顾问
司晓 腾讯研究院院⻓、腾讯公司副总裁
主笔
袁晓辉
腾讯研究院副院⻓、资深专家
xiaohuiyuan@
余⼀
腾讯研究院⾼级研究员
ameliayu@
共创者
李瑞⻰、曹⼠圯、王鹏、王强、刘莫闲、吴朋阳、⽩惠天、王焕超
特别致谢
本报告缘起于《AI 时代的企业创新与转型》项⽬研究。在腾讯集团
⾼级管理顾问杨国安教授的指导下，我们深度观察了美图、Rokid、
Manus 等多家企业的 AI 转型进展；并基于腾讯研究院 AI 原⽣⼩组
历时⼀年的变⾰实践与观察，对超级个体与超级团队的诸多问题进
⾏了研究。
此后，我们⼜先后深度调研了腾讯 CodeBuddy 团队、⽉之暗⾯、
出⻔问问、特赞、安克创新、童⾏书院、超脑 AI 孵化器、flomo、
Multica、ColaOS 、Pine、Cresta、Ventus AI、Superlinear、歸
藏、花叔等企业、团队和超级个体，还通过AI调研员对数⼗位⼀线
创始⼈与实践者进⾏了⼀⼿调研，同时参考了 Anthropic、Block、
⻨肯锡等机构的公开实践与研究。
在此，谨向杨国安教授，以及所有⽀持和参与本次研究的企业、团
队与朋友们，致以诚挚的感谢。
mailto:xiaohuiyuan@
mailto:ameliayu@
⽬录
Contents
从超级个体到超级团队
AI 时代组织变⾰的涌现路径
00
引⾔
从⽥野调研和实验出发
4
01
第⼀章
超级个体的诞⽣
9
02
第⼆章
从超级个体到超级团队
25
03
第三章
超级团队的形态
41
04
第四章
超级团队的运作机制
50
05
第五章
如果你在这些团队⾥
65
06
结语
最⼩启动动作
75
P R E F A C E
从⽥野调研和实验出发
AI 时代的组织变⾰，到底是被设计出来的，还是⻓出来的？
过去两年，⼏乎每⼀家咨询公司都发布了AI 转型路线图，每⼀个商
学院都开设了AI战略课程，每⼀位CEO都在年度战略⾥写下了拥抱
AI四个字。斯坦福HAI《2026⼈⼯智能指数报告》
[1]
显示，全球
88%的组织已在⾄少⼀项业务中采⽤AI。⻨肯锡2026年全球AI调查
[2]
则揭示了⼀个鲜明对⽐：尽管AI采纳率创下历史新⾼，仅有1%的
公司⾃认达到了AI成熟：将AI深度嵌⼊核⼼业务并产⽣系统性价值
的企业，百中⽆⼀。
这个1%和78%之间的巨⼤鸿沟，暴露了⼀个被⼴泛忽视的事实：绝
⼤多数组织推进的AI变⾰，仍然停留在采⽤AI⼯具上，远未触及组
织借助AI实现彻底蜕变的层⾯。⼤家购买了⼯具、成⽴了委员会、
撰写了政策⽂件，但组织本身：⼈如何协作、决策如何流动、价值
如何创造，并没有发⽣根本性变化。
在这⽚⼴袤的停滞中，有⼀种完全不同的图景正在发⽣。
这种图景的起点，往往不在⾼管会议室，也不在重新绘制的组织架
构图上，⽽是出现在⼀个⼯程师的深夜编程中，出现在⼀个产品经
理第⼀次⽤Claude Code跑通需求验证的那个下午。这让我们开始
思考⼀个问题：真正有效的AI变⾰，核⼼驱动⼒或许并⾮来⾃⾃上
⽽下的推动，⽽是来⾃⾃下⽽上的涌现。
腾讯研究院 5
2026年5⽉15⽇，腾讯研究院AI原⽣⼩组发布了《AI原⽣⼯作报
告》，我们当时在报告中对⾃⼰的描述是⼋个字⼀边实践、⼀边研
究。那份报告回答的问题是：在AI真正进⼊⼯作流之后，⼀个⼈的
⼯作⽅式应该被怎样重做？
在报告⾥，我们⽤ 10 个关键词把AI 原⽣⼯作拆开来讲：驾驭⼯
程、记忆、技能、评估、上下⽂管理、⼯作流、多智能体、加法偏
⻅、去技能化、知识⼯程等。
AI 原⽣⼯作的⼗个关键词
01
驾驭⼯程
02
记忆
03
技能
04
评估
05
上下⽂管理
06
⼯作流
07
多智能体
08
加法偏⻅
09
去技能化
10
知识⼯程
⽽当个体的⼯作被重做之后，AI原⽣⼩组的共识是，下⼀步必须是
协作⽅式和基础设施的重新设计。这也是我们过去⼀年在内外部调
研中反复观察到的模式：真正深刻的AI 组织变⾰，⼏乎总是从⼀两
个⼈开始。⼀个⼈先醒来，发现AI可以将⾃⼰的能⼒放⼤⼏倍、⼗
倍甚⾄百倍，然后这种新的⼯作⽅式像涟漪⼀样向外扩散，感染⼀
个⼩组、⼀个部⻔，最终改变整个组织的运作⽅式。
⽽⽬前业内常⻅的组织变⾰讨论，⽆论是红杉与Block提出的从层级
到智能的信息结构视⻆
[3]
，还是⻨肯锡和BCG的CEO驱动转型框
架，抑或学术界基于科斯交易成本理论的组织边界分析，⼤多从⾃
上⽽下的设计逻辑出发，回答的是组织应该怎么变。
本报告的核⼼视⻆是基于演化过程和⾃下⽽上涌现的分析框架。
腾讯研究院 6
我们想回答的是⼀个不同的问题：组织正在怎么⽣⻓？
这个视⻆还帮我们统⼀了⼀个看似分裂的光谱。在当下的讨论中，
AI 转型和AI 原⽣常常被视为两个截然不同的命题：⼀边是存量组织
在庞⼤惯性中的艰难改造，另⼀边是新创团队在⽩纸上的全新构
建。我们之前的讨论会把两者视为完全不同的两个问题、两套框
架，认为⼀家AI转型企业如果真的想推进AI变⾰，最好的⽅式是另
起炉灶重新组建AI原⽣团队。
但后来我们发现，如果我们把镜头从组织拉近到⼈，会发现成熟企
业的AI转型和初创团队的AI原⽣，都遵循着同⼀个底层逻辑：
AI 转型 = 存量组织内部，超级个体逐步涌现，能⼒溢出带动团
队进化
AI 原⽣ = 超级个体从第⼀天就按新⽅式聚合
两者的核⼼命题其实可以是同⼀个：超级个体如何聚合为超级团
队。 ⼆者的区别只在于路径和约束不同。
对于今天的企业⽽⾔，这意味着⼀个极具实践意义的转向：不必纠
结我们的企业是AI转型还是AI原⽣，也不必纠结团队是否⼀定要拆
散了重新组建，真正应当关注的是⼀个更本质的问题，当下的企业
环境究竟有没有在培育超级个体？有没有为超级团队的⽣⻓创造出
⾜够的空间和环境？
我们⽤了⼀个公式来校准这场⽣⻓：组织竞争⼒ = ⼈才密度 x AI杠
杆 / 组织摩擦。
它的价值在于把变⾰问题拆成三个独⽴可操作的⽅向：⼈才密度指
的是单位团队中具备独⽴闭环能⼒的⼈占⽐；AI杠杆指的是AI实际
嵌⼊⼯作流的深度和覆盖⾯；
腾讯研究院 7
组织摩擦指的是⼀个想法从产⽣到变成可交付成果之间要经过多少
等待、审批、对⻬和信息衰减。
组织竞争⼒的结构
组织竞争⼒
=
⼈才密度
×
AI 杠杆
组织摩擦
⼈才密度
单位团队中具备独⽴闭环能⼒的⼈占⽐
AI 杠杆
AI 实际嵌⼊⼯作流的深度与覆盖⾯
组织摩擦
想法到可交付成果之间的等待、审批、对⻬、衰减
三者的关系是乘除⽽⾮加减：分⼦翻倍但分⺟不动，净效果打折；
分⺟减半的效果等价于分⼦翻倍。超级个体放⼤的是分⼦，超级团
队真正解决的是分⺟。我们观察到的有效变⾰，极少是被规划出来
的，组织能⾃上⽽下设计的，⾄多是让它⽣⻓的⼟壤。
本报告将沿着个体觉醒→能⼒溢出→团队涌现→组织启示这条线索
展开。我们从超级个体的诞⽣讲起，追踪他们如何聚合为超级团
队，观察不同组织中的超级个体能⼒涌现路径，并最终提炼出对组
织变⾰的启示。我们希望通过对变⾰正在怎么发⽣的事实记录，找
到这些演变路径背后的规律。
腾讯研究院 8
C H A P T E R 0 1
超级个体的诞⽣
什么是超级个体？
演化路径：从知识⼯作者到超级个体
要理解超级个体，先要看它是从哪⾥来的。把这个概念放在知识⼯
作演进的⻓链条上看，每⼀代都⽐前⼀代更接近⼀个⼈独⽴创造价
值的极限，但每⼀代也都有⾃⼰跨不过去的能⼒边界：直到AI出
现，把⼀个⼈做不了所有事这个最根本的限制给消解了。
彼得·德鲁克在1960年代提出知识⼯作者概念
[4]
时，定义的是⼀群⽤
知识创造价值的⼈。他们是组织的核⼼资产，但⾼度依赖组织：组
织提供信息、资源、协作环境和分⼯结构，知识⼯作者在其中完成
被分配的任务。
理查德·弗罗⾥达在2002年提出创意阶层（Creative Class）
[5]
，将
视⻆从知识处理扩展到创造⼒。创意阶层是能够产⽣新想法、新设
计、新内容的⼈，超越了单纯的信息处理。但他们仍然受限于个⼈
的专业边界：⼀个设计师就是设计师，⼀个⼯程师就是⼯程师，创
造⼒虽强，局限在单⼀领域之内。
保罗·贾维斯（Paul Jarvis）在2019年出版的《⼀⼈公司》
（Company of One）
[6]
以及此后围绕⼀⼈公司的⼤量讨论（2019-
2023），进⼀步把个体推向了组织的对⽴⾯：⼀个⼈不需要扩张，
不需要雇佣团队，也可以构建⼀个可持续的商业。 但在AI之前，⼀
⼈公司⾯临明确的能⼒天花板：⼀个⼈⽆法同时胜任所有⻆⾊，增
⻓到⼀定阶段就不得不在继续⼀个⼈做和开始雇⼈之间做出选择。
腾讯研究院 10
但这条演化链中间有⼀段容易被忽略的历史：超级个体曾经出现
过，⼜被组织化浪潮压了回去。2000年代初的独⽴软件开发者天然
就是⾃闭环的⻆⾊：⾃⼰设计、⾃⼰写代码、⾃⼰发布、⾃⼰回复
⽤户反馈，从发现问题到交付产品在⼀个⼈⼿⾥完成。
但随后，互联⽹的⼯业化⽤了⼆⼗年时间把这种完整性拆碎了：岗
位化把创造拆成七⼋个⻆⾊，⼯业化把⻆⾊串成流⽔线，中台化⼜
⽤平台和权限把复杂度固化。每⼀步都有合理性，没有分⼯就没有
规模协作，但最终结果是，⼀个⼈的⾃闭环能⼒被切成了碎⽚。⼯
程师不再⾯对⽤户，产品经理有责任但没有执⾏⼿段。
AI的出现，第⼀次系统性地把跨⻆⾊⾏动的成本打了下来，让⾃闭
环重新变得可能。AI 超级个体打破了这条链条上以往所有学者的基
本假设，也打破了组织拆分⼆⼗年来的惯性 ：
维度 知识⼯作者 创意阶层 ⼀⼈公司 AI 超级个体
⼯作形
态
执⾏组织分配
的知识任务
在专业领
域内创造
独⽴经营单
⼀业务
指挥调度AI完成全
栈任务
能⼒边
界
单⼀专业 单⼀创意
领域
个⼈技能所
及
AI赋能后⽆限延伸
核⼼竞
争⼒
专业知识和执
⾏⼒
创造⼒和
审美
独特专⻓
+商业敏感
判断⼒、系统思维
和AI协作能⼒
组织关
系
⾼度依赖组织 依赖创意
环境
独⽴于组织 可独⽴也可⾃由聚
合
这⼏个概念的核⼼区别在于：AI 超级个体的⼯作⽅式从执⾏跃迁到
了指挥调度。他们设定⽅向、构建约束、评估产出、迭代优化。核
⼼竞争⼒已从执⾏迁移到思考：思考什么值得做、怎么做是对的、
做到什么程度算好。
腾讯研究院 11
这种能⼒模式的转变，使得个体的能⼒边界从有限变为可延伸，组
织形式从依赖⼈治⾛向可能的系统⾃治。
超级个体的定义：四个结构性特征
在这条演化链的基础上，如果让我们⽤⼀句话定义超级个体，那就
是：借助AI，⼀个⼈能够达到过去需要⼀个⼩团队才能达到的产出
规模和影响半径。 拆开来看，超级个体有四个结构性特征：
超级个体的四个结构性特征
AI First
AI 成为⼯作默认起点
能⼒跃迁
量级提升 + 跨域闭环
主动探索
持续扩展能⼒边界
影响⼒溢出
让团队⼀起变快
第⼀，AI First的⼯作动线。 超级个体把AI排进了整个⼯作动线。AI
是⼯作的默认起点。⼤多数⼈⽤AI的⽅式是我照常⼯作，遇到困难
时问⼀下AI；超级个体的⽅式是我先让AI跑，然后在AI的产出上做
判断和修正。这个区别看似微⼩，实际上决定了AI杠杆能放⼤到什
么程度。
第⼆，能⼒边界的量级跃迁。 超级个体远超⽤AI⼯具的⼈这⼀层
⾯。他们借助AI实现的跃迁同时发⽣在两个维度：量的维度上，产
出从提升百分之⼏⼗变为提升⼗倍甚⾄数⼗倍；域的维度上，⼀个
⼈可以独⽴把⼀件事从想法做到交付，跑通过去需要产品、设计、
研发、运营多个⻆⾊接⼒的整条链路。专业分⼯的必要性在⼀定程
度上被⼤幅削弱，⼀个⼈可以同时是提出问题的⼈和解决问题的
⼈。
腾讯研究院 12
第三，主动性极强。 超级个体不等待组织安排，他们是天然的边界
探索者，主动寻找AI能⼒的极限，不断扩展⾃⼰的能⼒圈。这种⾃
驱⼒是持续的好奇⼼与⾏动⼒的结合，让他们在组织中成为AI应⽤
的先⾏者和示范者。
第四，影响⼒溢出。 这是最容易被忽视的特征，也是判定超级个体
的关键阈值：⾼效个体只让⾃⼰变快，超级个体让团队变快。 如果
⼀个⼈⽤了AI让⾃⼰产出翻⼗倍，但同事毫⽆察觉，那他还没成为
超级个体，只是⼀个使⽤AI的优秀员⼯。超级个体真正的影响⼒溢
出是⾃然发⽣的：当⼀个同事看到你⽤AI在⼀个晚上做出了他们⼀
个⽉的产出，当⼀个管理者发现团队⾥⽤AI最好的⼈不⼀定是技术
背景最强的那个，变⾰的种⼦就已经播下了。
以上四个特征缺⼀不可。少了AI First原则，AI⽤了但杠杆率上不
去；少了能⼒跃迁，只是传统意义上的⾼产者；少了主动性，AI⼯
具再多也只是在被动地消耗token；少了影响⼒溢出，价值停留在个
⼈产能层⾯，带不动组织。
量化证据：超级个体并⾮传说
