“ AI给出的每一个红利，都内置了一个倒计时。”
01
—
一道算不通的题
如果AI让Meta的生产力提高十倍，为什么它还需要七万八千名员工？这是市场抛给巨头的问题，它指向大公司财报里一组反直觉的数字——
2025年，全球AI投入最激进几家公司里，员工总数没有一家在下降。
公司 | 最新员工数 | 同比 | 数据时点 |
Alphabet | 190,820 | 4.1% | 2025年末 |
Meta | 78,865 | 6% | 2025年末 |
Microsoft | 228,000 | 持平 | 2025年6月末 |
Amazon | 1,576,000 | 1.3% | 2025年末 |
阿里巴巴 | 131,462 | 5.7% | 2026年3月末 |
腾讯 | 115,849 | 4.8% | 2025年末 |
Pichai在上个月Google Cloud Next 2026上披露，目前Alphabet约四分之三的代码由AI生成、工程师审核；Meta则在25Q4财报电话会上透露，公司内部深度使用AI coding的工程师，产出同比增长达80%。按“AI替代人”的简单逻辑，员工数应该掉下来。但数字摆在那里，没有一家在缩。
同一份财报里藏着另一组数字。
腾讯员工增加4.8%，总薪酬成本增加15.9%——薪酬增速是人数增速的三倍。新增的不是人，是单价。
Microsoft FY2025末表面维持22.8万人不变，但这一年里已经裁了至少1.5万人；2026年4月推出“自愿提前退休计划”，覆盖12.5万美国员工中约7%——AI和Copilot团队被明确豁免。CEO纳德拉本人说过一句让所有从业者得停下来想一下的话：22万员工的规模，在AI竞赛中是"巨大劣势"。
Amazon 2025年10月底宣布裁掉1.4万名公司白领，是历史上最大规模的公司层裁员。CEO贾西被问到原因时表示这是因为“文化”，因为“我们承诺要像世界上最大的创业公司一样运营……这意味着移除层级。”
阿里巴巴是另一种形态。FY2025末员工降到12.4万，FY2026末重新涨到13.1万。增长方向被官方写进财报：AI+云、即时零售、国际数字商业。剥离低人效业务，在AI上重新扩张——哑铃化在一家中国巨头内部最干净的实证。
招募最优秀的人才，为他们配备最强大的AI工具，力求实现以前无法实现的突破。这是一场对增长而非效率的豪赌。
把这些放在一起：总数还在涨，因为AI岗位招聘超过了被减少岗位的消失量。但不是同一种涨——百度2026校招中AI相关岗位占比超过90%；顶尖应届博士年薪近200万成为行业普遍现象。Amazon在Q3财报里预提了18亿美元的“角色消除费用”。这些钱告诉你新增的去了哪里，减少的去了哪里。
这场变革的上半场，不是AI替代人，是AI重新定义谁值钱。
02
—
当晶体开始融化
企业为什么存在？1937年科斯的回答是：因为市场交易有成本，把工作内化到组织里有时更省钱。上世纪90年代以来的全球外包浪潮验证了这个理论的一半——交易成本下降，组织变薄，工作转移。但那一次工作转移的接收方，是另一群人。EDS接手了IT，菲律宾接手了客服，珠三角接手了制造。边界在移动，但边界之外仍然是一个由人构成的世界。
这一次接收方不一样。工作开始移向不需要是人的地方。
当AI承接了越来越多的协调和判断工作，组织本身的形状也开始改变。那么它正在变成什么形状？
如果你过去两年留意过身边的工作变化，可能已经感受到一些线索。
一个在SaaS公司做了五年运营的同事，去年vibe-coding自己搭了个内部对账工具——他没有计算机背景，但工具上线后每个月帮团队省下大约80小时人工。一个在创业公司做产品的朋友，开始用自然语言指挥AI完成早期原型，周末做出来的东西，接近三年前需要三人小团队两周才能交付的水平。
职业之间的边界开始失去清晰的形状。
