AI組織坍縮效應：中層管理者正在失去的，不是職位，是“信息稅”

文 | 舒書

BCG在2026年5月10日發布的《AI組織坍縮效應》報告中首次系統提出了部門墻坍縮、翻譯型崗位消失、專家護城河轉移等核心判斷。本文以該報告為分析框架，結合中國企業案例和最新商業事件進行引申分析。

AI進入辦公室已經不是新聞。但大多數人還在討論AI幫我寫周報、AI生成會議紀要——這些是工具思維，不是組織思維。

真正值得追問的是：當AI Agent開始直接參與業務執行，公司的權力結構會發生什么變化？

需要提前說明的是，本文的推演基于一個假設前提：AI Agent的能力會持續提升，能夠更可靠地處理跨職能的復雜信息。但在現實中，大模型存在概率性而非確定性推理、輸出不可復現等先天局限；更嚴峻的是，《Nature》在2024年發布的研究指出，如果AI反復在早期AI生成的內容上訓練，會引發不可逆的模型坍縮，導致輸出同質化、平庸化，放大早期偏差。因此，本文所討論的組織坍縮更接近于一種在理想化條件下可能加速的理想趨勢，而非板上釘釘的確定性預言。

一、為什么公司會有中層？

管理學的經典答案是管理幅度。一個人能直接管理的人數有限，公司規模大了，CEO管不過來，所以要加一層管理者。

但這只是表面原因。另一個被低估的真相是：中層管理者是信息不對稱的受益者。當CEO的指令從董事會傳達到一線執行員工，會經歷產品調研、需求評審、研發、測試多道工序。兩個月后交出來的結果，可能已經和最初想要的東西差得很遠。中層就存在于這條信息鏈路里：把上面的想法翻譯成下面能執行的任務，把下面的進展整理成上面能聽懂的匯報。

出門問問創始人李志飛在一次采訪中直言：“過去，企業要做大，往往靠人的規模化。人一多，管理就復雜，層級、流程、匯報、溝通都會變多，組織中間層也隨之變厚。中間層越厚，信息損耗越大，熵增越明顯。”

經濟學里有一個概念叫信息租金，指因信息不對稱而獲取的額外收益。本文所說的信息稅正是這種租金的一種體現——中層管理者因掌握上下級信息差而獲得的隱性權力與價值。需要澄清的是，將中層的協調功能稱為稅并不意味著否定其生產性——在復雜組織中，信息轉譯本身就是必要的協調工作。這里的稅更接近于交易成本概念：當AI能以更低成本、更高一致性完成同樣的信息轉譯工作時，這部分原本必要的成本就變成了可被壓縮的超額支出。

技術史上，第一個沖擊中層管理者的工具是協同辦公軟件。釘釘、飛書把消息、文檔、會議搬到線上，讓CEO理論上可以直接看到一線員在干什么。但軟件只是信息同步，沒有業務執行。任務不會自己跑起來，推進還是要靠人催。

AI Agent做的事情比軟件更深一層：它不只是幫人同步信息，而是在直接執行任務。

二、信息稅正在被壓縮

BCG報告的核心判斷是：當Agent能夠同時理解財務、HR、法務等多職能規則時，部門這一邊界本身將逐步失去意義。共享中心不會被簡單優化，而是被吸收進統一的AI運營體系。職能AI轉型不再是拆墻，而是部門墻自己消失。

2026年4月21日，出門問問正式發布企業級AI原生協作平臺CodeBanana。這個平臺的核心邏輯是群即現場：一個群里，人與AI Agent共同作為協作單元。Agent負責寫代碼、做PPT、查資料、生成網站。群聊里的討論可以直接觸發Agent執行，Agent的結果再回到討論區。會議紀要不再只是留檔，而是變成Agent繼續執行的入口。

當信息可以被AI直接跨職能處理時，中層的翻譯權被繞開了。

需要指出的是，出門問問、GitLab等案例主要來自數字化基礎較好的科技公司。在傳統制造業、大型國企或強監管行業，科層制不僅是信息傳遞工具，還承擔著合規風控、權責界定和利益平衡等功能。AI在這些領域短期內很難繞過復雜的人情成本與合規紅線。此外，出門問問工程師的全棧化在一定程度上也源于其作為AI公司的高招聘標準，這部分能力是否可被普通企業復制，還需要更長時間的檢驗。

BCG的報告進一步指出：在財務預算與經營分析場景中，過去需要業務、財務與IT多輪對齊、數據整理與報告生成的流程，現在可以由三類Agent協同完成——業務伙伴Agent理解目標并拆解任務，執行Agent完成數據整合與分析，預測Agent提供風險提示。人類管理者只在關鍵決策點介入。

GitLab的最新調整是這個趨勢的商業注腳。2026年5月11日，GitLab宣布重組，計劃將全球運營國家數量減少30%、移除最多3個管理層級、研發部門重組為約60個更小團隊，并用AI Agent自動化內部流程。CEO Bill Staples在內部信中稱，這是為了迎接agentic era而進行的戰略投資。需要說明的是，GitLab的重組動機可能包括遠程辦公成本、地緣政治風險等多種因素，將其完全歸因于削減信息稅是一種簡化解讀。但移除最多3個管理層級這個舉措本身，確實意味著一部分中間層的職能正在被重新定義。

