AI的瓶颈不是算力，而是……

本文来自微信公众号：范凌的泛谈，作者：范凌的泛谈，题图来自：AI生成

这是一篇标题党，AI的瓶颈当然有算力，但是我想从另一个角度来讲，AI的瓶颈是人，以及我们长期依赖的那套组织结构。

如果你只看外部世界，故事会被讲成：“算力决定上限，模型决定能力，数据决定聪明。”

但如果你在一家真实公司里“all-in”AI，你会看到另一条更刺眼的曲线：AI 的能力增长几乎是指数级的，而组织的适配速度是线性的，甚至是阶梯式的——靠预算、靠会议、靠共识、靠一层层的批准。

于是瓶颈出现了：

AI 能做什么，不再是问题；

组织敢让 AI 做什么，才是问题。

一、一个“看起来不错”的数字，暴露的是组织的保守

2025年年初，我问特赞的技术同学：现在有多少代码是 AI 写的？

他们给了我一个特别“行业标准”的答案：30%。

这个数字很尴尬，既不知道是好，还是不好？

你用“降本增效”的框架看：30% 好像还不错。但核心问题是：你到底在跟谁比？你是从 0% 到 30% 的进步？还是本来可能 100%，甚至150%、300%，而你只做到了30%？

二、我们把抽象问题变成实在的体感

所以不能只站在台上讲“AI 将如何改变组织”。

我想知道：它到底怎么改变？边界在哪里？代价是什么？错会犯在哪儿？

于是2025年4月，我自己重新当回产品经理，CTO@XD做开发工程师。

两个人组成了一个临时的项目组，要试一试到底怎么用AI从零到一的做一个产品。

我们干活时间基本是晚上九点之后和周末，但动机就是：如果我想知道组织里到底有多少事情可以被 AI 改变，那我就必须自己把手弄脏，做一遍。

Atypica.AI就是这么做出来的，我们用了两到三周做出第一版。

然后我们回头重新回答那个问题：有多少代码可以由 AI 写？

答案几乎是“令人不适”的：99% 的代码，都由 AI 写。

XD还跟我凡尔赛：“范老师，你知不知道，等 AI 写代码也挺花时间的。”

他早上出门前给 Cursor 发了一个指令，半小时后到公司：“写完了。”

因为它揭示的不是“AI 很强”这件人人都知道的事，而是另一件更少被讨论的事：限制 AI 产出的，不是模型能力，而是人的组织方式。

三、组织分工，正在从“砌砖”变成“三维打印”

传统组织的逻辑，是工业时代的逻辑：分工精细、链条清晰、角色固化。

学校的专业也是同构的：设计、产品、前端、后端、测试、运维、商业化、GTM……

原来一个项目一启动，就是20 个人的配置，因为你需要覆盖这些工种。

这种结构像“砌砖”：有人负责门，有人负责窗，有人负责砌墙，有人负责装修。分工越细，每个人越像工具人。而组织的“协作成本”会随着规模上涨得非常快。

但Atypica这个始于两人的AI项目，工作方式完全不同。它更像“三维打印”：整体生成，一气呵成。

你想改一个功能，不是“找前端、找后端、找测试再拉通”，而是基于既有结构，重新生成一遍。

这就意味着：AI 原生工作流会天然地把传统角色边界冲淡。

未来组织的主轴，很可能不会是“千行百业的岗位分类”，而是两类人的互动：

• 面向客户的人（理解问题、定义价值、交付结果）

  
  

• 面向产品的人（把交付固化成系统、把经验固化成能力）

 

而前端/后端/测试/运维/商业化这些传统切片，会越来越模糊，甚至内嵌进“一个人的多重角色能力”。

所以我觉得：2024年的Cursor是在帮程序员提高写代码效率，2025年的Cursor是取代程序员，帮那些“需要用程序解决问题的人”。

以前他们不会写代码，所以只能靠别人。现在 AI 把缺口补到 80 分、85 分——组织结构自然要重算。

四、当 AI 能做到 85 分，人该干什么？

AI的工作能够打多少分？以最成熟的AI写代码为例：

2024年工程师会跟我说：AI 写代码大概 50 分。

2025年我问，他们说大概 85 分。

这不是一个技术进步的小故事，而是一个组织命题：

如果你对交付的要求就是 85 分，那人确实可以退出；

 

