从“光站在那里”到“站在光里”:AI时代企业组织能力的菌丝体进化!中文里,“光”字放在“站”的前后,意思完全不同。 从字面理解,企业站在光里,“光”是名词,是时代机会和新的生产力;企业光站在那里,“光”是副词,意思是只、仅仅,只会站着看、站着等,面对变化手足无措——前者已经行动,后者仍在观望。 从本质上看,时代的光已经出现,企业却没有站进光里;无论哪一层,主语始终是企业,光不会替企业选择,技术也不会替组织改变。
2026年夏天,三组数字让这种“光”有了尺度:7月27日,长鑫科技登陆科创板,首日收盘总市值3.28万亿元,登顶A股;8月19日,宇树科技挂牌,首日收盘总市值约3418亿元;在大洋彼岸,Anthropic向美国证交会非公开递交了S-1草案,5月新一轮融资的投后估值已达9650亿美元。芯片、机器人和基础模型,构成人工智能产业最耀眼的部分,资本、人才和舆论的光,首先照在了它们身上。 然而,蒸汽机的意义并不只属于蒸汽机公司,电力革命也不是在发电厂竣工时完成的;只有当工厂按照电力的特点重新布置设备、调整工序和工作制度,电才从一种能源变成新的生产力。人工智能同样如此:基础设施企业负责把光点亮,真正决定这束光能不能改变经济的,是千行百业能否用它重新组织生产。 这正是多数传统企业面对的问题:当少数企业已经站在光里,为什么更多企业还光站在那里? 以菌丝体组织理论来解读,企业是一个需要持续感知、响应和生长的生命共同体,不是一架等待管理者下达指令的机器。企业面对AI的焦虑,表面上来自技术变化太快,深处却是组织不知道怎样行动——信号进不来,知识流不动,资源调不过去,前端看见机会也承担不了责任;技术的不确定性固然存在,组织的迟钝却把不确定性变成了无力感。
一、企业为什么会光站在那里 商业世界里流传着一句话:面对新事物,人们常常先是看不见,继而看不起,等到看懂时,已经来不及。今天许多企业对人工智能的反应,大体也经历着这样的次序。 所谓看不见,是把人工智能当成科技行业的事;所谓看不起,是把它理解成写文案、做图片的便捷工具;所谓看不懂,是无法把模型能力翻译成顾客问题、经营指标和工作流程;所谓来不及,则是等同行把路走通后再行动,才发现差距已经转移到数据、人才、流程和组织经验。
增量扩张时期,企业可以用增长遮住许多问题:市场每年都在变大,决策慢一点、库存多一点、部门之间多绕几道弯,尚可由新增收入吸收。进入存量竞争和缩量分化阶段,这种宽容便消失了,利润和资源向效率更高、反应更快的企业集中,组织中的每一道等待都会变成成本,每一次信息失真都会错过机会。 人工智能不会自动抹平企业之间的差距。它更像一个放大器:组织善于定义问题、共享知识、迅速行动,它就放大这种优势;组织内部目标冲突、数据割裂、责任含糊,它也会让混乱运行得更快。 不少企业已经购买了模型账号,组织却没有因此变化:一线最早发现需求,仍要逐级汇报;总部掌握资源和签字权,却离问题最远;技术部门负责“上AI”,业务部门等效果,HR最后培训,风险部门事后补制度。报告生成得快了,会议和审批没有减少;个人节省了时间,跨部门等待依然存在。 从菌丝体组织的理论视角看,组织生命力不取决于层级多少或规模大小,而要看环境信号能否被感知,信息与资源能否流向创造价值的节点,行动结果能否回到系统并形成学习。企业光站在那里,当然有认知上的犹豫,更有组织上的无能为力:有人看见却无权行动,有人有权却看不见,有人掌握资源却不对结果负责;企业不一定不想走,很多时候是组织没有“走”的能力。
二、AI释放的,是可以复制的认知力 每一代生产力革命,都始于人类某种能力被大规模释放。蒸汽机、电力和流水线扩展了人的机械力;计算机和互联网扩展了计算力与连接力;人工智能开始把分析、生成、预测乃至部分判断变成可以复制、组合和调用的能力。 若沿着“机械力—连接力—认知力”这条企业管理史线索观察,AI正在推动第三次生产力跃迁;这里的“第三次”不是**的历史分期,也不是为了制造一个宏大口号,而是提醒管理者:这一次被改变的,不只是机器怎样运转、信息怎样传输,还包括知识怎样形成、任务怎样完成、判断在哪里发生。 过去的数字化,常常是在既有流程外面加上一层系统:纸质订单变成电子订单,线下审批搬到线上,报表从月底改为每天生成。流程快了一些,组织的基本逻辑却没有改变——信息仍向上集中,决定仍由中心作出,执行仍由下层承担。 人工智能开始触及这个逻辑本身。它能监测异常、整理信息、调用知识、提出方案,并在明确规则内执行任务。许多过去合理的安排需要重新回答:一线已经获得分析支持,所有决定是否仍要送回总部?标准动作可以由智能体完成,岗位是否还应按执行量衡量?AI参与行动之后,又由谁发现错误、签字并承担后果?
