AI时代，企业员工正在从“层级职位”向“网络节点”进化！|层级|智能体|网络节点|路由

作者：王敬华校审：林德燊排版：习丌

【编者按】本文是的姊妹篇，AI时代，在企业内你是谁，不取决于你坐在什么位置，取决于你是否具备“定义问题、厘清边界、适配资源”的判断能力。

前言

英伟达CEO黄仁勋有句名言，2025年起传遍了全球商界："AI不会取代人，但会用AI的人会取代不会用AI的人"。微软CEO纳德拉说过类似的话，李开复也说过，几乎人人点头。

但2026年的商业现实，给这句话打了一个问号。

2024年2月，Klarna高调宣布：基于OpenAI的客服助手上线首月处理了230万次对话，占客服总量的三分之二，相当于700名全职员工的工作量；通稿写得漂亮——单次解决时长从11分钟降到2分钟，重复咨询下降25%，客户满意度与人工持平；CEO塞巴斯蒂安·米亚特科夫斯基在各种场合讲AI如何重塑客户服务。一年后风向变了：复杂退款、争议处理、需要共情和判断的场景，AI搞不定；Klarna开始引入按小时计酬的远程灵活用工，专接AI处理不了的复杂case——不是大规模回聘全职，是承认一件事：标准问题AI答得又快又好，但难题还是要人。

这不是孤例。Forrester在《Predictions 2026》中给出一个数字：55%因AI裁员的企业事后后悔，Orgvue对1163名企业决策者的调查得出了相同结论，Robert Half对近2000名美国招聘经理的调查更具体：32%的企业曾因AI撤销了某个岗位，后来又为同一职能重新招人，其中金融业44%、科技业32%。Gartner在2026年2月发布预测：到2027年，因AI缩减客服人员的企业中，半数将重新招聘类似岗位，只是职称不同。

这说明什么？不是AI不行。AI确实强——强到能处理三分之二的客服对话，强到900个摄像头同时质检不出错，问题出在企业把AI塞进了旧组织：裁了人，组织还是科层制和矩阵式的综合体，还是"人是可替换零件"的逻辑。

AI跑在高速公路上，组织跑在乡间土路上——新的生产力，被旧的生产关系卡住了。马克思在《〈政治经济学批判〉序言》里写过一段话："社会的物质生产力发展到一定阶段，便同它们一直在其中运动的现存生产关系发生矛盾，于是这些关系便由生产力的发展形式变成生产力的桎梏"。

蒸汽机逼出了科层制，电力和信息技术逼出了矩阵式组织，今天AI是新生产力，它释放的不是体力而是认知力，它正在逼出一种新的组织形态。

那个新形态叫"菌丝体组织"或"生命体组织"——组织不再是被设计的机器，而是能感知、能判断、能生长的生命体；但组织变了人不变，等于白变，以下就是三个非常典型的案例：

一位百亿规模的快消品企业CEO打开手机，斥资上亿元打造的数字化系统自动推送了一条异常：华南区某品类上周动销同比下滑，放在三年前，这个数字要经过区域经理、销售总监、事业部总经理三层汇总才到他桌上，现在他比谁都早看到；但他盯了半分钟，发现自己不知道该怎么办——是季节性波动？是竞品在搞促销？还是渠道在窜货？他第一次体会到：看得到，不等于判得准。

一位在互联网大厂工作了八年的研发总监翻了翻上周日历：15个会，9个是协调会；2025年底公司裁员4000人推进AI化组织，替代结构里只有三种角色——独立贡献者、直接负责人、球员教练，没有"经理"；他的15个会正在变成3个，他坐在工位上，发现一个事实：自己一周的核心工作，有一大半不需要他了。

一位世界500强外企广州工厂的质检员，以前每天用肉眼检查300个产品，现在AI视觉检测系统一秒检一个，班长跟她说："以后你的岗位不是检查产品，是告诉AI哪些它判错了"，她站在生产线旁，只知道一件事：以前她靠眼睛吃饭，现在眼睛不值钱了。

这三个岗位，一个是领导层，一个是管理层，一个是执行层，AI对他们的改变完全不同：领导层的功能没变，还是做方向判断的岗位，变的是信息环境；执行层的功能也没变，还是保证质量的人，变的是工具；只有管理层，作为“人治路由”的管理功能本身在消失。

一、你不再是你的职位

要深刻领悟“你为什么不再是你的职位”，就必须先充分理解"层级职位"和"网络节点"的内涵，它们不是比喻，而是两种完全不同的定义企业员工的方式。

先说"层级"和"职位"。

层级是按等级排列的组织方式：权力从上到下分配，信息逐层流动，每一层有明确的上下级关系。层级的本质是有序的不平等——离权力中心越近权力越大，在分叉点上就是必经之路，信息不经过这里流不过去，事情不经过这里推不动。

职位是层级中的一个固定位置，有预先设定的职责、权限、薪酬和汇报关系；组织先画架构图，定好有哪些坑、每个坑管什么、给多少钱，再招人填坑；职位的本质是"岗在人先"——坑在人前面，人是可替换的，人走了坑还在，换个萝卜填。

