AI news

致超级个体 | To The Crazy Ones

By Henry[0](DeerFlow团队)0 viewsSource: 十字路口Crossing
致超级个体 | To The Crazy Ones

超级个体是一种底层人格结构。1997 年,Steve Jobs 以 Internship CEO 的身份回归到 Apple 后,亲手撰写并配音朗读了 Think Different 广告词。在笔者看来,在 30 年前 Steve Jobs 就已经给“超级个体(Super Individual)”下了一个最贴切的定义,The Crazy Ones。

The full text has not been translated yet. The Chinese original is shown below.

超级个体是一种底层人格结构。

文章配图

1997 年,Steve Jobs 以 Internship CEO 的身份回归到 Apple 后,亲手撰写并配音朗读了 Think Different 广告词。

在笔者看来,在 30 年前 Steve Jobs 就已经给“超级个体(Super Individual)”下了一个最贴切的定义,The Crazy Ones。

文章配图

文章配图

前言

思想实验

让我们来做一次有趣的思想实验: - 👨🏻‍💻 如果 2024 年底,Claude Code 创始者 Boris Cherny 和 Cat Wu 在你的部门任职,刚入职不久的他俩打算做一个只能跑在命令行里的 Coding Agent——Claude Code,你的部门会同意吗? - 🦞 如果 2025 年底,OpenClaw 创始者 Peter Steinberger 在你的部门工作,提出要做一个 7x24 小时的 OpenClaw,你所在的组织会 Sponsor 他吗?会让他一个人做一个项目/产品吗?

大家最容易误判的一句话,是“我们要培养超级个体”。

这句话听起来很与时俱进,但是背后还是旧世界的想象:

把员工送去上课,给他一套 AI 工具,制定一些 AI Adoption Rate 的 KPI,发几张证书,再把他放回原来的岗位、原来的职责、原来的汇报链条里,期待他自然长出十倍产出,因为 Anthropic 说他们做到了。

笔者的判断相反:超级个体不是被培训出来的,而是被好奇心激发出来的。

一个人有没有可能变成超级个体(Super Individual),不只看他能力强不强。更关键的是,他有没有强好奇心,愿不愿意探索未知,能不能自学,能不能自驱,能不能把一个模糊念头亲手做成一个可用的东西。换句话说,超级个体不是“更强的岗位人”,而是一能够重新拿回完整 Closed-loop 的人。有同学提到了 FDE,可以参考我的这篇文章 FDE——AI 时代的职业转型已经打响?[1]

今天,笔者更愿意称这群人为AI Builders,而不是“超级个体”这类流行词。因为长期参与开源与社区,笔者有幸在工作中接触到许多符合“AI Builder”画像的人。他们曾经看起来都只是普通人:开发者、测试、产品经理、设计师,甚至是 HR、BD、VC 投资人。但他们身上有一个非常相似的特质:当他们聊起自己正在做的 AI 作品时,总会不自觉的滔滔不绝。那一刻,你很容易看到他们眼里的光。那不是对新技术的短暂兴奋,也不是对风口的投机热情,而是一种更朴素、更持久的东西:他们真的想把一个东西做出来,想 make it run,想让它被真实的用户所使用,想亲手参与这个时代正在发生的变化。

这也是本文的读者定位。这不是写给工程师看的 AI Coding 教程,也不是写给创业者看的个人 IP 手册。它更想写给 HR、OD、组织研究者、人才发展负责人和大型公司管理者:当你们讨论“AI 时代的人才战略”时,真正要问的不是“谁会用 AI”,而是“组织有没有允许一个人从问题发现,一直走到拿到结果”。

旧岗位人的日常,常常是这样的瀑布流中的一环:

文章配图

图中的瀑布式流程曾经是工业化互联网的效率来源。问题是,当 AI 把调研、原型、编码、测试、文案、数据分析这些能力重新压缩到一个人身边时,上边那套岗位切分就会开始变成阻抗。人的能力明明已经被工具放大了,组织却仍然把他切成一个局部函数。

这就是本文的核心矛盾:大公司不是没有人才,而是岗位设计把人切碎了。

文章配图

正如 Steve Jobs 在 Think different campaign[2] 里写的,用很短的词描绘过一类人:misfits、rebels、troublemakers,以及那些 see things differently 的人。笔者不想把这段文案神化。它真正有价值的地方,是提醒组织不要只用“合规的人才模型”理解创造力。很多推动新生产关系的人,天然就是“方孔里的圆钉”。他们不一定最会写 OKR 汇报,不一定最擅长对齐,但他们会自己动手,会绕过惯性,会把一个没人立项的问题做成东西。

你知道吗——Naval 的三种杠杆?

Naval Ravikant 在The Almanack里把商业杠杆分成三类:劳动力、资本,以及“没有边际复制成本的产品”。代码和媒体属于第三类,几乎是 permissionless 的,个人就能启动;劳动力和资本则仍然需要组织承载。也就是说,组织没有消失,它只是必须学会和新的个体杠杆重新配合。参见 Find a Position of Leverage[3]。

所以,这篇文章不讨论“如何把每个员工都训练成超级个体”。那仍然是流水线思维。

它也不把超级个体理解成某种个人品牌人设。真正值得组织关心的,是一个人能不能把好奇心变成行动,把行动变成作品,把作品交给真实用户,再把反馈吃回自己的判断系统里。这是一种 Closed-loop 行为,不是一张能力标签。

