目录
- 一、从百度的"职级合并"说起
- 二、组织为什么需要管理层：回到第一性原理
- 三、最先被冲击的两类岗位：中层夹心层与初级入门岗
- 四、判断力:为什么它会成为"相对"不可替代的能力
- 五、从"过程指标"到"价值产出"：激励机制的剧变
- 六、AI原生组织的几个轮廓
- 七、地基松动，而不是工具升级
一、从百度的"职级合并"说起
最近半年多，我一直在思考AI时代的组织管理体系，也陆续阅读了一些传统管理学书籍。结合百度在2026年4月底发布的一封全员信来看，这种变化正在变得更加具体：百度宣布取消过去T/P/E/Band/M等字母职级标签，统一并入5—12 级的数字职级体系；同时打通专业通道与管理通道。随后，组织调整的第二步是“减少汇报层级”，第三步则是“将决策权下放到一线”，很多人把这事当成一次普通的人力资源调整，觉得不过是改个名字、合个职级。我不这么看，如果你把视野拉远一点，这个动作发生在百度、发生在这个时间点，至少有四种不同强度的解释:
- 解释 A(我倾向的版本)： 百度2025年营收同比下降3%、归母净利润骤降76%的业绩压力，叠加AI工具进入"可在企业里大规模使用"的窗口，两股力撞在一起;
- 解释B： 李彦宏长期All in AI的政治叙事，需要一次组织调整作为旗帜——AI是动机，不是手段；
- 解释C： 百度过去十年里组织调整周期到了——这家公司大致每3-4年做一次大调整，与AI关系不大；
- 解释D： 整个互联网行业进入"降本增效"周期，扁平化是大趋势，百度只是赶上节奏，AI是叙事包装。
我没有办法在四个解释之间做出确定性归因——任何说自己能确定的人都在猜。但有意思的是，无论真实动机是哪一个，只要"业绩压力 + AI工具成熟 + 组织老化"这个三条件组合在更多公司出现，类似的动作就会反复发生。 这是一个robust的预期：即使我对百度的归因错了，核心趋势仍然成立。
所以我会更克制地说：未来12-24个月，在同时具备这三个条件的互联网中大型公司里，我们会反复看到职级扁平化、汇报层级压缩、专业通道打通这一类动作。 但这不是一个普适的"互联网公司全部跟进"的预言——比如字节本身一直在做"职级数字化 + 弱化头衔"的实验，Shopify和Stripe 走的是产品文化驱动的扁平化，这些公司不会、也不需要"跟着百度走"。每家公司是否落地、以什么形式落地，取决于上面三个条件中是否同时被激活。
之所以从百度切入，不是因为百度本身有多重要，而是因为它是一个非常具体的"信号样本"——但它是一个特化的样本， 不是平均样本。借由这个样本，我们能把一些一直在嘴上说、但很难具象化的问题摆到桌面上:
- AI时代的企业组织，跟我们过去20年熟悉的互联网公司组织，地基是不是同一个?
- 如果不是，那变化会从哪里开始发生?
- 哪些人会先被冲击，哪些岗位会反而加固?
- 个人应该怎么判断自己处在地基的哪一层?
下面这些都是我目前阶段性的思考，不是确定的结论。我尽量把推理过程展开来，也尽量明确标注每一处的不确定性边界 ——这样如果你不同意，我们能聚焦在具体哪一步出了分歧，而不是只在结论上互相隔空。
二、组织为什么需要管理层：回到第一性原理
要谈AI怎么改变组织，先得回到一个更根本的问题：组织当初为什么需要管理层?