这就是生产力对生产关系提出的新要求:企业内部的生产关系不等于一张组织架构图,它还包含劳动分工、权利配置、资源占有、协作规则、收益分配和责任承担,而这些关系最直接的载体就是组织体系。 通用目的技术的生产率收益往往不会立刻出现,企业还须投入流程再造、人才技能、管理方法和商业模式等无形资产;电力如此,计算机如此,AI也不会例外。购买机器只是支出,围绕机器重新发明工作,才是投资。 因此,企业AI转型的基本单位不该是模型、账号或演示项目,而应是一条完整的工作流;管理者必须先说清楚要取得什么成果,再判断技术介入哪里。把AI塞进旧流程,只会得到一家运行更快的旧企业,围绕AI重新定义工作与责任,才可能产生一家新企业;新的认知能力已经分布到网络,组织不能继续只靠信息上收、中心判断和层层执行来工作。 三、站在光里,不等于成为AI企业 三家公司赛道不同,却都在供给新的生产工具:存储芯片承载数据和计算,机器人把智能带进物理世界,基础模型把认知能力转化为可调用的服务;资本市场给予它们高估值,实质上是在为未来的产业位置定价。 不过,同样是“站在光里”,资本、技术和经营说的并不是一回事:融资与市值表达市场预期,也会随情绪、流动性和竞争变化;技术性能的突破与成本下降,决定新能力能否普及;经营最终检验它进入真实业务后,能否持续改善顾客价值、收入、成本、质量或风险。到了这一步,技术的光才变成生产率的光。 三种光有关联,却不能画等号:市值高不等于已经建立长期竞争力,技术先进也不等于客户愿意付费,更重要的是,基础设施企业无法替应用企业完成流程改造。正如接通电源不等于实现电气化,接入互联网不等于完成数字化,拥有大模型账号也不等于拥有AI生产力。 高科技企业处在高投入、高不确定和技术路线快速更替之中,可以用“九死一生”形容其风险;传统企业有成熟需求、渠道和现金流,更像“九生一死”,当然,这只是管理隐喻,不是统计结论。值得警惕的悖论是,科技企业可能很快失败,少数活下来的却会定义未来;传统企业不会突然死亡,却可能在稳定中失去进化能力,收入还在、会议照开,顾客和人才却慢慢离去,回头看时已经不在牌桌上。 所以,站在光里不能用行业来判断,更不是给企业换一张“AI公司”的名片:卖芯片的企业可能站在阴影里,卖水、卖酒、卖洗衣粉的企业也可以站在光里。可口可乐和宝洁经营的都是古老的日常需求,它们保持生命力,靠的是持续理解消费者、更新产品组合、改进渠道和生产率;茅台正在调整直营、经销、线上、餐饮和私域之间的关系,农夫山泉也在水和饮料这些传统品类中不断更新产品与触达方式——传统行业不等于传统企业,科技行业也不会自动产生现代企业。
德鲁克一直提醒管理者,企业首先要回答顾客是谁、顾客认为什么有价值;技术不会改变这项常识,只会提高回答错误的代价。从菌丝体组织看,这也是“感知即决策”的起点:组织先听见真实的顾客信号,才知道技术该进入哪里;AI企业负责把光点亮,千行百业要决定用这束光照见什么问题、创造什么价值,后者才决定生产力革命最终能走多远。 四、生产关系的重构,要落到五件具体的事上 “重构生产关系”很容易成为一句正确而空泛的话。对一家还光站在那里的企业而言,迈出**步不是另画一张组织图,而是让工作、信息、决策、资源和责任重新接上。 1、变化先从工作本身开始:传统岗位把搜集资料、重复录入、例行判断、处理例外、协调他人和承担责任捆在一起,AI进入以后,管理者必须重新拆开这些任务。监测、检索、汇总、生成以及规则清楚的执行,可以更多交给机器;定义问题、理解含混信号、处理利益冲突、作出价值判断和承担后果,仍然属于人,岗位未必消失,岗位的价值却会从“做了多少”转向“判断是否准确,能否把事情带到结果”。 