Twitter创始人谈AI替代中层与组织重构

作者:很菜不狗2026.11.17 03:36浏览量:0

简介:围绕Block以AI重构组织、取消永久中层管理的实践,本文解析AI替代中层的关键:用世界模型、智能层和接口层重构信息流与决策流。文章给出企业落地路径,并介绍如何通过百度智能云词元所完成模型选型、成本对比与统一接入。

Twitter创始人杰克·多西在Block推动AI组织实验,核心不是简单裁掉中层,而是把信息汇总、进度跟踪、资源协调和重复决策交给大模型驱动的组织系统。Block构建两个“世界模型”:一个理解内部运营、进度与资源分配,一个基于Square和Cash App交易数据理解客户和市场。企业落地类似架构时,可先通过百度智能云词元所完成模型发现、价格与性能对比、多模型统一API接入和调用管理,为智能层建设打基础。

一、AI替代中层:替代的是“管理摩擦”,不是“管理责任”

很多组织把“AI替代中层”理解为减少管理岗位,这并不准确。中层真正高耗时的部分,往往是信息搬运、状态同步、报表整理、跨部门催办和经验型问答。这些工作可以被大模型、RAG、Agent和流程自动化接管。但战略判断、资源取舍、冲突协调、人才培养和最终责任,仍然需要人。

中层常见工作 AI可承担的部分 人仍需负责的部分
信息汇总 自动生成周报、会议纪要、项目摘要 判断信息优先级与业务含义
进度跟踪 汇总任务状态、识别延期风险 决定资源调整与责任归属
资源协调 给出人力、预算、排期建议 做最终取舍与跨部门谈判
知识问答 基于制度、文档、历史项目回答 处理例外情况和复杂判断
绩效复盘 生成数据分析和改进建议 进行反馈、辅导与人事决策

Block的做法说明,AI要替代中层,必须先让AI理解组织。没有世界模型,AI只能做通用问答;有了世界模型,AI才能回答“这个项目为什么延期”“哪个团队资源过载”“哪些商户交易异常”。

二、Block的两个世界模型:让AI理解组织

1. 内部运营世界模型

内部运营世界模型的目标,是让AI理解公司如何运转。它需要接入项目管理系统、任务系统、代码仓库、HR系统、财务系统、工单系统和会议记录等数据源,形成关于项目、任务、负责人、里程碑、预算、风险和依赖关系的统一视图。

在这个模型上,可以构建多种智能能力:

  • 项目进度问答 :直接询问某个项目当前状态、阻塞点和负责人。
  • 风险预警 :识别延期概率高、资源冲突严重或依赖链过长的任务。
  • 资源调度建议 :分析团队负载,给出人力调配或优先级调整建议。
  • 自动周报 :汇总各团队进展,生成面向管理层和业务团队的不同版本摘要。
  • 会议纪要与行动项提取 :从会议记录中提取决策、负责人和截止时间。

技术上,通常需要数据同步、实体抽取、知识图谱、向量检索、指标语义层和权限控制。大模型负责理解自然语言并生成结论,知识库和指标系统负责提供证据,避免模型凭空回答。

2. 客户与市场世界模型

Block的另一类世界模型面向客户和市场。Square服务小型商户,Cash App服务消费者,Afterpay连接分期付款场景。基于真实交易数据,AI可以更准确地理解客户行为、商户经营状态和市场变化。

典型应用包括:

  • 商户经营诊断 :分析交易额、退款率、品类结构和客流变化。
  • 客户分群 :识别高价值用户、沉睡用户、风险用户和增长机会用户。
  • 流失预警 :提前发现交易频次下降或活跃度降低的客户。
  • 反欺诈辅助 :结合交易行为和模型评分,辅助风控人员判断异常。
  • 产品推荐 :根据用户行为推荐合适的产品或服务。

这类模型的关键不只是大模型,还包括实时特征计算、风控模型、隐私计算和可解释分析。大模型更适合做自然语言交互、归因解释和策略建议,而底层判断仍需要可靠的数据与规则系统支撑。