如果你要求 100 分，那人的价值从 85 分才开始。

AI 并没有让人“更轻松”，它让组织变得更诚实：它逼你回答一个问题——你雇人的目的，是为了完成 60 分的执行？还是为了拿到 100 分的结果？

过去很多岗位的存在，是因为系统只能做到 60 分，所以需要人补漏洞。现在系统能做到 85 分，补漏洞的人会被边缘化。

真正变稀缺的，是能定义“100 分是什么”，并且愿意为它负责的人。换句话说：AI 抬高了对组织交付的下限，也抬高了对人的要求。

五、我们在公司里做的改变，其实都不是“技术动作”

很多人以为 AI 转型要从 IT 部门开始，要从 HR 的培训开始。但我们的体感恰恰相反：AI 不是一个部门的事，它是一个“组织范式”的事。

过去一年我们做了不少实践，我也不敢说能当经验输出。举几个很具体的例子：

第一件事：把管理会变成“AI 推动会”

我们以前每周/双周开经营管理会——看数字、对齐、数字没完成就骂人。这非常工业时代。

今年我们没有“宣布取消”，但它确实慢慢就不开了。取而代之的是：每两周开一个管理者的 AI 推动会。

一开始大家当然会敷衍：“我用 Lovable 做了个有趣的玩意儿。”

我就直接说：别来锦上添花。

慢慢地，它越来越接近业务实质：他们开始讲怎么给客户创造价值，怎么做新品研发。

新品节奏从过去一季度/两季度一次，变成现在几乎每个月多个。

这背后不是工具，而是管理者开始把 AI 当成“业务杠杆”，而不是“个人技能”。

第二件事：做了一个培训与认证：ABC+

ABC+（AI Builders & Creators Plus）——我们自己的名字。

请外部讲师扎扎实实教非技术背景的同学们这么用：Cursor、Lovable、Dify、Claude Code 等各种工具。

有意思的是：我们不可能覆盖全公司。

于是它反而成了一种“识别机制”：谁愿意主动来学，谁就更可能是下一代的 leader。

我们用工具引入，筛出了组织里“愿意改变的人”。

第三件事：Non-Tech 黑客松

我们组织了一个给非技术同学参加的黑客松，最终的获胜项目非常“组织学”：销售 + 市场组队，用 Cursor 和 Dify 搭了一个工作流，把我们每年 300–600 份 PRD 转成客户可以理解的语言的一页纸。

这件事妙在哪里？

• 业务通过AI直接读懂研发在做什么，不再需要“翻译层”；

  
  

• 一页纸可以直接转发给客户，变成 600 发独特获客的子弹；

• 研发没有增加额外负担。

它本质上是在减少组织耦合：减少对齐、减少拉通、减少会议。

而这正是 AI 的“剩余价值”应该被用在的地方。

六、组织的最小单元，会越来越小：高内聚、低耦合

我想推动一种组织的状态：高内聚、低耦合。

但现实是：组织越大，群越多、越大。

3 人的项目群很快变 50 人群，大多数人在大多数时间都在围观、被对齐、被拉通。

这是一种很讽刺的组织现实：你越想减少会议，越会制造会议空间，因为你需要靠“同步”解决“协作失败”。

AI 给了我们一个重新设计最小单元的可能性。

原来研发一个新产品可能需要半年、20 个工种、20 个人起步。

而我们那个 AI 原生产品Atypica.AI，两个人起步，到现在 CTO 都坚持尽量少的工程师。

不是因为人越少越快，而是因为小团队能完成完整价值闭环，接触的人更少，闭环更短。

这才是真正的高内聚。

当然挑战也很现实：我们的客户和合作伙伴，很多还是低内聚、高耦合。所以会出现“时差”，但我相信趋势不会变。

七、领导者不会消失，但“协调型中层”会变得尴尬

有人会问：AI 让团队能自动转起来，那还需要 leader 吗？我很确定：需要。甚至我觉得 leadership 更重要。

但我也可以坦诚地说：公司里对协调性的中层干部的需求越来越弱了。

为什么？因为他们原来有一个核心工作：协调资源。

当最小单元变小、每个人能力边界变宽，资源协调就不再是全职工作。

这会让中层干部出现一个典型困境：你不能停在原来的位置。

要么往前走：成为能带队冲锋的 leader；

要么往上走：把责任边界从一亩三分地拓展到一座城。

八、AI 是 CEO 推动变革的“最佳理由”

