大重组：人类指南

在过去两年中，大多数公司的 AI 对话都是关于个人生产力：谁在使用它、他们移动得多快、对他们的角色意味着什么。那个对话仍然非常活跃。除此之外，另一个对话正在出现：当你使用 AI 让整个组织更有生产力时会发生什么？

我们与 25 家公司谈过，从 50 人的初创公司到拥有数千名员工的企业，正是关于这一点。我们期望听到关于特定工具和工作流改进。我们发现的反而是迅速展开的结构性变化：团队从头开始重建，角色以 18 个月前看似不可能的方式合并，员工预测反映了根本性的新工作方式。

几个数据点：

团队正在变得显著更小。

• 一家公司 120 人的工程团队计划削减到 25 人。
• 另一家运行 30 多个微服务的公司从每个服务 0.75 名工程师降至预计 0.1：一名工程师监督过去需要八个人的工作。

留下的角色正在改变形态。

• 组织需要更少的深度专家和更多能跨职能流畅工作的人。我们交谈的一家公司今天的专家与通才比例为 1:6，目标是十二个月内 1:25，最终 1:100。
• 另一家公司，三个传统角色——产品、工程和设计——已经合并为两个：结合 UX 和产品思维的产品构建者，以及编排编码代理并拥有系统设计的产品实施者。

留下的标准正在提高。

• 在一家 1,000 人的公司，现在有一个名为”我的第一个拉取请求”的命令：每个 PM、设计师和非工程师必须使用 AI 工具发布代码。
• 在同一家公司，25-30% 的产品会议现在以工作原型而不是幻灯片开始。期望已经从推介想法转变为演示它们。
• 另一家大公司要求每位员工，跨工程和 GTM，通过构建一个让自己更擅长工作的应用程序来重新面试他们的角色。从有想法到看到它工作的距离正在缩小到接近零，缩小那个差距的能力正迅速成为每个角色的基线期望。

我们相信这些是一个更大转变的早期信号：从个人使用 AI 移动得更快的组织，到围绕 AI 重建以作为整体移动得更快的组织。借鉴我们与实际推动这些变化的人的研究，本文是我们尝试映射那个过渡：哪些角色仍然是人类，哪些移动到代理，未来的组织实际上是什么样子。

从更有生产力的人到更有生产力的组织

这个转变很难做，大多数公司还没到那里。这是我们以前见过的模式。

当工厂在 1890 年代首次从蒸汽切换到电力时，最初的生产力提升是有限的。大多数制造商保持相同的工厂架构，只是简单地换入新的电源。直到后来，在 1910 年代和 1920 年代，制造商围绕电力重新设计工厂——更灵活地分配电力、重组工作流，并为工人和机器创造新角色——收益才开始实现。

汽车也是如此。它的基本效用是即时的：它可以比马更远更快地移动人。但它承诺的更大变革需要建成环境围绕它重新设计。早期汽车进入为行人和马建造的街道，进入围绕步行距离和铁路组织的城市。随着时间推移，道路被铺设和拓宽，添加了交通系统和停车场。最终，高速公路、郊区和新的土地利用模式围绕广泛汽车所有权的假设重塑了城市生活。

在两种情况下，技术本身只是突破的一部分。真正的变革发生在人们围绕它构建周围系统时。

大多数公司仍处于 AI 的”汽车在土路上”阶段的等价物。AI 让许多个人显著更快。但更快的个人不会自动加起来成为更有生产力的组织，特别是当底层结构——决策如何做出和工作如何流动——是为前 AI 世界构建的。

你在管理代理，还是代理在管理你？

在新兴的组织中，这两种转变同时发生。

一组人正在向上移动栈：设计系统、设置护栏并拥有结果。同时，许多人发现他们的工作越来越被软件协调：由代理而不是人来安排、路由和评估。在某些情况下，AI 可以提供比人类经理更一致和个性化的指导。

重要的是要注意，提供指导和建立关系是不同的事情。指导提供信息：在正确时间提供正确反馈、个性化学习路径或时机良好的提醒。关系创造信任、社会纽带和将人们与工作连接起来并激励他们达到最佳的归属感。目前，并且可能很长一段时间，工作场所关系仍由人类为人类建立。