"层级职位"合起来说的是：你在一个等级体系中占据一个预设的位置，你的价值、权力、收入和身份都由这个位置定义；你是谁，取决于你坐在哪。

信息时代的企业就是这样运行的，画在纸上是组织架构图——一个框连几个框，几个框再连几十个框，信息从一线到CEO，经过每一层都被筛选、压缩、优化：区域报给总监的数字调整过，总监报给VP的数字优化过，VP报给CEO的数字已经是精装版；跨部门沟通叫"协调"，要开会、要拉群、要走流程。这棵树运行了几十年，在信息处理能力有限、必须分层汇总的时代，它是最不坏的选择。

再说"网络"和"节点"。

网络是按连接排列的组织方式：节点之间通过协议直接连接，没有固定的中心，没有必须经过的分叉点；网络的本质是连接决定价值——一个节点的价值不取决于它离中心有多远，取决于它能连接什么、能做什么、能承担什么。

节点是网络中的一个连接点，但它和职位有一个根本区别：职位是预设的，节点是生长的；没有预先画好的坑等人填，一个节点由它的判断力、经验和其他节点的信任关系构成；人在即节点在，人走了这个节点就消失了，网络重新布线——不是换个萝卜，是网络本身变了。

这里必须区分一个容易混淆的东西："网络职位"，有些组织形式上去掉了几层、用了协同软件、搞了跨部门项目组，但定义人的方式还是职位逻辑——预设职责、固定汇报、人走坑还在；这不是网络节点，是网络职位：换了个界面，根本逻辑还是"你坐在哪个位置"。就像把线下审批搬到线上，审批还是审批，不因为走了数据流就变成了节点自主；真正的网络节点，定义人的不是位置，是能力和判断。

"网络节点"合起来说的是：你在一个连接体系中成为一个活的连接点，你的价值、权力和身份由你能做什么判断、能连接什么资源、能承担什么责任定义；你是谁，取决于你能做什么。

在网络内，权威不来自级别，来自协议和信任。什么是协议？说穿了就是组织中事先约定的规则：谁能做什么决策、信息怎么流动、资源怎么分配、价值怎么衡量；这些规则以前靠人盯人来执行——领导拍板、会议协调、签字审批；在AI时代，它们由系统和数据自动执行。这正是关键区别：没有AI，协议只能写在纸上、挂在墙上，执行还得靠人盯人；有了AI，协议才能真正跑起来——待办自动路由、状态自动回写、冲突自动标记、异常自动预警；在规则之内，最贴近问题的节点有最高决策权，信息不需要层层上报再层层下达，它通过协议直接到达需要它的地方。

把"层级职位"和"网络节点"放在一起，区别可以用五句话说透。

1、价值来源不同：层级职位的价值来自位置——"你绕不过我"，网络节点的价值来自能力——"我能判断别人判断不了的"。

2、权力来源不同：层级职位的权力来自级别——我签字我说了算，因为我坐在这个位置上；网络节点的权力来自信任和协议——我说得对所以大家信，不是因为我级别高。

3、信息流动不同：层级职位的信息按层过滤，经过每一层都被筛选和变形；网络节点的信息通过协议直达，需要它的人直接拿到。

4、人与位置的关系不同：层级职位是岗在人先，人是可替换的零件；网络节点是人即节点，人走了这个节点就不存在了。

5、可替换性不同：层级职位可以换一个人填，职责不变；网络节点不可替换，因为这个节点就是这个人的判断力、经验和信任关系——换一个人，就是另一个节点。

有人会问：这不就是扁平化吗？不就是矩阵式2.0吗？

不是。矩阵式还是树——一棵更复杂的树，有实线汇报和虚线汇报；扁平化只是把树砍矮了，没有把树变成网；真正的变化指向第三代组织：从"被设计的系统"变成"自生长的生命"。这不是程度上的改良，是性质上的不同；树是中心化的，有主干有枝叶，砍了主干树就死了；网络是分布式的，没有中心，剪断任何一段它还在长。

不同规模的企业起点不同。对大企业来说，这是"从路由到节点"——已有庞大的中间层，需要转型；对中小企业来说，这可能是"从人治直接到网络治理"——中间层本来就薄，直接用AI和协议建网络。起点不同，方向一致。

二、网络节点——不是蜘蛛网内的死结，是生命体上的活点

很多人一听"网络节点"，脑子里浮现的是一张蜘蛛网：无数根丝交叉，每个交叉点是一个节点，节点和节点长得一样，换一个不影响整张网。

这个想象是错的，蜘蛛网是死的，织好了就在那里，节点是被动的连接点，断了就断了；但生命体上的节点是活的——它感知、判断、生长、死亡，它和其他节点不一样，它有自己的功能、自己的价值、自己不可替代的理由。

菌丝体是理解这件事最好的参照，不是因为它浪漫，是因为它能让分布式节点真正实时协同的运行逻辑和AI时代的组织能力高度同构；没有AI，"分布式自主"只是一个理念，协调成本高到只能靠层层汇总来管理；有了AI，每一根"菌丝"才能真正自主感知、自主判断、自主行动，同时通过协议保持整体协调。

