中层消失、专家被蒸馏、超级个体单干，公司还需要多少人？｜清华李宁

老板给你布置了一个两周能做完的任务，但在今天，调用了几个 AI Agent（智能体），你只用一个小时就能搞定。

那你会在什么时候交差？

清华大学经济管理学院教授、《AI原生组织》作者李宁曾在课堂上问过学生这个问题。大多数人的回答是「两周以后。」

这个答案，其实也是另一个问题的答案。为什么个体在借助 AI 狂飙突进时，企业组织却往往感知不到效率的提升？

水底的个体早已暗流涌动，水面的组织却依然波澜不惊。

公司花重金买了工具、烧了 Token，每个人都似乎变快了，但企业的产出并没有发生质变，反而生产出了海量的重复与冗余。

问题的症结，早已不在技术本身，而在于那个运转了两百多年的商业底盘。

从亚当·斯密笔下的「制针工厂」开始，现代公司制度的本质就是四个字：拆解与粘合。因为人的能力有边界，我们才把一个完整的目标切碎，发明了工种、部门、职级。之后，再用漫长的会议、复杂的审批和庞大的中层管理，把无数个「局部的人」重新粘合在一起。

现在，AI 正在抽走这套逻辑的底座。当写前端的程序员顺手把后端和数据库一并搭好，当五十个人的业务部门可以被三个带着 Agent 的人悄然替代，传统分工的边界正在迅速溶解。

但硬币的另一面是，当「生成」变得极其廉价，「验证」却成了新的堰塞湖。几百个 Agent 可以瞬间吞吐出惊人的工作量，却无法替人类分担哪怕一秒钟的犹豫、判断与抉择。

组织的分工逻辑，正在从「按工作量切分」，转向更隐秘的「按认知带宽切分」。

更深层的博弈发生在水面之下。当企业要求员工把赖以生存的经验写成 Skill、沉淀为公司的数字资产，这无异于让卤肉师傅按普通月薪交出祖传秘方。「反蒸馏」、「留一手」、「影子 AI」开始在写字楼里蔓延。这说明旧的雇佣契约已经装不下被 AI 放大的超级个体，但新的利益分配尚未成形。当执行的门槛被彻底抹平，人类留在牌桌上最后筹码，只剩下定义问题的能力，以及那个最难被量化的品味。

近日，《沸腾之下》与清华大学经济管理学院教授、《AI原生组织》作者李宁进行了一场长谈。

在这个所有人都试图向 AI 索取确定性的时刻，他向我们拆解了组织与个体之间正在发生的权力转移。

一个人能干更多事以后，组织还要做什么

沸腾之下：我们先聊组织为什么存在。它跟大家聚在一起干活有什么不一样？

李宁：这可以追溯到亚当·斯密讲的分工。他在《国富论》里举制针的例子，把工序拆开，每个人只做一部分，效率就会高很多。

为什么要分？因为一个人不可能把所有技能都学会。以前做软件，有人搞设计，有人搞数据库，有人做运营。我们的教育也是这样，上大学选专业，最后在一个行业里深耕。

但分工越来越细，又有了摩擦成本。事情越复杂，要协调的人就越多。

现在有了 AI，你把需求定义好，它能做前端、后端，也能搭数据库。原来的分工就开始别扭了：我能干你的活，你也能干我的活。做前端的人顺便问一句后端怎么搭，AI 就给他干完了。组织得重新想，这些人怎么一起工作。

沸腾之下：那至少在编程这类领域，一个人带着多个 Agent 就能把事情做完，组织岂不是可能没有存在的必要了？

李宁：但这跟全知全能还不一样。AI 有上下文限制，也需要人告诉它，什么东西值得做。比如我们做科研，定义好一个有价值的问题，它能做得很好；让它自己找问题，特别是在主观性比较强的领域，目前还不行。

