Token导航 LogoToken导航

AI 资讯 · AIGC从0到1

企业AI进化:从组织人类到组织智能

更新 2026-11-21AIGC从0到1正文 1.2万字阅读约 38分钟1 张图片

过去两年,关于人工智能与企业的讨论,大多围绕一个问题展开:AI 会替代哪些工作?哪些岗位会消失?一个人借助 AI 能完成多少人的工作?

但它们可能还不够深入。

因为,当一项技术开始改变企业的生产方式时,它影响的往往不只是劳动者的工作效率,还包括企业如何分配知识、如何协调行动、如何积累经验,以及如何决定什么事情应该由自己完成。

换句话说,AI 带来的变化,可能不只是让一个员工变得更高效,而是让企业本身开始以不同的方式组织起来。

1937 年,经济学家罗纳德·科斯在《企业的性质》中提出了一个经典问题:既然市场可以通过价格机制协调资源,为什么还需要企业?他的解释是,市场交易本身存在成本。当通过市场协调的成本高于企业内部组织的成本时,企业就有了存在的理由。

近九十年后,人工智能正在让这个问题重新变得重要。

当知识可以被模型调用,任务可以被 Agent 执行,流程可以被系统编排,组织经验可以被持续记录和复用,企业内部与外部之间的成本结构就可能发生变化。

但真正值得追问的,就成了:

当智能不再只能依附于人类个体,而能够被组织、积累、调用和持续改进时,企业本身会不会进化为一种新的智能系统?

这或许是理解 AI 原生组织最重要的入口。

01 AI 原生企业,已经呈现出不同的组织形态

2026 年,INSEAD 的 Hyunjin Kim 与哈佛商学院的 Rembrand Koning 发布了一项名为《AI-Native Firms》的研究。他们将 Y Combinator 不同批次的创业公司,以及美国获得风险投资的创业公司作为研究样本,分析 AI 原生企业的团队规模、职能构成、员工资历和管理层级。

研究发现,与同一行业、相近时期的非 AI 原生创业公司相比,AI 原生企业平均规模小约 25%,工程师占比高约 13%,初级员工和管理人员占比各低约 15%,组织层级也更扁平。与此同时,AI 原生企业的估值并未因此显著落后。

这组数据说明,AI 对企业的影响在改变企业从一开始如何配置人员、组织能力和生产资源。

研究尤其强调了两个不同的作用路径:

第一条是流程路径(Process Channel)。 AI 进入企业内部,改变原有工作的完成方式。过去需要多人协作、层层传递的任务,现在可能由一个人借助 AI 完成。

第二条是产品路径(Product Channel)。 AI 不只是企业内部的辅助工具,而是被直接嵌入企业所提供的产品和服务。企业因此能够以更少的人,向更多客户交付原本需要大量知识劳动才能完成的价值。

两条路径的区别非常重要。

如果一家企业只是让员工使用 AI 写邮件、做表格、生成报告,那么它主要是在提高现有组织的效率。

但如果一家企业从产品设计、交付方式到客户服务,都围绕 AI 的能力重新构建,那么它改变的就不仅是工作效率,而是企业的生产函数。

这种区别也能从其他实证研究中看到。

2025 年发表于《The Quarterly Journal of Economics》的研究《Generative AI at Work》,分析了 5,172 名客户支持人员使用生成式 AI 助手的情况。结果显示,AI 辅助使员工平均每小时解决的问题数量提高约 15%;其中,经验较少、技能水平较低的员工获益更明显,而经验丰富的员工提升有限,部分高技能员工的质量指标甚至出现小幅下降。研究还发现,AI 有助于传播高绩效员工的工作经验,让新员工更快进入熟练状态。

这意味着,AI 的价值不一定是让最优秀的人变得更优秀,它还让原本只存在于少数优秀员工身上的经验,变成更多普通员工可以调用的能力。

更进一步,2026 年发表于《Organization Science》的《The Cybernetic Teammate》提供了另一种观察。研究团队在宝洁公司开展了一项涉及 791 名专业人员的预注册现场实验,让参与者在真实产品创新任务中,分别以个人或团队形式,在有 AI 和没有 AI 的条件下完成工作。

