← Research

Concept · Organizational Design

AI Native:把 AI 当底座

传统组织把 AI 装在上层 ——当增强工具、当效率插件、当成本中心。AI Native 组织从底层重建工作流、组织拓扑与决策权:AI 先产出,人审核;团队十到百人撑起十亿美元营收;每员工产值 $1-3M,是传统 SaaS 的 10-20 倍。判别尺很简单 ——拆掉所有 AI,组织还能不能运转,不能,才算真 Native。

问什么是 AI Native 组织?和传统组织有何不同? 类别Concept 读时~26 min
路线图

从词义考古走到组织重生

六个停靠点。前两站做术语清场 ——AI Native 是从 cloud native 借词,且与 AI-enabled/AI-first 并非同义。中间两站是结构与运作 ——McKinsey 的五大支柱给出可诊断维度,工作流倒置给出与传统的最本质区别。后两站是后果与代价 ——单位经济跃迁是奖励,转型失败率是惩罚。最后由综合判断回收两个问题。

01 词源谱系 cloud → AI 借来的词 02 三段光谱 enabled→ first→native 03 五大支柱 McKinsey 诊断维度 04 工作流倒置 AI 先做 人审核 05 单位经济 $1-3M/人 10-20x SaaS 06 转型陷阱 Klarna 倒车 10% 规模化
Roadmap. 横轴是从语义到结构再到代价的推进顺序。答案分布在 03 - 06 节,综合判断段回收。

"AI Native" 这个词是借来的

"AI Native" 不是横空冒出来的。它是 2014-2015 年随 Kubernetes 与 CNCF (Cloud Native Computing Foundation) 兴起的 cloud native 一词的直接克隆2。Cloud native 当年也不是说"用了云",而是说"为分布式假设设计" ——容器、不可变基础设施、声明式配置、微服务、自动化运维。一整套从假设到工具到组织的重构。🟢 high

同样的修辞结构换到 AI 头上:AI Native 不是"用了 AI",而是"为学习系统假设设计" ——架构、决策、用户体验和系统全生命周期从一开始就由 AI 塑形1。IBM 把它写得直白:"AI 驱动到核心,不是后期加装"3。

Cloud Native 2014 - 2015 底座假设:分布式、不可变 容器 · K8s · 声明式 为云重设架构 不是"把代码上传到云" 借词 AI Native 2023 - 2026 底座假设:学习中、概率性 模型 · agent · 持续迭代 为 AI 重设组织 不是"在产品里加 GPT"
Fig 1. 修辞结构相同,但底座假设换了。两者都不是"用了 X",而是"为 X 重设"。

这层语义距离很重要。当一家公司说自己"AI Native"时,绝大多数情况是营销级误用 ——The New Stack 直白指出 :"今天的 AI Native 是 aspirational marketing,多数情况下只是想说'我们在用 AI',并没有真正的系统架构转变"1。🟡 med

Worked example

2018 年某银行把核心系统搬上 AWS,服务器换成 EC2 实例,把这叫 "cloud native" ——错。真正的 cloud native 应用是即便整个机房断电、整批节点被自动销毁,服务依然能在新节点上自愈重启的设计。同理,2024 年某客服中心买了 GPT-4 接口装在 IVR 里,把这叫 "AI Native" ——错。真正的 AI Native 组织,是当 AI 服务停摆时整个工作流被打断、客户感知到产品退化、内部没有 fallback 流程的那种深度集成。

这条标尺反过来用最好用:看一家组织是不是真的 AI Native,不看它讲了多少 AI 话术,而看 ——把所有 AI 一夜之间拆掉,组织还能不能正常运转。能正常运转的,顶多 AI-enabled;运转明显瘫痪、产品立刻不可用的,才是 AI Native。这条经验测试比任何宣传材料都准。

AI-enabled / AI-first / AI-native:三段光谱

把 "AI Native" 单独拎出来定义容易摔跤,因为它常被与近义词混着用。把它放进光谱里就清楚了 ——业界已基本固化为三段式:AI-enabled、AI-first、AI-native,递进而非平行45。