总的来说，这两种转变产生一个更平的组织架构图，层数更少、人数更少，下面有一个更复杂的操作系统。

仍然是人类的角色

随着代理承担更多工作，我们看到四类广泛的人类角色变得更加重要。

首席问责官

最顶端是承担责任的人：拥有结果并在事情出错时仍然负责的高管。这包括签署文件的 CFO、出庭的总法律顾问，以及凌晨 3 点系统宕机时负责的 CTO。只要监管者、法院和董事会由人类运营（它们将很长时间），组织就需要一个人类接口。问责是一个独特的人类功能，随着代理做更多工作，它变得更有价值，而不是更没有价值。

这也是我们看到最多整合的地方。举一个例子，CTO 和 CPO 角色正在合并，因为工程和产品趋同。将有更少的不同头衔，但留下的将承担显著更多的分量。

系统架构师

这些是代理组织的设计师。他们决定人类和代理如何一起工作：代理可以自主做什么、什么需要人类批准、性能如何衡量，以及当某事中断时升级路径是什么样的。在工程中，这意味着设计 CI/CD 管道和代码评估框架。在 GTM 中，这意味着构建潜在客户评分模型和归因框架。在 G&A 中，这意味着构建合规管道和财务控制。

这是新兴组织中学习曲线最陡峭、杠杆最大的角色。

关系专家

这些是完全专注于人类接口的人：通过晚餐建立信任的企业销售人员、导航客户政治的客户经理、指导员工和建立文化的 HR 领导，以及理解候选人真正想要什么的招聘人员。这些角色仍然是人类的，因为组织之间信任的基本单位仍然是人对人。

在一个分析和运营工作更多被自动化的世界中，那个信任、判断和解释的人类层变得更加差异化，而不是更少。

验证者

这可以说是这个新时代最重要的新角色，也是变化最快的。

我们仍处于代理-人类协作的早期阶段。代理已经可以做有意义的工作份额，但在大多数领域它们仍然不能被信任完全独立运营。这为人类创造了一个新角色：审查、验证和批准 AI 系统产生的内容。

在数字环境中，公司正在雇佣”验证工程师”：审查代理生成的代码、检查 AI 产生的分析并验证自动化输出符合质量标准的人。在物理和受监管环境中，他们更像领域专家：读懂房间的医生、发现边缘情况的安全专家，或不仅理解法律字面意思而且理解其精神的政策专家。

在两种情况下，验证者都在系统能做什么和什么仍需要人类判断（在物理、受监管或高风险环境中）的边界运营。

我们的期望是验证者的需求将遵循钟形曲线。现在，需求仍在上升，因为大多数公司刚刚开始大规模部署代理。在未来两到四年内，需求将达到峰值，因为代理处理更多工作但仍不够可靠以自主运行。随着这些系统积累足够的数据来自我改进和自我纠正，对人类审查的需求将下降。

那种下降并不意味着验证者消失。曲线随着新领域（如药物发现、科学研究和物理系统设计）开放而继续向右移动。每个新领域都创造了一波新的验证者需求。

这带我们到向代理重型劳动力转变的一个重要风险：一代问题。今天的验证者是专家，因为他们自己做了 IC 工作。但如果代理处理所有初级分析师工作、所有初稿代码和所有入门级交付物，2035 届如何建立那种专业知识？他们可能永远得不到练习。

除非我们刻意补充，验证者池是一个一代资产。它是一个套娃：在这条曲线的最末端，如果没有更多的验证者和专家，那就是 AGI。我们认为这不会发生。人类继续进化，前沿继续移动，新领域继续为人类专业知识创造新的需求。但”当前专家退休”和”新专家出现”之间的差距是真实的，值得认真对待。

四种类型的公司，四种不同的未来

大重组不会到处看起来都一样。我们发现按两个维度对公司分组很有用：他们生产什么（产品或服务）以及他们如何交付价值（数字或物理世界）。这些轴决定了 AI 可以触及多少工作以及多快。

