 " 的损耗部门开始液态化，把不必要的监控和审批拿掉。每次组队之后要建临时章程，尽量把项目变成真实的组织单元。
比如我自己在字节做了很多年，字节已经十几二十万人了，它有大公司的形态，也还保留一定程度上的创业色彩。因为组织里的分工模糊化、协同目标化，决策是最小链条的决策，授权是最大化的一线授权。
我想说的就是，组织液态化不在于把部门拿掉、把层级拆掉、把组织扁平化这些形式上的表象，真正内里的一定是大家的工作方式，能不能更好地围绕着价值去做分工。
解构与重组工作，不能只靠员工
什么叫工作解构？我们说组织 AI 转型的过程中，要建立新的生产关系，要改变其中的分工和协作。但我们会发现，AI 技术进入工作后，会被改变任务，原来由人做的事情被提速了。
原来的岗位就像一张"包袱皮"。假如我是法律专员，我的"包袱皮"就是 review 合同、参与谈判、审批价格、知识沉淀这一摊事。但 AI 进来之后，它能把 review 合同、审批价格、知识沉淀做得更好，我就剩下谈判了，因为这件事 AI 干不了。
AI 的进入，拆掉了岗位的"包袱皮"。所以工作需要重新被拆解和被组合。但是，公司有意识地在做这件事吗？
解构工作其实很难、很复杂，很多公司会鼓励员工自己先解构一下，自己尝试把工作交给 Agent，但有些时候员工不太愿意解构，因为最后可能会显得员工好像没有价值了。
所以，工作解构这件事情，它不是一个能自下而上发生的事，它需要自上而下地去推动，但现在自上而下的力度和方法太少了。
其实大概五六年前，人力资源们就在谈——从 job based（岗位为基础）走向 skill based（技能为导向），但一直走不动。因为岗位边界把人框成了"责任导向"，干活先想"这该不该我干"，而不是"客户需不需要"。
现在 AI 来了，这件事变成了双向奔赴。AI 以一个个 skill 去接管工作，最终留在人身上的 skill 才是真正有价值的 skill。
所以现在公司怎么自上而下做工作解构？有两种，正着做，反着做。
从人出发正着做，自上而下把公司业务流拆开，每个业务流有多少场景？每个场景中有多少任务？每个任务下有多少技能？这些技能哪些是人来做哪些是 AI 来做？
以人为核心的，常规的、大量消耗时间的事让 AI 干，人留少量高价值高判断的事。这样拆完之后，AI 是助手、是工具，对流程的彻底改变有限。
反着做就是默认所有流程让 Agent 干。先把流程全部画出来，看每个步骤 Agent 能不能干、怎么干？我们要先找到组织和流程的关键角色，那这些关键角色怎么干活？把他们的业务知识、数据、可复用能力喂给 Agent 去跑通。
它能干活之后，还要告诉它哪些能干，哪不能干的要交给人来处理，设置一个组织红绿灯。
举两个例子，也是我的两个客户。第一个是来也科技，创业公司，以前专门做 RPA（Robotic Process Automation，机器人流程自动化）。他们用 Agent 把自己的销售流程重做了一遍，有客户经理 Agent、销售主管 Agent、售前顾问 Agent、交付经理 Agent、后台管理员 Agent，把原来项目经理和销售扯皮的环节全替代了。
他们还用 Agent 重塑了 HR 流程。首先就是最高频发生的"入离调转"，然后是追踪每个人的薪酬考核，给管理者配一个分析 Agent，让他能看到下属团队的人力成本分配。目前已经可以看到效率提升和人力释放，但收入利润上升还在早期。
他们把自己的方法论总结是"四个阶段、八个动作、一条主线"，梳理流程角色→优化流程重组角色→设数据治理和权限→跑试点再全量推，一条一条业务流程去做。
第二个也是一个创业公司，给生产制造企业做 Agent 平台，就是带着系统平台去改造客户的业务流程。他们自己在内部先做了一个"销冠 agent "，因为小公司很难招到顶尖销售，所以就把最优秀的一两个销冠的经验萃取出来。
每个初级销售见客户之前，销冠 agent 先给他做一次演练和武装，其中很多是应届毕业生，一个大客户销售的经验都没有。做完之后，这家公司的赢单率在上升，新人的时间投入在下降。
那么在什么场景中，哪些工作应该首先被解构，重新被组合？这里也有一个"判断矩阵"：重复性、标准度、情感度、风险度。根据这些维度去筛选。低结构化、极高复杂度的工作，就完全得靠人做。
回报与价值，是所有行动落地的关键
前面我们都在说"怎么干"，但是员工会问：我把知识都萃取给你了，Agent 可以去干了，那我图什么？所以重要的是这第三套回报机制。
那么很多网上自媒体会说 AI 原生公司的激励是"没有职级、没有晋升，用结果验证，责任越大奖励越重"。但我认为这是理想状态，在大中型企业里不能这么干。你不可能把现在所有管理中层的职级全部取消重来，逼自己成为 AI 原生公司。
未来一定还是有职级的，只是它会从象征身份权力变为"治理的底座"，就是一个人解决问题的复杂能力，代表你的分量。
