美团的组织底数：AI如何逼出一场菌丝体式进化

作者：莫斯 校审：林德燊 排版：习丌

1987年，经济学家罗伯特·索洛留下一个著名观察：计算机无处不在，却没有出现在生产率统计中。近四十年后，类似的疑问落到了人工智能身上。麦肯锡2025年全球调查显示，88%的受访者表示，其所在组织已在至少一个业务职能中经常使用AI；真正达到“AI高绩效组织”标准的受访企业约占6%。这里的“高绩效”并非泛指获得了某种收益，而是同时满足两个条件：AI对息税前利润的贡献至少达到5%，并且企业认为AI已创造显著价值。两组数字之间的落差说明，工具普及不等于生产率跃迁，局部提效也不等于企业价值已经被改写。

2026年8月12日，美团核心本地商业CEO王莆中在西普会上复盘公司内部的AI转型，将问题概括为“认知、效率、场景、考核和流程”的五种错配，并提出一个颇具传播力的判断：AI是指数级技术，组织管理是底数；底数大于1，AI会放大优势，底数小于1，AI也会放大原有的问题。

这不是一道可以精确计算的数学公式，而是一个管理隐喻。它把企业从“模型够不够强”的争论，拉回到几个更基本的问题：组织能否识别真正值得解决的问题，能否让信息与能力在合适的节点相遇，能否把决策权、责任和风险重新配置，能否将一次试验沉淀为可复用的能力。模型决定了技术可能性的上限，组织决定了这种可能性以什么速度、什么成本转化为成果。

王莆中的发言，为观察这一过程提供了一个相对完整的案例入口。美团从全员“养虾”，到建立AI Builder团队，再到上千个项目赛马以及医药行业的流程改造，呈现出大型组织采用AI时由连接、治理、探索走向沉淀与开放的轨迹。本文将以2026年王敬华提出的菌丝体组织理论作为分析主轴：它所讨论的不是一种生物学修辞，也不是把层级组织简单改成扁平网络，而是一个组织如何在稳定内核之上形成活跃前端，如何通过分布式感知、能力导向的授权、持续反馈和开放边界，提高对复杂环境的适应能力。

需要说明的是，“菌丝体式进化”是本文对美团实践的理论解释，并非美团对自身组织形态的正式定义。案例可以显示一种趋势，却不足以认证一种完成态。它真正值得讨论的，是一家成熟平台企业如何在AI压力下重做组织，而不是它是否已经拥有某个时髦标签。

八万只“虾”，先连接起来，然后呢

2026年2月至3月，智能体工具兴起，美团内部也出现了“养虾”热潮。按照王莆中公开演讲披露的口径，公司约10万名员工配置了8万只AI助手，两周产生10万个Skill，模型调用一度不设上限。短时间内，全员完成了一次大规模AI启蒙，员工第一次普遍感受到，模型不只是回答问题的工具，也可以进入信息搜集、分析、写作和工作流执行。

启蒙的代价同样明显，单日算力成本最高达到1000万元，权限与安全管理承压，模型谬误开始干扰真实业务。AI使用量快速增加，组织却还不能据此回答几个基本问题：什么任务值得使用最强的模型，什么输出必须由人复核，哪些数据可以被调用，谁对AI参与后的经营结果负责。连接数量迅速增加，连接质量却没有同步建立。

这是许多企业AI转型的第一个误区：把接入能力当成组织能力。购买账号、开放调用、举办培训，能够证明员工接触过AI，却不能证明企业获得了新的生产力。若目标、接口与责任没有变化，AI只会嵌入旧流程的缝隙，帮助员工更快地完成原来的工作。个人节省了时间，部门之间仍旧反复交接；报告生成得更快，决策链条并未缩短；信息变多了，判断质量未必提高。

从菌丝体组织的角度看，连接只是生长的起点。一个健康的组织网络至少需要四项条件：节点能够识别彼此，信息有清晰的接口，行动受到边界约束，结果能够返回网络并修正下一次行动。没有这些条件，连接越密，噪声和风险也会扩散得越快。对企业而言，身份、权限、数据口径、复核、审计与责任，就是这套基本秩序。

因此，美团“养虾”的真正价值，并不在于8万只AI助手或10万个Skill，而在于它用高昂成本验证了一条组织规律：工具扩散可以由热情推动，生产力却只能由治理和工作重构产生。全员试用解决的是“愿不愿意连接”，企业转型还要继续回答“连接什么、怎样协同、由谁负责以及留下什么”。

