当 AI 让一个人的执行半径接近一支小团队时，新的瓶颈不再只是"工具够不够强"，而是：一个人如何定义目标、多个被放大的个体如何共享上下文、经验如何沉淀成团队能力、企业如何重新衡量贡献与价值。
01一句话看懂：AI Native 的三层协议
观察 AI 需要一个尺度。如果只看个人，AI 是效率工具；看团队，多个被放大的人如何共享上下文、处理分歧、合并产物、沉淀团队 Memory，决定 AI 能否从个人技巧变成团队能力；看组织，问题又变成能力如何跨边界流动、贡献如何评价、资源如何分配。
用三层协议理解 AI Native：
人机协作协议
一个人如何带着 Agent 编队工作。人守住三个关口：定义目标（what / why / done）、审核结果、沉淀经验。核心闭环 PEV：Plan → Execute → Verify。
团队协作协议
多个超级个体如何并行探索、共享状态并形成合力。关键词不是"统一"，而是"涌现"——像一个临时联盟：意图被广播，多个个体自主认领探索，跑出结果后共同评估合并。
组织价值协议
多个团队之间如何交换能力与价值，形成企业内的"能力市场"：Skill、专家 Agent 可发布、发现、授权、调用、评价。必须有治理：边界、价值流、目标共识、联邦治理与资源流转。
02超级个体：不是喊出来的，而是被工具拉出来的
WorkBuddy 团队内部最早出现的"超级个体"，并不是先参加转型动员，也不是先学一套宏大的 AI 方法论。变化非常具体：有资深工程师先做出了可用的 AI coding 客户端，随后几人小团队约两个月发布接近 80 个版本。工具进入真实的软件工程环境，工程师把精力放到目标拆解、结果审核和质量责任上，Agent 承担规划、编码、工具调用、测试、自检等中间工作。
这里最重要的不是"AI 写了多少代码"，而是一个顺序：先有真正进入工作流的工具，后来才有超级个体。这和很多企业推动 AI 的方式恰好相反——先喊"人人都要用 AI"，但 AI 悬浮在真实工作流之外，只是原流程旁边多了一个聪明的窗口。
真正有价值的 AI Native 产品，需要进入岗位的完整 SOP：理解完成任务所需的上下文、调用真实工具、执行并接受校验、保留过程状态、把经验沉淀下来让下一次不必从头开始。
03超级团队：当个人能力被放大，团队问题反而更突出
现场 PPT 只写了一个问题：如果公司里有 10 个超级个体，你的团队就是超级团队了吗？
答案并不成立。超级个体解决的是单个人能力半径问题。但当每个人的产出速度都变快，团队原有的协作方式未必跟得上：三个人各自带着 Agent，一下午就可能形成十几个版本，各有各的上下文、判断依据和实现路径。如果仍靠开会同步、手工汇总、层层拍板，个人提效的时间很快又消耗在新的协调成本里。
被放大的不只是能力，也包括分歧。团队可能出现几种新问题：
- 大家各自形成一套工具和工作方式，能力无法互相复用
- 不同 Agent 基于不同上下文运行，产物难以比较和合并
- 掌握 AI 的人与尚未完成转型的人之间出现新的效率断层
- 个人产出越来越多，但组织反而更难判断哪些东西真正有价值
- 会议没有减少，只是会议前多了更多需要消化的材料
L2 需要的不是把所有人框进一个固定项目，而是一套连接协议：一个模糊意图被广播，多个个体基于经验自主认领，各自展开探索；不同路径跑出初步结果后，再由人和 Agent 共同评估、合并，形成更好的版本。个体可以自由，协作可以临时发生，任务结束后联盟也可以解散。
04团队真正需要共享的，不是文件，而是可续跑的认知状态