本文真正要讨论的是另一件事:如果超级个体的原料本来就散落在大型公司内部,组织怎样提供土壤,让这些人被完整 Loop 激发出来。

因为 Closed-loop 不是 AI 发明的,AI 只是让一种旧能力重新变得可规模化。

答案要从一个看似很远的时代讲起。那时还没有 LLM,没有 Agent,没有组织级中台,甚至很多人还在拨号上网。但那个时代的程序员,反而比今天很多大厂员工更像完整的人。

前史

文章配图

我在 2002 年读本科。那时中文互联网还不大,软件世界却很热闹。宿舍里最常见的场景,是有人从《电脑报》附带的光盘里翻工具,有人去华军软件园、天空软件站找新版本,有人把一个压缩包拷到 U 盘里到处传。一个软件好不好,不靠发布会,不靠增长团队,不靠买量。它靠论坛口碑、下载站推荐、杂志编辑试用,以及用户之间一句“这个好用”。

今天回头看,那是一个百家争鸣、光怪陆离的时代:很多程序员天然就是六边形战士,谁不是“一人公司”。

他先从自己的痒点出发,发现一个问题;然后自己设计界面、设计 Logo,自己写代码,自己打包发布,自己写说明文档,自己去论坛回答用户反馈的问题,自己看用户骂哪里难用,自己给软件下载站和电脑杂志发邮件。再小一点的团队,甚至宣传文案、Logo、FAQ、安装包、用户群维护,全都在同一个人或两三个人手里。

这不是因为他们学过“产品经理能力模型”。恰恰相反,那个时候很多岗位还没有被正式命名。产品感、设计感、工程能力、传播意识、用户反馈,是在一个真实 Closed-loop 里长出来的。

文章配图

国内有很多这样的样本。张小龙的Foxmail是最典型的一个:新浪 2001 年对张小龙的专访里,仍把 Foxmail 放在“国产共享软件”的语境里讨论,并提到 Foxmail 4.0 的免费策略和当时的用户规模。后来界面新闻回顾 Foxmail,也明确写到它在 1997 年上线,诞生起就定位为免费软件。更稳妥地说,它是国产共享软件/免费软件语境里的代表样本。链接可以看 新浪科技旧文[4] 和 界面新闻回顾[5]。

文章配图

FlashGet也类似。官方十周年页面写得很清楚:1999 年 JetCar 问世,2000 年更名为 FlashGet,靠多线程下载和文件管理能力切中拨号上网时代的痛点。见 FlashGet 十周年大事记[6]。

文章配图

国外也一样。WinZip 的前身 Nico Mak Computing,官方页面写到它在 1991 年由 Nico Mak 创立;ACDSee 官网回顾里说,第一版 ACDSee 在 1994 年通过 BBS 分发,售价 15 美元;Winamp 通常被追溯为 Justin Frankel、Dmitry Boldyrev 等人在 1997 年发布的播放器,后来成为 MP3 时代的标志性软件。分别见 WinZip 的 Nico Mak Computing 回顾[7]、ACDSee About[8] 和 TechSpot 的 Winamp 回顾[9]。

文章配图

笔者有幸经历了那个年代,并且在 2002 年写了自己第一个破万的 Shareware —— MagicCube Lyric Editor[10],这是一个可以自动寻找、下载和编辑 MP3 内嵌歌词、自动上传到 MP3 播放器(硬件)的解决方案,当时自己做了产品设计、编程开发、打包发布和媒体投稿宣发,并且也因为这个软件得到了第一份实习工作。

为了不流失青年读者们,笔者不再举这些“登味儿十足”的例子。这些例子也不必被过度的神话和浪漫化。那个独立软件/共享软件混杂的时代,也有粗糙、盗版、商业化困难、支持成本高的问题。很多作者既没有稳定收入,也没有今天成熟的协作工具。

但它给我们留下了一个重要启发:超级个体不是 AI 时代才突然出现的人种。

当年的“作者”往往不是单点能力最强的人,而是最愿意探索、最有开源共享精神、最能自学、最能动手、最能把用户反馈接回自己脑子里的人。他不是在岗位描述里被定义出来的,而是在完整 Closed-loop 里被迫长出来的。

你知道吗——Shareware 作者为什么天然是多面手?

Shareware 的核心不是“免费试用”这么简单,而是作者直接面对分发、收费、用户支持和口碑扩散。没有独立 PM 帮他写需求,没有 UX 团队帮他做访谈,也没有运营团队替他经营社区。 Closed-loop 越短,人的综合能力越容易被激发出来。

所以,当今天我们重新讨论超级个体,不应该只看 AI 把个人能力放大了多少。更应该看见一个历史回声:一旦组织或市场把完整 Closed-loop 交还给个人,个人就会长出超出岗位的形态。

后来的互联网工业化,做的事情正好相反。它用效率的名义,把这个曾经单一的程序员岗位一点点拆开了。接下来二十年,组织为了规模化交付,把这种 Closed-loop 拆成了专业岗位。

拆分

文章配图

2006 年之后,互联网开始进入另一种叙事:更大的流量,更复杂的业务,更细的岗位,更强的平台。

这当然是进步。没有分工没有岗位化,就没有大规模协作;没有工业化,就没有稳定交付;没有平台化,就没有复杂业务的可治理性。一个人的角色被拆成了岗位人。

先看一条粗线。

文章配图

第一阶段,是2006—2012 的岗位化。

Web 2.0、Ajax、浏览器能力提升,让网页从“页面”变成“产品”。复杂度一上来,角色自然分化:产品经理写 PRD,交互设计画流程,视觉设计做稿,前端实现页面,后端提供接口,测试保证质量,运营负责增长。每个岗位都开始有自己的方法论、Job Grade、晋升通道和专业话语。

