你还没招一个人，却已经在管一家公司

前阵子，一个传统行业的朋友问我：为什么我把任务交给 AI，它交上来的东西，总跟我想要的差那么点感觉？

他什么都试过了：AI工具买了一圈，账号挑最贵的，还专门招了一个「提示词工程师」，折腾了小半年，团队效率是提高了一点，可始终突破不了最后那一层。AI 像一个能力不差、却要你把每件事交代到最细的实习生，而且转头就忘、随时跑偏、毫无自觉。

他这种困惑，我再熟悉不过。我自己做软件工程，天天都在AI真厉害和AI真蠢两种心情之间反复切换并且抓狂。而我们都听腻了那句话：以后你不是在执行，你是在协调 AI。这话没错，可它快成了一句正确的废话，被说得太多，多到没人再去想它到底什么意思。

AI 是一面镜子，映照出你的认知

最近还有一场热度很高的争论：模型一代比一代强，提示词工程（prompt engineering）、skills 这些技巧还有没有用？我的判断是，这场争论从起点就问错了。我们习惯把 AI 当成一头需要「调教」的野兽，于是有了提示词工程，有了各种「skills」和「hack」技巧，仿佛存在一套能让它听话的口诀。

提示词工程校准的从来不是模型，而是你自己的认知。

AI 不是野兽，是一面镜子：照得纤毫毕现，本身却没有主见。你给它模糊的指令，它回你一个平庸的、把网络上最大公约数的共识拼在一起的结果；你给它带着你个人洞察与品味的上下文（即你喂给它的全部背景信息），它才可能逼近你的判断。所谓「用得好」，考的不是你会不会写prompt，是你能不能把自己脑中那套隐性经验挖出来、说清楚。

这件事逼你回答一些平时躲得过去的问题：一份好的市场分析，「好」到底在哪——结构、用词、数据的呈现，还是背后洞察的锋利？你要 AI 写一封「有温度」的客户邮件，「温度」又由哪些词、哪种句式、哪种语气构成？这些东西过去都沉在几个资深专家的脑子里，被含糊地称作「经验」和「默契」。现在你必须把它们逐条写出来，翻译成 AI 能执行的语言。而这个翻译的过程，本身就是管理。

工具的上限，永远是使用它的人。同一辆能跑三百的跑车，有人贴着极限过弯，有人只敢开到一百，也有人一脚油门就撞了护栏；相机和画笔更是早就人手一份，可为什么有人成了摄影师、画家，有人对着同一处风景，拍出来的照片只配被伴侣数落两句？说到底，AI 照出的，就是你认知的高度。你的思维到哪，你的语言才跟到哪，模型也就被你激活到哪——三者的边界是同一条。

「你是在协调 AI」这句话不为人知的潜台词，也正在这里：你为了协调 AI 写下的那套标准、喂给它的那些上下文，反过来把你和你的组织，逼到了镜子跟前。你第一次被迫看清，自己脑中那些模糊的、隐性的、习以为常的判断，摊开来到底长什么样。

被调教的从来不是 AI，而是你。这份为调教 AI 而费劲搭出的那套上下文，最终映照到你自己身上，让你把工作流、判断标准、乃至品味，第一次外部化、显性化、结构化。

你明明没招一个人，却已经实实在在地在管一家公司了。这个结论如何从两条最底层的约束一步步推出来，就是这篇文章接下来要做的事。

一切的病根：AI的无状态性，与有限的上下文窗口

与其把 AI 当成一个要你操心的实习生，不如说它是个每天早上都会失忆的天才：智力不缺，记性归零，昨天教会的一觉醒来又是白纸。想弄清楚跟它协作为什么这么累，记住这背后两条根本约束就够了：

一. AI 的无状态性（statelessness）：它没有记忆，你说的每句话对它都是初次见面；你要它「记得」，就得每一次把相关上下文原样再喂一遍。

二. AI 的上下文有限（context window）：上下文窗口是它一次能「看见」的信息总量上限，像一张桌面，放不下的东西对它等于不存在。今天最强的模型，一次也就装得下一百万上下的 token——token 是 AI 处理文字的计量单位，粗略相当于一个字或一个词，一百万 token 大约是十来本长篇小说的量。而一个在公司待了三年的人，脑中那套关于业务、人脉、历史、经验的上下文，是个远超这个量级、还在动态更新的知识库。