维度 AI-enabled AI-first AI-native
起点 既有流程 既有战略 白板从零
AI 角色 加速器/插件 优先选项 底层操作系统
决策流 人决,AI 加速 人决,AI 建议 AI 决,人监管
组织变更 极小 中等 从头重设
问责模式 人独立担责 人独立担责 人监管,AI 共担
典型代表 装 Copilot 的传统企业 战略转向的中型公司 Cursor, Midjourney, ElevenLabs

类比一下:AI-enabled 是给汽车加涡轮 ——更快,但发动机没变;AI-first 是把汽车换成电车 ——动力系统改了,但还是车;AI-native 是把汽车换成无人机 ——交通工具的物理原理都变了。三者不是同一物种的好中差版本,而是连续光谱上的三个段落5。

具体的判别钩子:如果 AI 只提升执行速度和效率,是 AI-enabled;如果 AI 影响哪些项目被优先和获得预算,是 AI-first;如果 AI 形塑决策本身怎么被设计、被治理、被问责,才正在朝 AI-native 移动4。🟢 high

Worked example

同一个写代码任务的三段处理:AI-enabled 是工程师写完一段后用 Copilot 补全或润色,主体由人产出。AI-first 是工程师先描述意图、AI 出多种实现草稿、人挑选并改 ——AI 是默认选项但不是终点。AI-native 是 Cursor / Devin 模式:任务派给 AI agent,agent 自己拆任务、写代码、跑测试、提 PR,工程师角色变成评审者与边界条件设定者 ——人是 above the loop,不是 in the loop。

HBS Online 的定义最干净:"AI-native business 是从零起步,把价值创造与问题求解的逻辑围绕 AI 来设计的企业 ——AI 嵌入研发、营销、客户交互到 HR 每一个环节"8。注意"从零起步"几个字 ——这是一个重要的隐含前提,我们到第 6 节再回来算这个账。

McKinsey 的五大支柱:可诊断的维度

光说"重设组织"太模糊。McKinsey 2025 年提出的 agentic organization 框架把 "AI Native" 拆成五个可独立评估的维度67。每一根支柱都是一个具体的设计选择,缺一根这家公司就只是 AI-first 而已。

AI-native organization 业务模型 AI 渠道 超个性化 专有数据 运营模型 AI-first 工作流 agent 团队 端到端 ownership 治理 实时决策 人 above-loop 人机共审 人力文化 从执行→ orchestrate 监管 agent 技术数据 agent 平台 向量/检索 eval 与遥测 业务结果:速度、margin、个性化、新产品形态
Fig 2. 治理一柱在中央被高亮 ——这是与传统组织最难弥合的差距:责任如何在人与 agent 之间分布。

逐根拆开

1. 业务模型 ——通过 AI 通道直接接触客户,提供实时超个性化;把专有数据建成"围墙花园",这是唯一的护城河6。注意,这一根直接决定收入怎么来 ——不是卖工具的接入许可,而是卖完成的工作 (Sequoia 2026 主题:"卖完成的工作,不卖工具")7。

2. 运营模型 ——AI-first 工作流,人变成"agentic team":一小群跨学科的人监督底层 AI 工作流,直接对端到端业务结果负责6。这条直接对应下一节要讲的工作流倒置。

3. 治理 ——这是最难的一根。不是在既有流程上加自动化,而是流程被整个重设;人选择性地回到 in-the-loop 或停在 above-the-loop 做战略监督6。Klarna 在客服上栽的跟头 (我们到第 6 节会讲),本质就是治理设计失败 ——他们以为治理 = 看监控仪表盘。

4. 人力文化 ——员工不再"执行任务",而是"orchestrate outcomes":设目标、监督 agent、管理 trade-off6。Tomasz Tunguz 用更直观的话讲:"管理者的 span of control 不再是'一个人能管多少人',而是'一个人能管多少 agent'"13。