四个阶段：从无序连接到有机协同

按照王莆中的复盘，美团的AI转型大致经历了四个阶段。2月至3月是全员试用，4月开始自上而下配置相应组织，6月至7月有上千个项目进入赛马和筛选，7月以后则逐渐沉淀内部方法、产品与流程，并将部分能力开放到医药等行业场景。四个阶段并非整齐划一的阶梯，试用、治理、赛马和沉淀很可能长期并存；它们更像四种管理任务，标志着组织的关注点从“有没有人使用”，转向“能否形成有效协同”。

第一阶段解决连接。它让员工获得低门槛的试错机会，快速暴露真实需求，也暴露重复建设、权限失控和成本失真。菌丝体组织需要广泛感知，前提是节点能够接触环境并传回信号。全员试用的意义，正在于激活分布在各业务单元中的感知能力，而不是要求所有人同时成为AI专家。

第二阶段建立内核。4月起，美团从顶层规划AI转型，在主要事业部配置相应组织；王莆中提出，企业AI变革是“业务设计、组织变革与技术应用”的系统性一号工程，不能只交给CTO、CIO或数字化部门，一把手需要牵头，业务负责人、HR负责人和技术负责人组成“铁三角”。美团将这样的团队称为AI Builder，并把它配置到不同业务线。

这一安排的意义，不是再增加一个协调层，而是建立共同规则。技术团队能够判断模型是否可用，却无法独自决定哪个客户问题最值得解决；业务团队理解场景，却未必能看见数据、成本和安全边界；HR如果只在项目末端负责培训，也无法及时调整岗位、考核和责任。三方共同参与，意味着AI项目从立项之初就要同时回答价值、能力和组织三个问题。菌丝体组织并不排斥中心，相反，它需要一个足够强的内核来守住方向、标准、关键资源和风险底线；没有内核，分布式探索很容易退化为各自为战。

第三阶段扩大探索。上千个项目赛马，本质上是把场景发现权分散到业务前端。大型组织无法仅靠总部设计出所有高价值应用，最接近客户、商家和具体流程的团队，往往更早看见异常与机会。赛马让这些信号变成可检验的方案，再通过业务价值、技术可行性和组织承载力进行筛选。这里的关键不是项目越多越好，而是组织能否用统一标准比较不同试验，及时停止无效项目，并让成功经验跨越部门边界传播。

第四阶段形成能力并走向开放。当模型、数据、业务规则和人机分工进入稳定工作流，项目才从一次性交付变成组织资产；当这些资产可以被其他业务复用，甚至服务外部商家，企业才开始形成网络效应。菌丝体式生长的特征，不是每个节点单独做大，而是局部经验能够沿网络传递、组合和再生。美团由内部试验走向医药行业合作，说明它已经尝试跨越这一门槛，至于能否形成长期共生，还要看开放之后的治理。

把四个阶段放在一起，可以看到一条比“上线AI”更复杂的路径：连接提供感知，内核提供秩序，赛马提供选择，沉淀提供复利，开放则把组织能力带到更广阔的生态中。任何一环缺失，转型都可能停在局部热闹，无法成为企业能力。

五种错配，实质是新技术被旧组织定义

王莆中提出的五种错配，看似分散，其实指向同一个问题：企业获得了新技术，却仍由旧组织规定它如何工作。

认知错配发生在两个极端之间。一端把AI当作万能答案，期待模型自动替代管理；另一端因模型可能出错，便认为它不能进入核心业务。前者忽略责任，后者忽略学习。组织真正需要建立的不是统一口号，而是分层认知：哪些任务适合自动执行，哪些任务适合提供建议，哪些判断必须由人承担。认知的成熟，不表现为所有人都乐观，而表现为组织知道何时信任、何时复核以及何时拒绝使用。

效率错配常常来自算力和任务价值不相称。最强模型被用于低价值写作，昂贵能力消耗在经营外围；与此同时，真正影响库存、履约和客户体验的流程，因为数据不完整、跨部门协调困难而迟迟没有改造。管理者应当先识别等待、损耗、错误和机会成本，再决定模型、工具与人工怎样组合，而不是从“我们拥有什么技术”反推“大家必须找场景”。

