浦江科技评论｜从“用AI”到“成为AI组织”

本文来自微信公众号： 猫头鹰科技社 ，作者：浦江科技评论，原文标题：《浦江科技评论｜从“用AI”到“成为AI组织”》｜浦江科技评论·PUJIANG TECHNOLOGY REVIEW｜越来越多企业将AI接入业务流程，投入增加带来效率提升，却没有带来必然的利润改善。

差距往往不在模型能力。AI原生组织并非“更多使用AI”，而是让AI进入核心价值创造与决策链路。-2026年2月，Block创始人杰克·多尔西（Jack Dorsey）宣布裁员约4000人，占员工总数的40%。

他的解释直白得近乎冷酷：AI让公司的工程产出提升了40%以上，Block要转型为“更小、更快、智能原生”的公司。他同时预测，大多数公司将在未来一年内做出类似的结构性调整。几乎在同一时间，Notion部署的AI Agent已超过700个，与约1000名员工协作处理重复性工作——在Notion，人与数字同事的编制比首次接近1:1。

中国这边同样热闹。几乎每一家上市公司的年报都在讲AI转型，AI原生创业公司的名单每个季度都在变长，“AI Native”（AI原生）成为投资人与企业家口中的高频词。但热词总是跑在定义前面。

“使用了AI”并不意味着企业已经成为AI原生组织，这其中存在着巨大的鸿沟。因此，本文试图回答三个基础的问题：组织为何需要进化，什么是AI原生组织，以及企业应如何开始这一过程。组织为什么要进化：先看数据，再看时代麦肯锡2025年11月发布《AI现状全球调查》，覆盖105个国家、1993名受访者。

该调查显示，88%的组织已经在至少一个业务板块中经常使用AI，62%在试用AI Agent——渗透率之高，近乎普及。但同一批受访者中，只有39%报告AI对企业利润（EBIT）产生了影响，其中大多数人的回答是“影响不足EBIT的5%”；

能称得上“AI高绩效者”（EBIT影响超5%并创造显著价值）的，只有6%。约2/3的组织，还没有开始把AI规模化。麻省理工学院（MIT）媒体实验室发起一个名为NANDA的研究项目。

2025年7月，他们发布了题为《生成式AI鸿沟》（The GenAI Divide）的报告，结论更为直接：企业在生成式AI上已投入300亿到400亿美元，但95%的组织没有获得可测量的损益回报。

超过80%的企业试点过ChatGPT或Copilot类工具，40%完成部署。然而这些工具主要改变的是个人效率，不是企业的损益表。评估过企业级AI系统的公司中，只有20%走到试点，AI最终规模化进入生产的仅5%。

Gartner在2025年的调查也给出了类似的结论，不到30%的AI负责人报告称，自家CEO对AI投资回报感到满意。Gartner同时预测，到2027年年底，超过40%的Agentic AI项目将因成本、价值不清或风控不足而被取消。

中国的数据表现几乎一致。埃森哲《2025中国企业数字化转型指数》显示，在被调研的163家中国企业中，46%正在规模化应用生成式AI，但由此实现生产效率、收入、利润显著提升的只有9%；

为适配AI驱动的协作模式而重新设计过组织架构的只有34%。中国信通院2026年1月的制造业观察报告显示，大模型应用超过40%聚集在客服等运营管理环节，真正进入生产制造核心环节的，2025年刚超过1/4（25.9%）。

投入是海量的，渗透是广泛的，回报率是个位数的。这就是2026年企业使用AI的真实横截面。AI进了企业，但没进业务；进了岗位，但没进流程；进了预算，但没进损益表。旧瓶装新酒：瓶子没变，酒再好也只是摆设。

不过，同一批数据里还埋着一条更值得注意的暗线。麦肯锡发现，那些“AI高绩效者”彻底重新设计工作流程的可能性，是其他企业的近3倍；由高管亲自推动AI议程的可能性，是其他企业的3倍（48%对16%）。

鸿沟的两边，差的不是模型，而是组织。社交媒体X上有一篇广为流传的热文《AI时代最宽的护城河》（The next biggest moat in AI），来自硅谷知名风投Foundation Capital的合伙人贾娅·古普塔（Jaya Gupta）。

她观察到，产品、技术、赛道都在以肉眼可见的速度收敛，真正抄不走的是底层的组织结构。而组织为什么必须进化？因为AI对这个时代的意义，与火和电对人类社会的意义是同一级别的。火带来体能的释放，人类第一次把体外能源纳入生存系统，肌肉不再是一切动力的来源；

电带来工业产能的释放，动力第一次可以被无限分割、精确分配、即时传输，工厂、流水线与现代城市由此形成。而AI带来的，是人机协同的智能的释放：判断、分析、创作、决策这些曾被锁在人类头脑里的能力，第一次可以被规模化地调用、编排与放大。