超级个体已经不只是少数案例制造出的想象，越来越多数据正在指
向同⼀个变化：AI 把个体可调⽤的时间、技能和组织能⼒同时放⼤
了。
Anthropic 于 2025 年 11 ⽉发布⼀项基于 10 万条 匿名
对话的⽣产⼒估算研究
[7]
。研究⽤ Claude 估算如果没有 AI，专业
⼈员完成同⼀任务需要多久，再与对话内实际耗时对⽐。结果显
示：样本任务若⽆ AI 辅助，平均约需 ⼩时，Claude 估算 AI
可使任务完成时间平均减少约 80%。
腾讯研究院 13
部分任务的效果更为极端：报告信息汇编约节省 95%；课程开发任
务从 Claude 估算的 ⼩时降到 11 分钟，对应约 96% 的时间节
省；⽂档写作节省约 87%，⾦融分析任务节省约 80%。
Harvard Data Science Review 2026 年发表的《The Agent-
Centric Enterprise》
[8]
进⼀步解释了为什么不同⼈和组织之间会出
现数量级差距。⽂章指出，很多企业已经在使⽤ AI，78% 的公司声
称采⽤了 AI，但 80% 仍未看到可衡量的利润影响。关键差别在
于：只把 AI 叠加到原有⼈类⼯作流上，常⻅收益多为 20%–40%
的增量提升；
围绕 Agent 重新设计流程，部分场景才可能释放 2–10 倍的⽣产⼒
潜⼒。⽂中案例显示，Linde 的审计报告初稿时间从约 24 ⼩时降
⾄约 2 ⼩时，减少 92%；Stora Enso 的 B2B 销售洞察从 1–2 个
被动场景扩展到 10–20 个主动场景。
商业侧也已经出现相同信号。AI 原⽣公司 Cursor 被多家研究机构
列为增⻓最快的软件公司之⼀，Sacra 估算其从 100 万美元 ARR
到 1 亿美元 ARR 仅⽤了约 12 个⽉；后续报道显示，在约 3 亿美元
ARR 阶段，团队规模约 60 ⼈，收⼊/⼈效远⾼于传统 SaaS 公
司，传统软件公司达到类似收⼊规模通常需要 500–1000 ⼈。
另⼀个信号来⾃⼀⼈公司。Carta 2025 年 Solo Founders Report
[9]
显示，在其覆盖的美国创业公司中，单⼈创办的新公司占⽐从
2019 年的 % 上升到 2025 年上半年的 %，约 6 年相对
增⻓ 53%，获得的⻛险投资美元占⽐约 %。
腾讯研究院 14
什么⼈先醒来？不同⻆⾊的觉醒路径
超级个体是在不同位置、不同时间、因不同触发事件⽽觉醒的个
体。我们在调研中发现，觉醒发⽣在组织的各个层级，但觉醒的⽅
式和随后的影响路径截然不同。按照觉醒者的起点和⽅向，可以归
为三条路径。
三类⻆⾊的觉醒路径
01
开发者
从写代码 → 指挥代码
觉醒最早
↓
02
⾮⼯程师
岗位边界被 AI 溶解
跨界补强
↓
03
创始⼈
从提需求 → 亲⼿ build
决策与执⾏合⼀
开发者的觉醒：从写代码到指挥代码
开发者是最早感受到AI冲击的群体，也是觉醒形态最清晰的群体。
他们的变化远超效率提升10%或20%，⼯作⽅式被根本重构：从亲
⼿写代码，变成设定⽅向、定义约束、审查产出。
CodeBuddy的subo，描述了⼀种新的⼯作状态：他90%以上的代
码由AI编写。他说：我不关⼼它写什么代码，只关⼼代码架构。⼀
个晚上，AI在他的指挥下产出约⼀万⾏代码。subo的⻆⾊已经并⾮
传统意义上的程序员，他更像是⼀个代码架构师和AI调度员。
他由此说出了⼀个AI时代反常规的判断：AI是中⼼，所有⼈都是边
缘，在AI原⽣的⼯作流⾥，⼈是给AI输⼊意图的边缘节点，
腾讯研究院 15
AI是协调⼀切的中⼼节点。
CodeBuddy团队负责⼈Bati描述这种变化是：只要你拥抱AI，把你
的技能嫁接在AI上，你个体就乘⼗倍。到⼗倍，已经需要并⾏指挥
很多AI Agent了。如果你只指挥⼀个Agent，⼀般就提⾼⼀两倍、两
三倍。效率提升的上限，取决于你能同时管理多少个AI Agent。这
是⼀种全新的管理技能：管理的对象从⼈变成了Agent。
这种觉醒也在催⽣新⻆⾊。FDE（前沿部署⼯程师）正在OpenAI、
Anthropic、Google等⼤模型公司快速扩张，它本身就是开发者觉
醒的产物：AI coding让⼀线⼯程师能在听到客户炮声后直接改产
品、沉淀可复⽤的能⼒模块，⽽不再像Palantir时代那样只能记录问
题、等待后⽅排期。Cresta Agent FDE团队负责⼈jove描述这个岗
位需要的是迷你CTO，既能写代码也能对接客户，⼀个⼈端到端负
责从需求到交付的全链路。
开发者觉醒的本质是⻆⾊跃迁：从代码的⽣产者变成代码的架构师
和AI的调度员。代码还在被写出来，但写代码的不再是⼈。
⾮⼯程师的跨界觉醒：岗位边界在溶解
如果说开发者的觉醒改变了代码怎么写，⾮⼯程师的觉醒则改变了
谁能写代码。这条路径上的案例，每⼀个都在消解传统岗位边界。
在美图，CEO吴欣鸿提出了超级设计师的概念，内部已经出现了多
个跨越岗位边界的案例：RoboNeo的产品负责⼈原来是设计师，⾃
学了模型部署和AI编程，现在很难定义他到底是设计师、产品经理
还是⼯程师；⼀位原本只跟数据打交道的分析师，通过AI⼯具掌握
了运营全能⼒，⼀个⼈完成了原本五六个⼈的协同。
腾讯研究院 16
在特赞，Marketing同事⽤Claude Code抓取LinkedIn联系⼈后摇身
⼀变成为Marketing Engineer，产品经理和设计师直接⽤Cursor出
功能不再等研发排期。创始⼈范凌观察到，公司⾥⽤AI⼯具⽤得最
好的并⾮研发团队，⽽是产品经理和设计师。AI最⼤的价值，是让
⾮专业⼈⼠也拿到了过去专属于研发的开发资源。Block 也观察到
同样的现象。
在安克创新，岗位融合⾛得更激进。⾮程序员⼀个⼈⽤三个⽉搭建
了整套供应链运营系统，另⼀个⼈⽤两个⽉搭建了亚⻢逊Case⾃动
提交、监控和回复系统：这些过去是整个团队数⽉的⼯作量。安克
的规划是未来尝试消除前端⼯程师、测试⼯程师等细分岗位，只保
留三种⻆⾊：业务⼯程师（全栈）、AI⼯程师和产品经理。
具体到个体案例，koa作为CodeBuddy团队的⼯程师，在接触AI后
转型成了产品经理，在⼀周之内搭建了⼀套PRD系统化⼯具，这在
没有AI的时代是⼀个产品经理加上前端⼯程师协作数周才能完成的
⼯作。CodeBuddy团队的产品负责⼈Jason也经历了类似的变化：
产品⽅法论、执⾏、原型这些以前需要跨界团队才能覆盖的知识鸿
沟，被AI抹平了。他可以直接⽤AI完成以前需要设计师、数据分析
师、前端⼯程师协作才能完成的⼯作。
歸藏原本是产品和交互设计师，从未做过专业开发。但他⽤Claude
Code做出了开源产品Codepilot，⼀个⽉16万⾏代码、39个版本、
200多次commit，平均⼀天个版本，基本上所有版本都有功能迭
代。
ColaOS的橘⼦把⼀个盈利中的产品ListenHub交给⼀个⼈继续开
发，与其说是维护，不如说是在继续推进产品迭代。⼀个⼈加⼀堆
Agent 维护 20 个 repo，从产品、设计、前后端到测试运营，实际
产出提升了 10 倍以上，DAU 和营收也显著提升。
腾讯研究院 17
这些案例指向同⼀个趋势：AI正在消解谁能做什么的传统边界，觉
醒发⽣在每⼀个愿意拿起AI的⼈身上。
创始⼈转化为Builder：从提需求到亲⼿做
创始⼈的觉醒在所有路径中最为激烈，因为当⼀个掌握资源和决策
权的⼈亲⾃变成builder，改变的不只是他⾃⼰的⼯作⽅式，⽽是整
个组织的运转逻辑。
flomo联合创始⼈少楠的觉醒代表了⾮技术背景创始⼈的路径。在开
始使⽤Claude Code之前，少楠从未写过代码。但现在，他每天花
三个⼩时⽤Claude Code跑需求验证，直接把想法变成可运⾏的原
型来测试，跳过了写需求⽂档、等⼯程师排期、来回沟通细节、等
待开发完成再验证的全部流程。
现在少楠对 flomo 所有产品经理提了⼀个新要求：提需求之前，必
须先拿到代码库权限，在⾃⼰的分⽀上⽤代码把需求跑通，在真实
数据库⾥拿到结果，再写 PRD 交给⼯程师上线。⼯程师那侧也在
变。Web 端做完⼀个功能，移动端⼯程师直接去代码库级别参考实
现，不需要重新写 PRD，打点（数据埋点）有专⻔的 Skill 技能指
令⾃动化完成。现在flomo⽬前70%–80%的代码由AI贡献。周期从
按周计算变成了按⼩时计算。
特赞范凌的觉醒是创始⼈亲⾃下场build的典型。范凌和CTO、产品
负责⼈三个⼈组成⼩团队，亲⾃⽤AI做出Atypica原型，两周内跑出
的⽤户增⻓远超公司内部⼀个七⼈团队。范凌由此得出⼀个洞察：
AI是帮那些需要研发资源的⼈直接拿到研发资源的Agent。这次个⼈
体验后⾯也被放⼤成全公司的build⽂化和组织变⾰的起点。
腾讯研究院 18
AI对代码⽣产⼒的冲击正在提供⼀个微观样本，帮助我们理解这到
底意味着什么。当⼀个⼈借助 AI 产品可以完成过去⼀个团队的产出
时，组织存在的理由、团队协作的⽅式、管理的逻辑，都必然被重
新审视。
出⻔问问创始⼈李志⻜的经历和转变就是⼀个典型案例，2025年端
午节，李志⻜⾃⼰开始重新编程，三天内亲⾃⽤AI写了⼗⼏万⾏代
码开发了⼀个团队协作软件，这是CEO作为超级个体的极致展示。
此后⼀个多⽉，他每天9点到凌晨1点沉浸在AI编程中。
但正是这次体验，让他意识到⼀个组织问题：如果组织没有被重新
设计，超级个体（尤其当创始⼈本⼈就是超级个体）在组织⾥可能
是⼀场灾难。这个认知最终驱动他转向了⼀个完全不同的⽅向：转
⽽去设计AI原⽣协作平台 CodeBanana，让团队中的每个⼈都有可
能成为超级个体。
腾讯研究院 19
能⼒排序的洗牌
超级个体的涌现伴随着⼀个出乎很多⼈预料的现象：AI同时在做两
件事：重排序列和拉⼤⽅差。它不是简单的放⼤器，也不是均衡
器，⽽是按⼀套新的标准重新给⼈定价。
CodeBuddy团队在实践中发现了⼀个令⼈惊讶的现象：以前逻辑能
⼒强、学习能⼒强的⼈，会在AI的协助下，变得更强。这是在多个
团队中反复出现的模式。AI会放⼤之前积累的底层能⼒：逻辑思
维、快速学习、问题分解、系统思维。
少楠从另⼀个⻆度观察到：只有原来优秀的⼈，变得更优秀了。AI
没有带来能⼒平权，反⽽把鸿沟拉得更⼤。两个观察指向同⼀件事
的不同侧⾯：AI按底层能⼒重排了序列，重排之后头部和尾部的差
距⽐过去更⼤。旧序列⾥的“中下⽔平者”如果恰好底层能⼒强，会
在新序列⾥跃升；但新序列本身的⽅差，⽐旧序列更⼤。结果是：
个体之间的差距在扩⼤，但谁领先谁落后的名单洗牌了。
⻨肯锡全球研究院2025年的数据印证了这⼀趋势：近90%的公司已
投资AI，但不到40%报告了可衡量的⽣产⼒收益
[10]
。收益集中在少
数⾼绩效组织。
据⻨肯锡2025年年报及CEO Liz Hilton Segal公开演讲披露，⻨肯
锡内部已部署约25000个AI Agent与40000名顾问协同⼯作，后台
团队缩减25%的同时产出增⻓10%。AI像⼀个放⼤器，强的信号被
放得更强，弱的信号被进⼀步淹没：⽣产⼒的⽅差在急剧扩⼤。
触宝科技创始⼈王佳梁基于⾃⼰的观察和实践，提出了⼀个结构性
的分层模型来描述这种洗牌：
腾讯研究院 20
AI 对⼈群的重新分层
5%
引领者
70% 效率提升者
10% 拓展者 15%
被淘汰者
条段宽度按⼈群占⽐绘制；明度从深到浅对应“不可替代 → 易被替代”。
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；
⽽约15%的被淘汰者，其⼯作恰好是AI最容易替代的。
王佳梁对此的总结是AI替代的是你被雇佣的理由。当AI可以获取⼏
乎所有知识、执⾏⼏乎所有标准化任务时，⼀个⼈被组织需要的理
由，必须从我知道什么和我能做什么转移到我能判断什么和我能创
造什么。
超级个体花叔在谈到蒸馏同事现象时也补充了⼀个切⾯：⼤多数⼈
并不值得被蒸馏，把经验Skill化的核⼼价值，是让输出符合你⾃⼰
的品味。世界已经能⽣成很强的东⻄，但你要的是它别总⽣成不符
合你的⻛格。
这种洗牌对组织的冲击是深远的。传统的⼈才评估体系，基于学
历、资历、职级和过往业绩，在AI 时代可能系统性失灵。
腾讯研究院 21
⼀个有⼗年经验的⼯程师，在AI辅助编程上的适应速度可能不如⼀
个善于学习的应届⽣；⼀个从未写过代码的产品经理，可能因为出
⾊的逻辑能⼒和系统思维，成为团队中AI产出最⾼的⼈。
什么在被重新定价
AI 抹平技能层；判断⼒、学习速率、问题分解、品味成为新标尺。
技能层（经验 · 套路 · 领域知识）
