作者：litianc

时间：2026年6月23日

阅读时长：9分钟

引言

最近听到一段关于 AI 转型的分享，其中有一个判断很刺耳，但我觉得很准确：

AI 转型这个词本身，可能就是一个误诊。

因为“转型”这个词，默认隐含了一个前提：原来的组织还在，原来的业务还在，原来的岗位还在，只是我们给它加上 AI，让它变得更快、更强、更省钱。

但历史上的很多技术革命，并不是 A 变成 A+。更常见的情况是：A 逐渐失效，B 从旁边长出来。

照相机出现后，不是所有肖像画家都转型成了摄影师，而是肖像画作为一类大众服务逐渐被替代，新闻摄影、体育摄影、印象派等新的表达方式和商业位置长了出来。

集装箱出现后，也不是老港口简单装上龙门吊就赢了，而是一批新港口、新枢纽、新物流网络重新画了地图。

这对今天企业做 AI 的启发非常直接：不要只问“AI 怎么提高现有工作效率”，还要问“AI 时代哪些旧节点会消失，哪些新位置值得提前占”。

这也是我最近在思考 OPC / AI 原生组织试点时，越来越强烈的感受。

我们要找的不是一批“会用 AI 工具的人”，而是组织里可能长出新飞地的人。

一、任务提效只是第一层，而且很快会被拉平

大部分企业接触 AI，第一反应都是任务提效。

写邮件更快，做 PPT 更快，查资料更快，写代码更快，做会议纪要更快。这个阶段很重要，因为不用 AI 确实会落后。但如果只停留在这里，价值也会很快被拉平。

原因很简单：你能用，别人也能用。

当所有人都可以用 AI 写方案、写代码、做资料整理时，这部分能力会变成新的行业基线。客户不会因为你用了 AI 就多付钱，反而会认为你既然提效了，那价格是不是应该更低。

这就像集装箱刚出现时，大家首先看到的是装卸效率提升。1956 年，Malcolm McLean 推动改装油轮 Ideal-X 从纽瓦克港出发，船上装着 58 个集装箱。分享中提到，传统散货装卸成本约为每吨 5.83 美元，而集装箱方式降到约 0.16 美元，效率提升非常惊人。

但如果只把集装箱理解为“装卸更快的盒子”，就会误判它真正的威力。

今天很多企业对 AI 的理解，也停在“更快的盒子”这一层。

这不是没用，而是不够。

二、真正难的是第二层：组织要为新技术重新设计

集装箱真正改变港口，不是因为它是一个金属盒子，而是它要求一整套新的组织系统。

你需要大片堆场，而不是原来的散货仓库。
你需要铁路、公路直接接入码头。
你需要新的装卸设备、新的工种、新的调度系统。
你需要知道每个箱子在哪里、要去哪、什么时候换船。

这些单独看都只是改进，合在一起就是重建。

老港口的问题不是不会用集装箱。它们也会买设备，也会改泊位，也会培训工人。问题是旧资产、旧合同、旧利益结构、旧城区和旧流程挡住了整体重构。

纽约老港口改不动，但旁边的伊丽莎白港可以从一片新地方重新长出来。1962 年，Elizabeth-Port Authority Marine Terminal 开放，被 Port Authority 记录为世界上第一个集装箱港。它没有老港口的历史负担，反而可以按集装箱逻辑重新设计堆场、道路、铁路和作业流程。

这对企业 AI 转型的启发非常直接：

大组织里真正跑出来的 AI 转型，往往不是在旧流程上加 AI，而是在组织旁边开一块新飞地。

很多系统当然都可以加 AI。CRM 可以加，ERP 可以加，审批系统可以加，客服系统可以加，知识库可以加。每个模块都变好一点，但整体不一定会变。

因为真正的问题不是“能不能加一个 AI 功能”，而是原来的组织接口、数据流转方式、权限体系、绩效方式和协作习惯，是否允许这件事整体重来。

这就是为什么小团队在 AI 时代特别值得重视。

小团队没有那么多旧包袱，往往可以直接按 AI 原生方式工作：先把能力原子化，再用 Agent、CLI、工作流、知识库和自动化脚本组合起来。它不需要先说服整个组织，只需要先把一个真实问题跑通。