1、节点是活的。 菌丝体上的每一根菌丝顶端都在实时感知环境——化学梯度、温度、养分浓度——然后自主决定往哪长、长多快、什么时候暂停，没有一个中心在指挥；网络节点也一样：它不是等指令的执行终端，它是主动感知问题、判断态势、做出反应的活点；AI给它数据，协议给它连接，但"这是不是问题"、"这是什么问题"、"该怎么应对"——这些判断发生在节点上，不发生在中心。

2、节点是独特的。 蜘蛛网的节点可以互换，这个交叉点和那个交叉点没有本质区别；但网络节点不可互换，因为它由具体的人的判断力、经验和信任关系构成，换一个人就是另一个节点；这和"职位"根本不同——职位可以换萝卜，节点不能。一个在县级市场跑了十年的白酒品牌企业的销售经理，他对经销商利润结构的体感、对烟酒店老板心态的理解、对"一箱酒赚不到二十块意味着什么"的判断——这些长在他身上，换一个人来这些就没了。

3、节点是分化的。 这是最容易被误解的，很多人一听"网络"就以为人人平等、没有分工，错了，菌丝体上的子实体有不同类型：繁殖型的（蘑菇，传播孢子、延续生命）、营养型的（吸收养分、供给全身）、防御型的（分泌物质、抵御侵害）。功能不同，但没有高低贵贱——营养型的菌丝不比繁殖型的蘑菇低等，没有养分蘑菇长不出来，没有蘑菇孢子传不出去；它们是同一个生命的不同功能，不是同一个梯子的不同层级。网络节点也一样，按功能分化至少有三种：

决策节点——定方向、守底线、做价值判断，回答"为什么做"、"不做什么"、"值不值得"，对应组织里的高层。

判断节点——定义问题、组合能力、处理例外，回答"这是什么问题"、"怎么解决它"，对应组织里的中层。

执行节点——人机协作、感知异常、完成标准任务，回答"怎么做到位"、"AI的输出对不对"，对应组织里的基层。

这不是等级，是功能分化，三层之间不是"谁管谁"，是"谁做什么"，就像菌丝体——蘑菇不管菌丝，菌丝不管蘑菇，各做各的事，合起来是一个生命。协议面前人人平等，能力匹配权限，贡献决定身份，这是公平的；但价值发挥点不同：决策节点的价值在方向，判断节点的价值在态势，执行节点的价值在精准；一个优秀的判断节点可能比一个平庸的决策节点贡献更大，在网络里这不是反常，是常态。

4、节点是自治的。 在协议范围内，节点自己决策、自己行动、自己负责，不需要等层层审批——"谁最贴近问题，谁最先感知，谁就有决策权"；但自治的前提是协议：没有协议的自治是混乱，有协议的自治是自由。菌丝体的每一根菌丝都在自主生长，但它遵守同一套"宪法"——什么条件下长什么、养分怎么分配、损伤了怎么熔断；企业也一样：规则定死，执行放开。

5、节点是连接的。 一个节点的价值不取决于它自己有多强，取决于它能连接什么；一个判断节点如果连不上AI、连不上其他部门的能力、连不上外部伙伴，它的判断就是空中楼阁；节点不是孤岛，是网络的一个交点——它的力量来自网络，网络的力量来自它。这张网不止在公司内部：外部伙伴——供应商、客户、独立承包商——通过协议接入网络，和企业交换信息和能力，但不被"吸收"。在AI时代，企业的边界在模糊，用工模式从"雇佣"走向"连接"——企业不一定拥有人才，但可以通过协议连接人才。

从"层级职位"到"网络节点"，变的不是职位，是人的整个存在方式——从被动填充一个预设位置，到主动成为一个活的、独特的、分化的、自治的、连接的点。

三、高层——从决策瓶颈到方向锚点

在树状结构中，CEO是根，所有信息汇总到他这里，所有指令从他这里发出，他的权力来自信息垄断——只有他能看到全局，只有他能跨部门调配资源。

但这也使他成为瓶颈：信息到他这里才能决策，决策经过他才能执行，他越能干，组织越依赖他；组织越依赖他，他越成为瓶颈。

更隐蔽的问题是：他以为自己在做决策，其实在被信息喂食。一位千亿级企业的CEO，每周一经营分析会雷打不动，各事业部负责人轮流汇报，他做判断、拍资源，他不知道的是，汇报的数据经过了三层美化——区域报给总监"调整"过，总监报给VP"优化"过，VP报给他的数字已经是精装版，他在三层滤镜之上做决策，以为看到了全局，其实看到的是下属想让他看到的。

AI和协议正在瓦解这种信息垄断，实时数据看板、AI异常预警、跨系统信息直连——高层可以跳过中层直接看到一线发生了什么。美的集团董事长方洪波在2026年3月发表的《2025 年度致股东的信》中写得明白："推动各业务组织极度扁平，缩短决策链，推行24小时响应机制"，美的现在每天有1.3万个智能体在运行，一线员工平均每天和3到5个智能体协作，数据不再需要人来搬运。

