AI 时代的组织效率新公式：能力比分工更重要

AI 之前，瓶颈是执行；AI 之后，瓶颈是判断。

分工是个体能力受限的副产品。当 AI 抬高了个体能力的天花板，分工的合理性必然削弱，能力的重要性必然上升。

组织效率不再奖励规模，只奖励密度；不再奖励分工，只奖励能力。

思考一：组织效率公式被重写

工业时代到互联网时代，组织效率的朴素公式是：

产出 ≈ ( 人数 × 单位产能 ) − 协同成本

执行是瓶颈，加人能把分子拉大。Brooks 的"人月神话"只在协同成本爆炸时才发作，所以聪明的组织通过分层、分工、流程把团队扩到几百人甚至几千人。

AI 把这个公式改写了：

产出 ≈ 判断质量 × ( 人数 × 单位产能 × AI 杠杆 ) − 协同成本 − 判断稀释成本

三个根本变化：

1. AI 杠杆让单位产能从 1× 跳到 5×–50×。
2. 判断质量从加分项升级成乘数项——方向错了，再快的执行都是负价值。
3. 多了一项判断稀释成本——每多一个人都在塞自己的偏好和 prompt。

翻译成一句白话：瓶颈从"做不出来"变成了"做对方向"。

经验值：3–7 人是甜蜜点，超过 7 人开始衰减，超过 15 人衰减加速，超过 30 人开始负增长。

思考二：人越多越慢的六个机制

把上面的公式拆成日常能观察到的六个症状：

1. 协同成本被 AI 放大成二次方——AI 加速了生产，但没有加速对齐。
2. 上下文碎片化让 AI 失效——1 个人能保持完整上下文，10 个人各自只有 1/10 上下文，AI 输出的是 10 个局部最优拼成的全局错误。
3. 评审瓶颈被 AI 放大——生产侧加速 10 倍，评审侧不变。
4. 中层变成反向阻力——AI 让 CEO 直接看一手信号，中层的过滤动作开始减损信号而不是增益。
5. 任务定义成本超过任务执行成本——派活成本逼近自己做的成本，分工的经济学被严重削弱。
6. 平庸者拖累被放大——顶尖者放大 10 倍，中等者 2 倍，平庸者 0.5 倍，反向消耗团队总时间。

思考三：选人的五条新标准（升级版：高门槛 + 可量化）

旧标准（"会做 X 的人"、"Y 年经验"、"Z 公司出身"）已经失效。新标准只有 5 条，每一条都附 定义 / 行为信号 / 量化门槛 / 测试方法 / 反例——目的是让每一条都能在面试或周会观察中被识别，而不是停留在直觉判断。

总体心态：宁可保留一个空缺岗位 6 个月，也不要为了"先把人凑齐"而招进任何一个低于这个门槛的人。一个不达标的人加进来，是 6 个月也救不回来的负产出。

标准一：战略品味（Strategic Taste）

• 定义：不仅能在 AI 给出的 10 个版本里挑最好的那一个，还能判断这 10 个版本是否本来就该被产生——也就是判断"该做什么""不该做什么"。
• 行为信号：会主动质疑需求；能拒绝看起来"合理"但方向错的事；对自己产品 / 公司有 1–2 句话的核心叙事。
• 量化门槛：给他公司 / 产品现在的功能列表，他能在 30 分钟内说出"应该砍掉哪 50%、应该再加哪 5 个、为什么"；理由经得起 3 轮追问不崩盘。
• 测试方法：让他对你的产品提一个具体的反对意见，看是否击中要害；让他在一组方案里选最好的，盯着他的理由——理由背后是不是另一个层级的判断（用户价值 / 商业模式 / 长期定位），还是停留在表层（"看起来更顺"）。
• 红色反例：

- 只关注怎么做，不关注做什么

- 被告知做什么就做什么，从不挑战 - 用"老板让做的"或"用户要求的"作为决策依据

标准二：AI 全栈驾驭力（不是会用，是熟练 3 个工具栈）

• 定义：同时熟练使用一组完整的 AI 工具栈，不是只会用一个 ChatGPT。具体至少包含——代码（Cursor / Claude Code / Codex）+ 设计与原型（v0 / Lovable / Subframe）+ 内容（Claude / GPT 长文写作）+ 数据（Code Interpreter / SQL with AI）+ 工作流（n8n / Make + AI nodes）中的至少 3 个。
• 行为信号：每周主动试 ≥ 1 个新工具；能讲清楚每个工具的能力边界和适用场景；自己有一套个人 AI 工作流。
• 量化门槛：能在 2 小时内独立用 AI 工具栈交付：（1）一个可点击 demo，（2）一份 5 页内的策略备忘，（3）一份基于真实数据的分析图表——三选一。
• 测试方法：让他描述自己最近一周用 AI 完成的 3 件事——具体工具、关键 prompt 思路、最终产出，每件事拆细到 5 分钟级别。
• 红色反例：

