从超级个体到超级团队：AI时代组织变革的涌现路径

引言：AI 变革是被设计出来的，还是长出来的

过去两年，几乎每一家咨询公司都发布了 AI 转型路线图，每一个商学院都开设了 AI 战略课程，每一位首席执行官都在年度战略里写下了"拥抱 AI"。但斯坦福 HAI《2026 人工智能指数报告》显示全球 88% 的组织已在至少一项业务中采用 AI，而麦肯锡 2026 年全球 AI 调查揭示了一个鲜明对比：仅有 1% 的公司自认达到了 AI 成熟——将 AI 深度嵌入核心业务并产生系统性价值的企业，百中无一。

这 88% 与 1% 之间的巨大鸿沟，暴露了一个被广泛忽视的事实：绝大多数组织推进的 AI 变革，仍然停留在"采用 AI 工具"上，远未触及组织借助 AI 实现彻底蜕变的层面。而在这片广袤的停滞中，有一种完全不同的图景正在发生——它的起点往往不在高管会议室，也不在重新绘制的组织架构图上，而是出现在一个工程师的深夜编程中，出现在一个产品经理第一次用编程智能体跑通需求验证的那个下午。

报告把"AI 转型"与"AI 原生"这两个看似截然不同的命题，统一到了同一个底层逻辑：AI 转型是存量组织内部超级个体逐步涌现、能力溢出带动团队进化；AI 原生是超级个体从第一天就按新方式聚合。两者的核心命题其实是同一个——超级个体如何聚合为超级团队，区别只在于路径和约束不同。因此不必纠结企业属于哪一类，真正该问的是：当下的企业环境究竟有没有在培育超级个体？有没有为超级团队的生长创造出足够的空间？

报告给出的公式是：组织竞争力 = 人才密度 × AI 杠杆 ÷ 组织摩擦。三者的关系是乘除而非加减——分子翻倍但分母不动，净效果打折；分母减半约等于分子翻倍。超级个体放大的是分子，超级团队真正解决的是分母。

第一章：超级个体的诞生

1.1 什么是超级个体

定义是：借助 AI，一个人能够达到过去需要一个小团队才能达到的产出规模和影响半径。拆开看有四个结构性特征，缺一不可。AI First 的工作动线——AI 是工作的默认起点，是"我先让 AI 跑，然后在 AI 产出上做判断和修正"，而非"遇到困难才问 AI"。能力边界的量级跃迁——不是提升百分之几十，而是 10 倍甚至数十倍，一个人跑通"产品—设计—研发—运营"整条链路。极强的主动性——不等待组织安排，天然的边界探索者。以及最关键的那道阈值：影响力溢出——高效个体只让自己变快，超级个体让团队变快。

量化证据方面，Anthropic 基于 10 万条对话的生产力研究显示，AI 可使任务完成时间平均减少约 80%，其中信息汇编节省 95%，课程开发从 4.5 小时降到 11 分钟，文档写作节省 87%，金融分析节省 80%。《哈佛数据科学评论》的相关研究则指出：只把 AI 叠加到原有人类工作流上，常见收益多为 20% 到 40% 的增量；围绕智能体重新设计流程，才可能释放 2 到 10 倍——文中一家全球工业企业的审计报告初稿从约 24 小时降至约 2 小时。商业信号同样明确：Cursor 从 100 万美元年化收入到 1 亿美元仅约 12 个月；单人创办的新公司占比从 2019 年的 23.7% 升至 2025 年上半年的 36.3%。

1.2 什么人先醒来

开发者的觉醒是从写代码到指挥代码。CodeBuddy 的 subo 有 90% 以上的代码由 AI 编写，他说"我不关心它写什么代码，只关心代码架构"；一个晚上，AI 在他指挥下产出约一万行代码。团队负责人 Bati 的判断更具操作性："只要你拥抱 AI，把你的技能嫁接在 AI 上，你个体就乘十倍。到十倍，已经需要并行指挥很多智能体了。效率提升的上限，取决于你能同时管理多少个智能体。"管理的对象，从人变成了智能体。

AI 是中心，所有人都是边缘。

非工程师的跨界觉醒，表现为岗位边界在溶解。美图首席执行官吴欣鸿提出了"超级设计师"的概念；RoboNeo 的产品负责人原本是设计师，自学模型部署和 AI 编程，现在很难定义他到底是设计师、产品经理还是工程师。特赞创始人范凌观察到一个反直觉的现象：公司里用 AI 工具用得最好的并非研发团队，而是产品经理和设计师——AI 最大的价值，是让非专业人士也拿到了过去专属于研发的开发资源。

创始人则从提需求转向亲手做。flomo 联合创始人少楠从未写过代码，现在每天花三个小时用编程智能体跑需求验证，flomo 目前 70% 到 80% 的代码由 AI 贡献，周期从按周计算变成了按小时计算。出门问问创始人李志飞在 2025 年端午节三天内亲自用 AI 写了十几万行代码，开发了一个团队协作软件——但正是这次体验让他意识到：如果组织没有被重新设计，超级个体在组织里可能是一场灾难。