经济学把这类技术称为通用目的技术：它们不属于某个行业，而是改写所有行业的底层条件。工具级别的技术只需要采购，生产力级别的技术必然要求组织重构。把火当炉具的企业，和把火当生产力的企业，结局从来不同。

AI原生：一种正在被定义的组织能力这关乎“改变”的性质。科学史家库恩用“范式”描述一个共同体共享的底层假设：世界如何运转，问题如何定义，答案如何判定。范式不是方法，是方法背后的操作系统。

工业时代的组织范式是分工、科层与标准化，它回答的问题是“如何让人像机器一样可靠”。互联网时代的范式是连接、平台与网络效应，它回答“如何让信息流动得更快”。AI时代的范式正在成形：智能第一次成为可以编排的生产要素，组织必须回答一个新问题——如何让人与机器智能协同工作。

所以，重构与改造是两回事。改造是在旧范式内优化：把蒸汽机搬进水车房，效率会提高，工厂不会变。重构是围绕新的动力重建整座工厂。用AI去做改造的，得到的只是更贵的旧组织；用AI去做重构的，才可能长出新组织。

第一部分那组数据的95%与9%，绝大多数是“改造”的账单。那么，什么是AI原生组织？过去一年，全球一线机构给出了各自的判定标尺。YC与红杉等创投机构的判定依据是“移除AI测试”：关停企业全部AI能力，核心商业闭环直接失效的，才算AI原生。

哈佛商学院的表述更学术：AI原生企业的生产函数中，核心变量是AI，而非人力与软件。麦肯锡提出组织七大准则，强调仅产品AI化不够，组织、决策、数据治理必须全链路重构。a16z看企业护城河：壁垒必须全部来自AI体系，即私有模型、数据飞轮、Agent流程。

高盛看收入逻辑：客户付费买的是AI交付的业务结果，而不是软件席位。亚马逊云科技给初创企业划线：智能体、定制模型、原生数据闭环，三者至少占二。｜AI原生组织的六个判定视角六把标尺量的是同一个对象。

把它们的判定逻辑收敛，可以得出AI原生组织的两个核心条件。其一，AI飞轮驱动核心价值创造。用户交互产生数据，数据反哺模型与知识库，能力提升带来更多交互，飞轮一旦停转，核心价值即告中断。

其二，AI参与核心决策。决策链路中有人机联合判断，而非仅由AI做事后辅助分析。两条缺一，是AI赋能，不是AI原生。这个定义也修正了一个流行误解：AI原生不等于初创公司。一家初创企业若仅使用AI为员工提效，仍不是原生组织；

一家传统制造企业若某块业务已做到AI自主运转、人只监控例外，这块业务就具备原生属性，判定依据是业务的人机关系实况。组织进化：一号位先行，三度检验如何开始组织进化？起点不在组织，而是在企业的“一号位”。

前文麦肯锡的数据已经给出证据：AI高绩效组织由高管亲自推动AI议程的可能性是普通组织的3倍。AI转型如果授权给IT部门或外部供应商，最常见的结局就是成为第一部分那95%——买了一堆工具，组织没有变。

一号位如何进化？这里有三个建议，都不新鲜，但都难在坚持。首先，广泛用。一号位自身的手感不可替代，各种类型的AI工具自己每天用，与只是用过和听过，会带来两种认知。而一号位对AI的理解如果全部来自汇报，判断就只能依赖别人的滤镜。

其次，想清楚。具体来说是：未来六个月，一号位决定用AI解决公司的哪三个问题？想不清楚这三个问题，AI转型就只能停留在采购清单上。这三个问题应当来自战略最痛处，而不是技术最易处。最后，一直学。

这个领域的知识半衰期以月计。一号位的学习速度，就是组织进化的上限。一号位想清楚之后，组织进化的第一块检验石是AI浓度：AI在企业价值创造中的权重。第一种浓度是“AI in all”：全公司到处都在做试点，每个部门都有AI项目，热闹而分散。

这种浓度大多是猎奇、跟风与工具化的产物。AI是点缀，业务、组织、人都没有实质改变，也就是“make for human with AI”：让AI给人帮忙，AI是副驾驶。第二种浓度是“all in AI”：一号位想清楚AI将如何重塑这家企业，把企业建在AI上。

业务流程围绕模型推理与Agent编排重新设计，人嵌入AI的流程，即“make for AI”。组织真正为AI而建，让AI成为生产函数的主引擎。这个逻辑并不陌生。20年前，企业纷纷把自己建在互联网上；