如果跑通了，再从老系统里“搬砖”过去。

三、第三层更重要：新技术会创造新的生态位

组织提效还不是终点。效率更高，不等于能赚到更多钱。

集装箱更深刻的影响，是它让“转运”这件事变成了一个商业模式。

在散货时代，把货从一艘船卸下来，再装到另一艘船上，是又慢又贵又容易损耗的事情，所以大家尽量走直达。转运不是一个值得围绕它建设的生意。

但集装箱把这个摩擦降到了极低。一个标准箱从 A 船吊下来，放到堆场，再吊上 B 船，货物不用拆包，不用进仓库，损耗也大幅降低。

于是，一个新的生态位出现了：不做自己的货，而是做所有人的调度。

新加坡抓住的就是这个位置。它没有巨大的制造业腹地，也不是传统意义上“货源最强”的地方。但它位于关键航线上，并把自己建设成高效、可靠、低摩擦的转运枢纽。PSA Singapore 的资料显示，约 85% 抵达新加坡的集装箱会被转运到另一个目的港。

这才是最值得企业管理者思考的问题：

当 AI 把学习、写作、编程、分析、沟通、协作、交付的摩擦降低后，会不会出现过去不存在的新生态位？

比如：

• Agent 之间是否需要调度层？
• 企业内部是否需要共享上下文协议？
• 需求、数据、工具、人才之间是否需要新的连接者？
• 部门能力是否可以被封装成可调用的“数字员工”？
• 一个人是否可以变成一个小型产品工作室？
• 一个业务专家是否可以把个人经验和数据资产沉淀成可复用服务？

如果这些问题成立，AI 转型就不应该只是“AI 版某某系统”，而应该是思考“AI 时代的某某位置”。

四、从这个角度看 OPC：它不是培训项目，而是新飞地机制

这也是我最近重新理解 OPC 的地方。

OPC 不应该被定义成一个普通培训项目，也不应该只是“找一批 AI 用得好的人”。如果只是这样，它很容易退化成工具分享、提示词分享、案例收集。

这些当然要做，但不是核心。

OPC 更像是一套在组织内部寻找新飞地的机制：

1. 找到那些已经在真实岗位里高频使用 AI 的人。
2. 观察他们是否不仅会用工具，而且正在改变原有工作流程。
3. 帮他们把个人方法变成可复用工作流、模板、数据结构或工具。
4. 用小团队方式跑出样板，而不是一开始推动大组织改造。
5. 当样板被证明有效，再考虑部门扩散、产品化或组织机制承接。

这和集装箱时代的新港口逻辑非常像。

我们不是一上来改造整个老港口，而是在旁边找一块可试错的新地。这个地方可以很小，甚至一开始只有一个人、一个流程、一张表、一个脚本、一个 Agent。

关键是它必须按新规则运转。

五、内部样板应该怎么找

过去一段时间，我们在内部访谈和业务沟通中，已经能看到一些类似“新飞地”的苗头。

第一类是 AI Coding 场景。

有开发人员已经不再把 AI 只当代码补全工具，而是让 AI 参与需求梳理、PRD、接口文档、代码生成、测试用例、Docker 部署和回滚方案。这个变化的重点不是少写几行代码，而是产品、研发、测试和部署之间的接口被重新组织了。

第二类是业务情报场景。

有业务同事长期维护大量项目、友商、区域、资源和能评相关数据。过去这些信息散落在个人表格、飞书资料、地图收藏、公开报告和个人经验里。AI 进入之后，公开资料采集、知识库问答、行业热点初稿、项目清单更新都可以提效。但真正值得做的，不是让她“更快整理表格”，而是把这个人的业务判断、数据结构和更新方法，变成一个可持续更新、可人工复核、可地图化展示的业务情报库样板。

第三类是运维分析场景。

一线运维人员对设备、演练、故障、日志和报告有非常强的场景理解。AI 可以把原来依赖人工统计和经验复盘的工作，变成报告生成、异常分析、SOP 沉淀和自动推送。这里的关键也不是“AI 写报告”，而是经验如何被结构化，如何变成部门可复用的数字资产。