这个问题听起来很基础，但你只要稍微问一下身边的同事，就会发现大多数人讲不清楚。讲不清楚就不能拍板说哪些动得了、哪些动不了。
组织存在的根本原因
我把它压缩成八条公理，简单讲一下，方便后面回扣。
第一，人的认知带宽有限： 一个人即便再聪明，也无法同时处理太多并行的任务。Brooks在《人月神话》里把这个事情说透了——加人不能解决进度问题。
第二，协调成本随人数非线性增长： 人多了之后,沟通通路是 条,开会、对齐、传达、扯皮,全部按平方往上飚。
第三，信息传递必然衰减： 人作为信息中转节点，每经过一层都会失真。所以传话筒模式天然就有耗损。
第四，责任必须绑在人身上： 不能让"代码自动写"或者"AI决定"去签字承担后果，所以一定有一个人是责任锚点。
第五，激励决定行为： 组织里的人不是天然往同一个方向用力，得靠激励机制把方向校齐。
第六，人有归属和意义需求: 这一点常被技术派低估，你给一个高薪offer解决不了"为什么要做这个"的问题。
第七，信息和决策在数字时代是零边际成本的——这条是互联网时代才出现的。
第八，AI让信息处理任务的边际成本急剧下降——但AI的可靠性边界仍在快速移动。注意：这一条我刻意没有写成"AI可以接管大多数信息处理任务"——那个表述是一个论点，不是公理,如果作为公理用就成了循环论证。真实情况是，AI在不同任务上的可靠性差异巨大：写脚手架代码已经接近"接管"，做架构决策仍然需要大量人类介入，跨服务跨系统的长上下文协作仍然不稳。Claude在SWE-bench Verified上的成绩70%多——意味着每3-4次任务就有1次需要人接手。这不是"接管",是"显著辅助"。
公理八的不确定性，是这篇文章后面所有论断的主要风险源头。如果未来两年AI能力曲线放缓，后面所有"中层夹心层被掏空"的预测速度都要打折；如果继续按当前节奏前进,预测速度甚至要往前赶。这一点请你阅读时保持警觉。
工业时代、互联网时代、AI时代的地基对比
把这八条公理放到三个时代里对照看,就能看出地基差在哪里。
工业时代的组织强调规模、流程和层级。原因很直接：因为公理一二三决定了,你要协调几千人造一辆车，必须靠层级把人切块、靠流程把动作切片、靠标准化把人变成可替换的零件。福特那条流水线、泰勒那套科学管理，都是为了让公理一(人的带宽有限)和公理二(协调成本)这两个约束在大规模制造场景下不至于彻底压垮组织。这个时代的核心能力是"规模复制"，组织地基是物理的——工厂、生产线、物流体系。
互联网时代的组织强调平台、协同、敏捷和网络效应。原因是公理七出现了——信息复制和传输的边际成本接近零。这就让公理三(信息衰减)的影响急剧下降，组织可以做得比工业时代扁平得多。Spotify的 squad、Netflix的highly aligned & loosely coupled、Stripe的high-context teams，本质都是在用工具和文化降低协调成本，让小团队拥有更大的自主权。这个时代的核心能力是"快速迭代和网络效应"，组织地基是数字的——平台、API、产品。
但这里有一个被严重低估的事实：互联网时代真正的扁平化是"高配版扁平" 。Netflix那种砍掉中层的玩法,前提是它招的全是行业前10%的"成年人"、给最高分位的薪酬、用keeper test持续筛人、再加上十几年磨出来的Culture Deck。文化在这种组织里实际上承担了"隐性管理层"的功能——它告诉员工没人盯着的时候该怎么决策、什么不能干。
Jo Freeman把扁平化失败的现象叫 "结构无序的暴政"——这个名字很准。喊扁平化喊得多响，落地时多半翻车——要么变成"假扁平"(层级没了但老板一个人拍板)，要么变成"乱扁平"(层级没了但谁也不知道事情该谁拍板)。
AI时代的组织呢？ 它的地基变化在于公理八——AI让信息处理的成本急剧下降。这不是说AI万能，而是说一个一直被人肉承担的"信息中转、整理、汇总、初步分析"工作，有相当一部分可以被工具吸收掉。
近一年我在反复想一件事：AI让"低配版扁平化"第一次成为一个对中型公司"部分可行"的选项。 但这件事必须配上几条很重要的边界条件，否则就成了空头支票。
先讲为什么"部分可行”：同一份企业Claude/ChatGPT，200人用和20人用单价差不多，但在200人公司释放的协调成本节约要大得多了；员工遇到不确定情况先问AI，AI会引用公司文档、历史决策、行业最佳实践——这个过程在过去需要一个高级中层来做。
但请注意几条诚实的反向论据，我把它们直接列出来，免得这个概念被过度推销:
- AI只补足了扁平化的一个维度——信息处理瓶颈。 但Netflix那种扁平化能跑通，真正的瓶颈是另外两件事：招聘到A+人才的能力和解雇低绩效员工的制度成本。AI没解决任何一个。
- 在中国语境下，后两件比美国更难——劳动法严格、社会期待"稳定就业"、绩效末位淘汰极易引发劳动仲裁。所以"低配版扁平化"在中国可能要更低配一些，实际形态可能只是"减少1-2层中层 + AI补位"，离Netflix仍有数量级的差距。
- AI替代的是中层的事务性工作，但中层最有价值的那一小块——做judgment call、辅导新人、在政治冲突里担保护伞——AI还远远做不到。
所以AI时代的组织地基变化，本质是这样：信息流、决策流、执行流被重新分配在"人 - AI - 人"之间。 过去由中层人肉承担的协调汇总，现在由AI承担一部分。这不是工具升级，是地基级别的重新浇筑——但浇筑速度和深度，在不同行业、不同公司、不同语境下差异巨大。
三、最先被冲击的两类岗位：中层夹心层与初级入门岗
要讨论冲击，先得知道冲击是不均匀的。
很多文章一上来就吓唬人："AI要替代X千万岗位"。这种话听听就行，没什么用。真正有信息量的问题是：在同一家公司里，哪些岗位先动、哪些岗位后动、哪些岗位反而会逆势加固?