再往下问，一个人加 AI 行不行？这里还有人的认知资源限制。我花十分钟交代一个想法，AI 可能干一天，但中间会回来让我做决策。我等它的时候，可以再开一个项目，可开到五六个，很多人就说：“我都没有想法了，没办法让 AI 给我干活了。”

所以可能还要分工，只是分的东西变了。一个产品我从前端到数据库都能跑通，不等于每个细节都能想清楚。页面挺好看，是不是最优解？用户用起来怎么样？AI 生成一版，我看十分钟，再想半小时，耗的还是我的认知资源。

一个项目可以让几百个 Agent 一起跑，但它们解决了工作量，未必解决了人的判断和注意力问题。

沸腾之下：即使在模型公司，训练模型这么复杂的事，一个人也没办法全部掌握。是不是仍然需要一个主导者，其他人补足他的带宽，形成一个小一点的金字塔？

李宁：对，小一点。一段时间内确实如此，只不过人与人的差距没那么大。以前实习生和 CEO 很难坐在一起讨论战略，认知对不齐。现在大家掌握的知识、理解问题的背景，可能会更接近，沟通方式也会变。

沸腾之下：我还在想，组织除了分工，还有供应链、谈判能力这些优势。这些似乎不能完全被 AI 取代？

李宁：是，AI 现在主要处理的还是数字世界。农业、制造业里也有设计、信息流，但还有土地、生产这些东西。AI 可以优化它们，不等于替代它们。所以不是所有组织最后都会变成一个样，会有混合型。

我们也会把任务分成两个维度来看：生成和验证。以前很多人负责干活，最后由专家验收，瓶颈主要在生成；现在一下出来很多东西，验证反而跟不上了。

当然，也有些任务 AI 见得少，生成本身就困难；有些判断高度主观，没有明确标准。这些地方，目前受到的影响会小一些。

沸腾之下：也就是说，组织改造还得让人更好地做验证，对吧？

李宁：对。数学、代码为什么跑得靠前？因为能验证，给它一个明确的奖励函数，它知道做得更好还是更差，就能不断改进。但你说一篇文章怎样才算好，除了语言、语法，还有品味，就没那么简单。

不过，这部分也在变。比如我把过去给学生的批注整理成 Skill，里面就有我怎么判断研究的经验。我们还微调过一个专门评价研究想法的小模型，看它是否符合顶级期刊的品味。这个效果甚至超过专家和一线大模型，因为它学到了领域数据里的隐性信号。

别的事它不会，但这一件事它能做好。

以前咨询公司要很多初级员工帮忙搜索、写报告，最后由专家跟客户谈。以后报告可以很快写出来，但专家有没有时间看？我们现在一天能出一篇论文，根本看不过来。

组织要解决的瓶颈，跟以前不一样了。

超级个体的冲击

沸腾之下：前一阵讨论 token maxing，大家用了很多 Token，产出很多，但组织没变，最后还是过不了验证这一关。各自做 Skill，也可能在重复劳动。这个问题怎么解决？

李宁：我上课经常问一个问题：老板给你一个任务，两周时间，觉得优秀员工才能做完。你用 Agent，一小时就干完了，什么时候交？很多人说，两周以后。

个人提效了，组织却看不到。还有些事情原本不需要十个人做，但岗位没变，十个人各带一个 Agent，做出来的东西自然差不多。

所以要先想清楚需求。比如我们有十个新产品要做，再让大家去做。如果还是这一个产品、这点客户，只让大家多用 Token，出口在哪里？初期不算完全浪费，至少学会了怎么用，但长期不能只停在这里。