但这里有一个很容易被忽略的细节:2010s 左右,产品经理这个岗位的原始定义,本来就很接近今天人们所说的超级个体。

那一代产品经理被期待理解用户、洞察需求、设计流程、推动研发、协调设计、盯上线、看数据、听反馈,甚至要会讲故事、会写文档、会做增长,诞生了数据驱动的增长黑客理论。换句话说,组织已经隐约意识到,需要有一个人把被拆开的产品闭环重新抓在手里。只是那个时代的产品经理没有 Claude Code,没有能直接改代码、做 Demo、跑测试、生成页面、调度 Agent 的执行武器。他能负责闭环,却很难亲手闭环。

这件事提高了效率,也制造了第一层切断。一个工程师不再天然面对用户,一个设计师不再天然关心发布,一个产品经理也可能不再亲手触摸实现成本。组织获得了专业化,却失去了一部分人的整体感。

第二阶段,是2013—2017 的工业化。

移动互联网把节奏推到极致,产品经理成为这个时代的王者。在“增长黑客”精神的带领下,App 版本、渠道投放、埋点分析、A/B Test、增长漏斗、敏捷迭代、持续集成,开始成为大型公司日常。岗位不只是分开,还被流程串起来。一个需求从提出到上线,要经过评审、排期、开发、联调、测试、灰度、复盘。

这时的组织已经很像工厂车间流水线。每个环节都更专业,每个角色都更可替换,每个项目都能被排进资源池。代价是,很多人开始只对自己负责的片段负责。用户的痛点在文档里,产品的成败在指标里,真实反馈被清洗成报表。

第三阶段,是2018—2022 的中台化。

这一段常被简单写成“中台热”。但笔者觉得,更准确的说法是:组织开始用平台、权限和治理,把前面十几年的复杂度固化下来。

业务中台、数据中台、技术中台、低代码平台、DevOps 平台、权限系统、合规流程、发布管控、工单系统,一层层叠起来。它们本来是为了解决重复建设和风险治理,最后也变成了新的组织边界。你想做一个小实验,可能先要申请数据权限;想调一个接口,可能要找平台 owner;想上线一个灰度,可能要排进发布窗口;想碰用户反馈,可能要经过客服、运营、数据团队的层层转译。笔者这段时期正好在国内最推崇“中台化”的大厂里做研发 leader,在中台技术如日中天的时候,超级个体几乎灭绝了,取而代之的是“螺丝钉”们。

这就是平台化的悖论:平台降低了标准动作的成本,却提高了非标准探索的成本。而今天大家在讨论的 Agent 范式就是非标探索。

文章配图

Melvin Conway 在 1968 年的文章 *How Do Committees Invent?*[11]里提出过一个后来被软件工程反复验证的判断:一个系统的设计,会不可避免地映射出设计它的组织沟通结构。换到大厂语境里,就是岗位怎么切,产品就会怎么切;权限怎么分,系统边界就会怎么长;汇报链条有多长,用户反馈抵达决策者就有多慢。所以或许公司培养不出超级个体,不只是人才问题,而是组织结构本身在持续生产“局部人”。你让一个人负责局部,他就会只优化局部;你让一个人只能通过接口、工单、会议和评审触达别人,他最后做出来的产品也会长得像接口、工单、会议和评审。60 年过去了,康威定律仍然能够解释我们今天产品和组织设计的对应关系,无论是组织里做的好的还是待改进的部分。

你知道吗——DevOps 本来不是“更多平台”的同义词?

DevOps 的原始精神,是缩短开发、运维和用户反馈之间的距离,让团队对交付结果负责。可是在很多大厂里,它最后被实现为一组平台、审批和权限系统。工具越强, Closed-loop 未必越短;治理越完整,个人越可能离真实问题更远。

到这里,过去的独立个体职能已经被拆得差不多了。

好奇心被拆给了创新部门,探索被拆给了预研项目,自学被拆给了培训体系,自驱被拆给了绩效目标,动手能力被拆给了岗位职责。人还在变强,但强在局部;组织还在变稳,但稳在流程。后端不再知道自己的 API 在网页上是如何被渲染出来的,前端不再关心高并发高可用性,研发不懂测试,研发抱怨产品经理不懂技术,产品经理抱怨技术不懂用户需求、动作太慢赶不上竞争对手。

当我们站在 2026 年的今天回过头来看时,这就是为什么 AI 的冲击这么反直觉。真正的新变量,是工具第一次开始系统性降低跨岗位行动的成本。LLM 和 Agent 不是简单提高某个岗位的效率,而是把被拆开的能力重新推回一个人身边:一个产品经理可以直接做原型,一个设计师可以直接跑交互 Demo,一个前端可以直接完成调研和文案,一个运营可以让 Agent 帮他分析数据、生成页面、组织发布。

问题随之而来:当工具已经开始压缩分工,组织还要不要继续用旧岗位、旧权限、旧流程把人切开?

