我逐条核查了那篇刷屏的"AI Native"文章:数据都是真的,但有三个坑

好几个朋友不约而同地转给我同一篇文章:《传统公司与AI Native公司之间,隔着一道鸿沟》。

文章的观点很抓人:AI 时代正在分化出两类公司,一类还是传统打法,另一类从第一天起就围绕 AI 组织——15 个人做到 1 亿美元年收入,一个人带着一群智能体就是一家公司。两类公司之间,隔着一道鸿沟,而且越裂越宽。

最抓我眼球的是一个数字:400 倍。文章引述 YC 总裁 Garry Tan 的说法,AI 能给一个人带来 400 倍的杠杆。

400 倍这个数字让我本能地警惕。我做了十几年内容,太清楚一个夸张的传播数字是怎么脱离原始语境、自己长腿跑起来的。于是我花了一周,把文章里每一个关键数据都翻回原始信源,逐条核对了一遍。

先说结论: 这篇文章在事实层面是诚实的。麦肯锡的调查、世界经济论坛的白皮书、李彦宏的演讲、Garry Tan 的原文、那几家 YC 公司的融资数据——我一项一项查了,全部对得上,没有编造。

但是。有三个地方,文章没告诉你完整的口径。而这三处,恰恰决定了你应该对这篇文章兴奋到什么程度,以及——如果你是传统公司的管理者——你该照搬什么、别照搬什么。

下面是核查的全过程。

一、那组最扎心的数据,是真的

文章最核心的宏观论据来自两份报告,我找到了原文。

第一份是麦肯锡 2026 年 8 月底发布的《The State of AI》,覆盖了 97 个国家的 1719 名受访者。里面的对比确实刺眼:80% 的人说 AI 提升了自己的工作效率,但只有 37% 的人说 AI 对公司利润产生了可见影响——而且这个数字跟上一年一模一样,没动。

第二份是世界经济论坛和科尔尼 6 月的白皮书:2025 年全球企业往 AI 里砸了超过 2500 亿美元,但只有 25% 的老板认为 AI 给业务带来了"变革性"改变。更要命的是,84% 的公司根本没有围绕 AI 重新设计过岗位。

这两组数字放在一起,其实讲了一个比"鸿沟"更扎心的故事:

给个人发个 Copilot,提效立刻发生,80% 的人都有体感。但这点提效想变成公司利润,得过好几道关——你省下来的时间,是被拿去干了更值钱的事,还是被更多会议和更多消息吃掉了?你团队的局部优化,有没有改变公司的业务模式?就算改变了,对手也能买到同样的工具,你的优势能保住吗?

每一关都要漏掉一大批公司。漏到最后,麦肯锡的样本里真正把 AI 做出了利润的"高绩效组织",只剩 6%。

从个体提效到利润影响的漏斗

所以文章说的鸿沟是存在的。但准确地说,它不是"用不用 AI"的选择题,而是一道层层漏水的漏斗。这一点后面还会用到。

二、李彦宏的"智能组织",我重点查了三个数

文章的第二大论据是百度。11 月 12 日的百度世界大会上,李彦宏提出"智能组织是 AI 时代的新厂房",文章引了一堆内部数据。我逐一对了央广网、钛媒体等渠道的报道,数字确实都出自官方口径:

日活数字员工从年初的 5000 个涨到 3.7 万个,周任务量从 8.4 万涨到 100 万以上;底下垫着 4300 个"工作空间"和 2 万多个"技能文件"。有个叫"数字人创新业务部"的部门,三季度人均吞吐提升了 125.3%,交付周期缩短 28.8%。

还有个细节我觉得比数字更有意思:百度内部搞了个 token 交易市场,叫"词元所"。各部门用智能体花的 token 要按内部价格结算,部门之间还能互相买卖额度。

这事的意义不在省算力钱。它把"用 AI 还是用人"从一句口号变成了一道算术题——一个任务的 token 成本低于人力成本,替代就自动发生。价格信号一旦进了部门的损益表,很多扯皮就不存在了。

不过要给这组数据泼两勺冷水,文章没泼:

第一,"人均吞吐 +125%"是业务量口径,不是收入、更不是利润。干了 2.25 倍的活,不等于赚了 2.25 倍的钱。第二,数字人直播是天然最适合 AI 的场景——标准化、容错成本低。从这个部门外推到研发、销售、供应链,是要大打折扣的。

这两勺冷水不影响方向(重设计组织确实解锁了真收益),但影响你对倍数的期待。

三、"400 倍"这个数,我得说道说道

现在来说那个让我起了疑心、才动笔核查的数字。

Garry Tan 的原文《Own Your Intelligence》发表于 8 月 6 日,我全文读了。"一个人的组织"、"Markdown is code"这些说法确实都在。400 倍也在——但那是他描述理论上限时的修辞。在同一篇文章里,他给自己日常工作实测的保守口径是:8 倍。