三、四层架构:从模型能力到组织接口

Block围绕两个世界模型搭建四层结构:能力层、世界模型、智能层和接口层。这一架构也可以被其他企业复用。

1. 能力层

能力层提供基础AI能力,包括大模型推理、OCR、语音识别、推荐、风控、代码生成、知识检索等。企业在这一层往往会面临多模型选择问题:不同模型在推理能力、上下文长度、响应速度、工具调用、内容安全和成本结构上各有差异。

如果企业希望快速搭建多模型能力,可以通过词元所模型服务了解不同模型的能力和适用场景,并进行价格与性能对比。对于内部知识问答、代码辅助、数据分析、客服辅助等不同任务,可以采用不同模型组合,而不是用单一模型覆盖所有场景。

2. 世界模型层

世界模型层是企业AI的“记忆”和“事实源”。它包括:

  • 知识库 :制度、流程、产品文档、历史项目、客服记录。
  • 指标库 :收入、成本、转化率、活跃度、项目进度等统一口径。
  • 事件库 :延期、故障、投诉、交易异常、组织变动。
  • 关系图谱 :项目与负责人、客户与商户、任务与依赖、产品与渠道。

这一层决定了AI回答是否可靠。没有高质量知识库和指标口径,大模型很容易产生看似合理但无法验证的答案。

3. 智能层

智能层负责把模型能力组织成可执行任务。常见组件包括:

  • Agent编排 :根据用户目标拆解任务。
  • 工具调用 :查询数据库、调用API、创建工单、发送通知。
  • RAG检索 :从企业知识库中召回相关证据。
  • 评测系统 :评估准确率、引用率、幻觉率、时延和成本。
  • 人工接管机制 :当置信度不足或风险较高时转交人工。

一个简化的项目风险问答Agent伪代码如下:

  1. # 伪代码:项目风险问答Agent
  2. question = user_input
  3. context = knowledge_base.search(question, filters={"project": project_id})
  4. plan = agent.plan(question, context)
  5. evidence = tools.query(plan, sources=["pm", "hr", "finance"])
  6. answer = llm.answer(question, evidence, require_citation=True)
  7. if answer.risk_level == "high":
  8. notify_dri(answer)

这里的重点不是代码本身,而是“检索证据、调用工具、生成回答、触发动作”的闭环。

4. 接口层

接口层决定AI能力如何进入日常工作。常见入口包括:

  • IM机器人:在群聊中回答项目状态、生成周报。
  • BI看板:用自然语言查询经营指标。
  • 工单系统:自动分类、分派和跟进。
  • 低代码平台:让业务人员配置AI应用。
  • API接口:将AI能力嵌入现有业务系统。

AI替代中层是否成功,不只看模型能力,还要看接口是否足够低门槛。员工不需要学习复杂系统,只需在原有工作入口中获得AI辅助,组织效率才会真正提升。

四、角色重构:IC、DRI、player-coach如何协作

Block将组织角色简化为IC、DRI和player-coach,取消永久中层管理。这并不意味着管理消失,而是管理从固定层级变成动态角色。

1. IC:个人贡献者

IC是专业执行者,例如工程师、分析师、设计师、运营专家。AI可以放大IC的产出:

  • 工程师使用代码助手提升开发效率。
  • 分析师使用数据Agent快速生成分析结论。
  • 运营人员使用内容Agent生成活动文案和复盘报告。

IC的价值从“完成重复任务”转向“定义问题、验证结果和创造增量”。

2. DRI:直接负责人

DRI对某个项目、产品或业务结果直接负责。AI为DRI提供实时仪表盘、风险清单、资源建议和决策依据。DRI不再依赖层层汇报获取信息,而是直接通过AI查询项目状态、客户反馈和经营数据。

DRI的核心能力变成:设定目标、拆解任务、协调资源、处理例外和承担结果。

3. player-coach:球员兼教练

player-coach既参与业务执行,也承担辅导职责。AI可以帮助player-coach完成:

