Related articles
本文嘉宾：李智勇，《无人公司》之父、《AI 原生组织》理论创建者之一。
过去两年，AI 迅速进入企业。
大家开始用 AI 写文案、做方案、写代码，高管参加各种 AI 培训，企业纷纷上线大模型、知识库和智能助手。但一个越来越明显的反差也随之出现：AI 的使用率在快速上升，90% 以上企业管理者却没有明显感受到收入、利润和组织效率发生根本变化 (NBER,光大证券研究所）。
为什么 AI 能力如此强大，每个人似乎也都在使用 AI，整个企业却没有因此变成一家新的企业？
在 《无人公司》 之父、《AI 原生组织》 作者李智勇看来，问题在于，大多数企业只是把 AI 接入了原有组织，却没有围绕 AI 把组织彻底的重新设计。
真正的 AI 原生组织，绝不只是给每个员工增加一个 AI 工具，而是要重新回答四个问题：
谁思考？谁执行？谁负责？谁进化？
这是这个时代背景下企业管理者必须回答的问题，也是一场每个人都无法回避的时代大考。
一、AI 的使用率越来越高，为什么很多企业管理者依然 「无感」？
AGI Signal： 现在企业里使用 AI 的人已经越来越多，但不少高管仍然觉得，AI 似乎没有给经营结果带来多大变化。问题究竟出在哪里？
李智勇：因为 「员工使用 AI」 和 「企业成为 AI 原生组织」，是两件完全不同的事情。
一个员工用 ChatGPT 写周报，一个程序员用 AI 补全代码，一个市场人员用 AI 生成十篇文案，这些都能提高局部效率。但任务还是由人发现，目标还是由人拆解，流程还是由人推动，部门之间的冲突还是由人协调，出了问题也还是人去补救。
这绝不是 AI 原生组织，因为 AI 虽然进入了企业，却仍然只是附着在个人身上的工具。
结果就是：每个人都快了一点，但整个公司没有变快；局部产出增加了，组织的协调成本却没有下降，有时甚至还会上升。
陈春花老师和我在 《AI 原生组织》 中，把这种现象描述为 「倒钻石陷阱」。
钻石的底部很宽，意味着大量员工都在使用 AI；越向上走却越窄，到了企业经营结果这一层，收入、利润、客户价值和组织效率的变化却非常有限。
简单地说：
员工端很热闹，经营端没感觉。
所以，企业不能只看消耗了多少 Token、采购了多少账号、上线了多少智能助手，而应该关注另外几件事：
有多少完整任务已经由 AI 自主完成？人的介入次数有没有下降？AI 是否真正创造了收入、降低了成本？系统是否能够根据结果持续改进？
员工使用 AI 的次数，不等于企业的 AI 原生程度。企业要看的不是调用量，而是长时程任务的自主完成率。
二、你过去长期从事 AI 技术和产品，为什么后来开始研究组织？
AGI Signal： 你过去主导过类 Alexa 系统的架构设计，也带领产研团队参与过小爱同学、小度在家和北京冬奥会后台的关键工作。后来又参与企业经营、融资和盈利。你为什么会从技术和产品走向组织研究？
李智勇：正是因为经历了技术、产品和企业经营这几个阶段，我越来越清楚地认识到：模型能力、产品能力和组织能力，是三件不同的事情。
一个技术在实验室里跑通，不等于它能成为好产品；一个产品被大量使用，也不等于它能够改变企业的经营结果。
很多时候，决定一项技术最终价值的，并不是技术本身有多先进，而是企业能不能围绕它重新设计目标、流程、权力、责任和利益分配。
在我长期运营企业的过程里，我发现这种组织形态的层级比单点突破要重要很多。
我过去做大型 AI 系统时，关注的是机器能不能听懂、能不能判断、能不能执行；后来经营企业，我开始关注另外一些问题：
为什么同样的技术，在不同公司里会产生完全不同的效果？为什么很多系统技术上能跑，组织里却推不动？为什么有些公司技术并不领先，却能迅速把技术转化为收入和利润？