如果答案仍然是“要”,那大公司会看到一种奇怪的景象:员工明明在外部工具里越来越完整,回到公司内部却越来越局部。超级个体不是没有出现,只是被组织结构重新压回了岗位人。

回潮

文章配图

2023 年之后,变化不是“多了一个聊天机器人”。真正的变化是:LLM 和 Agent 开始重新压缩分工。

前面的历史已经说明,岗位化、工业化、平台化都有自己的合理性。它们解决了规模协作,也把人的完整感拆成了一个个局部函数。

AI 的新变量在于,它不是给每个局部函数装一个效率插件,而是把跨岗位行动的成本突然打低。LLM 出现以后,这个结构开始回潮。

•一个前端可以用 Claude Code、Cursor、v0 或者一组 Agent 在一天里做出能点、能试、能改的产品原型。

•一个 PM 可以把需求写成 issue,再让 Claude Code 读代码库、改页面、补测试、发 PR。一个设计师不再只交静态稿,而是可以做出带交互的 Demo,让会议从“想象它会怎样”变成“直接试试看”。

•一个普通员工也可以调度 Research Agent、Coding Agent、Test Agent、Deploy Agent、Release Agent,把一次调研、一次内部工具开发、一次上线说明和一次用户反馈收集串成一条线。

所以今天的变化,不是产品经理突然变重要了。产品经理一直重要。真正的变化是:过去产品经理只能用会议、文档和影响力调度闭环,现在他第一次有机会用 Agent 直接执行闭环的一部分。

这句话也适用于设计师、前端和运营。AI 不是让他们“跨岗越权”,而是让他们把过去只能靠沟通推动的东西,先做成一个可以被讨论、被试用、被反馈的具体对象。

这不是回到 2002 年。2002 年的完整个体,是因为系统还简单。一个人能从论坛、安装包、帮助文档、邮件反馈一路做到底,是因为软件生产链还没有被平台化、合规化、增长化、数据化切开。

今天的完整闭环不是靠“什么都自己干”,而是靠AI 杠杆把执行层重新压缩到一个人的控制半径内。人不一定亲手写每一行代码,也不一定亲手做每一张图,但他重新拥有了从问题到结果的连续责任。

Agent 接走的是任务,不是责任。Research Agent 可以帮你扫资料,但不能替你判断什么问题值得做。Coding Agent 可以帮你改代码,但不能替你承担上线后的后果。Copy Agent 可以帮你生成文案,但不能替你面对用户误解。人重新站回闭环中心,是因为 AI 把大量“过去必须等别人排期”的环节变成了“现在可以先做一版”。

这也是为什么这一轮超级个体,不能只理解成能力强。能力强的人过去也有。AI 时代的超级个体更像五种力量的组合:好奇心强、探索和创新精神强、自学能力强、自驱力强、动手能力强。他不是先把课程学完再行动,而是在不确定里先搭一个小闭环,让现实给他回信。

换成组织语境,这类人未必真是麻烦制造者。他们只是更早看见旧岗位边界不够用了。

大型组织在这里最容易犯的错,是把这种回潮理解成“员工效率提升”。于是组织继续用旧岗位表述这件事:前端效率提升多少,PM 产出多少需求,设计师交付多少稿件,运营节省多少工时。

但更深的一层变化是:一个人可以重新拥有产品感。

产品感不是写 PRD 的能力,而是把用户痛点、可行方案、工程代价、交互手感、发布风险和反馈信号放在同一个脑子里滚一遍的能力。过去这种能力被分工拆散了。现在 LLM 和 Agent 把它又接了回来。

你知道吗——research preview 为什么不是营销词?

OpenAI 在 2022 年 11 月 30 日发布 ChatGPT[12] 时,明确称其处在 Research Preview 阶段:先让用户免费试用,收集强弱项反馈。这个标签的价值不只是对外降低预期,更是对内保护胚胎产品——它允许一个还不成熟的东西先出生、先被真实用户摸到、先从反馈里长大。

Research Preview 本质上是一种组织制度。

它告诉组织:有些东西不能等到商业计划、合规方案、体验规范、增长模型全部想清楚之后才发布。等你想清楚,它就已经不是那个东西了。LLM 产品尤其如此,因为模型能力本身还在快速变化,产品形态必须贴着能力边界长。

所以,“回潮”不是怀旧。它不是要取消专业分工,也不是要让每个人都变成全栈工程师、全能设计师、全能运营。它只是提醒大公司:AI 已经把很多旧分工的交易成本打下来了。一个人重新从前做到后,已经不是个人英雄主义,而是一种新的生产关系。

组织真正要问的,不是“员工有没有被培训成超级个体”,而是:我们有没有允许一个人先把闭环跑起来?

样本

文章配图

为了说明“闭环激发”如何发生,可以看三类样本:内部原型、公众 Research Preview、个人开源 Agent。

Boris Cherny、Cat Wu 和 Claude Code 属于第一类;ChatGPT 的 Research Preview 属于第二类;OpenClaw 这类开源个人 Agent / personal assistant 项目属于第三类。它们放在一起看,表面上很散,但有一个共同形状:不是战略先行,而是个人先被痒到。

Pragmatic Engineer[13] 写 Claude Code 时,把 Boris Cherny 称为最早原型和项目的 Founding Engineer,把 Cat Wu 称为 Founding Product Manager。这个身份要写准:Cat Wu 不是“研究员”式的旁观者。她的价值不在于给一个技术玩具加包装,而在于把一个工程师的痒点翻译成产品判断。

Boris 最早只是想熟悉 Anthropic 的公开 API,于是做了一个 terminal 里的小工具。它能通过 AppleScript 看当前播放的音乐,也能换歌。这个起点小到几乎不能立项:没有潜在市场分析,没有竞品分析,没有季度目标,甚至还没有“工程效率工具”的自觉。

然后它接上文件系统,接上 bash,开始读代码库、跑命令、追上下文。模型能力突然被一个很朴素的产品形态接住了。Claude Code 不是从“我们要做一个 AI Coding 平台”开始的,不是被组织计划出来的产品,而是被超级个体玩出来的产品工具。相反它的后继模仿者则一定是被其他大厂计划出来的、多角色分工的产物。

