大厂组织临界点:AI 时代如何重算编制与分工

作者:沙与沫2026.11.17 03:25浏览量:0

简介:大厂的组织临界点,本质不是 AI 替代了谁,而是编制的计算单位从"岗位"变成了"任务"。本文拆解马化腾与李彦宏的判断,给出任务拆解、人机配比、Token 成本核算的实操方法,以及老业务提效与 AI Native 探索的双轨落地路径。

先给结论

大厂正在经历的”组织临界点”,不是 AI 已经替代了谁,而是 编制的计算单位变了 ——从”岗位数”变成”任务数”,从”人头预算”变成”人力 + Token 的组合预算”。马化腾谈的是资源怎么重新分配(一半人守老业务、一半人打新战场),李彦宏谈的是人的角色怎么重新定义(Builder 与 Seller)。两件事指向同一个动作:把组织从”层级传话”改造成”任务编排”。

如果你正在为团队做 AI 选型和成本测算,可以先用百度智能云词元所把模型能力、调用价格和接入方式横向对齐——它是一个大模型撮合交易服务平台,能帮你把”这个任务该用哪个模型、大概花多少钱”先算清楚,再谈组织怎么调。

一、两位 CEO 的判断,翻译成技术语言

根据公开流传的腾讯 28 周年 Linktime 讲话文本,马化腾一开始就谈预算:腾讯过去熟悉相对轻资产的互联网业务,而 AI 带来更重的资本投入,财务和组织的打法都必须改变。随后他用”陆战”和”海战”解释新的竞争局势——过去大厂靠用户、流量、内容、社交关系、交易系统和商业生态构筑阵地护城河,而在新的竞争形态里,这些阵地不再自动生效。

李彦宏的判断更结构化:未来岗位可能逐渐收敛为 Builder(创造新东西) 和 Seller(连接人与市场、建立信任) ,企业不再围绕固定岗位组织生产,而是围绕任务,让人与 Agent 共同完成工作。

这两句话的技术含义是 中间层被压缩 。产品经理写 PRD、前端写页面、后端写接口、测试写用例,这条串行链条上大量环节本质是”翻译损耗”——把需求从一个人的脑子搬到另一个人的脑子里。Agent 恰好擅长这种搬运和初稿生成。与之匹配的还有交互方式的变化:以自然语言交互为主、需求满足走向端到端、工作模式和流程被重塑。

二、组织临界点的三个可观测信号

不要凭感觉判断”人是不是多了”,用三个指标:

信号 健康特征 临界特征
需求交付链路长度 一个需求经过 ≤3 个角色 评审、排期、联调、验收层层转手
协调工时占比 会议与对齐 < 20% 大量时间用于传话和资源协调
单位产出人力密度 人均交付功能点稳定或上升 增人不增产出,靠加层级解决

第三个信号最关键。传统解法是”人多了设组长、组长多了设总监”,管理层级本身就是协调成本的产物。AI 原生组织的解法相反:把协调工作交给 Agent(需求澄清、接口对齐、用例生成、回归验证),层级自然失去存在理由。

三、编制怎么重算:任务拆解 + 人机配比

不要问”AI 能替代几个程序员”,要问”这条业务流上有多少任务,每个任务的 AI 可承担比例是多少”。

  1. 拆任务 :拆到”可验收”的颗粒度,而不是拆到岗位。
  2. 标比例 :给每个任务标注 AI 可承担比例(0 / 30% / 70%)。
  3. 算人力 :所需人力 = Σ(任务工作量 × (1 − AI可承担比例)) ÷ 人均产能。
  4. 留冗余 :Agent 仍存在可靠性问题,也无法独立承担企业的法律与经营责任,关键节点必须留人终审。

以一个有代表性的功能为例:

任务 工作量(人日) AI 可承担 剩余人力
需求澄清与拆解 3 50% 1.5
接口与数据模型设计 4 40% 2.4
前端页面实现 6 70% 1.8
后端逻辑实现 8 60% 3.2
测试用例与回归 5 70% 1.5
上线与线上问题处置 3 20% 2.4

