AI Native 时代 —— 研发组织何去何从¶

Ch01.191 AI Native 时代 —— 研发组织何去何从¶

📊 Level ⭐⭐ | 20.3KB | entities/ai-native-时代-研发组织何去何从.md

来源：原文存档

核心要点¶

AI 不是工具，是新的协作主体，其特点与人形成镜像反面：无限注意力、无情绪疲劳、无 context-switch 成本
组织最小单元正从"人 + 长期关系网"迁移到"任务 + 上下文 + 权限 + 工具"；核心问题从 ownership 变为 routing + governance
AI Native 组织呈现双层结构：底层 Harness 层（高度结构化，AI 主导）和上层 Hive Mind 层（高度松散，人主导），两者不可相互替代
新瓶颈不是 AI 能力不足，而是系统信息形态不够 AI 友好——所有被人的灵活性吸收的隐性信息成本正在以瓶颈形式暴露
Architect（把组织隐性 know-how 翻译成 AI 可消化形态的人）是新组织最高杠杆点，其产出被 N 个 agent 复用
Platform 三柱架构：Agent Platform Group（底层建造）、Domain Teams（上层探索交付）、Risk and Oversight（底层守护）
生产性 ego（"这是我要弄明白的"）是创新发动机，不可被 death-of-ego 策略一刀切杀死
AI Native 转型最被低估的红利：Harness 复利让组织变快，Execution Graph 复利让组织能持续应对变化 → 原文存档

组织为何存在：两千年的协调问题¶

把视角拉远来看，组织的演化已持续两千年，本质始终在解决同一个问题：信息如何路由。罗马军团把军队拆成 8→80→480→5000 人的嵌套结构，这是把信息路由协议化——每一层都有人聚合下层、向上传递。1806 年普鲁士被拿破仑击败后重建的"总参谋部"，是中层管理的雏形：一群专门做信息整合和决策预演的人。1840 年代美国铁路从军队借用这个结构，画出世界上第一张组织架构图——为了避免火车相撞。Taylor 的科学管理把金字塔做到极致；战后矩阵组织、Spotify Squad、Holacracy、Valve 扁平化，都是各种修补。这两千年里有一件事没变：组织演化的核心约束是人的"管理跨度"——一个人能直接管的下属在 3 到 8 之间。这个数字不是文化决定的，是人这个生物的硬限制。所以所有组织的形状，本质上都是在这个限制上做的妥协。

组织的形态来自哪里：人的镜像¶

如果组织的形状是为了适配"人"，那么组织里的所有具体设计，也都是人的镜像。康威定律说"组织结构 = 系统结构"——为什么？因为团队内部的沟通成本远低于跨团队，所以模块边界不可避免地与团队边界重合。Brooks 在《人月神话》里说"加人无法加速一个延期的项目"——为什么？因为沟通成本随人数指数增长。Frederick Taylor 把工作拆分成专业岗位——为什么？因为人的注意力是稀缺资源。Manager 评价制和强制分布——为什么？因为员工产出不可观测，所以让"信息上最近的人"代理评估。这些定律和制度都不是抽象的工程哲学，它们是人这个生物的协作物理学。组织设计的所有特点，本质上都是这个物理学的具体实现。

AI 不是新工具，是新协作主体¶

AI 不是过去意义上的"工具"：工具是延伸人的能力，AI 是新的协作主体。它的特点正好和人形成镜像反面：人有沟通衰减，AI 没有；人需要激励，AI 不需要；人会疲劳和有情绪，AI 没有；人有 context-switching 成本，AI 极小；人的记忆和注意力有限，AI 几乎无限。也就是说，所有"以人形约束为前提的组织设计"，其前提开始失效。观察几个真正在做 AI Native 的团队——Anthropic、CREAO、一些内部先锋小组——会发现一个共同形态：它们的工作分两层，两层的运作逻辑甚至是相反的。底层是极度结构化的 Harness 层：代码、测试、流水线、文档、世界模型，所有信息都被做成 AI 友好的形态，这一层越结构化越好，AI 主导。上层是极度松散的 Hive Mind 层：对话、试错、idea 涌现、Yes-and，这一层越松散越好，人主导。Anthropic 几乎肯定有比任何公司都精密的 Harness（Claude 就是它造的），但它在 Harness 之上选择运行混乱的文化——这两件事不是替代，是叠加。结构化是为了释放无结构的协作，不是用结构控制一切。