答案往往不在模型内部，而在组织内部。
所以，我写 《无人公司》 的时候，是在思考：当 AI 的认知和执行能力不断增强，企业最终会变成什么样子。
而现在 《AI 原生组织》 讨论的是另外一个更加现实的问题：
今天的企业，究竟应该怎样一步步走向那里。
三、市面上讨论 AI 转型的书已经很多，为什么还要写 《AI 原生组织》？
AGI Signal： 现在关于 AI 转型、智能体和大模型应用的书已经很多。《AI 原生组织》 究竟想多回答一个什么问题？
李智勇：大多数关于 AI 转型的讨论，回答的是 「企业怎样使用 AI」。
《AI 原生组织》 想回答的是：
当 AI 开始承担认知、决策和执行之后，企业本身应该变成什么。
使用 AI，主要是一个技术和工具问题，这时候的 AI 和我们在企业里面把电脑用起来其实差不多；成为 AI 原生组织，则是一个组织形态问题。
技术可以回答 AI 能不能做一件事，但改变组织则必须回答：谁有权让它做？它可以做到哪一步？出了问题谁负责？系统怎样从结果中获得反馈？AI 的能力进化之后，人的角色、部门的边界和公司的权力结构是否也需要改变？
因此，这本书不是手册，也不只是一本大模型部署的指南。
它探讨完全不一样的话题。
具体来说是关于：
当 AI 真正进入组织以后，企业的权责结构、决策机制、协同方式、人才结构和风险体系应当如何变化。
很多企业现在的做法，是把 AI 装进原有公司。
我们想讨论的是另一件事：
不是把 AI 装进公司，而是按照 AI 重新设计公司，重新定义 AI 与人的角色边界。
这正是 《AI 原生组织》 与一般 AI 讨论最根本的区别。
四、究竟什么是 AI 原生组织？
AGI Signal： 「AI 原生组织」 现在也开始成为一个热门概念。你所说的 AI 原生组织，与一般意义上的数字化企业有什么区别？
李智勇：在 《AI 原生组织》 中，我们给出了一个相对完整的定义：
AI 原生组织，是以人工智能为核心认知与执行基础设施，通过重构组织权责结构、决策机制与协同方式，使人类价值判断与机器计算能力形成制度化协作，从而在高度不确定的环境中实现持续适应与价值共生的组织形态。
这个定义比较学术。说得简单一点，核心就是：
AI 不再只是企业中的一件工具，而开始成为组织中的认知和执行主体。
在传统的 AI 工具模式中，人是思考者，AI 是执行助手。人必须先把问题想清楚，再把明确的任务交给 AI。AI 能创造多少价值，很大程度上仍然受限于人的认知和指令水平。
比如，我让 ChatGPT 帮我写一篇市场文案，这时候 AI 是工具。
但如果一个智能体能够持续负责公司的市场推广，自己分析数据、选择渠道、生成内容、投放测试，并根据结果调整策略，它就不再只是完成一次指令，而是在承担一个持续的组织角色。
在这种模式下，人不再规定每一个动作，而是负责设定目标、原则和责任边界；AI 负责理解环境、寻找路径、调度资源和完成执行。
这意味着，组织的价值上限开始发生变化。
在工具模式下，价值上限主要是人的能力；在主体模式下，价值上限越来越取决于 AI 系统能够以多快的速度学习和进化。
五、把 AI 称为 「主体」，会不会为裁员和甩锅提供一个高级理由？
AGI Signal： 你一直强调 「AI 主体论」。但有人可能会质疑：把 AI 说成主体，会不会只是为裁员和管理者甩锅提供一个更高级的概念？
李智勇：这是一个非常让人头疼的话题，但我还是直接回答下。
AI 成为认知和执行主体，不等于 AI 成为最终责任主体。
AI 原生组织也不是为了取消人，而是重新安排人的位置。