人类-代理平衡因象限而异。重组的形状也是如此：AI 在工作流中的进入位置、它可以吸收价值链的哪一部分，以及它是否改变核心工作本身或专注于围绕它的一切。

	产品	服务
数字	例如 Salesforce、ServiceNow、Figma	例如 BPO、代理机构、咨询、律师事务所
物理	例如笔记本电脑、电视、汽车	例如医生、清洁、卡车司机、酒店业

数字产品组织：更小的团队，更高的杠杆

这是大重组今天最明显的地方。数字产品团队的遗留组织结构——工程、产品、设计、销售、营销、CX、财务、HR、法律——是围绕专业化构建的。每个职能存在是因为做好它历史上需要专门的、专注于很少其他事情的人。所以你为每个职能构建了独立的团队，有交接和协调结构来将工作重新缝合在一起。

AI 工具颠覆了这种逻辑。人们能够作为通才行动，并转向上面描述的高阶角色：设定方向、设计系统、拥有关系和验证输出。九个职能正在折叠成三个：研发、GTM 和 G&A。

在每个职能内，更精简的人类层与代理层一起工作，代理草拟、执行和分析，人类审查和批准输出。在研发中，推理代理分类 bug、运行影响分析和调查根本原因，而行动代理实施功能、生成测试并编写和更新文档。在 GTM 中，推理代理规划活动、分析漏斗和制定品牌战略，而行动代理生成内容、放置和优化广告并培育潜在客户。在 G&A 中，推理代理预测预算、评估合同风险和规划资源，而行动代理运行薪资、处理发票、起草合同并提供 IT 服务。

结果是一家随工作扩展而不是随员工数量扩展的公司。仍然是人类的角色比以前更高级、更跨职能、更负责。

数字服务组织：代理做工作

这是最直接受压力的象限。在数字产品公司中，代理帮助构建产品。在数字服务公司中，产品就是工作本身——而越来越多地，代理正在做这件事。AI 系统起草备忘录、处理索赔、分析数据、审查文档并产生交付物。大型人类交付团队缩小，剩下的是包裹在代理核心周围的人类层。

两个人类角色变得特别重要。第一个是关系专家：赢得信任、管理客户、导航政治并仍然是服务面孔的人。第二个是问责官员：当客户不开心或事情出错时支持输出的人。

销售服务仍然需要人类，即使越来越多地交付它们不需要。买家不会因为 AI 演示进展顺利就签署七位数的合作；他们签署是因为他们信任桌子对面的人。这就是为什么数字服务中的人类包装比任何其他象限都窄：做工作本身的人更少，更多的人拥有围绕它的人际关系和问责。

这也是为什么 AI 原生挑战者对在这里的在位者如此威胁。新进入者可以从头开始设计人类-代理分工——没有遗留的交付层要重组，没有现有的劳动力要重新培训——并以难以缩小的成本和速度优势竞争。

物理产品组织：最大的绿地

物理产品公司经常被描述为受 AI 影响最少的。我们认为这低估了机会。

设计、原型制作、制造和测试物理产品仍需要与原子（而不仅仅是比特）交互。这使得时间线更长，工具栈比软件成熟得多。软件开发有 Claude Code，但物理产品还没有等价的通用栈。但这也是机会如此巨大的原因：大部分价值仍在前面。

这里的组织结构看起来类似于数字产品，相同的四个人类角色分布在研发、GTM 和 G&A 中，加上第四个职能——供应链管理——反映了将物理产品推向市场的复杂性。

然而，那些角色管辖的工作看起来与数字产品很不同。系统设计师定义 AI 如何集成到物理设计和制造过程中，而不仅仅是软件管道。验证者批准原型并签署安全认证，而不仅仅是审查代码。

在代理方面，代理压缩物理开发周期中最耗时的部分——包括设计可行性、模拟、供应链优化和质量控制——而行动代理处理目前消耗大量工程带宽的文档和物流工作。结果是一个更小的人类团队承担比以前更复杂、更雄心勃勃的工作。

物理服务组织：代理处理开销

在物理服务中，人是产品，人际关系是让客户保持粘性的东西。清洁工必须出现在你家。医生必须检查你、倾听你并向你介绍你的选择。卡车司机必须坐在方向盘后面，至少现在是。这里的变革不是关于替换人类作为服务提供者，而是关于围绕他们的一切。