人与人能高效协作，靠的正是这层看不见的共享上下文——知道对谁说什么、哪些是不必重复的常识、一个眼神背后是什么意思。AI 没有这层底座，它只是一台就着你当下给定的显性上下文运转的引擎。无状态与有限上下文这两条公理，是后面所有组织问题的物理地基。

沟通漏斗：你从执行者，变成了沟通者

由这两条公理直接推出的第一个后果，是一个经典效应被急剧放大了。管理沟通里有个经典模型，叫「沟通漏斗」（communication funnel），描述的是信息每传递一步都在损耗：

你心里想的是 100%，说出口的只剩 80%，对方听到的是 60%，听懂的是 40%，最终执行出来的，可能只剩 20%。

这个漏斗在人与人之间存在了几十年，为什么到了 AI 这里变得格外严重？因为过去这个漏斗有兜底机制。一个聪明的下属，察觉指令不对会停下来问你一句「这里我怎么觉得有点怪」，或者靠共享的背景知识自动补位，把漏掉的部分猜回来一些。人类协作有一张由追问、默契和常识构成的安全网。

AI 没有这张网。它不会追问，没有共享背景，它会带着那四十分的理解，以超人的速度和笃定，不知疲倦地朝一个偏掉的方向一路推进，最后把一份看似完整、细节丰富、根基却错了的东西交到你面前。漏斗没变，兜底机制没了。

于是你每天多出一件核心工作：把它偏离的地方，一次次校正回你真正想要的那个样子。这件事，和我辅导一个实习生的过程几乎一样——你不能只交代「做什么」，得把自己的思考过程、判断标准、要避开的坑，拆解到每一步讲给他，示范给他，再反复反馈。唯一的区别是：新人学会了，就成了团队里一个稳定的节点；而 AI，因为它的无状态性，你每一次都得从头再教一遍。

把一天的时间构成摊开来看，结论已经写在那里了：

在 AI 原生的工作方式里，每个人的工作，都从「执行者」变成了「沟通者」。

沟通的本质是消除不一致，这件事无论如何省不掉——何况 agent 远不像人那么自觉。你以为自己在执行任务，其实一整天都在做对齐。

每个实体，都升了一级

上面谈到的沟通漏斗，还只是一个人带一队 AI 时的内部损耗。等两个人各带一队 AI，问题就从「损耗」升级成「冲突」。

一个我见过的场景。张三让他的 AI，依昨天上午的会议纪要，去润色一版给客户的方案；几乎同时，李四让他的 AI，依昨天下午跟老板碰头的最新口径，去拟另一版。张三和李四在同一个群里，可他们各自的 AI，活在两个不同的信息宇宙——一个以「会议纪要」为准，一个以「老板密谈」为准。结果在一份共享文档里，两队 AI 互相改写对方的段落，各自都认定对方是错的，因为它们脚下那份「被依赖的事实」根本不是同一份。

这种冲突的根源在于，组织的最小原子单位变了：不再是「个人」，而是「一个人＋他手下那组 agent」的小组织。于是每个层级的实体都被推着升了一级——今天的个人，相当于过去的一个小团队；今天的小团队，逼近过去的中型组织；今天的中型组织，要面对过去只有大公司才有的局面。过去只有大组织才犯的病，跨部门对不齐、战略意图层层衰减、上下对目标理解不一，提前到小尺度就发作了。

我带过十个人的团队。那时候光是把十个人的想法对齐，就已经极耗心力：每个人的积极性、知识背景、理解不同，得不断沟通、拉齐目标、化解分歧。而现在，每个人身后还各拖着一队不知疲倦、毫无怨言、却随时会跑偏的 AI。你要对齐的，是十个人，外加他们背后那十队 AI——这是比以前更重10倍的负担。

也正因如此，一个只有5个人的小团队，就已经不得不需要常常坐下来对齐使命、愿景、价值观了。过去这些词被印在员工手册里、刷在墙上当标语；如今它们是整支队伍唯一还能共同坚守的不会动摇的部分，只有先把它对齐，各人手下那几队 AI 才不至于互相冲突，并不断把互相矛盾拉扯的内容堆积在团队的共享文档里。它们不再是一句口号，而是决定这个小团队是否还能正常运转的生死线。团队越大、存在越久、迭代越快，涌入的信息（用我在软件工程里的说法，就是熵）只增不减，这「对不齐」的病，只会顺着组织架构一路向上传染，越来越严重。

