人们该怎么使用 ai？

首先讲一讲我对人与AI协作的“价值三角”的理解：

• AI基于数据预测，给出一个“可能性”。
• 人结合情境解读，补全AI可能忽略的社会环境
• 人基于解读行动

整个流程大概就是：预测→解读→行动→反馈

在这个价值三角中，ai 更偏向于一个通过数据对决策进行增强的工具，最终的解释权和决策权还是要掌握在人类手中。

我想以后，甚至现在已经是这样了，人们大概就是按照这个模式工作。不会用 AI 的人大概率要被淘汰了。

筛选掉了一批不会用 ai 的人，接下来要给会用 ai 的人分一分三六九等了。

如上图所示，最顶层约 5% 的人，能将 AI 杠杆与不可替代的人类能力结合起来；约 10% 的拓展者突破了原有边界；约 70% 的效率提升者用 AI 更快完成工作，获得线性提升；剩下的被淘汰。

超级个体与组织

我对超级个体的启蒙是 Dan Koe，看了他的视频我逐渐了解了超级个体这个概念。（可能也没有那么深刻哈哈）

原先我一直认为，超级个体是脱离组织独立存在的，因为这样就没有类似资本主义剥削这种问题。个人产生的价值除去成本全部归属于价值产出者。

看了这篇报告，我发现超级个体最终的归宿还是组织，但是是一种新型组织。

原文链接：https://mp.weixin.qq.com/s/GZqTLfeOrfrLgG-R2bOjGw

为什么超级个体需要组织？

• 共同承担风险：单点故障的风险始终高于多点冗余，超级个体需要系统冗余来分散不确定性。
• 共同稳定注意力：AI 将能力边界无限延伸后，选择和机会也无限膨胀，团队能提供承诺锁定和优先级校准，防止注意力过度分散。
• 共同形成信用：企业间的信任评估常落在组织实体而非单个对接人上，团队能积累长期信用，克服“关键人物风险”。
• 进入更大的价值场景：一人公司有结构性天花板，而真正跑出惊人增长的 AI Native 团队，多是一小群超级个体的聚合体。

新型组织可能是什么样的？

就像一个设计地铁线路的小游戏，当工作不断变得繁杂，如何设计不中断的高效工作流就成了急需解决的问题。传统管理逻辑和新时代超级个体“AI First、主动探索并产出完整价值”的工作方式冲突。

过去的团队协作，是把一个大任务拆分成很多个细分领域，而 ai 的出现，允许团队对相关的细分领域进行整合，变成了一个大任务拆成几个大方向，每个方向只需要一个或者少量的超级个体即可完成。

此前的团队间具有较强的专业壁垒，而 ai 的出现，让开源精神得到史诗级加强。思想具有非竞争性，共享不会贬值。

超级团队共享同一份超级生产资料，由于思想传递过程中没有壁垒，更容易产生共鸣，提高效率，实现价值最大化。

研究报告中给了两个评判标准：中心节点是否存在；AI是否承担协调中介。我更认可象限右下角的“网络协作型”，我认为目前的 AI 没有强力到能够胜任中枢的角色。以后不好说。顺便一提，网络协作型很像 P2P 架构有没有~

不过上面四个象限应该是可以在一定程度上演化的。

在研究报告中，有提到网络协作型的边界，直接引用在下面了，是我之前没想到的。

边界：最硬的门槛是人才密度。每个节点都得是能独立闭环的超级个体，招聘标准因此极为严苛；达不到这个密度，对等网络就会退化成一堆各干各的人。第二重边界来自”没有中心”本身：AI 能接管信息同步和上下文对齐，却替不了价值判断和拍板，一旦方向出现分歧或需要艰难取舍，对等网络的收敛速度会明显慢于有中心节点的团队。规模也有天花板，超过邓巴数量级，纯靠对等信任和透明度维持同步会越来越吃力。

不过有关邓巴数量级这点，我认为未来的超级团队应该以精简为主，而不是规模。这里的超量考量可能是以企业转型的视角来考虑的。

注：“邓巴数字”，即 150 定律。该定律认为人类受大脑新皮层认知能力限制，可维持的稳定社交网络人数上限约为 150 人。

超级个体如何聚合为超级团队？

1. 自下而上的自发涌现：在一个大团队中产生了一些善于利用 ai 的超级个体，这些个体按照各自擅长的领域聚合成为了超级团队。

2. 组织筛选培育型：从公司范围内筛选并培育 ai 赋能个体，培育后放回团队带动周围的人共同发展；将团队拆分为多个子团队，通过 ai 赋能和社区合作，实现价值最大化。