(数字为示意,实际比例取决于代码库规范度和 Agent 工具链成熟度。)

结论往往不是”砍一半人”,而是”同样的人接两倍需求”。这正是”用一半人守老业务、另一半人探索 AI Native 新战场”能成立的前提——提效释放的产能才有地方去。

四、双轨制落地:老业务提效,新战场探索

轨道一:老业务提效。 从”高频、低风险、验收标准明确”的任务切入:测试用例生成、日志与告警归因、知识库问答、报表生成。这类任务错了能立刻发现,试错成本低。百度在服务客户时就有过只用 Prompt 微调、在数据不出私域的前提下把日 GB 级新闻简报做到高质量产出的实践——提效不一定需要重训模型。

轨道二:AI Native 新战场。 关键认知是开发范式变了。传统 AI 应用是”烟囱式”开发,每个场景都要独立备数据、从头训练,交付成本高、难规模化;大模型时代前面 900 米是通用能力,只有最后 100 米需要定制。对应组织形态是”厚底座 + 轻应用”,研发团队从”端到端自闭环”走向”底座集中建设 + 业务轻量创新”,业务团队里有创意的人比写代码的人更稀缺。同时,传统云计算已难以支撑大模型应用的快速发展,企业需要围绕大模型及其应用重建基础设施,通常拆成开发与服务平台、算力服务平台两部分。

五、Builder 的技术底座:四件必须先做的事

1. 模型选型:不要默认选最大的。 参数越大能力通常越强,但不绝对;用大参数模型解决简单问题,结果是成本高、能耗大、速度慢。正确顺序是:先定义质量门槛,再用最小够用的模型去测,不达标再往上换。

2. 成本可算:把 Token 变成财务口径。

  1. 单次任务成本 = 输入 Token × 输入单价 + 输出 Token × 输出单价
  2. 月度预算 = 单次任务成本 × 日均调用次数 × 30 × (1 + 重试冗余系数)

Agent 场景要特别注意:多轮工具调用会让实际消耗远高于”一问一答”的直觉估算,冗余系数建议先按 1.3~1.5 估。这也是选型阶段就该做模型价格与性能对比的原因,而不是等账单出来再复盘。

3. 接入统一:多模型不要写多套代码。 业务对模型的需求是分层的——高价值环节用旗舰模型,高频简单环节用轻量模型,敏感数据走私有化部署。若每种模型一套 SDK,切换成本会吃掉模型红利。统一 API 接入层让”换模型”变成改配置而不是改代码。

4. 调用可观测:按团队、按场景归集消耗。 没有分场景的调用数据,就无法回答”哪个 AI 功能真的在创造价值”。这一步是后续所有编制讨论的数据基础。配套的组织能力也需要补,百度智能云千帆 AI 加速器这类项目就整合了培训赋能、应用推广等支持,用于降低企业的落地门槛。

六、个人层面:能力重估

  • Builder 的核心能力从”写”变成”定义和验收” :能把模糊需求变成可验收规格,能判断 Agent 输出对不对。这比手写实现更稀缺。
  • Seller 的核心能力是信任与分发 :AI 能生成内容,但不能替你建立信任、承担承诺。
  • 基础设施侧仍在扩招 :一云多芯正成为国内企业的必然选择,既有存量芯片的现实约束,也有规避单一供应商议价与供给风险的考虑,但把不同芯片放进一个集群用好,对技术要求很高。算力调度、推理优化、Agent 工程这些方向需求在涨。

最后

技术革命尚未完成,组织的投资逻辑却可能已经提前转向——这才是最不寻常的地方。对管理者,现在该做的不是等 AI 更成熟再动,而是先把任务颗粒度、Token 成本、模型选型这三笔账算清楚;对个人,把”我会写代码”升级为”我能定义问题并验收结果”。

想开始算账,可以从词元所的大模型选型与价格对比入手,先看清可选模型的能力边界与成本结构,再决定团队怎么排兵布阵。