Agent时代，企业的新瓶颈出现了！

AI进入组织后，改变的不只是效率，更是任务、人才、权限与协作方式。通过19家代表性组织，观察AI成为生产力后企业运行的新规律。

图由 AI 生成

文｜Alex

在崔牛会分析师最近访谈的一家软件公司里，14名成员几乎都不坐班。

公司在北京中关村有办公室，但很少有人去。团队不打卡，不要求固定办公地点，也没有传统意义上的年假额度。一位成员有了孩子，可以用半年时间把更多精力留给家庭。全员每年只线下相聚两次，每次换一个地方，共同待上7到10天。

每天约20分钟早会，每周一次周会。除此之外，大多数协作通过文档异步完成。

但这并不是一家松散低效的“数字游民公司”。

2025年，它的收入超过1000万元；创始人透露，2026年截至访谈时，收入已经至少翻倍。客户覆盖60多个国家和地区，国内与海外收入大致各占一半。

它没有销售团队，也很少为客户配置专门的售前和交付人员。大部分代码已经交给AI完成，人主要负责架构、产品方向和关键判断。按照团队内部估算，产品研发效率已经达到使用AI之前的三倍。

业务还在增长，创始人却决定暂时不再增员。

不坐班、不打卡、不依靠扩编换增长，甚至允许成员在人生的重要阶段长时间回到家庭。这些看似偏离传统管理常识的选择，却与高增长、高人效同时发生。

这家公司释放出一个值得关注的信号：

当AI开始承担越来越多实际生产任务，企业过去默认成立的一些组织等式，正在松动。

这也是我们研究AI原生组织的起点。

今天，大模型正在迅速成为一种标准化程度越来越高的基础能力。企业可以买到相似的模型，调用相似的API，为员工配置相似的Agent，但最终得到的业务结果却可能相差很大。

差异越来越多地出现在组织内部。

有些企业已经引入AI，岗位、流程和管理方式却没有同步变化。员工做得更快了，任务仍在层层流转；Agent开始执行工作，授权和责任体系却还停留在过去。AI提高了个人效率，却没有真正改变企业创造价值的方式。

AI原生组织提供了另一个观察窗口。

它们从成立之初就需要回答一些新的问题：

• 哪些工作交给人，哪些交给Agent；

• 任务增加时，是先加人，还是先调整工作方式；

• 当执行越来越容易，人的价值何在。

我们关注的也不是“无人公司”或者“十几个人创造高收入”这些表面现象，而是这些现象背后的组织机制：

当AI成为生产力，企业如何重新安排任务、人才、权限、协作与责任。

这些年轻组织像一组提前运行的实验。它们今天面对的协作问题，很可能逐渐成为更多企业的问题。

带着这些问题，我们研究了19家具有代表性的组织，包括12家一手访谈样本和7家公开资料样本。

今天，崔牛会《生而AI：AI原生组织白皮书（2026）》正式发布。

我们试图回答，当AI真正进入组织，企业运行的哪些基本规律正在发生变化。

01

Agent 越来越能干

人反而可能先成为瓶颈

一家受访企业的负责人给自己配置了十几个Agent，分别参与产品、交付、品牌、研究和团队管理。

Agent越多，能够并行推进的任务确实越多。但很快，新的问题出现了，方案、结果和决策节点不断涌来，最终都需要人判断、修改和放行。十几个Agent同时运行时，负责人自己反而成了最慢的一环。

