AI 组织转型

组织转型最容易犯的错误，是把"AI 能做这件事"等同于"AI 应该替代这个岗位"。 这两者之间有一个巨大的间隙：任务的可替代性，和职能的可替代性，是完全不同的问题。

AI 替代的是吞吐量，不是判断

Klarna 的案例是目前最有教育意义的反转。2024 年，Klarna 的 AI 助手接管了大规模客服工作；2025 年，Klarna 宣布重新招募人工客服——原因是 AI 处理常规量很好，但面对复杂情绪化问题时质量下滑，客户满意度下降。

Klarna 的反转揭示了一个更深的问题：组织误判了哪些工作属于"吞吐量"，哪些属于"判断"。 吞吐量工作有标准答案，可以被衡量，可以被优化；判断工作的核心是处理例外、模糊情境和利益冲突，这些恰好是 AI 最不稳定的地方。绝大多数职能里，两者都存在且混杂在一起，简单地"替换一个岗位"往往切不准边界。

IBM 的路径更接近实际会发生的事：大量 HR 岗位被 AI 接管，但省下来的预算转向扩招工程师和销售人员——总人数没减少，组成在变。这种"结构性置换"比 Klarna 式的直接替代更普遍，也更难在新闻里被注意到。

中层管理的真实功能被误解了

"AI 会压缩中层管理"这个判断是对的，但原因通常被说错了。 常见的说法是：中层主要做信息传递，而 AI 可以直接汇总信息，因此中层会消失。这个逻辑只对了一半。

中层管理确实做信息传递，但那不是它存在的真正理由。中层真正难以替代的功能是：处理组织冲突、校准团队士气、传递文化和判断标准、在信息不完整时做局部决策。这些功能是组织的免疫系统，与信息路由是两类不同的事情。

被 AI 压缩的，是那些主要做信息路由的中层职位——状态汇报、进度同步、例行协调。保留下来的，是真正在做局部判断和组织维护的职位。区别不在于职级，在于这个人实际在做什么。

管理跨度在扩大是真实发生的，但这意味着每个管理者需要管更多人，判断质量的要求反而在提高，而不是管理工作在变少。

组织设计：从围绕"人"到围绕"事"

传统组织的最小单元是岗位，AI 时代的最小单元应该是任务。 这不只是描述方式的变化，而是组织设计逻辑的根本转变。

围绕人设计，工作依附于人：某件事谁负责、谁掌握上下文、谁知道规则，这些信息在人脑里流转，靠沟通传递。这套逻辑在纯人工协作里运转是因为人有足够的上下文理解能力来弥补信息不完整。围绕事设计，工作变成可被持续推进、复盘和交接的系统：每件事有清晰目标、上下文、输入输出、责任边界和判断标准，这些信息存在于系统里而不是某个人的脑子里。

这两种设计在纯人工协作时差别不大，但引入 AI 后差别被放大。 AI 无法像人一样靠非正式渠道补充缺失的上下文：需求不清晰，它会做错方向的事；规则没有显式化，它无法遵循；判断标准没有文档化，它只能猜。如果一个工作需要"靠人来弥补信息不完整"才能推进，AI 就无法有效参与这个工作。否则人会变成系统之间的摆渡工——从邮件、聊天、审批、工单手动提取信息给 AI，再把结果搬回系统。

组织的真正瓶颈是信息架构

组织的 AI 化能力，很大程度上取决于它的信息架构有多清晰，而不只是用了什么 AI 工具。 大多数组织的信息流是为人设计的：需求靠口头传达，规则靠非正式共识，判断标准靠经验积累在人脑里。

这也是为什么 AI 原生公司和传统公司加 AI 的效果差距如此明显。 AI 原生公司从一开始就假设所有流程需要可机读、可追踪、可审计；传统公司在现有结构上叠加 AI，经常发现 AI 的效果被信息架构的混乱所稀释。Perplexity 以极少的销售人力维护大量企业客户，背后是整个服务流程从一开始就为 AI 参与而设计，模型能力只是前提之一。

专家和 Agent 的协作边界

"少数专家 + 大量 Agent"的图景是准确的，但"专家"需要重新定义。 在 AI 可以生成合理答案的领域，专家的价值不再是"知道答案"，而是"知道哪个答案是真正对的"，以及"知道这个问题值不值得被这样问"。

这个转变意味着组织需要的"专家"，是那些能够定义问题、设计判断标准、在 AI 给出多个合理方案时做出取舍的人——而不是那些能够生产更多内容或执行更多任务的人。单纯执行量的专家正在贬值，判断质量的专家正在升值。

中层与信息相关的工作会被更快压缩，但更难被替代的是：定义问题、跨域判断、建立信任、创造共识、处理冲突和承担责任。这些能力的共同点，是它们需要在信息不完整、利益有冲突、后果有风险的条件下做出决定——而这恰好是 AI 最难胜任的条件组合。