在工业时代的组织里，“运营”和“产品”和“工程”之间有清晰的分工边界。这种边界不是天然的，它是为了协调劳动的复杂性而被发明出来的制度安排——每一个边界对应一种专门的训练、一种专门的语言、一种专门的工作流。这些边界本身就是一种组织成本——它们是劳动协调的产物。
现在这些边界在悄悄消融。每一个岗位实际承担的工作范围在向外扩张，向相邻的岗位渗透。过去两年的招聘JD读起来越来越奇怪——“跨职能协作”、“AI工具整合”——这些词描述的不是工作内容，而是工作的状态。
组织在试图用固态的语言，命名一个正在变成液态的现实。
液态——这个词比“扁平化”或“敏捷”更准确。工业时代的组织是固态的，因为它在处理一个真实问题：信息需要被过滤和传递，判断需要在对应的层级上被承担，劳动需要被分工以匹配人的有限能力。现在AI承接了越来越多的信息处理和协调工作，岗位之间的能力壁垒开始变薄。
层级没有消失，但层级的刚性在减弱。
岗位没有消失，但岗位的边界变成了半透膜而不是围墙。
工作还在发生，但工作附着在任务上，不再固定在职位上。
那么，在这块正在融化的冰里，人会变成什么形状？
03
—
晋升逻辑的瓦解
工业时代的晋升逻辑只有一句话：你通过证明自己能管理更多的人，来换取更高的位置。背后是一个隐含的等式：
“管理的人数 ≈ 你能调动的资源规模 ≈ 你能创造的价值上限。”
现在这个等式的第一项开始失效。
当一个人可以用AI完成过去需要十个人才能完成的工作，“带多少人”就不再可靠地代表“能创造多少价值”。
这个裂缝在大公司里已经显现为非常具体的动作。Microsoft那个“自愿提前退休计划”针对的是美国12.5万员工中“年龄+工龄≥70”的资深员工，约8750人——绝大多数是中层及以上、级别在senior director及以下的人。AI和Copilot团队被明确豁免。Amazon那次裁掉1.4万白领，CEO贾西亲口说要“移除层级”。
但中层动摇这件事，最戏剧性的现场不在中层，在金字塔的最顶端。
越来越多的顶级CEO开始直接调度AI，绕过过去为他工作的整支助理队伍——Chief of Staff、EA、BI、IR、PR、内部智库。这支队伍的功能从来不是“管理业务”，而是把CEO的注意力变成可执行的判断：把海量信息压缩成可消化的简报，把模糊的指令翻译成具体的工作流。这是非常典型的“信息处理与协调”工作，本质和中层经理在做的事是同一种。
为什么CEO能直接做？因为他掌握着AI拿不到的信息——和监管者的非正式对话、董事会内部的政治、客户高层的真实意图、自己对市场拐点的直觉。这些信息从来没有进入过任何团队的工作流，因为它们要么不能写下来，要么写下来就失去了价值。过去CEO必须借助团队这个放大器；现在AI同时承担了这件工作的放大和压缩两个功能，团队作为信息中介的价值就坍缩了。
这件事的含义比表面看起来更深。它告诉我们一个判断未来认知劳动价值的统一标准——在某些具体领域的任务里，尤其是那些依赖私有经验、具身判断和真实场景理解的任务，一个人能比AI做得更好，当且仅当其拥有AI拿不到的信息。
回到组织层面。当“带多少人”不再可靠地代表“能创造多少价值”，组织开始用另一个问题来替代它：
你能调动多少资源，包括AI，完成多高价值的任务？
这个替代，制造了一个分叉，也将带领组织进入这场变革的下半场。
04
—
超级个体的两条出路
分叉的两边住着两种不同的人。
这是过去两年最热的词——"超级个体"——的真实形状。只是大多数讨论只看到了它的一半。
一部分人在组织内部找到了新的位置。他们的价值不再体现在管理层级，而是体现在一种新的能力——在没有正式权力的情况下跨越边界整合资源，把AI的产出转化为可以被决策层直接使用的判断。他们仍然在组织里，但他们和组织的关系，已经不是工业时代的打工者和雇主之间的关系。这是内部超级个体。
另一部分人在AI的加持下开始溢出——以独立顾问、AIGC超创、项目制合作者、mini创业团队的方式重新定义自己与工作的关系。这是外部超级个体——中文互联网讨论得最多的那一种。
