天乐是很难得的既非常 AI 原生本质思考，又务实赚钱理解市场的创业者。

他的艾语智能，每个月从中国 3000 个法院批量提起 1 到 2 万件小额信贷诉讼，回款率比传统律师更高——靠的不是施压，而是立案之后陪客户分期一年、两年、三年慢慢还。这期节目他把整套反认知摊开来讲：为什么打电话是在无效流程上做效率优化，为什么 AI 的正确用法是给人下任务而不是替人打电话，为什么传统的人类系统对 AI 来说「不是不友好，是一个灾难」。

下半场更生猛：他的公司一天上线两三百次、砍掉了测试岗、没有人再看代码，研发从 20 人降到个位数，山西作业中心的大专生一线员工直接拿到数据库和代码权限自己改系统，连司机都在 vibe coding。做了一个 skill，定期蒸馏 Anthropic 高管的文章来对齐公司架构——「他说干咱就干，他说不干咱就不干」。

我们去看 Anthropic，会发现他们非常不像传统企业在分工，而很像是在流动——各种各样的人在做各种各样莫名其妙的事情，不同的资源在系统里面自由流动那种感觉。比如 Claude Code 的第一版，就是 Boris 为了熟悉 API 随手写的小工具，功能是用 AppleScript 告诉你办公室里正在放什么歌。没有立项，没有 PRD，就是一件莫名其妙的事。

往大道理上讲，就是每一个人工作的起点变了。以前我们的起点来自我们的部门、来自我们的岗位、来自我们的 JD、来自我们的日常工作安排；但未来是不是不会来自这些明确的东西，而是来自机会、来自问题。

就是当我们每个人都要去识别哪个方向有机会、有潜力，然后就去搞；搞了之后需要更多的资源，别人如果也觉得"诶，这条线上有机会有潜力"，他们就会聚集过来——相当于自我重新组织，然后资源就随之流动。Claude Code 内部放出的第一天，20% 的工程师在用，第五天 50%；第二个工程师就是自己加进来的，全程没有开过一次资源分配会。

这个流动不是管理层分配的，而是一种涌现和被吸引的过程。新想法越是靠谱、越是牛逼，参与者就越多，推进速度就越快。等于资源分配权从年度预算会挪到了内部采用率上——前者一年校准一次，后者每天校准一次。在一个未知的未知的世界里，校准频率就是命。

所以从这个角度上讲，一个公司更像是一锅原始汤，里面会有各种的微生物在自我进化。那这样子就很好——公司其实就要提供很好的 Infra 和愿景，然后把无序的行动围绕着一个大目标去做，来提高效率。

所以这其实是一种探索、共创和涌现的过程，也是更加 AI native 的一个过程。

未来最重要的位置，第一个就是占据用户上下文的位置，第二个就是得到用户信任去帮忙编排能力的位置。

比如我要去旅行。现在携程可以帮我订机票、订酒店、订车，对吧？但如果我上一班车耽误了，谁来帮我订下一班？没有火车了，它怎么帮我找到最近的汽车，或者看看有没有顺风车可以打？我几点没去成哪个景点、已经错过了，后面的流程该怎么改？它应该在整个过程当中实时地做调配。顺利的行程谁都排得出来，模板就够了；真正区分编排能力的是计划破了之后——那时候要的不是查一下，是在一堆新约束下重新解一遍题：时间窗口变了，花掉的钱退不回来，明天早上八点还必须到。这一段今天的实际归宿是什么？是你自己打客服电话，自己重新查一遍。这块没人认领的地带，就是那个第二位置。

有了这个编排能力，它可以把各家的能力集合起来；但它得有我的授权去编排，这就很重要。把各家能力接起来是技术问题，替我拍板下单是权限问题。

所以就两件事：第一，它了解我；第二，我信任它。这两件事还互相喂养——因为它了解我，它的建议就靠谱，我就更信它；因为我更信它，我就让它看更多、替我做更多，它就更了解我。后来者要追的不是功能差距，是一段没法快进的相处历史。

