AI 时代的组织变革

开场：先做个调研——你的 AI 密度有多高

各位老师、各位企业家朋友，大家好。今天很荣幸，有机会跟大家聊聊人工智能和组织——这件事我想了好几年，今年有了更多新的想法。

先说我的背景。我不是纯老师，现在也不是纯创业者。我 07 年读浙大，14 年还没毕业就开始创业，经历过几种不同形态的组织：没创业时，我们是一个几十号人、像实验室一样的团队；自己创业的十年里，我管过几百人，也开过工厂——那是最辛苦的几年。22 年，我们看到人工智能和设计会高度融合，我和几个老师一起成立了造物云，去做 AI 的产业落地。去年浙大人工智能学院刚成立，我也回学校做了点产学研的兼职。今年，我们又几个老师开始做 K12 教育——因为我们看到 AI 对教育的冲击特别大。

正式讲之前，我想先做个现场调研，请大家举手：用过国外最好的大模型的，有几位？——差不多十来个。不管用哪个 AI，单次跟它连续协作超过 4 个小时的，有吗？——两三个、三四个，也差不多十个。今年最火的编程智能体，Codex、Claude Code，或者腾讯最近很火的那类，用过的？——一个、两个。用它开发过一个数字产品、真做出来的？——也是这几位。

好，我大概知道了：在座的 AI 密度，其实还没有我想象中那么高。前两天我给一家银行的企业家二代班上课，那批人的覆盖度可能到百分之八九十了。这就是我说的冰火两重天：做 AI 最前沿的那一波人，已经细思极恐了——这技术怎么能发展得这么快？可真实世界又是另一番景象。

今年 2 月，全世界最真实的情况是这样的：每个小点代表 320 万人，灰色是没用过 AI 的，绿色是用过免费 AI 的，黄色是为 AI 付过 20 美金以上的，红色是用编程智能体开发过独立项目的。刚刚举手的七八位同学，就是红色这一档——全世界大概 500 万人以内，差不多是万分之四的比例。最前沿的人觉得 AI 已经不得了了，但在最真实的落地环节，又有这么大的鸿沟。这中间到底发生了什么？

今天我重点讲两件事：第一，我跟人工智能打交道十年，最后收敛出的一个词；第二，这个词，正在怎样重写企业组织的三个层面。

体会一：人工智能是人机共同进化的

先说三点体会——这三点，真是我花了十年、交了很多学费才悟出来的：第一，人工智能是人机共同进化的；第二，人工智能是有密度的；第三，人工智能真正的价值，是让事情和组织越来越智能。它们分别对应了人、场景、组织与战略三个维度。

先说第一点。我们这家公司故事的源头大概在 07 年。那时我还没创业，我的老师有一天找我，说：懿武，我们看到一个新技术，叫对抗神经生成——画一个线稿，就能生成一只猫、一个人。他说，我们重新训练一下，线稿也能生成鞋子、箱包。这意味着，AI 可以做我们设计里的一部分生成能力了。从 17 年开始，我先自己给老师投钱，让学弟学妹持续做研究；一直到 22 年，我们觉得技术差不多成熟了，投资人投了一笔钱，说邱懿武你必须做 CEO 我们才投，于是成立了公司。

早期我们一直在做的，就是让 AI 能做设计。这里的难点不是画得漂不漂亮——今天豆包就能画得很漂亮——而是怎么画得准。比如给一个服装企业做符合它品牌调性的设计，我们就得逼自己想清楚：它背后的品牌基因是什么？好设计的规则是什么？以前凭直觉就做了，但今天要让 AI 学得好，你必须把方法背后好的东西提炼出来。这就是“人机共同进化”——为了教会 AI，我们被逼着把自己隐性的判断，一条条显性地想清楚。

