一个反直觉的事情正在发生：大模型和通用 Agent 越来越强，但 AI 越强，人越不可替代——不过不是随便的人，而是有判断力的人。
我最近一直在想一个问题：当智力这种资源从稀缺走向廉价，什么才会成为新的稀缺品？答案不是"更聪明的 AI"，而是人的专业判断力。而真正把 AI 落地做好的关键，不是让 AI 更通用更强大，而是把通用 AI 智能和稀缺的人类判断力结合起来，形成一种新的组织形态——我称之为 AI 原生组织。
这个判断背后有严密逻辑，我讲清楚。
智力正在廉价化
这不是预测，是已经在发生的事实。
2026 年 5 月，国内大模型周调用量突破 7.9 万亿 Token，连续两周超过美国同期的调用量。西门子在全球 19 个国家超百家企业试点中，工程效率提升约 50%。Anthropic 的研究数据说，AI 可以把某些任务的速度提升 80%。世界经济论坛的报告预测，AI 将影响 8500 万个岗位，同时创造 9700 万个新岗位。
这些数字指向同一个结论：能够被抽象为信息处理的智力任务，正在被 AI 大规模接管。写代码、做分析、生成方案、处理文档——这些曾经需要高学历和高薪才能完成的工作，正在变成一种廉价的、随时可调用的基础设施。
就像算力曾经是稀缺资源，现在变成了按需付费的云服务。智力正在走同样的路。
但 AI 的智能是锯齿状的
智力廉价化是真的，但"AI 足够强"和"AI 足够全"是两件完全不同的事。
斯坦福 2026 年 AI Index 报告揭示了一个让人很难忽视的现象：前沿模型在科学基准和竞赛数学上已经超越博士水平，但读模拟时钟的正确率只有 50.1%。能重构 10 万行代码的顶尖模型，会建议你走路去洗车店洗车——Karpathy 把这个现象叫做"锯齿状智能"：锋利处无坚不摧，钝处连纸张都难以划破。
竞赛数学
正确率
Joshua Gans 今年 1 月在 NBER 发表了一篇正式论文，把锯齿状智能建模为系统性现象，而不是偶然的 bug。他的论点是：这不是 AI"差一点就能赶上"的问题，而是 AI 的智能形态本身就是锯齿状分布的——某些维度极高，某些维度极低，中间有大量凹槽。
更让我受到冲击的是普林斯顿认知科学家今年 3 月提出的一个概念："认知暗物质"。他们做了一个很简洁的测试：让 GPT-5、Claude Opus 4.5、Gemini 3.0 Pro 各自写一个包含三道国际象棋"一步将死"残局的网页应用。没有一个模型能稳定通过。不是因为代码能力不够——生成的 HTML/CSS/JS 几乎无可挑剔——而是生成的残局本身无效：黑方已被将军，残局已经结束。任何一个下过象棋的人一眼就能看出这个错误，但 AI 没发现。更关键的是，模型已经导入了能验证棋盘合法性的 Python 棋类库，拥有发现错误所需的全部工具，只是从未想到要用它来检查自己的输出。
研究者从这个测试出发，识别出 AI 缺失的 7 个关键认知域：元认知（知道自己知还是不知）、认知灵活性（策略无效时快速切换）、情节记忆（记住具体事件并指导未来行动）、终身学习（不忘旧知的前提下持续学新）、溯因推理（从结果推断最可能的原因）、社会常识推理（理解人际不成文的规则）、情绪智能（在敏感场景恰当回应）。
他们的结论很尖锐："这些能力不是可有可无的附加功能，而是人类在复杂、不确定、有情感张力的真实世界中稳定生存和合作的基础。"
这正是我说的"锯齿的凹槽"。AI 在某些维度上已经超越人类，但在这些凹槽维度上，差距不是"差一点"，而是"差一种东西"。
凹槽里生长的东西，叫判断力
锯齿状智能的凹槽，正是人类专家判断力的栖身之所。
我对判断力的定义是：面对一个具体场景和问题时，能根据实际情况，凭借专家经验、知识和直觉做出的有效决断。