我刚才讲的很多事，都不算“科技公司专属”。制造业、零售、服务业一样成立。

因为 AI 的本质不是某个工具，而是一个政治学意义上的“共识工具”：CEO 永远想推动变革，只是缺一个让所有人认可的理由。

AI 是目前最强的那个理由。

更重要的是：工具才是真正能落地价值观的东西。

我喜欢读政治哲学、马克思理论，政治哲学的核心价值观是“产权矛盾”；但是你讨论得再深、理解得再透……真正落地改变“产权矛盾”的，却是 Airbnb 等共享经济的产品。

所以，AI 是企业 leader 实现价值观的一种手段。

你想让每个人对结果的 ownership 更完整——OKR 是一种方式，但它更多是“知道目标”。

AI 让你真的有能力去“拥有结果”。

九、能力可以补，要求补不了

在今天这个时代，你可以没有能力——能力可以靠时间、靠工具补齐。

但你不能没有要求。尤其是 AI 出现之后，我越来越相信：一个人真正的护城河，不是技能，而是对“自己产出”的审美要求、判断要求、责任要求。

你可以暂时做不出你想要的东西，但你必须知道“你想要的东西应该是什么样”。

这种要求非常难培养。

因为 AI 可以把你从 0 拉到 85，但它无法替你回答：什么是 100 分？为什么值得？你愿不愿意为它负责？

AI 转型，是“人类自我更新”的过程。

我们一开始说：AI 的瓶颈不是算力，而是……

现在，这个省略号可以被填完整了。

不是算力。

不是模型规模。

甚至也不是技术路线。

而是：人，是否准备好改变；组织，是否敢于被重构。

算力解决的是“能不能算得更快、更准”；模型解决的是“能不能覆盖更多可能性”。

但这些都解决不了一个更根本的问题：当 AI 已经具备能力时，谁来为结果负责？组织是否允许这种责任重新分配？

如果人的角色仍然被锁死在工业时代的分工里，如果组织仍然围绕“协调资源、对齐流程、避免风险”而设计，那么再强的 AI，也只能被用到 30%。

不是因为它不能做到更多，而是因为系统不允许它做到更多。

这也是为什么，我们越来越清楚地意识到：

在谈 AI 的企业转型时，如果讨论只停留在产品、技术、业务模型，那本质上是在回避真正困难的那一层。

因为那一层触及的是：

• 人的身份是否会被重新定义

  
  

• 组织的权责是否会被重新分配

  
  

• 领导者是否愿意放弃“协调”，走向“承担”

我们是一家 AI 软件公司。但越深入，我们越发现：

真正的挑战，不在于“把 AI 做成工具”，而在于是否愿意让这些工具，反过来重塑我们自己。

我们当然在创造工具。

但更重要的，是观察并参与一个更慢、也更艰难的过程：

• 工具如何重写业务的价值链

  
  

• 工具如何压缩协作成本

   

• 工具如何逼迫组织走向更高内聚

  
  

• 工具如何让人重新拥有“完整的 ownership”

所以，如果一定要给那句话一个最终版本，我会这样写：AI 的瓶颈，从来不是算力。

而是……人是否愿意升级，组织是否敢于被重新设计。

我们先塑造了 AI。而现在，AI 正在逼我们回答一个更大的问题：我们，是否准备好被自己创造的工具重新塑造？

这，或许才是 AI 时代真正的转型起点。

也正因为如此，我在思考下一个问题：对于特赞，真的做一家 AI 工具和技术公司，就够了吗？

本文来自微信公众号：范凌的泛谈，作者：范凌的泛谈