AI的瓶颈不是算力，而是…

围绕AI的讨论，外界已经形成了一套相对稳定的叙事框架：算力决定上限，模型决定能力，数据决定智能水平。

但如果你真正置身一家“all-in AI”的企业，会看到另一条并不对称的曲线——AI能力的提升近乎指数级，而组织的适配速度却依然是线性的，甚至是阶梯式的。瓶颈并不在技术本身，而出现在一个更少被直面的问题上：

AI已经能做什么，已不是关键；组织是否敢让AI去做，才是。

一个“看起来合理”的数字

往往掩盖了真正的保守

2025年初，我向技术团队提出了一个看似直接的问题：目前公司里，有多少代码是由AI完成的？答案是30%。一个在行业里并不罕见，甚至听起来还不错的数字。

但这个数字的关键，并不在于高或低，而在于比较对象。如果这是从0%到30%，它意味着进步；但如果在技术条件允许的情况下，本可以接近100%，那么30%反而暴露出组织的克制。这并非效率问题，而是决策边界的问题。

要真正理解AI如何改变组织，单靠概念讨论并不足够。边界在哪里？代价是什么？风险会出现在哪一层？这些问题，只有在真实实践中才能被验证。

因此，在2025年4月，我重新回到一线角色，与CTO组成了一个最小化团队，尝试从零开始，用AI构建一个完整产品。这个项目在两到三周内完成了第一个可用版本。当我们重新回到最初的问题——“有多少代码可以由AI完成”时，答案变得令人不适：

几乎是全部。

这并不是因为模型突然变得更聪明，而是因为组织没有再人为设置“哪些事情必须由人完成”的分工边界。

当分工来自工业时代

协作成本会吞噬AI的潜力

传统组织的分工逻辑，本质上来自工业时代：角色清晰、边界明确、流程串联。设计、产品、前端、后端、测试、运维、商业化……每个角色都对应一个切片，每个切片都需要对齐与协调。

这种结构更像砌砖：每个人负责一小块，而协作成本会随着规模迅速上升。

但在AI原生的工作流中，协作方式更接近于三维打印——不是逐层堆叠，而是整体生成。你想改一个功能，不再需要在多个角色之间反复拉通，而是基于既有结构重新生成一遍。

在这种模式下，传统角色的边界开始被自然稀释。组织的主轴不再是岗位分类，而逐渐演变为两类能力的互动：

一类负责理解问题、定义价值、交付结果；

另一类负责把经验固化为系统，把一次性交付变成可复用能力。

这也解释了为什么，在代码生成这个最成熟的场景中，团队对AI的评价在一年内发生了显著变化——从50分，到85分。

这并不是一个技术故事，而是一个组织命题。如果交付标准止于85分，人确实可以退出；但如果目标是100分，那么人的价值，恰恰从85分之后才真正开始。AI抬高了交付的下限，也同步抬高了对人的要求。真正变得稀缺的，不再是执行能力，而是定义“什么是100分”并愿意为之负责的能力。

AI转型的核心，不在IT

而在组织是否愿意改变

在实践中我们逐渐意识到：AI转型并不是IT部门的专项任务，也不是培训体系的问题，而是一种组织范式的重构。

过去一年，我们做过一些看似具体、实则高度组织性的尝试：

第一件事：把管理会变成“AI推动会”

我们以前每周/双周开经营管理会——看数字、对齐，数字没完成就批评大家。这非常工业时代。今年我们没有宣布取消，但它确实慢慢就不开了。取而代之的是：每两周开一个管理者的AI推动会。一开始大家当然会敷衍：“我用Lovable做了个有趣的玩意儿。”我就直接说：别来锦上添花。

慢慢地，它越来越接近业务实质：他们开始讲怎么给客户创造价值，怎么做新品研发。新品节奏从过去一季度/两季度一次，变成现在几乎每个月多个。这背后不是工具，而是管理者开始把AI当成业务杠杆，而不是个人技能。

第二件事：做了一个培训与认证“ABC+”

ABC+（AI Builders & Creators Plus）——我们自己的名字。

请外部讲师扎扎实实教非技术背景的同学们怎么用：Cursor、Lovable、Dify、ClaudeCode等各种工具。

当然，我们不可能覆盖全公司。于是它反而成了一种识别机制：谁愿意主动来学，谁就更可能是下一代的leader。我们用工具引入，筛出了组织里愿意改变的人。

第三件事：Non-Tech黑客松

我们组织了一个给非技术同学参加的黑客松，最终的获胜项目非常“组织学”：销售+市场组队，用Cursor和Dify搭了一个工作流，把我们每年300–600份PRD转成客户可以理解的语言的一页纸。

这件事妙在哪里？

- 业务通过AI直接读懂研发在做什么，不再需要翻译层；

- 一页纸可以直接转发给客户，变成600发独特获客的子弹；

- 研发没有增加额外负担。

它并未增加更多流程，而是在持续减少组织的耦合度：减少对齐、减少拉通、减少会议。而这正是AI的“剩余价值”应该被用在的地方。

随着AI能力嵌入工作流，组织中的最小可交付单元正在变小——从过去需要数十人、数月协作的项目，缩小为少数人即可完成完整闭环。这并非追求速度，而是追求高内聚、低耦合。

当闭环足够短，协调本身就不再是主要工作。这也直接影响了组织中的角色结构：协调型中层正在变得尴尬，而真正的leadership，反而更加重要。

从这个意义上看，AI之所以成为CEO推动变革的最佳理由，并不只是因为它是一项新技术，而是因为它是一种共识工具——为长期难以推动的组织变革，提供了一个被普遍接受的起点。

能力可以补，要求却无法替代

AI可以把人从0拉到85，却无法替人回答：什么是100分？为什么值得？是否愿意为此负责？

回到最初的问题：AI的瓶颈是什么？

答案已经逐渐清晰：

它不是算力，不是模型规模，甚至也不是技术路线。

而是——人是否准备好改变，组织是否敢于被重新设计。如果组织仍然围绕工业时代的分工与协调逻辑构建，那么再强的AI，也只能被使用到30%。

真正困难的，并非技术落地，而是是否愿意让这些工具，反过来重塑我们自己。

范凌 | 文

范凌是特赞科技创始人及CEO，同济大学教授、博导、设计人工智能实验室主任

本文来自微信公众号“哈佛商业评论”（ID：hbrchinese），作者：范凌 范凌，36氪经授权发布。