从 Org Chart 到 Execution Graph¶

如果 AI 是新协作主体，AI 的特点正好和人形成镜像反面，那么过去围绕"人"被设计出来的整个组织和研发体系，应该怎么重设计？新瓶颈又会落在哪里？ Ken Huang 的判断很关键："Once AI becomes agentic, the organization stops being accurately described by an org chart. It becomes an execution graph." 它的意思是：当 AI 真的能行动、能调用工具、能修改系统、能执行 workflow，公司就不再能被一张 org chart 准确描述。它变成了一张 execution graph，一个把人、agents、数据、权限、工具、审批关系当作同等节点的活的网络；节点之间不是"汇报关系"，是"意图到行动的转化链路" 。这个范式转换里最关键的一点是核心问题变了：旧问题是 ownership——"谁拥有这件事？"新问题是 routing 加 governance——"意图从哪里进入系统？怎么被翻译成行动？什么约束让这个行动是安全的？" 旧组织的最小单元是"人 + 长期关系网"，这个单元粘性极高，每次 reorg 实际上是在重新建立信任、重新拆解依赖、重新切割身份归属。Execution Graph 把组织的最小单元从"人 + 关系网"换成"任务 + 上下文 + 权限 + 工具"，这个单元里大部分依赖是机器可读的 artifact，不是人脑里的隐性关系。所以重组的成本可以从季度级压到 week 级，这是数量级的跃迁。从公司层面看，这可能是 AI Native 转型最被低估的红利：不是"组织能更高效"的小提升，是适应性速度本身的升级。

人既是瓶颈，也是兜底¶

协作的本质是消除理解不一致性的成本，而这个成本，过去一直是人在扛。人为什么扛得起？不是因为人多牛，是因为没别的选择。通信带宽很窄、记忆有限、注意力是稀缺资源、切换情境成本极高，再加上情绪、疲劳、动机这些非线性变量——这些约束定义了人作为协作主体的物理形状。但同时还有一件事很少有人正面说：一份不完整的需求、一段没注释的代码、一个不一致的 API 约定、一段口头传达的"潜规则"……这些缺陷之所以系统能正常运转，是因为人在用自己的灵活性、推理能力、社会沟通能力悄悄把缺口补上。开个会问一下、走过去问老王、凭经验猜一下、跑去预发环境试一下——这些动作发生得太自然，自然到我们不再把它看作"工作" 。但它们是工作。它们是人扛在肩上的、维持系统运转的隐性成本。而当 AI 接管执行之后，这一面就翻过来了。AI 没有"猜"和"问老王"的能力：它需要的是结构化、可查询、可执行、确定性的信息。但传统系统根本没有这些，因为它从来就不是为 AI 设计的。这就是新瓶颈的真相：它不是 AI 能力不够，是系统的信息形态不够 AI 友好。过去被人吸收的所有"信息隐性化、信息非结构化、信息缺失"的成本，第一次以瓶颈的形式暴露出来。