看起来这两种人走向了不同的方向。但驱动他们的是同一个力量：当全职归属不再是价值创造的必要条件，
人与组织之间的关系，就开始从雇佣合同向任务契约漂移。
这个漂移会被两种相反的话语包装。在企业的语言里它叫"组织敏捷化"——听起来像组织主动选择的胜利；在自媒体的语言里它叫"超级个体崛起"——听起来像被压抑了一百年的人终于挣脱了科层制。两种话语都在描述同一件事的某个侧面，但没有任何一种诚实地承认：这件事既不是组织的胜利，也不是个体的胜利，而是科斯命题在AI时代被重新计算之后的结构性结果。
液态组织催生了超级个体，超级个体的存在又加速了组织的液态化。它们不是因果关系，是同一个底层动力的两种表现。
但这两条出路有一面，是这两种流行话语都不会告诉你的。
05
—
这个漂移在开始的时候，往往感觉像是自由。
为这一节做研究的时候，我深度访谈了一位前投行分析师——我们暂且叫他L。
L在2023年底离开了卖方研究部门。他用攒下的一笔钱给自己半年时间，研究怎么把过去八年在投行的训练，用一个人的方式变现。
那年年底他开始运营自己的财经公众号。半年内积累了大量粉丝。又过了几个月，订阅号变成了知识付费频道——99元一个月，提供财报快速解读、突发财经新闻五分钟内的专业拆解、上市公司季度业绩追踪。
他做的事不复杂，但需要三样东西同时具备：看懂财报和市场叙事的训练，把复杂信息压缩成普通人能读的语言的能力，速度——比所有同类公众号都快。前两样是他在投行八年留下的真东西。第三样是AI给他的。
他后来跟我描述那段日子的工作流：盘后财报发布，他用Perplexity的财经功能先扫一遍核心数据，再让Claude生成解读初稿，用合适的工具变成可读性高的文档。2025年中开始，他把Claude和ChatGPT Pro的Deep Research配合着用。整个流程从过去的三到四个小时压到四十五分钟。
“我那时候每天都觉得自己在偷东西。”他说。
订阅用户快速增长。第一年的收入超过了他在投行最后一年的总薪资，而工作时间只有过去的一半。
第十八个月开始有一些细微的变化。
最早的信号来自取消订阅的统计。从2025年下半年开始，新增和取消两条线缓慢靠近。到了2025年底，取消订阅第一次超过了新增。
他访谈了一些取消订阅的用户，有几个人很坦诚：
“以前看你的解读节省时间，现在我直接把财报截图发给ChatGPT，三分钟也能看个差不多。”
“觉得这个钱花得不那么必要了。”
知识和信息差再次被AI重新定价。
他没有变差，他的用户也没有变聪明。变的是基础模型本身。GPT-4到GPT-5的迭代，Claude连续几代的进化，Perplexity Finance正式发布，又支持接入实时财经数据——这些被一个个内置进了主流的AI助手里。用户什么都没做。他们只是打开了那个对话框，发现里面的东西比一年前要好得多。
L最痛的认识是：用户付费购买的从来都不只是“专业”——而是基于专业信任的“省心”。
而“省心”这个东西，正在以肉眼可见的速度被基础模型本身提供。用户不需要学习什么，不需要做任何动作，他们升级到下一个版本的AI，省心就自动到位了。
他亲眼看着自己的专业判断和AI输出之间的差距，在六个月里从“明显”变成“够用”。够用就够用了。剩下的那一点点差距，市场不愿意为它付99元每月。
他的订阅数已经稳定在峰值的40%左右。他没有破产，他比大多数同行赚的还多。但他自己知道——他过去赖以为生的那个产品形态，回不去了。
L的故事让我想起最近一年AI视频赛道上发生的另一件事。
2024年中开始，一批有真实创作能力的影视从业者，凭借自己摸索出的工作流做出过让人惊艳的作品。他们把多个模型按工序串起来，像影视工业里的多机位调度，每个模型只负责自己最擅长的那一段。
一部三分钟的AI短片，过去需要传统剧组两周时间几十万预算，他们一周做完，报价五分之一。客户排队，工作室估值翻番。
但到了2025年下半年，随着可灵2.0、MiniMax海螺02、Runway Gen-4接连发布，将过去需要复杂工作流才能完成的事，被做进了一个按钮。
