代码一天，法务一周：AI原生组织为什么是「小前台，强中台」？

微信邦

把可复用判断做成护栏，把例外留给专家。

最近两三个月，关于AI的论坛和讨论，有一个话题出现的频率很高，那就是「AI原生组织」。

随便看看就会发现，不同人对AI原生组织的理解完全不一样，甚至有人会拿消耗的Token数来证明自己非常AI化。

在世界人工智能大会上，有一个知名国企的同学和我说，自己企业内AI用得特别好，每天都能消耗1亿多Token。

不过，估计咱们很多朋友听到都会心一笑，因为别说这是个上千人的大企业，对于重度的AI使用者，一个几人小团队每天消耗的Token都不止1亿。

AI原生组织的定义问题

但这就是个现实问题：没有人能说清楚啥叫AI原生组织，更没有人能说清楚区别是什么。

有人说，只有2022年ChatGPT上线之后成立的AI企业才能叫AI原生组织，这点儿我是非常不认同的。我见过一些这两年成立的新公司，里面的管理简直是八十年代的水平。

在这种情况下，我还专门在得到大脑里建了一个关于组织变革的知识库，关注AI时代的先进组织是什么样的。今天就来和你分享一下吴恩达此前在一次行业分享中的发言。

代码一天，法务一周

不少朋友对吴恩达肯定不陌生，毕竟他身上有太多传奇身份，比如他在中美顶尖AI企业都做过高管，现在Anthropic的联合创始人当年还在他手下工作过。

他说，以前做一个软件要三个月，法务审核花一周，大家不会觉得有什么问题。现在，一个小团队带着AI，一天就把软件做出来了，法务还是需要一周。

于是，开发省下来的大部分时间，又被后面一周的等待吃掉了，流程里的所有人都在等法务或者财务盖那一个章。

吴恩达把这叫作「legal compliance bottleneck」，翻译过来是「法务合规瓶颈」。

但我觉得，这个例子真正值得琢磨的地方，并不是法务太慢。因为站在法务的角度上，保证现在的流程不给未来挖坑也非常重要。当然，这也不只是程序员终于可以少加班了。

AI打破了组织的速度比

最值得我们关注的是，AI打破的是一家公司内部原来的「速度比」。

啥叫「速度比」呢？过去，写代码、做设计、写文案、跑分析，大家大致都在周或月的尺度上工作。

产品开几次会，工程师写几周代码，市场准备几周物料，法务花一周审查，各个环节时间有长有短，至少彼此差不多。

现在，写代码从一个月缩到五天，做原型从一周缩到半天，市场第一版文案十分钟就能出来。

但是，跟老板汇报需求还要一层一层开三轮会，预算还要逐级审批，数据权限还在群里找人，法务和安全还要等到上线前才第一次看见项目。

这就像一支田径场上的4x100米接力，第一棒突然从普通人换成了苏炳添，其他几棒却还穿着拖鞋。

第一棒跑得越快，其他几棒还保持着习惯的节奏，那就越刺眼。

所以，一家公司给每个员工买了AI工具，不等于它成了AI原生组织。它很可能只是让更多人更快地撞上旧流程，撞得头破血流。

小前台，强中台

吴恩达给出的答案，是小型、高授权、通才化的团队。

他曾在一篇文章里说，自己观察到的AI原生软件团队，典型规模大约是2到10人；到了最近的分享，他的说法变成了1到10名工程师。咱们不用纠结数字本身，而要关注背后的人才变化。