新瓶颈：信息形态的人形偏置¶

员工已经认可 AI 的处理能力，但苦于 AI 无法触及他们日常工作的数据和系统：钉钉、数据系统、研发系统、邮件、审批流。结果是一种很反讽的人机协作：员工自己当信息搬运工，从各系统手动导出数据、复制粘贴进 AI、再把 AI 输出搬回业务系统。员工正在做"人肉中间件" 。AI 已经能处理（大模型很强），但系统没给 AI 留接口（系统是为人设计的）。所以人成了系统和 AI 之间的中间件，这是当前 AI 化最大的隐性税。 OpenAI 在 2026 年初提出过 Harness Engineering——工程团队的首要职责不再是写代码，而是让 Agent 能干活。当 Agent 出错时，不是问"它怎么这么笨"，而是问"我们少了什么能力？怎么让这个能力对 Agent 来说是 legible 和 enforceable 的？" 工程师同事给"AI 友好"做了一个 5 维度归纳：测试完备性、环境完备性、架构合理性（无循环依赖、无跨服务隐式调用）、端到端测试可执行性、文档充分性。这五个维度有一个共同本质——它们要求的不是"能用"，是"AI 友好" 。而我们今天大量的研发系统，能用是因为人聪明，不是因为它们 AI 友好。一旦 Harness 跑起来，AI 接管的工作越多，失败信号越丰富，Harness 优化得越快，这是一个开始之后只会加速的飞轮。早建好 Harness 的公司会在某个临界点之后突然加速；晚建的公司不只是慢一点，是会被远远甩开。

深度分析¶

管理塌缩的真正含义¶

把传统管理者的工作拆开看至少有 10 件事——战略传导、信息聚合、资源协调、日常决策、重大决策、冲突调解、激励、辅导、招聘退出、文化建设。这十件事在 AI Native 之下命运分化得很厉害：前四项（战略传导、信息聚合、资源协调、日常决策）可被系统替代（World Model 承载 alignment、自动化报告替代汇报）；重大决策和冲突调解形态在变——重大决策从 manager 拍板下沉到离客户最近的 DRI；冲突调解的总量随团队变小自然减少；激励、辅导、招聘退出、文化建设这四项不可被系统替代（伦理上必须由人完成）；还有一类是新出现的——意图教练、身份重建、虚无对抗——以前不需要做、现在需要做、目前几乎没人在做。所以判断是：管理塌缩，不是管理消失。是管理在重新选择它的位置。新出现的角色里最关键的是 Architect：设计教 AI 怎么工作的人。这个角色不是写代码、不是堆功能，而是为整个 Execution Graph 设计架构：定义系统能力的边界、设计 SOP、建立测试基础设施、搭建集成与 triage 系统、定义"什么叫好" 。换句话说，Architect 是把组织的隐性 know-how 翻译成 AI 可消化形态的人——他做的每一份 SOP、每一个判据、每一段架构决策，都直接进入 Harness 层、直接决定 AI 接管的深度。这个角色的特殊性在于——它要求最懂这个领域的人来做。写好的测试需要懂业务的人；写好的 SOP 需要做过这件事的人；定义好的判据需要有品味的人；设计好的架构需要见过失败模式的人。这些都是资深工程师才有的特质。 Architect 是新组织的最高杠杆点——一个 Architect 的产出会被 N 个 agent 复用、被多个 domain team 依赖、被多个项目继承。组织里能找到、留住、并主动转身投入这个角色的资深工程师，就是新组织最稀缺的资本。

Platform 三柱架构的分工逻辑¶

Ken Huang 给了目前最具体的回答：Platform 三柱架构。柱 1 · Agent Platform Group——中央团队，runtime 标准、权限、日志、可观测、评估 harness、安全部署。Huang 说："This is not 'AI research' in the romantic sense; it's production engineering plus governance." 这就是 Architect 角色的组织化形态。柱 2 · Domain Teams——业务团队。"Own outcomes rather than models."对结果负责，不对模型负责。3-5 人的垂直功能小组就是它的实现。柱 3 · Risk and Oversight——治理层。Huang 给了很硬的定位："An immune system rather than a bureaucratic brake"——免疫系统，不是官僚刹车。"When governance is done well, it does not slow the Hive Mind down; it keeps it alive." 这一柱最被低估——前面所有 AI Native 讨论都在讲创造性、效率、文化，但没人正面回答"出事了怎么办？" 。三柱叠在双层结构上：柱 1 在底层建造、柱 3 在底层守护、柱 2 在上层探索和交付。Huang 给了 6 项基本功：枚举 agents、权限纪律、梯度自治、日志、评估 harness、事故响应。它们都不"性感"，但基础设施工作有复利。