不是裁員優化，是組織換血。

三、留不下來的中層，長出來的能力

BCG報告提出了一個極具穿透力的判斷：最先消失的不是干活的人，而是翻譯的人。

報告解釋道：過去中后臺大量崗位承擔信息轉譯職能——將業務需求轉化為財務語言、將政策轉化為合規要求、將數據整理為管理報告。而生成式AI天然具備跨語境理解與文本生成能力，這類接口型角色將率先被壓縮。

李志飛在采訪中說得更直白：“被淘汰的不是中層，是只干以前中層那些活的人。留下來的人，要有一線執行能力，也要有戰略、產品和用戶思維。”

過去被定義為管理者的能力——轉譯、協調、催辦、匯報——正在被技術重新定價。而真正稀缺的能力——判斷復雜情況、敢于拍板、愿意承擔后果——AI還做不到。目前的技術局限在于：大模型缺乏因果推理能力，其輸出本質上是概率預測而非邏輯推演；在需要價值判斷（如這個方案是否符合公司價值觀）的場景中，AI無法替代人的主體性。

BCG將這一轉變概括為：專家的護城河從我記得變成我判斷。以知識記憶為核心價值的能力將被逐步替代，而具備判斷力、取舍能力與復雜決策能力的專家，將成為新的核心稀缺資源。

留下來的中層，開始長成另一種人。出門問問的工程師已基本能獨立做前后端，產品經理和非研發人員也能處理簡單研發任務，市場人員可以做Dashboard、爬數據、搭系統。他們不再是只會提需求的人，而是懂技術、懂業務、能指揮Agent的人。

四、管理者轉型的隱性代價：認知債務

BCG報告描繪了一個樂觀的未來：管理者從管人轉向指揮人機系統，管理幅度顯著放大。

但多倫多大學2025年的一項腦科學研究帶來了一個冷靜的提醒：長期依賴AI輔助寫作的人，在處理復雜認知任務時，其大腦特定區域（與主動檢索、邏輯推理相關的皮層）的神經連接活躍度顯著降低，降幅約在數十個百分點。這種現象被稱為認知債務——用進廢退，越是把思考外包給AI，獨立解決問題的能力退化得越快。該研究測量的是受試者在執行特定認知任務時的神經連接活躍度變化，而非大腦結構的物理萎縮或長期智力退化。同時，這類實驗通常在限時、高壓的單一任務環境下進行，與現實工作中非線性、多步驟的人機協作模式存在差異。

如果管理者不再親歷信息的獲取與處理過程，而是完全依賴Agent過濾后的二手信息，他們的判斷力將變成無源之水。這會產生一個深層悖論：管理者的判斷力退化與組織對AI的依賴加深形成正反饋循環——人越依賴AI，判斷力越弱，越不敢脫離AI，組織對AI的鎖定越深。這不是組織變得更高效，而是組織變得更脆弱。

需要強調的是，這一風險并非不可避免。理論上，組織可以通過強制輪崗、定期下沉一線、保留無AI輔助的決策演練等方式，來對沖認知債務。但多數企業尚未將這類機制納入AI轉型的配套規劃。

五、悖論：更小的單元，更高的協調成本

組織的Agent化帶來一個不大被提及的悖論：當團隊越拆越小，跨團隊的協調成本反而可能上升。

BCG報告描述了理想狀態：組織形態將從金字塔加速向啞鈴型演化——執行端演化為“Agent+人工”的協同結構，中間環節大幅壓縮。

但現實是，幾十個小團隊的接口、任務依賴、優先級沖突仍然需要人來對齊。這些成本并沒有消失，只是從部門之間的摩擦，轉移到了人機協作的界面。

管理者的管理幅度的確會放大——過去一位管理者帶10位下屬是常態，未來“一人+N個Agent”可能成為標配。但管理幅度的增加本身并不自動帶來效率，反而可能放大管理者的認知負載。協調幾十個Agent和協調幾十個人，難度性質不同：Agent不會鬧情緒、不會爭資源，但會嚴格執行一個有隱性缺陷的指令，把錯誤放大得更快。

BCG報告也承認這一風險：當AI承擔財務、HR、法務等核心任務時，一次偏差的分析、一份不合規的決策，都可能在AI規模化執行下被瞬間放大。小概率失誤一旦發生，可能引發系統性連鎖反應。

目前行業對如何系統化解決人機協同成本尚無成熟方案。可能性方向包括：技術層面用Agent間的通信協議（如ACL、工具調用契約）減少人工介入，組織層面設置輕量級人工抽查/SLA機制。可以預見，組織坍縮不會是一蹴而就的平滑趨勢，而可能呈現局部先坍縮、局部保留的不均衡坍縮狀態，或在試錯中經歷“坍縮—部分回退—再坍縮”的震蕩反復。

六、坍縮的邊界：誰會慢一些？

組織坍縮不會在所有行業同步發生。

高度監管的行業會更慢。金融、醫療、航空等領域的合規要求會延緩AI對核心決策流程的滲透。當一份財務報告出現偏差可能導致監管處罰時，讓Agent自動處理的門檻會高很多。

