从WorkBuddy企业版:到AI Native组织的关键问题

本文以WorkBuddy企业版为切入点，深入分析AI如何重塑企业协作逻辑，揭示从个人效率提升到组织全面变革的必然路径。核心议题涵盖：AI时代个人效率与流程瓶颈的冲突、组织协作的三层协议（L1-L3），以及构建AI Native组织的关键挑战。

不久前，我读到一篇关于WorkBuddy产品负责人分享的文章。该文章整理了现场的PPT、问答环节及会后交流内容。分享主题是《从0到1打造AI Native产品背后的组织思考》。WorkBuddy是一种AI工作台，不同于大多数仅提供聊天功能的AI产品，它不仅能回答问题，还能调用工具、操作文件、处理长任务，并交付可用的结果。企业版在此基础上增加了知识、权限和协作能力，连接在线文档、企业协作平台以及会议上下文，使内容生产、知识沉淀与能力复用发生在同一工作空间。但真正引发我思考的，并非产品功能本身，而是分享将问题从产品推向了组织。当AI大幅降低执行、试错和知识调用成本后，企业原有的分工与协作方式是否还成立？近期，“超级个体”的故事广为流传：一个人借助AI可完成代码编写、设计、市场研究、销售材料制作，甚至独立搭建小产品，完成原本需要团队的任务。但企业中也存在另一种现象：某个岗位产出变快，整体流程却未同步提速。销售方案生成更快，但承诺与交付间出现更多返工；代码编写更快，测试、维护和架构一致性压力后移；客服回复速度提高，但经验丰富的员工识别的投诉升级信号反而容易被忽略。这并非单纯效率提升，而是将摩擦从一个环节移到了另一个环节。AI带来的变化不仅是消除瓶颈，更多时候是在移动瓶颈。当执行变快，新的瓶颈可能出现在验证、协作、判断、信任和责任上。WorkBuddy负责人的分享提供了一个观察框架，将AI进入组织后的问题分为三个层次：第一层，一个人如何与多个Agent协作；第二层，多个被AI放大的个体如何形成团队；第三层，多个团队之间如何交换能力、价值和资源。这三个层次分别称为L1、L2和L3，可理解为三层协作协议：L1是个人与Agent的协作，L2是多个个体与Agent的团队协作，L3是不同团队之间的能力流动与组织治理。它们并非产品版本或功能模块，而是AI进入真实工作后组织需要依次回答的三类问题。AI Native组织并非简单增加AI工具，而是当AI成为实际参与者时，重新设计任务发生、信息流动、结果验证、经验沉淀和责任承担的方式。

一个人先快起来01
WorkBuddy团队内部最早的“超级个体”，并非自上而下的AI转型动员结果。团队中先有资深工程师开发出可用的AI coding客户端，随后一个小团队在两个月内发布了近80个版本。关键在于，该工具不仅能生成代码，还能接触真实代码仓库、测试、扫描、命令、规则和CI/CD，保留任务上下文和执行状态，使AI进入完整工作流。工程师的工作位置随之变化：他不再亲自完成所有中间步骤，而是将注意力放在定义目标、拆解任务、审核结果和承担质量责任上。Agent负责规划、执行、调用工具和自检。任务结束后，过程中的规则和经验可沉淀为Skill或Memory，供后续任务使用。Skill是一套可重复调用的工作方法，Memory则包含任务历史、偏好、判断依据和执行状态，使下一次工作不必从头开始。这一层被称为L1，即个人与Agent的协作协议，包含一个闭环：先规划，再执行，最后验证，概括为PEV（Plan、Execute、Verify）。先明确目标和完成标准，再让Agent执行，最后由测试、规则或人的判断确认结果。若验证未通过，则修改计划或重新执行，而非直接交出未经检查的结果。这背后是一套责任安排：AI可承担劳动，但无权定义目标或决定结果是否被接受。人仍需回答：什么值得做，怎样算完成，出了问题在哪里停止，以及任务留下了哪些可复用的经验。因此，“超级个体”并非使用大量AI工具，而是一个人带着一组Agent，在清晰的目标、工具和验证机制下，完成过去需要多人协作才能完成的工作。这也解释了“一人公司”为何变得可能：过去一个人创业常因商业链条过长而失败，AI将不及格的环节补到及格线，使能力曲线不再容易断裂。