被 AI ⼤幅抹平
↓
底层能⼒（重新定价）
判断⼒ 学习速率 问题分解 品味
现有⼈才体系仍主要衡量正在贬值的上层
把这些观察叠起来，我们越来越倾向于把 AI 看作⼀台分化加速器：
它不普惠，它放⼤差距。过去两年最流⾏的说法是AI 赋能每个⼈，
但我们在样本⾥反复看到的，是它把差距越拉越⼤。⼀个组织如果
照⼈⼈都会被平等赋能去配置资源，很可能把投⼊摊得最平均，⽽
回报恰恰集中在最不平均的地⽅。
更值得留意的是被洗掉的究竟是什么。表⾯上洗的是技能，但 AI ⼏
乎抹平了技能这⼀层，真正被重新定价的是它底下那层更难命名的
东⻄：判断⼒、学习速率、问题分解、品味。难处在于，现有的⼈
才体系衡量的⼏乎都是正在贬值的那⼀层。
腾讯研究院 22
什么⼈不容易醒来？
讨论了谁先醒来、能⼒如何洗牌之后，有必要反过来看⼀个问题：
什么样的⼈不容易成为超级个体？
不易成为超级个体的三类模式
01
阻塞
先学再⽤
等课程 · 等采购 · 等别⼈验证
反路径
⾏动中学习
先做⼩东⻄ · 碰真实问题 · 再沉淀
02
阻塞
AI 当搜索
10%–20% 线性提效
反路径
AI 当协作对象
进⼯作流 · 可达 10×
03
阻塞
身份感过强
固守旧技能与尊严
反路径
身份流动
不确定中先迈出⼀步
第⼀种是学习姿态错位的⼈。我们在调研中反复看到，有⼀些聪
明、靠谱、在过去体系中表现优秀的⼈，⾯对AI时却迟迟不动。他
们有⼀个共同的⾏为模式：先学再⽤。先系统学完课程，先等公司
统⼀采购⼯具，先看别⼈⽤的效果，然后再开始⾃⼰的实践。
这套姿态在过去⼆⼗年⾮常有效。知识结构相对稳定的年代，先学
框架再做项⽬是⾼胜率策略。但AI时代有⼀个根本性的不同：⼯具
变化得⽐课程快，产品形态变化得⽐分类体系快，真实问题变化得
⽐组织流程快。等你系统学完，窗⼝可能已经过去了。
第⼆种是把AI当效率⼯具没有把AI当作协作对象的⼈。他们会⽤
AI，甚⾄⽤得不少，但始终在⽤搜索引擎升级版的⽅式使⽤它：问
⼀个问题，拿⼀个答案，然后回到⾃⼰原来的⼯作⽅式⾥。他们没
有真正把AI放进⼯作流的核⼼位置，没有让AI参与决策过程、审查
⾃⼰的判断、挑战⾃⼰的假设。
AI对他们⽽⾔是⼀个更快的⼯具，没有意识到AI能改变⼯作⽅式。
腾讯研究院 23
这种⽤法能获得10%-20%的效率提升，但永远触不到⼗倍放⼤的
⻔槛，⼗倍放⼤的重点是重新定义什么事值得做、怎么做，⽬标并
⾮做同样的事更快。
第三种是身份感过强的⼈。当⼀个资深⼯程师的⾃我认知建⽴在我
写的代码质量⾼之上，AI coding对他就不只是⼀个⼯具问题，⽽是
⼀个身份威胁。当⼀个设计师认为审美是我的不可替代性，他就很
难接受AI⽣成的⽅案可能在某些维度上已经够⽤甚⾄更好。身份感
越强，转型成本越⾼，因为要放下的不只是旧技能，还有旧技能附
带的尊严感和确定性。
超级个体的成⻓路径恰恰与这三种模式相反：⾏动中学习，先学完
再⾏动是旧路径；把AI当共同思考的对象，把AI当取⽤答案的机器
不对；愿意让⾃⼰的专业身份变得流动，死守⼀个越来越窄的定义
会限制发展。先做⼀个⼩东⻄，让它碰到真实问题，从失败中获取
反馈，再回头命名、归类、沉淀⽅法论。超级个体往往是组织中最
愿意在不确定中先迈出⼀步的⼈。
腾讯研究院 24
C H A P T E R 0 2
从超级个体到超级团队
超级个体为什么会聚合？
如果AI能让⼀个⼈完成过去⼀个团队的⼯作，那⼀个合理的推论似
乎是：组织会瓦解，每个⼈都变成独⽴的超级个体，团队将变得不
再必要。
传统团队的价值来⾃技能分⼯：⼀个⼈不会设计，找个设计师；⼀
个⼈不会写代码，找个⼯程师。但 AI 正在消解这种分⼯的必要性：
⼀个有判断⼒的⼈加 AI 智能体，可以同时完成设计、代码、运营、
数据分析。如果只看技能分⼯，超级个体已经够了。
我们观察到的恰恰相反。超级个体没有⾛向孤⽴，他们在以新的⽅
式、新的理由聚合在⼀起。我们对此的判断是，超级个体需要团
队，能⼒是必要条件但不是充分条件。AI已经极⼤扩展了个体能
⼒，但⼀个⼈承载不了所有的⻛险、注意⼒、信任和⻓期承诺，也
接不住需要多种判断并⾏的更⼤价值场景。前三件事超出能⼒维
度，第四件事（价值场景）仍涉及能⼒的组合与规模，但它需要的
是复数的⼈同时在场，单点能⼒再强也撑不开这个空间。
超级个体仍需要团队的四个理由
共同承担⻛险
多点冗余，降低单点故障
共同稳定注意⼒
承诺锁定与优先级校准
共同形成信⽤
组织实体承接⻓期托付
更⼤价值场景
多种判断并⾏、关系⽹络接⼊
腾讯研究院 26
团队还有另⼀层价值：它跟做事⽆关，跟持续做成事有关。如果这
⼀层不被论清楚，超级团队就会被读成⼀群会⽤ AI 的⾼效员⼯，这
种解读会让所有⼈停留在加 AI的层⾯，错过 AI 原⽣组织真正的拐
点。
第⼀重需要：共同承担⻛险
⻛险承担是⼀种系统属性。完成任务只需要能⼒，承担⻛险需要稳
定性。AI 能让⼀个⼈在能⼒维度上⽆限延伸，但承担⻛险的能⼒来
⾃系统冗余：多点决策、多点抗压、多点试错。
纳⻄姆·塔勒布在《反脆弱》
[11]
中提出过⼀个深刻的洞察：集中决策
系统，⼀个⼈做所有判断，通过消除⼩波动来追求表⾯稳定，实际
上在积累隐藏的系统性⻛险；分散决策系统允许⼩失败发⽣，反⽽
建⽴了对不确定性的持续适应能⼒。这是数学结构问题，单点故障
的概率，始终⾼于多点冗余。
在现实层⾯，WinSavvy 对多项研究的汇总
[18]
显示：与单创始⼈相
⽐，有联合创始⼈的公司 5 年存活概率⾼约 45%、获 VC 投资概
率约 倍、到达 PMF 约快 25%；⼗亿美元级公司中约 80% 有
2 名或以上联合创始⼈；融资超过 1000 万美元的公司⾥，仅约
9% 由单创始⼈领导。First Round Capital 对其约 300 家种⼦被
投、近 600 位创始⼈的⼗年复盘《The 10 Year Project》
[19]
则显
示：多创始⼈团队相对单创始⼈在初始投资⾄退出或公允价值之间
的价值表现⾼约 163%。
这些数据意味着⻛险分担是⼀种结构性需要，它不会因为AI让⼈更
强⽽消失，反⽽在AI放⼤个体能⼒的同时，放⼤了个体承载的⻛
险。超级个体借助 AI 变得更强，但也承担了更⼤的不确定性，窗⼝
更短、迭代更快、赌注更重。
腾讯研究院 27
⼀个⼈在⻓时间尺度上连续做出正确判断的概率，必然衰减。
第⼆重需要：共同稳定注意⼒
赫伯特·⻄蒙的有界理性理论告诉我们，⼈的注意⼒是最稀缺的资
源，⼈类决策受信息可获取性、认知处理能⼒、时间约束三重不可
超越的限制。能⼒更强意味着天花板更⾼，不意味着天花板消失。
对于超级个体⽽⾔，这个问题反⽽加剧了，当AI将能⼒边界⽆限延
伸后，⾯前的选择和机会也⽆限膨胀。⼀个善于使⽤AI的⼈可以做
产品、做设计、做运营、做内容、做开发，但这不意味着他应该同
时做所有这些事情。
Sophie Leroy 在 2009 年提出注意⼒残留概念
[12]
：任务切换时，前
⼀个任务未完成的部分会持续影响后续任务的表现。加州⼤学欧⽂
分校 Gloria Mark 等对⼯作场所中断的追踪则显示：被中断的任务
若在同⽇恢复，平均约需 23 分 15 秒才能回到等效专注状态
[23]
。
Leroy
[12]
与 Mark
[23]
等研究反复确认同⼀件事：注意⼒切换是有结
构性损耗的，⽽且这种损耗不会因为切换者更聪明⽽消失。
当⼀个超级个体在多个项⽬和⻆⾊之间频繁切换时，他在每个任务
上的投⼊质量都会下降。AI 进⼀步加剧了这种紧张，AI 的⾼吞吐让
决策点的密度暴涨，每⼩时要做的判断从 5 个变成 50 个，每⼀个
都要付出注意⼒切换成本。
为什么注意⼒问题不能靠个⼈⾃律或AI辅助来解决，⽽需要团队？
原因有三层。
第⼀层是承诺锁定：当你知道有⼈在依赖你的特定产出时，退出当
前任务的⼼理成本上升，承诺本身成为对抗分散的结构性⼒量。
腾讯研究院 28
独⾃⼯作时切换⽅向是零成本决策，有队友时切换⽅向意味着辜负
⼀个⼈的等待。
第⼆层是优先级校准：超级个体⾯临的问题往往不是做不做，⽽是
先做哪个。AI可以帮你列优先级，但它缺乏⼀个关键输⼊，从不同
⻆度看这件事到底重不重要。队友提供的是另⼀个判断视⻆，帮你
在50个都能做的事⾥锚定最该做的3个。
第三层是注意⼒的社会性维护：深度⼯作研究反复表明，⼈在有限
的社会结构中（固定的协作对象、稳定的节奏）更容易进⼊并维持
专注状态。团队提供的是⼀个固定的注意⼒场，⽽⾮⼀个⼈对抗⽆
限可能性的孤军。
第三重需要：共同形成信⽤
关键⼈物⻛险（Key Person Risk）是投资界和企业治理中的经典议
题。在 closely held 企业估值实践中，对单⼀关键⼈物的过度依赖
常通过 key person discount 体现。
Schilke 与 Lumineau 在组织间信任研究
[25]
中指出，B2B 合作中的
信任评估常落在供应商这⼀组织实体，⽽不仅是单个对接⼈上。当
⼀家公司决定把 100 万预算交给你的时候，他们评估的不仅是你的
能⼒强不强，还有这个系统是否可靠。⽽⼀个⼈本身就是结构性地
不可靠的：你⽣病怎么办、你突然变忙怎么办、你换⽅向怎么办。
鲍⾥斯·格罗伊斯伯格2008年在哈佛商业评论上发表的明星可迁移
性研究
[13]
揭示了⼀个重要发现：当明星员⼯跳槽到新公司时，其绩
效往往会显著下降；但如果他们带着原有团队成员⼀起跳槽，绩效
则不会下降。
腾讯研究院 29
这个研究指向⼀个反直觉的结论：超级个体的绩效本质上依赖于⼯
具栈、数据、伙伴、组织信⽤和反馈结构，⽽不仅仅是个⼈能⼒。
这个发现对超级个体的聚合具有直接的解释⼒，个体的超级能⼒有
相当⼀部分是由其所在的协作⽹络所⽀撑的。⼀个超级个体独⾃⾯
对客户、投资⼈或合作伙伴时，对⽅看到的是单点⻛险；但当超级
个体形成团队时，对⽅看到的是分散的⻛险和可持续的承诺。AI可
以帮你产出内容和交付物，但替不了这个系统值得⻓期托付在客户
⼼中的留存。信⽤是时间乘以关系的函数，需要复数的⼈在多个时
刻持续积累。
第四重需要：进⼊更⼤的价值场景
⼀⼈公司有其结构性天花板。⼤多数⼀⼈公司的收⼊集中在知识付
费、咨询、⾃媒体等个⼈品牌变现的领域，难以进⼊需要稳定⼯程
化产品、更⼤规模交付、持续产品迭代、需要客户信任体系、合规
与责任的更⼤价值场景。南⽅财经⽹ 2026 年对⼤湾区 OPC
（One-Person Company）社区的追踪报道
[26]
，与多地 OPC 政策
试点中的案例观察⼀致，印证了这⼀结构性约束。
真正在 AI 时代跑出惊⼈增⻓的，多是 20 ⼈以内、且不⽌⼀⼈的 AI
Native 团队。Cursor 在约 20 ⼈时 12 个⽉做到 1 亿美元 ARR；
Lovable 在 15 ⼈时 2 个⽉做到约 1000 万美元 ARR； 约
15 ⼈在发布两⽉内做到约 2000 万美元 ARR；Base44 约 8 ⼈在
6 个⽉内以约 8000 万美元现⾦对价出售。Midjourney 约 11 ⼈即
做到约 5000 万美元年收⼊；Gamma 约 30 ⼈实现 5000 万美元
ARR。早期共同点是⼀⼩群超级个体 + AI ⼯作流 + 共享上下⽂，
团队协作优于单打独⽃。
组合创新⽂献指出，差异性往往是创新的原料。
腾讯研究院 30
Hoever 等（2012）在实验中发现，当团队成员主动进⾏视⻆转换
时，视⻆多样性更⾼的团队创造⼒显著优于同质团队
[27]
。
超级团队的价值在于把同⼀领域⾥有不同路径的⼈聚在⼀起。⼀个
擅⻓产品思维的超级个体和⼀个擅⻓技术架构的超级个体聚合，产
出的可能性空间是两⼈能⼒的笛卡尔积：每⼀种组合都可能打开⼀
个新的⽅向。
在AI 时代，最⾼效的价值创造单元是⼀⼩群超级个体的聚合体。他
们⽐⼀⼈公司能进⼊更⼤的价值场景，⼜⽐传统⼤组织有着⾼出数
量级的⼈均产出。AI能放⼤单点能⼒，但价值场景的扩⼤需要多点
同时在场：多种判断并⾏、多种关系⽹络接⼊、多种品味碰撞，这
是复数的⼈才能撑开的空间。
四重结构合起来看，团队的存在是为了承担⻛险、稳住注意⼒、积
累信⽤、容纳价值场景。 AI 能让⼀个超级个体的能⼒实现跃迁，但
跃迁之后，这个⼈必须⾯对四件事：⼀个⼈承载不了所有⻛险，稳
不住所有注意⼒，积累不出⻓期信⽤，也接不住更⼤的价值场景。
⾼营收的 OPC 在从 1 到 10 的过程中⼏乎全部引⼊了团队，或者加
⼊了超级团队，这本身就是对聚合的最好注解。
腾讯研究院 31
协作的本质变了：从按岗位切割到按优势
放⼤