这些人有很强的业务上下文，也有比较宽的行动边界。工程师不只写代码，还会做产品判断、理解用户、写营销文案；产品经理也不只写需求，自己就能动手做出原型。

当然，这不是让一个人学会所有专业，更不是让程序员顺便考个律师证。

这里说的是，过去必须经过五个部门接力的第一轮工作，现在可以由几个人带着AI先跑通。遇到真正高风险、不可逆、需要签字负责的事情，再请深度专家进来。

小团队不能只靠拆部门

但只讲「小团队」，其实很容易让一个公司变得支离破碎。特别是牵涉到组织层面的变革，不是出去上几趟商学院的课，回去就能马上改造的。

很多时候，这是一个组织演化的过程，不能搞成基因突变。

如果一家公司把所有部门都拆成五人特战小组，却没有给这些小组提供共同的基础设施，结果不会是灵活，只会是遍地重复建设。

每个团队都自己接模型，自己找数据，自己写权限系统，自己理解合规要求，最后还要分别去找法务、财务和安全排队。

表面上人少了，组织图变扁了；实际上，每个小队都背着一套残缺的、自己手搓的中后台。

「强」在公共基础设施

所以，我更愿意把AI原生组织概括成六个字：「小前台，强中台」。但这里的「强」绝对不是人多、权力大、审批重，而是公共基础设施足够厚。

前台为什么要小？因为离客户和结果越近，沟通链条越短，试错越快。

一个两到十人的小队，盯住一个明确结果，有权接触客户，有权做低风险实验，有一小笔可以自己决定的预算，也能把产品、技术、运营和销售的第一轮工作连起来。

中台为什么要强？因为有些东西根本不该让每个小队从头发明。

比如，公司的模型入口、知识库、数据接口、身份权限、安全标准、效果评测、成本监控、合同模板、采购规则和品牌规范，都应该被做成随取随用的公共组件。

注意，这个中台最理想的形态，甚至不是一个坐着很多人的大部门，而是一套好用的接口，甚至这套基础设施也应该由AI来主导和建设。

强中台，指的是这套由AI支撑的基础设施足够强，可不是这个中台部门人数多。

把专业判断做成护栏

比如法务。过去的做法，是产品做完了，把一大包材料扔给法务，请法务从头看一遍。

AI原生的做法，是法务先把经验做成风险分级、标准条款、预批准组件和升级条件。

低风险、可逆的改动，系统自动检查；触碰未成年人、医疗、跨境数据、重大合同或者大额支出，才升级给专家。

法务没有消失。恰恰相反，法务的知识更早进入了产品，只是从「最后一周排队盖章」，变成了所有团队都能调用的基础设施。

财务、安全、品牌也一样。强中台的工作，不是把决定权全收回来，而是把能复用的判断做成护栏，把不能自动化的例外留给真正的专家。

这样，前台才能跑得快，又不至于冲下悬崖。

这也解释了为什么AI原生组织看上去会同时发生两件相反的事：一线团队更小、更有自主权；掌握数据、模型、权限和评测的公共中枢，却比过去更重要。

岗位正在被重新定价

最近，全球知名的网络安全公司Cloudflare的CEO马修·普林斯还提供了另一个很有意思的观察角度。

2026年5月，Cloudflare宣布裁减超1100人，约占员工总数的20%，并把这次重组称为转向「agentic AI-first operating model」，翻译过来就是「智能体优先的AI原生运营模式」。

听起来全是黑话和大词。不过两周后，他在《华尔街日报》里解释这次转型时，其他内容我完全没有记住，但他对员工分类的方法给我留下了深刻印象。

他没有按工程、法务、财务、市场这些部门来分人，而是把公司里的工作角色粗略分成三类。

三类角色，不只是三类岗位

第一类叫Builder，就是建造者，或叫创造者。负责做产品、搭系统、创造新能力。

第二类叫Seller，销售者，或者营销者。这里不只是销售岗位，还包括理解客户、建立信任、促成收入的人。

第三类叫Measurer，测量者。负责记录、汇总、审查、协调和报告公司内部已经发生的事情。

按照他的判断，建造者和销售者相对安全，AI最先逼近的是第三类角色，也就是测量者。因为大量报表汇总、差异检查、合同初筛、收入分类、运营监控，都已经有数字化输入，也比较容易被AI验证。

他的这套说法很锋利，也很有争议。普林斯还表示，被裁员工中的「绝大多数」属于他所谓的测量者，并提到中层管理、运营、市场、财务等部门都有调整。

但Cloudflare并没有公开完整的岗位裁员数据，所以我们没法验证这些岗位具体有多少人、哪些工作已经真正被AI接手。

被重新定价的是具体任务

但它有一个特别值得我们留意的洞察：在AI时代，判断一份工作的安全程度，不能只看岗位名称，要看一个人此刻承担的是什么角色。

一个产品经理，既可能是建造者，因为他在定义产品，或者自己就把原型画出来；也可能是销售者，因为他要说服客户和内部团队；还可能是测量者，因为他每周都在汇总数据、写进展报告。