3. 氛围营造型：通过营造 ai 使用的氛围，低强度地刺激所有人自发使用 ai 进行创造和分享。

4. 创始人驱动型：创始人首先成为超级个体，带动团队也发展成为超级个体。

显而易见，这四条路径，全部离不开创造和分享（成果可见）。所以我对第四条路径有点质疑，由外力驱动的 ai 赋能团队真的能发挥出超级个体的主观能动性吗？

不过这四条路径并不互斥，研究报告提到，“最成功的组织往往同时运用了多条路径”。

超级团队的决策与协调

决策模式：

协调方式：

在协调方式里，有提到第一阶段的纪律性问题，这个主要是思维的转变，“我的能力=我的不可替代性”。如果转变不了这种思维，后续信息共享和进一步发展也就无从谈起。

需要注意的是，文章中有提到，在一定人数范围内 ai 中枢化的效率未必有直接沟通高。这与我最开始的思考不谋而合，所以我构想中的小团队场景使用 ai 赋能的领域大概率不会是在提高沟通效率上，更多的应该是产出效率。

ai 可能面临的局限性

因为最近帮导师做项目，可以有不少的额度报销，让我可以尝试很多之前因为经费原因不太敢尝试的使用最好的 ai 辅助工作的场景。

不可否认的是，使用最好的 ai 的确能极大程度上提高效率，但是实际构建工作流的时候仍然存在一些问题。

首先是项目或者整个流程的上下文问题。面对较为复杂、流程较为繁琐的问题时，ai 的工作效率并没有我预期的那么高。如果过程中存在需要补充信息的环节，ai 并不能很好地识别并主动搜索，很多时候会出现空转现象，降低效率。

然后是工作流的优化。很多时候根本用不到 agent 的场景，被不了解项目架构流程的人经手后，会为了一点点的效率提升或者人力节省去添加 agent，这反而是低效且容易出错的。人工审核是不可或缺的，尤其是在关键节点（比如一个阶段输出到下一个阶段的输入），此外，新增的 agent 会大幅度提高维护成本和输出的不确定性。所以在构建工作流的时候，一定要对 agent 的使用进行严格的规则界定，能不使用的场景尽量不使用（很多功能普通的代码是完全可以实现的，简直是浪费自己的 token）。

即使选用了 agent，也要注意 token 的消耗（必然不是因为我比较穷，而是我追求高效），能节约 token 的方法都要进行尝试（比如超长上下文+固定格式的场景，可以直接写一个 tool 来检索和输出，可以极大提高效率）。

一点点补充：看到研究报告之前，我没想到还能这么玩~

假设你是 CodeBuddy 的一名工程师。早上打开电脑，没有人给你分配今天的任务。你打开 monorepo：整个团队的代码库，所有人可读可写。 AI 已经根据你过去的代码提交历史，推荐了几个和你专业领域匹配的待解问题。你挑了一个，不需要跟任何人申请，直接开始做。

虽然 trae 也有类似的功能，但是感觉没有报告中提到的这么给力。但是这仍然是一个很有意思的思路，值得尝试。

不过我对 ai 提供方案这点存在少许疑问。ai 推荐真的有这么值得信赖吗？只依赖 ai 会不会弱化了人本身的创造力呢？（不过我觉得有创造力的人应该没那么容易埋没，文章只是提供一个思路，或许具体实现会有更精密的保障措施）

研究员和工程师岗位合一。招聘转向查看独立思考和独立产出的能力。

研究报告中还提出了 5 个问题，也值得我们思考和实践检验：

1、超级团队规模逼近15-20人临界点时，应该往上扩还是分裂繁殖？ 两种选择各有代价，目前没有统一答案。我们目前的倾向是分裂繁殖：复制一块好土壤，通常比把一块土壤摊大更容易保住密度。

2、AI协调从工具跃迁到基础设施的临界条件是什么？ 取决于规模和复杂度，但阈值在哪里尚不清楚。我们的倾向是，真正的触发点与其说是人数，更是信息透明度：当工作过程已经默认沉淀成 AI 可读的上下文，切换大概就到时候了。

3、10-100倍效率差如何在薪酬体系中体现？ 目前没有公司给出可复制的答案。我们的倾向是，短期内无解的部分只能靠把营收做大再分配绕过去；按存量切，怎么切都容易撕裂。

4、AI 时代并非所有人都能成为超级个体，组织中的其他人怎么办？ 这是这份报告刻意没有展开、但绕不开的问题。我们的倾向是，组织对这部分人负有真实责任，而可行的第一步往往是让他们先看见同伴怎么做：多数人卡在没见过，学不会的其实是少数。

5、当AI让生产成本趋近于零、什么都能做的时候，做什么的判断从何而来？ 超级个体解决了能力问题，但没有解决意义问题。我们的倾向是，这恰恰是这个时代最不会被自动化的能力，值得一个人把最稀缺的注意力押在这里；意义没有标准答案，但回避它的人，会先被虚无追上。

大概就这些。我这篇也不算什么很严谨的报告，更多结合了我的经验和思考。有问题欢迎找我探讨，我的邮箱在关于页面。