文章把 400 倍单独摘了出来,8 倍没提。这在传播上完全可以理解,400 比 8 好传播 50 倍。但作为读者你要知道,连提出这个数字的人自己,都只敢按 8 倍来规划工作。

同样的道理适用于文章引用的那批 YC 公司。我核了数据,都是真的:Emergent,15 个人,1500 万美元 ARR,8 个月做到 1 亿;Retell,40 人左右,6000 万美元 ARR;还有 Cursor、Midjourney、Lovable,人均年化收入 100 万到 470 万美元不等。作为参照,成熟 SaaS 公司人均收入大概 20 万美元,人效标杆 HubSpot 约 35 万,连 Meta 这种印钞机也就 220 万。

人均年收入对比

也就是说,这批成立不到三年的公司,人效真的摸到了 Meta 的量级。这是事实。

但引用它们之前,有三个口径你得知道:

一,ARR 是"年化运行率",就是把当月收入乘以 12,不是审计过的年度收入。对高速增长又高流失的订阅产品,这两个数可能差出好几倍。

二,幸存者偏差。YC 每年孵化几百家公司,能被写进文章的是跑出来的极少数。用赢家代表"AI Native 公司",跟用上市公司代表所有创业公司是一个毛病。

三,"15 个人"是被抓拍的瞬间。Lovable 冲到 1 亿 ARR 之后马上扩招,人均收入立刻回落。极少人是增长曲线上的一个状态,不是稳态。

三个折扣打满,剩下的核心事实依然成立:这批公司单位人力撬动收入的能力,确实比传统 SaaS 高一个数量级,而且靠的不是垄断或牌照,就是组织形态。所以鸿沟在微观层面是真的。只是你的期待值应该锚在"8 倍"那个量级,而不是 400。

四、文章没写的另一半:几个泼冷水的实验

如果只读到上面这些,你可能会觉得 All in 就完了。但我核查过程中翻到的另外几份研究,是这篇文章完全没提的,而它们同样重要。

第一份,METR 的随机对照试验,2025 年 7 月。16 个资深开源开发者,在自己最熟悉的成熟代码库上干活,随机分成"能用 AI"和"不能用 AI"两组。结果:用了 AI 的,实际慢了 19%。

更绝的是感知和现实的落差——这批人事前预期 AI 能让自己快 24%,干完之后自我感觉还是快了 20%。实际上他们慢了 19%。预期和实测之间,差了将近 40 个百分点。

这大概是"80% 的人感觉提效,只有 37% 的公司见到利润"最干净的微观解释:那 80% 的体感里,有相当一部分只是感觉。

预期与实测的落差

第二份,"workslop"研究,《哈佛商业评论》2025 年 9 月。40% 的职场人上个月收到过同事用 AI 糊出来的"工作半成品"——看着挺像回事,实际信息空洞。收到的人平均要花 1 小时 56 分钟去理解、修正甚至重做。折算下来,每人每月 186 美元的隐性成本。

这就是提效在组织里漏掉的方式:我用 AI 把"生成本身"提速了,成本却转嫁给了下游给我擦屁股的人。个人账上是赚的,公司总账上可能是负的。

第三个泼冷水的是 Klarna,自己泼自己。这家公司曾是 AI 替代人力的全球旗帜,2024 年宣布 AI 客服顶 700 个人工,停止招聘,员工从 5000 人砍到 2900 人。人均收入确实暴涨。然后呢?2025 年中,CEO 公开承认服务质量下滑,重新招人,退回"AI 处理标准件、人处理复杂件"的混合模式。

Duolingo 的剧本更有意思。去年 4 月 CEO 发全员信宣布"AI 优先",砍外包、把"AI 使用情况"纳入绩效考核。结果用户反弹、TikTok 掉粉 40 万,员工强烈抵触。到今年 4 月,公司撤回了"把 AI 使用纳入考核"这条——CEO 承认,员工反感"为用 AI 而用 AI"。

注意这个细节:Duolingo 撤的是考核方式,不是 AI 战略——人家内部用 AI 出内容,效率还是提升了四五倍。有效的做法是让流程自然长出 AI,而不是用行政命令逼大家用。这个区别,就是下一节要说的正题。

五、这道鸿沟到底是什么

查到这里,我已经基本认可文章的结论了。但"鸿沟"这个词太形象、太宿命,容易让人觉得是天堑。其实它的构造很清楚,拆开就是三层。

第一层,信息流结构不一样。

传统公司的信息是串行传话的:老板的想法到执行的人,要穿总监、经理、组长好几层,每层都有衰减、延迟和再加工。AI Native 组织是星型的:中间不是任何一个人,而是"AI 能读的文档"——需求、决策记录、代码、技能文件全在里面,人和智能体都直接挂在文档上,谁也不用给谁转述。