场景错配说明感知与决策之间存在断裂。一线最接近问题，却未必有资源把问题转化为项目；总部拥有资源，却可能只能看到汇总后的抽象指标。菌丝体组织强调分布式感知，但感知并不自动等于决策。组织需要让信号抵达有能力处理它的节点，并提供验证、资源和反馈机制。否则，一线创新只能停留在个人技巧，总部规划也会悬在业务之外。

考核错配反映的是学习与结果的时间差。一个尚在重构数据和流程的项目，如果立刻以利润回报淘汰，团队会退回最容易展示的功能；一个长期只讲学习、不承担经营结果的项目，则会成为技术展览。有效的考核需要分阶段：早期验证问题是否真实、使用是否发生、风险是否可控，中期观察流程周期、质量和经营指标，后期再评估规模化收益与投入产出。指标的作用不是证明项目正确，而是帮助组织及时修正。

流程错配最为根本。把AI插入原有环节，常常只会增加一道工具操作；只有重新定义人机分工、信息接口、决策权与责任，流程才真正发生变化。AI可以生成建议，却不能替组织承担责任；它可以压缩信息处理时间，却不会自动缩短审批链；它可以让前端获得分析能力，却不会自动赋予前端行动权。技术能力与组织权力不同步，正是许多试点无法越过演示阶段的原因。

五种错配共同说明，AI转型不是一个技术部门的交付项目，而是一次工作系统的再设计。旧组织如果不改变，新技术只能放大旧组织的长处与缺陷；所谓“组织是底数”，正是指组织如何定义问题、连接能力、配置权责、评价结果和积累学习。

强内核与活前端：菌丝体组织不是取消管理

“菌丝体组织”很容易被误解为去中心化、无边界或人人自治。真正有效的网络组织恰恰相反：越是分布式行动，越需要稳定的共同目的、清晰的协议和可追溯的责任。它追求的不是中心消失，而是中心与前端重新分工。

中心首先要回答方向问题。什么客户价值值得投入，什么风险不能交换，哪些数据和身份规则必须统一，哪些能力应作为公共基础设施，这些事项不能由局部节点自行决定。美团建立跨业务、HR与技术的AI Builder，反映的正是“强内核”需要同时理解经营、人才和技术，而不是用单一技术标准管理全部变化。

前端则负责更敏捷的感知与行动。库存异常、商家诉求、地区差异和流程堵点，往往首先出现在具体场景中。AI降低了获取信息和形成初步判断的成本，使前端节点有条件处理过去必须层层上报的问题。但“接近问题”并不天然等于“拥有决策权”。授权应当由任务性质、节点能力和风险等级共同决定：低风险、规则明确的事项可以自动执行；需要情境判断的事项可以由前端在边界内决定；影响重大、不可逆或涉及公共责任的事项，仍应保留人工复核和更高层级的批准。

这也意味着，信息流、建议流和决策流不能混为一谈。信号可以广泛流动，分析可以由多个节点共同完成，最终决定却必须找到明确的责任人。网络的灵活性来自信息与能力的快速组合，不来自责任的模糊。没有可追溯的决定权，所谓敏捷只是把风险推给一线。

中层管理者因此不会简单消失。当AI承担更多搜集、汇总和例行协调工作，中层作为信息中转站的价值会下降，但其作为判断与协同节点的价值会提高。管理者需要识别真正的例外，协调跨部门冲突，辅导团队使用新的能力，解释组织目标，并在数据不完整时承担判断责任。减少的是机械传递，增加的是对结果负责的管理工作。

菌丝体组织的另一项关键能力，是让经验能够返回系统。项目结束后，失败原因是否被记录，业务规则是否形成可复用模块，异常案例是否进入下一轮训练与复核，好的工作流是否可以迁移到其他团队，这些决定了组织是不断重复试错，还是形成分布式学习。网络并不会因为连接而自动聪明，只有结果能够反馈、知识能够沉淀、错误能够被纠正，它才会在生长中提高质量。

因此，强内核与活前端并不矛盾。中心守住方向、规则、公共能力和风险底线，前端负责感知、试验和客户响应，中层承担判断、协调与学习连接。三者共同构成有边界的分布式协同，这才是菌丝体组织理论可以为美团案例提供的核心解释。