至于调度其他家，我觉得相对没有那么难。因为大家最后都会把 CLI 贡献出来——不贡献的，等于把自己从 Agent 的候选名单里划掉了。就算不贡献，AI 也可以假装成人类去调度。

所以最后最关键的，就是看谁拿到上下文、谁拿到信任。接口会被协议统一，供给可以明码标价，这两样都买得到；上下文要靠时间攒，信任要靠一次一次不出事攒。攒出来的这两样，才是真的位置。

现在的组织里面，所有存在的这些东西，都是为了解决特定的问题，而这个特定的问题，都有存在的真实的理由。

层级存在，是因为传话贵。一个人管不了一百个人，本质是传话的带宽和失真率撑不住，只好一层一层设中继站。

部门存在，是因为跨专业协作贵。技术听不懂市场，财务听不懂产品，跨界对话要翻译，翻译太贵，就干脆把同专业的人圈在一起自己闭环。

流程存在，是因为验证与信任贵。逐件检查产出太贵，只好规定动作，用「按步骤做了」代替「做对了」。

会议存在，是因为对齐贵。一对一同步太贵，就把十个人锁进一个房间，把对齐成本批发处理。

KPI 与考核存在，是因为观测贵——我看不见结果，所以只能考核动作，考勤、拜访量、代码行数，全是结果不可见逼出来的替身。

这些理由在 AI 的冲击下，都不一定再继续为真。那可能就会发生新的变化。

传话可以不经过人了：大家直接问同一个拿着全量上下文的中枢，中继站的理由就空了。跨专业的翻译 AI 全包了：它同时讲技术、市场、财务的语言，按专业圈人的理由就松了。逐件验证的成本被打到接近零：机检、eval、全量抽查都便宜了，那就直接查结果，何必规定动作。结果第一次变得全程可观测：每单、每次交互都留痕可评，这时候还在考核动作，就是在奖励表演。

换个说法，组织结构其实是昨天的成本结构的化石。你今天看到的层级、部门、流程，都是几十年前某种「贵」的最优解被冻结下来的形状。化石的问题不是它错了，是它记录的那个环境已经不在了。

所以 AI 转型的第一问，不是「哪里能用上 AI」，是拿着这张清单逐行问：这个零件当年解决的那种贵，今天还贵吗？

理由还在的零件，留着。理由已经死了的，不是优化它，是拆掉它——给失去理由的零件降本增效，就是给一个要消失的环节提效。

层级并不是管理的产物，而是「看不见」的补丁。

以前大家都能看到自己的工人在工作，你就不需要层级。但有了火车之后，你看不见火车在哪里，所以你需要层级、需要汇报、需要汇总。这不是打比方，现代管理层级就是铁路公司发明的：车一开出视线，只能靠电报、报表、分段负责把「看不见」补回来，史上第一张现代组织架构图，画的就是一家铁路公司。所以其实是用层级在做信息的管理。但如果我们可以全量地拿到信息，其实就不需要那么多层级。

拆开看是三个事情：看不见、管不着、处理不了。看不见，所以要一层层往上汇报；管不着，所以要一层层往下传达；信息爆炸处理不了，所以每一层都要先汇总压缩一遍再往上递。这么看，每个中层其实是一台人肉压缩机：往上，把一百条现场信息压成三页汇报，丢一次细节；往下，把一句战略解压成具体动作，再丢一次。层级越多，压缩解压的次数越多，丢得越多——大公司「上面说的」和「下面做的」总对不上，就是这么来的。

如果信息可以直接通下去，下面的信息又可以直接上来，我处理不了的爆炸信息量也有东西替我处理——这三个事情现在通过 AI 都可以做到的话，其实就不需要那么多层级了，每一层就可以更薄。