理解了超级个体为什么仍然需要团队之后，还需要回答⼀个问题：
聚合之后的协作，和传统团队的协作有什么本质区别？
协作逻辑：从切割到放⼤
按岗位切割
前端 后端 产品
设计 测试 运营
⼀⼈⼀块，拼成整条链
协作像拼图
按优势放⼤
AI
产品感
想法 → 原型
⽤户洞察
反馈 → 需求
⼯程直觉
架构 → 系统
优势咬合 · 共振叠加
过去的团队协作，本质是分⼯协作：因为⼀个⼈做不了全链条，所
以必须拆成前端、后端、产品、设计、测试、运营。它是基于能⼒
边界的切割。AI之后，⼀个⼈确实可以跨越很多原来的能⼒边界，
但这不意味着协作消失了。AI会放⼤每个⼈最强的那⼀部分：产品
感强的⼈⽤AI可以快速把想法变成原型，⼯程直觉强的⼈⽤AI可以
搭出更稳定的系统，⽤户洞察强的⼈⽤AI可以更快分析反馈、重构
需求。
所以超级团队的协作逻辑已变为你在这⾥最强，所以由你来定义这
部分的最⾼标准。团队的核⼼已变为优势结构：每个⼈都被AI放⼤
成⼀个更强的⾃⼰，然后这些被放⼤的优势彼此咬合。传统团队像
拼图，每⼈补⼀块缺⼝；超级团队更像共振，每个⼈带着被AI放⼤
的优势场，彼此叠加。
腾讯研究院 32
这种叠加在理论上应该⾃然发⽣。保罗·罗默（Paul Romer）的内
⽣增⻓理论
[14]
指出，思想具有⾮竞争性，共享不会贬值。当两个超
级个体分享各⾃的⽅法论和AI使⽤技巧时，双⽅的能⼒都增加了，
不存在零和博弈：我们不妨称之为披头⼠效应，列侬和⻨卡特尼各
⾃都是出⾊的⾳乐家，但最⾼成就出现在合作时期。
但现实中，放⼤常常没有发⽣。我们在很多超级个体社区⾥看到同
⼀个现象：社群繁荣、情感共振强烈，但⽣产⼒始终没有出来。情
感共鸣和思想共享能让⼈聚在⼀起，却不能替代结构：⻛险谁来分
担、注意⼒怎么锚定、信⽤如何积累、⼤场景靠什么承接。
超级团队是结构产物，⽽⾮聚会的产物。这就把问题推到了⼀个更
根本的层⾯：需要什么样的结构？放眼望去，现成的两个选项，都
遇到了问题：
第⼀种路径：个体单⼲。这是⾛不通的，因为四重需要补不⻬，
从1到10没有路径。
第⼆种路径：回到传统科层。这也是⾛不通的，因为科层消耗独
特性，超级个体进⼊科层会衰减。
超级团队要⾛的是第三条路。它把组织问题转化为⼀个创造⼒⽣态
学问题：核⼼问题变成怎么让这群⼈的创造⼒在结构⽀撑下⾃然⽣
⻓。既保留超级个体的独特性和⾃主性，⼜⽤结构解决单⼲补不⻬
的四重需要。这种结构如何从现实中⽣⻓出来、最终⻓成什么形
态。
腾讯研究院 33
四种涌现路径
在我们的调研中，超级个体聚合为超级团队的过程呈现出若⼲可辨
识的路径模式。我们将其归纳为四种主要路径，每⼀种都有其独特
的逻辑和条件。
超级团队涌现的四条路径
路径 A
⾃下⽽上⾃发涌现
超级个体互相看⻅，天然聚合
CodeBuddy · Kimi
路径 B
组织筛选培育
筛选 → 集中培育 → 回流带动
安克⽕箭班
路径 C
氛围营造浸泡
普遍浸泡，⼈⼈可能被激活
AI 午餐会 · 每⽇⼀条 · Demo day
路径 D
创始⼈驱动示范
亲⾃ build，示范带动组织
出⻔问问 · 特赞 · flomo
路径A：⾃下⽽上的⾃发涌现
这是最⾃然的路径，没有来⾃顶层的刻意设计，超级个体在实践中
彼此发现、互相吸引、⾃发聚合。
CodeBuddy团队是这种路径的典型代表。在这个腾讯内部孵化的AI
编程⼯具团队中，涌现的过程可以被清晰地追踪：最初，⼏个对AI
编程深度着迷的个体各⾃在不同⽅向上证明了AI放⼤的可能性，有
⼈⽤AI⼀晚写⼀万⾏代码，有⼈⽤AI从⼯程师转型产品经理，有⼈
发明了全新的⼈机协作开发模式。这些个体的能⼒溢出互相可⻅
后，产⽣了天然的吸引⼒。
随后，团队负责⼈Bati构建了⼀个透明的领域层/上下⽂层结构，每
个⼈清楚地知道⾃⼰的领域、其他⼈的领域，以及共享的上下⽂。
腾讯研究院 34
在这个结构中，超级个体在共享上下⽂中⾃主找到最有价值的⼯作
并完成它，⽆需被分配任务。团队由此从⼀群各⾃厉害的个体，演
化为⼀个协同产出远超个体之和的超级团队。
Kimi（⽉之暗⾯）的案例从另⼀个⻆度印证了⾃发涌现的逻辑。
Kimi团队内部有⼀句话：架构扁平化是⼀个结果。也就是说，Kimi
并没有刻意设计扁平架构，它之所以扁平，是因为极⾼的初始⼈才
密度加上AI ⼯具使个体独⽴交付成为可能。当每个⼈都能独⽴完成
⾼质量的产出时，层级的存在就失去了信息传递和质量监控的必要
性。Kimi采⽤的BAPO理念
（Business→Architecture→Process→Organization），先定业务
⽬标和系统架构，流程和组织结构适应前两者，是为⾃下⽽上的涌
现创造了最⼤的空间。
路径B：组织筛选培育型
并⾮所有组织都有条件等待⾃发涌现。在规模较⼤、惯性较强的组
织中，⾃上⽽下的催化⼲预可能是必要的，但最有效的⼲预是设计
筛选和培育机制，让超级个体更容易出现。
安克创新的⽕箭班模式是这种路径的典型案例之⼀。⽕箭班的运作
逻辑分为四个阶段：筛选→培育→放回原团队→带动全员能⼒提
升。⾸先，从全公司范围内筛选出对AI有强烈兴趣和快速学习能⼒
的⼈。然后，这些⼈将完全脱产⽤1-2个⽉的时间完成⾼强度的AI能
⼒培育，是在真实业务场景中⽤AI解决真实问题，设置严格的通过
考核。这些被AI赋能的个体回到团队后，他们的新⼯作⽅式会⾃然
地感染和带动周围的⼈，成为组织中超级个体涌现的种⼦。
腾讯研究院 35
安克的这种模式之所以有效，是因为它理解了涌现的本质：你不能
直接设计出⼀个超级团队，但你可以⼤幅提⾼超级个体出现的概
率，然后让涌现⾃然发⽣。CEO阳萌将此列为⼀把⼿⼯程，保证了
筛选培育机制有⾜够的组织资源和⾼层⽀持。
特赞创始⼈范凌则是对组织开了两⼑。第⼀⼑是把全公司切成
pod，3到10⼈的跨职能⼩队，内部闭环交付，不再依赖跨部⻔拉
通。第⼆⼑是在pod之外建community：横向社区帮所有⼈补⻬销
售、产品、代码等跨界能⼒，并专设Leadership Community。两
⼑之后，范凌观察到了⾃发涌现：pod leader开始⾃发减少横向调
配和资源争夺，转⽽每个⼈依靠AI把⾃⼰负责的事情往深了做。当
AI给了每个⼈拥有⼀⽀虚拟团队的可能性时，深耕⽐横向调配的回
报更⾼，⼈们⾃然会做出理性选择。组织形态的变化是个体理性选
择的涌现结果。
美图的AI创新⼯作室也提供了这种路径的另⼀个变体。吴欣鸿把
2000多⼈的公司切成⼀个个不超过10⼈的创新⼩组，每组给1000万
预算和分红激励，半年验证：做成了分红甚⾄独⽴融资，做不成就
裁撤。他的逻辑是：未来竞争最激烈的不⼀定是跟⼤⼚，反倒是跟
新锐创业团队，所以得提前以他们的效率为标准去对⻬。这些⼩组
内部取消了所有常规会议，没有固定产品经理，⼤家都是产品经
理、都是运营，决策流程极短。这本质上是在⼤公司内部模拟超级
团队的运作条件：⼈少、授权⼤、容错⾼、结果说话。
路径C：氛围营造型
如果说路径B是精准筛选+集中培育，路径C则是普遍浸泡+⾃然⽣
⻓，创造⼀种⼈⼈都可能被激活的氛围。
腾讯研究院的实践体现了这种路径的特点。
腾讯研究院 36
两个看似简单的机制，AI午餐会和每⽇⼀条AI使⽤⼼得分享，持续
运作后产⽣了超出预期的效果。AI午餐会本质是展示和交流：每次
有⼈展示⾃⼰⽤AI做了什么有意思的事情。这种同事示范的⼒量远
超专家培训，当你看到和你做类似⼯作的同事⽤AI做出了令⼈惊喜
的东⻄时，⼼理距离会瞬间缩短，我也可以试试的念头⾃然产⽣。
每⽇⼀条分享则构建了持续的信息环境，每天都有新的AI使⽤案例
和技巧出现在团队的信息流中，这种持续的低强度刺激，⽐⼀次性
的培训课程更有效地改变⼈的⾏为。
这两个机制持续运作⼏个⽉后，研究院的内部AI使⽤调研的数据显
示：86%的成员每天使⽤AI，⼈均同时使⽤3到5个产品，AI
Coding产品Codebuddy成为部⻔⼯作和协作的平台，27%每天使
⽤AI超过3⼩时，带来研究⼯作的整体提效。这些数字远超⾏业智库
和很多互联⽹公司的整体⽔平，是氛围营造路径效果的直接量化证
据。
更值得记录的是⼀个⾃发涌现的案例。2026年春节，研究院AI原⽣
⼩组接到了持续跟进AI热点的值班任务，他们让⼀个skill加⼊到了值
班的队伍。团队共享了⼀个AI skill，每天⼤家调⽤这个skill追踪最
新的AI进展，再根据调⽤结果去迭代改进这个skill。春节结束后，这
个skill没有消失：它成为研究院每天追踪AI进展的常驻沉淀⼯具。值
班的⼈⼒消耗变成了skill的演化时间。这是⾃发涌现到机制沉淀到
持续运作的最直接的标本，也标志着经验传递的最⼩单位从说⼀段
话升级为扔⼀个可执⾏的skill。
ColaOS创始⼈橘⼦的做法则代表了氛围营造的另⼀种形态，是集中
爆发的信⼼质变。橘⼦给团队两周完全⾃由的探索时间，没有任何
预设⽬标，没有PRD，就是让每个⼈⽤AI玩。两周后的demo day，
⼤家展示各⾃的探索成果。
腾讯研究院 37
橘⼦和管理层都以身示范，橘⼦对外发布了多款产品，CTO⼀个⼈
在⼀个晚上做出了产品的版本。从demo day到三周后推出内测
产品，速度之快印证了⼀个模式：氛围⼀旦点燃，超级团队的形成
可以⾮常迅速。橘⼦对这个过程的总结是：很多同事不适应，⼯作
⼗⼏年，从来没有这样没有终点、要⾃⼰探索⽅向的状态。但正是
这种开放式的探索氛围，让20个⼈做出了20个不同的demo，让个
体被激活的密度达到了临界点。
路径D：创始⼈驱动型
这是⼀条独特的路径，创始⼈⾸先⾃⼰成为超级个体，亲⾃⽤AI做
出产品级的成果，然后通过这个示范效应和/或技术平台来规模化地
催⽣更多的超级个体。第⼀章 已经讲过这些创始⼈个⼈觉醒的
烈度，这⾥要看的是另⼀⾯：他们如何把个⼈觉醒放⼤成⼀套让别
⼈也能觉醒的组织机制。
出⻔问问李志⻜的路径清晰地展示了技术平台化的模式。如前所
述，他在亲历超级个体极限的同时，也看到了它在组织中可能带来
的灾难。
超级个体能⼒被AI放⼤之后，并不⾃动形成超级组织，若缺少新的
协作结构，反⽽可能产⽣“幽灵效率”。
他的解决⽅案是设计AI原⽣协作平台 CodeBanana，⼀个让所有团
队成员都能借助AI进⾏⾼效⼯作的协作系统，同时实现筛选和氛围
营造两个功能：愿意使⽤平台的⼈⾃然被筛选出来（路径B的效
果），平台上其他⼈的成果则持续营造着⼈⼈可以的氛围（路径C的
效果）。
特赞范凌则展示了亲⾃build如何被放⼤成组织⽂化。
腾讯研究院 38
前⾯他三⼈⼩团队⽤AI做出的产品跑赢了公司七⼈团队；更关键的
是他把这件事做成了机制：午饭、咖啡时间把demo秀给同事看，同
事开始模仿，然后互相秀。当Build in Public变成了⼀种骄傲的⽂化
氛围，远胜于要⽤AI的⼝头号召，AI原⽣的⼯作⽅式就从创始⼈的
个⼈选择⻓成了组织的⽂化基因。
少楠在flomo的实践为这条路径提供了另⼀个切⾯。少楠亲⾃⽤
Claude Code快速创造和验证了新产品功能，认知地图和AI记忆。
过去逻辑推演觉得对的东⻄，⼀旦⽤AI快速做出demo在真实数据上
跑，很多假设⽴刻被推翻。你证伪⾃⼰想法的效率变⾼了，这是⼀
种全新的产品创造⽅式。当创始⼈亲⾃⽤这种⽅式做出了令⼈惊喜
的功能，整个团队对⽤AI能做什么的想象⼒边界就被打开了。
四条路径的共性和交叉
回顾这四条路径，⼀个共同的模式浮现出来：所有成功的超级团
队，底层动⼒都是个体能⼒的涌现；但涌现的速度和密度，取决于
组织是否主动创造了条件。
路径A是纯涌现，路径B和路径D则是⾃上⽽下创造条件、⾃下⽽上
⻓出结果。安克的⽕箭班是CEO拍板的⼀把⼿⼯程，特赞的Pod切
分是创始⼈主导的组织⼿术，这些⼲预不是涌现本身，⽽是涌现的
催化剂。
这些⼲预的共同逻辑是：你不能设计⼀棵树⻓成什么样⼦，但你可
以选择⼟壤、控制光照、保证⽔源。区别只在于：有的组织等种⼦
⾃⼰落地，有的组织主动播种。
另⼀个共性是可⻅性的关键作⽤。
腾讯研究院 39
在所有四条路径中，超级个体的成果必须被看⻅，CodeBuddy的透
明结构让每个⼈的产出可⻅，安克的⽕箭班成员回到团队后他们的
新能⼒可⻅，腾讯研究院的午餐会让每⼀个⼈使⽤AI探索的成果可
⻅，ColaOS的demo day让个⼈探索的创意可⻅。看⻅是传染的前
提。如果超级个体的⼯作⽅式和成果被封闭在个⼈的屏幕后⾯，涌
现就不会发⽣。正是可⻅性把个体的觉醒转化为团队的觉醒，把点
状的突破转化为⾯状的变⾰。
这四条路径之间不互斥。事实上，最成功的组织往往同时运⽤了多
条路径，安克创新既有⽕箭班（路径B）也在营造全员氛围（路径