創意型組織可能走不同的路。廣告公司、設計工作室的核心價值在于非標創意，而不是流程效率。AI在那里更像一個思想碰撞的工具，而非替代中層的執行者。

中小企業與大型企業的速度也不一樣。小公司本來就沒有那么厚的中間層，坍縮的空間有限；大公司中間層厚，但利益格局更復雜，轉型的阻力也更大。

組織慣性。大型企業的科層制不僅是信息傳遞通道，往往還嵌入了復雜的內部權力角力、利益分配格局和歷史遺留問題。即使AI能解決技術層面的信息不對稱，這些根深蒂固的官僚結構和跨部門壁壘仍是阻礙坍縮的巨大摩擦力。在中國，國企和大型民企的科層制文化與關系型協調還會進一步改變坍縮的節奏。信息稅不只有技術成本，還有人情成本。

資本帶來的能力分層。此外，未來的AI能力本身也會因資本投入而產生分層。頭部企業可以通過巨額投入購買專屬的、經過高精度微調的超級智能體，而中小企業只能使用基礎版。這種智能力的貧富差距，可能會讓組織坍縮的速度在不同體量的公司之間產生巨大鴻溝。

七、AI治理：當Agent犯錯時，誰來負責？

盡管AI的執行能力在快速增強，多數企業還沒有準備好應對AI深度嵌入業務流程帶來的治理挑戰。

BCG報告預測，將催生一類全新的職能角色——AI輸出審核官或AI治理專家。他們兼具業務理解、合規敏感度與技術判斷力，負責定義AI的能力邊界、審核關鍵節點的輸出、對重大風險進行兜底。

但這引出了一系列尚未解決的問題：

當AI犯錯時，責任歸屬如何劃分？是算法開發者負責技術缺陷、部署者負責場景適配、使用者負責輸入質量、還是審核官負責輸出把關？目前行業尚無統一框架。

當前的法律監管框架——如歐盟AI Act和中國《生成式人工智能服務管理暫行辦法》——正在探索這些邊界，但尚未給出清晰的責任分配方案。

審計追蹤和人工復核機制具體如何設計？是每單必審還是抽樣？觸發人工復核的閾值是什么？這些問題，BCG報告沒有給出答案，整個行業也還在探索。

八、如何在AI時代守住判斷力底線？

第一批開始規模化人機協同的企業，已經暴露出兩個剛性問題：審計追溯機制的缺失、管理者判斷力被AI架空的風險。

一些頭部團隊正在試點幾類基礎制度：

強制無AI窗口：對關鍵決策環節保留無AI輔助的分析演練，避免團隊對Agent輸出形成路徑依賴。

定期下沉一線：管理者必須周期性回到一線數據采集或客戶界面，確保決策建立在真實感知之上，而非完全依賴Agent過濾后的二手信息。

復核與抽查閾值機制：對Agent自主輸出的內容，設定明確的抽查比例和觸發人工介入的風控口徑（如超過10萬元需雙人復核）。

這些措施并非答案，但至少說明一點：人機協同需要制度設計，而不是坐等Agent成熟。

九、結語：組織坍縮的進程才剛剛開始

Gartner在2025年8月預測，到2026年底，40%的企業應用程序將集成任務特定的AI智能體，而2025年這一比例還不足5%。從5%到40%的躍遷，不是漸進優化，而是結構性重塑。

但正如本文反復提醒的，技術演進不會是線性的。模型坍縮、認知債務、合規紅線、人情成本——這些現實摩擦力會讓組織坍縮在反復試錯中震蕩前行，而非一帆風順。

BCG報告在結尾留下了幾個值得每一位管理者追問的問題：

你所在組織的中后臺，有多少崗位正在承擔信息轉譯，而非判斷決策？

你的專家團隊，護城河是建立在知識存量上，還是判斷流量上？

在AI規模化執行之前，你的組織是否已經搭建起能夠兜底風險的治理夾層？

組織的每一層結構——至少是那些以信息轉譯為核的崗位——都在被重新審視。對于每個知識工作者來說，真正值得追問的不是AI會替代我嗎，而是我的崗位在AI時代值多少錢。如果過去你的價值來自信息不對稱，那么這種不對稱正在被壓縮——盡管速度和程度因行業而異。

留下來的中層，不再是那個上傳下達的人。他們是能設計工作流的人，是能指揮Agent拿結果的人，是能在復雜模糊的情境中做出判斷的人。這仍然是AI做不到的事——因為判斷的背后是價值立場、風險承擔與主體性，而這些超出了當前概率模型的能力邊界。

組織的命運，從來不取決于技術本身，而取決于誰能在技術重塑的權力結構中，重新定義自己的位置。這是AI Agent時代，每一個管理者都必須回答的問題。

本文在BCG報告的分析框架基礎上，進一步提出了信息稅概念，并對認知債務（人機協同中的判斷力退化風險）、組織慣性與資本壁壘等現實阻力進行了補充分析。這些延伸討論不代表BCG的官方觀點，由作者獨立負責。