过去，人被嵌在企业的每一道流程中：接收信息、转发信息、填写表格、推动审批、跟踪进度、汇总结果。大量人的工作，本质上是在充当信息和流程的齿轮。
我在做 COO 期间大量拆解过某类研发企业的全部角色，可以很肯定说：很多角色一半以上的时间花在了这类工作上。
AI 原生组织要做的，是把人从这些齿轮性工作中逐渐解放出来。
未来，人更重要的职责，是决定企业追求什么、不追求什么，哪些风险可以承担，哪些底线不能突破，以及在 AI 出现问题时，谁必须进行干预和兜底。
所以，人的角色不是从组织中消失，而是从流程操作者转向目标设定者、价值判断者、规则制定者和责任承担者。
我一直强调：
AI 原生不是无人负责，而是人不再事事亲自执行，但必须对 AI 的执行结果负责。
企业不能因为一项决定是 AI 做出的，就认为没有人需要承担责任。恰恰相反，AI 越强，企业越需要明确授权、监督、审计和责任边界。
AI 可以获得越来越多的行动权，但责任不能因此凭空消失。
这对人其实是提出了更高的要求，如果是 OPC(一人公司） 那你需要给定位、营销、开发、测试、精细化运营等所有公司经营需要的环节兜底。
六、你经常提到 Medvi，这家公司本身存在合规争议，为什么仍然值得研究？
AGI Signal： Medvi 是一家充满争议的公司。把它作为 AI 原生组织的案例，会不会反而说明这种高度压缩的组织模式非常危险？
李智勇：Medvi 不是一个值得照搬的道德样板，但它是一个必须研究的组织样本，正好可以同时凸显收益和风险，所以非常值得关注。
根据公开报道，Medvi 以极小的核心团队，连接了用户需求、广告投放、医生网络、药房、支付和履约体系，并形成了数亿美元规模的销售额。
无论如何评价它的具体经营行为，也无论最终这家公司是否明天就倒闭了，这种组织结构本身都值得高度关注。
在传统企业里，营销、客服、运营、分析、医生服务、药品履约等能力，往往需要通过大量内部员工和部门来完成。
而在 Medvi 的组织结构中，大量内容、投放、客服和数据分析由智能系统承担，医疗和履约则通过外部专业生态完成，核心团队主要负责目标、资源、品牌和风险边界，当然系统出错的时候他们也得负责兜底。
它展示的是一种极端的 「组织压缩」：
需求流量进入系统，AI 完成大量作业，外部生态负责专业履约，交易产生利润，利润再投入下一轮增长。
过去，公司扩张主要依靠招募更多员工；未来，公司可能更多依靠连接模型、智能体和专业服务网络扩张。
当然，组织压缩绝不能以逃避责任为代价，这背后就引发这种以智能体为核心的系统的精度问题。越接近医疗、金融、交通等高风险领域，越需要更严格的合规审查和人工控制。
所以，Medvi 给我们的不是一个简单的正面或负面答案，而是一个重要提醒：
AI肯定可以极大压缩组织，但压缩掉流程，不等于可以压缩掉责任。
在这里技术的精度和责任所需要对应的风险紧密的连接到一起了。
七、这种组织变化，究竟只是效率提升，还是会改变企业的性质？
AGI Signal： 如果只是少招一些人、提高一些人效，似乎仍然只是效率问题。为什么你认为 AI 会改变企业本身？
李智勇：我们可以看出租车公司、网约车平台和 Robotaxi 的变化。
传统出租车公司的核心价值主要由人创造。司机负责感知道路、判断路线、驾驶车辆和处理突发情况，公司主要管理车辆和司机。
到了滴滴、Uber 这样的网约车平台，算法开始创造一部分核心价值。系统负责供需匹配、定价、调度和路径推荐，但驾驶和现场判断以及某些对司机的管理仍然主要由人完成。
到了 Robotaxi 阶段，感知、判断、规划和驾驶基本都由 AI 完成，而对车辆的管理则是另外的算法负责。企业最核心的生产资料和组织能力，开始从司机队伍转向模型、数据、车辆系统和运营网络。