10年前，建在云上；今天，轮到建在AI上。建在网上改变的是连接，建在云上改变的是算力，建在AI上改变的，是分工与决策本身。第二块检验石是人才密度。不是员工总数，而是人才结构。AI时代的高密度组织呈哑铃形，哑铃的两端，是两种关键角色。

一端，是AI时代的“老法师”，他们并非仅凭资历取胜，而是在长期实践中将经验转化为稳定判断的人。其形成通常经历三个阶段：始于直觉，即对一件事有真正的兴趣与热爱；大量训练，即在真实场景里反复打磨；

回归直觉，即把经验沉淀为判断力与深度洞察。AI可以给出答案，但给不出问题的品位；AI可以生成方案，但替不了关键时刻的拍板。老法师的价值，正在于品位与判断。这是人机协同时代最稀缺的人力资源。

另一端，是AI时代的“新生力量”（fresh builder）。他们年轻，没有过往成功经验形成的惯性约束，学得快、用得快，很短时间就能“手搓”一个Agent解决一个具体问题。他们不等待组织安排任务，自己就是组织的探针——哪里有问题，哪里就有他们搓出来的小工具。

一号位不妨盘点一下：这两种角色，在组织里各有多少？如果老法师被流程消磨了判断力，fresh builder被编制挡住了去路，人才密度就形同虚设。而挡在他们前面的，往往正是那个纹丝不动的中间层。

第三块检验石是组织“态度”，“态”是形态的态。固态组织是工业时代科层制的产物：等级森严，自上而下层层传导，强调层层对齐；管理的基本动作是“老三定”——定编、定岗、定薪。固态组织擅长执行已知的任务，却拙于应对未知的变化。

液态组织是另一种形态：召之即来，来之即战，战之即胜，胜之即散。它以场景为起点、以项目为基准组建团队，任务完成即解散回归，“新三定”（定场景、定项目、定流程）取代“老三定”。过去，液态组织的建立难在协调成本太高，而Agent的加入让一切变得可行。

流程在Agent之间自动流转，人负责监控与处理例外。前文埃森哲的数据在这里回响：只有34%的中国企业重新设计过组织架构。组织“态”度是三“度”中最难伪装也最难改变的一个维度。产品可以包装，人才可以招聘，但决策链路与考核指挥棒会暴露组织的真实形态。

再回到文章开头那组数据。88%在用，9%见效——鸿沟的两边，用的其实是同一批模型。差的不在AI，在组织。进化的顺序也因此厘清：先有一号位的进化，再用浓度、密度、“态”度三度去检验和推动组织的进化。

结语：三个观察，三个预判最后，分享我对当下的三个观察，以及对未来的三个预判。第一个观察：“95%”不是技术的判决书，是组织的成绩单。MIT那组数据流传最广的读法是“AI泡沫论”，这是误读。

同一份报告显示，通用工具几乎人人都在用，失败集中在需要与流程深度耦合的企业级系统，技术已经就位，卡住的是组织。这也是为什么这篇综述把“如何进化”的篇幅留给一号位与三度检验，而不是模型选型。

第二个观察：“人机编制比”正在成为新的组织指标。Notion的1:1不是孤例，更不是终点。当Agent像员工一样被编排、被考核、被计入产出，人力资源的边界就被改写了。未来几年，年报里除了员工总数，或许会出现“数字员工”一栏。

率先认真披露它的公司，大概率就是榜单上的公司。第三个观察关于中国：我们不缺场景，不缺工程师，不缺应用速度，缺的是组织重构的决心。46%的企业在规模化应用AI，只有34%动过组织架构，这个差值代表了中国企业的真实处境，也代表了最大的改进空间。

火和电的历史都证明，通用目的技术的红利，最终不属于最早采购它的人，而属于重构组织最坚决的人。至于未来，关于AI组织自身的演变，我有三个预判。其一，组织的规模逻辑会被改写：哑铃形人才结构从趋势变成常态，中间层持续被压缩，极小团队做出过去大公司级别的产出将成为常见现象。

其二，决策权会持续向AI让渡：从AI辅助决策，到人机联合决策，再到核心流程由AI自主运转、人只监控例外，从“人在环中”走向“人在环上”，会成为越来越多行业的默认形态；管理的对象，也将从人，变成“人+Agent”组成的系统。

其三，护城河会从“拥有AI”迁向“组织AI”：模型能力会商品化、人人可得，真正难以复制的是数据飞轮与液态组织形态。未来拉开差距的，不是买了什么模型，而是建成了什么组织。若干年后回看，2026年大概率会被记作这场演变的元年：不是因为这一年技术成熟了，而是因为这一年，组织开始认真对待它了。

火可以用来取暖，也可以用来锻造；电可以用来点灯，也可以用来驱动产线；AI可以用来做PPT，也可以用来重构组织。技术从不强迫谁，它只是把选择的代价，留给了不做选择的人。