这些场景有一个共同特征：使用方和需求方往往是同一个人。

他们知道真实问题在哪里，也知道结果是否可用。他们不一定是技术最强的人，但他们处在流程被 AI 改造的真实发生点上。

这类人，就是内部 OPC 最应该优先寻找的火苗。

六、不要急着做大系统，先做小飞地

企业内部做 AI 很容易犯一个错误：一看到场景，就想做平台；一看到需求，就想做系统；一看到多个部门都有类似问题，就想统一建设。

但在 AI 原生阶段，很多东西还没有稳定下来。上来就做大系统，很容易陷入老组织的复杂性。

更好的方式是先做小飞地：

• 一个真实业务人员
• 一个高频流程
• 一份可脱敏输入
• 一个明确输出
• 一个可量化指标
• 一个可复用模板

比如业务情报场景，可以先不做全集团情报系统，只做“公开资料生成项目清单 + 人工修正 + 版本回写 + 周报输出”的小闭环。

比如 AI Coding 场景，可以先不改研发管理体系，只做“口述需求 -> PRD -> 代码 -> 测试 -> 部署说明”的标准样例。

比如运维场景，可以先不接所有系统，只做一个演练评估或设备分析报告的半自动流程。

只要这个小飞地能够证明效率、质量、复用性和安全边界，再往外扩。

这比开大会、做培训、发通知，更符合 AI 原生组织的生长方式。

七、对个人也是一样：不要只学吊车，要去新港口

这段分享里还有一个我很喜欢的判断：

码头工人真正失去工作，并不是因为集装箱取代了他，也不是因为会开吊车的人取代了他，而是船不再来了。

这句话放在今天看，很扎心。

很多人问“AI 会不会取代我的岗位”，或者“会用 AI 的人会不会取代我”。这些问题不是完全不重要，但可能不是最本质的问题。

更本质的问题是：我所在的这块业务土地，明天还在不在地图上？

如果一个行业、一个岗位、一个部门存在的前提，是信息不透明、协作成本高、写材料慢、查资料难、沟通链条长，那么 AI 降低这些摩擦之后，这个位置本身就可能被重新定义。

所以个人学习 AI，不只是为了在原岗位上做得更快，也是在为自己换到“对岸的新港口”做准备。

原来的能力不会全部消失，但值钱的位置会变。

会写代码的人，可能要变成会组织需求、工具、测试和部署的业务工程师。
会做资料的人，可能要变成会组织信息源、判断口径和生成报告的研究型产品经理。
会做运维的人，可能要变成会把经验沉淀为可调用技能的 AI 运维分析师。
会做市场和内容的人，可能要变成会把影响力、工具和交付组合起来的小型工作室。

这不是鸡汤，而是位置迁移。

八、结论：AI 转型的关键不是“用起来”，而是“长出来”

企业当然要把 AI 用起来。不用肯定会落后。

但用起来只是第一步。真正重要的是：

1. 哪些工作只是任务提效？
2. 哪些流程需要组织重构？
3. 哪些新生态位正在出现？
4. 哪些人已经在旧组织旁边长出了新飞地？
5. 公司能不能给这些飞地一点空间、资源和耐心？

对 OPC 来说，接下来的重点不是把所有人都培训一遍，而是找到那些已经在真实流程中主动改造工作的人，陪他们把样板跑出来。

先从一个人、一个流程、一张表、一个 Agent 开始。

小到足够真实，才有机会长大。

如果说 AI 时代的组织变化有什么确定性，我认为不是“所有岗位都会消失”，也不是“所有公司都会被重做”。

更准确的说法可能是：

旧地图会慢慢失效，新地图会从一些不起眼的新飞地开始画出来。

谁能更早发现这些飞地，谁就更可能在 AI 时代占到新的位置。

参考资料

1. Port Authority of New York and New Jersey, History Information
2. Port Authority of New York and New Jersey, Shipping Containerization, Born at Port Newark, Marks 70 Years
3. PSA Singapore, Our Story
4. Marc Levinson, The Box: How the Shipping Container Made the World Smaller and the World Economy Bigger