- 只熟练 1 个 AI 工具，对新工具有抗拒（"等它成熟"）

- 用 AI 只是替代搜索，没产生新的工作流 - 还在区分"我的专业"和"AI 的专业"

标准三：端到端闭环（True Closer）

• 定义：能独立把一个产品 / 功能 / 项目从想法到上线到指标跑通——不是参与，是一个人 close。
• 行为信号：履历里有完整的个人作品集，包含真实指标（DAU、收入、留存、用户数）；能讲清楚最后 20% 的细节（部署、监控、用户反馈接住、数据接通）。
• 量化门槛：过去 24 个月里至少有 3 个完全独立 close 的项目——从需求到上线到指标，没有他这件事就不会发生。
• 测试方法：要求他展示 3 个完全由他个人 close 的项目，每个讲 10 分钟。重点听他怎么处理"卡住的地方"——是怎么过技术难关的、怎么过用户反馈关的、怎么决定 ship 还是再打磨的。
• 红色反例：

- 只能展示"我参与了 X"，无法展示"我独立做了 X"

- 项目都是 demo 阶段，没有真实用户和真实数据 - 描述自己的工作时大量使用"我们"，问到"你"具体做了什么时讲不清楚

标准四：信号驱动 Agency（自己定义问题）

• 定义：能从原始数据 / 用户 / 市场里读出问题，自己定义优先级，自己 push 解决——不需要被 brief、被对齐、被 review。
• 行为信号：每周有 1–2 个未被布置但主动推动的事；问题清单永远比时间多；不会问"我下周该做什么"，而是"我下周打算做这三件事，你怎么看"。
• 量化门槛：随时被问到"你为什么在做现在这件事，而不是另外那件"，能给出 3 层以上的因果链——业务目标 → 关键假设 → 当前的瓶颈 → 这件事会撬动什么。
• 测试方法：问他下周打算做什么。不接受"老板让我做"、"列表上写了"、"我们决定的"作为答案。要他讲清楚为什么做这件事不做另一件，每个理由追问到底。
• 红色反例：

- 被动等待派活

- 只能回答"做了什么"，无法回答"为什么做这个不做那个" - 遇到模糊问题就要求"先对齐再做"

标准五：写作即思考（1000 字讲透复杂问题）

• 定义：能用清晰的文字把一个复杂判断 / 决策 / 分析在 1000 字内讲透。写作不是文笔好，是思维清晰的副产品。
• 行为信号：日常用文档而不是会议沟通；写出来的东西能 standalone 被读懂（不需要补充上下文）；自己读自己半年前写的东西不会脸红。
• 量化门槛：30 分钟内能写出一份"这个产品 / 项目 / 决策的核心三个判断"备忘录，1000 字以内，结构清晰，没有空话。
• 测试方法：现场给他一个开放问题（"如果你来做我们的产品，你会怎么做"），30 分钟成稿。读他的稿，看：（1）有没有明确的核心判断（不是罗列），（2）每个判断有没有反方观点的考虑，（3）能不能跳过他直接读懂。
• 红色反例：

- 只能口头讲，写不出来

- 写出来的东西需要他在场解释才能懂 - 全是"我们应该……"、"建议……"，没有具体决策和取舍

标准六（隐藏门槛）：直接面对真实

最容易被忽略但最关键的一条：

• 直接和用户对话——不通过销售 / 客服转述
• 直接看原始数据——不通过 dashboard 抽象
• 直接读代码 / 看产品——不通过 PPT 汇报

AI 时代信息传递的成本几乎为零，每一道转述都是判断质量的损耗。愿意 + 能够直接面对真实的人，比任何中介者都接近最优解。

行为信号：每周至少和 3 个真实用户对话；能直接打开 SQL / Looker / Amplitude 拉数；能直接打开代码库找 bug。

不达标信号：所有信息都靠"团队同步"获得；没有自己的一手观察；表达里全是别人转述的二手判断。

综合评分（六维硬门槛）

维度	60 分门槛	80 分门槛	95 分门槛（稀有）
战略品味	能识别明显的方向错误	能定义产品 / 项目的核心 1–3 件事	能改写公司战略
AI 全栈驾驭力	熟练 1 个工具栈	熟练 3 个工具栈 + 自己的工作流	自己造工具 / 链路
端到端闭环	在团队里 close 过	个人独立 close 过 ≥ 3 个项目	close 过有真实收入的产品
信号驱动 Agency	被点名后能主动	自己定义优先级	自己定义问题域
写作即思考	能写得别人看懂	30 分钟成稿，结构清晰	写作就是产品，能影响行业
直接面对真实	看 dashboard	自己拉数 / 见用户	数据 / 用户成为本能