研究发现,使用 AI 的个人在任务表现上达到了没有 AI 的双人团队水平;AI 还帮助不同职能背景的员工跨越专业边界,产生更均衡的解决方案。

这项研究最有意思的地方,揭示了一种新的组织可能性:AI 可以在一定程度上承担过去由团队协作完成的知识整合工作。

一个研发人员,可以借助 AI 更充分地理解商业问题;一个商业人员,也可以借助 AI 获得技术视角。

原本需要通过会议、沟通和跨部门协作才能实现的部分知识连接,现在可以由人和 AI 的互动来完成。

当然,宝洁的实验聚焦于特定的创新任务,不能直接推导出所有组织活动都可以由个人加 AI 完成。

这些研究共同指向一个值得认真对待的变化:

企业的组织结构,开始不再完全由需要多少人来决定,而越来越取决于哪些能力可以由系统提供。

这也让我们必须重新审视一个更基础的问题:

企业究竟是在组织人,还是在组织能力?

02 真正的问题不是替代岗位,而是组织能力如何形成

我们习惯于把企业理解为一群人的集合。

一个企业有创始人、管理者、员工,有研发、市场、销售、财务等部门。每个人承担不同岗位,每个部门完成不同职能,最终通过管理和协作实现企业目标。

在这种理解中,企业的能力主要来自人的能力。

一个优秀的销售团队,意味着有一群优秀的销售人员;一个强大的研发部门,意味着有一批优秀的工程师;一家管理能力很强的企业,意味着它拥有一套优秀的管理团队。

但这种理解隐藏着一个问题:

如果一个人的能力无法被其他人理解、复用和继承,那么这种能力究竟属于个人,还是属于企业?

假设一家公司的核心员工离职了,他过去做过大量判断,积累了很多客户经验,知道哪些方案有效、哪些路径容易失败,也知道面对特殊情况应该如何处理。

这些知识可能散落在他的记忆、聊天记录、工作文件和个人经验中。

当他离开时,企业失去的就不只是一个岗位上的劳动力,还可能失去一部分无法被重新获得的组织能力。

企业经常把人员规模、资产规模和业务规模当作自身实力的体现,却很少认真衡量:

  • 有多少经验真正留在了组织内部?

  • 有多少成功的方法可以被其他成员复用?

  • 有多少失败已经转化为组织的知识?

  • 当人员发生变化时,组织能否继续保持原有的判断能力?

  • 当遇到新的问题时,组织能否从过去的经验中找到解决路径?

这些问题实际上涉及一个经典的组织理论概念:组织记忆(Organizational Memory)。

1991 年,James P. Walsh 和 Gerardo Rivera Ungson 在《Academy of Management Review》发表了《Organizational Memory》,系统讨论了组织如何获取、保存和检索信息,以及组织记忆如何影响后续行动。

组织记忆并不等于企业拥有多少文件,文件只是信息的载体。

真正的组织记忆,还包括信息如何被保存、如何被找到、如何在具体情境中被理解,以及如何影响组织的下一次行动。

这也解释了为什么很多企业虽然拥有庞大的知识库,却依然无法有效积累经验。

它们有文档,却没有可调用的知识;有流程,却没有能够适应变化的判断机制;有大量历史数据,却不能从中形成新的行动能力。

另一个重要理论来自 Luis Garicano。

他在 2000 年发表于《Journal of Political Economy》的《Hierarchies and the Organization of Knowledge in Production》中提出,组织层级可以被理解为一种知识分配机制:普通员工处理常见问题,专业人员处理复杂问题,遇到无法解决的情况再向更高层级传递。

从这个角度看,管理层级不只是权力结构,也是知识结构。

组织之所以需要管理者,有一部分原因是知识分散在不同成员身上,而这些知识需要被识别、路由和整合。

现在,AI 正在改变这种知识分配方式。

一个 Agent 可以在需要时调用不同领域的知识;一个人可以借助模型跨越原本不熟悉的专业领域;一个工作流可以根据任务类型,将问题分发给不同的系统和专业人员。

过去需要通过组织层级完成的部分知识传递,现在可能由技术系统承担。

但这并不意味着管理者会消失。

因为知识的调用不等于知识的正确使用,信息的整合也不等于目标的确定。

AI 可以帮助组织回答问题,却不一定知道哪些问题值得优先解决;可以生成多个方案,却不一定能够独立承担选择错误的后果。

因此,真正需要改变的不是简单地减少管理层级,而是重新理解组织能力的来源。

我们需要从一个新的视角理解企业:

企业不只是拥有一群具备能力的人,还应该拥有一种能够持续保存、调用、组合和改进能力的系统。

这就是从组织人类走向组织智能的第一步。

03 组织可编程化:让经验变成系统能力

如果企业的能力需要从个体身上迁移到系统之中,那么接下来就出现一个问题:

如何完成这种迁移?

