AI-Native Leaders: The Organizational Playbook for Engineering Transformation at Scale

标题：面向 AI-Native 的领导者：实现工程转型的组织指南

URL 来源：https://blog.bytebytego.com/p/ai-native-leaders-the-organizational

发布时间：2026-06-22T15:30:47+00:00

Markdown 内容：

运行 npx workos@latest 以启动一个 AI 代理，该代理可以读取你的项目，检测你的框架，并直接将认证集成写入你的代码库。无需提前注册账户。WorkOS 会自动创建你的环境和密钥，然后在你准备就绪时让你认领该项目。 安装完成后，可以直接从终端管理用户、组织和环境。

立即试用

这是 Shah Rahman（Meta 广告业务全球自主机器学习迭代与优化负责人）系列文章的第二部分，他在文章中构建了超大规模的 AI-Native 基础设施和多代理系统。你可以通过 LinkedIn 与他联系。

第一部分，发布于两周前，是为个人工程师撰写的。Shah 涵盖了以下内容：

• 从工程师到协调者的转变

• 四个核心实践：上下文工程、基于规范的开发、关键验证和问题分解

• 代理开发生命周期（ADLC）

• 不再可选的安全防护措施

第一部分是关于个人的。第二部分是关于组织的。在这里我们涵盖以下内容：

• 基于小组的结构和代理倡导者模型

• 从第一性原理出发的领导力危机：所有权、同理心和决定构建什么

• 分阶段的转型指南，以及证明其有效性的指标

个人的收益无法自动转化为组织的收益。这是实现这一飞跃的指南。让我们深入探讨。

AI-Native 领导力是自行业十多年前转向敏捷以来最重要的组织转型。几家公司的 AI 生成代码占比在一年内从零增长到 50% 或 60%。某些团队的生产力提高了 2 到 10 倍。

但我们一直在以艰难的方式学习：个人工具的使用只会带来个人收益，而系统性的改进需要有意识的领导力和工作流程的重新设计。

证据难以反驳。大约 70% 的转型成功来自于运营和文化上的变化，而不是技术的部署。而大多数组织都做错了。他们分发工具，测量采用率，然后却困惑于为什么速度始终无法提升。

但一些组织已经取得了切实的成果。在 Shopify，CEO Tobi Lutke 告诉员工，现在使用 AI 已经是基本的预期，团队在要求增加人手之前，必须说明为什么某项任务不能由 AI 完成。在 Klarna，AI 驱动的组织结构调整使员工人数减少了超过一千人。这些组织将 AI 视为一种根本性的运营模式变革，而非工具升级。几乎所有的其他组织现在都在努力追赶。

AI 原生工程的原子单位是小型、跨职能的团队：3 到 5 人，使用 AI 代理和工具自主运作。在互联网泡沫时代建立的层级结构，所有那些管理层、负责人和协调者，正在被逐步拆除。

当一个拥有 AI 工具的 10 倍工程师能够完成过去需要一个更大团队才能完成的工作时，对组织的影响是巨大的。一些小组现在直接向高级领导者汇报，基于战略重要性。团队的影响重新定义为围绕结果，而不是人数。

一个成熟团队的小组试点结果令人印象深刻：3 个项目在自主代理循环中运行，不到两个月内，整个组织中超过 90% 的工程师使用了该工具，使用代理辅助开发循环，功能可以在几小时内完成，而不是几天。

在这种结构下，角色变得灵活。工程师可以设计，设计师可以编码，产品经理可以直接制作原型。这不是角色混淆，而是能力的增强。AI 消除了传统的技能瓶颈，因此团队可以更注重判断，减少流程上的负担。

大多数 AI 代理在演示中运行良好，但在实际生产环境中却失败。学习如何使用 Orkes Agentspan 和 Conductor 开源框架构建持久、企业级的 AI 代理。这本白皮书探讨了如何使用内置的治理、可观测性、重试和人工审批功能，协调长期运行、容错的代理工作流。了解 Agentspan 与 LangGraph、CrewAI 和 AutoGen 在实际企业 AI 系统中的比较。如果你正在构建需要可靠性、可扩展性和控制的 AI 工作流，这本指南将展示使生产级代理成为可能的架构模式。