这对高层意味着三件事。

"等汇报"模式失效了。 以前等信息汇总上来再做判断，现在信息比人还早到。如果还在等周报月报、等经营分析会，就会比AI慢、比一线慢、比市场慢——等开完会拍板，一线已经用AI自己做了决定，他成了橡皮图章。

"看得到"不等于"判得准"。 这是高层面临的真正困境，信息透明了，但判断没有变容易，反而更难了。以前中层帮他过滤、解读、形成建议，他在几个选项中做选择；现在信息洪流直接拍过来，必须自己从噪声中分辨信号。企业的动销下滑是季节性波动、竞品冲击还是渠道变革？数据给不了答案，判断才给得了。

协调权上移了，但决策权更重了。 AI接管了日常协调，高层不再需要当"总协调人"，但必须承担更重的责任：定义方向（做什么、不做什么）、守住底线（什么不能碰）、在关键节点拍板（信息不全、时间不够、后果不明时的终极选择），从"管理者的管理者"变成"网络的锚"——锚不做具体的事，但没有锚，船会漂走。

我们必须重新审视高层和中层的新关系，以前中层是高层的眼睛和手，现在中层在转型——有些在长出判断能力，有些还在做路由，高层面临一个选择：拉一把（帮中层从路由转向判断），还是绕过去（直接和一线沟通，用AI做协调）？

答案不是二选一，是两条轨道各走各的。规则治理线——定规则、建能力、守底线——高度集中，高层牢牢掌握；业务执行线——做判断、抓机会、拿结果——分布式下沉，让听得见炮声的人做决策。高层不是"管"中层，是"养"中层：给他们判断的框架和规则，让他们在框架内自己做判断，用规则治理线的"强内核"保障业务执行线的"高活力"。

举个具体的例子，定价权：标准产品的价目表、折扣底线、审批权限——这些是规则，由总部定死，系统自动执行；但面对一个具体客户报什么价——这是判断，由一线在规则范围内自己拍板。规则说"折扣不超过七折"，一线判断"这个客户战略价值大，可以批到六五折，但要走例外审批"——这就是双轨制在运转。

还有一点必须说：规则和判断的边界不是一次划完就不变的。市场在变、能力在变、AI能做的事在变，今天是例外的事明天可能成为规则，今天写死的规则明天可能需要重新判断。双轨制不是一次性的架构设计，是一个持续校准的过程——高层要定期回头看：哪些规则太紧了、哪些判断该收回了、哪些例外已经多到该沉淀为新规则。划清边界是判断，动态调整边界也是判断，而且是更高阶的判断。

但双轨制有一个致命敌人：高层自己。规则你定，执行你别插手；很多高层嘴上说授权，实际上什么都要管——他自己就是公司最大的"人治路由"；双轨制设计得再好，CEO一竿子插到底，两条轨道就废了；所以高层转型的第一关不是学新东西，是忍住不做旧事情。

高层的判断和中层的判断有什么不同？中层判断回答"怎么赢"——问题是什么、怎么组合能力、怎么处理例外；高层判断回答"赢什么、值不值得赢、赢了之后呢"——为什么做、不做什么、做到什么程度。AI可以算胜率，但算不出"值不值得"，因为这是价值判断，不是概率判断。

2015年开始的中国国防和军队改革也经历了同样的转变。军改前，军区司令员是"家长"——训练、后勤、作战、干部，什么都管；军改后，战区司令员是"统帅"——平时不管部队建设（那是军种的事），战时统一指挥三军联合作战；他管的事少了，但每一件都是别人定不了的。这和企业高层从"管理者的管理者"到"方向锚"完全同构。

如果高层不做判断，会怎样？

他继续当瓶颈——一线用AI自己做了决定，他成橡皮图章；他被信息淹没——在数据洪流中朝令夕改，组织失去方向；他做了中层的活，没人做高层的活——组织在高速变化的市场中没有锚。最严重的是网络散了：当高层停止定方向、定规则、守底线，节点就不知道边界在哪、什么能做什么不能做——没有协议的网络不是网络，是一盘散沙。

中控科技2026年7月10日董事会一天调整6位高管，公告里写的原因是"加速向AI原生组织转型"，翻译过来就是：旧的高层判断不了新问题，换能判断的人上。

大洋彼岸，谷歌2026年8月5日做了同一件事的另一面：Google DeepMind 创始人、首席执行官德米斯・哈萨比斯（Demis Hassabis）卸下日常管理职权，转任 DeepMind 董事长、Alphabet 集团首席科学家，不是他不行，而是当AI从科学探索进入工业化交付，CEO这个位置需要的判断变了：从"AGI往哪走"的科学判断，变成"模型怎么按时交、成本怎么控、业绩怎么对"的工程判断；让他专想长远的事，把交付交给擅长交付的人。

高层该怎么办？ 不要急着做任何一个具体判断，先花时间想清楚一件事——在公司里，什么判断该高层做、什么判断该中层做、什么判断该一线做？把这条线划出来，写成规则，公布于众，然后忍住：线以下的判断，哪怕自己觉得做得更好，也不要插手，这比亲自做十个判断都有用。