为什么传统的管理方法失效了？因为传统的管理层级，暗地里假设了它的成员是理性的、会自觉补位、能听懂言外之意的人。AI 离这个假设很远：它不自觉、不补位、只认字面，而且执行速度极快。所以过去 100 人规模的公司才需要动用的管理方法论，今天一个 5 人、10 人的小团队就得提前用上。你还没招一个人，却已经在管一家公司了，说的正是这件事。

解法：从细节倒推，直到使命、愿景、价值观

如果问题是自下而上逐级升级的错位与冲突，那么解法的方向恰恰相反：不是向下管住更多细节，而是向上追溯，再自上而下地建立秩序。

任何一个具体分歧，都能一级级倒推回某个更根本的判断。那封客户邮件写偏了，是因为客户背景没有喂给 AI；背景在上次的会议纪要里、却没有进入共享库，是因为没有人把「客户相关信息必须入库」定成规则；再往上，是你们从没对齐过「这件事到底有多重要」。一路追溯到头，多半会到达使命、愿景、价值观那一层。

最宏观的先对齐，细节才可能对齐。对齐之后，再自上而下传导，全部落到一个单一事实来源（SSOT, Single Source of Truth）上。

SSOT 的意思是，全公司只认这一份权威资料库——就像合同只认最新签字的那个版本，其他所有复印件、草稿、口头承诺都不算数。这就是给团队立一部「宪法」：它规定你们是谁、要去哪、信什么、承诺什么，是所有人类成员和所有 AI 共同的最终仲裁。在软件这个行业里，我把它的完整形态总结成过一座 SSOT 九层金字塔（见这篇），从使命、战略、承诺一路落到实现和证据，阅读自顶向下、产出自底向上。那座塔不在这里重搭；非软件团队不需要九层，但「宏观先对齐、一切落到唯一事实源」的精神是一样的。

一手证据：把对齐交给机器（a2a-first）

宪法立起来只是第一步，它还得在团队里低成本地流动。靠开会、靠口头一遍遍讲，成本太高，还必然在传递中再次掉进沟通漏斗。我们自己团队的做法可以作为一份一手样本，原则只有一句：

能 agent 对 agent（a2a）对齐的，就不要人对 agent；能人对 agent 讲清楚的，就不要退回人对人。

a2a 指的是让 AI 和 AI 之间直接通信、直接交换信息。落到基础设施上是四件事：所有人和所有 agent 共用同一份上下文，它可以是飞书文档、共享邮箱，或任何一个共享文档库，取决于团队的既有基础；我们自己用的是程序员惯用的 git 仓库。所有会议纪要自动转写、总结，进入这份共享上下文；每个人的 agent 挂着定时任务——到点自动执行的任务——定期把所有人最近的全部工作读一遍、总结一遍，交给自己的主人；agent 之间互读彼此的日报周报，自动判断哪里有协作点、谁需要支援、谁被谁卡住了，并主动提醒。

这套基础设施并不神秘：大量定时任务，加一点技术工程，把「对齐」从一件依赖自觉和会议的负担，变成机器每天自动执行的例行任务。

回到开头那位朋友的困惑。AI 交上来的东西总差那么点感觉，病根不在 prompt 写得不够好，而在于你还没有把「我到底要什么」想清楚、写下来，更没有让团队里所有的人和所有的 AI，都站在同一份写下来的标准上。当你的团队开始被 AI 搅得混乱不堪、各种对不齐的怪象层出不穷时，不必急着否定自己：那多半说明你已经走在正确的路上，开始亲身经历一个 AI 原生组织的「出厂设置」了。

一个人和一个小团队能做的，到宪法和 a2a 基础设施为止。等尺度继续放大——部门、事业群、成百上千人——这两条公理会把组织本身改写成什么样？下篇给出两个判决：部门，本质是一块「上下文有界的 token 分区」；公司，最终是一个阿米巴的联邦。请阅读下一篇《把公司搭成一个阿米巴联邦》。