ChatGPT 也是同一个形状的另一种版本。OpenAI 没有把 2022 年 11 月 30 日那次发布包装成一个完整消费级产品,而是用 Research Preview 让真实用户先进来。它的关键不是“发布了一个聊天产品”,而是组织允许一个不完整形态面对世界,并把世界的反馈变成下一轮产品定义。

OpenClaw 这类开源个人 Agent / personal assistant 项目,则提供了第三种样本。这里不强行断言某个项目的全部历史细节,因为开源项目的叙事经常被二级传播改写。但这一类项目的共同方向很清楚:OpenClaw[14] 这样把消息入口、文件、日程、邮件、脚本、长期任务接给 Agent 的产品,正在让 AI 从“回答问题”变成“替我做事”。它们往往不是从正式公司战略里长出来,而是从开发者对自己日常工作流的不满里长出来。

这就是超级个体的真实起点。

不是简历上写“能力强”,而是一个人对低效足够敏感,对未知足够好奇,对工具足够敢试,对失败足够不怕,对动手足够有冲动。他先做一个玩票 Demo,不是因为他已经想清楚商业模式,而是因为他不动手就难受。

你知道吗——Product Overhang 是什么?

在 Claude Code 的语境里,Product Overhang 可以理解为“模型能力已经超过现有产品形态”。模型已经能做一些事,但产品还没有给它合适的入口、权限、上下文和反馈回路。最先看见 Overhang 的,通常不是战略部门,而是每天被具体工作流磨到的一线人。

把这些样本抽象成信息流,会得到一条很短的链路。很多大公司也有个人痒点,也有玩票原型,也有自学能力很强的一线员工。区别在于,原型从个人电脑走到内部飞书,再走到团队采纳,再走到正式资源之前,会不会被旧流程杀掉。

旧流程会问一组非常熟悉的问题:这个归哪个部门?和现有项目冲突吗?谁来负责安全?今年 OKR 里有没有?没有设计稿为什么先写代码?没有用户研究为什么先发 preview?

这些问题都不是错的。问题在于,它们太早出现了。

胚胎产品最怕的不是质疑,而是在还没长出心跳之前,就被要求证明成年后的收入。Product Overhang 需要的是先让一小群真实用户摸到它,再看采纳曲线、抱怨、复用、误用和绕路行为。组织要做的不是替它写好商业计划,而是先别把它从土里拔出来检查根长得够不够标准。

换成组织语言,那些看起来像“方孔里的圆钉”的人,往往是旧格子装不下新闭环。大公司如果只把他们看成“不按流程来”的人,就会错过这轮 AI 工业革命里最早的一批传感器。

所以,样本给大公司的启发很朴素。

超级个体不是培养课上讲出来的。他们先以个人痒点出现,以玩票原型出现,以“不太像正式项目”的方式出现。组织能不能接住他们,取决于它是否允许好奇心、自驱、自学、探索和动手能力在 KPI 之外先长一段时间。

真正的问题不是“我们公司有没有 Boris”。真正的问题是:如果 Boris 已经在你的部门,他的 AppleScript 小玩具会不会活过第一周?

决定它能不能活过第一周的,往往不是技术难度,而是管理系统如何接收早期信号。

延迟

文章配图

很多人把大型组织的 leader 们在 AI 里的延迟理解成态度问题:不够开放,不够年轻,不够懂技术。

对此,笔者不太同意。

笔者从 2007 年到 2024 年做了 17 年的 leader,先后在国内 2 家最顶级的大厂带过 70 多人的传统研发团队。

笔者认为更准确的说法是:leader 的时间结构、风险责任和评价指标,把他们放在了一个天然后知后觉的位置。这不是道德批判,而是组织结构造成的认知延迟。他们曾经是推翻“PPT 汇报”、推翻“瀑布式开发”、鼓励“数据驱动”的那一批先行者。

一线员工最先成为 Early Adopters,有一个很简单的原因:他们离痛点最近。

工程师每天被遗留代码、测试失败、文档缺失、重复 review 折磨。PM 每天在需求澄清、竞品调研、原型验证、用户反馈里来回切换。设计师每天被“再出三版方向”“能不能先做个能看就行糙版本”追着跑。运营、HR、财务、法务也一样,所有人都有大量具体、重复、边界清楚但很耗心智的任务。

所以他们拿到 LLM 的第一反应不是“这会重塑组织吗”,而是“这个破事能不能今天少折磨我一点”。

这正是超级个体长出来的土壤。好奇心不是抽象品质,而是被具体问题唤醒的探索冲动。自学能力不是培训证书,而是当晚就去反复试 Prompt,第二天早上 AI Coding 的 Demo 已经连同文档一起悄悄发到了干活群里。自驱力不是绩效表上的标签,而是没有人要求你做,你还是把一个 Agent 工作流搭出来。动手能力不是会写代码而已,而是愿意把调研、脚本、表格、文案、发布和反馈缝成一个能跑的回路。

传统 leader 的世界不同。他们的时间被会议切成半小时,信息以汇报、周报、行业报告、供应商方案和战略会的形式进入。他们看到的不是“这个 Agent 帮我省掉了一小时痛苦”,而是“AI Coding 工具是否影响研发体系”、“是否存在安全风险”、“是否需要统一采购”、“是否应该成立专项小组”。