后来，她开始主动控制活跃Agent的数量，为判断和思考留出空间。

这个案例暴露出一个新的瓶颈：

AI可以迅速扩大执行供给，人的注意力和判断能力却无法同步扩张。

组织未来需要回答的，可能不再只是“一个人能完成多少工作”，还包括一个人究竟能有效管理多少智能。

02

Agent 的自治

本质上是组织权力的外借

一家受访企业曾认真讨论过，是否构建一个能够统筹销售、研发、财务等多个业务的“超级Agent”，最后因为权限和治理风险放弃了这个设想。

Agent一旦可以读取客户数据、修改代码、发送消息、调用预算甚至操作生产系统，它获得的就不只是执行能力，也开始拥有代表组织行动的权限。

能力越强，影响范围越大。

因此，Agent自治首先是一个授权问题。

组织每向Agent多开放一步，都需要明确它能看什么、能做什么、做到哪一步，以及最终由谁负责。

03

“上下文”正在成为新的协作瓶颈

一些受访团队已经大幅减少会议和例行汇报，把更多协作转向文档和异步系统。

会议少了，对信息完整度的要求反而更高。

当人和Agent共同参与一项工作，任务目标、事实依据、历史决策、约束条件和当前进展，都需要被持续记录下来。否则，执行速度越快，信息缺口造成的误解也可能被更快放大。

过去，很多协作依赖某个人“知道这件事怎么回事”。现在，这些信息需要逐渐变成整个组织可以调用的上下文。

高质量上下文，正在成为人和Agent共同工作的基础设施。

04

稳定交付才是真正的生产力

在生产型Agent团队中，我们很少看到企业一开始就把完整工作直接交给AI。

更常见的做法，是先拆开任务，让Agent在不影响真实业务的环境中运行，持续比较结果、进行评测，再逐步进入辅助执行和有限自动化。

原因很简单。

AI已经可以很快“做出来”，企业真正需要解决的是能不能持续做对。

生成速度越快，评测、监控和异常处理越重要。一项AI能力只有经过真实业务反复验证，才能从Demo变成稳定生产能力。

真正的生产力，不在生成多少，而在能否持续交付可靠结果。

05

中层的信息中转价值正在消退

一些受访企业已经取消固定周报、减少例行会议，因为项目进展、会议内容和任务状态可以由系统持续记录、整理和呈现。

过去，中层管理者的一部分工作是收集情况、向上汇报，再把要求向下传递。随着AI和协作系统进入组织，这类信息中转工作的价值正在下降。

但管理并没有因此消失。

当信息传递成本降低，管理者更重要的任务变成确定优先级、协调资源、处理冲突和做关键取舍。

中层真正难以替代的价值，正在从传递信息转向做出判断、推动结果。

06

AI 原生组织设计

要先定义结果，再配置智能

这轮访谈中，一个反复出现的现象是，成熟团队很少从“应该部署多少Agent”开始设计组织。

它们首先明确要解决什么业务问题、最终交付什么结果，以及如何判断这件事已经完成。

在此基础上，再拆分任务，决定哪些工作由人承担，哪些交给Agent，以及需要哪些数据、工具和权限。

过去，企业往往先设岗位、配人员，再把工作放进去。现在，越来越多团队开始从业务结果出发，重新组合人和智能。

重要的不是组织里有多少Agent，而是这些智能能否围绕一个明确结果被有效组织起来。

这轮研究中，我们看到了一批年轻且高度实验性的组织。

• 有的团队借助Agent，用很少的人跑通更完整的业务链；

• 有的减少层层汇报，让管理者更接近业务现场；

• 也有团队正在打破传统岗位边界，让咨询、产品和工程更早围绕同一个问题协作。

这些变化还远没有定型。

• 一些团队仍高度依赖创始人和少数骨干；

• 一些扁平组织把大量判断压力集中到了少数人身上；

• 还有一些团队部署了大量Agent，却没有建立足够稳定的上下文、评测和治理机制。

所以，“ 生而AI ”只是起点。

真正决定一家AI原生组织能走多远的，是这些新的工作方式能否变成稳定、可复制的组织能力。

基于这一判断，《生而AI》进一步提出崔牛会AI-NOM——AI原生组织成熟度模型，从基础设施与Context、生产系统与业务闭环、人-Agent任务委派、组织结构与人才、数据评测与反馈、治理安全与规模化六个维度，观察一家企业真实的运行能力。

我们并不试图给企业贴上“有多AI原生”的标签。

更值得关注的是，一家公司已经在哪些环节形成了稳定机制，又有哪些短板正在限制客户、质量和经营结果。

当智能成为新的组织变量，企业如何把AI能力持续转化为可靠的业务结果？

这也是《生而AI：AI原生组织白皮书（2026）》最终希望回答的问题。

⬇️⬇️扫码即刻获取白皮书⬇️⬇️