把中层管理者一天到晚做的事拆开看。我一开始想用5类,但写出来发现漏掉了几件实际上很重要的事——尤其是那些AI替代度低的部分。所以最终我用8类，频次只用"高/中/低"这种模糊度量，因为具体百分比因公司、行业、业务阶段差异极大，给具体数字反而是一种伪精确。
| 中层职能 | 频次 | AI 介入度 | 注 |
|---|---|---|---|
| (a) 任务分解与分配 | 高 | 高 | 标准化任务,AI 容易做 |
| (b) 进度跟踪与汇报 | 高 | 高 | 模板化产物,AI 极擅长 |
| (c) 信息中转、跨部门协调 | 高 | 高 | 异步化后 AI 替代度极高 |
| (d) 质量评估与代码/方案 review | 中 | 中 | 浅层评估 AI 能做,深层判断仍需人 |
| (e) 战略思考、业务方向决策 | 中 | 低 | AI 能辅助分析,做不了取舍 |
| (f) 团队建设、文化塑造、人才发现 | 中 | 极低 | 涉及长期信任和情境判断 |
| (g) 冲突仲裁、责任承担 | 低 | 极低 | 公理四,责任绑在人身上 |
| (h) 情绪稳定、向上管理、政治资本积累 | 中 | 极低 | 极度依赖人际关系和组织语境 |
这张表的关键在于右边一列要分两层来看
"AI介入度"不等于"岗位替代率"
这两件事经常被混为一谈，但它们的关系是非线性的。
具体讲：一个工程师80%的代码用Cursor生成，不等于这个工程师的岗位被替代了80%。事实上，过去两年的真实数据反而显示，使用AI工具最多的工程师产出最高、岗位最稳——AI让他们的杠杆放大，不是让他们被替代。
岗位是否消失，取决于这个岗位的核心价值是否就是被AI介入的那部分。一个初级岗的核心价值如果就是 (a)(b)(c)，那AI介入率高就近乎等于岗位被消解；但一个高级岗即使80%的执行被AI接管，(e)(f)(g)(h) 还在，岗位反而被加固——AI让他可以管更多事、覆盖更大范围。
这是为什么很多文章把Anthropic Economic Index那种数据简单等同于"替代率"是个语义滑动的危险——那个数据测量的是 AI使用率，不是岗位消失率，这两件事差很远。
1. 中层管理岗：被掏空的夹心层
但这里有个微妙的地方——并不是所有中层都同样危险。我把它分成三段来看:
VP及以上:核心职能是 (g) 冲突仲裁、跨业务trade-off、对外责任锚点，(e) 战略思考的最终拍板，(h) 政治资本动员。这恰好是公理四(责任绑在人身上)框死的、AI不能替代的部分，减不动。
一线经理(M1)：核心职能是 (d) 质量评估、(f) 对一线员工的辅导和意义构建。这部分也减不动，但会跟着一线人头数同步缩编——因为一线人少了，自然不需要那么多带8个人的小组长。
总监 / 高级经理(M2/M3)：核心职能恰好集中在 (a)(b)(c)， 这正是AI介入度最高的三项。
所以真正被掏空的是这层夹心。 不是被裁，而是被上下挤压：上面，VP和总监开始可以借助AI直接看到一线(公理一带宽放大，公理三信息不再多层失真)下面，一线骨干借助AI变成"细胞"，不再需要中层来分解任务和中转信息，中间被掏空。
但请注意几个反向的事实——这些会让"夹心层60-80%时间被替代"那种说法显得太过自信:
- 隐性政治和情绪劳动占比可能比想象的高。一个中层每天花在"安抚下属、向上汇报情绪稳定、跨部门关系维护"上的时间，可能本身就有30-40% ——这部分AI介入度极低。如果是这样，可被AI吃掉的部分远没有60%那么多。
- 技术上的可替代性 ≠ 组织上的实际替代。组织变革涉及政治、惯性、风险偏好、监管。一个公司即使技术上能砍掉一半中层，实际操作上往往受阻于内部权力结构和稳定性需求。
- 不同行业差异巨大。强合规行业(金融、医疗、政府对接)的中层，实际被压缩的速度可能慢一个量级。