三者看起来都提供出行服务，实际上却是三种完全不同的组织。
越是早期组织越是表现为人、工具和流程的组合；越往后组织则越内化为一套系统
所以，判断一家公司是不是 AI 原生，不能只看它卖什么产品，也不能只看员工是否使用 AI，而要看：
这家公司最核心的价值，是否变成主要由 AI 创造。
当价值创造主体改变以后，组织结构一定会跟着改变。
过去，企业的基本单元是岗位和员工；未来，企业的基本单元可能逐渐变成目标、状态、智能体和可调用的能力。
把人的创造性、履责和上面提到的高效生产系统放到一起最终得到的就是 《AI 原生组织》 中所描述的星河形态。
八、连 Anthropic 自己都遇到内部数据问题，普通企业凭什么认为自己能做好 AI 原生转型？
AGI Signal： Anthropic 已经拥有世界上最先进的大模型之一，但它在使用 Claude 处理内部数据分析时，仍然遇到了准确率波动。连最懂 AI 的公司都做不好，普通企业为什么能做好？
李智勇：这恰恰说明，拥有先进模型，不等于天然拥有 AI 原生组织。
我经常用高铁和铁轨来做比喻。
大模型像高铁，企业的数据、流程、知识、权限和反馈体系则像铁轨。
高铁性能再先进，如果铁轨没有铺好，仍然跑不起来；在平原上修得很好的铁轨，也未必适用于高原、山区和复杂气候。
Anthropic 的案例说明，企业环境是持续变化的：数据表会变，业务定义会变，指标口径会变，组织中的知识和 Skill 也需要同步更新。
如果这些环境没有被持续维护，即便模型本身非常先进，输出质量仍然可能快速下降。
这些环境的维护牵涉的基本不是技术问题，而是企业级的生产关系。企业级的生产关系是什么呢？是权责利风险的综合。
因此，AI 原生组织不可能是部署一次就结束的软件升级。
它需要持续获得最新状态，理解业务变化，调用正确的工具，并根据真实结果修正自己的行为。
一个真正能够工作的 AI 原生系统，至少需要持续更新的数据、全局一致的业务状态、明确的行动权限、执行结果的反馈、异常处理机制，以及可审计、可回滚的治理体系。
很多企业以为，购买一个大模型、接入一个知识库、增加一个聊天入口，就完成了 AI 转型。
实际上，这大致等于把高铁买了回来，擦了擦窗户，如果不把轨道修起来，那它是跑不起来的。
模型决定 AI 有多聪明，组织系统决定这种聪明能不能转化成结果。
《AI 原生组织》 真正要解决的，正是模型与企业之间这段经常被忽视的距离。
九、为什么很多 AI 系统演示时已经达到 99%，真正落地却依然困难？
AGI Signal： 现在很多 AI 产品演示时效果已经非常惊艳，甚至号称达到 99% 的准确率。为什么企业仍然不敢真正把业务交给 AI？
李智勇：一部分是前面说的原因。理想环境可以是 99%，那真实环境的精度呢？
真实环境通常不理想，因此一般来讲精度会下降。
更关键的则是演示环境和真实世界之间，隔着责任。
这种责任首先导致理想环境和真实环境的应用差异。
在有的岗位上，AI 写错一段文案、生成错一张图片，重新生成即可，但判决书显然不能这样。
不同场景对 AI 精度的容忍度非常不一样。
一旦进入原子世界，情况就更不同。
自动驾驶的一次错误可能伤人，医疗系统的一次错误可能影响患者，财务系统的一次错误可能造成资金损失，合规系统的一次错误可能触发监管处罚。
在这些领域，小概率乘以高频，就可能变成必然事故。
所以，一个系统在演示中接近可用，不等于它能够在高频、开放、带有责任后果的环境中被托付。
从 99% 走向 100%，并不是简单提高一个百分点，而是要解决极端异常、系统冗余、人工接管、审计追踪、责任认定和赔偿机制。