医药试点的三笔账：效率、经营与能力

美团把医药健康业务作为重要试验场。按照公开材料，其内部已梳理改造25条工作流，覆盖运营、销售、用户增长、治理和商业分析等环节。其中一条品类运营流程，原来需要5个角色协同，最快两周完成；改造后，由智能体参与数据采集、分析和策略迭代，再由人工决策，整体周期缩短到2天。

对外合作也提供了三个不同层次的观察样本。美团披露，在与科赴的试点中，生意复盘和异动预警工具使一线人员能够直接收到重点门店的库存异常报告，人效提升超过30%，补货速度提升70.9%；在漱玉平民，经营分析覆盖68个城市，原来约2小时的数据分析被压缩为日报自动推送和5分钟通览；在老百姓大药房的需求洞察试点中，AI识别高温季节相关商品需求变化，藿香正气产品月销量增长150%。

这些数字需要分成三笔账来读。

第一笔是效率账，衡量同一项工作能否以更少时间和人力完成。它最容易计算，也最容易被高估，因为被节省的时间只有用于服务客户、改善质量或承担更高价值的任务，才会成为企业成果。如果员工只是用更快的速度生成更多材料，效率提升并没有转化为有效性。

第二笔是经营账，衡量库存周转、补货速度、销售转化或客户问题解决率是否改善。它比调用量和使用人数更接近价值，却仍需区分相关性与因果关系。市场需求、季节变化、促销资源与线下执行都可能影响结果，不能把全部增量简单归因于AI。

第三笔是能力账，衡量少数专家的经验能否被组织沉淀并稳定复用。当分析方法、业务规则和异常处理经验进入工作流，一线人员获得的不只是更快的报告，也可能是过去集中在少数人手中的判断支持。科赴案例中，异常信息直接抵达一线；漱玉平民案例中，多城市经营信息被统一整理；品类运营流程中，跨角色协同周期明显缩短。这些变化的共同价值，在于信息、知识与行动节点重新连接。能力账短期最难进入利润表，却决定一次试点能否形成长期复利。

上述数据均来自美团及合作项目的公开披露，目前并非经独立审计的完整效果评估，样本周期、成本口径与增量归因仍有待进一步披露。严肃的管理讨论必须保留这一边界。案例能够证明流程存在被改造的可能，却不能证明某一套工具已经具有普遍适用性，更不能用单次增长替代长期组织成效。

从内部能力到外部共生，开放并不天然正确

美团正把内部经验转化为面向商家的产品与方法。其CatPaw商家AI工作台基于LongCat大模型体系，强调行业知识、真实经营数据与工作流连接，首批AI经营专家已在多家药店、药企试用。王莆中表示，美团不开实体药店，希望成为行业的数字化和AI“小帮手”。

从商业逻辑看，这意味着美团试图把平台积累的交易、搜索、供给、价格与用户洞察能力，进一步延伸到商家的经营流程。它不只提供流量和履约，也希望成为行业AI基础设施的一部分。若这条路径成立，美团获得的将不只是新产品收入，而是与商家经营过程更深的连接；商家获得的也不只是通用工具，而可能是与行业场景结合的经营能力。

菌丝体组织的边界更像一层具有选择性的膜，而不是一堵完全封闭的墙。资源、信息和能力可以跨越组织边界流动，但这种流动必须建立在信任和规则之上。开放不天然等于共生，平台能力进入商家核心流程后，至少有三个问题不能绕开。

首先是数据边界。商家的经营数据如何使用，训练与推理是否隔离，权限能否被审计，合作结束后数据如何处置，这些规则决定了连接是否值得信任。其次是责任边界。AI建议一旦影响备货、定价、用药咨询或经营决策，平台、商家和使用者各自承担什么责任，必须进入流程设计；“人保留最终决定权”不能只是一句原则，还要落实到复核、留痕和纠错机制。最后是价值边界。平台掌握更多经营接口后，是否会增加商家的依赖，效率收益如何在平台与商家之间分配，工具能否迁移和替换，都会影响“共生”究竟是一种互利关系，还是新的控制方式。

这些问题并不削弱美团案例的价值，反而构成它能否成为行业基础设施的真正考验。一个开放网络的权威，不只来自技术能力，也来自边界清晰、规则稳定以及利益相关方的长期信任。只有外部节点能够获得真实能力，同时保有必要的选择权与责任边界，平台与商家之间的连接才可能形成共生。