这些问题都合理,但它们天然慢。

文章配图

这张图里有一个关键差异:一线员工用身体学习,leader 用材料学习。

LLM、Prompting、AI Coding、Agent 这类东西,最早不是知识,而是“手感”。你不亲自把一个任务交给 Claude Code,不亲自看它读错文件、改坏测试、再被你纠正回来,就很难理解它到底强在哪里、弱在哪里。你不亲自写过很多次失败的 Prompt,就会把 Prompting 误解成“把话说清楚”。你不亲自调度过多个 Agent,就会以为并行只是多开几个窗口。

于是,信息差出现了。

一线员工已经在用 Agent 生成测试、写脚本、做研究、改页面、出 Demo、整理会议纪要。leader 可能还在问:“什么时候上线?”、“你别一个人做,我给你再加 10 个人,可以加速 10 倍吗?”、“这个工具和我们现有平台的定位是什么?”一线员工已经感受到完整的 PMF 已经跑通了,而 leader 还在用岗位效率提升来理解它。

更麻烦的是,旧指标会惩罚探索。

大公司管理者要对稳定性、合规、成本、团队公平、资源分配负责。一个 leader 如果鼓励大家随便试 Agent,出了数据泄露、质量事故、采购浪费,责任在他。如果他不鼓励,只是慢一点,责任反而不清晰。于是组织激励天然偏向“等标准答案出现”。

这也是为什么很多 leader 会把 Early Adopter 误读成“不聚焦”。

你知道吗——Early Adopter 为什么常被误读为“不聚焦”?

因为他们的学习路径看起来不像项目路径。他们今天试 Claude Code,明天试 MCP,后天写一个内部 bot,大后天又把工作流迁到别的工具。在一些人看来这是东一榔头西一棒、憋大招,而在新世界看这是在寻找新的闭环边界。

在旧组织里,探索必须先被翻译成项目,项目必须对应指标,指标必须进入汇报链条。可是 AI 工业革命早期最有价值的探索,恰恰常常没有稳定名字。它一开始不是“平台”,不是“战略”,不是“创新专项”,只是一个员工觉得“这事应该可以自动化”的冲动。

延迟就发生在这个翻译过程里。

一线员工的语言是:我试了一下,它真的能跑。leader 的语言是:这个方向是否值得资源投入。两句话之间隔着一整套旧时代的预算、法务、合规、架构、绩效和职级体系。

所以,大公司如果想激发超级个体,第一步不是号召 leader “拥抱变化”。这种话太轻。

第一步是改变 leader 接收新信号的方式。今天大公司的 leader 们很容易活在 -1 这一层无心(或有意)编织出的信息茧房里,活在小红书、抖音、微信视频的 AI 营销号里。少看一层汇报,多看一次真实 Demo,少问“归哪个部门”,多问“谁已经自发在用”,少用季度 ROI 判断胚胎,多用采纳曲线、复用次数、用户抱怨和任务闭环判断方向。更重要的是,leader 自己要下场使用 LLM、Prompting、AI Coding,有能力的应该自己做几个 Agents,不然他永远只能隔着材料理解工业革命。

延迟不是不可挽救的,但它不会被培训课治好。它只能被新的实践结构治好:让 leader 重新接触一线痛点,让一线 Early Adopter 的小闭环被看见,让那些好奇、自学、自驱、爱动手的人不必先伪装成传统项目经理,才能证明自己正在推动组织往前走。

误判

文章配图

不容易成为超级个体的人,并不是不聪明。

恰恰相反,他们很多人是高分学生、优秀员工、靠谱骨干。他们习惯先理解体系和原理,先掌握基础知识,先听完课程,先等工具成熟,再开始行动,他们觉得如果一个品类别人做了,自己就不能再做了。这套姿态在过去二十年的组织里非常有效,因为过去的知识结构相对稳定,先学框架、再做项目,是一种高胜率路径。

但 AI 时代有一个麻烦:工具变化得比课程快,产品形态变化得比分类快,真实问题变化得比组织流程快。

于是过去的学习姿态,开始变成新世界的行动阻力。

最典型的第一类,是总想先问分类的人。

他们会问:“Agent 到底分几类?”,“Prompt Engineering 和 Context Engineering 的边界是什么?”,你给我讲讲“AI Coding 工具应该按 IDE、CLI、Plugin 还是 Agent 平台分类?”,“Claude Code 和 Codex 是一种东西?”,这些问题不是没有价值。问题在于,如果分类是行动的前置条件,一个人就会永远等在入口处。

人们习惯了先问分类,超级个体先问能不能用来解决我的问题。

第二类,是总想先找课程的人。

他们希望有一门“系统学习 Agent”的课,最好从概念、历史、工具、案例、最佳实践一路讲完。可是 Agent 这件事本身还在生成过程中,今天的最佳实践,三个月后可能就变成历史包袱。课程能帮人少走弯路,但它不能替代一个人把手伸进泥里。

第三类,是总想先等体系的人。

等公司统一采购,等别人买了 Claude Code Pro/Max 账号后教我,等 IT 开权限,等平台组出规范,等安全部门给白名单,等上级把“AI 提效”写进 OKR。等到所有东西都齐了,窗口也许已经过去了。超级个体不是不管风险,而是会在风险可控的边界里先做一个小闭环,让事实出现。

第四类,是总想先问竞品异同的人。

“这个和 Cursor 有什么区别?”,“Skills 和 Prompt~~(读 Promote)~~有什么区别?”,“这个和飞书已有 AI 功能有什么区别?”,“这个和公司的 AI 路线是否冲突?”这些问题适合产品评审会,却不适合作为探索的第一反应,似乎别人做了,你就不能再做了。很多新东西一开始没有清晰差异,差异是在使用中长出来的。

你知道吗——“如何系统学习 Agent”可能是一个旧世界问题?

