琢磨事的群里，有人甩了這么一張截圖：

這簡直太有意思了，正好接著這個說說AI應(yīng)用的事。

先說結(jié)論：沒有組織的進化，就沒有AI的深層落地。

這就是AI深層應(yīng)用的最大瓶頸。

今天，AI名義下的各種錘子四處飛舞，但砸的往往都不是釘子。

阻礙AI發(fā)揮顛覆性價值的，不是技術(shù)本身，而是我們陳舊的組織形態(tài)和管理思維。

讓我排的話，這個排在技術(shù)前面。

技術(shù)的事我個人覺得大致是定的（哪有什么AI瓶頸）。

這種沖突直接表現(xiàn)為社會對AI認(rèn)知的巨大撕裂，典型的非共識時刻：

一極是站在云端的科學(xué)家、理論家和緊隨其后的媒體，在他們的宏大敘事中，AI是開啟新紀(jì)元的鑰匙，是即將顛覆人類文明秩序的奇點引擎。

另一極，則是深陷泥濘的產(chǎn)業(yè)一線，企業(yè)家和實踐者們在現(xiàn)實的商業(yè)土壤中反復(fù)求索，卻發(fā)現(xiàn)這件“神兵利器”處處掣肘、水土不服。

這根本不是“樂觀”與“悲觀”的問題，而是“純粹的生產(chǎn)力邏輯”與“固化的生產(chǎn)關(guān)系現(xiàn)實”之間的激烈碰撞。

科學(xué)家們看到了AI在理想環(huán)境下的極限潛力；企業(yè)家們則一頭撞上了自己尚未進化的組織壁壘。

（把能算的事用來做主管判斷，把能分析的事歸結(jié)為態(tài)度是人類幾大偷懶術(shù)之二）

要打破這種僵局，我們要理解一個簡單問題：AI在簡單生產(chǎn)力升級工具之外，更是一面映照出現(xiàn)有組織模式是否過時的“鏡子”，一個對生產(chǎn)關(guān)系進行重構(gòu)的“扳機”。

這正是“智能原生”乃至“無人公司”等文章里試圖探討的核心。

顯然的的突破口并非來自于對AI技術(shù)本身的盲目追逐，而是來自于一場由內(nèi)而外的、以“組織”為核心的自我革命。

這還真是人事。

當(dāng)生產(chǎn)力邏輯忽略了組織容器敘事必然懸浮

科學(xué)家群體，尤其是AI研究的先驅(qū)者，他們從第一性原理出發(fā)，洞察了這項技術(shù)的革命性本質(zhì)。

大型語言模型（LLM）系列技術(shù)的突破，標(biāo)志著機器獲得了前所未有的理解、生成和推理能力，這是一種范式級別的變革。

在科學(xué)家們的理論模型和實驗室環(huán)境中，數(shù)據(jù)是潔凈的，算力是充沛的，目標(biāo)是明確的。（公網(wǎng)數(shù)據(jù)成本極低啊）

AI在這樣的“純粹環(huán)境”中，展現(xiàn)出指數(shù)級的成長潛力和解決復(fù)雜問題的驚人能力。

比如OpenAI前任首席科學(xué)家Ilya就說：人類能做的，AI終將能做。

媒體作為這一視角的天然盟友和放大器，將這種潛力轉(zhuǎn)化為激動人心且充滿戲劇性的“奇點”敘事。從“顛覆所有行業(yè)”到“AGI威脅論”，媒體的報道成功地將AI推向了公眾注意力的中心。