所以我会把过去那个"60-80%被替代"的说法收窄到这样：对那些核心工作集中在 (a)(b)(c) 的总监/高经，未来24-36个月内，工作内容会出现实质性重构。重构的具体形式,可能是岗位合并、可能是工作转型为"专业骨干"，也可能是少数岗位被裁撤——具体走哪条，取决于公司的业绩压力和制度成本。
仍然以百度为例——几十VP、200+总监、1000+经理高经。在我目前的判断里，未来3年里这个盘子的结构会发生明显变化，但变化的形式更可能是结构重组而非数量大幅压缩。最危险的画像还是清晰的：一个35-45岁的高级经理，主要工作是周会汇总 + 向上汇报 + 向下传达 + 跨部门拉群协调——这种画像在AI时代是负alpha。
哪些中层反而会逆势加固？我列几条供你校准自己的处境:
- 强合规业务——金融、医疗、自动驾驶、政府对接这种线，每一次对外签字都涉及法律和监管。AI能替代内部协调，替代不了对外的合规层级。
- 跨业务线融合者——多个产品线交界处的trade-off，AI不擅长(它倾向求平均，但trade-off需要价值判断)。
- 客户关系型岗位——B端大客户、政府关系，公理六(人际信任和归属)的硬投影。
- 真正具备技术判断的"实战型管理者" ——既能写代码也能做架构决策的那种player-coach。
2. 初级入门岗：另一个被忽视的地震带
如果说中层是被AI从上下挤压，初级岗位就是被AI从根部抽空。这件事最近在工程师圈讨论得很多。Anthropic等机构发布的劳动力市场研究(Anthropic Economic Index)，都指向同一个方向——AI对初级知识工作的介入率显著高于高级岗位。
注意我用了"介入率"而不是"替代率"——上面说过这两件事的关系是非线性的。但对初级岗，这两个数字可能是接近的。原因是初级岗的工作画像和AI的能力曲线高度重合：写脚手架代码、整理会议纪要、做基础数据分析、写第一版PPT、查资料做对照表、code review里抓低级bug。这些事情，过去公司愿意花一两年的工资让一个新人慢慢学，现在AI几十分钟就交付一个能用的版本。
但这件事的真正麻烦不在替代本身，而在人才供给的长期断层。
你想想：过去这一两年新人岗位是怎么用的？它本来就有双重功能——一方面交付低复杂度的工作，另一方面让新人在做这些事的过程中长出经验、磨出判断、攒起对业务的"手感"。AI抽掉了第一个功能，公司就开始盘算："我还要不要花这个钱培养人?"
我观察到一个很微妙的现象：很多公司开始压缩校招、停掉初级岗，但同时抱怨高级人才不好招。
但这里我要补一个反向论点：如果AI让一个3年经验的工程师能干过去5年经验的活，公地悲剧就不一定成立。短期是断层，长期可能是"经验所需的年限"被压缩——这两种可能性目前都开放。
我的当下判断是：短期(1-3 年)会出现明显断层，长期(5年以上)的稳定形态尚未明朗——可能是经验年限被压缩的新均衡，也可能是顶级人才更稀缺的极化均衡。这件事我不敢断言。
那对一个想入行的新人来说，路径仍然要重新定义。我自己的看法是这样的:
不要再用过去那种"先把基础体力活做好再慢慢提升"的思路找第一份工作了。这条路被AI抽掉了。新人应该一开始就让自己的工作画像偏向 (d)(e)(f) 而不是 (a)(b)(c)。具体来说——选一个真实有反馈的方向(最好是你能直接看到业务数据的那种)，尽早承担一个小范围的端到端责任(不只是工序的一段)，主动用AI 把 (a)(b)(c) 全部加速掉,把节省下来的时间投入到判断、复盘、跟一线打交道上。
说白了，AI时代的新人，要从一开始就训练自己当"细胞"，而不是当流水线上的螺丝。
四、判断力：为什么它会成为"相对"不可替代的能力
讲到这里，绕不开一个核心问题——留下来的那部分人,到底凭什么留下来?