我认为,一个重要的切入点是:组织可编程化(Organizational Programmability)。

这里所说的可编程化,并不是把企业变成一套僵硬的软件流程,也不是要求所有员工按照机器能够理解的规则工作。

它真正指向的是:

组织能否将目标、知识、经验、规则、流程、权限和评价标准,转化为能够被人类与计算系统理解、调用、执行、验证和持续迭代的结构化能力。

举一个简单的例子。

一家企业有一位非常优秀的市场研究人员。

他知道如何寻找可靠的信息源,如何判断信息的可信度,如何区分事实和观点,如何建立竞争分析框架,如何从大量资料中提取真正重要的结论。

如果这些能力只存在于他的个人经验中,那么企业就必须依赖他本人完成每一次研究。

即使他带领了一个团队,也可能需要花费大量时间进行培训、检查和纠错。

但如果企业开始把这些经验结构化,情况就会发生变化。

首先,企业需要明确研究目标和质量标准。

然后,把信息来源、搜索方法、分析框架、判断规则、证据要求、报告结构和审核机制记录下来。

进一步,还可以把其中适合自动化的部分转化为 Agent 工作流,让系统按照既定规范执行任务。

最后,通过人工评估、结果对照和错误分析,不断修正工作流。

此时,原本属于一个人的经验,开始成为组织可以反复调用的能力。

这就是组织可编程化的意义。

把原本依赖个人记忆和经验的工作方式,转化为一种可复用的组织资产。

从这个角度看,组织可编程化至少涉及五个方面:

维度

需要被结构化的内容

目标

企业要实现什么结果,如何判断优先级

知识

事实、经验、方法、案例、证据及其来源

规则

哪些事情可以做,哪些事情不能做

流程

任务如何拆解、分配、执行和交付

评价

如何判断结果质量,如何识别错误和改进

这五个方面并不是彼此独立的。

目标决定任务,知识支持判断,规则约束行动,流程组织执行,评价机制则把结果反馈给系统。

当它们能够形成闭环时,组织才真正拥有了把经验转化为能力的基础。

不过,这里存在一个容易被忽视的风险。

组织可编程化不等于规则越多越好。

当企业不断增加 Agent、提示词、工作流、自动化规则和权限配置,却没有统一的版本管理、依赖关系、回归测试和废弃机制时,组织可能陷入一种新的复杂性。

这种现象称为规则债务(Rule Debt)。

它与软件工程中的技术债务有相似之处:短期看,增加一条规则可以解决一个具体问题;长期看,大量彼此不一致的规则可能让系统越来越难以维护。

例如,一个 Agent 按照旧规则执行,另一个 Agent 已经采用新标准;一个工作流认为某项数据可以直接使用,另一个流程却要求人工审核;某个自动化任务依赖的知识库已经过期,却仍然被持续调用。

最终,组织虽然拥有了越来越多的自动化能力,却可能失去对这些能力的整体控制。

因此,组织可编程化不仅需要把经验转化为规则,还需要对规则本身进行管理。

规则需要版本,知识需要来源,流程需要依赖关系,执行需要记录,错误需要回溯。

只有这样,组织才不会从依赖个人,转变成依赖一套无人能够理解的自动化系统。

更重要的是,并非所有组织能力都适合被完全编程化。

重复性高、标准明确的工作,通常更容易结构化;涉及复杂情境、隐性知识和价值判断的工作,则可能需要保留更大的人工判断空间。

因此,组织可编程化的目标,是让人的判断能够沉淀下来,让系统承担可以稳定复用的部分。

04 组织智能:让企业拥有自己的认知循环

当组织拥有了可编程化的知识、规则和流程,是否就已经拥有了智能?