它背后的默认假设是:先有一套稳定知识,再有正确行动。但 Agent 的很多知识恰恰来自行动之后。你先让它替你做一次调研、改一次文档、跑一次测试、整理一次用户反馈,失败会比课程更快告诉你边界在哪里。

这不是在鼓励反智,也不是说分类、课程、体系、竞品分析都不重要。它们当然重要,只是位置变了。

在过去,它们是行动之前的安全垫。在新世界里,它们更像行动之后的整理工具。先做一个小东西,先让它碰到真实问题,先得到失败样本,再回头命名、分类、沉淀方法论。这条路径看起来不够体面,但更接近 AI 时代的知识生成方式。

所以“不容易成为超级个体”的真正原因,不是能力弱,而是人格结构没有被行动激活。好奇心被分类延迟,探索精神被课程替代,自学能力被体系外包,自驱力被审批冻结,动手能力被竞品分析消耗。

文章配图

大公司里大量“先问分类”的人,不是坏人,也不是落后分子。他们只是被过去体系训练得太成功了。一个稳定组织最奖励的,往往就是这种姿态:先对齐,先学习,先写方案,先别乱动。

但超级个体的启动方式刚好相反。

他看见一个问题,会先问:“我能不能今天用 AI 把它往前推一步?”不一定成功,不一定优雅,不一定能立项,但他先让事情动起来。动起来之后,课程才有上下文,分类才有意义,体系才有抓手,竞品差异才会变成真实判断,而不是会议室里的概念游戏。

这就是新旧世界最深的误判:人们以为超级个体掌握了更多知识,新世界真正发生的是,超级个体把知识、工具、问题和反馈重新接成了一个行动闭环。

土壤

文章配图

超级个体能培养吗?

如果“培养”指的是把一群人拉到会议室里,上一套课,发一张证书,再要求他们按标准流程输出 AI 创新项目,笔者的判断是:很难。

因为超级个体首先不是一组技能包,而是一种底层人格结构。

•好奇心强,好胜心也强

•创新精神强,同时也是别人眼中的 trouble makers

•自学能力强

•自驱力强

•动手能力强

以上这五件事不是超级个体定义的全部,但它们构成了那种人最底层的发动机。组织能做的不是制造人格,而是把这种人格结构放进能闭环的场域里。

问题在于,旧的培训体系最擅长的是传递确定知识,最不擅长的是激发这种发动机。它可以教会一个人什么是 Prompt、什么是 Agent、什么是 Workflow,却很难让一个人突然开始对真实问题发痒,更难让他愿意在没有标准答案的时候自己往前走。

所以更准确的说法不是“培养超级个体”,而是:用组织闭环把超级个体激发出来。

这件事需要四块土壤。

•完整问题所有权:一个人不能只拿到被切碎的任务。他至少要能从问题定义、方案选择、原型验证、用户反馈一路看到后果。没有完整问题,就没有最终责任感。

•工具权限:AI 时代的动手能力,已经不只是会写代码。它还包括调模型、接工具、跑数据、做原型、发灰度、看反馈。组织不给工具权限,就等于让人只用嘴创新。

•直接用户反馈:超级个体不是在汇报链条里长出来的,而是在用户反馈里被打磨出来的。用户的困惑、惊喜、流失和复用,都是比上级评价更真实的训练信号。

•组织认可:组织必须承认“个人痒点”、“非正式原型”、“先做出来看看”、“Fail faster, fail earlier”是合法工作,而不是边角料、爱好和不务正业。

把它画成一张图,大概是这样:

文章配图

这也是为什么在很多组织里,产品经理、设计师、前端工程师,反而比一些更“懂模型”的角色更容易先长出超级个体。

产品经理天然靠近问题定义,知道用户为什么卡住。设计师天然靠近体验细节,能感受到一个产品形态是不是成立。前端工程师天然靠近可交互原型,今天有一个想法,晚上就能把能点的 Demo 做出来。

这三类人有一个共同点:他们离完整闭环比较近。

他们不一定最懂 Transformer,不一定能解释 LoRA 和 MoE 的差别,但他们能快速把 AI 能力接到一个具体工作流里:让一个报表自动生成,让一个客服流程少走三步,让一个内部知识库能被自然语言调度,让一个新功能先以半成品方式被用户摸到。

模型论文解决“能力能不能出现”,产品形态解决“能力能不能被人使用”。工作流解决“能力能不能反复改变人的行为”。超级个体往往最先站在后两者的交界处。

你知道吗——懂模型不等于看见产品?

懂模型的人,往往能判断一个能力的技术边界。看见产品的人,能判断这个能力应该嵌进谁的哪一个动作里。前者回答“模型能做什么”,后者回答“人会不会因此改变工作方式”。AI 时代真正稀缺的,常常是第二种眼睛。

所以大公司如果真想“培养超级个体”,第一反应不应该是做一套 AI 学院课程。课程可以有,但它只是肥料,不是土壤。

更关键的是问四个组织问题:这个人有没有完整问题?有没有工具权限?能不能直接看见用户反馈?组织会不会认可他在正式岗位之外长出的新能力?

