当AI打掉中层：三家公司的组织扁平化实验

OpenMax 联合创始人 Charlie Hu 把团队从 80 人砍到 15 人，全年营收不受影响；李雪涛带领的天津软件公司把 60 人研发团队做了全面 AI 转型，利润率从个位数拉到 30%；Moox AI 产品副总裁 Elric Liu 所在的公司只有十来个人，AI Coding 占比超过 90%。三个数字背后，是同一个被反复验证的趋势：AI 把执行层压薄、把传话层切掉之后，管理这件事并没有变得更简单。

中层退场，谁的活变多了

三家公司走向截然不同，但中层这层缓冲结构消失是共同的。

OpenMax 做得最彻底。Charlie 砍掉了整个 BD 团队，原因很直接——客户看到来的是 BD，只回一句「你们老板呢」。他把客户开发交给 AI Agent：每天早晨 Agent 从他 LinkedIn 上的 8000 个联系人里筛出 20 条定制化触达建议，半小时过一遍就发出去。效率翻了数倍，但代价是：原来散落在 20 个人身上的判断责任——这个客户今天适不适合联系、这段话发出去合不合适、时机对不对——全部集中到他一个人身上。

李雪涛拆了四个传统部门，重组为 3–5 人的 FDE（前端部署工程师）特种小队，需求、研发、测试的边界被打通。以前需求从客户到研发要过三道关，现在一步到位。沟通成本下降的同时，另一个成本在上升：他每周固定越过项目经理，直接找一线同事单独聊 AI 使用情况。中层退出之后，信息的传导路径从「客户→需求→研发→测试」变成了「管理者→每一个个体」，管理半径实际扩大。

Moox AI 从一开始就没有中层，十来个人分两大块，产品和技术决策由 Elric 和 CTO 两个人拍板。好处是决策极快，坏处同样明显——他和 CTO 成了所有关键判断的最终出口。

中层退场之后，管理者的工作清单没有变短，只是条目从「管流程」变成了「管判断」。而判断这件事，做不到批量处理。

同一种 AI，两种人

三家公司都遇到了一个相似的内部现象：AI 没有获得一致的欢迎。

李雪涛的团队里出现了两种极端。一种人觉得 AI 万能，AI 产出看都不看就提交，结果大量需求遗漏和细节不一致在测试阶段集中浮现；另一种人给 AI 贴上「啥也不是」的标签，「还没我写得快」。对于前者，他要反复划定 AI 的能力边界；对于后者，他要帮他们找到真正能解决问题的场景，让他们先看见效果。

Moox AI 遇到的则是普遍惰性。前两个月配的 Coding Plan 还有 80% 没用，大家不是抵触，就是遇到事的第一反应永远是老路子。Elric 的解法带工程思维——公司每月设一笔奖金奖励在内部业务中用 AI 跑通小闭环的人，每周例会分享「最近拿 AI 做了哪些对业务有帮助的事」，做了的人拿真金白银，看到的人也产生参照。

Charlie 的做法更激进：他直接筛掉不具备自主性的人。「AI 再厉害，你不会主动问它问题，那就是不行的。」

三个管理者面对同一种工具，花了三份不同的精力处理同一件事。人和 AI 之间的距离，不由 AI 的能力决定，由人对 AI 的认知决定，而这个认知差距正在成为 AI 原生组织管理成本的新增项。

留下的 15 个人：活轻了，责任更重了

AI 原生组织里，「干活」这件事越来越轻——AI Coding 占比 90% 以上，销售文案一键生成，客户画像自动打标，周报由 Agent 自动抓取群聊整理。但「判断」这件事越来越重。

转型之前，李雪涛的精力大半花在盯进度、查代码、走审批流程上。转型之后，AI 把这些事接过去，他腾出来的时间被新的事务填满：跟过度相信 AI 的人聊边界，跟不信任 AI 的人聊方法，跟对转型有抵触的人聊心态。「人少了，反而会更关注每个人。」

Elric 描述了类似的场景。以前一个新需求进来，销售先理解一遍，转述给产品，产品再翻译给技术，三层传递每一次都有信息损失。现在销售可以直接用 Vibe Coding 搭出 Demo 给客户看，中间的翻译链被打通了。但最终拍板的压力也回来了——客户到底要什么、这个需求值不值得做，这类判断集中回到了他和 CTO 身上。

Charlie 把这个逻辑推得更远：人是 AI 的外围，通过线下活动、客户接触去触达外部世界，获得信息和反馈，再交给 AI。留在公司里的这 15 个人，核心任务不是执行，是采集和判断。以前一个人只对自己岗位的输出负责，现在他可能同时要对需求的理解、对技术的判断、对客户的共情、对 AI 产出的审核全部负责。

谁来兜底

三场采访中有一个词始终没出现在任何人的嘴里，但缠绕在每一段对话的底层——兜底。

BD 团队砍了，Charlie 每天早上花半小时审 20 条客户消息，他在兜底；
四个部门拆了，李雪涛每周越过项目经理找每个人单独聊 AI 使用情况，他在兜底；
配了 Token 没人用，Elric 设计奖励机制、立标杆、开分享会、一个一个推动，他在兜底。

这些事情找不到标准 KPI 来框。它不是流程，不是技术，不是岗位说明书写得清楚的东西。它是把 AI 放不下的那部分责任，由管理者一个一个接过来，用自己的方式扛住。三个人的做法各不相同，但内核一致：AI 做到 99%，剩下 1% 的判断，得有人来做。

Charlie 给出的判断最锋利：看 AI 是二等公民还是一等公民。有的人把 AI 当成牛马，「我给你钱你就得干活」；AI 原生组织是反过来的，人为 AI 服务。这背后是管理者把自己放在什么位置的选择——你是管 AI 的人，还是为 AI 兜底的人。这两个位置的日常工作量，天差地别。

AI 能替写代码、替写方案、替分析客户、替生成一切文字和数字，但它永远不会替说一句「出了问题我负责」。中层被 AI 打掉了，执行层被 AI 削薄了，传话的人没有了，冗余被烧得干干净净。留下来的这层管理者，干的活比任何时候都更接近管理的原始定义——在模糊中拍板，在不确定中兜底，在没人能替你判断的灰色地带自己往前走。这可能是 AI 原生组织到目前为止，最被低估的成本。