5. 技术数据 ——支撑 agent 大规模运行的平台层:模型路由、向量检索、eval 体系、遥测、安全沙箱、工具调用。这是最容易被技术人员重视、最容易被高管低估的一柱。

思考一下

盘一下你最熟悉的那家组织 ——五根支柱里它在哪几根上有真实重设?多数情况下答案是:5 (技术) 有,其它四根没动。这就是为什么"我们是 AI Native"的宣告通常是 marketing 而不是事实。

工作流倒置:AI 先产出,人做编辑

如果只能用一句话讲 AI Native 与传统组织的本质差异 ——工作流方向倒了。传统组织是 "人产出 → 工具检验 → 人交付";AI Native 组织是 "AI 产出 → 人审核 → AI 改 → 人定稿"9。看起来只是顺序调换,实际是组织里每个岗位的 job description 全部重写。

传统 人产出 工具检验 人交付 客户 人是作者,工具是辅助 AI Native AI 产出 人审核 AI 改 人定稿
Fig 3. 同一条流水线,起点换了。橙色节点是 AI 产出环节;人的角色从作者变成编辑/审稿者。

"上层" vs "环中"

更精确的表述用 McKinsey 的两个介词来区分:"human in the loop" 是把人嵌进 AI 流程中间做实时把关 ——常见于高风险场景如医疗诊断;"human above the loop" 是人停在战略层只做异常处理与边界设定 ——常见于客服、文案、代码生成等可容错场景6。AI Native 组织的关键判别是 :默认状态从 in 移到 above,只在必要时回到 in。

2025 年 UX Tigers 用一句更尖锐的话总结这种倒置带来的体验变化:"人的工作从'创造者'变成'清洁工',专业人员每天的工作内容变成清理 AI 留下的烂摊子"10。这听上去消极,但确实是对许多岗位的真实描述 ——AI 擅长穷尽性的机械检查 (找出每一个 unused import, 标记每一个缺失的 type hint),但缺乏对设计边界、功能正确性、安全漏洞的判断10。🟢 high

常见错答

"AI Native = 没有人。" ——错。Klarna 试图用这个等式取代 700 名客服,结果是质量崩盘后悄悄重新招人 (我们到第 6 节会算这笔账)。AI Native 的正确等式是:人少 × 每人 leverage 大。Cursor 在 50 人左右就到 $1B ARR,不是 0 人。区别不是把人清空,而是每个人的工作负载从"做事"换成"调度做事的 agent"。

这种倒置往下推一步,就是 Tomasz Tunguz 讲的"agent manager 模式":个体贡献者 (IC) 做的工作变成 agent 的 workload,每个人在抽象层级上往上挪一级 ——这一调整,Tunguz 估算可让 R&D 团队减员 85%13。🟡 med 这个数字本身有争议,但方向是对的:头部 AI 公司 50-80% 的代码已由 AI 生成13。

思考一下

把"工作流倒置"用到你自己的领域:如果你的岗位最值钱的产出第一稿能由 AI 出 80% 的质量,你的下一年应该把更多时间投在"产出"上还是"评审"上?这个问题的答案,大体就是你个人版本的 AI Native 转型路线。

单位经济:每员工千万美元营收

语义与结构讲完,看后果。AI Native 这套设计如果真跑起来,代价以单位经济兑现 ——而且兑现得过分扎眼。Dealroom 2025 年汇编的几个数字已经成为业界基准11:

公司 员工人均年营收 对照基准
Cursor (Anysphere)$3.3M13-22x SaaS 平均
Midjourney$2M8-13x SaaS 平均
ElevenLabs~$2M8-13x SaaS 平均
OpenAI$1.5M (on $3.7B ARR)6-10x SaaS 平均
Anthropic / Runway / Perplexity≥ $1M4-7x SaaS 平均
传统 SaaS 中位数$150K - $250K基准

