2036年的一天：我在一家软件公司，看见了AI重写组织

声明：本文是一篇基于公开理论与行业趋势的情景推演，用 2036 年的假想视角，讨论 AI 可能如何重塑一家典型 ToB 软件公司的组织架构。它不是对任何行业、公司或岗位的事实判断，也不构成投资建议、管理建议或裁员建议。

2036 年 5 月，一个普通的周三，我去拜访一家 ToB 软件公司。

如果只看营收、客户数和行业地位，它算得上是一家成功公司：收入比十年前更高，客户数翻了几倍，产品线也更完整了。可当我真正走进它的办公室时，第一反应却不是”这家公司真强”，而是：

这家公司的人，怎么会这么少？

前台没人。访客登记、保密协议确认、会议室分配，全由接待 agent 自动完成。屏幕识别出我的预约信息后，弹出一句话：“今天带你参观的人类同事，10 点后才有空。你可以先自己走走。”

我站在原地愣了几秒。

十年前，人们谈论 AI 对企业的影响时，最常问的问题是：它会替代多少人？但如果从组织理论看，这个问题其实问浅了。企业之所以要把这么多人装进同一个组织里，不只是因为任务多，还因为搜寻信息、转译需求、协调分工、执行合同、监督流程本身都要付出成本。

Coase 早就指出，企业之所以存在，正是因为市场和组织内部都存在交易成本；Williamson 又进一步说明，在不确定性、合同不完备和持续协作存在时，企业真正处理的，是治理问题，而不只是生产问题。AI 一旦把信息摩擦、协调成本和标准化执行成本系统性压低，变化就不会只停留在”提效”层面，而会一路传导到企业边界、组织分工和岗位价值上。

所以，这篇文章真正想讨论的，不是”AI 会不会把人替掉”，而是另一个问题：当交易成本、协调成本和标准化执行成本被 AI 大幅压低后，一家典型的软件公司，到 2036 年会长成什么样子？

09:10｜研发区：最安静的地方，曾经最拥挤

我先走进研发区。

那里安静得有点反常。十几张桌子，七八个人，屏幕上开的不是成堆的需求文档，而是模型路由、系统监控、调用链追踪、风险熔断和知识库同步状态。没有大规模站会，也没有十年前那种”产品、研发、测试、运维围着一个版本来回对齐”的热闹。

如果把时间拨回 2026 年，这里坐着的大约是一百人。算法团队 60 人，前后端、测试、运维和架构团队 40 人。那时一个新版本上线，意味着一整条链路要同时启动：有人整理需求，有人拆任务，有人写代码，有人补 case，有人联调，有人压测，有人盯线上，有人写复盘。很多工作并不高深，但极碎、极密，而且高度依赖部门之间的反复转译。

现在，这条执行链被抽空了大半。

不是因为技术突然神奇到可以”一键交付”，而是因为过去十年里，AI 首先吃掉的，并不是某个完整职业，而是一连串可标准化、可复制、可模板化的任务：代码生成、接口封装、测试补全、回归执行、文档同步、问题归档、变更影响分析。

Autor 所说的”任务视角”，放到今天看，几乎像是提前给这十年写了注脚：技术变化通常不是整块消灭职业，而是先重排职业内部的任务结构；Acemoglu 也反复强调，理解技术冲击，关键要看任务如何在劳动和资本之间重新分配。

所以 2036 年的软件研发，看起来像是”人少了”，但本质上是另一件事：大量执行性任务下放给了系统，留下来的人开始围绕边界、约束和责任工作。

这家公司现在的工程团队，加上测试、运维和技术负责人，只有 5 到 7 个核心人。人数是压薄了，但他们在组织里的位置反而更高了。

因为当执行变便宜，真正昂贵的就变成了：哪些模块可以全自动生成，哪些模块必须人工 review；哪些 agent 可以直接执行，哪些只能建议；线上异常到底是模型问题、知识污染、工具调用失败，还是工作流本身出了错；出了事故以后，谁能判断、谁能回滚、谁来承担后果。

十年前，工程团队更像生产队。今天，工程团队更像控制面部队。

10:00｜算法组：人数变少了，但更靠近权力中心

10 点，算法组开了一个短会。

说是会，其实更像一次参数校准。几个人围着一块屏幕，讨论的是某个行业场景的安全阈值要不要调高，某条模型路由在当前成本下是否还值得保留，以及某个企业知识层的召回策略要不要改。

这个画面和 2026 年很不一样。

十年前，一家公司一旦”做 AI”，第一反应往往是堆算法团队。训练、微调、标注闭环、效果优化、数据清洗，几乎每个环节都能长出一支队伍。那时候，算法团队的主要任务是”制造能力”。