这个定义里有几个关键要素。第一是场景嵌入——判断力不是抽象推理，它是在具体情境中产生的。第二是经验压缩——专家的判断来自长期实战积累，包括大量隐性知识。第三是综合感知——人的判断不只依赖文字和数字，还依赖视觉、触觉、空间感、情境感，甚至情绪。第四是直觉——直觉不是玄学，是大量案例经验压缩后的快速模式识别，但它依赖于综合感知而非单一模态。
判断力和"专业知识"不是同一件事。专业知识可以写成教科书，可以被 AI 学到。判断力是在真实场景中反复锤炼出来的决断能力——它需要你和现实世界的持续接触，需要在错误中积累对边界的感知，需要承担决策后果的勇气和责任。
AI 的结构性缺陷不是"不够聪明"，而是感知维度的天然缺失。大语言模型是线性的、基于文字-语义的系统，它对物理世界的感知是被压缩过的二手信息。人类的判断力建立在综合感知上，这些维度共同参与决策。加更多上下文窗口、接更多数据流，解决不了这个根问题——因为输入端的维度本身就是残缺的。
MIT 的实验还揭示了另一个结构性缺陷：当推理步骤超过 20 步时，模型的逻辑一致性会下降 40% 以上。人类可以维持数小时的连贯思考，模型在 500 个 token 之后就开始漂移。这也是锯齿——长程推理的断裂不是偶然失误，是线性的文字-语义架构的内在限制。
所以我说的判断力稀缺，不是在说"人比 AI 聪明"，而是在说：判断力的产生需要和现实场景的持续接触、需要综合感知的参与、需要长程推理的稳定性——这些是 AI 的结构性缺陷，不是能力缺陷。补信息量补不了这个缺。
当然，我必须坦诚标注一个时间边界：锯齿状智能的凹槽正在被部分填平。SWE-bench Verified 上，领先系统一年内从约 60% 升至 80% 以上。Gartner 的数据说 75% 的企业级 AI 系统将在 2026 年具备多模态能力。感知维度在扩展。所以我的论点不是"AI 永远做不到"，而是"在当前的结构性约束下，AI 的智能形态本身就制造了持续的人类优势空间"——这个空间的大小会变化，但形态本身不会很快消失。
真正的稀缺品，需要新的组织来释放
判断力稀缺了，但稀缺的东西不会自动产生价值——它需要正确的容器。
在现有组织里加装 AI 工具，只能解决单点提效的问题。整个组织的提效有限，因为组织的协同节点是人，人被困在旧组织和旧流程里。就像把超级引擎装进老爷车，引擎再强也跑不起来。
AI 从人机协作开始，有一个自然的演进路径：从助理角色进入工作流程，到同事角色完成独立任务并与人类协作，再到负责全流程驱动人类工作，最终通过重塑整个组织工作流完成流程再造。到了这个阶段，整个组织的人机料法环要素都围绕 AI 建设和流动，生产力才能被指数级释放。
但这不是随意能到达的终点。在这个最终形态里，人和 AI 的分工有一个清晰的三层架构：
人类战略决策者决定"做什么"——这是最高层的判断力，负责方向、取舍、风险偏好。AI 管理层决定"怎么做"——它是执行流程的驱动者，负责资源调度、任务分配、流程编排。人类专家执行者负责"做 AI 做不好的部分"——这是锯齿凹槽中的专业决断，填补 AI 的结构性盲区。
判断力的稀缺性在这三层架构中得到了两层保护：顶层是战略判断力，底层是场景判断力。AI 的"驱动"限定在执行流程的管理层面，不触及这两层判断力。
已经有人在验证了
出门问问在过去一年多做了一场很激进的组织重构实验。全职员工从 222 人降至 150 人，人均营收从 54.2 万增至 97.8 万，总员工成本从 8100 万降至 4190 万。创始人李志飞说得很直接："AI 是主力，甚至 AI 本身也是组织者。"在他的设想中，智能体自主完成任务的比例超过 90%。
出门问问发布了一套 AI 原生协作平台 CodeBanana，以项目为核心单元，群聊、Agent 和独立工作区三合一，支持跨项目 Agent 协作。他们的衡量标准也变了：Token 在组织中的占比已经超过人力成本的 15%，李志飞认为 Token 就是 AI 时代的新度量衡。
