如果工作仍要经过相同的委员会、审批、交接环节和职能壁垒，那么生产力提升的价值就十分有限。制约因素正日益转变为组织延迟，即组织做出决策、改变流程，并将新能力转化为业务成果所需的时间。
过去需要多位专家、多个部门或数周投入才能完成的工作，如今可以快得多。这将改变团队协作方式、决策方式，以及需要专业知识的环节。
只有彻底革新组织设计，以全新方式思考工作流、治理、激励、知识流和决策结构，使 AI 驱动的生产力提升在整个企业形成复利效应，组织才能充分实现这些收益。
AI 原生组织既需要稳固的骨干，也需要敏捷的前沿，同时要充分发挥人类在判断和行动协调方面最宝贵的能力。
LinkedIn、Substack 等论坛上充斥着“我看不到 AI 的投资回报”之类的讨论。随着实质性应用开始加速，我们已经从 AI 解决方案以及 ChatGPT、Codex、Claude 等现成工具的采用中看到了可观的投资回报。但这种观点仍然可以理解。个人生产力虽可能显著提升，但如果组织工作流维持不变，这种提升最终仍会受到限制。组织设计需要随之演进。
然而遗憾的是，组织无法做到永远适应未来，尤其是在 AI 发展如此迅速的情况下。没人能有把握地断言，三年后经过 AI 优化的银行、保险公司、零售商、能源公司或咨询公司应该是什么样子。技术、经济环境和工作模式变化太快，因此适应能力将成为未来十年的决定性优势之一。
但如果专家级智能可以即时获得，AI 智能体又能自主工作数小时，那么就必须预期工作方式将会、也应该发生改变。这意味着运营模式必须改变，才能从这项技术中获益。最愿意迅速适应新工作模式和这项技术新兴应用的组织，将获得最大收益。
理解 AI 对组织影响最简单的方法，是先作出一个基本假设。假设组织内任何人都能即时获得专家级智能。两年前这还难以想象，如今却已基本成为现实。虽然它可能还不完美，但完全有理由认为，它在不久的将来会接近完美。
在此基础上，再作出第二个假设。假设自主智能体能够协同工作数小时、数天，最终甚至持续数周，完成具有实际意义的一系列工作。不是完成一项或几项任务，而是跨多个专业领域执行一套真正充实、完整的工作序列。这相当于把一个跨职能团队融入一支能够自行确定工作流的智能体团队。
只要这两个假设大体成立，工作方式就将（也必须）改变。完成工作所需的时间将缩短，内部协作形态将演进，变革速度将加快。
如此快速的变化有利于分权、自主和创新，而大多数大型组织恰恰是围绕相反理念建立的。
大型企业将权力集中在按职能划分的部门。它们把战略、技术、数据、风险、运营、财务、人力资源和业务划入不同架构，各自拥有不同的优先事项、激励机制，以及最重要的管控体系。
投资委员会、指导委员会、架构委员会、风险审查、合规关卡、采购流程、年度规划周期和商业论证共同治理变革。一些变革管理团队还会在利益相关方之间多加一层信息转接，却没有创造任何价值。
同样，这一切并非不合理；这些机制的存在都有充分理由。它们在管理风险、分配资本、避免重复、保护客户和明确责任的同时，也决定了组织的行动节奏。在 AI 原生竞争对手能够更快测试、学习和重构工作的世界里，这种节奏很可能过于缓慢。
文化传递的信号也很重要。在许多组织中，无论领导者多少次强调“你有权自主决策”，激励机制仍然奖励固守职能边界的行为。为什么？保护团队。守住预算。维护路线图。避免显眼的失败。把棘手决策上报委员会。不要过多偏离已批准的流程。
当试验成本高昂，而且偶尔发生的变化只是渐进式演进而非革命性变革时，这种集中式方法合情合理。但如果能力每隔几个月就显著提升，而最佳机会又由最贴近实际工作的团队发现，这种方法就会成为问题。
以传统集中式方法应对 AI，会产生阻碍实现可观投资回报的延迟。如果每项变更在触及实际工作前都必须经过多个委员会，组织的学习速度就会太慢。
对于希望成长并加快步伐的员工而言，限制利用 AI 的机会，会让组织失去职场吸引力。
大多数组织都从培养个人 AI 素养起步。这是正确的起点。员工需要知道如何向 AI 交代任务、如何质疑它、如何检查其成果、如何保护敏感信息，以及何时不该使用它。他们需要信心、判断力和实践经验。
但个人素养存在上限。分析师可以产出五倍的分析成果，但决策会议仍然每月才开一次。开发者可以生成更多代码，但审查和发布流程并未改变。营销人员可以创作更多内容，但品牌审批仍在同一个队列里等待。
即使在团队层面，如果组织其他部分仍沿用原来的运作方式，工作流的改变也不一定能提高整体速度。
因此，个人可能更快，团队也可能更快，但最终产出速度仍受组织端到端流程中其他环节的限制。因此，AI 转型必须从个人素养发展到团队素养，再进一步发展到组织素养。