任何"AI不能做的事 = 判断力"这种定义，都是一种tautology(同义反复)。 你定义一个AI不能做的能力,然后惊讶地发现AI不能替代它——这等于什么都没说。更糟的是，AI替代的边界是滑动的——前年AI不能写代码，去年能写脚手架，今年能写整个项目。今天叫"判断力"的东西，两年后可能有相当一部分被吃掉。
所以这一节我要把"判断力"拆成三层来讲——不可替代度从高到低排:
判断力的三层结构
第一层：元判断(meta-judgment)——定义问题、设定目标、识别什么值得做
这是AI短期(3-5 年)内做不了的部分。原因是：AI总是在你给定的目标函数里寻找最优解，但目标函数本身是谁定的? 一个产品经理花2周砍掉5个伪需求、保留1个真需求，他的产出不是"5个砍掉的方案"，而是"重新定义了团队接下来1年的目标函数"。这件事AI现在帮不上忙——你让AI定义问题，它会从既有数据里找最频繁出现的需求，这恰好是错的。
第二层：取舍判断(trade-off judgment)——在多个相互冲突的目标之间做权衡、承担决策代价
这是中间层。AI能做的是辅助推演：如果选A会怎样、选B会怎样、各自的二阶效应是什么。但最终的价值取舍仍然需要人——因为价值取舍涉及谁受益谁受损、长期还是短期、风险偏好，这些是AI没有真正"持有立场"的事情。这一层的不可替代度中等，且正在被AI的多方案推演能力慢慢侵蚀——但只是侵蚀辅助决策的部分，最终拍板仍然在人。
第三层:战术判断(tactical judgment)——分布外问题的具体执行选择
比如"这个bug怎么修、这个客户的反馈怎么回、这个会议怎么开"。这一层的不可替代度正在快速下降——AI进步最快的就是这一层。两年前AI完全做不了的战术判断，今天能做相当一部分；再过两年，这一层可能大部分会被吃掉。
为什么这个三层结构重要
因为它告诉你一件残酷的事：你不能停在战术判断这一层吃饭。
很多今天看起来"判断力很强"的人，实际上吃饭的位置主要在第三层——他们对工具熟、对流程懂、对常见问题反应快。这部分能力短期内还有溢价。但这部分是AI最快追上的部分。如果你不主动往第二层、尤其是第一层移动，你的护城河会在24-36个月内变薄到危险位置。
所以"判断力不可替代"这句话，我现在会改成更精准的版本：判断力的某些层次仍然不可替代，但这些层次本身在被持续侵蚀——你必须主动往更高层移动。这是一个动态过程，不是一个静态护城河。
判断力的提升路径
这事不能只停留在抽象层面，我给一些具体可操作的建议,按性价比排序:
第一，把决策复盘做成一个长期习惯。 我自己最近在Obsidian里搞了一个 09_Judgments/ 目录，每天写一段判断日志，每月做一次复盘。这个动作本身比你想象的有用得多——大多数人的判断力之所以长不进步，是因为他们做完一个决策就忘了，决策成本永远不会回流到判断模型上。
第二，强化一线经验。 判断力是"具身"的，必须在真实的反馈循环里磨。一个从来没接触过客户的产品经理，无论看多少书都做不出好判断。给自己定一条规则：永远保持至少20%的时间在一线场景里——客户那里、代码那里、用户访谈那里。
第三，建立跨学科认知框架。 这是Munger那套"多元思维模型"的复用。判断力的提升路径，是把不同学科的核心原理(经济学的供需、心理学的认知偏差、生物学的演化、统计学的概率思维)变成你看世界的不同滤镜。碰到新问题，能调出多个滤镜的人，判断力天然比只有一个滤镜的人强。
第四，训练概率思维和反事实思维。 概率思维是"任何决策都不要追求100%把握，要按期望值押注"；反事实思维是"如果当时选了另一条路会怎样"。这两件事都需要刻意练习，不会自动获得。
第五，学会与AI做对抗性推演。 这是我最近一年体会最深的一点——AI不只是给答案的工具，它更是一个永远不累、不带情绪、能从多视角辩驳你的对话伙伴。你要训练自己用AI做"反方"——把自己倾向的方案让AI去攻击,看它能不能找出漏洞。这件事训练几个月之后，你会发现你的"自我批评带宽"被显著放大了。
第六，承担真实责任，接受真实反馈。 这是最贵的一条，但也最有效。看十本书不如真做一个P&L负责的项目。判断力的根源在skin in the game——没有切身利益的判断，永远是纸上谈兵。
