🗒️Notion CEO,我如何看 AI:不是工具升级,而是组织材料的更换
2025-12-25
| 2025-12-25
字数 1383阅读时长 4 分钟
password
Created time
Dec 25, 2025 03:00 PM
type
status
date
slug
summary
tags
category
icon
每一个时代,都会被一种关键材料所塑造。
钢铁,让企业第一次可以修建摩天大楼;
蒸汽机,让工厂摆脱河流与季节;
而今天,AI 正在成为一种全新的材料——
它不是更高效的员工,而是可无限扩展的“认知基础设施”。
作为管理者,我越来越清楚地意识到:
AI 真正挑战的,不是岗位,而是组织存在的基本假设。

一、管理者最容易犯的错误:用旧组织,消化新技术

历史告诉我们一个反复出现的模式:
  • 新技术出现时,人们总是先把它“塞进”旧结构
  • 真正的跃迁,发生在结构被重做之后
今天的大多数 AI 应用,本质上仍是:
  • 在流程末端加一个 Chatbot
  • 在系统旁边放一个 Copilot
  • 在团队中配一个“智能助手”
这在短期内有效,但长期几乎不会带来组织级跃迁
原因很简单:
我们仍在用“人类认知是瓶颈”的假设,设计公司。

二、从 CEO 视角看,AI 的本质是什么?

我现在更倾向于把 AI 看成三件事:
  1. 不会疲惫的认知劳动力
  1. 可并行、可复制、可持续运行
  1. 不占 org headcount,却影响组织能力上限
这意味着一个根本变化:
公司第一次不再只由“人”构成。
这不是自动化 2.0,而是组织材料的变化
就像钢铁之于建筑——
它不是“更好的木头”,而是让旧的承重逻辑失效。

三、为什么编程团队先被重塑?

在我观察到的所有团队中,变化最早、也最剧烈的,来自工程团队。
原因并不神秘,只有两点:
  1. 上下文集中
    1. 代码、工具、历史决策,大多在同一个系统中
  1. 结果可验证
    1. 程序能跑、测试能过,就是最强的反馈机制
这给了管理者一个重要启示:
AI 能否释放组织杠杆,取决于你是否能“工程化”工作本身。
如果一项工作:
  • 上下文分散
  • 质量不可度量
那 AI 永远只能做边角料。

四、组织为何会“规模退化”?以及 AI 能否解决

所有 CEO 都熟悉这个现象:
  • 团队越大,效率越低
  • 协作成本指数级上升
  • 会议、流程、对齐成为隐性税负
这并不是管理不善,而是人类沟通本身无法规模化
过去一百年,我们用三种方式对抗它:
  • 层级
  • 流程
  • 文档
但这就像用木梁去盖摩天大楼。
AI 第一次提供了替代方案。
当上下文可以被持续维护,当决策信息可以被主动推送,当状态不再依赖人肉同步——
人类沟通就不必再承担“承重结构”的角色。
对管理者而言,这意味着:
  • 更少的“对齐成本”
  • 更短的决策链路
  • 更高的组织弹性

五、我们仍然处在“水车阶段”

工业史里有一个著名现象:
蒸汽机最初并没有带来生产力爆发。
工厂主只是把水车换成蒸汽机,却仍然建在河边。
今天的 AI,也正处在这个阶段。
我们在做的,往往是:
  • 给流程加 AI
  • 给岗位加 AI
  • 给系统外挂 AI
但很少有人问一个更危险、也更重要的问题:
如果认知不再稀缺,我们还需要这样的组织结构吗?

六、从 CEO 视角看未来组织的三个变化

如果 AI 真正作为“组织材料”被使用,我认为至少会出现三点变化:
  1. 组织规模不再线性对应沟通成本
    1. 小团队不再天然优于大团队
  1. 管理者角色从“监督执行”转向“设计系统”
    1. 决定权不在于盯得多紧,而在于结构是否正确
  1. 组织运行节奏被重写
    1. 周会、季度规划、年度考核,可能都不再是最优解
这会让组织在短期内变得不那么“可读”,
但长期看,它释放的是前所未有的规模与速度

七、结语:CEO 的真正选择

作为 CEO,我越来越确信:
AI 并不会自动带来优势。
优势只属于那些敢于重构组织假设的人
就像当年:
  • 有人只把钢铁当成更好的建材
  • 有人看到了城市天际线
AI 也是如此。
它可以只是一个工具,
也可以成为你公司新的“结构材料”。
这不是技术选择,而是管理哲学的选择。
钢铁。蒸汽。无限心智。
下一代组织的轮廓,已经出现。
问题只是:你是否愿意按新的材料,重新设计公司。
 
Notion创始人的文章:
TwitterTwitterIvan Zhao on Twitter / X
  • 数字文明时代
  • 读书笔记
  • 管理
  • 《Digital Transformation = Reimagining of the Business for the Digital Age》别急着 Fine-tuning!OpenAI 官方揭秘 LLM 精度优化的"最佳路径"
    Loading...