快起来以后02
尽管一个人可完成更多任务，小团队能做大项目，公司用更少资源获得更高产出，但这只是第一层。WorkBuddy分享提出一个问题：如果一家公司有十个超级个体，是否自然成为超级团队？直觉上答案似乎是肯定的，但实际情况可能相反。以前，一天形成一个方案，团队有时间讨论修正；现在，几个人分别带着Agent，一下午可生成十几个版本，各有上下文、判断依据和实现路径。产出增加，需要理解和比较的内容也增加。若团队仍依靠会议同步、手工汇总和层层拍板，个人节省的时间会被新的协调成本吞噬。AI放大的不仅是能力，也包括分歧。每个人都能迅速将想法变成成形方案，原本在讨论阶段的差异变成需要评审、测试和维护的产物。瓶颈从执行移动到了协作。WorkBuddy分享将这一层称为L2，即团队协作协议。它解决的不再是个人如何给Agent分配任务，而是多人、多Agent和多任务线程如何形成共享状态。这里的“共享状态”与共享文档不同：最终文档通常只告诉后来者写了什么，但难以保留最初目标、中间尝试方案、放弃路径、验证结论、未解决冲突及下一步方向。而Agent要继续完成任务，恰恰需要这些信息。如果一个人将任务交给另一个人，后者需要重新阅读、询问和理解；Agent之间也会遇到同样问题。缺少的不是文件，而是一段可继续运行的认知状态。L2需要解决几类连接：新目标出现后，相关人和Agent如何知晓；多个方案同时产生后，如何比较、合并或保留有价值的分歧；任务中形成的有效经验如何被他人使用；失败方案留下的判断和数据如何避免被重复踩踏。这些问题过去也存在，AI只是让它们出现得更快。在AI调试中，经常遇到一个版本：模型在某个场景答错，找到反例后补规则、改提示词，但修改后过去答对的样本可能不再正确。新规则可能修复一个问题，也可能破坏原有稳定部分。成熟调试不能只看眼前错误是否消失，还要做回归测试，检查边界，确认系统整体是否更可靠。企业引入AI也是如此：替换一个任务就像给系统增加新规则，该节点可能更快，但上下游节奏可能改变，隐含责任可能模糊，经验丰富者识别的异常信号可能消失。这并非因为AI不够强，而是业务从来都不是单点运行的。

公司原本解决的是什么03
经济学家罗纳德·科斯在1937年提出一个问题：既然市场可通过价格和交易组织分工，为什么世界上还需要公司？例如，企业需要设计、生产、销售和财务服务，理论上可临时到市场寻找合适的人，任务结束就解散，但真实世界并非如此。每一次临时合作都需要寻找合适的人、比较方案、解释需求、谈判价格、签订合同、监督过程，并在出错后确认责任，这些动作消耗时间和资源。科斯将这类成本称为交易成本。公司的意义之一，是将需要反复发生的市场交易变成相对稳定的内部协作，从而系统性降低交易成本。当组织内部协调的总成本低于每次重新到市场交易的成本，公司就有了存在的理由。这个解释帮助重新理解企业：一家公司不仅是一群人待在同一个组织里，也是一种降低协作成本的安排。许多岗位长期存在，不仅因为完成显性任务，还保存了上下文、建立了信任、缩短了沟通路径，并承担持续协作中的责任。AI对企业更深的价值，或许不只是让某人更快完成任务，还应继续降低促使公司存在的成本：信息寻找成本、需求反复解释成本、跨部门同步成本、返工和异常升级成本，以及出错后重新确认责任的成本。这些成本很少完整写在财务报表中，却每天消耗公司。一个节点的产出提升容易计算，但沟通少解释了多少背景、异常是否更早被发现、失败方案能否被下一个团队复用，这些变化更慢且不易被看见。因此，AI的ROI如果只用“替代了几个人”衡量，可能错过更重要的部分。真正需要观察的是交付周期是否缩短、返工是否减少、质量是否提高、经验是否被复用，以及同样规模团队能否承接过去无法承接的复杂度。人力、Agent和Token都是成本，但最终要看整条业务链是否变得更好。

