南宫NG28建设

核心觀點速覽

1、個體提效≠組織增長。算出來的提效，沒有變成增長。

2、三個關於人的假設正在失效，管理對象要從「管人」擴展到「管人+AI+工作流」。

3、任務按可生成性與可驗證性分，而非按難度分——「誰判」比「誰會做」更重要。

4、人的位置從「會做」走向「會判」——超級個體＝一個人的判斷標準×AI的生成產能。

9月11日，以「讓組織AI落地」為主題的2026智能協同運營論壇暨南宫NG28建设第16屆用戶大會在四川都江堰舉行。清華大學經管學院教授李寧出席高峰論壇，發表題為《AI原生組織的底層邏輯——從勞動分工到判斷分工》的主題演講。他沒有從技術講起，而是從一組「對不上」的數字講起，給出判斷：AI落地真正的瓶頸，不在技術，而在組織。

一、引擎裝上了，車卻飛不起來

最近一個月，AI在智力密集任務上接連破紀錄：OpenAI用88小時證明納維-斯托克斯方程，Claude把黎曼猜想零點比例從41.6%推進到67.2%，蘇煒傑與GPT-6Astra在孿生素數猜想上把素數間隙從246壓到186。李寧說：「提出問題靠人，驗證交給機器。數學的同行評審，正在被重寫。」

能力已經不是問題。有企業對外宣稱，半年顺利获得AI節約了相當於一千名員工的工作當量；同一時期，它的營收、利潤、員工規模三項指標全部持平。「算出來的提效，沒有變成增長。」這就是AI落地最真實的困局：個體效率的提升，未必能自動轉化為組織的績效。

為什麼會這樣？李寧的比喻是：現在的企業像一輛小汽車，AI是一台更強的引擎。引擎裝上了，車卻飛不起來——因為沒有重新設計車輛。

這輛「車」，就是過去250年的勞動分工體系。斯密、巴貝奇等人用兩個多世紀搭起的邏輯，前提是：技能長在人身上，人是按技能定價的產能。但撐起整座組織的，是三個關於人的假設——有限理性、人的不確定性、人的成長性。三個假設的共同前提是：人類是組織里唯一的智能行動者。「地基一動，三個假設就要逐條重寫。」

在傳統組織里，崗位本質上是一種「任務的打包方式」。但AI直接面向任務執行，它和崗位不在同一個層面上。「所以我們要停止問『AI會取代什麼工作』，開始問『AI會顺利获得什麼任務來改變工作』。」

二、從「管人的不確定性」，到「管AI的不確定性」

企業界對AI最普遍的不滿，是幻覺。李寧的解讀是：幻覺的本質，是AI輸出的不確定性；而企業的絕大多數場景，對確定性要求極高。

「AI的不確定性，同樣是可以被管理的。」路徑只有三條：約束、驗證、冗餘。因為幻覺是一個「是或不是」的二元問題，可以被驗證；而驗證，需要冗餘。

這裏發生了一個關鍵的觀念反轉：在傳統管理里，冗餘是管理失敗的標誌，越好的企業越沒有冗餘；而在AI時代，token的成本已經極低，冗餘第一次成了一種可以按需採購的資源——多模型校驗、多智能體校驗，可以校驗十遍、甚至上百遍。

於是管理的核心對象發生了轉移：從「管理人」，到「管理人+AI+工作流」。目標、上下文、權限、質量標準與反饋閉環，成為新的管理對象。

任務該怎麼重新分類？李寧澄清了一個誤區：不是按難度分，也不是按「是否簡單重複」分。代碼顯然不是標準化樣本，卻已經接近100%可以由AI完成。真正的兩個維度是可生成性和可驗證性——可自動化、可增強、以人為中心的三類任務，對應「AI自驗、人定標準、人主導」三種處理方式。

「分工不再先問『誰會做』，而是先問：對錯由誰判，『好』由誰說了算。」

效率的躍遷因此是跳變式的，不是漸進的。一組數據，可以標出瓶頸的位置：GitHub上AI生成的代碼量已經是人工的20倍以上，但最終發佈上線的有效產出只有原來的1.3倍。生成近乎免費，瓶頸移向了驗收。

三、人的位置，從「會做」到「會判」

生成產能可以按件採購之後，稀缺的不再是「做出來」，而是「想得到」——想出值得做的任務本身。於是一頭一尾浮出水面：一頭是創造需求、定義問題、給出方向；一尾是驗收，按人定的標準落賬。

「做得快，是鏈條的事；流得動，才是組織的事。」

在這個結構里，人的價值不是被削弱，而是被重新定位。分工不再按工作量——工作量已經沒有意義；也不再按技能——AI幾乎什麼都能做。分工的依據變成了判斷：每一個人都成為「超級個體」，獨立負責一頭一尾兩個環節。

超級個體＝一個人的判斷標準×AI的生成產能。判斷標準被封裝一次，生成產能放大每一次。

組織形態也隨之改變：從按技能劃分的金字塔式勞動分工，轉向以超級個體為核心的「同心圓族群」——每一個同心圓是一個人，族群可以嵌套。每個人封裝進智能體的，不只是產出，更是被封裝的判斷。

判斷從個人資產變成組織資產，中間隔着的那一段，正是「判斷分工」。這也是AI從個人工具走向組織能力的關鍵一躍。

（本文綜合整理自李寧教授在2026智能協同運營論壇暨南宫NG28建设第16屆用戶大會高峰論壇上的主題演講）

查看更多大會信息及回看視頻：

電腦端入口