Skill 也是。员工进公司有工牌、权限、培训，Skill 却很“野生”：你做一个觉得好，就分享给我。里面有没有风险，谁认证、谁管理？这些都还没跟上。

沸腾之下：您考察了不少公司。现在比较 AI 原生的组织，已经在发生哪些变化？

李宁：一类是在生成式 AI 出现后成立的公司，人少，遇到问题先想能不能让 AI 做。另一类是原有企业，完全转过来的还很少，更多是一个部门、一个业务点先变。

比如供应链专家，以前要把需求交给产品经理，再找 IT 开发；现在可能自己把系统搭起来了。做得比较好的，是让懂业务的人把整件事做下来。

但难处往往在内部。一个五十人的部门，由创业元老带着，可能三个人加 Agent 就能做，这个部门怎么动？谁有动力动？业务又不能停，也不知道改完能不能达到原来的效果。

我们见过一些企业另起一个小团队，旧的继续做，找两三个 AI 原生员工并行试。就像房子要装修，但人还住在里面，先在外面准备一套，弄好了再说。

早期成本可能反而会上升。

沸腾之下：除了人少、围绕项目做事，还有什么不同？

李宁：人的职责会扩大。以前很多事情要分给不同岗位，现在一个人能往前、往后多做一些，协作方式也就变了。

这跟过去数字化转型不一样。以前是把信息流搬到云端，流程大体不变；现在是流程本身要变，而且常常从一个部门、一个点开始。

以前考验组织的是，能不能把一千个人组织好，朝一个目标走。现在更重要的是，能不能找到超级个体、激励好他们。管理大军团和管理特种兵，用人方式肯定不同。

沸腾之下：那再往后看，AI 原生公司会往哪个方向走？

李宁：我觉得一定要成为创新组织。以前效率高、成本低，就有竞争优势。现在我们看很多初创团队，工作方式已经很像了：大屏幕、语音输入，一台电脑挂五六个项目，人的认知带宽几乎用满。

差别在于能不能找到新需求。不一定是很大的需求，在一个小领域里把用户的痛点解决好，也可能有机会。

沸腾之下：但需求有时也很明确，比如我就是想把产品卖出去。大厂用数据、A/B 测试来判断，AI 做统计、预测可能更好。那人的判断是不是也会被取代？

李宁：你说的是已经看得到的范围。网站按钮怎么放、电商怎么定价、促销怎么组合，这些渐进式改进，可以通过测试来做。

但还有未知的空间，那些以前没有见过的需求。这就像马奇讲的“探索和利用”，探索这部分，目前仍然需要人给方向。

沸腾之下：那未来可能就是几个有天才想法的人组成小团队，去做颠覆性创新？

李宁：我觉得不光是天才。

大厂的人才密度很高，为什么没做出来？这里有组织导向的问题。

我们接触很多大厂，天天讲 ROI。可创新的东西以前没见过，你怎么用历史数据算多久回本？如果所有事都得先回答这个问题，很多尝试就做不了。

沸腾之下：现在的组织还是更偏向维持运行，是吧？

李宁：对。员工有个想法，要论证、开评审会，给绿灯、给资源以后才能做。以前这样有道理，开发要投入很多人和时间。

现在成本结构变了，开论证会可能才是最贵的环节。有开会的时间，交给 AI，demo 都出来了。

有些小团队就要求每周拿出几个点子，再从里面挑。

不是嘴上说说，要有能看见的原型。

一个人的能力，究竟能扩到哪里

沸腾之下：我们再谈超级个体。

每个人的经验、技能都有偏向，要在各个领域都能判断，我觉得还是很难。如果一个组织里百分之九十九的人没有这个能力，以后就只组织那百分之一的人吗？

李宁：我觉得不一定只有百分之一的人有潜力。现在有几个问题还没解决：怎么识别这样的人，什么人能培养出来，以及长期的人才梯队怎么接上。

比如初级岗位减少了，大家都需要判断专家，那专家从哪儿来？以前是从实习生开始“干中学”，做七八年、十几年，慢慢成为专家。但这只是过去分工方式下的一条路，不见得是唯一路径。