多人共同完成一件事，能不能把每个人的知识和结果共享出来？传统答案是建文档库、共享代码仓库、把资料放同一空间。但今天真正缺少的，不只是共享文件，而是团队级的 Memory 和可以继续运行的 Workspace。
一份文件通常只能告诉后来者"最终写了什么"，却很难完整保留：最初为什么提出这个目标、中间试过哪些路径、哪些方案被放弃及原因、每个人基于什么上下文判断、哪些冲突尚未解决、哪些结论已通过验证、下一步从哪里继续。而 Agent 的工作恰恰高度依赖这些状态——一个 Agent 把任务交给另一个 Agent，缺少正确上下文同样会导致任务断裂。
这也解释了为什么把智能体塞进现有 IM，并不一定等于 AI Native 协作：对话只是交互方式，任务、状态、工具、责任与协作关系，才是产品真正需要重组的对象。未来 IM 更可能成为智能体调用的工具，而不是智能体最终的入口。
05超级组织：企业内部会不会出现"能力市场"
如果 L1 解决一个人如何带着 Agent 工作，L2 解决多个超级个体如何形成团队，那么 L3 要处理的，就是多个团队之间如何交换能力和价值。超级组织并不是一个更大号的超级团队，而是一套跨边界的价值流通机制。
举一个简单的例子：一个团队做出了一套很好用的需求分析 Skill，另一个团队训练了熟悉特定行业的专家 Agent，还有一个团队封装了稳定的测试与合规检查流程。今天这些能力可能只存在于各自的文档、代码仓库或少数成员脑中。如果它们可以被发布、发现、授权、调用和评价，企业内部就可能出现一种"能力市场"：
- 被更多团队调用的 Skill，说明它解决了更普遍的问题
- 被持续复用的专家 Agent，说明它具备更高的组织价值
- 能显著降低成本或提高质量的流程，可以获得更多资源
- 低频、低价值、无人维护的能力则逐渐冷却
在 Agent 时代，沉淀方式发生变化：SOP 不只是被阅读，也可以直接被 Agent 调用；项目复盘不只是一份总结，也可以更新团队的检查清单和 Memory；一个团队的最佳实践，可以通过接口和权限被另一个团队直接使用。
06知识沉淀最难的部分，从来不是技术
会上反复被问：企业希望把关键员工的知识、经验和 SOP 沉淀下来，但员工会不会认为公司是在"蒸馏同事"，最终想用系统替代自己？技术上，"能够沉淀"不等于"愿意沉淀"。很多岗位的独门经验，本身就是个人职业价值的一部分。
AI 时代的知识管理至少要同时回答四类问题：
- 贡献问题：谁提供了原始知识？谁持续维护？系统能否记录不同人的贡献，而不是模糊成"组织资产"？
- 收益问题：能力被大量调用并创造价值后，原始贡献者能否获得认可、资源、收益或更大影响力？
- 边界问题：哪些经验属于个人，哪些属于岗位，哪些可在团队内复用，哪些必须受权限和保密限制？
- 安全感问题：如何让员工相信，沉淀经验不是在训练一个随时替代自己的系统，而是在放大他的影响力、减少低价值重复劳动？
这些问题解决不了，再好的 RAG、知识库和专家智能体也只能完成技术层面的封装。组织知识真正流动起来，依赖的是信任协议。如果信任机制没有同时建立，知识沉淀做得越彻底，员工的抵触反而可能越强。
07AI 的 ROI：不是"替掉了几个人"
企业投入模型、Token、智能体平台、系统接口和安全治理，如何证明价值？最直接的算法似乎是节省了多少人力、替代了多少岗位。但现实往往不是这样：一个岗位可能包含十类工作，AI 替代其中两类重复任务，增强三类分析和生成任务，剩下的部分仍需要人沟通、判断和承担责任。结果几乎是每个人的工作都被改变了一部分，却很难完整减少某一个人。
更合理的做法，是把人力成本、Agent 成本和 Token 成本放在一起看，并把结果放回真实业务：
| 视角 | 观察指标 |