1.3 能力排序的洗牌

AI 同时在做两件事：重排序列，和拉大方差。它不是简单的放大器，也不是均衡器，而是按一套新标准重新给人定价。触宝创始人王佳梁给出的分层模型是：顶层 5% 能将 AI 杠杆与不可替代的人类能力结合起来；拓展者 10% 突破了原有边界；效率提升者 70% 用 AI 更快完成工作，获得线性提升；被淘汰者 15%，其工作恰好是 AI 最容易替代的。

AI 替代的是你被雇佣的理由。

当 AI 可以获取几乎所有知识、执行几乎所有标准化任务时，一个人被组织需要的理由，必须从"我知道什么、我能做什么"转移到"我能判断什么、我能创造什么"。

1.4 什么人不容易醒来

报告点出了三类。学习姿态错位的人——坚持"先学再用"：先系统学完课程、先等公司统一采购工具、先看别人用的效果再开始。把 AI 当效率工具而非协作对象的人——用"搜索引擎升级版"的方式使用它，能获得 10% 到 20% 的提升，但永远触不到十倍放大的门槛。身份感过强的人——当一位资深工程师的自我认知建立在"我写的代码质量高"之上，AI 编程对他就不是工具，而是身份威胁。

第二章：从超级个体到超级团队

2.1 超级个体为什么会聚合

如果 AI 能让一个人完成过去一个团队的工作，那团队是否还有必要？报告观察到的恰恰相反：超级个体没有走向孤立，他们在以新的方式、新的理由聚合在一起。

第一重是共同承担风险。承担风险的能力来自系统冗余——多点决策、多点抗压、多点试错。与单创始人相比，有联合创始人的公司五年存活概率高约 45%、获风险投资概率约 1.8 倍、到达产品市场匹配约快 25%；十亿美元级公司中约 80% 有两名及以上联合创始人。

第二重是共同稳定注意力。对超级个体，这个问题反而加剧了——AI 让决策点密度暴涨，每小时要做的判断可能从 5 个变成 50 个。注意力之所以不能靠个人自律解决，是因为它依赖承诺锁定、优先级校准和社会性维护，而这三样都需要另一个人在场。

第三重是共同形成信用。对单一关键人物的过度依赖会以"关键人物折价"的形式体现，常见区间约 10% 到 25%。一个有意思的对照是：明星员工单独跳槽后绩效往往下降，但带着原有团队一起跳槽，绩效则不会下降——说明被定价的从来不只是个人能力，还有那套已经磨合好的协作关系。

第四重是进入更大的价值场景。真正跑出惊人增长的，多是 20 人以内、且不止一人的 AI 原生团队：Cursor 约 20 人用 12 个月做到 1 亿美元年化收入；Lovable 约 15 人用 2 个月做到约 1,000 万美元；Bolt.new 约 15 人两个月约 2,000 万美元；Base44 约 8 人在 6 个月后以约 8,000 万美元现金对价出售。

2.2 协作的本质变了

过去的团队协作本质是分工协作——像拼图，每人补一块缺口，团队的形状由缺口决定。AI 之后，超级团队的逻辑变成了共振——"你在这里最强，所以由你来定义这部分的最高标准"，每人被 AI 放成更强的自己，优势彼此咬合。从按岗位切割，变成按优势放大。

2.3 四种涌现路径

路径 A 是自下而上的自发涌现。CodeBuddy 的形成过程是：几个对 AI 编程深度着迷的个体各自在不同方向证明了 AI 放大的可能性，能力溢出互相可见后产生天然吸引力。Kimi 内部有一句话概括得更准——"架构扁平原本是一个结果"：极高的初始人才密度，加上 AI 工具使个体独立交付成为可能，扁平是这两件事的产物而不是设计目标。

路径 B 是组织筛选培育型。安克创新的"火箭班"是首席执行官阳萌亲自抓的一把手工程，从全公司筛选出对 AI 有强烈兴趣和快速学习能力的人，完全脱产用一到两个月完成高强度 AI 能力培育。特赞的范凌则对公司开了两刀：第一刀把全公司切成 3 到 10 人的跨职能小队，第二刀在小队之外建立社区。

路径 C 是氛围营造型。腾讯研究院的 AI 午餐会加每日心得分享持续运作几个月后，86% 的成员每天使用 AI，人均同时使用 3 到 5 个产品，27% 每天使用 AI 超过 3 小时。ColaOS 则给团队两周完全自由的探索时间，没有任何预设目标——两周后的演示日，20 个人做出了 20 个不同的原型。