并没有。

一个系统可以执行很多任务,却不一定理解这些任务之间的关系;可以保存大量信息,却不一定知道哪些信息值得调用;可以完成一次工作,却不一定能够从结果中改进下一次工作。

这就引出了另一个更重要的概念:

组织智能(Organizational Intelligence)。

在讨论组织智能时,我们需要先区分三个概念。

  • 组织记忆:组织能够保存和检索什么。

  • 组织学习:组织能否根据经验和反馈改变自己的行为。

  • 组织智能:组织能否围绕目标,持续感知环境、获取知识、进行推理、协调资源、作出决策、采取行动,并通过反馈改善未来表现。

组织记忆是基础,组织学习是变化机制,而组织智能强调的是整个系统的综合能力。

这一问题并不是 AI 出现之后才开始被研究。

2010 年,Anita Williams Woolley 等人在《Science》发表了《Evidence for a Collective Intelligence Factor in the Performance of Human Groups》。

研究团队通过两项涉及 699 人的实验发现,不同群体在多种任务上的表现之间存在一个可以识别的集体智能因子(Collective Intelligence Factor)。这一因子并不简单取决于群体成员的平均个人智力,而与成员的社会敏感性、对话轮次分配的均衡程度等因素相关。

这项研究说明:

群体智能并不是把几个聪明的人放在一起就自然产生的。

成员之间如何沟通,信息如何流动,观点如何被理解,分歧如何被处理,都会影响一个群体最终能够完成什么。

AI 时代,这个问题需要被进一步扩展。

因为组织的成员不再只有人类。

一个企业的认知和行动系统,可能同时包含创始人、专业人员、不同类型的 Agent、企业知识库、外部数据源、软件工具和自动化工作流。

它们共同构成一个新的协作网络。

可以用一个循环来理解组织智能:

组织智能的七个环节

从环境感知到行动,再从结果中学习

1.感知Sensing

发现外部变化、内部问题与机会

2.记忆Memory

保存事实、经验、决策和历史结果

3.推理Reasoning

理解问题、分析关系、形成方案

4.协调Coordination

组织人、Agent、工具和资源

5.决策Decision

确定目标、优先级和行动边界

6.行动Action

执行任务,产生真实世界的结果

7.学习Learning

比较预期与结果,修正知识、规则和下一轮行动

从反馈回到感知,形成持续循环

这七个环节不是一条只能向前运行的流水线,而是一个持续循环的认知与行动系统。

例如,一家企业发现某个市场出现了新的需求。

感知系统收集市场信号;记忆系统检索过去的类似案例;推理系统分析市场变化及潜在机会;协调系统组织研究人员、Agent 和数据工具;决策者确定是否投入资源;执行系统开展产品研发和市场测试;最后,学习系统比较预期与实际结果,把新经验写回组织记忆。

如果下一次面对相似问题,企业能够更快识别信号、更准确地调用经验、更合理地分配资源,并减少过去犯过的错误,那么它的组织智能就得到了提升。

这里有一个关键区别:

一个拥有很多 Agent 的企业,不一定比只有几个 Agent 的企业更智能。

Agent 的数量只代表系统拥有多少执行节点。

真正决定组织智能的,是这些节点能否共享可靠的知识,能否围绕共同目标协调行动,能否识别错误,并把结果转化为下一轮改进。

如果十个 Agent 各自工作、互不理解,甚至不断重复同样的错误,那么它们可能只是十个彼此孤立的自动化工具。

反过来,一个只有少量 Agent 的系统,如果能够持续积累研究经验、记录决策过程、复用经过验证的方法,并通过反馈不断改进,就可能表现出更强的组织智能。

因此,组织智能的核心不在于系统有多大,而在于它是否形成了一个有效的认知循环。

图片

05 企业边界正在重新划分:什么必须由企业自己拥有?

现在,我们可以重新回到开篇的科斯问题。

企业为什么存在?