C）；特赞的创始⼈亲⾃下场既是路径D的示范，也催化了路径A的⾃
发涌现。
理解这些路径的价值不在于选择哪⼀条，⽽在于理解⾃⼰的组织处
于哪个阶段、哪些条件已经具备、哪些条件需要创造，然后让涌现
⾃然发⽣。
在 AI 时代，仍然把组织变⾰等同于设计⼀张更好的架构图的管理
者，⼤概率会慢⼀步。
腾讯研究院 40
C H A P T E R 0 3
超级团队的形态
在前两章中，我们描述了超级个体的诞⽣和他们从个体⾛向团队的
涌现路径。现在是时候近距离观察这些团队本身了。
超级团队是⼀种已经在发⽣的现实。从⼤⼚内部到硅⾕前沿，从
300⼈的AI 公司到4⼈的开源团队，⼀系列组织正在以截然不同的⽅
式回答同⼀个问题：当AI将个体能⼒放⼤⼗倍之后，团队应该⻓成
什么样⼦？
我们曾经在调研⾥⽤画组织架构图的⽅式去描述这些团队，不太成
功。超级团队按协作拓扑组织，⽽⾮汇报关系。试图⽤画组织架构
图的⽅式去描述它，从⼀开始就错了。
我们最后⽤了两个判定轴来分类。
第⼀根轴：中⼼节点是否存在。 传统组织⼏乎默认有中⼼节点：管
理者、创始⼈、技术负责⼈。中⼼节点意味着⽅向判断权的集中：
团队往哪⾛、资源怎么分、优先级如何排，最终收敛到⼀个⼈或极
少数⼈的判断上。
好处是⽅向⼀致、决策快，代价是团队上限被锁在中⼼节点的认知
带宽上，且存在结构性的单点故障⻛险。
但超级团队的⼀部分案例打破了这个默认：当团队中多个成员都具
备独⽴闭环能⼒时，中⼼节点可以不存在，团队以对等⽹络的⽅式
运转。
腾讯研究院 42
第⼆根轴：AI是否承担协调中介。 这是AI时代独有的维度。传统组
织的协调只有两种介质：⼈（经理传递信息、分配任务、维持对⻬）
或流程（制度、审批、周报）。AI作为第三种协调介质正在出现：它
接管了节点之间的信息路由、任务编排、上下⽂同步。这根轴形成
⼀个光谱：⼀端是AI作为个体的效率⼯具、协调仍靠⼈；另⼀端是
AI作为组织的协调中枢、⼈围绕Agent⼯作。
两根轴交叉，产⽣四个象限：
超级团队类型
AI 不承担协调 AI 承担协调中介
有中⼼节点
⽆中⼼节点
节点辐射型
超级个体为中⼼
AI 辅助放⼤
AI 中枢型
AI 编排任务
⼈围绕 Agent
传统合伙 / 开源
规则与信任
对照组
⽹络协作型
对等⽹络
AI 同步上下⽂
左下象限（⽆中⼼节点 + AI不承担协调）并⾮空⽩地带，传统律所
合伙制、开源社区（Linux kernel、Rust）、学术实验室联盟都落在
这⾥。它们靠制度契约或社区规范维持对等协作，⽆需AI参与协
调。我们不把它列为超级团队的主要形态，原因在于：这个象限的
协调介质是规则和⼈际信任，协调成本随规模线性上升，缺乏AI带
来的协调成本压缩效应。它是超级团队的前身和对照组，⽽⾮AI时
代的新物种。
三种主要形态由此浮现：节点辐射型、⽹络协作型、AI中枢型。它
们可以并存于同⼀组织，也可随业务发展和技术成熟⽽⾃然过渡。
腾讯研究院 43
三种超级团队形态
节点辐射型：以超级个体为中⼼，AI是辅助
典型特征： 组织⾥有⼀到⼏个具备超级个体特征的核⼼节点，他们
的判断⼒和执⾏⼒远超组织平均⽔平，组织资源围绕他们辐射展
开。AI是这些核⼼节点的⼯具栈，让他们的辐射半径放⼤数倍，但
AI本身不参与协调。
辨识标准：去掉核⼼节点后，团队是否⽴即丧失⽅向感和执⾏⼒。
如果答案是肯定的，说明组织围绕中⼼节点运转。
强项：⽅向⼀致性强、决策速度快、启动⻔槛低。适合早期创业、
组织转型初期、或团队内能⼒差距悬殊的场景。当⽅向不清、组织
尚未形成新⼯作习惯时，核⼼节点的判断⼒就是团队最⼤的资产。
边界：上限是中⼼节点的能⼒天花板。核⼼节点的认知带宽、精⼒
极限和判断盲区，就是整个团队的天花板。如果团队要突破这个上
限，必须转向⽹络协作型或引⼊更多核⼼节点。单点故障⻛险也是
这种形态的结构性弱点：核⼼节点⼀旦缺位，团队可能迅速失速。
代表案例：
安克创新的6⼈⼩组：原来10⼈的团队压缩为6⼈，⼤New⼈
（懂业务+会⽤AI+能构建AI智能体）负责⽅向和判断，⼩New⼈
（⽤好AI平台⼯具，效率提升3到5倍）负责执⾏和交付，整个单
元围绕⼤New⼈运转。
特赞的Pod：是节点辐射型和⽹络协作型的交叉，3到10⼈的闭
环⼩组形成对等⽹络，但pod leader⽬前还承担着核⼼节点的作
⽤，单元的扩充速度和上限，⽐较依赖pod leader的能⼒素质。
腾讯研究院 44
⽹络协作型：⽆中⼼的对等⽹络，AI承担协调但不
指挥
典型特征： 没有唯⼀中⼼，多个超级个体各⾃发挥所⻓，彼此通过
共同命题⽽⾮层级关系连接。AI在这⾥已经不⽌是各⾃的效率⼯
具，它承担起了节点之间的协调中介：信息路由、上下⽂同步、任
务衔接，很⼤程度上由AI和透明系统接管，不再依赖⼀个中⼼⼈物
去调度。
它和AI中枢型的区别只在⼀处：这⾥的AI是连接所有对等节点的协
调介质，没有谁（包括AI）坐在指挥位上主动编排；AI中枢型则把
AI升格成了那个主动编排的中⼼节点。
辨识标准：每个核⼼成员是否都具备完整闭环能⼒（⽽⾮单⼀技
能），且彼此之间没有固定的汇报关系。如果任何⼀个节点离开，团
队会受损但不会瘫痪，这是⽹络协作型的韧性标志。
强项：适应性强、韧性⾼、决策的多维度性更好。多个独⽴视⻆并
⾏思考同⼀问题，减少了单点盲区。这种形态天然适合需要创新、
探索、快速迭代的场景。
边界：最硬的⻔槛是⼈才密度。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⻬，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。
腾讯研究院 45
代表案例：
CodeBuddy：三层架构（专业层IC、领域层、产品层），⼤仓
monorepo，全员可读可写⽂档，20多个领域Owner⼤部分是普
通IC，没有部⻔墙，⼏乎没有过程会议，每天发版，50⼈到160
⼈始终保持⼩Feature Team。
Anthropic：全公司只有⼀个技术职称MTS（Member of
Technical Staff），不分研究员和⼯程师，身份等级被抹平，没
有谁是固定的中⼼。协调⼏乎不靠管理动作：Slack⼴播、
Claude Code的⼯作过程天然可追溯、Prototype First跳过
PRD，透明成了AI⼯作流的副产品，节点之间靠这套透明基础设
施⾃动对⻬，把中层传递省掉了。
Kimi：没有部⻔、没有职级、没有Title、没有OKR、没有KPI、
没有打卡，300⼈，五位联创每⼈直接对接40到50⼈，需要谁
配合直接找他不经过领导。
AI中枢型：AI是协调中介，⼈围绕Agent⼯作
典型特征： AI是组织的协调中⼼。任务分配、信息同步、决策路
由、甚⾄跨项⽬协作，都通过AI来完成。⼈和Agent共同组成⼯作⽹
络，Agent处在⽹络的中枢位置。
辨识标准：AI是否主动编排任务、路由信息、管理⼯作流。如果团
队的任务分配和信息同步主要由AI来做，且⼈之间的协调成本被AI
系统性地吸收，是AI中枢型。更前沿的标志是Agent-to-Agent协作
的出现，不同项⽬的Agent可以直接交互，⽆需⼈⼯中转。
强项：协调成本被AI吸收后，团队可以在极少⼈⼒下运转极⾼产
出。
腾讯研究院 46
⾮技术⼈员也能通过Agent独⽴完成原本需要专业⽀持的⼯作，组
织内的能⼒⺠主化程度最⾼。这种形态对规模的适应性也更强：AI
的协调能⼒不像⼈的管理幅度那样有硬性上限。
边界：这是当前最前沿也最不成熟的形态。⾼度模糊的⼈际冲突AI
⽆法处理，需要情感共鸣和信任建⽴的场景仍需⼈际直接互动，涉
及创新⽅向判断的决策仍然依赖⼈类的直觉和审美。技术基础设施
的⻔槛也更⾼：需要成熟的Agent平台和上下⽂⼯程能⼒作为⽀
撑。
代表案例：
出⻔问问：CodeBanana平台让每个项⽬的Team Agent成为项
⽬的核⼼身份，⼈围绕Agent⼯作⽽⾮相反；A2A功能（Agent-
to-Agent）让不同项⽬的Agent直接协作，⽆需⼈⼯中转。
Block：四层架构（能⼒层、世界模型层、智能层、界⾯层）
中，世界模型基于全公司的代码提交、讨论记录、设计⽂档实时
维护运营全景图，系统性地替代了传统中层管理者“收集信息、
理解业务、分配任务、维持对⻬”的职能，客户问题的处理周期
从两周压缩到当⽇。
Multica：4⼈加⼏⼗个Agent，做的是 Agent 的编排与协作层产
品，⽇常⼯作模式是创建要做的事情，分配给对应的 Agent 或
者 Agent Team，⼈只需要最终去做⼀个 review ，Agent的闲
置率成为组织和个体的评估的标准。
腾讯研究院 47
并存、过渡与张⼒
三种形态可以在同⼀个组织中并存。⼀个⼤型组织内部，不同业务
线、不同发展阶段的团队，完全可能同时呈现三种形态：转型期的
新业务可能是节点辐射型（创始⼈带队冲锋），成熟的技术团队可能
是⽹络协作型（多个技术负责⼈平等协作），⽽流程标准化程度⾼的
运营团队可能最先进⼊AI中枢型。
演化⽅向也⾮单⾏道。⼀个团队可能从节点辐射型起步，随着更多
核⼼成员成⻓为超级个体，逐渐过渡到⽹络协作型；当AI从连接对
等节点的协调介质，进⼀步升格为主动编排任务、路由决策的中枢
时，⼜可能向AI中枢型演进。反过来，当AI中枢出现能⼒边界时，
团队可能在局部回退到⼈主导的协作模式。
三种形态⽐的是同样⼈数下能接住多⼤的协调复杂度，虽然三种模
式下，AI 是⽬前唯⼀⼀种协调能⼒不受⼈类管理幅度硬约束的介
质，但我们不认为它会很快普及，它⾼度依赖 Agent 平台与上下⽂
⼯程的成熟，⽽今天多数团队连第⼀阶的信息透明都还没真正做
到。
把不同组织的实践放在⼀起看，⼏个结构性张⼒值得注意：
超级团队的四种结构性张⼒
瘦身与增收、极⼩与极⼤、扁平结果与设计、中台与⽆中台：同⼀模式下的合理分叉。
瘦身 vs 增收
减⼈增效 · 或把增益转为营收扩张
极⼩ vs 极⼤
4 ⼈开源团队 · 与数万⼈⼤公司均可跑通
扁平结果 vs 扁平设计
⼈才密度⾃然消解层级 · 或制度主动去中
间层
中台 vs ⽆中台
组织级上下⽂⼯程 · 或⼯具流产⽣透明
腾讯研究院 48
瘦身 vs 不瘦身： 有的组织选择“减⼈增效”，⼤幅缩减团队规模，
⽤AI吸收被释放的⼯作量；有的组织选择“增收增效”，⼈数不变甚
⾄增加，但把效率增益转化为营收增⻓。两种路径都成⽴，区别取
决于组织⽂化、业务模型和所处发展阶段。
极⼩ vs 极⼤： 4⼈的开源团队和数万⼈的跨国公司都跑得通超级团
队模式。这说明“超级团队”不必⼩，但必须有清晰的⼈与Agent之
间的⻆⾊边界。
扁平结果 vs 扁平设计： 有些组织的扁平是业务要求的结果：因为
⼈才密度⾼、个体闭环能⼒强，层级⾃然消解；有些组织的扁平是
系统设计出来的：通过制度和平台主动去掉中间层。两种都有效，
但混在⼀起讲就容易产⽣误导：扁平本身只是⼿段，⽬的是与业务
匹配。
上下⽂中台 vs 不上中台： ⼀些组织在做“组织级上下⽂⼯程”，建
中台来统⼀管理知识、规范和上下⽂；另⼀些组织反向操作，不上
新中台，让⼯具和⼯作流本身产⽣透明性。这是两种不同的技术哲
学，对组织来说都是合理选择。
腾讯研究院 49
C H A P T E R 0 4
超级团队的运作机制
形态是静态的切⽚，运作机制才是让超级团队真正运转起来的动⼒
系统。我们调研的所有标杆样本，没有⼀家在⽤传统意义上的
KPI、中层管理、审批流。
这并⾮巧合。传统机制为标准化协作设计，超级团队的协作⽬标则
不同。
我们想提⼀个判断：这些团队真正退场的，与其说是 KPI 或审批本
身，更是⽤管理替代信任这套逻辑：当信息⾜够透明、个体⾜够
强，管理动作就从控制收缩为校准，剩下的交给⼈和 Agent ⾃⼰
跑。
但运作机制不会消失，它只是换了形式。规模决定了机制的重量：5
到50⼈是⾃治的甜蜜点，信任基于直接接触，沟通⾛⾮正式渠道，
决策快速达成共识。
50到300⼈需要引⼊AI协调机制；300⼈以上必须建⽴系统化的信
息基础设施。Kimi有意将规模控制在500⼈以内，Block⾯对6000
⼈的规模选择了世界模型这⼀重型基础设施。
本章从决策、协调、技术地基、激励和与⼤组织的关系五个维度，
拆解超级团队的内部运作逻辑。
腾讯研究院 51
决策机制：⽆最优解，只有条件适配
我们调研的案例展示了四种截然不同的决策模式。如果按决策权集
中在谁⼿⾥这个维度排列，它们形成⼀个从集中到分散的光谱：
模式 决策权归属 适⽤场景