门槛建议：核心团队（前 10 人）每一条至少 80 分，至少 2 条达到 95 分；扩充期（10–30 人）每一条至少 60 分，总分 ≥ 480（六项平均 80 分）。

低于这个标准的人，无论多便宜、多努力、多匹配 JD——都不要。"先招进来再说"是 AI 时代最贵的错误。

思考四：能力比分工更重要——AI 时代组织设计的底层假设

上面所有判断都汇聚到一个底层假设：分工的存在是为了弥补个体能力的上限。当 AI 把个体能力的上限抬高一个数量级，分工的合理性必然削弱，能力的重要性必然上升。

1. 分工经济学的三大基础正在崩塌

亚当·斯密在《国富论》里用扣针工厂举例：18 世纪一个人做扣针一天产出不到 20 枚；十个人分成 18 道工序协作，一天能产出 48000 枚。这是分工经济学的奠基。

斯密给出的分工三大好处：

分工的好处	在 AI 时代的命运
技能专精：长期做一件事，熟能生巧	AI 把"专精"民主化——任何人 + AI 几乎瞬时获得 60–80 分的专家产出
工具专精：每道工序配专用工具	AI 是通用工具——同一个模型能写代码、做设计、写文案、做分析
省去切换成本：专注一道工序不用切上下文	AI 时代上下文切换被压到极低——M 型人才的多领域切换成本 ≈ 单领域专家

三大好处在 AI 之后都被严重削弱——但协同成本仍在涨、上下文碎片化代价仍在涨、判断稀释代价仍在涨。收益削弱、成本上升——分工的净价值快速从正变负。

2. 个体能力天花板被 AI 抬高一个数量级

更深一层：分工之所以是工业时代的最优解，是因为个体能力有硬上限。一个工程师不可能同时是一流设计师；一个 PM 不可能同时是一流工程师。

AI 改变的是这个前提：

• 工程师 + Cursor / Claude Code → 能做出 80 分的设计
• 设计师 + v0 / Lovable → 能 push 可运行的前端代码
• PM + AI → 2 小时内做出可点击 demo

个体能力天花板从"一个深度专长"变成了"一个深度专长 + 多个 AI 放大的次专长"。 当个体能力变成 M 型，原来必须靠多人协作才能做的事，一个 M 型个体可以独立完成。

3. 分工与能力是两套对立的逻辑

维度	分工主导组织	能力主导组织
基本假设	个体能力有限，靠协作弥补	个体能力被 AI 放大，靠密度突破
角色定义	JD 越细越好，边界清晰	边界越模糊越好，能力越宽越好
招聘标准	经验匹配 / 学历对口 / 公司背景	品味 / M 型 / Closer / Agency / 写作 / 直面真实
薪资体系	按职级 / 按职能定价	按贡献 / 按结果定价
绩效考核	任务完成度 / KPI	闭环 outcome / 用户收入指标
组织结构	按职能划分（产品部 / 设计部 / 研发部）	按使命划分（小队完整闭环）
协作模式	流水线 + handoff	一人到底 + 异步合作
效率公式	人数 × 单位产能 − 协同成本	判断质量 × ( 密度 × AI 杠杆 )

注意这两套逻辑不是程度差异，而是根本对立：分工要求分割问题，能力要求合并问题。一半分工一半能力的组织最差——招了 M 型人才，但用 JD 评估他；让小队闭环，但用职能职级定薪。

4. 现实信号：能力主导组织在跑赢分工主导组织

• Cursor：约 25 人，2026 年年化收入超 $300M，人均年化收入 $12M+
• Midjourney：约 50 人，估值数十亿，人均估值数千万美元
• Anthropic / OpenAI 核心模型团队相对行业惯常规模异常的小
• Notion / Linear / Figma 早期团队达到第一个亿级估值时普遍 < 30 人

这些公司的共同特点：人少、没有传统职能划分、所有人都自己 close、奖励 outcome。

它们以极小规模拿下传统巨头都拿不下的市场份额。

5. 大公司为什么转不过来

"能力主导"对大公司是伤筋动骨：

• HR 系统按职级和 JD 设计——能力主导意味着这套要重写
• 薪资体系按职能市场价定价——M 型人才不在任何一个职能曲线上
• 招聘漏斗按 JD 筛选——能力主导要看作品集和完整闭环成果，根本无法用 JD 漏斗筛
• 绩效按任务完成度评估——能力主导要看 outcome
• 组织架构按职能划分——要拆成小队闭环，意味着拆掉中台和职能部门

整个组织的"代谢系统"是为分工设计的，反向阻力极大。

这给创业公司一个罕见窗口：一个用"能力主导"从零搭起来的 30 人组织，生产力等于一个用"分工主导"勉强转型的 300 人组织。