做下来我最大的感受，是在去年。DeepSeek 出来之前，我自己很少动手用 AI，就是站在员工背后指点的那种老板——我们那些 00 后还会怼我：你自己不会干呀。DeepSeek 之后，我在家里写了一个礼拜文章，几乎没跟人交流；回办公室，我贴了一张图，写着“珍惜每一分钟人与人碰撞仅剩的价值”。因为那时我意识到：老专家加 AI 的能力，远大于菜鸟加 AI。为什么？因为老专家背后有判断、有方法——他知道什么是好的设计、好的标准。

过年回来，我把全公司的人叫到一起，说：从今天起，理论上应该是你们给我交学费，而不是我给你们发工资——我一边讲，你们一边给我打赏 token，这才是未来对的价值交换。这是最真实的割裂。但又有一个更真实的情况：有几个老专家，真能从零开始学？三年前，我为了彻底搞懂 AI，招了十几个浙大的研究生学弟学妹给我讲论文，我叫他们老师，让他们告诉我背后的原理。等我学会了，我跟他们说：现在 AI 对我的价值，已经远大于你们了——那种感觉，就像插上了翅膀。人跟机器，一起进化。

体会二：人工智能是有密度的

第二点，人工智能是有密度的。这个密度有很多层：智能有密度，行业有密度，产业、企业、人才、组织，都有密度。毫无疑问，我们浙大的人工智能密度是非常高的。

先说智能本身的密度。DeepSeek 早期负责投资的是我一位师弟。有一次我问他：你们为什么不做多模态？他说算力有限，我们就专注最核心的智能本身。前两天梁文锋也说，他们还是不做多模态——因为世界模型和多模态没有智能，只是用智能去做了一件事，没有智能的涌现；反而是大语言模型、编程这一类，出现了智能的贡献。我们早期恰恰是做多模态的，所以 DeepSeek 火了之后我去反思，才意识到智能是有密度这件事。梁文锋在做 DeepSeek 之前做金融，金融的智能密度，毫无疑问比设计要高很多——因为设计里有很多很抽象、没法数据化的东西。

行业也是同样的道理，不同行业 AI 化的优先级是不一样的：数据结构完整、决策清晰、人力又多的行业，会最先被 AI 改造。这几年我聊过几千家企业，跑下来画了这么一张图：从耐用到消耗、从重工到轻工。越偏消费者的，对消费需求的认知要求高，像快消品；越偏机械自动化的，对数字仿真、可靠性的 AI 要求更高。不同行业，AI 的价值点就落在不同的地方。

体会三：让事情和组织越来越智能

第三点，是我去年到今年思考最深的。因为原来做多模态，我意识到这几年大语言模型越来越强之后，我常拉着同事探讨：AI 真正有价值的事情，还不是用它来做我们的设计，而是让一件事、一个组织，能不能越来越智能。有点拗口——就像一个人，能不能在过程里越来越聪明。只有这样，智能才增强了智能。

这个我心心念念好几年，一直没有公司资源帮我开发，今年我就自己动手做了一个——我的第二大脑。它解决什么？我所有的开会、讲课、跟人聊的东西，全都录下来。我讲完可能就忘了，但它会在里面把所有东西洞察、分析、原子化，再可视化。最让我惊喜的是：我设计了一个功能，它每天会自己“做梦”一样，自己联想、自己校正——冒出来一句话，我一看，哎，这句讲得太好了，我当时怎么没总结出来？全是 AI 基于我这么多素材，帮我深度洞察出来的。

还有一个最重要的点：怎么让它越来越懂我？我做了一个“认知校对账本”——它到点会问我：当时我做的这个判断，是对的、部分对的，还是不对？我给它反馈，它就慢慢越来越懂我。自从有了这套系统，我们公司讲话都特别直接，因为在我面前藏不住话——你讲虚伪的话，等一下 AI 会把它拆穿。公司变得又直接又高效。

这就是我说的：先让我自己越来越智能；那么一个项目、一个组织，也可以用同样的方法，让它越来越智能。十年跟 AI 打交道，前面七年我基本在围观，真正下场深做也就最近三年。三年的体会就是：不是机器进化，不是人进化，而是人机共同进化。密度是长出来的，不是买来的。

到底什么是“智能密度”

