Repository navigation
外界怎么解读 AI-Native？—— Transformation 是演进，不是一步到位（#106 的对外解读） #108
xg-gh-25
started this conversation in
Show and tell
Replies: 0 comments
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment
Uh oh!
There was an error while loading. Please reload this page.
Uh oh!
There was an error while loading. Please reload this page.
#106 发出来之后，有人问了一个好问题：外界都在谈 AI-Native，你们和他们说的是同一件事吗？
我把外界的解读扫了一圈（咨询、工程、VC、组织研究、中文语境，出处附在文末）。结论是：大部分人在回答"AI-Native 长什么样"，很少有人回答"一个已经跑着业务的组织怎么走到那里"。
而后者才是难题。所以这篇不做流派对比 —— 我把 #106 的主线摆出来，外界的每一条证据都挂在这条链的某一环上：要么给它背书，要么对它施压。施压的那几条我会明确说"这条我们没有答案"。
一、先定义 AI-Native，否则各说各话
这是必须放在最前面的一步。"AI-Native" 在外部语境里理解极度分散，不先定义，后面每句话都会被翻译成别的意思。
承认这一点，就有三件事必须重新定义：
Human in the Agents loop（Agents 主导执行，人在关键节点判断/审批/接管）×Agents in the Human loop（人主导流程，Agents 参与协调/评估/验证）外界给的是终态判定，不是组织定义。 两个流传最广的测试都很好用：
这两个测试的优点是不可自我美化。但它们判定的是产品架构，不是组织；而且它们是给从零开始的公司用的 —— 一家 10 年历史的公司做这个测试，答案必然是"现在不 native"，然后呢？测试不回答"然后呢"。
IBM 自己还说了句很老实的话：这个词大量被当营销词滥用，且随着 AI 普及，它的效用会逐渐消失。
二、调性：速度不是目的，是结果
外界从反面证明了这一点。 两条独立证据：
把这两条放在一起，会得到一个很有用的检测器：AI-washing 的技术特征，就是只能出示 input 指标（采纳率、token 数、席位数）。所以"你在量什么"本身就是最好的 AI-washing 检测器。
反过来对我们也成立：我们哪天开始拿采纳率汇报，我们就是被批评的那一类。
三、什么不变 —— 这一节缺了，整件事会被读成"门槛降低了"
这是最容易漏的一节。只讲"什么要重新定义"，听众会得出反向结论：AI 时代对人要求变低了。
LP + EE/OE → Outcome这个内核不变，而且在 AI 时代要求更高：门槛不是降低了，是转移了 —— 从写代码转移到工程判断力上。
外界唯一同调的一家是 Thoughtworks，而且它是主动给这波降温的：
这就是我们 T4（EE/OE 是速度的前提而非代价）在外界的独立版本。差别是：它说"要有监管"，没说监管怎么随阶段变化。
四、主线：每一步都是上一步逼出来的
主线任务一句话：把组织从"用 AI 提效（~2x）"变成"人 + Agents 的复利系统（Nx）"。
而且这是演进，不是一步到位：Phase 1（人驱动·AI 辅助，
<1.5x）→ Phase 2（人决策·AI 执行，Spec-Driven，2x+）→ Phase 3（人监督·AI 自主，DDD+SDD+TDD，4x+），且 Phase 2 与 Phase 3 并行推进；底下是四级递进 Spec-Driven → DDD → Autonomous → Agentic OS，跳层 = 地基不稳。每个 Theme 解决什么，删掉会怎样
T1 最强的外界背书，来自一位组织学者的实地观察：他两年内谈了约 300 位大企业领导，没有一个拿得出 robust 的 AI transformation —— 登录数、token 用量、use case 都有，局部 ROI 也有，但"为什么没看到更好的软件？"
他引的这句，是对"瓶颈转移"最精确的表述：
这就是 Phase 1 的天花板被实证了：Phase 1 = 个人自由发挥、Copilot 补代码、只覆盖 30% lifecycle。300 位领导都卡住，是整个行业卡在 Phase 1 的证据。