四、中层——从人治路由到判断节点

如果将企业组织架构从矩阵式组织向菌丝体组织的进化类比为一场地壳位移运动爆发的地震，中层就是这场变化的震中——高层换了信息环境，基层换了工具，只有中层的功能本身在被替代。

在树状和矩阵结构中，中层是树枝的分叉点，信息从根到叶、从叶到根必须经过他。他做四件事：

1、信息路由——汇总下面的信息、筛选后上报，接收上面的指令、分解后下达；

2、协调路由——A部门和B部门的事要他拉通，跨部门项目要他开会；

3、进度路由——任务派下去要他追、他催、他跟；

4、风险路由——下面的问题他先挡一层，上面的压力他先缓冲一下，他是信息的过滤器、组织的"人肉总线"、进度的监控器、组织的减震器。

这四个功能在信息处理能力有限的时代是必要的、有价值的，中层管理者的价值来自一个简单的事实：信息不透明、系统不连通、协调成本高——所以绕不过他。

AI时代，路由功能正在被两个力量替代。协议替代了"人治"——当系统通过统一协议连通，信息不需要人来中转，待办自动同步、状态自动回写、冲突自动标记；AI替代了"路由"——AI可以自动汇总信息、分类优先级、匹配资源、跟踪进度、预警风险。

AI和协议不是在帮中层做路由，是直接替中层做了路由，中层被绕过了。

数字不会说谎，Gartner预测，到2026年底约20%的组织将用AI实现扁平化，在这些组织中消除超过半数的中层岗位——注意是"20%的组织"，不是"20%的中层"，而且是预测。2024年中层管理者占所有裁员的29%，这个数字来自美国再就业机构Challenger, Gray & Christmas的统计，其中既有结构性替代也有周期性裁员。但方向是明确的：Block裁员4000人推进AI化组织，替代结构里没有"经理"；出门问问CEO李志飞2026年5月做全链路AI化组织改造，直接"去掉中间协调层"；宝洁两年内裁7000个非制造岗位，把品牌管理与市场洞察合并为"品牌增长部"——少了一层，多了AI；京东取消C4/C5两级管理职级，管理层级从五级压到三级。这些不是预测，是已经发生的事。

路由消失了，但有一件事AI和协议做不了——判断。

为什么判断在AI时代反而更值钱？一个简单的道理：AI把"猜到答案"这件事打到了白菜价——补全信息、识别模式、分类排序，又快又便宜。但猜得越便宜，决定"拿这个答案做什么"就越贵；预测多了，每一个预测后面都等着一个判断，判断的杠杆就变大了。这不是"人比AI聪明"的安慰话，是供求：AI无限供给预测，判断的供给没有变——它还是只能由人来做。

有人会说：AI也在进步，数据足够多、模型足够大，算法最终能做一切判断，这个说法在专业判断上部分成立——"技术上怎么实现"这类问题，AI确实在快速追赶。但它忽略了一件事：判断不是算出来的，是担出来的。

"判断"这个词被用滥了，必须把它磨锋利，判断不是以下任何一样东西。

判断不是决策。决策是在已有选项中做选择，判断是在选项出现之前先定义"这到底是什么问题"、"选项有哪些"；决策可以投票、可以用数据算，判断不能——判断是在信息不全时说"我认为问题出在这里"，然后为这个"认为"负责。

判断不是经验。经验是过去的总结——"上次遇到这种情况，我们这么做，成了"；判断是在没有先例时做选择——"这种情况以前没出现过，但根据我对态势的理解，应该这么做"；经验在稳定环境中有用，判断在变化环境中有用。AI时代的环境，经验经常是负资产——上次成功的经验可能是这次失败的原因。

判断不是直觉。直觉是快速的、无意识的——"我感觉不对"；判断是有意识的、有依据的、可质疑的——"我认为不对，因为这三个信号"；直觉可以是判断的起点，但不能是判断的全部；说不出"为什么"的判断不是判断，是猜测——这种"假判断"比传声筒更危险，因为拍脑袋的判断会把团队带到沟里。

网络节点的判断和树状职位的"拍板"也不同。拍板是权力的行使——我签字我说了算，因为我坐在这个位置上；判断是能力的证明——我说得对所以大家信，不是因为我级别高；拍板的权威来自职位，判断的权威来自一次次判断被验证后积累的信任。

那判断到底是什么？在信息不完整、时间不充裕、后果不确定的条件下，定义问题、做出选择、并为选择的后果负责。

信息不全——不知道全部事实；时间不够——不能等所有数据；后果不明——不知道选了之后会怎样；这三个条件同时出现时，AI能给三个选项和每个选项的成功率，但它不会说"我们选B，后果我来担"；选B的后果——项目失败、团队解散、公司亏钱——由做判断的人承担；这个责任AI不承担，协议不承担，只有人承担。