三点体会收敛到最后，就是一个词：智能是有密度的。但要先澄清它“不是”什么——智能密度，不等于你公司的 AI 使用率，不等于自动化率，不等于 AI 技术投入，也不等于 AI 的成熟度和能力。

那它是什么？简单说，就是智能承担决策的比重。一个项目、一个人、一个组织，原来要做多少决策和判断，今天你把其中多少让渡给了人工智能——这个场景、这个组织、这个人的智能密度，就很不一样。所以企业真正的竞争力，正在从人力竞争，进入智能密度的竞争。

有没有更好的尺子来衡量？农业时代看人均亩产，工业时代看人均马力、人均千瓦时——今天用电多的工厂，产值往往更高；信息时代看人均带宽。那 AI 时代，是不是看人均算力？这确实是个重要指标。我们现在招人都会问一个问题：你烧过多少 token？如果你一天连 1 亿 token 都没烧过，说明你还没把自己的一部分工作让渡给人工智能。所以招应届生其实很简单——先问你烧过多少，再问你烧在了哪、做了什么。

95% 的 AI 项目没价值：不是技术，是制度

但去年 MIT 有一篇报道，那天纳斯达克也跌了一个多点。它的大意是：尽管所有企业都在投资 AI，但 95% 的企业说，AI 没给它们带来可衡量的价值。于是大家都在问：这个泡沫有多大？这么多资本投进去，AI 到底谁在用？越大的企业老板越常问我这个。

那篇报告也指出了：关键不是技术不好，而是在流程整合、业务匹配、组织认知与能力建设上，有根本性的问题。一个生产力进入组织，没被用好，看上去就是泡沫特别大。

这件事我在 24 年就想清楚了。当时我看了谷歌前 CEO 施密特在斯坦福的一个分享，分享完，一位教授问他：为什么电机出现的前三十年，没有显著提升工厂效率？我去翻了历史。蒸汽机时代，靠一根大天轴、大皮带把动力传出去，老国企都是这样。电机来了，大家本能地就把大蒸汽机换成一个大电机——先进生产力是先进了，可前三十年，工厂布局没有任何变化，效率也没显著提升。

真正的变化在三十年后：福特把大电机拆成小电机，把电力做成分布式，装到一条条流水线上——这才是现代工厂的起点。他把一个大的生产力，分解、分解、再分解，组织流程被重构之后，效率才极大暴涨。所有生产力都有这么一个“生产力悖论”，一条 J 曲线：新东西进来，先有学习期、适应期、磨合期，这段叫价值死亡谷。我碰到很多企业，一开始风风火火搞 AI，半年后说没效果、流程还被搞乱了，就放弃了。今天我们很多人，是在用成熟期的 ROI，去要求还在学习期的生产力——这个位置摆错了。

给个例子。AI 还没来的时候，我们就和一家家电集团合作了五年。三年前，我们跟他们说：三年之内，多模态智能会把各种能力结合到一起，产品研发流程会发生巨大变化。他们也很努力，投了很多钱买各种新软件、数字化工具去提效。可到今年第三年，其实没做到，还是那几个工具。老板问我为什么，我说：你组织流程不改，就是做不到。三年前很多技术确实还不具备，但到今天，工具和技术都成熟了——还要再花三年，这三年不是技术问题，而是整个流程重新改造的问题。

碰了这么多硬骨头，我后来看到一本书，感触很大——李约瑟的《中国科学技术史》。就是把浙大称为“东方剑桥”的那个李约瑟。他在二十几卷里一直想一个问题：古代中国有那么多先进技术，为什么工业革命没发生在中国，反而发生在英国？结论是：技术本身不会改变世界，关键在于技术能否转化为生产力。工业革命时的英国，有公司制度、专利法、皇家学会和各种组织。同样的道理，今天 AI 要融入企业，也要有很多制度设计——决策流程、权责分配、验收标准。只有解决这些，才能回答 MIT 那个问题：为什么 95% 的企业看不到价值？因为制度还没匹配好。