两组数字给 T5 定了性：BCG 说只有 5% 的企业拿到规模化价值；MIT 那份报告说 95% 的 GenAI pilot 没有可衡量财务回报（这个 95% 后来被指出有夸大/误读，但方向没人反驳）。
而 workslop 正好是跳过 T3 的后果：HBR 记录了这个现象 —— AI 生成的"看似完整、实则无用"的产出，反向摧毁生产力。上游没有 Spec 纪律就让 AI 大量产出，产出的是需要别人返工的东西。
一个关键观察：外界的反方，没有一条在反对"要演进"，它们反对的全是"跳过演进"。
用 #106 的话说，这是一份"跳层 = 地基不稳"的实证清单。反方是我们的证据，不是对手。
五、哪个最关键：T3 里的"判断力沉淀进系统"（DDD）
必须给答案，不含糊：T1 是一次性诊断、T2 是共识、T4 是底线 —— 它们都不产生复利。只有判断力进了系统，后面每一轮才比前一轮强，T5 的飞轮才有燃料。
这也是外界唯一真正空着的一格。有四处很接近，但沉淀的都是别的东西：
为什么这不是文字游戏：Spec 和 Skill 沉淀的是"该做什么、怎么做"，写一次然后照着执行。判断力沉淀的是"上一次我们判错了什么，于是这一类错误从此不许再发生" —— 它必须能被下一次交付强制读到，否则就是一份没人维护的 wiki。
这正是 #106 的核心主张：
AGENTS.md/ System Specs 解决的是导航，不是判断。而 DDD 的关键在于它一个动作解两件事 —— 各角色共养同一份 DDD（PM 养 PRODUCT、Engineer 养 TECH、QA 养 IMPROVEMENT），人养的 DDD 就是 AI 用的 DDD，同一份东西。所以组织转型与 AI 赋能是同一个动作，不是两件事。顺带说一个中文语境里已经出现的、和这条同向的实践 —— 角色牵引而非等员工自发转型：产品经理 → AI 产品经理，前后端开发 → 智能体架构师。同一家车企还给了一条很硬的治理判断：AI 审批替代人工审批后，追责逻辑变了（追业务人还是追 AI 训练者？），他们的原则是"只要模型准确率超越人类平均水平就应该上线"，管理中心从"单次审批"转向"审批模型的维护"。这是我见过对"责任=边界"最实的落地形态。
六、只做这些够吗？—— 不够
这五步是必要条件，不是充分条件。管不到的至少还有：业务判断本身对不对、模型/算力的成本与选型、数据治理与合规、以及人的意愿（愿不愿意把执行交出去）。#106 只解一个问题：当 AI 能执行了，组织和交付方式该怎么改。
① "AI 不减少工作，它加剧工作"（HBR）。如果人从执行者变成判断者，而判断量随 AI 产出量线性膨胀，人的负担是上升的 —— "Nx" 就可能是把执行的苦换成审阅的苦。我们目前的对策 1、在降低单次判断成本这个方向（gate 自动化、Eval-First、pipeline 只在关键节点要人），2、把输入边界清晰 + 有安全网 + 风险可控(bug fixing / AutoOps / AutoSecurity)的尽量自动化或者Autonomous。
② 判断力沉淀如果不带审计与追责，它进不了核心流程。 一份来自企业软件侧的观察给出了三个鸿沟：AI 没有你的业务知识 / AI 看到的信息是碎片化的（ERP、CRM、群聊、三方系统各存一块）/ 缺乏 AI 治理架构 —— 操作无法审计、无法追责，就永远只能做演示。 这正是 DDD 要解的；"谁对这条沉淀下来的判断负责"需要明确。而判断力一旦从"某个资深工程师、Domain Expert的经验"变成"所有 agent 都会继承的规则"，写错的杀伤半径变大了, 所以必须得审计。
想听听大家怎么看
Human in the Agents loop和Agents in the Human loop—— 一个组织里两种都会存在，但什么工作该走哪一个、切换的判据是什么？更难的是：同一件事在不同阶段可能要换 loop，这个切换谁来判断？S>T → 推组织、T>S → 拉个人。但最危险的格子是S3+T2（最强的人被流程卡住，最先离开）—— 这种情况下你会先做什么？出处
定义与终态判定
组织重设计（终态形状 + 5% 规模化）
工程纪律（唯一强调渐进的一家）
卡在 Phase 1 的实证
AI-washing 与 workslop
中文语境（政策 + 实践 + 商业模式）
entry-level 数据
未能核实
相关：#106 AI-Native Transformation —— 打造你的复利组织（人+AI Agents）
All reactions