我把这六条排序的逻辑是:第一第二条门槛最低、ROI 最高；第三第四条需要长期投入；第五条是AI时代特有的新杠杆；第六条最贵也最关键。
最后注意一句： 这六条都偏重于训练第二层(取舍判断)和第一层(元判断)。如果你目前的能力主要在第三层(战术判断)，六条都做了也只是把你的位置稳住——真正向上走的关键，是开始承担"定义问题"和"设定目标"的工作，而不只是"在已定义的问题里高效解决"。
五、从"过程指标"到"价值产出":激励机制的剧变
判断力变核心了，激励机制就必须跟着变。这事讲起来抽象,我先讲一个我自己看到的真实变化。
过去许多公司考核一个工程师的产出大概率是按照这种模式，在Git Repo、CI/CD、类Jira、知识库等系统中统计：代码行数、单测覆盖率、bug修复率、PR review数量、文档贡献、每周输出。指标一行一行打勾，很专业。尽管大家都知道这些指标并不能真正代表工程师的产出、对团队的贡献(例如最有价值的那个工程师做的是"砍掉了一个原本要花3个月才能做完的项目"——这件事在所有过程指标里都是0分),但是它也是一份可作为大致参考的量化指标。
说白了，过程指标在过去能用，是因为那时候人和工具都是"线性的"——你写得多就大概率交付得多。 但AI一进来,这个线性关系彻底断了。
为什么传统绩效指标会失效
我列几条最典型的失效，方便你对照自己公司:
代码行数/千行bug率： 现在一个工程师80%的代码可能由Cursor和Claude Code、Codex生成。代码行数完全失去信号。"千行bug率"也失效——AI生成的代码风格统一、命名规范，表面bug率很低，但深层bug(架构错误、隐性假设错误)反而更难抓。
工时： AI时代两个工程师同时上班8小时，产出可以差很多倍，工时记录这个东西在1990年代是有意义的，今天近乎噪声。
PPT、文档、汇报数量： AI让"看起来很努力"变得极其廉价。一个会用AI的人，一周能产出过去一个月的PPT量，这种产出的边际价值接近零，但很多公司还在用它评估人。
会议数量、跨部门协作次数： 过去是协调成本的代理变量，现在是反向信号——开会多反而说明你的工作没被AI吸收掉。
KPI完成率： AI让"达成KPI"变得更容易,但同时让"KPI选错"的代价更大。KPI选错的伤害远远大于KPI完成不到位的伤害——这一条值得单独重视。
真正应该衡量什么
我的判断是这样的——注意,这部分是我目前的方向性判断，具体落地形态在不同行业、不同语境下会差别很大:
第一，从"过程"转向"结果"，从"个人"转向"小团队"。 AI时代的真实价值产出单元是"人 + AI细胞"或者"小团队 + AI"，不是个人。你应该把绩效打给团队、打给项目、打给真实业务影响,而不是打给个人的过程动作。我个人比较坚持一个观点——绩效应该打给项目、打给产品、打给代码，而不是打给人。打给人就一定会出现平均主义和政治化。
第二，衡量"决策质量"而不是"执行数量"。 一个判断力强的产品负责人，可能花2周时间砍掉5个伪需求、保留1个真需求,他的产出在过程指标里是负数(他什么都没做出来)，但他的真实价值远远超过那些每周交付一堆功能的PM。对核心决策角色，应该看决策质量——决策做对了没有、做错了多快纠正、决策的二阶效应是不是被考虑到了。
第三，让评估周期和价值产生周期对齐。 互联网时代搞季度OKR季度复盘，是因为产品迭代周期是季度。但AI时代很多核心判断的回报周期是6-18个月(你今天选的技术栈、砍掉的项目方向,要等明年才看得出对错)。用季度评估去衡量年度价值的事情,本身就是错的。 我觉得未来核心岗位的考核周期会拉长到12-24个月。
第四，让核心成员承担更类似PE的风险/收益结构——但要小心这件事在当前语境下的落地难度。
举个具体例子。一个3人小团队借助AI完成过去20人团队的研发任务——这种场景在我自己的工作里已经在发生。如果这个3人团队拿的是过去 3 人份的工资，那激励显然是错配的——他们承担的责任和创造的价值是20人的,但收益只有3人的。这种错配会很快驱散最优秀的人。
理论上的合理方向是：核心成员的薪酬结构里，弹性部分(项目分成、内部carry、利润分享)占大头,固定工资退到保底位置。这本质上是把PE合伙人的激励结构搬进公司。
但我必须诚实补一句——这套结构在中国语境下的落地难度比美国大得多。原因有三:
- 劳动法限制弹性薪酬比例——固定工资过低很容易被认定为"低于最低工资标准"或者"基本工资比例不合规"；
- **税收结构对项目分成、长期股权激励的友好度有限，**真正能把弹性部分做到大头的公司多半要做复杂的合规架构;
- 员工预期是"稳定收入" ——尤其是35+有房贷、有娃的核心员工，接受弹性占大头的心理成本远高于美国同行。
所以我对这件事的预期是这样的：未来5年里，中国互联网公司的过渡形态更可能是"双轨打通 + 项目奖金占比逐步提升" ——百度这次"专业通道薪酬无上限"就是这个方向的早期动作。但全面PE化的弹性薪酬结构，在中国公司里多半只会出现在很小的核心圈层，不会全员铺开。
几个可操作的过渡建议
如果你是个管理者，今年就能开始做的事——
- 把团队里一个项目的成败和团队的奖金/晋升直接绑定，不再分散到多个KPI上
- 开一条"专业骨干"通道(不带人，但薪酬可以追平甚至超过同级管理者)，把那些最有判断力但不愿做行政的人留住
- 砍掉50%的过程指标，留下3个真正反映业务价值的指标
- 把1-on-1的话题从"你这周做了什么"换成"你这季度做的最重要判断是什么、为什么、回头看对不对"
百度这次的"双轨打通、薪酬无上限"动作，本质就是在做这件事——它是趋势的早期信号，但不是唯一形态。
六、AI原生组织的几个轮廓
我必须诚实说一句：到目前为止，没有谁真正知道AI原生组织(AI-Native Organization)的稳定形态长什么样，我们都还在路上。
但有些轮廓已经能看到了。我把它们整理成七个维度，这不是一个确定的管理学模型，而是一个可以让你自己往里填的思考框架。
1. 组织单元:细胞 + 超级节点
未来组织的最小单元不是"部门",而是细胞——一个由"超级节点 + 执行成员 + N个AI agent"组成的小队,独立承担一类端到端的完整产出。
我先把"细胞"和"超级节点"的关系讲清,因为这是上一版我没说清的地方:
- 细胞 = 1个超级节点(对外签字、对内仲裁、责任锚点)+ 0到若干个执行成员 + N个AI agent。
- 超级节点不是传统意义的小组长。两者的核心区别在职能分布:传统小组长的工作集中在 (a)(b)(c)——任务分解、进度跟踪、信息中转;超级节点的工作集中在 (e)(f)(g)——战略思考、人才发现、责任承担。前者会被 AI 大幅替代,后者短期内不会。
- 细胞可以是1人的(超级节点 + AI agents，无执行成员),也可以是3-5人的(超级节点 + 几个执行成员 + AI agents)。具体规模取决于业务复杂度和决策频度。
注意"端到端"这个词——细胞做的不是工序的一段，而是一个能闭环看得到结果的完整事情。这是细胞和"小项目组"的本质区别。
3-5人的细胞 + 各自的AI工作流，在某些场景下能做过去30-50人部门的事情。这种结构在初创公司已经在跑通，未来24-36个月会向中型公司部分扩散——但不会全面替代部门制，会是一种"细胞 + 部门"的混合形态。
2. 协作方式：从高频同步到异步杠杆
互联网时代强调"高效协作"——多开会、实时响应、daily standup，这套打法在AI时代会反过来。
为什么？因为细胞内部不需要那么多人传话和对齐了——AI在做这件事。所以AI时代细胞内的协作密度反而下降，但每个人的杠杆率显著提高。 这是反直觉的一条，但很重要。
未来的协作主流是"人 - AI - 人"的异步模式:你扔一个任务给AI，AI处理后扔给下一个人，下一个人审阅后再扔回AI。每个人的工作时间都在自己最专注的时段完成，跨人协作通过AI这个"永远在线"的中间层进行。
3. 管理层级：从多层审批到少层级 + 高责任制
5-7层的层级有可能塌缩到2-4层。中间被掏空之后，剩下的层级承担的是不可替代的责任和判断职能，不是信息中转。
但要注意，层级少不等于没有结构。Jo Freeman的警告还是有效的——纯无结构的扁平化等于把权力塞进非正式网络,反而更不透明。所以**"层级少 + 责任清晰 + 决策路径透明"**是必须同时满足的三个条件。只满足第一条而不满足后两条的扁平化，几乎一定会演变成"乱扁平" ——这是过去十年很多公司翻车的真实原因。
4. 人才结构：从大量执行者到少量超级节点 + AI 网络
未来一家公司的人才金字塔结构会向"少量超级节点 + AI执行网络"方向移动——但移动的速度和深度因行业而异。互联网软件行业可能跑得最快，传统行业可能慢一个量级。