智能有效生产力 = 算力 × 转化率 × 密度

我最后提炼了一个公式：能不能把人工智能变成企业有效的生产力，背后有三个指标——算力、转化率、密度。算力管你够不够，转化率管你用得好不好，密度管你用在哪、用得有多深。

关键是：这三个不是加法，是乘法。算力大家都买得到，但用得好不好、用得深不深，很难。哪怕你把算力怼上一百倍，只要转化率或密度接近零，价值就接近零。

那 AI 真正的大机会在哪？我让 AI 帮我反复推理，最后收敛成一句话：所有生产力革命的大机会，都在于“越需要某个生产力的地方，你越需要它”。就像工业时代，煤越便宜，需求反而越大，才有了现代工厂；AI 时代同理——越智能、越便宜，反而越需要智能，就像电越便宜越需要电。智能的本质是脑子的判断，所以 AI 最大的变革，在那些高认知的行业和高认知密集的组织：教育、金融、法律、咨询——都是要跟脑子打交道的。反而是蓝领，天天敲榔头做实体的，未来可能更吃香。AI 本质上，是白领脑子的工业革命。

怎么把判断交给 AI：L1–L5

讲方法之前，先给大家一把尺子——智能判断交办的 L1 到 L5，拿自动驾驶来类比。L1，车提醒人，人全程操控；L2，AI 能帮你加减速、拐弯，但手不能离方向盘；L3，特定条件下（比如高速上）可以交给它，但人要随时接管；L4，限定区域内人可以彻底放手；L5，全场景无人。

自动驾驶里有件事很重要：L3 是最危险的，这两年都不敢叫自动驾驶了，改叫辅助驾驶——因为 L3 时，责任到底在人还是在机器，很模糊。所以很多企业干脆跳过 L3，直接做 L4。我们组织跟 AI 的协作，是同一个道理：一件事你能不能让 AI 直接做完？你能信任它到什么程度？这把尺子，在所有场景里都用得上。

那怎么测一个组织、一件事的智能密度？我总结四个维度：第一，有没有判断？AI 是做推理的，没有判断、判断模糊，它就随意发挥。拿招聘举例，本质上有三个判断点：简历要不要进面试？面试完给什么评价？评价完给不给 offer？第二，交了哪几个？第三，交到第几档（L1–L5）？第四，还能不能更深？比如自动筛简历，今天 AI 用多模态就能做得很好；但发不发 offer，涉及整个组织人事，它顶多做辅助，不能做主驾驶。企业转型成功的标志，不是平均密度提高，而是在特定场景里，密度真正开始分层——某个核心判断链，密到了极致。

AI 能力不是买来的，是长出来的

密度讲完，还有一个最重要的——用得好不好。这几年打了这么多交道，我得出一句话：AI 能力不是买回来的，是长出来的。你可以买模型、买系统、买工具，但你买不回 AI 能力。

为什么？因为智能转化率由三个东西相乘决定，跟制造业的良品率一个道理：第一，你得先给 AI 定好什么是“好”——什么样的决策才算对；第二，你直接问大模型，它不了解你，给的东西未必贴近你最真实的情况，所以要供好料；第三，你的验收标准和质量得跟得上。这三样里，只有供料系统可以采购——我可以买别人的系统和工具；但怎么定义一个好问题、怎么验收，本质上是业务和管理的事：定题在业务，供料在 IT 和数据，验收在管理者。三者必须结合到一起。

前两年很多人以为搞 AI 就是 IT 部门买软件——这还停留在二十年前的思维。今天的 AI，是一个组织共同学习、让能力长出来的过程。

那 AI 场景到底怎么选？第一要改变思维，从采购思维转成学习思维。优先级上有五条判断：第一，反馈够不够快？今天做得好不好，能不能一天内判断？像投广告，有效没效明天就能改策略，跟炒股一样，每天都是新市场。招一个人要一个月、半年后才知道好不好，那这事很容易凉。第二，频次够不够高？一年才做三次，你没手感。第三，后果选中等——最低的没人 care，最高的很容易做错，中等的最适合让 AI 切入。第四，一个人就能拍板，别搞太多跨部门。第五，一把手看得懂。我经常给老板们装一个炒股的 skill，他们立刻就懂了——因为有智能的反馈，他看得懂。所以典型的错误就是：别挑最重要的，别挑最容易的，别挑最全面的，也别让技术部门自己去调，而要挑学习链路最短的——今天一做，明天马上能感受到变化。