集中式 ⼀⼈判断，团队执⾏ 早期/转型期/⽅向不清时
委托式 下放给问题负责⼈ 可模块化 + 已有信息基础设施
共识式 多⼈平等讨论后收敛 决策失误成本⾼ + ⼈才密度极⾼
AI辅助式 AI处理信息，⼈最终拍板 ⼯作可追溯 + 信息透明 + 50⼈以上
集中式（创始⼈拍板）： 在⽅向不清、团队尚未形成AI原⽣⼯作习
惯时，可能是最⾼效的决策模式。⽅向⼀致性最强、执⾏损耗最
⼩，但天然存在CEO认知和带宽的天花板。
Rokid创始⼈祝铭明的做法是这种模式的⼀个有趣演化：他把CEO
⻆⾊压缩为只做两件事：Gate Keeper（以挑剔⽤户的⻆度把关产
品质量）和 Trouble Maker（当团队在舒适区待太久时抛出挑战⽬
标）。
决策权仍然集中，但集中在⽅向判断和质量底线上。⽇常执⾏交给
“事情带着⼈跑”的任务驱动机制。
委托式（DRI制）： 从⼈的等级制转向问题的所有权制。每个DRI
（直接负责⼈）在90天周期内拥有特定跨职能问题的完全所有权和
资源调度权：在这个窗⼝内他就是这个问题的CEO。Block的实践
显示，配合世界模型提供全局信息⽀撑后，客户问题的处理从两周
压缩到当⽇。这种模式要求组织已经具备成熟的信息基础设施，否
则DRI⽆法获得做出⾼质量决策所需的上下⽂。
腾讯研究院 52
共识式（蜂群决策）： 多个独⽴视⻆并⾏思考同⼀个问题，通过综
合论证达成共识。核⼼优势是减少单点盲区，代价是速度：充分讨
论意味着更⻓的决策周期。Kimi五位联创每⼈直接对接40到50⼈，
把决策链压到极致。这种模式对⼈才密度要求极⾼，每个参与决策
的⼈都必须有独⽴判断能⼒。
AI辅助式（AI参与决策流程）： AI在决策中承担不同深度的⻆⾊。较
浅的⼀端是CodeBuddy的做法：AI分析代码提交历史，⾃动推荐任
务分配给最合适的⼈，决策的信息基础更扎实。较深的⼀端是李志
⻜的做法：每⼀次管理沟通都先经过AI结构化和去噪，“⼈类的消息
不会直接到达另⼀个⼈类”，AI成为决策的预处理器。两者的共同点
是：⼈仍然做最终判断，但AI系统性地提升了判断所依据的信息质
量。
腾讯研究院 53
协调⽅式：从信息透明到AI主动编排
AI协调有三阶演进：信息透明化 → 信息路由替代中层 → 主动任务
编排。⼤部分团队仍在第⼀阶段，少数团队进⼊了第⼆、三阶段的
探索。
阶段 机制 ⻔槛
信息透明化 共享⽂档/monorepo/异步沟通 最低⻔槛，主要靠纪
律
信息路由替代
中层
AI世界模型⾃动完成收集→理解→
对⻬
需AI基础设施+数据
资产
主动任务编排 AI主动分解任务、并⾏分配、综合
结果
前沿探索，仅少数样
本
第⼀阶段的纪律性最容易被低估。CodeBuddy的全员可读可写⽂档
听起来简单，实际上需要团队明确接受我的⼯作上下⽂是公共资
产：这件事在传统组织⾥⼏乎不可能跑通，因为它和我的能⼒=我的
不可替代性的旧逻辑冲突。这⼀步迈不过去，后⾯两阶都⽆从谈
起。
第⼆阶段需要硬投⼊。Block的世界模型层需要把整个组织的所有数
据（客户、产品、决策、⻛险）建模成可被AI理解的图谱，这是⼏
年级别的⼯程。回报是决策周期从2 周压缩到⼀天内。
第三阶段⽬前是前沿探索。ColaOS的Agent组织、Multica的
Orchestrator/Worker/Validator三类Agent、Manus的多Agent⼯
作流，代表了AI主动编排的⽅向。核⼼挑战不在技术：Multi-Agent
协调已经可以做到，难的是组织对AI作为协调主体的接受度。
腾讯研究院 54
Anthropic恰恰提供了⼀个反向参照：它并没有⾛到AI主动编排这⼀
步，靠把透明做到副产品级（Slack⼴播、Claude Code⼯作过程天
然可追溯、Prototype First跳过PRD），就让强协调在没有中枢的情
况下⾃然发⽣了。这指向⼀个判断：当AI成为每个⼈的⼯作基础设
施时，透明是AI⼯作流的副产品，不必先建⼀套透明系统再⽤AI。
这个认知顺序，对那些还想着先搭中台再上AI的组织尤其有参考价
值。
⼈际信任的不可替代边界：AI协调三阶演进不意味着⼈际信任会被
消解。模糊的⼈际冲突、情感共鸣、信任建⽴、创新⽅向判断：这
些事AI不会做得⽐⼈更好。Kimi的直接沟通⽂化的说明是：300⼈
以内的⾼密度组织，⼈际直接沟通可能⽐AI中转更⾼效。AI中枢化
适合规模和复杂度突破邓巴数的场景，对⼩团队未必适⽤。
腾讯研究院 55
技术地基：把AI⻓成组织的⼀部分
超级团队的决策、协调、激励机制要跑通，必须有⼀套AI嵌⼊所有
⼯作流的基础设施作为底座。我们调研的案例在技术选型上差异巨
⼤，但抽象来看，技术地基需要解决三个层次的问题：每⼀层解决
不了，上⾯的机制就跑不起来：
技术地基的三层问题
01
信息可⻅性
让 AI 看到组织全部上下⽂
→
02
能⼒可调⽤性
让 AI 调动组织能⼒栈
→
03
协调可⾃动化
系统承担协调消耗
可⻅性 → 可调⽤性 → 协调⾃动化 · 缺⼀层则上层机制⽆法运⾏
最基础的是信息可⻅性： 让AI看到组织的全部上下⽂。如果AI只能
看到⼀个⼈屏幕上的内容，它就只能做个⼈助⼿；如果AI能看到整
个代码库、所有⽂档、全部业务数据，它才有可能参与组织级的协
调。CodeBuddy⽤monorepo加全员可读可写⽂档解决这个问题：
看似朴素，但这恰恰是AI参与协调的前置条件。Anthropic的解法更
⾃然：Claude Code加上本身就是⼯作基础设施，⼯作
过程⾃动⽣成组织的上下⽂，⼯具和产物是同⼀件事。
第⼆层要解决的是能⼒可调⽤性： 让AI能调动组织的能⼒栈。光看
到信息不够，AI还需要能动⼿：调⽤公司的各种能⼒模块来完成任
务。Block的技术地基是开源AI编程⼯具Goose加上60多个内部
MCP服务器，效果是任何⼀个⼯程师都能在⾃⼰的⼯作流⾥调⽤整
个公司的能⼒栈，能⼒不再被锁在某个团队的API后⾯。安克创新则
⾃研了企业通⽤AI操作系统NDPS，把感知、决策、控制、反馈作为
统⼀模式映射到所有业务场景。
腾讯研究院 56
最激进的是第三层：协调可⾃动化， 把协调这件事从⼈的⽇常消耗
中抽离出来，交给系统承担。出⻔问问的CodeBanana、ColaOS的
Agent架构、Multica的三类Agent⻆⾊（Orchestrator、Worker、
Validator），以及Manus的多agent⼯作流，都在朝这个⽅向⾛。当
AI开始编排任务、路由信息、同步上下⽂时，组织的协调成本会被
系统性地压低。
三层之下，还有⼀个容易被忽略的底座： 驾驭⼯程（Harness
Engineering）。Prompt Engineering解决“怎么问”，Context
Engineering解决“AI看到什么”，Harness Engineering解决“AI在
什么环境⾥⼯作”：知识资产、上下⽂供给、Skill维护、规则维护，
这些是让AI能稳定⼯作的环境⼯程。模型能⼒的上限由⽤模型的⼈
和团队决定。这也是为什么超级团队⽐超级个体更强：单点的驾驭
能⼒上限有限，复数的⼈在不同维度同时驾驭，能⼒上限是⼏何级
的。
腾讯研究院 57
激励机制：KPI失效后什么有效
传统KPI在AI时代失效了。当团队中存在10到100倍的效率差时，传
统绩效体系找不到锚点。我们在调研中发现，各案例给出的激励解
法差异很⼤，但如果按激励什么来归类，可以分为四个维度：每⼀
个都不可或缺，缺了任何⼀个，超级个体就会流失或降低投⼊。
超级团队的激励四维
愿景是前提；经济回报是底线，失衡则前三者吸引⼒衰减。
愿景
为什么值得把时间投在这⾥
⾃主权
参与定义⽅向和做法
成⻓环境
⾼密度同伴与使命感
经济回报 / 退出⾃由
收益匹配 + 主动选择留下
愿景：为什么选择把时间投在这⾥
在讨论具体的激励维度之前，有⼀个前提必须先说清楚：超级个体
不缺能⼒，AI⼜进⼀步放⼤了能⼒，能不能做不再是问题。真正稀
缺的是为什么做。愿景提供的是⽅向感和意义感：它回答的是我为
什么选择把时间投在这⾥，⽽⾮选择独⾃创业。
⼀句空洞的使命宣⾔解决不了这个问题。我们在调研中看到的有效
愿景，有⼏个共同特征：它⾜够⼤（Kimi的我们在做AGI）、⾜够真
（Anthropic的你在做的事可能改变世界是团队每天能感受到的实际
进展）、⾜够个⼈化（郝景芳的志同道合：每个⼈留下来是因为认同
这件事本身）。
愿景的激励作⽤在超级团队中⽐传统组织更加关键。传统组织中，
即使愿景模糊，⼈们仍然会因为薪酬、职级、惯性⽽留下来。
腾讯研究院 58
但超级个体有极强的⾃闭环能⼒和市场议价权，留住他们的唯⼀理
由是这⾥正在做的事情值得我参与。如果团队⽆法提供⼀个让超级
个体觉得这件事⽐我⾃⼰单⼲更有意义的愿景，再好的⾃主权和薪
酬设计都⽆法持续。
维度⼀：⾃主权：让我决定做什么、怎么做
这是我们在调研中听到的最⾼频答案。当AI把执⾏层的活接⾛之
后，吸引超级个体留下来的是你能参与定义⽅向。
CodeBuddy的做法是让团队⾃⼰决定怎么做，⾃⼰挑硬⻣头啃。
subo的感受很直接：战术执⾏不成为问题的时候，战略就很重要。
Block⽤DRI制把⾃主权制度化：90天内你就是这个问题的CEO，拥
有跨职能问题的完全所有权和资源调度权。这是权⼒激励，⾦钱激
励次之。
维度⼆：成⻓环境：⾼密度同伴与使命感
超级个体被和谁⼀起做、做的事有多难驱动。
Kimi⽤使命感加邓巴数内的⼈才密度维系组织：300⼈都觉得⾃⼰
是AGI攻关者，没有OKR、没有KPI、没有打卡，维系组织的是使命
本身和身边⼈的质量。Anthropic⽤统⼀职称MTS（Member of
Technical Staff）消除身份等级，看重实际成就，学历资历次之，
激励来⾃你在做的事情可能改变世界。
维度三：经济回报：产出如何被公平定价
这是最难的⼀个维度，也是⽬前所有案例都没有完全解决的问题。
腾讯研究院 59
传统薪酬体系围绕岗位和层级设计，产出维度的考量相对薄弱，这
本身就是⼀个结构性困境：⼀个⼀线⼯程师可能贡献了关键创意并
亲⼿推出了产品，但在现有体系中，最⼤的激励往往给到了管理⼲
部，因为薪酬绑定的是职级薪酬绑定职级，真实贡献被忽略。当执
⾏能⼒被AI⼤幅拉平之后，判断⼒和创造⼒的价值急剧上升，但现
有薪酬框架⽆法体现这种价值迁移。
⼀旦超级个体感觉到⾃⼰的10倍产出只换来倍的回报，他要么离
开去创业，要么降低投⼊回归正常产出⽔平。⽆论哪种结果，组织
都是输家。这是可预期的后果。
安克的探索是建⽴可观测体系：追踪Token消耗、完成任务、使⽤
⼯具，AI⾃动评分并按部⻔排名。AI咨询公司Tenex则完全按产出付
费。Pure Global是所有⼈都在⼀线⾯向客户和销售，从销售中获得
分成。
这些模式能否移植到⼤组织仍是未知的。⼤组织⾯临三个额外约
束：内部公平性（同⼀职级薪酬差异太⼤会撕裂团队）、衡量标准
（代码类⼯作可以量化，但并⾮所有⼯作都如此）、管理者⻆⾊（如
果⼀线产出者收⼊超过管理者，管理者的定位怎么重新锚定）。
维度四：退出⾃由：不靠锁定留⼈，靠值得留⼈
这是最反直觉的⼀个激励维度。Albert Hirschman在《退出、呼吁
与忠诚》
[16]
中提出过⼀个洞察：当⼀个⼈知道⾃⼰随时可以⾃由离
开时，他留下来的每⼀天都是主动选择，投⼊度远⾼于被迫绑定。
郝景芳把童⾏书院拆成9家独⽴⼩公司，维系⼤家的就是四个字：志
同道合，没有任何强约束强绑定。
腾讯研究院 60
Netflix的股权设计也体现了这个逻辑：所有期权⽴即归属，⽆锁定
期，员⼯随时可以带⾛⾃⼰赚得的⼀切离开。前⾸席⼈才官Patty
McCord的原话是：如果你不想再和我们合作，我们不想把你当⼈
质。退出⾃由本身就是激励的⼀部分：当⼀个⼈知道⾃⼰随时可以
⾛，他留下来的每⼀天都是主动选择，主动选择留下，⽽⾮被动绑
定。
激励的整体逻辑
四个维度合在⼀起看，⼀个清晰的共性浮现出来：⾃主权、成⻓环
境和退出⾃由才是超级个体的核⼼三要素：但经济回报是底线，⼀
旦失衡，前三者的吸引⼒会迅速衰减。
我们在多个访谈⾥听到了⾃费打⼯有点累的反馈。⽤AI提效后能⼒
边界扩张，优秀的⼈⾃发承担了更多，但回报结构和价值感锚点没
跟上。⾃主权和成⻓环境仍然吸引⼈，但当经济回报⻓期不匹配
时，倦怠是必然结果。
ColaOS创始⼈橘⼦从另⼀个⻆度重新定义了激励：超级组织的标志
是能把效率转化为营收增⻓。把效率提升作为核⼼指标的组织⾛向
裁员，把营收增⻓作为核⼼指标的组织⾛向扩张。对超级个体⽽
⾔，最好的激励是：你的⾼效产出打开了新的业务空间，⽽你能分