有了 AI，学习方式可能会变。我见过一些人，开始并不觉得他是超级个体，接触 Agent 后像打开了一扇门，钻得很深，可能两三周就对一个领域很精通了。

这里不光是智商差异，还有学习的方向、方式和目标。以前我们花很多时间练操作、学技巧，却未必想清楚这个领域到底怎么回事。现在实操可以交给 AI，但基本概念得借助它学明白。理解得深，才有可能迁移到别的领域。

沸腾之下：但一个人掌握全链路，通常也还是在某个行业里。让一个不懂生物的人明天去研发新药，他没有验证能力，基础专业训练是不是绕不过去？

李宁：这个差异是有的。比如我们学科，学生用自己的 Skill，甚至用我的 Skill，出来的东西仍有细微差别，哪个更好，他不一定能判断。

但能不能借助 AI 学习，弥补专业差异？一个月以后能不能判断，或者三个月？我觉得学习可以很快，取决于他有多强的动力。

读一个博士要涉猎很多东西，现在如果只聚焦一个很专的方向，比如某一类新药或筛选，能不能在一两个月达到很高的水平？

其他原理了解有限，但在这个小方向上达到专家水平，我觉得是可能的。

沸腾之下：拿我自己的经历来说，我想做网页，但没受过艺术教育，连描述一个风格都很困难。学过艺术的人就知道怎么跟 AI 说。AI 能给我一个差不多的设计，可要做得好，还是需要那些积累。