Death of Ego 的边界条件¶

前几节引用的素材里有一个共同倾向——大家都在朝最大化透明度 + 最大化死 ego 的方向推。Yegge 用了一个词："death of the ego" 。听起来很美。但它会扼杀创新。区分两种 ego：防御性 ego（保护我的地盘、隐藏失败、邀功避责）是旧组织协调机制的副产品——Yegge 想杀的是这种，他对的；生产性 ego（"这是我要弄明白的"、"我不接受这个答案"、"这件事没想透我睡不着"）是创新的发动机——它被杀掉的时候，没人会立刻看到。为什么生产性 ego 是发动机？困难问题需要数月级的持续注意力——靠"我的"作锚点；创新要求愿意在公开场合显得愚蠢——靠 skin in the game；死胡同期需要顽固——靠"我不接受这是无解问题"；创新常常是反共识的——Hive Mind 越成熟反共识声音越难维持；凌晨 2 点的执着——只发生在你真心觉得"这是我的事"的问题上。这五件事 AI 当前架构上做不到。AI 没有自我连续性——transformer 是 stateless 的，本质上排斥"在一个问题上保持几个月在乎"这件事。所以创新工作就是人在 AI Native 组织里的真正不可替代领域。把工作分成三类：执行类——杀掉防御性 ego 是对的，越透明越好；优化类——抑制 ego，结构化但留批判空间；创新类——保护半成形的想法，主动维护生产性 ego，半私密、不强制广播。如果一个组织把这三类工作用同一种治理方式管——death of ego 一刀切——结果就是：执行的高效率 + 创新的死亡。

实践启示¶

判断节点类型，按类型设计治理¶

执行节点（代码实现、测试流水线、部署发布）全透明 + 死防御性 ego，越透明效率越高。创新节点（架构设计、技术方向、探索性研究）保护性环境 + 维护生产性 ego，不强制广播、不用协作流程挤压创意空间。两者搞混等于执行高效 + 创新死亡。

立即启动 Harness 建设¶

不要等完美方案。现在就开始：记录每次 Agent 出错时"我们少了什么"——这就是 Harness 优化的燃料。工程师给出的 AI 友好五维度（测试完备性、环境完备性、架构合理性、端到端测试可执行性、文档充分性）是具体的自查清单。每投入一小时在 Harness 上，明天 AI 接管深度就多一寸——而且是复利累积。

给 Architect 真实的激励¶

把"被威胁的资深工程师"转化为"被赋能的 Architect"：给身份（首席架构师、Agent 架构负责人）、给权力（对 Harness 标准有一票否决权）、给资源（专职团队而非兼职义务）。这是 AI Native 转型成败的最关键单点。

建立 Agent 名册，开始治理¶

"你不可能治理你叫不出名字的东西" 。每个生产级 Agent 都应该有注册名、owner、权限边界、上线审批和下线流程。从今天起记录组织里跑了哪些 Agent，它们的上下文窗口是什么、调用了哪些工具、产生了哪些 artifact 。

正视人的转型代价，不要假装没有¶

蒸馏焦虑会直接破坏 AI Native 转型——当员工意识到"我说的越多被替代得越快"，关键知识开始藏匿。最优秀的人先走（他们外部选择最多），剩下的是 risk-averse 的 followers，然后转型基本失败。具体应对：明确 AI 红利如何分享（扩展边界 vs. 收缩团队，两条路给员工的信号完全相反）；开放 Architect 通道、跨领域 DRI、新业务负责人等真实的过渡路径；诚实分类哪些岗位形态正在变化，模糊的承诺比明确的告知更伤人；评价系统必须跟着变，口头说"判断比执行值钱"但 KPI 还是产出量，员工不会信。 AI Native 转型最难的部分不是技术，是处理"被转型"的人。组织里的人不是 capability units，他们是有 ego、有焦虑、有家庭、有身份的存在。AI Native 不是把人当 capability 调度——是给 capability 之外的部分留出位置。

识别"人肉中间件"，系统化消除¶

员工在各个系统之间手动搬运数据的画面，是 AI 化最大的隐性税。识别你组织里的"人肉中间件"节点——哪些地方人在做信息搬运而不是判断？这些就是 Harness 工作的优先切入点。 → 原文存档