04.21.25: 自动运营的生意
或许特斯拉老员工可能还记得几年前的光景：司机小心翼翼地将刚下线的新车挪到指定位置，空气中弥漫着轮胎摩擦地面的味道和对讲机的嘈杂指令。但现在，他看到的只有一辆辆崭新的电动车，像被无形之手牵引，安静、精准地自行停靠。没有犹豫，没有错误，只有算法驱动下的冷酷效率。人类的角色，从方向盘后的主导者，变成了监控屏幕前的观察者。
这并非孤例。从推荐算法到自动化仓库，智能系统正在悄然接管那些曾经完全由人驱动的环节。这让我们不得不问：这种“自动驾驶”的模式，能否应用于公司运营的核心——那些充斥着沟通、协调、甚至办公室政治的日常决策？如果答案是肯定的，那么未来的公司，还需要多少“司机”——甚至于，公司这个概念本身，是否需要被重新定义？
要理解 AI 可能带来的颠覆有多深远，我们首先需要回溯“公司”这一组织形式是如何演变成我们今天熟悉的模样的。它的诞生和演化，本身就与技术和制度的变革息息相关。
公司的起源
回顾历史，现代公司并非凭空出现，而是技术、法律与商业需求长期互动塑造的产物。早期合作社的雏形，在中世纪演变为拥有“法人地位”的组织，能够独立于成员存在。
大航海时代是关键的催化剂。荷兰东印度公司等特许贸易巨头，不仅推动了全球贸易，也推动了有限责任和可交易股份等核心概念，将高风险的远洋探索转化为可投资的金融工具，这为现代公司聚集资本奠定了基础。
真正的标准化发生在工业革命时期。蒸汽机、铁路等技术突破要求更大规模、更复杂管理的组织。法律随之跟进：英国的《合股公司法》（1844）和《有限责任法》（1855）等关键立法，将法人资格、有限责任、股份制这些现代公司的核心特征普及开来，极大地释放了投资和创业的活力。技术（如蒸汽机）驱动了生产力（工厂），生产力需要资本，而现代公司正是承载大规模资本进行复杂生产的法律与组织载体。这个由技术和法律共同驱动的循环，塑造了我们所熟知的工业时代商业格局。
随后的电力、化工革命催生了更庞大的科层制工业集团和内部专业分工（如研发、营销部门）。而近几十年的信息革命，则通过互联网降低了信息成本和连接成本，催生了更灵活、网络化的组织形态，并由风险投资提供了新的燃料。
每一次技术浪潮都重塑了公司的运作方式和边界。
公司运营的“自动驾驶”
公司是人类社会分工的一个微观缩影。我们习以为常的组织结构是以人类为主视角设计的，传统意义上的公司运营也依赖人为设计的复杂分工。
这里所说的“分工”实际上有两层含义：
- 分工是为了协作，而协作就需要“接口”，这就是使得沟通和协调性的工作变得非常重要。
- 分工是为了制衡，人类复杂的利益动机，使得公司内的组织结构设计需要帮助权责利对等，而分工是实现这一目标的手段。
以财务部门为例，其核心作用体现在两方面：
- 统一语言：将各部门的业务数据转化为标准化的财务指标，建立公司内部通用的沟通体系。专业术语不是为了复杂化，而是为了精确表达经营状况。
- 客观制衡：作为中立角色，财务通过统一标准防止部门间的数据博弈。例如在季度末把关收入确认，既确保合规性，也维持内部公平性。
这种“接口 + 制衡”机制，正是公司内部协作的基础架构。
推演下来，公司的前台、中台、后台设计，往往都有类似的功能：设定接口，制衡利益。特别是中后台，很多时候既能通过接口来汇总微观业务，形成宏观判断，又是利益冲突的防火墙和守门员。
对于 AI 而言，这可能是多余的：我们已经看到，它最擅长的就是“转译”数据，汇总信息。类似财务这样的人类接口，其实就是在做类似的工作。多年积累下来的会计准则和监管要求，已经为 AI 准备了大量可以直接利用的规则，帮助 AI 形成对于业务的一致理解，最终在 Agent 的框架下，形成决策。同时，AI 本身没有人类的利益动机，也就无所谓“制衡”。
以供应链为例，传统模式下的库存管理往往是一场复杂的跨部门协调，涉及预测、采购、物流等多个环节，任何细微的偏差都可能导致代价高昂的库存积压或缺货。每个月末，财务团队的灯光都要亮到深夜，他们在 Excel 迷宫中核对数字，试图从滞后的报表中解读业务的脉搏。但 AI 绕过了这层“翻译”。它直接潜入实时交易流、用户点击路径、供应链的每一个节点，寻找人类视觉难以捕捉的模式——比如，一个错误的销售预测，意味着数百万的货物要么积压在深圳的仓库里，要么让焦急等待的客户扑空。而 AI 的动态调整能力，让库存像潮汐一样随市场需求自然涨落，既不留残渣，也不制造干涸。