|---|---|
| 软件工程 | 需求交付周期、发布成功率与工程质量、Agentic coding 采纳率、缺陷与返工、规则与 Skill 复用 |
| 其他岗位 | 流程周期、重复劳动、响应速度、知识跨团队复用、相同规模团队承接更复杂工作、业务结果改善 |
AI ROI 的核心不是证明机器完成了多少动作，而是判断：在人力、模型、工具和治理的单位综合成本下，组织是否获得了更快、更好、更可复用的结果。未来 Token 可能像云资源、软件订阅和人力一样，成为经营成本中的常规类目。真正决定 Token 需求的，是有没有让 AI 进入业务的深度，而不只是有多少人偶尔提问。
08实现越来越便宜，产品判断反而越来越贵
AI 让开发变快以后，会不会导致团队还没想清楚就直接把产品做出来？过去因为开发昂贵，大家至少会认真论证；未来一个下午就能形成原型，会不会反而制造大量没人需要的产品？
我的看法很直接：很多用户提出的不是需求，只是建议。把建议抽象成通用需求、判断价值和 ROI，仍然是产品经理应该做的事情。AI 正在快速降低"怎么做"的成本，却没有同步降低"做什么"和"为什么做"的难度。甚至，实现越便宜，判断越重要。
快速试错当然有价值，但"可以快速验证"不等于"无需定义问题"。一个缺少真实场景、用户动机和价值判断的产品，即使开发成本接近于零，仍然会消耗注意力、渠道、维护成本和组织信用。
09企业转型：既不是自上而下，也不是完全自下而上
传统行业听众问：想借鉴腾讯经验，应该由管理层直接推动组织变革，还是先从基层培养超级个体？答案可以概括成一句话：上面给方向和红线，下面先从真实工作里长出超级个体。
这是一条介于顶层设计和自发生长之间的路径。管理层需要明确安全、合规、数据和运营边界，允许员工在边界内使用 AI，并为工具、模型和接口提供基础条件；但具体场景不一定要由高层一次性规划完成，而应由最了解工作的人，从自己的 SOP 中找到机会。
以中小企业为例，第一步不是先提出"打造超级组织"，而是识别关键岗位和关键流程：让 AI 进入真实工作流、长出超级个体；多个超级个体开始共享状态，形成超级团队；团队能力进一步被复用和评价，才可能走向超级组织。L1、L2、L3 不是三个可以同时采购的功能模块，而是能力逐层生长的过程。
10我们真正要重新设计的，是组织中的连接方式
我最想表达的不是某个具体产品功能，而是一种观察 AI 的尺度：
- 只看个人 → 把 AI 理解为效率工具，一个人更快地写代码、做文档、分析数据
- 看团队 → 多个被放大的人如何共享上下文、处理分歧、合并产物、沉淀团队 Memory
- 看组织 → 能力如何跨边界流动、贡献如何评价、资源如何分配、安全和信任如何建立
"协议"并不意味着再增加一套繁琐制度。恰恰相反，它意味着减少大量靠人反复解释和手工推动的连接成本，让人、Agent、知识和工具能够在明确边界内更自然地协作。
但这不是技术乐观主义的结论。协议不会自动出现：共享 Memory 可能伤害隐私和安全感，能力市场可能过度奖励热门能力，低成本试错可能制造更多噪音，强大的 Agent 也可能把错误目标执行得更快。
所以，AI 越强，越需要人认真回答一些旧问题：什么值得做？谁来负责？谁创造了价值？谁承担失败的后果？个人与组织之间应该如何建立信任？AI 没有让这些问题消失，它只是把执行层的成本迅速压低，让这些过去被流程和人力掩盖的问题更早地暴露出来。
AI Native 的终局不是工具，而是组织协议
L1 人机协作 → L2 团队协作 → L3 组织价值，能力逐层生长。个人是起点，团队是关键，组织是方向；而贯穿始终的，是信任、责任与连接方式的重构。