当能力开始跨团队流动04
如果个人与Agent已稳定协作，多个超级个体开始形成共享状态，第三层问题就会出现。一家公司通常有多个团队：产品、研发、销售、交付、财务、法务和供应链，各自积累不同经验和能力。一个团队可能沉淀了需求分析方法，另一个团队拥有熟悉特定行业的专家，还有一个团队建立了一套可靠的测试和合规检查流程。这些能力通常存在于文档、代码仓库和少数员工经验中，知道的人可使用，不知道的人往往只能从头再做一次。WorkBuddy分享将不同团队之间的协作称为L3，即组织层面的协议。它关心的是：一种能力能否被组织里的其他团队发现、获得授权、实际调用，并在使用后得到评价。例如，被验证过的需求分析方法可封装成Skill，资深员工的部分经验可形成专家Agent，项目复盘不再只是放进知识库，而是直接更新团队下一次任务会调用的检查规则。到了这一层，知识不再只是供人阅读的静态内容，而成为可运行的组织能力。这幅图景很吸引人，但问题随之出现：调用次数多的能力是否一定更有价值？长期重要但短期低频的能力会不会被低估？由员工经验训练出的专家Agent究竟属于谁？当它被跨部门调用，贡献、收益和责任该如何分配？能力可以像市场一样流动，却不能只有市场，还需要治理。这也是企业知识沉淀中最容易被忽略的部分。技术上，已可将文档、代码、方法和工作记录整理成知识库、Skill或专家Agent，但能够沉淀不等于愿意沉淀。许多人的经验本身就是职业价值，如果组织只要求员工交出经验，却不解释贡献如何记录、能力如何归属、调用产生的价值如何反馈，知识管理就容易被视为单向索取。WorkBuddy负责人在交流中给出的边界很克制：产品可支持分享专家能力和工作结果，但不能强迫分享。技术可负责封装知识，但让知识真正流动起来，依靠的是信任。

从一条工作流开始05
回头看，L1、L2和L3并非三个专业概念，而是帮助看见AI进入企业后问题如何逐层变化。最初的问题是：一个人如何带着Agent完成工作。接下来的问题是：多个被AI放大的个体如何形成团队。最后的问题是：多个团队之间如何交换能力和价值。第一层主要面对执行效率，第二层主要面对协作成本，第三层开始碰到组织的信任和价值分配。三层之间有顺序：没有真实工作流里的个人实践，团队层协议容易变成空洞制度；没有稳定的团队协作、验证和经验沉淀，组织难以建立真正可复用的能力体系。它们不是可一次性采购的功能，而是AI能力逐层长出来后组织必须依次回答的问题。当开始讨论超级个体、超级团队和超级组织，事情容易变得宏大，但企业的AI转型可能不需要从一张未来组织架构图开始。更现实的起点仍是一条具体的工作流：这项工作的输入是什么？中间需要哪些判断？要调用哪些系统？哪些步骤高度重复？哪些异常必须由有经验的人识别？谁来验收结果？如果出错，谁负责停止和重启？最后，这次任务形成的经验会被写回哪里？管理层可给出方向、资源和红线，明确数据、安全、权限与责任边界。具体场景则应从真实工作中长出来。最熟悉一项工作的人，更容易看见哪些地方只是重复劳动，哪些地方看似简单，背后却隐藏着判断、信任和风险。工具进入真实流程，才可能出现被AI放大的个体。这些人开始共享状态，才可能形成新的团队协作方式。团队的能力能够被安全地调用、评价和复用，才有机会沉淀为组织能力。

瓶颈会继续移动06
以往讨论AI，容易先问岗位能否被替代，但这个问题过于粗放。它将公司理解为一堆岗位，又将岗位理解为一堆可拆走的任务。但公司真正运转的地方，往往不在岗位说明书里，而在上下游的接口里、异常出现的瞬间、一次没有写进流程的判断里，以及一个人愿不愿为结果负责的边界上。AI可让执行更快，也可让一个人拥有过去一个小团队的行动半径，但速度提高后瓶颈不会消失。它可能从产出移动到验证，从验证移动到协同，从协同移动到信任，再从信任移动到责任。因此，更应关注的问题是：这个流程里，真正的瓶颈在哪里？如果瓶颈是产出，就提高产出；如果瓶颈是信息，就重新组织上下文；如果瓶颈是协同，就减少解释和交接；如果瓶颈是判断，就先保护并放大那些判断；如果瓶颈是信任，就不要用速度冒充信任；如果瓶颈是责任，就不要把责任悄悄藏进自动化里。AI Native组织未必是人最少的组织，它可能只是更清楚什么应该交给机器，什么必须留给人，以及两者之间如何连接。AI让执行变便宜后，真正需要重新学习的，或许不是如何少用几个人，而是如何将更多分散的判断、行动和责任重新连接起来。