下载白皮书

虽然你的具体实现将取决于你的组织，但这里有一个可用的模板：

• 从 1 或 2 个试点小组开始，针对那些阻碍整个团队的高优先级难题。

• 去除非必要的审查层级，减少预批准的摩擦。

• 正式化自主性，使小组能够自行决定是快速失败还是继续推进。

• 仅在试点指标验证结果后进行扩展。抵制任意的推广时间表。

每个支柱都应指定 1 至 2 名全职代理冠军（Agent Champions），负责重塑工作流程、准备代码库和重构运营模式。这不是一项可以边做其他工作边处理的任务。它需要全身心投入、具有高度主动性技术领导者，他们将把 50% 到 100% 的时间投入到转型本身。

代理冠军的模式远远超出了传统工程领域：

• _产品管理冠军_ 重新设计产品评审、实验流程和跨职能交接，以实现自主执行。

• _设计冠军_ 构建以代理为中心的原型设计框架，同时保护工艺标准。

• _分析冠军_ 让代理在基于人工智能原生的数据基础设施上运行分析，实现前所未有的规模。

重要的一点是：与代理冠军合作的工程师有 70% 以上的代码是借助人工智能完成的，这使得他们从“人在环中”转变为“人与环共存”。这意味着，当这些工程师进行手动编辑时，这表明人工智能的上下文信息缺失，而不是正常业务流程。

对于任何进入代理冠军角色的人来说，有四点最为重要：

• 首先以个人对人工智能的采用为先：每天使用这些工具，并分享发生的一切，包括成功与失败。

• 承诺将人工智能视为战略的基础，而非可选的增强手段。

• 通过与每个团队进行结构化、个性化的互动，消除障碍。

• 以生产力提升和业务成果为基础来衡量影响，而不是以工具使用指标为依据。

高级领导者正在组建“人工智能原生管理者”和“人工智能原生领导者”小组，深入探讨运营背景：_流程_、_工具_、_报告_和_指标_。这是一种能力的演变，目前教育机构还无法跟上，因此大多数组织都需要这样的学习和发展小组。

领导力能力的转变从“授权”转向“协调”。你管理的是多个并行的人工智能工作流程，而不是将任务分配给人类。技术深度变得不可或缺。亲力亲为的管理者必须评估代理生成的代码并建立验证层。而上下文工程成为核心领导技能，因为你给予人工智能系统的指导精度，就是你的团队所继承的精度。

在深入探讨操作手册之前，值得回头审视所有问题背后的核心危机。

这是大多数组织都忽视的洞察。主流叙事庆祝人工智能的速度：单人创始人与代理一起发布产品、戏剧性的生产力提升、随处可见的演示。但软件开发中一直困难的部分，依然困难：

• 在众多选项中决定要构建什么

• 识别用户真正需要的功能

• 优先考虑客户愿意付费的能力

• 知道何时终止缺乏明确反馈的项目

你是否听说过，构建优秀的软件是一种共情行为？人工智能无法复制人类对用户摩擦的理解，或产品决策中情感的重要性。多位 Y Combinator 合伙人也曾提出过同样的观点：_产品品味_、_设计敏感度_和_客户共情_将在执行商品化后成为区分人类技能的关键。

当廉价的编码引发过度功能开发时，危险就出现了。用户并不会因为你能发布十倍多的功能而获得十倍的认知带宽。团队会陷入不受控制的开发中，并制造虚假的进展。

真正重要的转变在于，我们不再问“是否能更快地构建某物”，而是问“是否应该构建某物”。

从经验来看，AI原生组织中大多数的混乱都源于责任归属不明确，而不是流程不佳。即使是最有权力的团队，一旦责任模糊，也会变得犹豫不决。工作会根据当天最紧急的事情被捡起或放弃。领导层成为所有决策的升级路径，这削弱了中层管理，引发了组织的扁平化趋势。

在流程失败的情况下，堆砌更多的流程只会让问题更加严重。原则是，如果某件事足够重要，就交给一个负责人，并让他们对结果负责。

我们通过“一切的STO”模型来实践这一原则，其中STO代表“单一任务负责人”。每个STO都拥有清晰的优先级、权威和决策权。这一简单的改变通过消除模糊责任几乎总是带来的协调成本，极大地推动了我们的转型。

因为，AI极大地扩展了并行工作的表面面积。更多的项目同时进行意味着更多的协调负担，这会触发人们增加流程的本能。当责任仍然不明确时，这些临时的流程变成了问责的替代品，最终导致恶性循环。