2、工作一旦拆开,信息的传递方式也会改变:工业时代的层级制建立在信息昂贵且稀缺的条件上,基层收集,中层汇总,高层判断,然后再逐级下达;今天,顾客、设备、库存和市场信号可以在产生时被识别,并按权限到达需要它的节点,不必先做成一份层层加工的报表。中层不会因此失去价值,只是传话、催办和整理材料的重要性下降,定义问题、组合能力、处理例外、协调冲突和培养人才的重要性上升;菌丝体组织所说的“连接即存在、流动即智慧”,首先体现为信息终于能够找到真正需要它的人。 3、信息能够直接抵达前端,决策权就不能仍被锁在层级中心:传统企业把权力与职位绑定,智能分布以后,授权应更多地围绕能力、场景和风险来配置。谁最接近问题、具备处理能力并愿意承担责任,谁就应当在规则范围内先响应;风险较低、可以回滚的事项,可由前端或智能体直接处理,超出规则、影响重大或涉及伦理的决定,则必须进入人类治理节点——“能力即身份、感知即决策”并不意味着放任,它要求权限、能力、责任和可追溯性同时存在。 4、决策权移动以后,资源也要跟着动:许多企业口头上强调协同,数据、预算、人才和技术仍被部门占有,机会出现在一个业务单元,能力却锁在另一个部门,一线即使知道需要什么,也常被年度预算和编制挡住。AI时代需要把模型、数据、知识和专业人才沉淀为可调用的公共能力,让资源跟随顾客问题和真实机会流动;这种共享不能依靠人情协调,更不是无偿占用,而要有统一接口、服务标准、成本核算和清楚的优先级。 5、责任与分配必须完成最后的闭环:AI参与越深,谁允许模型访问数据、谁批准它执行任务、哪些输出必须复核、出现异常谁有权中止、最终由谁签字负责,就越要写进流程。协议的权威不在文件有多厚,而在行动可以追溯、责任不会悬空;考核也不能停留在账号数、调用量和AI项目数,管理者要看顾客响应是否改善、决策时间是否缩短、错误是否减少、经验能否复用,以及组织能否从一次行动中学会下一次行动。 美团的实践提供了一个正在发生的观察切片:2026年7月,美团发布CatPaw,并披露其已在内部覆盖9万名员工、搭建3万个Agent;比数字更值得关注的是工作流,AI需要上下文、权限边界和人工复核,可以整理经营数据、识别异常,却不替商家完成改价格等关键决定。这些数据来自企业披露,不能当作独立效果评估;它至少说明,大型平台的注意力正从“多少人使用AI”转向“AI怎样进入真实工作”。 IBM提供了更长的时间尺度:20世纪90年代初,公司陷入危机后保留整体能力,转向服务和解决方案;此后又出售个人电脑业务、收购红帽、分拆Kyndryl,逐步把重心收向混合云和AI。这些选择并非简单追逐风口,而是在不同时期重新配置客户关系、业务组合、知识和权责;IBM穿越几轮技术周期,靠的不是永远选中同一束光,而是不断重做自己。
一家企业最危险的遗产,往往不是失败,而是成功:它容易把过去有效的做法写进流程、预算、职位和利益分配,成为谁都不愿触碰的制度。企业之所以光站在那里,有时是被昨天拽住了;组织进化,就是获得否定昨天的能力,不必每次都等到危机来临。 五、菌丝体进化:让组织获得行动能力 走到这里,菌丝体组织已经不是附加在AI转型后面的一套新概念,而是理解前述变化的理论母体。连接、协议、能力、流动、共生、感知和生长,不是七句抽象口号,它们共同回答一个管理问题:当智能进入越来越多的节点,组织怎样既守住方向和责任,又让贴近现场的人及时行动。 菌丝体组织不承诺一张适用于所有企业的标准答案,因为每家企业的顾客、技术基础、风险承受力和发展阶段都不同;AI趋势不可逆,企业的路径却必然是动态的。管理者解除焦虑的办法,不是准确猜出每一次技术变化,而是建立一个能够感知变化、试验选择、纠正错误并持续学习的组织;组织有了这种能力,变化仍然存在,企业却不必再原地等待。 