2036 年不是这样了。基础模型早就外部化、平台化、商品化了。对绝大多数 ToB 软件公司来说，自己从零训练大模型已经既不划算，也没有战略必要。真正重要的，不再是谁把底模做得更大，而是谁能把通用能力嵌进具体业务，并让它稳定、划算、合规地跑起来。

于是，算法团队从”大生产部门”变成了”小型高密度中枢”。

这家公司现在的算法团队，人数大约只有 10 人，但他们管的事情比十年前更接近组织核心：模型路由、成本控制、安全策略、评测基线、企业知识组织、私有化适配、行业模板设计。十年前他们主要负责”把模型做出来”；今天他们主要负责”决定模型如何在这家公司里被使用、被约束、被审计”。

这就是 AI 基础设施化之后最有意思的变化：一个部门的人数未必决定它的地位。当能力开始像电和云一样成为基础设施时，真正重要的不是”生产能力的人海”，而是”调度能力、约束能力和校验能力的少数人”。

10:40｜产品部：这个部门在组织图上消失了

我在楼里转了一圈，都没找到”产品部”的牌子。

后来 CTO 跟我说，他们现在没有独立产品部了，但仍然有很强的产品能力。

这句话我一开始没太明白，后来慢慢懂了。

2026 年的软件公司里，产品经理是一个很典型的”中间层角色”：跑需求、写 PRD、出原型、做评审、跟研发对齐、跟客户解释、和运营同步。

很多时候，产品经理最大的价值不是发明一个新世界，而是在公司内部做信息转译：把客户的话翻译给研发，把研发的限制翻译给业务，把零散问题整理成文档，再推动所有人往前走。

但技术一旦开始重排任务，这类岗位最先被抽走的，恰恰就是”中间翻译层”上的那些标准化任务。需求归纳、原型草图、会议纪要、历史问题召回、竞品对比、优先级建议、版本影响分析，这些事现在都由系统实时完成，而且通常比人更快、更全，也更不容易漏上下文。

Autor 的任务框架说得很清楚：技术并不直接抹掉一个职业，而是先把职业内部最容易程序化的那部分抽离出去。

于是，2036 年很多公司会出现一个很微妙的现象：独立产品部趋于消失，但产品能力不会消失。

它只是被拆开了。

算法负责人定义能力边界，解决方案负责人定义客户场景，策略运营定义规则与节奏，客户成功把真实反馈不断带回系统。产品不再寄托在一群写 PRD 的人身上，而是嵌在离结果更近的人身上。

所以今天你看不到产品部，不是因为产品不重要，而是因为”产品经理作为信息搬运层”的必要性，已经被 AI 系统性压低了。

11:20｜数据区：标注工厂退场，数据治理上场

再往里走，是一个不大的房间，门牌写着”数据策展与评测”。

里面只有 12 个人。

十年前，这家公司最壮观的部门之一，就是标注团队，300 人。几百人分布在不同楼层，筛样本、打标签、做质检、修规则、返工，像一座不停转的数据工厂。那是上一代 AI 公司最典型的人力黑洞：算法能不能进步，往往不只是模型问题，更是”能不能持续喂数据”的组织问题。

可 2036 年，大规模人工标注工厂几乎已经退出主舞台。

但这并不意味着数据不重要了。恰恰相反，数据比十年前更重要，只是它的重要性从”劳动密集型生产资料”变成了”高价值治理对象”。

现在这 12 个人，不再负责大规模人工标注。他们主要做三件事：设计评测集，决定系统究竟应该被优化到什么方向；治理高价值数据资产，判断哪些客户语料、流程经验和行业知识可以沉淀进企业系统；以及做抽检、审计和纠偏，避免自动生成、自动扩展、自动归纳的数据层悄悄偏掉。

这其实也符合更一般的组织逻辑：当标准化执行成本下降后，企业内部会把更多精力转向”例外管理”和”规则治理”。

Williamson 把这叫作治理问题——不是所有交易都能靠事前写清楚的合同来解决，很多真正关键的动作，发生在事后协调、持续约束和异常处理里。把这套话翻译成今天的软件公司语言，就是：数据工作从”生产更多标签”，转向”确保系统不会在无人察觉时偏航”。

十年前，数据团队像流水线。今天，他们更像策展人、裁判和守门人。

13:30｜客户区：一线客服变薄，客户链路变厚

午饭后，我被带去了另一层。

这里明显比上午热闹。会议室几乎是满的，屏幕上显示着客户续费概率、扩单机会、项目风险、行业健康度和账户活跃曲线。那一刻我意识到，这家公司减少的并不是所有人，而是某些特定类型的人。