99% 和 100% 之间，本质差的不是精度问题，而是责任问题。
这就回到前面说的，这些问题表面上表现为技术和数据问题，背后却涉及整个企业的权、责、利和风险体系。
这也是为什么许多数字化项目技术上并不复杂，最后大部分却依然失败。组织问题如果没有解决，单纯从技术角度优化，很容易缘木求鱼。
因此，AI 原生组织不能对所有业务采用同一种自动化策略。
风险低、能够回滚的任务，可以让 AI 拥有更高的自主权；涉及生命、资金、法律责任和重大声誉风险的任务，则必须保留严格的人类控制节点。
真正的 AI 原生，不是把所有事情都自动化，而是为不同风险等级的任务，设计不同的人机边界。
从这个角度看，重新定位人和 AI 的边界大致等于重新平衡效率和责任的关系。
十、企业应该从哪里开始？成立一个 AI 部门会不会再次制造新的组织孤岛？
AGI Signal： 企业过去成立过数字化部门、创新中心和大模型团队，很多最终都变成了新的孤岛。如果成立专门的部门，凭什么不会重蹈覆辙？
李智勇：关键区别在于，新成立的 AI 组织不能只对技术交付负责，而必须对完整的业务结果负责。
传统的 AI 部门往往采用项目制：业务部门提出需求，技术部门开发系统，系统上线之后完成交付，业务还是按照原来的方式运转。
如果这么整，新部门很容易变成新的 IT 支持部门。
假如成立 AI BU 必须把业务、产品、技术、数据和管理放在同一个闭环里。它不是给原有业务提供几个 AI 工具，而是尝试建立一个由 AI 主导的最小业务单元。
这个业务单元必须拥有明确的目标、输入、资源、权限、结果反馈和责任人。
企业一开始不需要提出 「全面 AI 化」，也不应该先建设一个巨大而抽象的平台，这点要从过去的中台建设中吸取教训。
最好的起点，是选择一个边界清晰、结果可以衡量、错误成本可以承受的完整任务。
注意，是完整任务，而不是一个零散动作。
比如，在小红书上生成一篇内容，只能说明 AI 具备操作能力；持续发布一周而账号不出现异常，说明系统开始具备持续运行和合规能力；能够持续获得流量，意味着它开始完成跨环节协同；能够自主选品并卖出一件商品，才真正形成业务闭环。
这几个阶段分别检验：
AI 能不能做，能不能持续做，做了以后有没有效果，以及能不能最终形成收入和利润。
很多 AI 项目停留在第一层，企业却误以为自己已经完成了转型。
所以，AI 项目不能只用 「功能是否上线」 来验收，而应该看任务成功率、人工介入次数、连续运行时间、异常率、业务结果和责任成本。
一个能够自动生成一百篇内容的系统，未必比一个能稳定卖出一件商品的系统更先进。
因为后者完成了从能力到结果的跨越。
这个过程里，这个新部门可能还需要采用 「双轨制」：一条轨道解决当前业务问题，另一条轨道沉淀数据接口、业务状态、智能体、权限、评测和反馈等长期基础能力。
这样才可能确保，短期项目不脱离长期能力建设，长期平台也不脱离真实业务空转。
十一、AI 原生组织会怎样改变管理者和普通员工？
AGI Signal： 这种变化会不会意味着，很多人的专业能力将迅速贬值？
李智勇：一些以信息搬运、流程推动和标准化执行为主的能力，确实会受到很大影响。
但这并不意味着人的价值必然下降，而是人的价值体现模式正在发生变化。
过去，一个优秀管理者的重要能力，是拆任务、招人、分工和协调。未来，他还需要知道哪些任务应该交给 AI，如何定义 AI 的目标和边界，如何评价 AI 的结果 （反馈），以及什么时候必须由人接管。
过去，企业需要的是 「自己能够把事情做好的人」；未来，企业更需要 「能够让一组 AI 持续把事情做好的人」。