这不是 30% 的增量改善,是一个数量级以上的差距11。Cursor 从 0 到 $100M ARR 用了 21 个月,团队规模约 20 人12;Midjourney 从 0 到 $200M ARR 用了 2 年,团队规模约 10 人。🟢 high

更激进的例子是 Cognition (Devin 的母公司):2023 年 8 月成立时只有 10 人;2024 年 9 月 ARR 还只有 $1M;到 2025 年 6 月已经做到 $73M ARR ——九个月内 73 倍增长。2026 年 4 月最新一轮融资目标估值 $25B17。

这种密度跟传统组织完全不在一个量级。Convequity 2025 年的分析显示,在应用层,AI 原生创业公司已经"决定性领先",每收入 $2 比同期 SaaS 现任收入 $1 ——AI 应用市场份额从一年前的 36% 涨到 63%17。

思考一下:毛利率的暗礁

但小心一个陷阱 ——AI Native 公司的毛利率远不如 SaaS。传统 SaaS 毛利通常 80%+;AI Native 现在普遍只有 20-40% (因为推理成本是真实的现金支出)17。这意味着 $3.3M/人的营收里,实际毛利可能只有 $1M/人 ——还是远超 SaaS,但没有数字看上去那么夸张。AI Native 的护城河更窄,需要靠产品体验和分发优势补血,而不是靠规模效应躺平赚钱。

背后的机制

为什么人均产值能拉这么开?三个机制叠加。一是软件经济本身就有边际成本接近零的特性 ——AI 把这个特性进一步推到极致 (人写代码慢,AI 24×7 不停)。二是组织拓扑从金字塔压缩成圆柱 (Tunguz 称之为 "pyramids to cylinders")13 ——中层管理被吃掉,每个 IC 直接对接 agent 群。三是产品本身的形态变了 ——AI Native 公司卖的常常是"完成的工作"而非"工具的许可",客户为结果付费,客单价天花板更高。

但这种密度也带来反向风险:Tunguz 提醒,工程团队人数越少、agent 越多,key-person 风险就越极端 ——任何一个核心成员离职都可能让整条流水线停摆13。组织韧性从冗余变成了精炼。

转型陷阱:大多数传统组织变不成 AI Native

到这里你也许会推出一个看似自然的结论:既然 AI Native 经济这么好看,传统公司只要 ——但请暂停。从现有证据看,绝大多数传统组织无法转型为 AI Native。麦肯锡 2025 年的数据非常残酷:62% 的组织在试验 AI agent,但只有约 10% 报告能够规模化部署 ——legacy 系统是 choke point,阻止 agent 按设计意图运转14。🟢 high

反证:Klarna 倒车案例

Klarna CEO Sebastian Siemiatkowski 在 2024 年公开宣称 AI 已替代 700 名客服,公司减员 40%。这成为"AI 取代人"叙事的标志案例16。但到 2025 年底,Klarna 悄悄开始重新招人 ——CEO 承认"过于激进的 AI 替代导致服务质量下降",客户满意度数据在复杂咨询场景上恶化15。Klarna 最终落到的形态是"混合模式":AI 处理高频简单咨询,人处理升级和复杂高价值场景。本讲稿仍倾向 "工作流倒置是 AI Native 本质" 这一主张,但 Klarna 案例提醒:"倒置"不等于"清空人",治理设计 (第 3 节的第 3 根支柱) 失败会让经济账与服务质量账同时崩盘。

这种困难有结构性原因。HBS Online 那句 "AI-native business 是从零起步" 不是修辞 ——它是描述事实8。一家有 30 年历史的银行要做 AI Native 改造,它面对的不是一次 IT 升级,而是要同时改:业务模型 (从卖服务到卖结果)、运营模型 (砍掉中间管理层)、治理 (重新分配责任)、人力 (大规模再培训与裁员)、技术栈 (重写而非重构)。这五项任一项失败就拖死整体,而它们之间还互相依赖。