其实 AI 时代的回报体系，包含了人们对级别、薪酬、奖金的、职业发展的回报。过去的体系当中，是直接用岗位职级来决定你的固定工资、奖金、福利待遇。但是用了 AI 以后，就会打破这些，比如会多了最基础的 token 津贴。
有一个现象是，现在招聘要求必须会用 AI，就像以前要求会用电脑软件。现在很多会 AI 的研究员和工程师，工资开到了非常高，但我认为这是一个短期的超级溢价过程，最终对 AI 人才的定价会回归理性。
我们很难讲清楚一套稳定的分配方法，但是可以看到有几个重要的变化。
首先，薪酬会从岗位付薪走向贡献付薪，因为用了 AI 后很容易有更大的产出。
其实大家都想过，企业给员工薪酬是为什么而买单？其实就是为了员工的经验、能力、贡献。只是过去把这些都浓缩到了定职级上面，所以一个人跳槽能从经理到总监，然后加薪 30%。但现在的趋势是层级简化，所以某些公司的经理可能会比其他公司的总监还要高还要强。
薪酬里边最重要的一直是贡献定性，然后是你的技能。但是现在 AI 接管了流程后，人的贡献和技能，多了一项"责任和判断"，这很重要。我们需要衡量不同的岗位，承担的判断的分量和大小。
你会处理更多高风险的、模糊的、AI 难以独立完成的问题，处理得越好，带来的结果越好，那么"责任和判断"的溢价就要越高，员工应该得到更大的回报。
所以觉得，AI 时代的薪酬架构，我们可以想象为四层：岗位基薪、Skill 溢价、责任津贴、价值分享。价值分享，就是员工为流程改善、业务增量、沉淀可复用资产所做的贡献。
除了在这四层对应薪酬之外，还有一种重要的回报——绩效。怎么考核人的价值？这里我分享一个 AI 原生公司在探索的考核方式，不是按岗位考核，而是看三件事。
第一，多元角色，按照你实际承担了多少角色、多少责任去奖励。第二，AI 的杠杆力，你用 AI 解决哪些多样性的复杂的问题。第三，价值贡献度，就是你最后产出的结果，客户和市场里的实际分润。
这是一个大概的思路，但是更突破的做法是，他们的考核不再按季度或年度，而是 AI 实时分析你的工作行为、判断难度、产出绩效，三个节点都能累计积分，在分奖金的时候很简单地拉个总分就行了，不需要再做任何评估和反馈。
当然，这样的话可能会让人的工作 24 小时暴露在 AI 监控下，但这也是 AI 深入组织后必须面对的拉扯。AI 进入组织越深入、越自动化、越智能化，人就越被 AI 无孔不入地管理，也许这就是我们人类不可回避的一个结果。
最后，我还想说一点。如果是这样的回报机制，那么未来晋升还重要吗？员工还会向往成为经理、总监吗？我想，如果未来每个人能拿到跟贡献绝对对等的超额回报，工作本身又有意思，人对表面上的头衔晋升的期望值会下降。
所以，讲了这么多的现状、方法、理想状态，还剩下一个重要的问题：你想做吗？你想往前走吗？你想到达 AI 原生的彼岸吗？
现在有不少公司都在做组织变革，但这一轮过程非常痛苦。我最后分享三个案例，都是老板亲自 all in 推 AI，但他们又走了三条不同的路。
第一个是普康科技，CEO 于勇是典型的 " 组织先行 "。他十年前就在打通部门边界，把工作方法和技能沉淀下来。所以 AI 来了，他可以直接快速地把这些知识库做成 agent。如果没有前十年的沉淀，这是不可能的。
第二个是 SKG，深圳的一家智能穿戴公司。因为竞争激烈，他们选择开始做海外市场、海外营销。但是海外团队不加人，而是用 agent 和 token 解决所有问题，内部每天滚动排名，老板亲自盯用得差的一线营业员和部门经理。
第三个是安克创新。他们先是在财务、营销做了两三年散点提效，后来发现太碎，回到基础能力上，拆解每个岗位，形成部门岗位和能力目录，派 ADT（能力发展团队）跟 IT 一起把能力 AI 化，所有的团队都亲自参与了自己工作的重新的拆解和沉淀。
所有的尝试，其实都是遇到了"人"的问题。人在工作场景之外，可能会拥抱和接受 AI，但在工作场景当中不一定。员工那边的阻力是真实的，所以组织的文化需要非常大的调整，要产生人机共生的伦理与价值观。比如透明共治、赋能授权、敏捷、共创共享、韧性试错等等。
虽然很多问题现在没办法有确定结论，但我觉得变革的车轮是阻挡不了的。我们只能看清这些问题，理解我们的目标，努力有效地去推动组织变革。
我们还在路上，有很多做法，也许明年就不是这样了，也许技术提升之后一些问题就迎刃而解了。
本文为混沌在线周六课程的笔记。想获取最新、最全、最具现场感的学习内容，欢迎锁定每周六的直播课。
关注混沌在线，每周一堂课，为你带来企业创始人的前沿判断与商业认知。
进入混沌 APP，往期 700+ 精华好课，助你搭建商业思维体系，实现认知跃迁。
————推荐阅读————
AI 不是组织的工具，而是组织的"竞品"
组织，要让人永远有人的去处
张天乐：AI 原生第二曲线，先判断做不做，再重新设计组织
移动杠杆配资安全吗
元股证券股票中心提示：本文来自互联网，不代表本网站观点。