路径 D 是创始人驱动型。创始人首先自己成为超级个体，亲自用 AI 做出产品级成果，然后通过示范效应或技术平台规模化催生更多超级个体。

第三章：超级团队的形态

超级团队按协作拓扑组织，而非按汇报关系。报告用两个判定轴来分类：是否存在中心节点，以及 AI 是否承担协调中介。

节点辐射型有一到几个超级个体作为核心节点，组织资源围绕他们辐射展开，代表是安克创新的 6 人小组——资深成员负责方向和判断，其余成员负责执行和交付。网络协作型没有唯一中心，多个超级个体通过共同命题连接，代表包括从 20 多人到 160 人始终保持小特性团队的 CodeBuddy、全公司只有一个技术职称的 Anthropic，以及没有部门、没有职级、没有头衔、没有 OKR 的 300 人规模的 Kimi。AI 中枢型则让 AI 成为组织的协调中心，代表是出门问问的 CodeBanana（团队智能体成为项目的核心身份）、Block（世界模型基于全公司代码提交实时维护运营全景图）、以及 Multica（4 人加几十个智能体）。

第四章：超级团队的运作机制

4.1 决策机制：无最优解，只有条件适配

报告列出了四种，并明确指出它们之间没有优劣、只有适配。集中式由创始人拍板，Rokid 的祝铭明把首席执行官的角色压缩为"守门人 + 麻烦制造者"。委托式采用直接责任人制度，从人的等级制转向问题的所有权制——90 天内你就是这个问题的首席执行官。共识式是蜂群决策，多个独立视角并行思考。AI 辅助式让 AI 承担不同深度的角色，但人仍做最终判断。

4.2 协调方式：从信息透明到 AI 主动编排

AI 协调有三阶演进：信息透明化，到信息路由替代中层，再到主动任务编排。三个阶段各有对应的实践——CodeBuddy 的全员可读可写文档属于第一阶；Block 的世界模型层属于第二阶，把决策周期从两周压缩到一天以内；ColaOS 的智能体组织与 Multica 的"编排者—执行者—验证者"结构属于第三阶。

4.3 技术地基：把 AI 长成组织的一部分

三件事必须做实：信息可见性，让 AI 看到组织的全部上下文；能力可调用性，让 AI 能调动组织的能力栈；协调可自动化，把协调从人的日常消耗中抽离出来。这三层底下还有一层被称为"Harness Engineering"的基础工作——知识资产、上下文供给、技能维护、规则维护。这一层不做，上面三层都会退化成演示。

4.4 激励机制：KPI 失效之后什么有效

前提是愿景。超级个体不缺能力，"能不能做"不再是问题，真正稀缺的是"为什么做"。有效的愿景要足够大（Kimi 的"我们在做 AGI"）、足够真（Anthropic 团队每天能感受到的实际进展）、足够个人化（郝景芳所说的"志同道合"）。

在此之上是四个要素：自主权、成长环境、经济回报、退出自由。报告的判断很明确——自主权、成长环境、退出自由才是超级个体的核心三要素；经济回报是底线，一旦失衡，前三者的吸引力会迅速衰减。

4.5 与大组织的关系

为什么大组织天然倾向压制超级个体？答案在康威 1968 年的判断里：一个系统的设计，会不可避免地映射出设计它的组织沟通结构。大组织为了规模化协作，必须把人切成角色、把工作切成模块、把决策切成层级——而超级个体的能力恰恰体现在跨越这些切口。这不是谁的错，是两套逻辑的结构性冲突。

第五章：如果你在这些团队里

在 CodeBuddy：没有人给你派活。你打开代码仓库，AI 根据你过去的提交历史推荐了几个匹配的待解问题。你挑一个，不需要跟任何人申请，直接开始做。

在 Kimi：没有部门、没有职级、没有 KPI。你没有头衔、没有 OKR，不需要打卡。需要谁配合就直接去找他，不需要经过任何领导。五位联合创始人每人直接对接 40 到 50 个人。

在 Block：你是一个问题的首席执行官。你被任命为直接责任人，接下来 90 天拥有一个跨职能问题的完全所有权。你的信息来源是世界模型——一个实时维护的运营全景图。

在 Anthropic：研究员和工程师是同一个人。你的职称是技术团队成员，这是公司里唯一的技术职称。你上午设计对齐实验，下午自己写代码实现。

结语：最小启动动作

AI 时代的组织变革，需要的不是更好的架构师，而是更好的园丁。园丁不设计果实长成什么形状，园丁提供土壤、光照和水源。

第一步是让超级个体浮出水面——一次演示展示、一个内部分享群，或者只是一句"你用 AI 做的那个东西能不能给大家看看"。第二步是围绕他们试点——选一个边界清晰的真实业务问题，完整交给一个已展现自闭环能力的人或小组，给足工具权限加三个月时间，然后看结果。第三步是领导亲自下场——不一定要写代码，但必须体验过用 AI 完成一个完整任务的全过程；隔着汇报材料理解 AI，和亲自用过 AI，是两件事。

报告最后诚实地列出了五个尚未解决的问题：超级团队规模逼近 15 到 20 人的临界点时，是往上扩还是分裂繁殖？AI 协调从工具跃迁到基础设施的临界条件是什么？10 到 100 倍的效率差如何在薪酬体系中体现？AI 时代并非所有人都能成为超级个体，其他人怎么办？当 AI 让生产成本趋近于零，"做什么"的判断又从何而来？

来源：腾讯研究院