一个律师也一样。设计合同模板和合规产品时，他是建造者；参加重大客户谈判、帮公司建立信任时，他有销售者的成分；逐条搬运信息、检查标准条款时，他又在做测量者的工作。

所以，真正会被AI重新定价的，不是「律师」「产品经理」「中层管理者」整个岗位，而是岗位里那些输入完整、标准清楚、结果可验证的具体任务。

反过来，凡是涉及复杂信任、利益冲突、重大责任、隐性上下文和高风险例外的工作，即使AI能给出一个看起来不错的答案，公司也仍然需要一个具体的人来判断、签字和负责。

测量会无处不在

还有一层更反常识的变化：测量者类型的岗位可能会减少，但「测量」这件事不会减少。反而会无处不在，只是需要转型成AI时代需要的测量者。

当AI智能体可以查数据、发邮件、改价格、调用预算，企业就必须知道：它读过什么，做过什么，花了多少钱，有没有越权，出了问题能不能撤回。

以前是月底做一张审计报表，以后是每一次AI行动都留下日志，每一个团队都实时看成本、质量、安全和权限。

这正好又绕回了「小前台、强中台」。真正的强中台，不是养一支庞大的测量者队伍，而是把测量、合规、安全和成本控制做进系统里。

让大多数常规动作自动通过，让少数异常准确地找到专家。

目标必须能够被测量

如果你最近用Codex之类的智能体产品，会发现有一个功能叫做「目标模式」。也就是，只要能定义好目标，AI就可以连续工作很多个小时，不眠不休，直到完成这个任务。

不过可惜的是，这个模式听起来强大，但实际用的时候，不少同学根本用不起来。

原因很简单，就是一个任务要想达到目标，必须定义好目标是什么，中间怎么测量，以及拿什么判断它真的完成了。只有这样，才知道接下来应该怎么迭代、怎么进步。

举个通俗易懂的例子。一个跟我同龄的人，在上高中时立下一个目标，说要成为「四有新人」。

当年这个称呼指的是「有理想、有道德、有文化、有纪律」。但如果要跟AI提这样的目标，就必须能准确地定义出什么叫「有道德」。

比如，每天扶五个老奶奶过马路，算不算「有道德」？然后连续365天都要有道德。再比如，「有文化」指的是高考过600分，还是能背出《水浒传》108将所有人的名字？

想要让AI真正在企业落地，就必须有一个完善的目标定义及测量系统。

AI原生组织的理想形态

所以，我现在最担心的一种所谓AI转型，就是公司只学会了「小前台」，没学会「强中台」。

一听大家说AI组织变革就是不要中层，就先把人砍掉，把管理层级撤掉，要求五个人干过去五十个人的活，至于数据、权限、评测、合规和人才培养，等出事以后再补。

这种公司短期报表一定很好看：人均产出上升，团队人数下降，原型数量暴涨。再过一段时间，重复建设、客户投诉、安全事故和资深员工疲惫才会一起冒出来。

看上去是组织扁平化，实际上只是把中后台的工作偷偷摊给每一个人，让每个人去承担混乱的后果。

一个真正的AI原生组织，应该是：

• 前面有很多两到十人的小队，离客户很近，对结果负责；
• 后面有一个人数未必多、但基础设施非常厚的公共中枢；
• 旁边还有一批深度专家，负责制定标准、处理例外，并在高风险时踩刹车。
  
  

当然，现在我在得到的一些团队里，也正在实验一些AI落地方法，已经有了一点儿眉目。等有了更多心得，我再拿出来跟大家分享。

此外，除了刚才说的这些指标，我认为AI原生企业有一个特质是非常重要的：「透明」。

如果团队到处都是私有知识和部门墙，每个人的AI助手拿到的上下文都是残缺的，那肯定也不是一个AI原生企业。