这就是判断不可替代的根本原因：不是因为人比AI聪明，是因为人能负责，AI不能。

专业判断的窗口期可能只有三到五年，在这三五年里必须从"专业判断"升级到"价值判断"，否则连判断节点也保不住。而在价值判断上——"做不做"、"值不值"、"该不该"——AI算不出"值不值得"，因为"值不值得"取决于你相信什么、愿意为什么付出代价、能承受多大的损失，这些不是计算问题，是存在问题。

判断节点做四件事：

1、定义问题——主动感知网络、发现异常、判断"这到底是什么问题"，AI能给数据，但"这是不是问题"和"这是什么问题"需要人判断。

2、判断态势——像联合作战参谋一样理解各部门的能力和局限，理解AI能做什么不能做什么，在当前态势下判断什么组合最优，不是什么都懂一点，是理解全局中各要素的关系。

3、组合能力——在网络中临时组合节点，几个人加几个数字员工加几个外部伙伴，对结果负责，完成后解散，不是"管"人，是"组合"能力。

4、处理例外——规则内的事AI自动处理，流程内的事协议自动流转，只有规则没覆盖的、流程跑不通的、AI判断不了的才需要人，例外处理多了，就把新的例外沉淀为新规则——这是上移做规则节点的起点。

从路由到判断，最难的一关是从"懂一个领域"到"懂全局"。路由型中层只需要懂自己的领域，向外"对接"；判断型中层必须懂全局，就像联合作战参谋必须理解各军种的能力和局限。

企业里无数做品牌、做销售、做产品的人正在经历同样的事，以前做品牌的只懂品牌，做销售的只懂销售，做产品的只懂产品——大家在矩阵中"对接"；现在作为判断节点，必须理解品牌、销售、产品、技术、AI各自能做什么、不能做什么，在具体问题面前判断怎么组合；不需要成为每个领域的专家，但必须理解每个领域的逻辑，否则连问题都定义不了。

不是所有中层都变成同一种节点，三条路：

1、上移——成为规则的节点。 定义规则、建标准、守底线，把一次次判断沉淀为可复用的规则和协议，让AI和系统在规则内自动运行。军事上对应军种参谋部的校官——不直接打仗，负责制定作战条令、训练标准、装备规范；企业里，品牌总监不再管具体品牌执行，转而制定"品牌增长部"的AI协作规则和价值验收标准。规则节点需要的能力：抽象思维、制度设计、从个案中提炼规则。

2、下沉——成为前线的节点。 带三五个人加AI的小前端，对经营结果直接负责，最贴近问题的人直接做决策，AI和中台提供能力支撑。军事上对应战区联合参谋——带一支联合作战小队，在前线判断态势、组合火力、临机决断；企业里，区域经理被赋予区域决策权，带小团队加AI工具对区域销量直接负责。前线节点需要的能力：判断勇气、结果导向、在三不条件下拍板。

3、外移——成为生态的节点。 离开单一组织，成为独立的专业节点，通过协议接入多个组织的网络。不是自由职业者，是"预备役"式的专业力量——平时在自己的专业领域深耕，需要时被多个组织调用。2026年一季度全国一人公司存量超过1600万家（据国家市场监管总局数据），占企业总数的27.4%，但说句实话：这条路对有深度专业判断力的人是机会，对没有专业壁垒的人可能是风险——外卖骑手也是"一人公司"，但他们不是"通过协议接入多个组织的专业力量"。生态节点需要的能力：深度专业判断力、跨组织适应力、个人品牌经营。

三条路不是非此即彼，同一个人可能在不同项目中走不同的路——平时在组织内上移做规则，某个项目下沉带团队，偶尔外移做顾问，核心是：价值不再来自职位，来自能做什么判断。

有人会问：我不会做判断怎么办？以前都是领导拍板我执行，现在让我在三不条件下做选择，我不敢。

判断不是天赋，是练出来的，怎么练？从低到高三个阶段。

第一阶段：判断AI的对错——AI给一个方案、一个分析、一个建议，判断它对不对，这是低风险练习，错了有AI兜着，但前提是对业务的理解必须比AI训练数据里的平均水平深，否则连AI错在哪都看不出来。

第二阶段：在AI给的选项中做选择——AI给三个方案，分析各自利弊，做选择并说明理由，这是中风险练习，开始为选择负责。

第三阶段：自己定义问题、自己创造选项、自己拍板——说"问题不是A是B"，想出AI没想到的方案，在三不条件下说"就这么干，后果我担"。

从第一阶段到第三阶段可能需要一到两年，但得从第一阶段开始——不是等公司安排培训，是从今天开始，对AI给的每一个输出问一句"这对吗"。

但认知练习只是起点，判断能力不是一个人对着屏幕练出来的，它在真实的判断中长出来——这需要组织提供训练场，具体为三件事：

一是行动学习：把真实的、没有标准答案的业务问题交给跨职能小组，给他们数据和AI工具，让他们在四周内拿出判断和方案，高层评审但不替他们决策。宝洁的15周内部AI培训班已经培训了超过两万名员工，但比课堂更重要的是让他们带着真实问题学，学完就上战场。

二是导师制：让已经完成转型的判断节点带一两个还在转型中的路由型中层，不是教知识，是带着做判断——"这个问题你怎么看"、"你觉得问题出在哪"、"如果你来拍板你怎么选"。