那批创作者过去十八个月辛苦搭起来的工作流，不是被超越了，是被基础模型一段一段地吸收掉了。工具组合的红利，永远输给单一模型的进化。
在更大尺度上，竞争逻辑甚至更残酷：抖音、快手、阿里都在直接把AI视频能力集成进自己的内容平台(抖音剪映接即梦、阿里电商商家端接入自家AI视频能力)——平台型公司用数据+场景+用户规模三重壁垒，绕过工具创业者，直接对C端落地。
OpenAI在2026年3月宣布Sora将被关停。从Sora 2发布到关停，前后六个月。真正活下来并占据主流的，是快手的可灵和字节的Seedance，这两家不是AI公司，是内容平台公司。Sora有的只是模型——
模型本身正在变得越来越像一种可以被采购、被替代的基础设施。
L的订阅用户在流失。AI视频创业者的工作流被基础模型吃掉。Sora自己被平台公司绕过。
这三件事在不同尺度上，但驱动它们的是同一个机制：AI给出的红利，永远来自一个时间差——你能做的事，别人暂时还做不到。这个时间差有多长，由基础模型迭代的速度决定，不由你决定。
用户不需要学习。基础模型自己进步，护城河自己塌掉。
这是和上一轮工业革命最不同的地方。蒸汽机替代手工劳动需要工厂搬迁、工人迁移——中间有无数缓冲的环节。AI替代认知服务不需要任何中间环节。你的客户手机里那个对话框，每隔几个月静默更新一次，你的护城河就低一档。
在AI时代，任何能够被产品化、规模化、订阅化的认知服务，都内置了基础模型给它的倒计时。倒计时的长度不取决于你做得多好，取决于基础模型多快变得"够用"。
AI给的，AI正在加速拿回。
06
—
那留在组织内部的那一条路呢？内部超级个体的处境就更好吗？
2026年4月初，GitHub上线了一个项目。
名字叫“同事.skill”。slogan只有一句：“将冰冷的离别化为温暖的Skill，欢迎加入赛博永生。”
不到一周，7000多个star。
项目的功能很简单：把一个即将离职的同事的工作经验——他的工作流、判断框架、应对各种场景的方式、甚至说话风格——打包成一个可被调用的skill，留在公司里继续工作。衍生项目很快跟上：老板.skill、暗恋对象.skill、父母.skill、自己.skill。社交平台上流传的黑色幽默：“你的同事被优化了，但他的skill还在”“被毕业的同事并没有消失，不过是被蒸馏成了token继续陪着你”。
“蒸馏”这个词突然有了一种新的所指。
它原本是机器学习领域的术语——把一个大模型的能力压缩进一个小模型。现在这个词从模型借给了人，借得很准。因为正在发生的事，恰好就是这个动作的字面版本——一个有十几年经验的资深员工的判断模式，被组织以“知识沉淀”、“经验萃取”、“内部AI助手训练”的名义，转移到一个公司可以继续调用的系统里。
而这件事，几乎从不以攻击的姿态出现。年度review里多了一个新指标——“知识贡献度”。团队周会上多了一项任务——“请把你这周的关键判断记录到内部知识库”。绩效面谈里出现了一个温和的建议——“你的经验非常宝贵，我们希望它能让整个团队受益”。每一句话单独看都是合理的、善意的、甚至是对员工的认可。
这些事大公司一直在做。但AI把它往前推了关键的一步——过去沉淀的是文档，需要下一个员工去读、去理解、去判断；现在沉淀的是skill，可以被Agent直接调用，不再需要任何人来激活。文档是死的，需要活的人来用。skill本身就是活的。
合起来看，这是一个结构性的索取。
这种索取和工业时代的劳动契约不一样。工业时代员工卖给公司的是“时间+体力+按岗位训练过的劳动”——他在的时候属于公司，他走了就带走了。蒸馏改变了这个契约。员工现在被要求交出的，是他的判断模式、他的决策框架、他在十几年里沉淀下来的具身经验——一旦交出去，这些东西就永远留在了公司的知识库里、AI助手里、内部Agent里。
工业时代员工带走的是自己。AI时代员工被要求留下的，是自己。