智能，正在重写组织的三层

接下来讲，智能密度会给组织带来什么。人工智能时代，大家常用一个比喻：木桩和船。今天的 AI 就像不断上涨的海浪——如果你是一根扎在水里的木桩，过两天就被淹没；如果你是一艘船，就会被这股力量不断抬起来。

那怎样的组织，会在 AI 时代被抬起来，而不是被淹掉？我总结了三个特点：第一，未来的组织一定是 AI 中枢型的——中枢解决的是协作怎么更快；第二，一定是学习型的——学习解决的是组织怎么变强；第三，是意义型的——到最后大家会问：我为什么待在这？我存在的意义是什么？

一、中枢型组织：管理的对象，从人换成上下文

先说组织结构的变化。人一直是某种稀缺的能力：工业时代之前没有机器，我们要体力——修长城要那么多人去搬砖；机器解决了体力，人就坐进办公室对着电脑动脑子，智力成了稀缺。这里有个很有趣的现象：我买的是你的脑子，但为什么还要把你的身体也一起带过来？带过来你有情绪、要吃饭、要发工资——组织放大一倍，协作成本放大四倍。所以组织的智力 = 人数 × 人均智力，还要减掉一大堆协作损耗。

我十几年前大学刚毕业就管几百人，什么管理都没做过，焦头烂额——人真的太复杂了，我幼小的心灵里全是对管理的恐惧。也正因为人多，才有了现代管理里“有效半径”“层级管理”那一套。再看人的流动：以前我特别担心核心员工走，因为他带走的是对业务的理解、判断和资源。ERP、CRM 能留下一些数字，他真把客户列表都给我了，但很多理解和判断，随他一起走了；留下一堆文档，也从没有第二个人再去看。

但这两年，我们自己先做了组织转型。去年有一刻，我在布置 OKR，打电话问在字节的同学你们怎么做；后来我想：为什么我不直接把我所有想法讲给我的 AI，明天让 AI 来布置工作呢？我做了个测试——我们公司也就二十来号人，我把对每个人的想法都告诉一个智能体，第二天大家先跟它聊“我是谁、邱总想让我干啥”。结果它布置的工作，比我布置的好多了。那一刻我意识到：企业的总经理，也许应该让 AI 来做才对。而且模型能力还在持续变强——今天是 100 万 token，假设三年后能吃进 1 亿 token，企业所有文档 AI 一次读完，把漏洞、把人和人的关系全推理出来。以前我们要买那么多脑袋，今天一个 AI 就能抵所有脑袋的智能供给之和。

所以企业要做好的，其实是把文档做好、把给每个人交代的东西讲清楚——这叫上下文。什么是上下文？很多人以为“我们公司数据很值钱”，我说你们的数据可能是坨屎——因为数据是死的，是一条条表格记录。企业的记忆有三种：流程记忆（SOP、制度，记的是“怎么做”）、数据记忆（ERP、CRM，记的是“做了什么”），这两种早就有；而判断记忆——“为什么这么定”——从来没存过。工业化让我们积累了流程记忆、数据记忆，但 AI 时代最重要的，是你当时基于这些数据，怎么做的判断。

所以今天大家回去就能开始干：自己开会，尽量都先录下来。你驳斥员工的、肯定员工的，本质都是你的判断——先留着，这就是资产。

于是，管理者也变了。管理没有消失，但管理的对象，从“人”换成了“系统与上下文”——你依然在做管理，只是管的是 agent 的上下文边界、验收标准和责任归属。以前说我是总经理，我要管这么多人；未来的总经理，要变成领导者：你怎么引导仅剩的那些人，愿意跟随你、跟 AI 一起协作。智能成为基础建设之后，隐性知识，成了唯一的变量。