美团是菌丝体组织吗

如果把菌丝体组织理解为一个完成认证，美团的公开材料不足以给出肯定答案；如果把它理解为一种组织进化方向，美团已经显示出若干清晰特征：

第一，组织通过全员试用激活了分布式感知，不同业务节点开始主动寻找AI与真实工作的结合点，问题不再完全由总部定义。

第二，公司在试错之后建立跨业务、HR与技术的治理内核，说明分布式行动需要统一方向、公共能力和风险底线。

第三，上千个项目赛马使探索发生在多个业务前端，并通过筛选把局部信号转化为组织选择。

第四，医药工作流改造与CatPaw的对外开放，显示美团正在尝试把项目经验沉淀为可复用能力，并跨越企业边界形成新的连接。

这些证据能够支持“菌丝体式进化”的判断，却不能证明转型已经完成。公开信息仍未充分回答四个问题：

一线决策权究竟在多大范围内发生了真实迁移；

新的权力是否配套了清晰责任、激励与能力建设；

数据、模型和工作流规则能否在组织内部及合作伙伴之间保持透明、稳定和可审计；

试点成果能否在更长周期、更多样本中经独立评估，并覆盖全部投入成本。

这一区分很重要。把美团直接称为“菌丝体组织”，容易把理论变成企业标签，也容易忽略大型平台仍然具有强中心、复杂层级与商业控制力。更准确的说法是：美团的AI实践构成了一个具有菌丝体特征的组织进化案例，它证明成熟企业可以从无序连接出发，逐步建立强内核、激活前端、重构流程并向外部开放；它同时提醒我们，网络化并不自动带来共生，技术分布也不等于权力、责任和收益已经完成新的配置。

管理理论的价值不在于为企业授予称号，而在于提出更严格的问题。美团案例之所以值得作为切片，正因为它既显示了组织改变的可能，也保留了尚待验证的边界。

AI的普及正在降低答案的成本，却提高了提出正确问题的价值；对企业管理者来说，判断组织底数是否足以承接AI，可以从五道题开始：

第一，企业要取得的成果是什么？目标应当落到客户、收入、成本、质量或风险，而不是停留在账号数量、调用次数和培训覆盖率。若结果无法被客户或经营感知，再先进的工具也只是活动，不是绩效。

第二，信号能否抵达有能力处理它的节点？一线看见的问题是否能够越过层级进入组织议程，总部拥有的知识和资源是否能够及时到达现场，决定了网络是在传递信息，还是在形成行动。

第三，决定权如何与能力和风险匹配？授权不是把所有权力推向前端，而是明确哪些事项可以自动执行，哪些事项可以在规则内自主决定，哪些事项必须复核和升级；权力移动的同时，责任必须能够被识别和追溯。

第四，每一次试点留下了什么？如果项目结束后只留下演示、报表和调用数据，组织仍会从头开始；如果留下统一数据、业务规则、反馈机制、人才能力和可复用工作流，试点才会成为组织资产。

第五，开放能否形成互利共生？平台把能力延伸给外部伙伴时，需要同时说明数据、责任、收益与选择权。没有这些边界，连接可能提高效率，却未必建立信任；没有信任，开放网络很难长期生长。

这五道题共同指向一个朴素结论：AI不会自动使企业成为新公司，它可能让旧流程运行得更快，也可能迫使企业重新理解客户、工作、权力与责任。两者的区别，不取决于企业买到了多强的模型，而取决于管理者是否愿意改变组织取得成果的方式。

“AI是指数，组织是底数”的价值也正在这里，底数不是人数、预算和制度文件的总和，而是企业定义问题、连接能力、配置权责、形成信任并持续学习的能力。技术可以采购，能力只能在一次次真实工作中生成。美团还不能被视为菌丝体组织的标准答案，却已经提供了一份有价值的试卷：当AI把连接成本降到足够低，企业真正稀缺的，将是建立秩序、作出判断并对结果负责的管理能力。

点击下方关键字，查看原创热文

（截至26年8月）

典型案例：| | | | | | |

理念解读：| | | | | | |

应用场景：| | | | | | | | | |

业务系统：| | | |

数智科普：| | |

米多是国内领先的营销数字化整体解决方案提供商，为企业提供顶层设计（营销数字化蓝图/架构/体系等）、系统规划（一物一码/智能营销/渠道管理）及运营落地（扫码发红包/一元换购/五码合一等）提供服务，用数字化驱动业务增长。