刚深度请教了一个真正把大公司 AI 转型做成功的朋友，到底是怎么操作的。听完最大的感受是重剑无锋。

除了方法要对，更重要的其实是有没有决心投入。

举例来说，我自己也会给一些大公司做顾问，常见的做法是搞黑客松、陪跑之类，一两天下来能出一堆很漂亮的 Demo、PPT，甚至 PR 稿。但其实真正落地、规模化都很难，更谈不上形成长期的组织能力。

我之前一直在想，有没有更好的方法和工具，可以提高落地成功的转化率。

但他们真正成功的打法其实朴素得多：把最强的业务专家和支持团队直接全职抽调出来，一两个月关“小黑屋”，一遍一遍过项目，现场相互激发，一轮一轮打磨、完善、跑通，直到真的能用，再放出来。

这种决心和投入，以及内部推动的难度，大概是常见一两天黑客松的 100 倍。

光这一条，其实就已经可以过滤掉 90% 的公司。

越来越深切地觉得，很多时候我们没有取得期待的成果，最大的原因并不是方法论不够先进、奇技淫巧不够丰富，而是决心不够、投入不够。

很多所谓“方法问题”，其实都是 commitment 问题。

给小家伙做了个推币机。

前两天带他去游戏厅玩推币机，他玩得非常嗨，我也玩得很嗨。

我突然觉得，推币机的设计还挺“科学”的：不停吊着你的胃口，让你总觉得下一把马上就能搞票大的，不断给你一点点正反馈期待、刺激分泌多巴胺，上瘾机制设计得非常好。

于是回来之后，马上动手改了专门给小家伙做的识字软件。

之前是每认完一些字，会给他各种积分、加些连发奖励。现在直接加了个推币机 + 老虎机：每认一个字，那边就掉一个硬币，直接推动推币机，时时刻刻让他期待“再来一个，马上就有大奖了”。

推到彩蛋还会触发老虎机；还可以堆塔推塔；几次大奖之后连发还能期待超超级大奖……

总之就是把各种赌场忽悠人的招数，全都用来套路自己孩子多认认中文字 😂

明天开始测试，看效果怎么样。

这期是任鑫和徐文浩连麦：从 OPC 和 FDE 两个热词的降温，聊到国产模型的井喷、蒸馏的争议、模型会不会变成水电煤，再聊到徐文浩对 DeepSeek 新 harness 的独家判断——骂的人和夸的人可能都没看到点子上，它不是一个好的 agent，但可能是「可塑软件」时代一个很有意思的内核。

「不改组织的话，AI 干的活算谁的功劳呢？」

听说了 XMind 在做激进的 AI 组织转型，就赶紧约 Mango 聊了一场，听听这个老牌创业公司，如何把自己从五十多人的部门制，重装成三十人左右的「圈子制」：解散测试团队、打散增长和市场部门、职能部门退化成社区，一个人拆成 0.2 和 0.5 的碎片人力到处「内部兼职」，绩效由 agent 记账、agent 打分。

这一期只谈实操：怎么分圈、怎么分活、怎么分钱，踩过哪些坑，团队走光了怎么办，保守的老板和激进的老板分别应该从哪一步开始。

如果你也在琢磨「AI 组织转型」到底怎么落地，这是一份带血带肉的第一手施工记录。

AI 不是组织的工具，是组织的替代品。AI 组织转型不是改造组织来更好地用 AI，而是要用 AI 来完成组织功能：用 AI 来对齐、用 AI 推进、用 AI 来闭环。

（民宿随口聊的，音质不太好，见谅，下期就好了）

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。