甚至包括：以前我们可能要分很多层级，大区、小区什么的。现在你开店就是很扁平，一个很小的总部可以开很多很多家店。这不是因为店长变强了，恰恰是我们对每一层的要求都在降低：店长不需要那么聪明了，因为总部的 AI 会告诉他这个店怎么管；也不需要大区小区那么多层级，因为上面可以直接跟下面上传下达，会更简单。判断从每一层抽走、集中到系统，再按需下发。

当然层级不会自动退干净。三个事情里最难交出去的是「管不着」——指令直达末端容易，末端出了错谁负责，这题 AI 接不走。层级最后剩下的那层薄薄的东西，大概率就是它。

所以层级不是被一刀砍掉的。是每一层先变薄，薄到一定程度，相邻两层就能合并，有些层就没必要存在了。

用上 AI 工具提效，但组织流程不变，就像晚清搞北洋水师。

买了新式军舰，却没有新式海军。

船买了——定远、镇远，德国造的一等铁甲舰，当年亚洲吨位最大。炮装了，看上去就现代化了。但是军舰不是海军。真正的海军要包括训练、情报、维护、补给、指挥体系、作战条例，以及不同舰艇之间的协同。这些东西不变的话，越先进的船，就越容易暴露旧组织的短板。

十年后甲午一战，全军覆没。

买船容易。新的技术、新的战法、新的编制、新的武器——这些东西是要协调、一起演化，才能产生好的效果。没有新技术的话，新组织有时候是无本之木，没有必要；但是没有新组织的话，新技术只能给旧系统提速，并不能发挥新技术本质的价值。

我们现在给每个员工一个 AI 账号，也是这样：工具是新的，但是任务怎么分？怎么协调？信息怎么流？谁来做决定？出错怎么负责？经验怎么沉淀？全是旧的打法。那就跟北洋水师很像——其实没有用。

有了新的兵器，要重新发明新的兵种、编制、训练、补给系统和作战方式，才能够叫做建成了新军。

这不只是个说法。甲午之后清廷练的那支兵，就是把兵种、编制、训练、补给和作战方式重新发明了一遍，所以它的名字就叫「新军」。

船可以买，海军只能靠自己变革出来。

昆仑万维用 AI 把一部短剧的制作成本从 20 万美元砍到 2 万美元，砍掉九成——然后 2025 年归母净亏 15.93 亿，连亏第二年。

把成本砍掉九成，然后亏得更多。这不是管理问题，是生态位问题。链条是这样的：制作变便宜，短剧供给暴涨；用户注意力没有同比增长，单部剧命中率下降；为了抢同一个用户，大家抬高投流出价；省下来的制作费，被重新投进广告竞价。昆仑万维的销售费用率 51.01%——每收进 100 块钱，51 块花在买流量上。技术红利没有消失，它被收走了，收走它的是控着流量入口的人。

对比字节。番茄小说出经过验证的 IP，Seedance 出生成能力，剪映占创作工作流，抖音和 TikTok 管分发，巨量引擎控广告竞价，红果承接消费和变现，最后完播和付费数据再回流选题系统。它真正厉害的不是每层都吃一口，而是可以让某几层免费甚至亏钱，只在自己最有定价权的一层赚钱。昆仑万维拥有产品，字节拥有生态主权：前者每增长一步都在给别人交租，后者增长越大内部飞轮越强。

为什么都降本增效了，有人赚钱、有人越亏？因为你砍掉的成本，同行也砍得掉。省下来的钱会在竞争里被让渡出去，流向大家共同绕不开的那个环节。19 世纪农业机械化没让佃农变富——增产的收益被地租涨幅吃掉了。投流竞价就是现代地租，出价一直抬到刚好不亏为止。

所以看一个生态位好不好，我会先问三句：这波技术让我的互补品变便宜，还是让我自己变便宜？产业越繁荣，我控制的东西是更稀缺，还是更过剩？上下游有没有人涨一次价，我就由盈转亏？

降本增效改变的是成本结构，不改变议价结构；利润永远跟着议价结构走。

施泰因梅茨给福特开过一张著名的账单：画一条线，1 美元；知道在哪里画，9999 美元。AI 来了，这张账单要重写了——那 9999 美元的判断，现在几秒钟、几毛钱。