它的基本结构可以概括为“强内核、活前端”:这是管理理论和组织隐喻,并非照搬生物学规律,也不主张取消总部或让团队自行其是;它处理的是企业长期存在的两难——管得太紧,前端失去活力,放得太开,组织容易失序。 强内核负责战略、共同价值、核心能力和风险底线,统一身份、权限、数据标准、模型准入、审计规则和重大资源配置。总部不包办所有决定,却必须说清楚企业为谁创造价值,什么原则不可交换,什么风险不可承受。 活前端由贴近顾客和现场的小型节点组成,在规则内感知变化、调用能力、作出判断并对结果负责。它的自由不来自领导“放手”,而来自边界清楚、能力可靠、责任可追溯。 两者之间需要一个真正的大中台,把数据、模型、知识、人才和专业服务沉淀为公共能力,而不是成为新的行政层。供应商、客户、专家和技术伙伴也可以进入组织网络,但须接受身份、协议、审计和熔断机制的共同治理。
因此,菌丝体组织同时运行两条轨道:规则治理线集中处理方向、标准、核心资源、伦理与重大风险,节奏相对稳;业务执行线分布处理现场判断、能力组合、规则内试错和结果交付,节奏相对快。该集中的高度集中,该分布的充分分布;内核越清晰,前端越自由,规则越透明,责任越明确——这正是有原则而不丧失灵活性的组织逻辑:原则不随风口摇摆,形态则跟着顾客和环境不断调整。 菌丝体还启示管理者分清企业的“体”与“用”:产品、项目、业务线和阶段性商业模式,是随环境兴衰的“用”;文化、规则、人才、数据、知识、信任和连接,是更长期的“体”。企业不能把成功产品当作永恒,也不能为了追逐AI,把客户信任和核心能力一起丢掉。 在AI时代,这个本体还应当形成一条组织智能闭环:信号进入网络,人和AI共同判断,节点调用共享能力,前端采取行动,结果回流系统,例外被记录,规则和模型据此更新。一个AI项目是否真正有价值,不只看它当次节省了多少时间,还要看这次实践能否让下一次行动更快、更准、更安全。 人的角色也会随之改变。高层成为方向、价值和底线的锚点;中层减少上传下达,转向定义问题、组合能力、处理例外和辅导团队;基层则监督AI、识别异常并承担现场责任。 这里有一条不能让步的边界:人类定规,全域共行;AI可以执行、建议和发现模式,但企业目的、价值判断、重大例外、规则变更和最终责任,必须留在人类共同体手中,否则企业得到的只是无人负责的自动化。 菌丝体进化因此不是换一张组织结构图,真正改变的是信号怎样流动、判断在哪里发生、能力如何被调用、权力交给谁、结果由谁承担;它给企业的不是一套看上去更先进的架构,而是感知、判断和采取行动的能力。组织图可以暂时不动,只要信号流动方式、判断发生位置、能力调用机制、权力配置方式和结果责任归属发生变化,组织就已经开始进化;反过来,组织图即使画得再新,如果信息仍逐级上报、判断仍远离现场、能力仍被部门分割、权责仍然脱节、结果仍无人承担,企业仍只能光站在那里。
六、别再光站在那里,从一条真实工作流开始 传统企业接受AI,不需要先制造更多焦虑。企业家首先要把趋势、选择和节奏分开:AI作为新生产力向各行各业渗透,这是趋势,靠等待改变不了;AI先进入本企业的哪个场景,这是经营选择,不能照抄同行;企业以多快速度推进,则取决于数据基础、人才能力、风险水平和组织承受力,需要在行动中不断调整。 焦虑常常来自把这三个问题混在一起:管理者既担心不做就落后,又害怕做错要付出代价,于是开了很多会,听了很多方案,仍然光站在那里。德鲁克式的管理不要求***预知未来,而是要求他在不确定中作出当下有效的选择,并对结果负责;趋势可以坚定拥抱,具体做法必须允许试验,方向需要稳定,路径则应随着反馈修正。