你可以通过代理（如依赖跟踪、调度、状态摘要）来自动化协调，但这只能带来暂时的缓解。它掩盖了没有人负责的根本问题。一旦关键人物离开，这些问题就会浮现，系统也会崩溃。

如果你想解决这个问题，就必须对结果负责，而不是对流程负责。将STO模型映射到“人机协作”范式中：_人类设定方向、验证结果并做出不可简化的判断，而AI负责执行的细节。_

我见过最常见的失败是，团队花费数月时间打磨那些根本没有产品市场契合度的产品。他们完善用户界面、添加设置、优化文案，所有这些都产生了虚假的进展，却没有改变产品的方向。AI通过将构建成本降低到小时级别，使这种诱惑更加严重，代码的泛滥现在推动了未经验证的产品狂热。

关键在于在投入开发之前先测试假设。在构建任何东西之前，先问：“有没有最简的方式可以了解这件事是否重要？”快速原型生态系统（如Vercel的v0、Replit Agent、Lovable、Bolt.new）使这一过程几乎零成本。

然后设计到50-60%的完成度。发布能够实现核心用户旅程的最基本功能。观察用户在哪些地方犹豫、误解或放弃。这会告诉你真正的产品挑战，而不是想象中的问题。超过70%的功能从未真正触达过用户。在AI时代，没有理由去构建没人想要的完美功能。

这种诱惑是真实存在的，但屈服于它可能会决定产品是成功还是失败。

高级用户已经超越了简单的人类与AI配对，开始协调多个专业化的AI系统，这些系统有效地形成了一种代理机构。这些机构可以采取多种形式。

基于角色的委托将代理视为专业人员，每个代理都有独特的角色。交叉评估系统部署多个代理独立分析问题并相互审查工作。流水线式的工作流程将顺序的专业化串联起来：首先是架构师，然后是设计师，接着是编码员，最后是审查员。

新兴的模式旨在实现自主、以代理为主导的开发，代理可以编写代码、构建、测试并修复问题，而人类则提供监督。关键的区别在于，代理主导实际任务，当代理遇到障碍时，人类才介入，而不是相反。

一些关键点使这种协作得以顺利进行。每个AI模块都附带上下文文件，这些文件包含清晰的架构上下文。工作被分解为小的、可管理、可验证的块。质量保证从不假设AI是正确的。多代理协调管理着专业代理之间的交互。

采用以AI为主导方法的团队经常报告，在各种任务中，只要基础设置正确，效率可以提高2到10倍。

直到2025年，人类必须亲自操作代理。今年，AI代理已经发展到足够成熟的程度，人类不再需要坐在驾驶座上。AI代理可以自主运行，而人类则提供监督、治理并保持参与。

一个大型团队成功地完成了这一转变。人类设定计划和成功标准，AI执行实现并自我验证，AI在自身标准达成之前不断迭代，人类则审查并批准最终输出。这种半自主的方法比他们之前的开发循环提高了40%到50%的速度。

其他结果同样令人信服。

一个团队的“AI代理小组”方法带来了巨大的收入影响，这原本只是P25级别的目标。另一个团队推出了原生AI的工作流程，目标是提高两倍以上的生产率，代理自主管理从编写到生产过程中的代码。第三个团队采用了AI驱动的技术债务减少方法，在不到四个月内实现了超过60%的生产率提升，且没有质量下降，这一转变通常需要6到12个月。

当AI在几秒钟内生成数千行代码时，传统的度量标准就失效了。度量方式必须从基于输出转变为基于结果。

工程师的大部分时间并不用于编写代码。加快代码生成的速度并不一定会提高整体的生产力。围绕代码编写的工作（如代码审查、测试、协调和治理）占用了其余的 70% 到 80%，而瓶颈恰恰就出现在这些环节中。

研究支持这一悖论：

• 麦肯锡发现，使用 AI 助手的开发人员在离散的编码任务上速度提高了 20% 到 45%，但警告称，组织层面的收益较小且更难衡量。

• 谷歌的DORA 团队发现，AI 工具提升了个人的产出效率，但如果没有流程的改变，部署频率和变更失败率并不会自动改善。

• 微软研究院发现，每周完成的 Pull Request 数量增加了 26%，但指出审查负担只是转移到了其他团队成员身上。

波士顿咨询公司（BCG）对此的总结最为贴切：_真正的生产力提升需要重新定义工作内容，而不仅仅是增加工具。_ 相比于重新定义哪些任务值得完成，更快地完成同一任务的重要性要小得多。