那人是不是只剩下 1 美元的画线动作了？不是。因为我们过去把一整串事情，都藏在"知道"这两个字里：谁告诉专家工厂真正发生了什么？十个可能的原因里，谁判断哪一个值得冒险？谁有权让整条生产线停下来？修完以后，谁能证明问题真的解决了？判断错了、机器烧了，谁赔？

AI 首先打便宜的，只是"给出一个判断"。但判断要变成真实结果，中间还隔着现场、验证、授权、行动和责任。所以 AI 时代真正的新账单可能是：给出在哪里画线的建议，1 美元；确认这条线适用于眼前这台真实机器，999 美元；安全地拆开、修复、恢复生产，3000 美元；如果判断错了我承担损失，6000 美元。

新的 9999 美元并没有消失，它只是从我知道，搬到了我验证、我做到和我负责。

这也解释了为什么最先受冲击的，是仅仅依靠专业知识收费的人：咨询、分析、诊断、推荐、初级审核——只要交付的终点是一份答案，这份答案就会越来越便宜。而新的价值会流向五个位置：拥有别人拿不到的现场数据的人；能定义什么叫"做对了"的人；能把判断变成真实行动的人；握着客户、系统和执行权限的人；敢为结果签字、担保、赔偿的人。

更深的一层：判断变便宜，判断的数量会爆炸。过去只有最重要的机器，才值得请施泰因梅茨看一次；未来每台机器、每个零件、每一分钟，都能得到一次判断。于是新的稀缺不再是"有没有人看得出来"，而是——这么多判断里哪些值得行动、谁有能力行动、谁能验证有效、谁敢为结果负责。

所以 AI 时代最危险的位置，是你的全部价值只建立在"我比别人知道得多"。旧时代最贵的一句话是：我知道应该在哪里画线。AI 时代最贵的一句话可能变成：线可以让 AI 来画，但这台机器能不能重新开起来，我负责。

组织 AI 转型，需要这 4 个维度的推动。

Leadership：简单讲，就是老板得用，而且得用得好（只会截屏豆包聊天记录发微信群里的就算了），下面才会知道这是动真格的。建议每个老板给自己找一个小助理，帮自己把 Codex 或者 Claude Code 装好 & 每天一起聊天（老板习惯和人聊）找 3 件事儿让 AI 干掉，然后把成果广播给全员。同时，要不停地和公司里面已经用好 AI 的员工开会、鼓励、涨薪水，让大家看到”上有所好“。

Lab：可以理解成一个小的”孵化器“或者”AI 支持中心“，和业务方一起做出各种试点 Demo。第一部的极简落地工作，其实应该是帮业务关键人的电脑上都装好 CC 或者 Codex，然后陪着工作两天，演示各种实战场景，让大家先感知到神奇。有了直观感知之后，再一起探索试点项目。

Crowd：推动 AI 最好的人才，不是我这种外部讲 PPT 讲得漂亮的，而是你组织里面已经自己偷偷在用 AI 的（哪怕是用 AI 在干私活）。这一层的活，不是"推广 AI"，是把这些人挖出来、正名、放进 Lab，给出激励。一线才是真正的发现引擎，要让所有人看到”用 AI“是升职加薪捷径，让更多的人自己跳出来。

Infra：Lab 跑通一个试点，往往卡在放大——权限、数据接口、合规、算力，全是小队搞不定的。Infra 就是把这些公共管道铺好，让一个成功的试点能低成本复制到全公司，而不是停在 demo、或卡在 IT 排期里。

四层连起来其实是一台泵：Crowd 发现、Lab 产品化、Infra 放大、Leadership 让整台泵敢转。哪一层缺了，水都打不上来。

刚发现安克在 WaytoAGI 讲了六堂课分享他们怎么做 AI 落地和流程重构，真的非常朴素务实精彩。哪位同学认识安克搞 AI 转型的同学的话求介绍认识呀，感谢。