这是非常彻底的角色升级，但不是人的价值下降，恰恰相反，人的价值会大幅上升。
如果说这是场赶考，那这场赶考首先考的也不是会不会写提示词。
而是一个人能不能把自己的工作重新描述成目标、环境、约束、资源和验收标准；能不能把任务交给 AI；能不能建立反馈机制；能不能判断 AI 到底完成了任务，还是只生成了一个看起来不错的答案。
一个人使用 AI 提高写作速度，只是提高了个人生产率。
一个人能够建立一套持续工作的 AI 系统，让它获取信息、调用工具、执行任务、接受反馈并不断改进，才真正开始具备 AI 原生能力。事实上梁文锋描述的 TileLang 开发过程和贾扬清新创业项目 fleet 完成数据库软件的开发估计都是类似的过程，AI 原生组织不过是把这种模式扩展到了日常工作。
未来的很多人，都会像在经营一个自己的小型 BU。
他不再只是一个岗位上的专业执行者，而是一个目标的负责人、资源的组织者和 AI 系统的管理者 （也是反馈提供者）。
从这个角度看：
AI 时代最稀缺的，不一定是亲自完成任务的人，而是能够定义任务、组织智能并对结果负责的人。
十二、《AI 原生组织》《无人公司》 和你所说的 「智能体经济」，是什么关系？
AGI Signal： 你先提出 「无人公司」，现在又出版 《AI 原生组织》，同时还在讨论智能体经济。这些概念之间究竟是什么关系？
李智勇：它们不是三个彼此孤立的概念，而是 AI 带来变化的，由浅到深的三个层次。
《AI 原生组织》 回答的是：今天的企业怎样重新划分人与 AI 的边界，怎样完成组织重塑。
《无人公司》 回答的是：当这种改造走到极致以后，企业最终会变成什么样子。
智能体经济回答的则是：当大量拥有持续目标、状态、资产、行动权和反馈机制的 AI 组织进入经济系统以后，交易主体、财富结构和责任体系会发生什么变化。
所以，这条主线非常清楚：
组织如何改变，企业将走向哪里，经济又将如何被重构。
无人公司不是指一家企业在法律意义上没有任何人，也不是简单的一人公司，更不是一个人使用很多 AI 工具。
它描述的是一种新的组织极限：企业的大量日常经营活动，不再依赖人持续介入，而是由智能系统自主运转。
人主要位于系统之外，负责目标、价值、原则、资源和最终责任。
当一个 AI 系统只接受一次指令、完成一次任务时，它仍然只是工具。
当它能够跨越时间持续拥有目标、理解环境、调度资源、采取行动、接受结果反馈并不断进化时，它才开始具备经济主体的特征。
大量这样的系统出现以后，智能体经济才会真正成立。
但我提出无人公司，并不是为了证明未来不再需要人。
我真正想追问的是另一个问题：
当人逐渐从执行中退出之后，人应该站在哪里？
我认为，人会越来越多地站在意义、价值、目标、原则和责任的位置上。
AI 负责寻找路径和执行，人负责决定方向和边界。
所以，AI 原生组织既不能停留在旧时代的工具思维里，也不能滑向不负责任的技术激进主义。
停留原地，会被时代变化淘汰；只把 AI 当作工具，看不到组织结构的变化；把一切都交给 AI，又可能造成失控。
真正的道路，是一边前进，一边重新划定技术、人与责任之间的边界。
AI 原生组织这场考试，表面上考的是企业会不会使用 AI，实际上考的是我们能否重新回答：谁来思考，谁来执行，谁来负责，以及谁拥有进化的权利。
这张考卷是时代性的。
每个人、每个企业，都必须给出自己的答案，完成这场人与 AI 的共生进化。
最后我用我的朋友，羲悉智能蔡炎松博士给企业描述的愿景来表达下我个人对此的期望：Human Creativity,AI productivity。
假设真的如此，那我想 《AI 原生组织》 与 《无人公司》 的意义也就得到了体现。