软通动力走了另一条路——在万人规模的组织中推进 AI 原生转型。据其 2025 年报，AI 相关业务营收 184.66 亿，占总营收 52.6%，80% 以上标准化工作已智能化处理。组织架构也在重构，中层管理者的角色从监督执行转向赋能人机协同。
金蝶灵基在 2026 年 AI 峰会上宣告"抛弃+AI 的裱糊匠思维"，AI 切入企业关键业务流程而非停留于办公效率。联想杨元庆在 2026 年誓师大会上直接说："联想要成为 AI 原生的公司。"
这些案例指向同一个方向：组织的要素正在围绕 AI 重新流动。
指数级释放的两个机制
我说的"指数级释放"不是修辞，有两个可解释的机制。
第一个是规模维度。在传统组织中，业务扩大必须扩招人类员工，而人类员工的规模增长会带来管理成本和组织摩擦，组织协同效率越来越低——这是管理学里"规模越大效率越低"的铁律。但在 AI 原生组织中，业务规模增长主要靠加算力，组织摩擦不再随规模膨胀。这打破了传统组织的规模诅咒。
出门问问的数据已经在验证这一点：人数减少 32%，人均营收增长 81%。不是因为每个人更努力了，而是因为组织结构变了——AI 接管了大部分协同节点，人的判断力作用在更大的规模上。
第二个是速度维度。传统组织的业务运作需要靠人类沟通、推动、协同，效率低下且断裂。而 AI 通过信号交互的效率是千百倍的提升。感知环境变化、分析数据、操作系统执行——这个闭环在 AI 原生组织中几乎能瞬间完成，相较于之前人类组织运转的卡顿和断裂，效率获得的是节奏层面的改变，不是简单的"更快"。
但我必须坦诚面对的风险
写到这里，我不能假装一切都已验证。
第一，锯齿状智能的凹槽正在被部分填平。SWE-bench 的跃迁式进步、多模态能力的快速普及，都提醒我：感知维度的缺失是当前的结构性约束，不是永恒的诅咒。我的论点有时间边界——它基于 2026 年中期的技术格局，而不是对未来的终极判断。
第二，AI 原生组织的成功案例还太少。出门问问是 150 人规模的科技公司，软通动力的转型还在推进中。当前多数企业转型仍停留在"加 AI"阶段，真正跑通"AI 原生"路径的不多。李志飞自己说得很坦白："不是所有公司都能马上跑通。"他筛选合作企业的标准是 CEO 必须是"独裁者"且"对 AI 转型极度渴望"——组织转型有严苛的前置条件。
第三，"指数级释放"缺乏长期数据。出门问问的数据是半年维度，软通动力是季度维度。没有 3 年以上的追踪证明这种增长可持续。我标记这个空白，而不是假装它已经成立。
这些风险不是否定论点的理由，而是标注论点边界的必要步骤。忠于事实比忠于原始想法更重要。
一个正在验证的假设
回到开头的问题：当智力变得廉价，什么才是稀缺的？
我的回答是判断力——基于综合感知的决断能力，生长在 AI 锯齿状智能的凹槽中，是人类结构性不可替代的东西。
但判断力的稀缺不会自动转化为价值。它需要 AI 原生组织作为容器——组织的要素围绕 AI 建设和流动，人的判断力在三层分工架构中发挥作用而非被淹没，生产力通过打破规模诅咒和重构运转节奏实现指数级释放。而要让这种组织形态在企业中稳定落地，需要的不是更多工具，而是一套底层架构——企业级 AI 操作系统。操作系统是原生组织得以运转的底层架构——没有操作系统，原生组织只是理念；没有原生组织，操作系统只是工具。这正是我在做的事。
这是我正在验证的假设，不是我已经证明的结论。
验证它的方式很具体：观察 AI 原生组织在 3 年内的运营数据是否持续支撑"指数级释放"的断言；观察锯齿状智能的凹槽是否在缩小还是在产生新的凹槽；观察三层分工架构是否能在更大规模、更多行业的组织中稳定运行。
如果 3 年后数据不支持，我会修正这个假设。如果支持，它就不只是假设了。