享这个增⻓。
谁先解决经济回报与产出匹配的问题，谁就能留住超级个体；谁解
决不了，超级个体就会⽤脚投票。
腾讯研究院 61
与⼤组织的关系
超级团队和⼤组织的关系有三种模式，关键变量是⽂化纯粹性能否
守住。
在展开三种模式之前，有必要先解释⼀个结构性问题：为什么⼤组
织天然倾向于压制超级个体？
这是组织结构的数学性质使然。Conway在1968年提出的判断
[15]
⾄
今仍被反复验证：⼀个系统的设计，会不可避免地映射出设计它的
组织沟通结构。岗位怎么切，产品就怎么切；权限怎么分，系统边
界就怎么⻓。⼤组织为了规模化协作，必须把⼈切成⻆⾊、把⼯作
切成模块、把决策切成层级：这些切分每⼀⼑都在增加跨边界⾏动
的成本。
回到引⾔提出的那个公式：组织竞争⼒ = ⼈才密度 × AI杠杆 / 组织
摩擦。
组织竞争⼒公式
组织竞争⼒
=
⼈才密度
×
AI 杠杆
组织摩擦
超级个体之所以效率惊⼈，根本原因是⼀个⼈的⾃闭环链路上⼏乎
没有摩擦：没有等待别⼈排期、没有跨部⻔对⻬会、没有审批流
程、没有信息在层级间的衰减。
⽽⼀旦进⼊多⼈协作，每增加⼀个节点、⼀层审批、⼀次跨部⻔沟
通，摩擦就会上升。当组织摩擦⾜够⼤时，再⾼的⼈才密度和AI杠
杆也会被分⺟吃掉。
腾讯研究院 62
这就是为什么很多⼤组织看起来采⽤了AI但效果有限：它们提升了
分⼦（给员⼯配了AI⼯具），却没有降低分⺟（组织摩擦依然照
旧）。超级团队的本质优势，正是在保持协作价值的同时把摩擦降到
极低。
理解了这个结构性张⼒，再来看三种模式：
模
式
定义 代表 ⻛险
嵌
⼊
式
在⼤组织内运作，⽤
其资源，保持独⽴⼯
作⽅式与⽂化
CodeBuddy（腾讯）、
Block 内部 DRI 单元
被⼤组织流程吞
噬；必须主动维护
⽂化纯粹性
独
⽴
式
整个公司就是超级团
队
Kimi、Anthropic、
Multica
资源有限/缺外部
校验；需有意控制
规模
催
化
式
是⼤组织内的酶，催
化其他团队转变
安克⽕箭班、Block AI
Champions
催化效果有延迟/
不可控
嵌⼊式（CodeBuddy）：利⽤⼤组织资源但保持独⽴⽂化，关键是
⽂化隔离。优势是资源充沛、⻛险兜底；⻛险是⼤组织的流程和⽂
化惯性可能逐渐侵蚀超级团队的独特性。
独⽴式（Kimi、Anthropic）：通过有意控制规模保持超级团队特
征。优势是⽂化纯粹、决策快速；⻛险是资源有限、缺乏外部校
验。
催化式（安克创新）：⽕箭班模式，超级团队是⼤组织内的酶，催化
其他团队的转变。最⼤价值在于它是唯⼀⼀种能够让⼤组织整体受
益的模式。
嵌⼊式最难⾛通的部分是⽂化保护。
腾讯研究院 63
超级团队的⽂化不会⾃然维持，当团队中出现与协作基础冲突的⾏
为模式时：⽐如地盘意识、信息封锁：管理者必须果断做出调整，
即便这在⼤组织温和的⽂化语境中显得激进。不主动维护⽂化纯粹
性，超级团队的协作基础就会被旧逻辑反向侵蚀。
独⽴式最难⾛通的部分是规模克制。Kimi 主动选择不超过 500
⼈，这在融资压⼒下需要持续的纪律。⼀个超级团队⼀旦决定我们
要规模化，往往就在结构上⾃我消解了。
催化式最难⾛通的部分是催化效果的延迟性。安克⽕箭班学员回到
原团队后，他们的新能⼒是否真的能带动团队？这件事需要 6–12
个⽉才能看出来，期间组织必须保持耐⼼。
腾讯研究院 64
C H A P T E R 0 5
如果你在这些团队⾥
前⾯四章讲的是框架和机制。这⼀章我们换⼀种⽅式：让你⾛进这
些团队，从⼀个超级个体的视⻆，感受每天的⼯作是什么样的。同
样的超级团队四个字，在不同组织中的⽇常体验截然不同。
七个案例
01
CodeBuddy
⽆⼈派活
02
Kimi
⽆职级 KPI
03
Block
DRI 制
04
Anthropic
MTS 合⼀
05
出⻔问问
Team Agent
06
Multica
4 ⼈ × 多 Agent
07
研究院 AI 原⽣⼩组
本报告写作团队
在CodeBuddy：没有⼈给你派活
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。
腾讯研究院 66
CodeBuddy ⼯程师的⼀天
⾃选问题 → 整块交付 → 异步协作；⽆⼈派活，⽂档即进度。
⾃选问题
monorepo 透明
⽆⼈派活
整块交付
⼀⼈ + AI
设计到测试
异步协作
⽂档即进度
极少会议
你拿到的是⼀整块功能。从设计到实现到测试，你和AI协作完成，
不需要把半成品传给下⼀个⼈。subo说过：AI时代任务越拆越⼤：
整块交给⼀个⼈加AI，⽐切碎分给五个⼈再拼装要快得多。
你⼏乎不开会。进展和决策都写在透明⽂档⾥，谁需要谁⾃⼰去
看。每天发版，节奏远快于两周⼀个Sprint。如果你想帮隔壁同事
解决⼀个问题，直接动⼿就⾏：谁都可以帮谁做，帮你做了我也不
会危险。
这个团队从50⼈扩到了160⼈，但保持着⼩Feature Team的模式。
每个⼈都是原⼦级的存在，可以灵活组合，不被绑定在某个固定⼩
组⾥。
腾讯研究院 67
在Kimi：没有部⻔、没有职级、没有KPI
假设你是⽉之暗⾯的⼀名⼯程师。你没有Title，没有职级，没有
OKR，不需要打卡。公司300⼈，你认识其中⼤部分。你需要谁配
合，直接去找他，不需要经过任何领导。
Kimi 的扁平⽣⻓条件
⽆职级 KPI + BAPO 顺序 + 招⼈四标准，三者同时成⽴则层级消失。
⽆职级 KPI
300 ⼈扁平，直连所需协
作者
BAPO ⽣⻓
Business →
Architecture → Process
→ Organization
招⼈四标准
品味 · 好奇⼼ · 泛化 · 学
习速率
五位联合创始⼈每⼈直接对接40到50个⼈，包括你。你有问题可以
直接找联创聊。没有中间层翻译你的想法，也没有⼈替你过滤信
息。
你被招进来的标准是四样东⻄：品味（Taste）、好奇⼼、泛化能⼒
和学习速率。创始⼈杨植麟喜欢基础模型型⼈才：像⼤语⾔模型⼀
样什么都能学、什么都能做的⼈，⽽⾮KPI体系⾥过度拟合的专家。
这⾥的组织形态是⾃然⽣⻓出来的。它之所以扁平，是因为⼈才密
度⾜够⾼、每个⼈都能独⽴交付完整价值、业务和架构先⾏⽽组织
后⾏（BAPO）。三个条件同时成⽴，层级就⾃然消失了。
但你偶尔也会有⼀种失重感：没有KPI意味着没有⼈告诉你做到这⾥
就够了。⽅向感完全靠⾃⼰对使命的理解来锚定。
腾讯研究院 68
在Block：你是⼀个问题的CEO
假设你刚被任命为Block的⼀名DRI（Directly Responsible
Individual）。接下来90天，你拥有⼀个特定跨职能问题的完全所有
权。你可以从任何团队拉⼈：⼯程师、设计师、数据科学家：不需
要他们原来的领导批准。在这90天⾥，这个问题就是你的公司，你
就是它的CEO。
Block DRI：90 天问题所有权
世界模型压缩跨职能链路；客户问题处理从约 2 周压缩⾄当⽇闭环。
客户问题处理周期（Block 样本）
传统跨职能链路
约 2 周
DRI + 世界模型
当⽇闭环
90 天问题所有权：你是这个问题的 CEO
你的信息来源是世界模型：⼀个基于全公司代码提交、讨论记录、
设计⽂档实时维护的运营全景图。过去⼀个客户问题从发现到解决
需要两周（经历⼯单→⽀持经理→产品经理→跨团队会议→IC执⾏
→逐级回报），现在你直接看到问题、直接处理，当⽇完成。
你来开会带着你⽤AI搭建的可交互原型。会上直接在原型上改。决
策从听完再拍板变成了看到就能动。
这家公司刚刚从10000⼈裁到6000⼈，因为Dorsey判断：AI能做的
事不需要⼈做，⼈应该做AI做不了的事。⽽且这⼀⼑是在业绩强劲
时砍下的，上季度⽑利润增⻓超过预期，市场⽤24%的盘后涨幅认
可了这个判断。
腾讯研究院 69
在Anthropic：研究员和⼯程师是同⼀个⼈
假设你是Anthropic的⼀名MTS（Member of Technical Staff）。这
是公司⾥唯⼀的技术职称：不分研究员和⼯程师，所有⼈都叫
MTS。你上午可能在设计⼀个对⻬实验，下午就⾃⼰写代码实现
它。没有⼈会拒绝你做这件事。
Anthropic MTS：研究与⼯程合⼀
统⼀技术职称；Claude 同时是每个⼈的第⼀协作者。
传统⼤⼚
研究员 / ⼯程师岗位分裂
Anthropic · MTS
统⼀技术职称，研究与⼯程合⼀
你被招进来看的是实际成就，看重能⼒，不看重学历。公司不强制
要求⼤学学位或机器学习经验：独⽴研究成果、有⻅地的博客⽂
章、开源领域的重⼤贡献。⾯试官在意的是你能不能独⽴思考和独
⽴产出，不看简历上写了什么。
每两周有⼀次DVQ（Dario Vision Quest）全体会议。CEO Dario
Amodei准备3到4⻚⽂档，讲⼀个⼩时，内容从产品战略到地缘政
治什么都聊，⽤的全是⼤⽩话，不讲任何公司化的套话。他40%的
⼯作时间花在⽂化建设上：在⼀家正在争夺AI竞赛头部位置的公司
⾥，这个⽐例本身就是⼀种选择。
你⼯作中80%到90%的问题会先问Claude。因为它确实⽐问同事更
快更全。Claude在这⾥同时是每个⼈的第⼀协作者。
腾讯研究院 70
在出⻔问问：你围绕Agent⼯作，Agent不
围绕你⼯作
假设你是出⻔问问的⼀名员⼯。你的⼯作围绕你所在项⽬的Team
Agent展开。每个项⽬有⼀个Agent作为核⼼身份：它知道项⽬的全
部上下⽂、进展、待办和⻛险。你每天的⼯作从和这个Agent对话
开始。
出⻔问问：⼈围绕 Team Agent
Team Agent 为项⽬中枢；跨项⽬ Agent-to-Agent 吸收协作成本。
Team Agent
项⽬上下⽂中枢
市场 销售
产品 研发
Agent-to-Agent（A2A）
如果你是市场部的⼈，你不需要等IT帮你建数据看板，你⾃⼰通过
Agent就能建。如果你是销售，你不需要提需求等CRM系统排期，
你⾃⼰就能搭。过去需要提需求→排期→等开发→验收的事情，现
在你直接做了。
更前沿的是：不同项⽬的Agent之间可以直接对话（A2A）。你的市
场Agent需要⼀个技术数据，不⽤你去约研发的⼈开会，市场Agent
直接调⽤研发Agent就拿到了。跨部⻔协作的成本被Agent吸收了。
这家公司从300⼈压缩到了150⼈，效率反⽽提升了4到5倍。标书从
两周变成5分钟，60⻚PPT从六个⼈⼲两周变成两天完成。CEO李
志⻜坦⾔：我给员⼯的沟通基本都是通过AI加⼯过的，⼈类的消息
不会直接到达另⼀个⼈类。
腾讯研究院 71
在Multica：4个⼈，⼏⼗个Agent，霸榜
GitHub
假设你是Multica团队的⼀员。团队⼀共4个⼈，你们连续霸榜
GitHub Trending，⼀周涨12000个Star。平台上每10秒触发⼀个
Agent任务。
Multica：⼈ vs Agent 规模
4 ⼈团队驱动数⼗个 Agent；⼈的判断成为产出限速步骤。
团队⼈数（示意）
4 ⼈
并⾏ Agent 规模（相对量级）
数⼗个
你没有固定岗位。⼀件事从PRD到研发到测试验收，整条链路由你
⼀个⼈加Agent完成。没有⼈给你做信息传递：创始⼈张佳圆的逻
辑是：既然中间那个⼈只是在传话，为什么不拿掉，让你直接和
Agent沟通？
你⼀周只有两个固定会议：周⼀的Weekly Planning（Agent提前准
备好会议⽂档和上周数据分析）和每天晚上6点的demo站会
（Agent把今天的代码提交整理好，demo完没问题直接部署上
线）。其余时间，你和你的Agent群组在⼲活。
张佳圆说了⼀句让你很有共鸣的话：整个组织的产出效率瓶颈，现
在已经是⼈了，AI或Agent暂未成为瓶颈。你同意：你每天做的判断
才是真正的限速步骤，AI的执⾏速度早已⾜够快。
腾讯研究院 72
在腾讯研究院AI原⽣⼩组：写这份报告的
团队本身
最后⼀个案例是我们⾃⼰。如果前六个是我们⾛进别⼈的团队，这
⼀个是把⾃⼰摊开来看。
研究院 AI 原⽣⼩组的⽇常机制
01
AI 午餐会
现场 demo，⼼理距离拉近
↓
02
每⽇⼀条
群⾥⼀句话分享⼼得
↓
03
共享 Skill 库
递⼯具⽽⾮说道理
↓
04
Skill 值班
春节值班 → 常驻 Skill
经验传递最⼩单位：可执⾏ Skill
假设你刚加⼊这个⼩组。没有⼈给你⼀份AI培训课程，也没有⼈让
你先学完再动⼿。你会发现每天中午有⼀个AI午餐会：同事现场演
示他昨天⽤AI做了什么好玩的事。你看到和你做类似⼯作的⼈⽤AI