十年前，他们有 10 人客服团队。普通咨询、工单分流、使用引导、故障反馈，大多由人工完成。很多人当时就预测，客服会是最早被 AI 改写的岗位之一。

这个方向没有错，但过程比人们当年想得更细。

一线客服确实变薄了，现在可能只剩 2 到 4 人，主要处理高情绪、高风险、高例外率场景。绝大多数标准问答、培训、工单归因和问题分流，都交给了系统。

这个推演并不夸张，因为今天已经有实证研究显示，生成式 AI 在客服场景中能带来显著的生产率提升，平均增幅大约在 14% 左右，而且对低经验员工提升更明显；但同一研究也强调，它并不能直接推出企业最终会裁掉多少人，因为企业也可能把效率释放转化为更快响应、更大规模服务和更低流失。

也就是说，客服变薄，不等于客户链路整体变薄。

恰恰相反，这家公司和客户打交道的人，比十年前更多了。原因很简单：ToB 生意从来不只是”回答问题”这么简单。客户真正买的，不只是一个功能，而是一套新的工作方式。

它能不能接入现有流程，能不能通过合规审查，能不能打通权限，出了问题责任怎么分，能不能让客户在内部讲清楚这笔钱为什么值得花——这些事，远远超出了一线客服的范畴。

所以 2036 年最典型的变化，不是”客户服务消失”，而是机器解决问题，人经营信任。

14:20｜解决方案中心：从配角变成主角

我旁听了一场解决方案团队和客户的远程会议。

整场讨论几乎没有围绕”这个功能能不能做”展开，更多是在谈：这个 agent 能否接入现有审批流，哪些节点可以自动执行，哪些必须人工复核，知识库权限怎么切，日志怎么留痕，异常回滚如何触发，出了偏差以后谁来担责。

十年前，这样的部门通常是销售身边的辅助角色。今天，它几乎成了整家公司最像”主角”的地方。

从理论上看，这其实顺理成章。Coase 告诉我们，企业要处理的不只是生产本身，而是把一连串交易和协作放进一个更低成本的治理结构里；Williamson 则进一步说明，越是高不确定、强依赖、合同不完备的场景，治理结构就越重要。

放到今天的企业软件里，客户买的已经不是一个静态软件包，而是一整套由模型、知识、工作流、权限、审计和人工兜底机制拼出来的能力系统。

卖这样的东西，光靠研发不够，光靠销售也不够，必须有人同时理解客户流程、自身能力、交付边界和合规要求。

这就是为什么，2036 年的软件公司里，解决方案团队会从配角长成主角。因为当产品越来越标准化，真正稀缺的就不再是”把功能做出来”，而是”把客户组织重构成功”。

15:10｜销售区：产品越标准，关系越值钱

我原以为 AI 会让销售团队也明显收缩，结果完全相反。

这家公司十年前销售团队大约 30 人，今天接近 80 人。当然，纯电话销售几乎已经没有了，那种大规模外呼、反复筛线索、机械重复触达的工作，早就被 agent 接管。可真正的大客户销售、客户成功和续费经营，反而比十年前厚得多。

这并不反直觉。

当产品交付越来越标准，边际成本越来越低，很多过去靠”功能差异”建立的壁垒都被削薄了。也正因为如此，客户采购时才会更加看重另一件事：你值不值得被长期信任，你能不能帮我在组织内部把这套系统真正落地。

这和最近 OECD 关于 AI 暴露岗位技能变化的研究也相当一致。报告显示，在高 AI 暴露岗位中，需求最强的并不只是所谓”AI 技能”，而是管理、业务流程和沟通协调能力。换句话说，AI 并没有让”和人打交道”变得不重要，反而在很多场景下，把这部分价值抬得更高了。

所以这家公司销售人数的增长，并不是因为销售效率下降了，而是因为组织稀缺性迁移了：

交付越自动化，关系越稀缺；产品越标准，信任越值钱；执行越便宜，客户内部的推进成本越值得被经营。

这也是为什么，未来软件公司的增长瓶颈，很可能不再是”研发是否足够快”，而是”客户信任能否足够快地扩散”。

15:50｜职能部门：HR 和财务变薄，法务成为闸门

接下来我看了职能部门。

HR 区域只剩 3 个人。财务只剩 1 到 2 个核心人。这个变化几乎符合所有人对未来的直觉。招聘需求本身减少了，搜人、初筛、排面试、结构化沟通、背景信息整理等大量流程都被 agent 自动化，员工规模又整体下降，HR 的体量自然会随之压缩。财务也一样，报销、对账、核算、预算分析和票据流转，绝大多数已经流程化、自动化。