在所有四个象限中，这是”由代理管理”走得最远的地方。目前围绕服务工作者的协调开销（调度、路线、文书工作和派遣物流）是代理最快进入的地方。这让人类专注于工作本身而不是围绕它的行政和运营脚手架。

这一类别中的时间表差异很大。卡车驾驶有清晰的全自动化路径。酒店业是另一个故事。在餐厅、酒店和护理环境中，人际互动是服务的核心。人们想感觉被另一个人照顾，无论代理能做什么，这种偏好不太可能改变。

初创公司的机会

对于创始人和投资者，大重组是一个路线图。每一次组织工作方式的结构性转变都产生新一代初创公司，这次也不例外。

我们看到几个大机会：

1. 人类系统架构师的工具

工作完成方式的每一次先前转变都产生了新一代专门构建的工具——每一个都帮助人类更直观地与日益强大的机器交互。编码语言从机器代码演变为 C++ 到 Python 到自然语言，每一层都让构建者更有生产力。非工程工具遵循相同的模式——PM 的 Jira、设计师的 Figma、销售的 HubSpot——每一个都为做特定类型工作的人优化。

人类现在需要交互的最强大机器不再是代码库或设计文件——它是一个自主代理舰队。正如每一代以前的技术都需要新工具来使其可用，代理需要它们自己的：编排平台、工作流构建器和可观察性仪表板，让人类能够大规模架构、监控和纠正这些系统。

Arize 正在构建这样一个工具。他们的代理工程平台为人类系统设计师提供可见性和评估工具，以了解他们的代理实际上在做什么并随时间改进它们。随着代理部署的扩展，人类看到系统内部并纠正方向的能力变得与代理本身一样重要。

2. 人类验证者的平台

如果验证者需求即将激增，我们将需要使人类验证高效、可扩展和经济可行的基础设施。这包括帮助验证者检查、验证和向代理提供反馈的工具，以及将需要人类输入的代理与合格验证者池连接的市场。

这些的早期版本已经在出现。我们网络中的一家公司开始时是一个面向人的市场研究平台：你会去他们那里运行定性研究。现在他们正在演变为面向代理的验证者池。当 AI 代理需要对其输出的人类反馈时，它从他们的池中调用人类验证者，他们的反馈流回代理，代理迭代。谁大规模聚合人类验证者池谁就拥有一个类别。

Turing 是这种基础设施在实践中的一个例子。他们的工程专家池作为人类验证层服务于模型仍不能可靠解决的问题，帮助领先的 AI 实验室审查输出、捕获边缘情况并进一步推进前沿。

3. 代理原生工具和基础设施

今天使用的所有软件都是为人类构建的。当代理使用这些工具（通过 MCP、API 包装器或浏览器自动化）时，它们正在导航为人类认知设计的抽象。开销是可衡量的：MCP 工具模式仅加载就可能消耗约 55,000 个 token，而等价的 CLI 命令成本约 200 个。在复杂工作流中，这种翻译税迅速复合。

代理原生架构完全跳过那种开销，直接暴露操作而不是将它们包装在人类界面中。

这就是为什么”现有工具加 MCP”不是终局。MCP 正在成为标准连接层，但它不修复底层架构。将其插入 Jira 或 Figma 仍然通过为人类构建的数据模型路由代理。对于针对记录系统的简单 CRUD，那个包装器成立——数据重力是真实的。但对于高频、代理重型工作流，围绕人类交互构建的工具成为代理必须绕过而不是与之合作的障碍。从头构建的代理原生工具——以代理作为主要用户、人类监督作为功能而构建——将在原始性能上获胜。

Sixtyfour 是一个早期、实用的例子。今天，像 ZoomInfo 这样的工具是为人类分析师查询而构建的静态数据库——它们出售数据。Sixtyfour 出售代理基础设施：而不是暴露固定数据集，它给代理工具来主动研究开放网络和小众、难以到达的来源中的人和公司，组装任何预构建数据库都不会包含的情报，规模化。