这意味着，公司不再需要那么多"中等水平的可替代员工"——这一段被AI显著替代。但对真正能定义问题、做关键决策的超级节点的需求会持续上升，人才市场会进一步极化。
5. 决策机制：从经验驱动到"数据 + AI推演 + 人类判断"三位一体
过去的决策路径是"老板凭经验拍 + 下面执行"。未来的决策路径会是这样:
- 数据先到位(业务系统、用户行为、市场情报)
- AI做多方案推演和反事实模拟(如果选A会怎样，选B会怎样)
- 人做最终判断(基于价值取舍、责任承担、长期视角)
这种结构让"经验"的价值发生迁移。 经验不再是直接做决策的依据，而是用来"调教AI的推演"和"识别 AI推演里的盲区"，这是一个需要重新学习的能力。
6. 激励方式：从职级和工时到价值贡献和风险共担
上一节讲过,不重复。核心是把"过程"换成"结果",把"个人指标"换成"项目分成",把"季度考核"拉长到"年度甚至多年考核"——同时配合中国语境下的合规和心理边界,落地形态会比理论温和不少。
7. 组织文化：从控制和流程到信任、判断和快速反馈
工业时代和互联网时代的组织文化,底色其实都是"控制"——通过流程、KPI、汇报机制确保结果可控。AI 时代的组织文化必须翻面:因为AI已经把执行可控这件事做掉了一部分，组织真正稀缺的是"信任 + 判断 + 反馈速度"。
具体的几个动作——
- **更高的容错率：**允许小细胞快速试错并承担有限的失败代价，因为失败的成本被AI摊薄了
- **更透明的决策路径：**谁做了什么决策、为什么、结果如何,全部可审计
- **更短的反馈循环：**把"做完事 - 看到结果"的周期从季度拉到周
- **更明确的责任锚点：**每个细胞都要清楚自己对外签字的范围和对内仲裁的边界
七、地基松动,而不是工具升级
写到这里，我想用一句话收尾：AI 对企业组织的影响，本质不是工具升级，而是地基松动。
工具升级是说，你的房子不变，只是把灯泡换成 LED、空调换成变频。地基松动是说，你的房子整体结构都要重新审视——承重墙在哪里、楼梯怎么走、卫生间放哪、原来5层的设计是不是要变成3层。
百度的职级合并不是孤例。接下来12-24个月里，在"业绩压力 + AI工具成熟 + 组织老化"三条件同时具备的互联网中大型公司里，我们会反复看到类似方向的动作。 路径会有差异——有的会以"中层裁撤"的形式走，有的会以"双轨打通 + 自然流失"的形式走，有的会以"业绩压力倒逼"的形式走——但方向会大致一致。
但请注意几条免责声明:
- 这个预测限定在"互联网中大型公司"范围内。传统行业(制造、零售、医疗、教育、政府)的组织变革会慢得多，可能要5-10年才看到实质变化，可能也根本不走这条路。
- 小公司(20人以下)本来就扁平， "地基松动"对他们意味着别的事——主要是工具杠杆，而不是结构重组。
- 如果AI能力曲线在未来12-18个月放缓(比如下一代模型只带来增量改进，而不是台阶式跃迁)，所有上述预测的速度都要往后拖。这是这篇文章最大的尾部风险,我希望你阅读时持续保持警觉。
对个人来说,三条阶段性的应对建议——
第一，盯住自己的工作画像。 如果你目前60%以上的时间在做信息中转、任务分解、进度跟踪、汇报整理，警报已经响了。把这部分主动用AI替代掉，把节省的带宽全部投到判断、决策、对外承诺上去。
第二，把判断力当成长期主线来训练——但同时记住判断力的边界在移动。 你不能停在战术判断这一层吃饭。决策日志、跨学科框架、概率思维、AI对抗性推演、真实责任——这五件事，从今年就开始做。但更关键的是，主动把工作内容往"定义问题、设定目标"这个元判断层移动。
第三，识别自己的责任锚点价值。 AI时代不可替代的位置不是"会用AI",而是**"对外能签字、对内能仲裁、出错能担责"**。在你所在的领域里，找到那个"AI不能替代你签字"的位置，往那里走。
AI这件事还在快速演化，谁要是现在就告诉你"我已经看清未来5年的组织形态了"，多半是骗你。我们能做的，是在地基松动的过程中，比别人早一点搞清楚自己的承重位置在哪里——然后慢慢往那里挪。
地基会继续松动。这是我目前唯一相对确定的事——但松动的速度、深度、形态,都会比我们今天想象的更复杂、更不均匀、更依赖具体的行业和语境。