如果四个答案都是没有,那么再多培训也只是在旧岗位上贴 AI 标签。

如果四个答案慢慢变成有,好奇心会自己找问题,自学能力会自己补知识,自驱力会自己跨边界,动手能力会自己把想法变成原型。到那时,所谓“超级个体”不是被讲师教出来的,而是被逼出来、养出来、照亮出来的。

结语

如果前面几章的判断成立,结论并不是“组织会被个体替代”。

恰恰相反,超级个体不是分工的终点,而是新分工的起点。

旧分工把一个完整的人切成岗位:产品经理负责需求,设计师负责体验,工程师负责实现,测试负责质量,运营负责增长,客服负责响应,财务负责结算,管理者负责协调。它的优势是稳定、可规模化、可替换;它的问题是,人的完整闭环被拆得太碎,最终责任感也被层层摊薄。

AI 之后,分工没有消失,只是尺度变小了。

一个人身边可以站起一组 Agent:有的负责调研与数据,有的负责设计与原型,有的负责编码与测试,有的负责运营、客服与财务整理。过去需要一个小组才能完成的动作,现在会被压缩到一个人的工作台上。

但请注意,真正关键的不是 Agent 变多,而是人重新站回最终责任人的位置。

这个人的角色会越来越像创始人、FDE[1]、产品负责人和 DRI 的混合体。他不一定亲手做每一个动作,但他要定义问题,判断方向,选择工具,验收结果,承担后果。他的好奇心决定问题从哪里开始,他的探索精神决定边界能不能被推开,他的自学能力决定工具变化时会不会掉队,他的自驱力决定无人安排时是否仍然行动,他的动手能力决定想法会停在 PPT 里,还是长成一个能被用户触摸的原型。

这五个特质不是超级个体的全部定义,但它们构成了超级个体的底层人格结构。没有它们,AI 只会把人变成更快的执行者;有了它们,AI 才可能把人放大成新的组织单元。

你知道吗——`Think different` 的组织含义?

回到开头 Apple 那支广告常被读成个人主义宣言。笔者更愿意把它读成组织提醒:那些 misfits、rebels、troublemakers,价值不在反叛本身,而在于他们经常先看见新组合。组织要问的不是如何把他们磨圆,而是如何给他们一个能负责到底的闭环。

所以超级个体不会让大公司失去意义,“一人公司”和“大公司”会长期并存。

大公司手里还握着一人公司拿不到的东西:品牌信用、分发渠道、算力资源、安全边界、合规能力、复杂客户、长期资本、跨专业协作网络。问题是,这些资源一旦被旧岗位、旧职级、旧汇报链条锁住,就从杠杆变成了重量。

真正的挑战只有一个——能不能把这些资源重新接到更小的闭环上。

不是让超级个体在层层审批里证明自己配得上授权,而是默认交给他一块可控的地盘,连同完整问题、工具权限、用户反馈和组织认可一起。不是等一个想法长成大项目才被看见,而是在它还是玩具、Demo、内部脚本、半成品 Workflow 的阶段,就允许它被真实使用、真实反馈、真实淘汰。

错位已经发生了。

一个产品经理已经能调度 Agent 跑调研、用 AI Coding 做原型、写说明、整理访谈,组织却还把他当“需求文档生产者”;一个前端工程师已经能从用户问题一路做到产品 Demo、灰度实验和数据复盘,组织却还盯着他的“代码产出量和”、“需求负载率”;一个设计师已经能用 AI 把交互、文案、页面、动效和用户测试串成闭环,组织却还让他在流程末端美化界面。

原先的尺子量不出新的杠杆,旧的分工框不住新的产能。这才是真正要回答的问题——生产关系本身。

工业化大公司曾经把复杂协作压进岗位、流程和层级里,那是过去的伟大成就。AI 时代要做的不是把它砸碎,而是把它重新组合到“人 + Agent + 组织资源”这个新单元里。

超级个体不是天生的,也不是培训班批量制造出来的。他在完整闭环里被激发,在真实问题里被打磨,在组织认可里被放大。

下一代组织的分水岭,不在谁拥有更多 AI 工具或 Agent,而在谁更早承认:人正在以更小的尺度重新组织生产。

文章配图

参考资料

[0] Henry:https://xhslink.com/m/AyUHaIeXWic

[1]FDE——AI 时代的职业转型已经打响?:https://my.feishu.cn/wiki/LiubwwOU4iqbS4kxn4EcikHGnTf

[2]Think different campaign:https://www.computerworld.com/article/1629859/the-untold-story-behind-apple-s-think-different-campaign.html

[3]Find a Position of Leverage:https://www.navalmanack.com/almanack-of-naval-ravikant/find-a-position-of-leverage

[4]新浪科技旧文:https://tech.sina.com.cn/c/2001-08-24/5372.html

[5]界面新闻回顾:https://www.jiemian.com/article/4178068.html

[6]FlashGet 十周年大事记:https://www.flashget.com/10th/

[7]WinZip 的 Nico Mak Computing 回顾:https://www.winzip.com/en/learn/old-brands/nico-mak-computing/

[8]ACDSee About:https://www.acdsee.com/en/about/

[9]TechSpot 的 Winamp 回顾:https://www.techspot.com/article/2042-winamp/

[10]在 2002 年写了自己第一个破万的 Shareware —— MagicCube Lyric Editor:https://web.archive.org/web/20030816005420/

[11]*How Do Committees Invent?*:https://inigomedina.co/library/work/conway-law

[12]ChatGPT:https://openai.com/blog/chatgpt/

[13]Pragmatic Engineer:https://newsletter.pragmaticengineer.com/p/how-claude-code-is-built

[14]OpenClaw:https://openclaw.ai/

文章来自于"十字路口Crossing",作者 "Henry[0](DeerFlow团队)"。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)