2025 年 MIT Tech Review 把这一年定性为"the great AI hype correction" ——一年前几乎所有大型企业都宣称要 AI Native,到年底大部分回归更现实的 AI-enabled 立场18。这不是 AI 不行,而是组织变革的物理常数没改。

两种合理路径

对传统组织而言,真正的现实路径不是"我们要变 AI Native",而是二选一:

  1. 承认上限是 AI-first,把 AI-enabled 做扎实。每一个流程接 AI 加速,接受组织模型基本不变。这条路不性感但能拿到 30-50% 效率提升,不会把公司搞死。
  2. 另起炉灶,建一个 AI Native 子单元。让它独立运营、独立招人、独立决策、不受母公司流程拖累 ——本质上是孵化一家创业公司。要等它成功后再考虑反向并购母公司业务。GE 当年试过这个模式 (GE Digital),失败了;但这不证明模式本身错,只证明执行难。

真正"从存量转 AI Native"成功的传统组织,目前几乎没有公开可验证的范例。🟡 med 如果你的公司宣布要这么干,合理的姿势是:相信他们的诚意,怀疑他们的可行性,准备好他们在 18 个月内回退到 AI-first 的剧本。

思考一下

"AI Native 通常只能新建,不能改建" ——如果这条经验法则是对的,那对一家 50000 人的传统银行 / 保险公司 / 制造商而言,正确的战略不是宣称转型,而是:谁是终将取代我的那家 AI Native 创业公司?我能不能在他们规模化之前收购或合资?这不是 IT 战略问题,是公司战略问题 ——但目前几乎没有人在董事会层面这么提。

综合判断

什么是 AI Native,以及它和传统组织的本质差距

AI Native 组织是把 AI 当作底层操作系统 (而非上层应用) 来设计的组织 ——架构、决策权、工作流、人员配比、问责模式从第一天就围绕"学习系统"假设构建。术语本身借自 cloud native:cloud native 不是"用了云",AI Native 也不是"用了 AI";两者都是说"为某种底层假设重设系统"。

与传统组织的本质差距集中在四个轴上,任何 marketing 文案都掩盖不了。一,工作流方向倒置:传统是人产出 / AI 检验,AI Native 是 AI 产出 / 人审核 ——人从作者变编辑,从 in-the-loop 移到 above-the-loop。二,组织拓扑扁平化:从金字塔变圆柱,中层管理被 agent 吃掉,IC 直接调度 agent 群;Tunguz 估算 R&D 团队减员 85% 是这条轴的下限。三,单位经济跃迁:头部 AI Native 公司人均年营收 $1-3M,是传统 SaaS 的 4-22 倍;但毛利率从 80% 跌到 20-40%,护城河更窄。四,治理模型重设:责任在人与 agent 之间重新分布,实时人机共审取代纯人决策 ——这是 McKinsey 五大支柱里最难、也是 Klarna 栽跟头的那一根。

但要注意两个反向校准。第一,绝大多数自称 AI Native 的组织是 AI-enabled 在做营销。判别标尺:把所有 AI 拆掉,组织还能不能运转 ——能,就是 AI-enabled;不能,才是 AI Native。第二,绝大多数传统组织无法转型 AI Native:62% 在试 agent,只有 10% 能规模化;Klarna 已经倒车;MIT Tech Review 把 2025 年定性为"the great AI hype correction"。对传统组织而言,理性路径是把 AI-enabled 做扎实 (拿 30-50% 效率改进),或另起炉灶建独立 AI Native 子单元;直接把存量组织改造成 AI Native,目前几乎没有公开可验证的成功范例。