清华大学公共管理学院的陈天昊副教授在评论这个现象时直接问出一个还没有人能回答的问题：
“如果人的工作经验、协作方式甚至风格特征都能被模块化，那么凝聚其中的劳动价值、知识产权和人格尊严分别应当如何保护？”
陈天昊指出，现有的知识产权法和个人信息保护法，对这个现象都“只能覆盖一部分”。这是一个真空地带。
而真空地带里正在发生的事，规模远超过GitHub上那个7000 stars的项目——大公司在静默地搭建内部AI助手，把员工的工作流喂进去；中型公司在轰轰烈烈地推动“知识管理体系”建设；创业团队在用Notion AI整理“团队大脑”。每一种说法都很优雅，但底层动作是同一个——把活的人身上的判断，转移到不需要付薪水的系统里。
那个GitHub项目最锋利的地方，不在于它实现了什么技术。锋利的地方在于，它说出了一件所有人都在做但没人愿意命名的事。
07
—
但大多数人，可能包括我自己，都不是“超级个体”——既不是被AI放大的那种，也不是被组织萃取的那种。超级个体身上有可以被AI放大、可以被组织萃取的东西。那些没有这个前提的人呢？
他们没有出现在前面的叙事里，因为他们不构成“故事”。
她是那个做了七年市场专员的人，去年公司“全面拥抱AI”之后，她的KPI里多了一项“用AI完成的内容产出量”，或者说，token消耗量。她每天用AI做出过去三倍的工作量，但她隐约感觉到，这件事在为某个还没发生的事情做准备。
他是那个在年底绩效面谈里被告知“这个方向公司暂时不需要增加人手”的人。“暂时”是温柔的，也是含糊的——它不是“你不行”，是“你被搁置了”。被搁置的人无法抗议，因为没有发生明确的事可以抗议。
他们的处境用一个词描述最准确——失重。
不是被替代。被替代是清晰的、可以被识别的、可以被赔偿的、可以被诉讼的。失重是另一种东西——脚下的地面没有消失，但承重能力在下降；岗位还在，但岗位的意义在悄悄漂移；工资还在发，但你越来越说不清楚自己每天具体在创造什么。
工业时代的失业有明确的起点和终点。AI时代的失重没有。它是一个缓慢的、不出声的、没有签字仪式的过程。
而这个过程发生的同时，他们身上仅剩的判断模式、工作习惯，也正在被组织以“知识沉淀”、“经验萃取”的名义系统性地汲取。外面的护城河在塌，里面还能被汲取的东西也在被汲取。
到这里，关于液态组织和超级个体的论证可以收束成一个判断。
液态化不是一场扁平化运动。它制造的也不是简单的“赢家和输家”二分。它制造的是一个新的分层维度——按“你身上还有多少AI拿不到的东西”分。
判断、关系、具身经验、私有信息、在某个真实场景里反复磨出来的直觉——这些东西决定了一个人在新秩序里的位置。
而这些东西，几乎全部是过去的不平等的产物——你出生在哪里、你的父母是谁、你受过什么训练、你被允许进入哪些场域、你曾经和谁工作过、你看过哪些AI没有看过的失败和成功。
液态化看起来在扁平化。它实际上在用一套新的逻辑，重新固化阶层。
这个结论可能是错的。
但如果它是对的，那么我们现在站在的，不是一场技术革命的起点，而是一次社会结构重组的起点——一次比工业革命更安静、更彻底、更难以抗议的重组。
08
—
讲了这么多液态化对个体意味着什么——但有一个问题始终被绕开：液态化的另一面，是组织自己。
层级在松动。岗位在融化。长期雇佣在向任务契约漂移。中层的信息论基础被掏空。CEO开始直接调度Agent。
那么，剩下的组织靠什么运转？
没有层级的组织怎么协调？没有长期雇佣的组织怎么传承其判断力？
这些问题指向同一个底层——信任。
工业时代的信任建立在朝夕相处、彼此熟悉、共同被层级管理之上。当朝夕相处变成异步协作，当层级让位给流动的任务网络——信任的基础设施需要被重新建造。
而这件事在AI时代还多了一层。当组织内部的判断越来越多地由人机协作完成——人和AI之间的判断权归谁？AI出错时，问责归谁？我信任的是你这个人，还是你身后那个AI？
这些是这个系列下一篇要回答的问题。