当我们的一个团队系统性地消除了这些周边瓶颈时，他们在六个月的时间里实现了 1.8 到 2.4 倍的速度提升。

鉴于生产力悖论，衡量生产力和转型的指标必须对这一悖论具有韧性：

• 以 AI 为主导的 MAU（月活跃用户）： 75% 或更高比例的代码由 AI 生成。由代理协助的代码差异：至少达到 55% 才能看到显著的生产力提升。L4 级以上 AI 工具的采用率：在工程职能中，每周活跃使用率达到 80% 或更高。

• 为了衡量业务影响，应将 AI 使用情况和生产力提升直接与收入挂钩。 跟踪功能开发速度，其中原型到生产的时间线改善了 2 到 10 倍。同时，将开发者体验（满意度、心流状态、协作效率）与产出指标一同进行衡量。

• 质量必须是一个核心指标，而不仅仅是保障措施。 注意“AI 混乱”现象，即随着 AI 生成的代码逐渐堆积，但缺乏足够的审查，代码库质量逐步下降。这是“没人负责”的现象，可能会悄无声息地破坏整个代码库。

有八种模式会持续阻碍转型，每位 AI 原生领导者都需特别关注：

• 工具附加： 在不重新设计工作流程的情况下附加 AI 工具，对整体影响微乎其微。这是最常见的失败模式。

• 审查瓶颈： 一旦 AI 加速了代码生成，传统的审查步骤就可能成为产出的瓶颈。

• 提示复制： 团队在没有上下文的情况下复制外部提示，导致代理性能不佳。瓶颈在于上下文工程能力，而不是模型本身。

• 指标操纵： 团队优化代理生成代码的比例或采用率统计数据，而不是关注实际成果。

• 安全捷径： 在没有适当审计控制的情况下部署特权代理。由此引发的生产事故有些是真实且代价高昂的。

• 知识债务： 验证和规范工作落后于代理生成的工作，随着时间推移，维护风险不断累积。

• 初级人才管道空心化： 当人工验证被外包给代理时，初级开发者的经验会下降。原本的“缺失阶梯”人才管道问题会演变为长期的可持续性风险。

• 会议蔓延： AI 加速反而为更频繁的同步会议腾出了空间，但这些会议并没有明确的影响。协调的开销吞噬了加速生成所节省的时间。

成功依赖于系统性地检测这些模式，并采用真正的变革管理框架（如 ADKAR：意识、渴望、知识、能力、强化）进行推进，同时辅以结构化的推广和反馈循环。仅凭工具的分发和使用指标无法推动变革。

现在，AI 原生领导力的基础已经就位，以下是分阶段的行动方案。

• 领导力可信度： 每天亲自使用 AI，设定可衡量的目标。在 30 天内将 50% 或更多日常任务交给 AI，然后逐步提高比例。掌握工具的实际操作，使你的理解真实可信。在公开场合分享成功与失败，以展示学习的心态。

• 代理倡导者任命： 识别那些具有高度自主权的技术领导者，让他们可以投入 50% 到 100% 的时间。将领导者和个体贡献者拉得更近，以加快决策速度。设立跨职能协调机制，使整个端到端的工作流程得到彻底转变。

• 试点小组组建： 从代码库的 AI 准备度评估开始。组建 3 到 5 人的跨职能团队，赋予他们自主运营的授权。将他们瞄准真实的问题，而不是玩具练习，以确保势头是真实的。

• 工作流程转型： 审查那些高摩擦、手动执行的工作流程，这些流程是 AI 的良好候选对象。从“人在回路中”转变为“人在回路外”。构建 AI 可读的文档和规范系统，将部落知识转化为共享知识。

• 文化转型： 建立心理安全感：MIT 的研究表明，83% 的领导者认为心理安全感可显著提高 AI 项目成功的可能性。正式设立“AI 失败故事”会议。将衡量标准从产出转向结果。