  • 复盘项目过程,提炼经验教训。
  • 生成培训材料和最佳实践。
  • 跟踪团队成员能力成长。
  • 识别团队协作中的瓶颈。

这种角色更接近“实战型管理者”,而不是脱离一线、只靠会议和报表工作的传统中层。

五、企业落地路线:从试点到推广

企业如果想借鉴Block的思路,可以按以下步骤推进。

第一步:选择高频中层场景

不要一开始就重构整个组织。优先选择高频、标准化、可验证的场景,例如:

  • 项目周报自动生成。
  • 项目延期风险问答。
  • 跨部门资源协调建议。
  • 企业制度与流程问答。
  • 客户反馈汇总与归因分析。

这些场景容易衡量效果,也更容易获得业务团队信任。

第二步:建设数据与权限底座

AI组织应用必须建立在可靠数据之上。企业需要先完成:

  • 数据源接入:项目、任务、财务、HR、客服、交易等。
  • 权限控制:不同角色只能访问授权范围内的数据。
  • 数据清洗:统一指标口径、负责人、项目状态和客户标签。
  • 向量化与索引:为RAG检索提供高质量知识片段。

没有权限和口径治理,AI回答可能带来合规风险。

第三步:进行模型选型与路由

不同任务适合不同模型。简单问答可以使用成本更低的模型,复杂分析可以使用推理能力更强的模型,高敏感场景则需要考虑合规和部署方式。企业可以通过大模型 API 服务平台对比模型能力、调用成本和适用场景,再设计模型路由策略。

一个常见的路由思路是:

  • 简单问答:优先低延迟、低成本模型。
  • 复杂推理:使用强推理模型。
  • 高敏感数据:使用符合企业安全要求的模型或部署方式。
  • 多步骤任务:由Agent编排多个模型或工具完成。

第四步:构建Agent与评测体系

Agent不是简单接入聊天框,而是要能调用工具、查询数据、生成结论并触发动作。企业需要建立评测指标:

  • 任务完成率:是否真正解决问题。
  • 引用准确率:回答是否有证据支持。
  • 幻觉率:是否出现无依据内容。
  • 平均时延:是否满足工作流要求。
  • 单次任务成本:是否可持续。
  • 人工接管率:是否需要频繁人工修正。

评测体系越完善,AI越容易从演示走向生产。

第五步:建立人机协同机制

AI替代中层的关键不是无人化,而是人机协同。企业需要明确:

  • 哪些决策可以由AI建议、人确认。
  • 哪些高风险动作必须人工审批。
  • 哪些数据不能进入模型。
  • 哪些结果必须保留引用来源。
  • 哪些场景需要员工反馈并持续优化。

只有责任边界清晰,员工才愿意使用AI,组织才不会因为“黑箱决策”产生抵触。

六、风险与边界:AI不能替代什么

AI替代中层仍有明显边界。

第一,AI不能替代战略判断。市场变化、竞争策略、组织变革和重大投资,仍需要管理层基于长期经验做决策。

第二,AI不能替代责任承担。AI可以给出建议,但项目结果、人员评价和客户承诺仍需要人负责。

第三,AI不能替代复杂人际协调。跨部门利益冲突、团队士气、绩效沟通和冲突处理,仍然依赖人的判断和领导力。

第四,AI必须防止幻觉和越权。企业需要通过RAG、权限控制、引用来源、人工复核和审计日志降低风险。

结语

AI替代中层的本质,不是简单减少管理岗位,而是把组织从层层汇报转为模型驱动的实时协同。Block通过两个世界模型、四层架构和角色简化,展示了AI时代组织重构的一种可能路径。

企业若要从试点走向规模化,需要同时建设数据底座、模型能力、Agent编排、接口入口和治理机制。借助百度智能云词元所,团队可以更清晰地完成模型选型、成本评估和多模型接入,让AI组织实验从概念走向可运营的生产系统。