三是复盘机制：每一个重要判断——无论对错——事后做一次结构化复盘，不是追责，是提炼"当时看到了什么、没看到什么、为什么这么判断、下次怎么改"，判断能力是在一次次判断和复盘中长出来的，不是在课堂上听出来的。

但有一个前提不能不说：判断的训练场需要安全网，如果判断错了就被追责、被穿小鞋、被秋后算账，没有人敢上场；CEO和高层必须公开说清楚一句话：认真判断后的失误不追责，不做判断才追责。没有这个承诺，"判断的训练场"就是一句空话——大家继续等指令、等签字、等会议决议，因为等是安全的，判断是危险的。

与安全网配套的是激励，在树状结构中，激励基于职位——在什么级别拿什么钱；在网状结构中，一个优秀的判断节点可能比一个平庸的VP贡献更大；如果激励不改，大家还是往职位上爬，不往判断力上练；行为跟着激励走，不是跟着口号走。

说到这里，必须说一句不太好听的话。

对一个做了十年、十五年管理的人来说，"从路由到判断"不是一次技能升级，是一次身份死亡。花十年学会的东西——怎么开会、怎么协调、怎么在部门间博弈、怎么向上汇报向下传达——突然不值钱了，职位还在，但如果知道职位下面是空的，这种恐惧感和抗拒心理不亚于一场地震。

一位在大厂做了十二年的总监说了一句话："最难受的不是被裁，是你还在，但你发现自己没用了，会不用你开了，信息不用你传了，协调AI做了，你坐在工位上，不知道自己该干什么。"

这不是矫情，是真实的存在危机，"你不再是你的职位"这句话说起来轻巧，但对一个把身份和职位绑定了十几年的人来说，它意味着"我不再是我以为的那个我"。

唯一的出路就是穿越这个绝望之谷——承认旧的自己在死去，然后长出新的自己，不是"升级"，是"重生"。必须先放下"我是某某总监"这个身份，才能发现"我能做什么判断"这个价值。

有三种人最危险。

第一种是会议动物——每天泡在协调会里觉得自己很忙很重要，但15个会变成3个会后，发现自己没有存在的理由。

第二种是传声筒——上面的话往下传、下面的话往上传，自己不加判断不做选择，AI比他传得快、传得准、不会变形。

第三种是流程守护者——把"我们一直这么做"当答案，把合规当价值，把审批当权力，当协议让流程自动化，他守护的东西不再需要人守护。

中层该怎么办？ 主动接一个没有标准答案的问题，不要等领导派，不要等数据齐，不要等会议决议——就现在，用你掌握的信息做一个判断，说出来，然后承担后果，这是从人治路由变成判断节点的第一步。同时把上周开的会列出来：有多少可以不开？有多少AI可以替你开？省下来的时间用来理解自己这个领域之外的网络在发生什么。

五、基层——从执行终端到人机节点

在树状结构中，基层是叶子：接收指令、执行任务、上报结果；流程规定了怎么做，标准定好了做到什么程度，不需要判断——按标准做，做到位，别出错。

AI和数字员工最擅长的正是有标准答案、可重复、可量化的执行。数据录入、报表生成、基础客服——AI直接做；质检、盘点、排产——AI加物联网做；基础文案、简单设计、初级编码——AI辅助做或直接做。

这不是"AI辅助基层做得更好"，是"AI直接做了基层的活"。

标准执行岗会大规模缩减，这不是趋势预测，是正在发生的事。

但不是所有岗位都会整岗消失，一个岗位会不会被AI整个端掉，看三件事：AI的判断够不够准、这个岗位上的判断能不能提前写成规则、剩下的动作能不能交给机器。三条同时满足，岗位消失——高速收费员就是，车型识别准、收费标准写死、抬杆机械，人没有存在的理由；缺一条，岗位重组而非消失：Klarna的复杂退款和争议处理缺第二条，判断写不成规则，所以还得要人；福特的AI质检缺第一条，漏检的缺陷老工程师一眼能看出，所以回聘了350人；端掉的是整条岗，重组的是岗里的人——前者没了，后者换了个活法。

宝洁两年裁7000个非制造岗位，京东把管理层级从五级压到三级，Block裁4000人——这些数字里大头是执行岗。AI视觉质检替代质检员，AI客服替代初级客服，AI文案替代初级文案，AI代码助手替代初级程序员——不是"可能"，是"正在"。

Gartner预测因AI缩减客服的企业半数会在2027年前重新招人，但招回来的不是原来的岗。Klarna引入灵活用工专接复杂case，福特回聘350名老工程师做AI做不了的质量判断——总人数还是少了，而且回来的人做的不是原来的标准执行，是判断型工作。

当AI能做90%的标准执行，"基层"这个概念本身会不会消失？

在树状结构中，基层是大量的、标准化的、可替换的执行终端——一百个质检员做同样的事，一千个客服回答同样的问题，价值在于"人多力量大"。

但AI不需要"人多"，一个AI系统可以同时做一千个质检员的活，而且更准、更快、不休息。当标准执行被AI接管，企业不再需要大量只做执行不做判断的人，它需要的是少量能做判断的人——判断AI的对错、处理AI处理不了的异常、在标准没覆盖的地方做决定。同时AI也在创造新的岗位——AI训练师、AI治理专员、人机协作流程设计师——这些岗位三年前不存在，它们需要的不是纯执行能力，是判断能力和对业务的深度理解。