然后故事性就上來了，逼近科幻小說的特征。

這不能說是壞事，它為技術(shù)發(fā)展提供了想象力的牽引，也為社會變革進行了預(yù)熱。

但是，這個宏大敘事的致命缺陷在于它的“懸浮性”。

它沒有腳！

它幾乎完全在生產(chǎn)力的維度上進行推演，卻系統(tǒng)性地忽略了任何生產(chǎn)力都必須依存于特定生產(chǎn)關(guān)系這一基本前提。

它描繪了“AI能做什么”的璀璨藍圖，卻沒有回答一個更根本的問題：

什么樣的“組織容器”，才能裝得下如此強大的新生產(chǎn)力？

就像我們無法在馬車道的路網(wǎng)上去運行高速列車一樣，我們同樣無法在傳統(tǒng)的組織架構(gòu)上去運行智能時代的AI。

參考閱讀：

組織之“體”對AI之“用”的系統(tǒng)性排異

當(dāng)企業(yè)家們聽著宏大敘事，產(chǎn)生了美好憧憬，然后開始比劃的時候，基本百分百會遭遇挫折。

遭遇的挫敗，本質(zhì)上是可以看成一場陳舊組織形態(tài)對新生生產(chǎn)力的系統(tǒng)性排異反應(yīng)。正如標(biāo)題所言，沒有組織的進化，就沒有AI的深層落地。

那些看似具體的數(shù)據(jù)、流程、ROI等問題，都只是這場深層排異反應(yīng)的表層癥狀。

1.所有數(shù)據(jù)問題都是組織問題

人們常說“AI的燃料是數(shù)據(jù)”，并因此將問題歸咎于數(shù)據(jù)質(zhì)量差、數(shù)據(jù)孤島等技術(shù)層面。但這完全是本末倒置。

所有數(shù)據(jù)問題都是組織問題。

（復(fù)購率算誰的！）

有點絕對，但我確實就這意思。

數(shù)字化的時候類似問題屢見不鮮。

比如一家大型傳統(tǒng)零售商，希望上線一個AI驅(qū)動的“千人千面”推薦系統(tǒng)。這個項目很快就會陷入泥潭。

市場部掌握著廣告投放數(shù)據(jù)，但他們的數(shù)據(jù)結(jié)構(gòu)是為了衡量曝光和點擊；銷售部掌握著交易數(shù)據(jù)，但只關(guān)心SKU和銷售額；倉儲物流部掌握著庫存和配送數(shù)據(jù)，其核心KPI是周轉(zhuǎn)率。

每個部門都像一個“數(shù)據(jù)煙囪”，為了自身的KPI和利益而生產(chǎn)和守護著自己的“一畝三分地”。

AI系統(tǒng)需要的是一個能將用戶瀏覽、點擊、購買、復(fù)購、甚至退貨數(shù)據(jù)完整打通的用戶畫像，但這在部門墻林立的組織結(jié)構(gòu)中幾乎是不可能完成的任務(wù)。

最終，AI項目要么因為吃進去的是割裂、矛盾的“垃圾數(shù)據(jù)”而產(chǎn)出無用結(jié)果，要么就因漫長而昂貴的數(shù)據(jù)治理而不了了之。與其說是AI需要數(shù)據(jù)治理，不如說是陳舊的組織模式在持續(xù)不斷地“污染”著數(shù)據(jù)源頭。

2.所有流程問題都來自系統(tǒng)整體性的缺失

將AI工具“嵌入”現(xiàn)有流程，是另一個典型的失敗路徑。

比如： 一家工廠引入了一套先進的AI排產(chǎn)和庫存管理系統(tǒng)，該系統(tǒng)基于實時銷售預(yù)測、原材料價格波動和設(shè)備健康狀況，給出了一個理論上最優(yōu)的生產(chǎn)和采購計劃。

然后，就發(fā)現(xiàn)這個計劃在現(xiàn)實中卻寸步難行。

生產(chǎn)主管憑借自己二十年的“老師傅經(jīng)驗”，認(rèn)為AI的排產(chǎn)計劃過于激進，無視了產(chǎn)線磨合的“默契”；采購部門則因為AI建議的“小批量、多批次”采購模式會破壞與長期供應(yīng)商的“關(guān)系”和折扣而表示反對；質(zhì)檢部門則抱怨排產(chǎn)變動過于頻繁導(dǎo)致品控標(biāo)準(zhǔn)難以統(tǒng)一。