真正的起点仍是顾客,管理者先不要问该买哪个模型,而要追问三个问题:我们的顾客是谁?他们遇到的哪个问题最值得解决?我们希望改善的是收入、成本、质量、速度,还是风险?技术部门可以解释AI能做什么,只有业务负责人能够决定什么值得做;菌丝体组织的分布式感知,也不是让所有人自由寻找风口,而是让最接近顾客的节点把真实信号带回组织。 问题明确以后,选择一条高频、高痛、跨部门、可以衡量且风险可控的工作流,把其中的等待、重复、错误和信息损耗梳理出来;库存异常、顾客反馈、质量检查、报价支持或售后分流都可能成为起点,场景不必宏大,却必须连接真实结果。随后再确定哪些任务交给AI,哪些判断由人作出,哪些操作必须人工确认,发生异常时怎样停止和追责。 试点也不能只交给IT部门,业务、技术、人力资源和治理人员需要组成一个跨职能节点:业务定义价值并对结果负责,技术处理数据与模型,HR同步调整岗位、能力和考核,治理人员明确权限、审计和风险边界。这个节点既要获得规则内的行动空间,也要接受结果追踪;没有授权,试点只能做演示,没有责任,授权很快就会失序。 一个试点结束后,管理者最该问的不是“节省了多少工时”,而是组织留下了什么:有效的数据口径、业务规则、模型配置、异常案例和协作协议,应当沉淀为公共资产,再向相邻场景渐进复制;无效流程要能废止,失效规则要能更新,失败试验也要留下可复用的认识。每一次行动都让下一次行动更可靠,企业才算把AI变成了自己的能力。 这样的尝试可以从90天开始,组织进化却不能用90天验收,因为AI工具以周为单位更新,人的能力、利益结构、信任和责任机制往往需要多年才能成熟。做比不做好,早做比晚做好,因为数据、人才和组织学习都无法临时购买。很多企业高喊“All-in-AI”,却依然停留在“AI-in-All”的点状试点:AI工具到处上线,但战略、组织架构、流程、激励和人才心智五件事不变,最终只是把旧业务电子化,无法带来真正的组织变革。企业可以从小处动手,却必须从**天就把组织问题放进来,在行动中学习,在反馈中校准,在守住原则的同时不断改变形态。
结语:别再光站在那里,走进光里 有的企业站在光里,有的企业光站在那里;一个“光”字的位置之差,写出的其实是两种组织状态——一种已经把变化变成行动,另一种仍在等待更清楚的方向、更成熟的技术、更安全的答案。 今天的时代之光首先照在芯片、模型和机器人身上;随着成本下降、能力成熟,它还会进入工厂、门店、医院、物流和专业服务。到那时,人们也许不再频繁谈论“AI企业”,正如今天很少把使用电力和互联网当作特殊身份。 技术会普及,组织能力不会自动普及。光是一种趋势,趋势已经在那里,却不会自动成为任何一家企业的生产力;企业若只是观望,光再亮,也只在企业之外。只有结合顾客需求、业务基础、人才结构和风险边界,主动选择切入口、调整流程和权责,才能把外部的光引入企业,把时代的可能变成组织的能力。 企业之间最后比的仍是几件朴素的事:谁更理解顾客,谁能够定义正确的问题,谁能把知识变成行动,谁愿意为判断承担责任,谁能在取得结果后继续学习。 企业***面对AI,不应追逐每一道光,而应拥抱趋势,驾驭变化:拥抱趋势,是承认AI带来的生产力变革不可逆,不再用等待回避选择;驾驭变化,则是不照抄别人的路径,而从一条真实工作流出发,在行动中校准节奏,把每次试验沉淀为下一次行动可以调用的能力。 因此,传统企业真正需要克服的并非技术焦虑,而是用昨天的组织承载明天的生产力。站在光里也不是给自己贴上“AI公司”的标签,而是让AI进入价值创造,让信息抵达能够处理它的人,让权力与责任跟着能力走,让每一次工作都为组织留下新的知识。 光不会走到企业脚下,时代也不会替企业作出选择;但企业每解决一个真实问题、沉淀一项公共能力、建立一种新的协作方式,都是在向光里走近一步。 别再光站在那里,走进光里。 关于米多 声明:此篇为米多公司的原创文章,转载请标明出处。链接:https://www.ebcone.com/sys-nd/885.html
|