• 技术基础： 清理死代码、技术债务和文档债务，以提高 AI 准备度。实施沙盒控制、审计机制和自动化安全检查。构建自主 AI 运行所依赖的验证层。

• 扁平化层级： 移除阻碍 AI 加速工作的协调层级。你需要的是 AI 原生的构建者和 AI 原生的领导者（可以考虑 STO 模型）。

• 基于影响的进展： 重视奖励和成果，而非团队规模。定义真正对组织至关重要的成功指标，并将 AI 工具和代理作为最具杠杆效应的资产。

• 跨职能的熟练度： 让角色随着 AI 消除传统技能障碍而灵活变化。打破产品管理、设计、工程、数据科学和现场支持之间的壁垒，使 AI 原生的构建者能够自由流动并加快构建速度。

在整个过程中，跟踪那些超出初始生产力提升的复利收益。将 AI 的采用与战略业务指标联系起来。并且严格保持质量标准，因为没有质量的速度是负价值。

1. 影响扩展： 如果你能够快 10 倍地交付，用户是否也会快乐 10 倍？如果不是，你可能正在优化错误的事情。

1. 共情深度： 你是否了解用户，以至于可以删除一半的界面？没有共情，更多的 AI 生成功能将无法修复让用户感到无能的产品。

1. 学习速度： 你每周是否都在处理真实用户行为数据？如果不是，你的瓶颈是洞察的周期时间，而不是代码的周期时间。

1. 所有权清晰度： 每个主要举措是否都有一个明确的负责人？在 AI 加速下，披着流程问题外衣的所有权问题只会变得更糟。

1. 假设的严谨性： 你是测试假设还是在构建产品？如果你无法说出会终结你项目的信号，那你正在投入一个没有用户验证支持的事物。

这里有一个反直觉的真相：AI 并没有减少对流程的需求，而是改变了流程的目的。

AI 之前的流程协调了人类之间的执行。AI 压缩了执行时间，但提高了决定什么值得执行的成本。现在世界运行在同时构建、并行实验和原型迭代堆叠的基础上。关于什么重要、什么要砍掉、什么要加倍投入的领导决策，成为了关键的限制因素。

流程优化归结为三个问题：

1. _我们本周学到了什么？_ 奖励团队之间更快、更深入的学习。

1. _我们本周要淘汰什么？_ 主动淘汰缺乏真实价值的产品和代理。

1. _每个赌注的负责人是谁，什么信号会改变他们的想法？_ STO（战略目标组织）依据客观信号进行指导，而不是直觉或 AI 生成的内容。

其他的一切都是额外负担。

这一转变的时间窗口正在缩小。那些在未来一年内成功实现转型的组织，将与那些延迟转型的组织拉开 5 到 10 倍的生产力差距，而随着 AI 原生实践的复利效应，这一差距将变得极其难以弥补。

成功的组织在产品开发速度、技术创新能力以及吸引顶尖人才的能力方面展现出真正的优势。早期的领先者成果（2.4 倍的速度提升、60%以上的 AI 生成代码、以小时而非天为单位构建功能）表明，这是一种根本性的能力转变，而不是渐进式的改进。最后几点思考。

稀缺资源已经发生了转移。 它从生成和生产转移到了协调和判断。当 AI 几乎以零边际成本生成内容时，评估质量、设定方向和做出艰难决策的能力成为瓶颈。那些投资于构建 AI 原生团队能力的领导者，将显著优于那些仅仅部署更多代理的领导者。

结构性变革是必不可少的。 生产率悖论是真实存在的。如果不重新设计工作流程、衡量体系和文化规范，个人的收益无法转化为组织的收益。请记住那句著名的格言，“文化会在早餐时吞噬战略”，在人工智能的照耀下，这句话显得更加耀眼。如果不对基础和结构进行重新设计以适应人工智能原生时代，任何程度的转型都无法拯救你。

风险缓解是一个持续的过程，而非一次性解决。 监控人工智能生成代码的质量和可维护性，以防止技术债务的积累。通过嵌入式的持续集成/持续交付（CI/CD）检查来应对安全风险（如提示注入、内存损坏、访问控制和审计合规性）。通过在每个层级培养人工智能原生工程师，防止“缺失的阶梯”人才管道问题。在拥抱人工智能加速的同时，坚持人类价值观，因为当人工智能原生时代到来时，合理运用的人力资本仍将持续带来回报。

人工智能改变了工具，但它并未改变核心现实。困难的部分依然异常地人性化。