做出了让你惊讶的东⻄，⼼理距离⼀下就近了。
你的微信群⾥每天都有⼈发⼀条AI使⽤⼼得：⻔槛极低，就是今天
发现了⼀个好⽤的招。没⼈要求你写⻓⽂，⼀句话就⾏。你很快也
开始发。
然后你会接触到共享Skill库。⼀个同事把他调试好的AI Skill直接扔
给你⽤，直接递给你⼀个能跑的⼯具。你拿来⽤，觉得哪⾥不对，
⾃⼰改两下，改完再扔回去。经验传递在这⾥靠递⼯具。
腾讯研究院 73
这个⼩组的起源是从推不动开始的。2025年上半年⼤部分研究员还
在观望。转折发⽣在AI coding成熟之后：CodeBuddy和Claude
Code从写代码⼯具变成了⽇常⼯作台，所有⼯作开始围绕把Agent
作为同事展开。这个转折是⾃下⽽上加顶部认同加外部条件就绪三
件事碰到了⼀起。单独任何⼀条都不够。
2026年春节，⼩组没让⼈值班，让⼀个Skill值班。春节后这个Skill
没有消失，还被持续迭代，成了⽇常基础设施。经验传递的最⼩单
位从说⼀段话升级为递⼀个可执⾏的Skill：这可能是AI原⽣团队协
作的最⼩原⼦。
腾讯研究院 74
E P I L O G U E
最⼩启动动作
这份报告⾛了⼀条不常⻅的路：从⽥野观察出发。我们记录的是组
织正在怎么⻓。
如果⼀定要给这份报告⼀个收束的判断：AI时代的组织变⾰，需要
的是更好的园丁。
园丁不设计果实⻓成什么形状，园丁提供⼟壤、光照和⽔源。对组
织⽽⾔，⼟壤是完整的问题和充⾜的⼯具，光照是成果被看⻅的机
制，⽔源是持续的容错空间。超级个体和超级团队是在对的环境⾥
⾃⼰⻓出来的。管理者要做的，是提供这个环境，然后克制住⾃⼰
想去修剪的⼿。
回到前⾯提出的公式：组织竞争⼒ = ⼈才密度 × AI杠杆 / 组织摩
擦：园丁要做的事情对应公式的三项：
园丁动作与公式三项
提升 AI 杠杆
完整问题 / ⼯具权限 / 展
示舞台
降低组织摩擦
容错 / 克制规模 / 减少中
间环节
保护⼈才密度
果断调整不适配的⼈
提升AI杠杆：给完整问题、给⼯具权限、给展示舞台。 超级个体需
要的是从问题定义到⽤户反馈的完整链路：只有拿到完整问题，AI
杠杆才能作⽤于整条链路。⼯具权限必须到位：报销AI⼯具额度、
开放数据权限、允许不经排期先做demo，这些是⾃闭环成⽴的基础
设施。
腾讯研究院 76
成果必须被看⻅：AI午餐会、demo day、每⽇⼀条⼼得分享，让⼀
个⼈的突破变成团队的信号。
降低组织摩擦：容错、克制规模、减少中间环节。 允许做了第⼆天
撤掉：超级个体的成⻓路径是⾏动中学习，组织如果要求每次⾏动
都经过完整论证才能开始，就等于在⾃闭环中间强插了⼀道审批。
克制扩张冲动：超级团队的协调极限在15到20⼈，过了这条线组织
摩擦会⾮线性上升，正确的做法是分裂繁殖，⽽⾮线性扩张。能砍
掉的会议砍掉，能异步的沟通异步，每减少⼀个中间环节，AI的速
度才能真正变成成果的速度。
保护⼈才密度：果断调整不适配的⼈。 地盘意识、等待安排、拒绝
信息透明：这三件事在传统组织⾥只是⻛格不同，在超级团队⾥是
对协作基础的直接腐蚀。管理者在发现苗头时必须快速⾏动，不能
等问题积累到不可收拾。⼈才密度更多时候靠不让错误的⼈稀释
掉。
管理者的最⼩启动动作
如果⼀位管理者读完这份报告只能做⼀件事，我们的建议是：先找
到组织中已经在⾃发使⽤AI的⼈，让他们的成果被看⻅。
他们已经存在了。⼏乎每个组织中都有⼀⼩群⼈在⼯作之余⾃⼰摸
索AI⼯具，做出了超出岗位预期的产出，但这些成果往往被封闭在
个⼈屏幕后⾯：因为没有展示的场合，因为这不是正式项⽬，因为
现有汇报结构不包含这类信息。管理者要做的第⼀步创造⼀个让这
些⼈浮出⽔⾯的最⼩机制：⼀次demo展示、⼀个内部分享群、⼀句
你⽤AI做的那个东⻄能不能给⼤家看看。
第⼆步是围绕他们试点。
腾讯研究院 77
不必全⾯铺开，选⼀个边界清晰的真实业务问题，把它完整地交给
⼀个已经展现出⾃闭环能⼒的⼈或⼩组，给他们⼯具权限和三个⽉
时间，看结果。试点的⽬的是让组织亲眼看到⼀个⼈/⼀个⼩组⽤AI
做出了什么，这个亲眼看到的过程本身就是涌现的起点。
最后提醒⼀点：管理者本⼈也需要亲⾃下场使⽤AI。不⼀定要写代
码，但⾄少要体验过⽤AI完成⼀个完整任务的全过程：从提问到获
得产出到判断质量到迭代修正。不亲⾃体验，就只能隔着汇报材料
理解AI，⽽隔着材料理解AI和亲⾃⽤过AI，是两种完全不同的认知
状态。
最后，我们诚实地列出五个这份报告没有解决的问题：
五个开放问题
1
规模临界点
15–20 ⼈：分裂繁殖 vs 往上扩
2
AI 协调跃迁
⼯具 → 基础设施：信息透明度
3
薪酬与效率差
10–100× 如何在分配中体现
4
⾮超级个体
组织责任：先看⻅同伴怎么做
5
意义判断
什么都能做时，押注最稀缺的注意⼒
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。
腾讯研究院 78
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
看⻅同伴怎么做：多数⼈卡在没⻅过，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。
这份报告写的是我们看到的样本，⽽⾮我们规定的标准。2026年5
⽉15⽇发布的《AI原⽣⼯作报告》回答的是AI原⽣⼯作怎么做，这
份报告回答的是AI原⽣组织怎么⻓出来。两份报告共同构成了腾讯
研究院AI原⽣⼩组在2026年上半年关于AI与组织关系的研究产出。
超级个体是⾃下⽽上涌现的，超级团队也是。它们在对的⼈、对的
⼯具、对的环境碰到⼀起时，⾃⼰⽣⻓出来。组织能做的最重要的
事，是为这个⽣⻓过程持续提供养分和空间。
我们要做的，是当⼀个好园丁。
腾讯研究院 79
A P P E N D I X
参考材料
[1] Stanford HAI, Artificial Intelligence Index Report 2025, April 2025.
[2] McKinsey & Company, The State of AI: Global Survey 2025, 2025.
[3] Jack Dorsey & Roelof Botha, From Hierarchy to Intelligence, Block, 2026.
[4] Peter Drucker, The Effective Executive, Harper & Row, 1966.
[5] Richard Florida, The Rise of the Creative Class: And How It's Transforming Work, Leisure,
Community, and Everyday Life, Basic Books, 2002.
[6] Paul Jarvis, Company of One: Why Staying Small Is the Next Big Thing for Business,
Houghton Mifflin Harcourt, 2019.
[7] Anthropic, Estimating AI Productivity Gains, November 2025.
[8] Harvard Data Science Review, The Agent-Centric Enterprise: Why 2–10x Productivity Gains
Demand Radical Workflow Redesign, January 2026.
[9] Carta, Solo Founders Report 2025, 2025.
[10] McKinsey Global Institute, Agents, Robots, and Us: Skill Partnerships in the Age of AI,
November 2025.
partnerships-in-the-age-of-ai
[11] Nassim Nicholas Taleb, Antifragile: Things That Gain from Disorder, Random House, 2012.
[12] Sophie Leroy, Why Is It So Hard to Do My Work? The Challenge of Attention Residue When
Switching Between Work Tasks, Organizational Behavior and Human Decision Processes, Vol.
109, Issue 2, 2009.
[13] Boris Groysberg, Ashish Nanda, Nitin Nohria, Can They Take It with Them? The Portability
of Star Knowledge Workers' Performance, Management Science, 2008.
[14] Paul Romer, Endogenous Technological Change, Journal of Political Economy, Vol. 98, No.
5, 1990.
[15] Melvin E. Conway, How Do Committees Invent?, Datamation, April 1968.
[16] Albert O. Hirschman, Exit, Voice, and Loyalty: Responses to Decline in Firms, Organizations,
and States, Harvard University Press, 1970.
[17] Reed Hastings & Erin Meyer, No Rules Rules: Netflix and the Culture of Reinvention,
Penguin Press, 2020.
[18] WinSavvy, Solo Founders vs Cofounders: Who Fails More? [Stats Inside], 2024-2025.
腾讯研究院 附录
[19] Josh Kopelman, First Round Capital, The 10 Year Project, 2015.
[20] GitHub, GitHub Copilot is generally available to all developers, June 2022.
developers/
[21] GitHub, The economic impact of the AI-powered developer lifecycle and lessons from
GitHub Copilot, 2023.
[22] 腾讯，《2025 腾讯研发⼤数据报告》，2025-10-24 发布.
[23] Gloria Mark, Gudith & Klocke, CHI 2004/2005.
[24] William Buck, Assessing the impact of key person risk on business valuation; IRS Revenue
Ruling 59-60.
[25] Oliver Schilke & Fabrice Lumineau, How Organizational is Interorganizational Trust?
Academy of Management Review, forthcoming (SSRN 2023).
[26] 南⽅财经⽹，⼤湾区『⼀⼈公司』批量⽣⻓，记者探营 OPC 社区，2026-04-28.
[27] Inga J. Hoever, Daan van Knippenberg, Wendy P. van Ginkel & Harry G. Barkema, Fostering
Team Creativity: Perspective Taking as Key to Unlocking Diversity's Potential, Journal of
Applied Psychology, 97(5), 2012, 982–996.
腾讯研究院 附录