更深一层，AI 的潜力在于重新定义信息的流动。想象一下市场部和销售部因为 KPI 冲突而互相隐瞒数据，导致决策失准——AI 则基于全局最优，冷酷地打破这些信息孤岛。传统企业中，数据被切割为部门专属的“领地”，财务看报表，市场看用户画像，运营看物流效率。而 AI 将这些数据整合为一个流动的整体，基于业务实质驱动决策。这种“去中介化”的能力，让公司运营从碎片化走向系统化，宛如自动驾驶汽车从感知到决策的无缝衔接。这不仅是效率的提升，更关键的是，它减少了对持续性人类协调和干预的依赖，为实现更高阶的运营自动化（类似于自动驾驶从 L1/L2 向 L3/L4 的跃迁）打开了可能性。
然而，这种 AI 驱动的“自动驾驶”并非万能钥匙。不同类型的公司，其核心价值和运营逻辑迥异，对 AI 自动化的接纳程度和实现路径也必然大相径庭。这引出了一个关键问题：哪些公司更容易驶入 AI 自动化的快车道，哪些又会面临独特的挑战？
两类公司，两种命运
借用自动驾驶的等级（L1-L4）概念，我们可以更清晰地理解不同公司在拥抱 AI 自动化运营时的差异。自动驾驶等级越高，意味着系统自主性越强，对人类干预的依赖越低。我们可以将公司大致分为两类：
第一类是追求 L3/L4 级运营自动化的平台型公司，如亚马逊、美团。这些企业处理海量重复性交易，核心竞争力在于效率和规模。AI 在这里可以扮演近乎全权的 Autopilot 角色，接管从供应链优化到定价策略的日常运营。例如，美团的配送系统通过 AI 实时调度骑手，基于交通、订单量和用户偏好动态调整路径，每提升 1% 的效率，就能带来巨大的利润增量。
在这种模式下，AI 不仅是工具，更是运营的核心。人类的角色退居幕后，负责设定战略目标和监控异常，就像 L4 级自动驾驶（系统完全自主，人类仅处理极端异常）汽车的乘客，只需在系统无法处理的极端情况下介入。未来，这些公司的组织结构可能彻底扁平化，传统管理层和部门分工被 AI 的跨职能协调取代，效率达到极致。
这一预测并非过于激进。科技平台型企业已经证明，在技术赋能下，单个员工创造的平均收入远超传统企业。以七大科技巨头（Magificent 7）为例，最新数据显示其员工人均创收约 177 万美元，而标普 500 企业的平均值仅为 34 万美元。这种差距源于科技企业对高价值技术领域和大规模运营的专注，使其在人效比上具有显著优势。
然而，我相信这样的变化并不是一夜之间发生的。过去二十年的互联网、数字化革命，实际上是在竞争、迭代和进化中，逐渐发生的。当我们用“革命”这个词进行叙事的时候，很可能低估了效率演进中缓慢而持续的变革，以及这些变革过程中必然会遇到的内部和外部阻力。从电灯、汽车到现在的 FSD 和 AI，人类社会在技术创新面前整体变现出的是迟疑和滞后，少数的早期采纳者则往往需要面对匮乏的资源和市场。
第二类是其核心价值决定了其自动化水平更接近 L1/L2 的价值驱动型公司。它们依赖创始人注入的独特理念或品牌调性。比如，一家追求独特品味的设计师品牌，其产品不仅是商品，更是一种文化表达。这种“品味”往往涉及人类社会的偏见和分歧，AI 难以完全理解或复制。当客户或合作伙伴对品牌理念产生分歧时，人类必须介入，做出平衡判断。这就像 L2 级自动驾驶（系统处理部分任务，人类需持续监控与介入），系统可以处理很多任务，但驾驶员（即公司决策者）必须时刻保持警惕并随时准备接管。
这就引出了一个反直觉的观察：规模体量更大的平台公司，虽然技术上具备实现 L3/L4 级运营自动化的潜力，但可能面临更大的内部变革阻力；而那些依赖人类判断、更适合 L1/L2 人机协作模式的“小而美”公司，其核心价值的维护本身就限制了自动化向 L3/L4 的深入。那么，AI 对于后者究竟意味着什么？它将如何在这种 L1/L2 的协作模式下，帮助它们在保持“美”的同时实现“自动”？