二、学习型组织，与三、意义型组织

第二个特点，是学习型组织。学习型组织在管理学院讲了几十年了，但过去讲的是“让人去学习”——人学好了，组织能力就提升。而 AI 时代的学习，不是培训，不是学习这件事本身，而是老板自己能不能把“学习”变成生产力。

因为这一代 AI 本质上就是学习模型，你得给它学习的反馈。过去的生产力：互联网时代靠连接足够多的节点，工业时代靠足够多的机器和标准；AI 时代的生产力，就是你能不能定义好问题和质量标准、能不能整合好 AI 能力、能不能给它持续有效的反馈。所以这个学习，不是表面的学习，而是深度学习——只有你深度学习，AI 才会深度学习，才发挥出威力。

第三个特点，是意义型组织。既然 AI 能协作、能干活，那人留着到底干啥？这是员工问我们、我们也问自己的问题。我想过：AI 唯一替代不了的，是“下注”——你要把时间、成本压在哪里，做最后下赌注的那件事。AI 没有动机，也做不到这个。

组织不再是一台追求效率的机器，而是人类面对不确定时，因为共同面对一个值得解决的问题，而选择并肩同行的誓约。

所以未来的组织，不是把使命愿景挂在墙上，而是一群人真的为了完成一个有意义的目标聚在一起。我准备搞一个新组织，就像教育机构一样——员工过来上班，是要给我钱的，而不是我给他们发钱。今年已经有很多人想把孩子送来实习，一个月给一万块，很多人愿意。明年开始商业化，我们会在公司旁边搞这么一个组织，跟大学的实验室很像。世界变了，新的世界正在加速到来。

给企业家的提醒：不是一把手，没法 AI 化

最后给几个提醒。第一，对现在还在位的企业家，一定要告诉自己：时代真的变了，要空杯心态。在 AI 时代，你的竞争、组织形态、战略、商业模式、人的价值，都可能发生一系列变化，没有一个最终定论，大家都在摸索着往前走。

还有一点是中等企业的发展危机。我接触了几千家企业，把这个判断跟本地一位区里的领导汇报过，用数据也印证了：未来企业会两极分化。一端我称为社会型企业，比如国企、央企，成为基础建设，大而不倒；另一端是像个体户一样聚集到一起的组织，还有各行各业细分里的“专精特新”。两边数量不同，但密度差不多。最尴尬的是中间——就像人有中年危机，企业到了几个亿的时候，最容易上不上、下不下，陷进一个尴尬的中年危机。

最直接的一个结论是：不是一把手，没法 AI 化。今天可能会冒犯一句——不是总经理、不是一把手，你要做的，是在自己能决策、自己是一把手的范围之内去做。为什么？因为这次变革不是简单的流程改造，而是决策权的重新分配；决策权重新分配，就涉及人事、涉及利益，你派一个人，可能要动到另一些人。只有一把手，才能做好这件授权。

第二，也千万别把这事全交给 IT 负责人。IT 能把模型、平台、集成买回来、搭起来——但那些都是“分子”；而真正决定成败的三个“乘数”——问题定义、上下文供给、验收判断——一件都不在 IT 部门。第三，一把手自己能做什么？就是我前面说的：圈定第一个战场、定好验收标准、扛得住那段“价值死亡谷”的损失。J 曲线下面那一段，全公司所有人都会拿 ROI 来要求你——而全公司唯一不用向别人解释 ROI 的人，就是你。

最后，企业和企业之间，差异到底是什么？我想了一句话：是领导的意图，加上 AI 与数据的主权。大模型就像自来水，每个人拧开都有；但你的企业为什么不一样？智能成了自来水，人人拧开都有——企业唯一的不同，是它记得自己是谁。

好，今天就分享到这儿。我做了几个工具：企业 AI 化转型的蓝图（L1 到 L5）、智能密度的整个工具体系，大家需要的话，都是我自己开发的，可以分享给大家去用。谢谢。