科斯在 1937 年的《The Nature of the Firm》中提出,市场交易并不是免费的。寻找价格、谈判、签订合同以及协调交易,都存在成本。当企业内部组织资源的成本低于通过市场交易完成同一件事的成本时,企业就有了存在的理由。

这套理论帮助我们理解,为什么企业会把某些工作放在内部完成,而把另一些工作交给外部供应商。

例如,一家公司可以自己建立研发团队,也可以购买外部研发服务;可以自己建设客服部门,也可以将客服外包。

企业需要比较的,不只是直接成本,还包括沟通、协调、质量控制、信息不对称、合同执行和长期合作等成本。

但 AI 正在改变这套成本结构。

过去,一家企业想要获得专业知识,可能需要招聘专家、建立团队、进行培训,或者向专业机构购买服务。

现在,很多知识和专业能力可以通过模型和 Agent 被按需调用。

过去,完成一项复杂任务可能需要多个岗位之间反复沟通;现在,部分任务可以通过系统编排完成。

过去,企业必须长期维持某些专业职能,才能确保业务连续性;现在,一些能力可能通过外部模型、专业 Agent 和标准化服务获得。

这意味着,企业内部化某项能力的必要性,可能正在发生变化。

但我们不能因此简单得出一个结论:AI 会让企业越来越小,甚至让企业消失。

因为 AI 降低了一些成本,也可能增加另一些成本。

例如:

  • 生成信息的成本下降,但验证信息的成本未必同步下降;

  • 执行任务的成本下降,但协调多个 Agent 的成本可能上升;

  • 获取外部知识的成本下降,但企业对核心数据和知识产权的控制需求可能上升;

  • 自动化程度提高,但错误发生后的责任认定和风险控制可能更加复杂。

因此,AI 时代的企业边界,不应该只根据任务执行成本来判断。

还需要考虑知识是否需要长期积累、数据是否具有敏感性、错误是否能够被及时发现、行动是否可以撤销,以及最终责任由谁承担。

从这个角度看,未来企业可能出现几种不同的组织形态。

企业形态

核心特征

主要组织逻辑

传统整合型企业

以内部部门和岗位为主

通过雇佣和管理组织生产

轻量核心型企业

保留少量核心人员,外部能力按需调用

通过能力组合完成业务

Headless Firm

大量业务执行由软件、Agent 和自动化系统承担

以规则、接口和系统流程维持运营

AI 协调型生态组织

多个企业、Agent 和专业服务共同完成任务

通过协议、平台和治理机制组织协作

这几种形态不是必然依次出现的进化阶段,而是可能长期并存的不同组织选择。

同一家企业也可能同时采用多种模式:核心战略和关键知识留在内部,标准化任务交给 Agent,专业服务通过外部网络获取。

这里最值得关注的变化是:

企业内部化的对象,逐渐从具体工作转向更底层的组织能力。

企业不一定需要自己完成所有工作,但可能必须掌握自己的目标体系、核心知识、客户关系、关键决策权、质量标准和责任机制。

例如,一家 AI 原生研究公司可以把大量资料收集、初步分析、代码实现和文档整理交给 Agent。

但它仍然需要自己决定研究什么问题,什么证据值得相信,哪些结论可以被公开,以及如何对研究结果负责。

企业的核心竞争力可能不再来自拥有多少执行岗位,而来自它能否有效组织、验证和积累这些分布式能力。

这不是企业边界的消失,而是企业边界的重新定义。

06 智能组织的基础设施:让系统能够运行,也能够被验证

如果我们把企业理解为一个持续运行的智能系统,那么它就需要一套新的基础设施。

这套基础设施至少包含六个方面。

第一,目标与战略(Goal & Strategy)。

系统必须知道自己为什么存在,要解决什么问题,什么结果才有价值。

AI 可以帮助拆解目标,却不能仅凭执行效率决定企业应该追求什么。

目标定义仍然是组织最重要的能力之一。

第二,组织记忆(Organizational Memory)。

企业需要保存研究成果、业务经验、历史决策、失败案例和重要证据。

但这些内容不能只是文件堆积,而应该能够被检索、关联、追溯和复用。

每一项重要知识都应该尽可能保留来源、形成时间、适用条件和可信程度。

第三,人类智能(Human Intelligence)。

人类成员需要承担战略判断、复杂情境理解、价值选择、关系建立和责任承担等工作。

AI 原生组织并不是一个没有人的组织,而是一个重新分配人类与机器能力的组织。

第四,Agent 劳动力(Agent Workforce)。

Agent 承担能够被结构化、委派和验证的任务。

不同 Agent 可以拥有不同的专业能力,通过标准化接口协同工作。

但 Agent 的权限、任务范围和执行边界必须清晰。

第五,评估与学习(Evaluation & Learning)。

系统不能只记录自己完成了什么,还必须判断完成得怎么样。

任务完成率、事实错误率、证据准确率、研究质量、返工比例、错误复发率,都可以成为组织能力评估的指标。

没有评价机制的自动化,只是把工作交给机器;有评价和反馈机制的自动化,才可能逐步成为组织学习的一部分。

第六,治理与控制(Governance & Control)。

系统需要权限管理、风险控制、决策记录、执行追踪、人工审核和回滚机制。

尤其是在 Agent 获得更多自主权之后,组织必须知道它做了什么、依据是什么、产生了什么结果,以及出现错误时如何停止和修复。

这里还需要引入一个来自软件工程的重要概念:可观测性(Observability)。

在软件系统中,日志(Logs)、指标(Metrics)和链路追踪(Traces)帮助工程师理解系统内部发生了什么。

类似地,AI 原生组织也需要记录 Agent 的任务输入、知识来源、执行步骤、调用工具、决策过程和输出结果。

但必须强调:

可观测不等于正确。

一个系统可以完整记录自己如何得出错误结论。

所以,组织还需要持续评估(Evaluation)、证据溯源(Evidence Provenance)、回归测试(Regression Testing)和人工复核(Human Review)。

只有当系统的执行过程能够被观察,结果能够被评价,错误能够被追溯,权限能够被控制,组织才有可能在可靠的基础上扩大 Agent 的自主权。

这六个方面共同构成了 AI 原生组织的基本操作系统。

AI 原生组织操作系统

一个用于理解组织能力如何被组织起来的参考架构

1 · Goal & Strategy

目标、战略、优先级与价值判断

2 · Organizational Intelligence

组织记忆、知识、推理与学习

3 · Human Intelligence

判断、创造、责任与治理

4 · Agent Workforce

执行、编排、专业能力与协作

5 · Evaluation & Learning

质量评估、反馈、错误修正与能力进化

6 · Governance & Control

权限、审计、风险、责任与可逆性

贯穿各层的基础设施

Organizational Programmability · Memory · Observability · Rule Versioning · Evidence Provenance

这套架构最重要的意义,是把过去分散在不同管理职能、软件系统和员工经验中的能力,放进一个统一的组织系统中理解。

它也为新企业提供了一种不同的设计方式。

过去,创业者通常先确定业务,然后招人、设部门、搭建管理体系,最后再考虑如何引入技术工具。

AI 原生组织可以反过来:

先确定需要形成什么组织能力,再判断哪些能力应该由人类承担,哪些可以交给 Agent,哪些需要通过外部服务获得,最后才决定需要招聘什么样的人。

这会改变创业公司的组织设计逻辑。

07 从组织人类,到组织智能

我们可以把前面的讨论重新串联起来。

AI 原生企业的出现,让我们看到企业组织结构已经开始发生变化。

但组织结构变化只是表象。

更深层的变化,是企业开始尝试将原本分散在个体身上的知识、经验和工作方法,转化为可以由系统保存、调用和复用的能力。

组织可编程化,为这种迁移提供了基础。

组织记忆,让经验能够跨越个体和时间保存下来。

Agent,让部分知识和执行能力能够被按需调用。

评价和反馈机制,让组织能够从行动结果中学习。

治理和可观测性,则让这种系统能力能够在可控的条件下持续运行。

这些环节共同指向一个更大的命题:

企业可能不再只是组织人类劳动的机构,而会逐渐成为组织多种智能、协调多种能力、持续形成集体认知的系统。

当越来越多的执行工作能够被机器承担时,人类需要更加清晰地承担那些决定组织方向和边界的职责。

人类需要决定目标,理解复杂情境,提出新的问题,识别价值,处理不确定性,并为重要决策承担责任。

Agent 则可以承担越来越多可委派、可结构化、可验证的任务。

二者并不是简单的替代关系,而是新的组织分工关系。

当然,这种组织形态也面临一些尚未解决的问题。

如果企业过度依赖 Agent,是否会逐渐丧失专业人员的独立判断能力?