4. AI 原生数字服务

正如我们上面所描述的，AI 原生挑战者在这里相对于在位者具有结构性优势：他们可以从头设计人类-代理分工，没有遗留的交付层要拆解。初创公司的机会是构建那些挑战者：从第一天起就以新组织结构开始的 AI 原生版本的律师事务所、会计事务所、咨询公司和代理机构。

ConverzAI 是一个早期例子。作为 AI 原生招聘代理机构，他们使用代理语音 AI 处理招聘的高量工作（采购、筛选和协调候选人），而人类专注于仍需要人的关系工作：理解候选人真正想要什么、读懂是否真正合适，以及导航候选人和招聘经理之间的动态。

Tessera Labs 是另一个例子。传统上，财富 500 强企业依赖大型咨询公司的系统集成商（SI）团队来执行 IT 转型——例如迁移和升级 SAP 环境。这些项目以缓慢和昂贵著称，通常运行多年和数亿美元。Tessera 用代理优先架构从头重建：一个协调的专门 AI 代理系统，自主处理过程挖掘、数据映射和协调——以前需要顾问大军的工作。结果是一个显著更精简、更快的交付模型，不仅自动化旧结构内的任务，而是替换结构本身。

5. 人类关系专家的 AI 经理

在物理和受监管服务中，最有价值的专业人员花费大量时间在运营和行政工作上。初创公司的机会是构建承担那项工作的 AI 层。

Tennr 正在为医疗保健构建这一层。他们的平台自动化转诊接收过程，包括读取传真、解析临床文档、路由患者和管理预授权。Tennr 现在每月处理 1000 万份文档，他们的模型在 97% 的情况下被人类审阅者批准而无需编辑。借助 Tennr，医疗保健机构可以处理更多患者而无需扩大其后台团队。

Fulcrum 正在为保险经纪做同样的事情。几十年来，经纪公司依赖海外 BPO 合作伙伴来处理围绕每个客户关系的运营工作，包括审查保单是否有错误、生成保险证明书和处理索赔。Fulcrum 的 AI 代理直接在经纪人现有系统内端到端接管该工作。

6. 物理产品的 AI 栈

正如我们之前讨论的，机械工程的 Claude Code 等价物尚不存在。而且，与软件不同（设计决策存在于 AI 可以阅读和推理的版本控制代码库中），物理产品开发建立在分散的上下文之上：CAD 文件、FEA 报告、电子邮件、审查笔记和存在于工程师头脑中的机构知识。

Tandem 正在构建使 AI 对硬件团队有用的知识层。他们的平台与现有 CAD 工具集成，并在工程师工作时实时捕获设计决策。它还在工程师需要时浮现相关需求、过去的决策和未解决的风险。

7. AI 原生物理服务

物理服务象限离完全自动化最远，但前进方向很清楚。近期机会在编排层：调度系统、路线算法、调度基础设施和实时协调工具，目前需要人类运营团队。

更长远的机会是机器人。当物理工作本身变得可自动化时，物理服务的变革将与我们目前在数字服务中看到的一样戏剧性。SafelyYou 提供 AI 摄像头来保持老人的安全和健康，并减少看护人的负担。

对未来人类最重要的是什么

那么，如果这是世界的方向，你应该怎么做？

我们相信在这个新世界中蓬勃发展的人类将共享几个特征。

新兴组织中最有价值的技能是系统思维：看到各部分如何组合、设计工作流以及构建人类和代理如何协作的能力。它也是最难发展的，因为它需要技术流利和对业务实际运作的深刻理解。我们交谈的最好的公司不是通过培训项目强制采用 AI：他们正在雇佣已经这样思考的人，让文化跟随。

高代理性和成长心态也很关键。如果你的本能是抵制并希望 AI 不会到达你的职能，你已经落后了。蓬勃发展的人类将是那些拥抱再创造、不断尝试新工作方式的人。

组织架构图正在被重新绘制。这对很多人来说令人不安，可以理解。但这也是一个邀请。倾向、学习如何与代理合作而不是与之竞争、将其视为某事的开始而不是结束的人类，不仅会在重组中生存。他们将是塑造它的人。