AI哪有力量搞定各路神仙！妥妥的現(xiàn)實版廟小妖風(fēng)大，但不是人的問題，對人開戰(zhàn)更會有災(zāi)難性后果。

在這里，AI作為一個追求“全局最優(yōu)”的整體性大腦，與一個由無數(shù)“局部最優(yōu)”構(gòu)成的碎片化流程發(fā)生了激烈沖突。

AI的建議觸動了既有的權(quán)力結(jié)構(gòu)、工作習(xí)慣和人情網(wǎng)絡(luò)。

最終結(jié)果往往是，這套昂貴的AI系統(tǒng)被員工們以各種理由架空、忽略，變成了一個僅供參觀的“形象工程”。

所以過去做大屏反倒是有市場，形象工程的市場也是市場！

駕馭不了流程，根源在于缺乏一個能夠俯瞰全局、統(tǒng)合所有流程的“整體性”組織視角。

3. 最終表現(xiàn)：不劃算，沒有用！

投入產(chǎn)出比（ROI）的困擾，是上述所有問題的最終體現(xiàn)。

在碎片化的組織認(rèn)知下，管理者習(xí)慣于用“孤立”和“線性”的思維去評估AI的價值。他們會問：“這個AI客服能幫我節(jié)省多少人力成本？”“那個推薦算法能提升多少點擊率？”這種評估方式，完全忽視了AI作為“系統(tǒng)性工程”的真正價值，即其帶來的乘數(shù)效應(yīng)。

一個真正有效的AI系統(tǒng)，其價值是系統(tǒng)性的，但回報卻可能體現(xiàn)在其他部門的報表上，這在部門間利益獨立的組織里是無法單維度被衡量和激勵的。

按結(jié)果交付是對的，但按結(jié)果交付就需要挑戰(zhàn)各種整體性問題。

隔壁吳老二要是中風(fēng)了，整體性不協(xié)調(diào)，這么跑步啊。

唯一也必須的突破口：以“組織革命”為核心的整體性重構(gòu)

既然問題的根源在于組織，那么唯一的突破口也必然始于組織。

我們必須放棄“AI賦能業(yè)務(wù)”的幻想，轉(zhuǎn)向AI需要先重構(gòu)組織的現(xiàn)實。

（講明白這個事非常痛苦和有挑戰(zhàn)的）

這一點上，特斯拉設(shè)想的“Unboxed”生產(chǎn)模式提供了一個極具啟發(fā)性的范例。

傳統(tǒng)汽車制造業(yè)沿用福特發(fā)明的流水線模式長達百年，汽車在一個線性移動的傳送帶上被逐步組裝。這是一個典型的、被流程固化的工業(yè)時代組織模式。

而“Unboxed”模式則將其徹底顛覆：汽車不再被視為一個整體進行線性組裝，而是被拆解成數(shù)個獨立的模塊（如前車身、后車身、電池包等），由高度自治的團隊在不同區(qū)域進行并行、同步的組裝，最后像拼樂高一樣“合體”。

這套方案的野心絕不僅僅是提升生產(chǎn)效率，它本質(zhì)上是一場深刻的組織革命。

為了實現(xiàn)這種并行生產(chǎn)，特斯拉必須從產(chǎn)品設(shè)計之初就將組織協(xié)同、供應(yīng)鏈、機器人自動化等所有要素作為一個“整體”來考慮。

傳統(tǒng)的、按工序劃分的線性部門被打破，取而代之的是圍繞“模塊”組織的、跨職能的、高度整合的團隊。

這種組織形態(tài)，天然就是為最大化機器人和AI的效率而生的。它消除了傳統(tǒng)流水線的物理和組織瓶頸，讓數(shù)據(jù)可以在各個模塊間無縫流動，為AI進行全局調(diào)度和優(yōu)化提供了完美的“溫床”。