未来的企业里，可能不再有传统意义上的"基层"——大量的、只做执行不做判断的人，留下来的人不管职位是什么，都在做某种程度的判断，他们不是"基层"，是"人机节点"——人和AI一起工作，人做判断，AI做执行。

同样道理，中国自2015年开始由“军区制”向“战区制”进化的军改也不是简单的"裁人"，而是"改制"——从大量步兵的人力密集型军队变成技术兵种为主的技术密集型军队，裁掉的30万人主要是陆军非战斗人员和机关冗余，同时增加了火箭军、战略支援部队、联勤保障部队的编制，一个火箭军士官操作的导弹系统，杀伤力超过一个步兵营，不是"人少了但更强"，是"人的角色变了——从执行标准动作的人变成判断者和系统操作者"。

新的基层节点有两个特征。

人加AI的超级个体。 以前一个人干一份活，现在一个人指挥3到5个数字员工干五份活，做的是判断：哪个结果对、哪个异常需要处理、AI判错的地方纠正它。

从"等指令"到"感知异常"。 以前问题由上级发现派下来解决，现在人在一线、AI处理常规问题，必须能感知AI处理不了的异常——"这个case不对，AI判错了"或者"这里有个新情况，AI没见过"，是网络的感觉器官，最贴近问题的节点最先感知问题。

如果基层员工不转变，代价不是"效率低"那么简单，只做标准执行的人正在被替代——工作有标准答案，AI就能做，不是"可能被替代"，是"正在被替代"。拒绝和AI协作的人，产出只有会用AI的人的五分之一——不是不够努力，是工具代差，等指令、不主动感知的人会成为网络中多余的节点——不感知，AI感知了就直接处理了，人就多余了。

说句实话：不是所有人都能完成这个转变。一个四十岁的质检员，知识结构、学习能力、心理准备都不一定支持"从执行者到判断者"的跨越，这不是她的错，是结构性问题——她在过去二十年里被训练成一个优秀的执行者：按标准做、做到位、别出错，现在突然要求她做判断，这不是"不够努力"，是整个职业训练体系的转向。企业有责任提供过渡安排——系统的转岗培训、内部新岗位的优先安置、而非一刀切的裁员；社会也需要面对大量标准执行岗位消失后转不过来的人去哪里——这需要公共政策的介入：大规模再培训体系、过渡性社会保障、对雇佣转型企业的激励约束等。蒸汽机时代用了将近一百年才建立起现代学校体系和社会保障制度来应对工业革命，AI时代的调整窗口可能短得多，这不是一篇管理文章能回答的问题，但不承认、不面对、假装"人人都能升级"，是更大的不诚实。方向不改变——执行岗在缩减，判断岗在增加——但方向正确不等于过程无痛，对那些在过程中被甩出轨道的人，企业和社会都欠一个回答。

在AI时代，"只做执行不做判断"不再是一个稳定的阶层，它正在被压缩——要么向上走一步，学会和AI一起做判断；要么被数字员工替代。

一线员工该怎么办？ 今天开始，对AI给的每一个输出问一句"这对吗"，不要盲信AI也不要盲目否定——用你对业务的理解判断它哪里对、哪里错，这是练判断的起点。同时主动找一个AI处理不了的异常，不是等它派下来，是自己发现它，这是从"执行终端"变成"人机节点"的关键一步。

六、不做会怎样

说了这么多"怎么办"，最后必须说一个更硬的问题：不做，会怎样？

我们必须残酷的面对现实，作为会议动物、传声筒或流程守护者的员工正在失去存在的理由，"你还在但你没用了"不是修辞，是AI时代无数企业员工的真实处境。

对企业，教训同样清楚。Klarna们的经验说明：光裁人不改组织，AI跑在旧公路上，跑着跑着就跑偏了；Forrester调查里那55%后悔的企业、Robert Half调查里那32%重新招人的企业，不是AI不行，是组织没变、人没变。那些以为买几个大模型、上几个智能体就算"AI转型"的企业，和当年买几台电脑就算"信息化"的企业一样——买了工具，没变逻辑，钱花了，效果没有。

对整个社会，代价是结构性的，而且这一层最少被讨论。大量标准执行岗位消失，转不过来的人去哪里？Klarna新招的灵活用工是按小时计酬的远程岗位，不是全职——即使"回来"了，稳定性、归属感、职业发展也和以前不同；福特回聘的350名老工程师是幸运的，他们有AI替代不了的经验判断；但更多人没有这种"不可替代"，他们面对的不是转型，是退出。

在AI时代，不进化的代价远大于进化的痛苦。2026年的商业世界正在用真金白银验证它——Klarna的复杂case、福特的漏检缺陷、Forrester调查里那55%后悔的决策者，都是证据。