我当然也能学，但再快也得花时间。一个已经懂的人就在这儿，马上可以做。对不缺人的组织，是让一个人从头学会所有事，还是让已有专长的人分工，效率更高？

李宁：如果有这个条件，当然是把已有专家变成 AI 原生人才。他本来就有判断力，又能用 AI 做，这才是最优解。

问题是，有些人经验多，也容易陷在旧的做事方式里。现在还需要跨界，有时恰恰是因为能按 AI 原生方式工作的人少。

如果大家都转过来了，还是会各有所长。比如我擅长设计、客户交互，但也懂一点后端，交给你的东西就不会完全接不上。

一个项目最后可能三个人：一个人做客户和设计，把 demo 跑通，一个人把数据库效率做到更好，另一个擅长运维。

以前三十个人分得很细，现在能力有重叠，也保留专业差异。

沸腾之下：所以还是多人一起做，只是我多懂一点你的工作，沟通就容易了。把具体操作省下来的时间拿去学这些，原来的摩擦也会少一些。

李宁：对。我知道后端怎么回事，设计也会变。否则天马行空，后端说做不了，又得来回改。

沸腾之下：书里还讲到任务制。以后不固定在一个岗位上，任务换来换去，工作积累和发展路径没那么明确，一般人会不会很难适应？

李宁：叫岗位也可以，只是性质不同了。以前你只做其中一个环节，做完交给下一个人。以后更需要自己定义问题，中间引导 AI，最后把结果验收好。

如果我交给你，你还得从头检查，那跟 AI 直接给你的东西有什么区别？我应该对从自己这里出去的东西负责，让它已经达到人的验收标准。

这就需要培训和教育跟着变。

大学以前的专业划分，是为了适应企业分工。现在大学也在讲交叉学科、淡化专业，只是没有那么快。

员工成为合伙人以后

沸腾之下：但组织培养出超级个体以后，可能组织需要他，他却不怎么需要组织了。公司怎么留住这样的人？

李宁：现在的一些探索，是把员工变成合伙人。像律所，没有多少固定资产，最宝贵的就是人才，所以合伙制在这些行业已经跑通了。

很多大厂过去觉得，是公司给你平台，你的收入是赶上了时代。有 AI 以后，人的价值可能反过来被放大。前沿科研团队、AI 公司，有时就是几个领军人才决定方向。

公司得围绕这个变化重新考虑怎么管理、怎么分享收益。也不只是钱，还有大家愿不愿意跟这群人一起，做一件觉得有价值的事。

沸腾之下：具体到利益分配，会怎么变？

李宁：以前有能力也未必敢出去，因为一个人干不了所有事。现在有 AI，再有些客户资源，就真的能自己做了。

但自己干，股份拿得多，没人兜底。留在公司，拿少一点，项目没做成还是员工，还能换个项目。这就要重新找一个双方能接受的状态。

企业得想，员工现在出去能得到什么，我还能提供什么。不能只按过去“我给工资，你给我干活”的关系来理解。

沸腾之下：这里还有个问题。公司让员工把经验写成 Skill，或者拿工作轨迹去蒸馏，等于拿走了他赖以生存的一部分知识。就像我是做卤肉的，把配方按很低的工资价格交了出去。组织怎么说服人合作？