当企业能够改变自身架构、激励机制、治理、知识流和技术模式时，个人和团队取得的局部收益才能转化为企业价值。
这是一项艰巨挑战，但也正是释放价值的机会所在。过去几年中，在 ChatGPT 发布后诞生的 AI 原生企业从一开始就把 AI 嵌入工作流，因此始终保持敏捷，并采用扁平化架构运营。相比之下，大型企业把 AI 塞入现有流程，造成东拼西凑的效果，未能改变工作的实际方式。
AI 原生并不意味着混乱、鲁莽或痴迷于工具。它也不意味着每位员工都可以随心所欲地使用最新模型。更不意味着用热情取代治理，或假装不再需要人类。
传统组织设计模型假定，你可以定义未来状态、绘制组织架构、实施变革，然后实现稳定。这对 AI 而言太慢了。
AI 原生组织将以适应持续变革为设计目标。AI 原生组织会围绕人、AI 系统、数据、工作流和治理的综合优势，持续重构工作。它们不会把一切押在一份蓝图上。它们会培养快速查明以下问题的能力：哪些工作流应当改变、哪些角色需要演进、需要哪些管控、哪些技能更重要、哪些模式可以复用，以及哪些假设已经过时。
这需要同时具备两项要素：稳固的骨干和敏捷的前沿。二者在集中管理与赋权贴近实际工作的团队之间实现平衡。
稳固的骨干为组织提供信任基础和规模化能力。整个企业都能使用获批工具、可复用模式、数据访问渠道、评估方法、安全管控、治理原则、监控机制和知识基础设施，并有明确的责任归属。
敏捷前沿是实际工作发生的地方，能够频繁、顺畅地变化。贴近问题的小型跨职能团队拥有足够权限，可以重构工作流、应用 AI、测试新的工作方式，并将经验反馈给组织。
核心与前沿之间的平衡至关重要。中央管控过多，组织学习就会太慢。局部自由过多，组织就会走向分裂。AI 原生组织需要核心严谨、前沿敏捷。
谈到工作自动化，一种草率的结论是：AI 会减少对人的需求。在某些领域确实如此，例如低情境、重复性的知识工作将被大幅压缩或取消。主要涉及事务处理的工作，例如弥补系统缺口、传递信息、开展初步分析、生成初稿，以及仅能提供有限“附加价值”的响应，都将面临压力。
但另一方面，人的“贡献”将提升到更高层次：如果专家级智能可以即时获得，那么 AI 无法也不应取代的稀缺人类特质，就变成了判断力、创造力、责任担当、情境理解和信任。
组织应日益重视那些能够在模糊情境中做出决策的人。他们对所在领域有足够深入的理解，能够引导 AI，并判断它何时出错。他们能够提出更好的问题。他们能够融会商业、技术、运营和人的现实情况。他们能够建立关系、增强信心，并协调众多利益相关方。更重要的是，试想一周的工作被压缩到周一上午完成，快速切换情境并迅速、准确解读信息的能力会变得更加不可或缺。
因此，如果通才型人才能够贯通各职能的情境并协调 AI 赋能的工作，他们的价值会更高，而不是更低。专家的价值也可能不降反升，因为工作越快，需要重视质量和判断力的时刻就越多。领导者则需要少一些对活动的管控，多一些对系统、情境和节奏的设计。
值得投入培养的不只是“AI 技能”，还包括在 AI 承担更多基础任务后愈发重要的人类特质：好奇心、判断力、韧性、清晰表达、创造力、决断力、协作能力，以及坦然面对模糊性的能力。组织现在就应围绕这些特质招聘、培养和奖励人才。
如此大幅压缩工作会带来很大压力，AI 原生组织不可能始终以极限速度运转。它们需要留出余力和缓冲空间，让员工恢复精力、重新建立连接。为了有效判断和决策，组织应营造让意外灵感有机会催生新颖创意的环境。
如今，许多企业仍未能迅速利用 AI 已经具备的能力。这导致智能体能力的进步与实际应用水平的提升之间差距日益扩大。
这很正常。大型组织吸收技术的速度较慢，因为遗留系统、监管限制、文化阻力、数据分散、权责不清和实际风险都需要妥善管理。
但到一定阶段，会有足够多的领导者、团队和竞争对手找到把 AI 安全、反复应用于实际工作流的方法。应用模式将趋于成熟，治理将更深入地融入运营，智能体将更加可靠，组织信心也会增强。AI 所能实现的可能性与企业实际应用之间的差距将开始缩小。
当这一拐点到来时，占据优势的不会是拥有最佳模型或最多 AI 预算的公司，而是那些能够迅速改变工作方式的组织。
那些集中处理所有决策、固守各自职能、依赖低效委员会治理，并奖励员工“别惹麻烦”的公司，将难以跟上步伐。
建立稳固骨干和敏捷前沿的公司则会学得更快。它们会更早发现更优的工作流，将通才、专家和领导者合理搭配并调配到价值更高的工作中，还会把局部实验转化为可复用的模式。
眼下的问题或许是“我们如何成功采用 AI？”，但很快就必须变成“随着 AI 改变工作，我们的组织能以多快的速度适应？”
行动迟缓的组织即使拥有强大的 AI，依然会行动迟缓；适应力强的组织拥有强大的 AI，则会形成复利效应。