但法务区比我想象中稳得多。

负责人告诉我，十年前很多人以为法务本来人就少，未来也不会有多大变化。后来大家才发现，AI 把越来越多业务推向自动化以后，法务不但没有变轻，反而变成了扩张的闸门。

原因并不复杂：数据能不能进模型，输出责任怎么算，知识产权归谁，哪些 agent 决策必须留痕，哪些环节必须人工复核，出了偏差以后由谁承担后果——这些问题本质上都是治理问题，而不是简单的技术问题。技术可以降低一部分执行成本，却不会消灭合同不完备和责任边界带来的组织需求。

所以 2036 年的职能部门，看上去是”HR 和财务被压到很薄”，但更准确的说法是：标准化管理流程变薄了，而和责任边界、制度约束、外部博弈相关的职能，反而更硬了。

16:30｜控制室：组织图之外，还有一群”看不见的员工”

临近傍晚，我被带进一间没有工位的房间。

里面只有几块大屏，屏幕上跑着上百个 agent：线索筛选 agent、投标材料生成 agent、客户培训 agent、知识同步 agent、法务条款比对 agent、测试回归 agent、风险审查 agent、招聘初筛 agent、续费预警 agent……

那一刻我突然意识到，2036 年的软件公司，已经不能只靠组织架构图来理解了。

因为组织图上写着的人少了，但组织里真正工作的”执行体”反而比十年前多得多。它们只是换了形态：不领工资，不占工位，不出现在通讯录里，却承担着越来越多标准化、可审计、可复制的认知劳动。

从某种意义上说，这家公司并没有变小。它只是把过去必须放在公司内部、由人来完成的大量执行任务，外溢给了系统。

Coase 的语言会把这理解为一种企业边界的重排：当某些交易和协调成本被进一步压低，原本必须留在企业内部才能完成的活动，就会改用新的治理方式来组织。放到 2036 年的软件公司里，最直观的结果就是：执行层向系统外溢，责任层向人身上集中。

所以今天真正留在组织内部的，越来越集中在三类工作上：

• 承担最终责任的人；
• 维护客户信任的人；
• 掌控 AI 控制面的人。

18:00｜离开时：这不是无人化，而是责任上收、执行下放

离开这家公司时，楼里亮着的灯并不多。

如果非要用一句话概括 2026 到 2036 这十年，我会说：未来公司真正发生的，不是无人化，而是责任上收、执行下放。

执行被大规模交给了 AI。责任却越来越集中到少数关键岗位身上。

所以你会看到这样一张并不完全对称的组织变化图景：

• 算法团队从 60 人缩到 10 人左右；
• 工程、测试、运维和架构从 40 人压到 5 到 7 个核心人；
• 300 人的标注团队缩成十几位数据策展与评测专家；
• 一线客服从 10 人压到 2 到 4 人；
• 传统产品团队在名义上消失，产品能力被吸收到算法、解决方案和运营中；
• 销售、解决方案、客户成功这条客户链路，却可能从 30 人扩到 60 甚至 80 人；
• HR 和财务明显变薄，法务和合规未必减少，反而更像扩张的边界闸门。

这不是一张”裁员表”。它更像一张组织稀缺性迁移图。

背后的逻辑其实不复杂：凡是标准化、可复制、低例外率、主要靠信息转译和流程推进完成的任务，都会优先被 AI 压缩；凡是高责任、高信任、高不确定性、强边界感、强博弈性的工作，反而会留在人手里，甚至变得更重要。

这种趋势既符合任务重排的劳动经济学框架，也符合 AI 对技能需求影响的最新研究：未来很多岗位不会整块消失，但它们内部的任务组合会被重写，而组织真正稀缺的东西，会从执行能力迁移到治理能力、业务流程能力和关系经营能力。

所以，2036 年的软件公司里，最值钱的人不再是最会”把活干完”的人，而是最能定义问题、搭建约束、整合资源、赢得信任并对结果负责的人。

十年前，人们担心 AI 会不会替代员工。十年后我们也许才会发现，AI 真正替代的，并不是”人”本身，而是公司里那一整层靠传话、协调、转译和推进来维持运转的中间结构。

它没有让公司消失。它只是把公司重新造了一遍。

参考链接

1. Ronald H. Coase，The Institutional Structure of Production（诺奖演讲）
2. Oliver E. Williamson，“Transaction Cost Economics: The Natural Progression”（诺奖演讲）
3. David Autor，Why Are There Still So Many Jobs? The History and Future of Workplace Automation
4. Daron Acemoglu & Pascual Restrepo，“Automation and New Tasks: How Technology Displaces and Reinstates Labor”
5. Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond，Generative AI at Work
6. OECD，Artificial Intelligence and the Changing Demand for Skills in the Labour Market