李宁：我们见过员工主动做这件事，但他的要求是，做出来的 Agent 不管对内还是对外服务，都要给他收益。甚至以后只负责维护这个 Agent，人可以不来公司。

如果不解决分配，他就把 Skill 留在自己电脑上，只帮自己干活。公司付钱让我干活，可没有付钱让我做一个所有人都能用的 Skill，这是两回事。

沸腾之下：但公司也有动力把这些经验变成能反复使用的产品。双方怎么协调？

李宁：现在已经有“反蒸馏”了，做 Skill 留一手，或者用影子 AI。所以得先建立新的雇佣关系。

初创团队可以通过合伙协议，大公司可能用股权、期权。但接下来还有核算问题：产品直接卖钱，比较好算；HR 做了一个内部 Skill，被别人用了，贡献怎么算？

我觉得可以引入 AI 帮忙评估，但不能只看调用量。有些关键 Skill 只有少数专家用，次数很少。写周报的 Skill，用不用都行，有了大家就用，量反而很大。

次数跟价值不是一回事。

我们也在跟企业做这方面的探索。有些经济效益看得见，有些是内部服务，情况还很复杂。

沸腾之下：那管理者呢？以前要把几千人组织起来，大家朝一个方向走。以后没那么多人，管理者做什么？

李宁：以前很多中层是在处理摩擦。

二十个人之间协调不过来，需要你把这些事情理顺。很多技术出身的管理者，本来懂业务，只是没有时间再亲自做。

现在摩擦少了，他可以回去做产品、做业务。我们见过有人反而更开心了，原来有想法却没空做，现在用 AI 就能做出来。他可能又变成一个直接干活、创造价值的人。

沸腾之下：更回到当管理者之前的专业能力？

李宁：对，但也不是完全不管人。

组织里还有人，就还要激励。以前管打卡、追进度，如果只要求按时交活，他当然交得出来，剩下的大部分时间可能在干别的。

以后要想的是，怎么让他愿意把能力用出来。

工作的边界，在变

沸腾之下：再聊一点个人的问题。我们一直说判断力重要，但蒸馏、后训练也在学习专家的规则和经验。判断力有没有一天也会被替代？人在里面的作用会不会越来越小？

李宁：我们做研究，已经感觉到人要干的事情越来越少。那我现在还干什么？可能更多是 taste，品味，也就是往哪个方向走。

比如让 AI 提五十个研究问题，里面会有很多好问题。但前面还得给它一个探索空间：我觉得 A 方向和 D 方向结合，可能有东西可做。

尤其在主观性比较强的领域，目前它还不太能自己找出好的方向。

沸腾之下：这听起来更像人的偏好，或者意义感。我想研究这个，不想研究那个，不一定是品味？

李宁：但功利一点说，每个老师都有偏好，哪个偏好更容易发好文章，还是有共识的。哪些社会议题值得做，哪些研究容易出结果，并不完全是“我喜欢就行”。

做产品也是，你去解决老龄化、教育里的需求，要先定义这个问题。未来 AI 可能也能做很多尝试，但目前这部分还更多由人来做。方向定了，里面的细节它可以做得很好。

沸腾之下：可您前面也说，专门训练的模型，有些判断比专家还准。这个边界还是在往后退？

李宁：所以我们现在经常是给它方向，让它在里面发散，再自己评判、挑选。如果没有前面这个范围，它还不太容易找到好的方向。

沸腾之下：那未来很长一段时间，个人可能都没有一个稳定的“我就做这个”的边界了？

李宁：人也要像组织一样有适应性。企业不是选好一个赛道，就永远做同一件事；个人也是。

当然，过一段时间可能相对稳定。像 Agent harness，现在技术方式已经比之前收敛一些。但模型还在变，有些原来靠 Skill 解决的问题，模型自己会了，就可以去掉。自主性更强了，又得加安全限制。

人容易停在舒服的地方。以前我让学生用 Cursor，他们觉得挺好，科研也够用。后来有了 Claude Code，很多人不愿意转，觉得现在这样就行。

可新的方式还是得去看。

沸腾之下：这会不会让人越来越卷？以前大家也以为，技术进步以后每天工作四小时就够了，结果并没有。AI 会不会也是这样？

李宁：我觉得不完全是。假设原来工作十小时，现在两小时做完，再花三小时学习，也不一定需要十小时。

我们看到很多人工作很久，包括我自己，每周一天不休。但至少现在，不少 AI 原生个体是从中得到成就感，有点像玩游戏，没人逼你通关。

你交代 Agent 一个任务，它跑四小时，这段时间可以去健身。但有些人闲不住，又开几个项目，等到下班，项目陆续回来，还得给反馈，等于自己给自己加事情。

如果把眼前的事做好，留些时间学习，不用同时干十件事，我觉得还是有可能平衡的。

沸腾之下：但组织之间还有竞争。今天是因为有成就感主动多做，明天可能就变成公司要求。自己出来做 OPC 也一样，看到别人用上新模型，就怕错过。这不全是个人能决定的吧？

李宁：对。我们在论坛上就讨论过，有些 OPC 给平台接单，比如做短剧，最后大部分利润还是平台拿走了。

这已经涉及社会治理和政策：是不是一定要让效率再往上提一点？

沸腾之下：那会不会变成新的零工经济？公司小了，个人能力强了，可仍然得依赖平台、支付和渠道，只是个体零工变成了个体 OPC。

李宁：所以谁掌控平台，是基础设施，还是纯市场化的公司，要不要监管？现在还没有定论。OPC 可能带来一些高质量就业，但如果利润还是平台拿大头，也不是健康的生态。

沸腾之下：最后一个问题。如果公司只需要少量超级个体，就能达到想要的收益，那剩下的人有什么选择？

李宁：这肯定不是一家公司的问题，涉及劳动保障、社会资源分配。有些海外学者在讨论 UBI。

但乐观一点看，现在的产品、服务真的都饱和了吗？如果公司永远只做眼前这些事，那确实不需要这么多人。可我们画一个圈，圈外是不是还有很多可以做的？像医疗、教育，很多需求还没被满足。

这需要教育、培训去引导，也需要组织愿意找增长。公司未必就想把一百个人全裁掉，它也希望有新的业务。

比如我们做科研，过去那些工作量，现在可能一个人就够了。但团队人数并没有那么少，因为我们开始做很多过去做不了、不会去做的事。所以对一些组织来说，不一定是人数净减少。

沸腾之下：可找到新需求，才是最难的。很多人没有明确的创新想法，即使想做，也不容易。怎么把这些人带过去？

李宁：不一定每个人都得自己做出突破。

很多时候，是一两家企业带出了一个新行业，需求又不是它一家能满足的，其他人就有机会跟进去。

比如“龙虾”火了，有人帮忙安装。这些人未必会写软件。后来有安全问题，又有人做卸载服务，还打五折。

这是很小的例子，但能看到，新需求出来以后，周围也会长出事情可做。

不是绝大多数人都能产生突破性创新。但只要创新持续发生，原有的组织和个人就有机会往新的方向走。