結(jié)果還未知，但至少說明：Tesla認(rèn)識到為了迎接AI和自動化帶來的終極生產(chǎn)力，必須先重構(gòu)生產(chǎn)組織本身。

參見：

非典型的突破口

如果說前面說的非共識是典型的，每當(dāng)新技術(shù)來的時候都有，那么面對需要采取的措施則絕對是非典型的，和過去很不一樣，比如：

1.從“整體性認(rèn)知”出發(fā)，建立新的組織哲學(xué)。領(lǐng)導(dǎo)者必須率先完成從“管理者”到“系統(tǒng)架構(gòu)師”的角色轉(zhuǎn)變。他所要設(shè)計的，不再是一個分工明確的職能機器，而是一個能夠自我學(xué)習(xí)、自我進化的“智能有機體”。

我們沒有這么劇烈的干過這活，組織的事千年一系，變化真的不大，此前最大的也就是流水線。

2.從職能孤島到任務(wù)導(dǎo)向的“積木式”組織。學(xué)習(xí)現(xiàn)代軟件企業(yè)的組織模式，如Spotify的“部落（Tribe）”和“小隊（Squad）”模型。每個小隊都擁有一個端到端的業(yè)務(wù)模塊（如音樂推薦、用戶播放列表），團隊成員包括了產(chǎn)品、開發(fā)、測試、數(shù)據(jù)分析等所有必要角色。這種組織方式，天然保證了“誰生產(chǎn)數(shù)據(jù)，誰使用數(shù)據(jù)，誰對數(shù)據(jù)質(zhì)量負(fù)責(zé)”，從根本上解決了數(shù)據(jù)割裂問題。

這就是數(shù)據(jù)和智能角度的阿米巴。

3.當(dāng)組織就位，數(shù)據(jù)與流程自然“歸順”。當(dāng)一個以“整體性”為核心的新式組織建立起來之后，我們才能真正“駕馭”數(shù)據(jù)和流程。此時，數(shù)據(jù)不再是需要費力去“治理”的對象，而是新組織形態(tài)下業(yè)務(wù)流程自然而然產(chǎn)生的“高質(zhì)量血液”。流程也不再是需要AI去費力“適應(yīng)”的障礙，而是被重新設(shè)計用來最大化數(shù)據(jù)采集效率和AI決策效率的“血管網(wǎng)絡(luò)”。

先有健康的“身體”（新組織），才會有流暢的“血液循環(huán)”（數(shù)據(jù)與流程），這是一個不可逆的因果關(guān)系。

參見：

典型共識需要非典型突破口

當(dāng)前社會對AI的巨大“非共識”，本質(zhì)上是一場關(guān)于“范式”的沖突：

究竟是應(yīng)該讓代表未來的生產(chǎn)力去削足適履，適應(yīng)我們陳舊的組織模式；還是我們應(yīng)該鼓起勇氣，砸碎舊的組織枷鎖，去創(chuàng)造一個能配得上未來生產(chǎn)力的新容器？

答案是唯一的。

為什么是唯一的，因為你不干他也干，那就終究會回到這里。

依賴于修修補補、期望AI能奇跡般地在舊土壤里開出新花，是一種危險的“工具幻覺”。這只會讓我們在無盡的試點和掙扎中耗盡資源和信心，最終得出“AI不過如此”的錯誤結(jié)論。

真正的、非典型的突破口，掌握在那些敢于向自身開刀的變革者手中。

他們明白，AI競賽的終局，比拼的不是誰的算法更先進，而是誰的組織更具“整體性”和“智能原生性”。這不是一場技術(shù)革命，而是一場深刻的管理革命和認(rèn)知革命。

當(dāng)我們不再將目光局限于AI本身，而是轉(zhuǎn)向?qū)徱暫椭貥?gòu)我們自己時——就像特斯拉重新思考汽車制造的每一個環(huán)節(jié)那樣——那扇通往智能時代的大門，才會真正為我們敞開。

這場變革的陣痛是劇烈的，也很讓人煩躁，但穿過陣痛，我們將迎來一個以全新的組織形態(tài)駕馭強大AI，從而實現(xiàn)價值指數(shù)級增長的真正黎明，而“無人公司”正是這場組織革命的終極形態(tài)。

參見：

入群或者加入AI碰撞局，聯(lián)系:shuixiu2024