信息流结构对比

Garry Tan 说"Markdown is code",百度搞工作空间和技能文件,本质上都是同一件事:把组织知识从"老师傅脑子里的手感",转写成机器可读的资产。文章里那句"杠杆不在模型权重里",准确翻译过来就是:模型对所有人同价,而你家沉淀的文档资产是独占的、越攒越厚的。这才是新形态的组织资本。

第二层,经济学的账变了。

科斯 1937 年就说过:公司之所以存在,是因为有些事在市场上买(搜寻、谈判、签约、监督)比在自己内部做更贵;公司的边界和层级,由这两种成本的相对大小决定。

现在智能体把"在市场上买一项能力"的成本打到接近于零——过去必须雇人干的活,现在调个 API 就完了。所以小而精、大量外购智能体能力的组织形态,获得了系统性优势。"15 个人 1 亿美元"不是这 15 个人多神,是他们外购了过去必须内部雇佣的绝大多数能力。

而这笔账还在往同一个方向滚。推理价格这几年每年降一个数量级:GPT-3 级别 2020 年每百万 token 60 美元,现在 DeepSeek 级别的开源生态 0.27 美元。逐项任务"用人还是用智能体"的分界线,每个月都在移动。

Token价格走势

第三层,历史早就演过一遍。

经济史学家 Paul David 研究过电力革命:电动机 1880 年代就有了,美国工厂的生产率却到 1920 年代才起飞。中间四十年干嘛去了?工厂主们一开始只是把中央蒸汽机换成一个大电机,传动轴、皮带、厂房布局原样保留——当然没效果。直到新一代工厂把电力做成"每台机器一个独立电机"的分布式架构,把厂房、物流、岗位全部重设计,电力的红利才放出来。

今天的公司给旧流程外挂一个聊天框,就是当年的工厂给蒸汽轴换电机。红利不在工具里,在围绕工具重写的架构里。这也意味着传统公司转型要经历一段"投入压利润"的爬坡期——先有产出,那不叫转型,叫采购。

六、如果你是一家传统公司,顺序是这样的

把核查和延伸研究攒到一起,我觉得对普通公司真正有用的,不是"鸿沟"这个让人焦虑的词,而是下面这个顺序。前两步没有任何"AI 亮点",但跳过它们直接买智能体的公司,基本就是那份"95% 没有回报"名单的主要成分。

先盘家底。把关键流程、决策依据、岗位知识写成结构化文档,找出那些"只存在某个人脑子里"的环节。这一步枯燥、见效慢,但它是后面一切的地基。没有足够上下文约束的 AI 产出,就是 workslop。

再挑场景。选标准化、可量化、容错成本低的流程——客服标准件、内容初稿、样板代码——做全流程的智能体化,而不是给旧流程贴个聊天框。千万别在资深专家最熟悉的复杂存量系统上强推,那是 METR 实验里"越用越慢"的重灾区。

然后改考核。人的角色从执行挪到定目标、验收、处理异常,考核只认结果。但不要考核"AI 使用率"本身——Duolingo 已经替你踩过这个坑了。

接着管成本。学百度"词元所",把 token 消耗做成部门级的核算科目。单价虽然在暴跌,但智能体式工作流的 token 消耗是普通问答的 5 到 30 倍,没有核算的扩张,结局一定是 CFO 叫停所有项目。

最后留红线。客户体验和质量敏感的环节,保留人工兜底,让质量数据决定自动化的边界,并且提前写好回撤预案。Klarna 的教训就一条:人效数字再漂亮,拿质量换的,都要还。

预期也帮你校准一下:单点任务提效,两三成是常态;完成流程级重设计的业务单元,人效翻两三倍(百度那个王牌部门的口径);原生新架构的公司,5 到 10 倍。超出这个区间的承诺——不管来自供应商、咨询顾问还是你家高管——都请对方先出示计量口径。

写在最后

核查完这篇文章,我的最终感受有点微妙。

它数据诚实,方向正确,"组织形态而非工具获取"这个判断,跟我独立查到的所有证据都吻合。从这个意义上说,它值得刷屏。

但它也犯了所有好传播的通病:挑了最亮的样本,摘了最大的数字,省略了失败者的名单。鸿沟是真实的,对岸也是真实的——只是渡河失败的人,比文章暗示的多得多。

那道鸿沟,说到底不是技术挖出来的,是组织自己挖出来的。而填平它的材料,也不是买来的模型,是一砖一瓦重写的组织本身。

这个结论没有 400 倍性感。但它更可能是真的。


注:文中数据均来自公开渠道,核查时间截至 2026 年 11 月。企业内部数据(百度、Klarna 等)未经第三方审计,创业公司 ARR 为年化运行率口径,引用请自行核实。

posted @ 2026-11-19 23:01  张善友  阅读(6)  评论(0)    收藏  举报