一句话回收:AI Native 不是"用 AI 用得多",而是"没有 AI 就活不下去" ——这是这个词唯一不被滥用的精确含义。

不确定性

关键不确定性

  • 规模天花板未知:Cursor / Midjourney 类公司能否撑到 1000+ 人规模仍保持人均产值,无足够证据;头部 AI Native 公司多数还在 100 人以内,扩张后是否退化到传统 SaaS 经济尚未验证。🟡 med
  • 毛利率走向:AI Native 的 20-40% 毛利是阶段性 (推理成本仍在快速下降) 还是结构性 (永远要为算力付高额可变成本) ——目前两派都有合理论据,2026 年内不会有定论。🟡 med
  • 问责法律边界:agent 自治决策出错时责任归属 (人?公司?模型供应商?) 在多数司法管辖区尚无清晰判例。这是治理柱迟早会触发的最大不确定性。🔴 low
  • 术语污染速度:"AI Native" 被滥用的速度比业界形成共识的速度更快,18 个月内这个词可能会被洗到与 "cloud native" 相同的命运 ——共识词义流失、判别价值归零。本讲稿用的是 2025-2026 年 The New Stack / McKinsey / HBS 的相对严格定义,这条窗口期可能很短。
  • "传统组织能否转型"的样本不足:本讲稿断言"几乎不可能",但 2026 年还很早 ——也许有一两家正在悄悄做成,只是尚未公开。证据缺位 ≠ 证据反对。🟡 med
引用

Sources

  1. The New Stack — What Is "AI Native" and Why Is MCP Key? — https://thenewstack.io/what-is-ai-native-and-why-is-mcp-key/
  2. CIO — From cloud-native to AI-native: Why your infrastructure must be rebuilt for intelligence — https://www.cio.com/article/4096970/from-cloud-native-to-ai-native-why-your-infrastructure-must-be-rebuilt-for-intelligence.html
  3. IBM Think — What Is AI Native? — https://www.ibm.com/think/topics/ai-native
  4. Aicadium — AI-enabled vs AI-first vs AI-native: How do you know which strategy to choose? — https://aicadium.ai/ai-enabled-vs-ai-first-vs-ai-native-how-do-you-know-which-strategy-to-choose/
  5. Star Global — AI-enabled vs. AI-native platforms: The key differences — https://star.global/posts/ai-enabled-vs-ai-native-platforms-the-key-differences/
  6. McKinsey — The agentic organization: Contours of the next paradigm for the AI era — https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/the-agentic-organization-contours-of-the-next-paradigm-for-the-ai-era
  7. McKinsey — Building next-horizon AI-native experiences — https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/building-next-horizon-ai-experiences
  8. HBS Online — How to Architect an AI-Native Business — https://online.hbs.edu/blog/post/ai-native
  9. First Line Software — AI Native Workflow Design — https://firstlinesoftware.com/blog/ai-native-workflow-design/
  10. UX Tigers (Jakob Nielsen) — Redesigning Workflows for AI — https://www.uxtigers.com/post/workflow-redesign
  11. Dealroom.co on X — AI startup revenue per employee benchmarks (Cursor $3.3M, Midjourney $2M, OpenAI $1.5M) — https://x.com/dealroomco/status/1914264599505018989
  12. Contrary Research — Cursor Business Breakdown & Founding Story — https://research.contrary.com/company/cursor
  13. Tomasz Tunguz — The Org Chart Math Behind AI-Native Speed — https://tomtunguz.com/communication-tax-small-orgs/
  14. McKinsey — Agentic organizations: Turning AI into business value (10% scaling stat) — https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/ai-is-everywhere-the-agentic-organization-isnt-yet
  15. Digital Applied — Klarna Reverses AI Layoffs: Why Replacing 700 Failed — https://www.digitalapplied.com/blog/klarna-reverses-ai-layoffs-replacing-700-workers-backfired
  16. CNBC — Klarna CEO says AI helped company shrink workforce by 40% — https://www.cnbc.com/2025/05/14/klarna-ceo-says-ai-helped-company-shrink-workforce-by-40percent.html
  17. Convequity — Incumbents vs AI-Natives: Who Wins the Next Software Cycle? — https://www.convequity.com/notes-incumbents-vs-ai-natives-who-wins-the-next-software-cycle/
  18. MIT Technology Review — The great AI hype correction of 2025 — https://www.technologyreview.com/2025/12/15/1129174/the-great-ai-hype-correction-of-2025/