如果所有经验都被结构化,是否会压缩那些无法被既有规则描述的探索性知识?

如果组织的记忆越来越依赖模型和自动化系统,错误信息是否也会被更快地传播和固化?

如果企业把大量职能交给外部模型和 Agent 服务,是否会在关键时刻失去对核心能力的控制?

这些问题提醒我们,智能组织并不是一个只需要增加技术投入就能实现的理想状态。

它需要新的组织理论、新的治理机制,也需要新的实证研究。

尤其是我们还需要回答一个根本问题:

一个组织究竟如何证明自己拥有智能?

不能因为它拥有大量模型、Agent 和自动化流程,就认为它已经形成了组织智能。

真正的检验标准应该是:面对新的问题,它能否更快地发现变化;面对不确定性,它能否更准确地调用知识;面对复杂任务,它能否更有效地协调资源;面对失败,它能否修正自身;面对时间,它能否持续积累能力,而不是每次都从头开始。参见前文从知识经过,到能力沉淀

这才是组织智能真正值得研究的地方。

我倾向于把企业的这场变化理解为三个层次:

  • Human Organization:组织人类。 企业主要通过雇佣、岗位、部门和管理层级组织生产。

  • AI-Native Organization:组织方式 AI 原生化。 AI 不再只是外部工具,而是进入企业的产品、流程、知识和生产体系。

  • Intelligence Organization:组织智能。 企业逐渐具备能够持续感知、记忆、推理、协调、行动和学习的系统能力。

其中,AI-Native 描述的是组织采用怎样的技术和生产方式;Intelligence Organization 描述的则是组织希望形成怎样的长期能力。

两者并不等同。

一家企业可以非常 AI-Native,却没有真正的组织智能:它可能拥有大量自动化流程,却缺少可靠的记忆、评价和学习机制。

反过来,一家传统企业也可能通过持续建设组织记忆、知识体系和学习机制,逐渐形成更强的组织智能。

因此,AI 原生不是终点。

组织智能,才是我们真正需要探索的方向。

回到最初的问题:企业为什么存在?

也许未来企业存在的理由,不再主要是为了把一群人组织起来完成工作,而是为了建立一个能够持续形成、积累、协调和运用智能的系统。

它可以调用外部能力,却必须掌握自己的目标;可以让 Agent 执行任务,却必须保留判断和责任;可以借助模型获取知识,却必须建立自己的记忆和验证机制。

企业的价值,也许将越来越取决于它能否把分散的知识和能力组织成一种持续进化的整体。

从这个意义上说,AI 带来的最大变化,是让我们第一次有机会重新思考:

一个组织,除了由人组成,还能够由什么构成?

参考研究与理论来源

以下列出本文涉及的主要研究。需要注意,其中既有经典理论和正式发表的学术论文,也有较新的工作论文;它们的证据成熟度并不相同。

  1. Coase, R. H. (1937). The Nature of the Firm. Economica. DOI

  2. Walsh, J. P., & Ungson, G. R. (1991). Organizational Memory. Academy of Management Review. DOI

  3. Garicano, L. (2000). Hierarchies and the Organization of Knowledge in Production. Journal of Political Economy. DOI

  4. Woolley, A. W., et al. (2010). Evidence for a Collective Intelligence Factor in the Performance of Human Groups. Science. DOI

  5. Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics. DOI

  6. Dell’Acqua, F., et al. (2026). The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork. Organization Science. DOI

  7. Kim, H., & Koning, R. (2026). AI-Native Firms. INSEAD / Harvard Business School working paper. SSRN


>/作者:王零壹,920.org.cn(AI Research Institute)创始人,港大AIBT研究生,前上市公司 CMO。长期研究 AI 产品、Agent 架构与商业增长,并持续观察技术变迁如何重塑人的工作、判断与生活。

*著有《AIGC从0到1》系列丛书、及东方寓言小说《飞将军》;

*善于洞察先机,1月26日中文互联网第1个意识到OpenClaw(小龙虾)范式价值的人;

关注我,一起AIGC从0到1~

文章标签学术研究

资讯来源:由AI资讯编辑整理自互联网公开内容,版权归原作者所有,未经许可,不得转载。