当AI深入组织，人文从选择变成答案

一家 AI 公司的 HR，需要懂机器学习吗？

面壁智能 HR 部门负责人孙彤给出的答案是，需要。

图片由 AI 生成

文 | Alex

作为脱胎于清华大学自然语言处理实验室、锚定端侧智能路线的大模型创业公司，面壁智能的组织管理从诞生之初就带着强烈的 AI 原生属性。

孙彤会用 AI 补机器学习的基础知识，再从组织发展的角度重新理解这套方法。

定义目标后，观察反馈，识别 Loss，也就是实际结果与目标之间的偏差，再复盘并持续迭代。

过去，这些词主要出现在模型训练中，现在也进入了她和技术团队讨论组织问题的语言体系。

“HR 的本质，还是要理解平常一起工作、合作的这群人。” 孙彤说。

面壁智能的很多员工从机器学习、深度学习一路走来，习惯用目标、反馈和实验结果讨论问题。

HR 如果仍然停留在传统的经验和流程中，双方很难在同一个语境里交流。

这种学习也在影响面壁智能的组织管理。

公司仍然使用 OKR 明确方向，但高速变化的业务很难完全依靠一套固定指标运行。

目标需要不断校正，探索阶段和商业化阶段的团队，也会采用不同的评价方式。

孙彤也坦言，这套方法仍在调整。

多项业务并行推进时，频繁更新 OKR 本身也会增加负担。

面壁智能因此尽量控制目标数量，要求每个人聚焦不超过 3 个核心目标，把精力放在少数真正重要的事情上。

这背后，是端侧技术路线对组织形态的深层重塑。

面壁智能认为，端侧智能重新定义了智能的分布方式。不同于云端智能集中式的 “超级大脑” 模式，智能最终要走到离用户最近的地方，分布在汽车、手机、PC、具身机器人等万千终端之中。

技术路线的分布特性，也直接映射到了组织设计上。

面壁没有采用传统的金字塔层级结构，而是逐步演化出 “底座集中、场景分布” 的蜂窝组织形态。这套形态下，基础模型、Infra、数据评测等高复用能力作为公共技术底座集中建设，汽车、手机、具身智能、行业解决方案等业务线则形成一个个独立闭环的蜂窝单元，贴近用户快速决策、快速迭代。

每个蜂窝单元小到三四人即可启动，从一个想法到产品雏形、再到快速用户验证，几周内就能完成闭环；验证跑通后再逐步扩张到 10 人左右的成熟团队，在平台能力复用与业务敏捷之间找到平衡。

这种仍在持续演化的组织形态，是 AI 原生企业在组织设计上的典型探索之一，其核心是跟着业务节奏动态迭代，而非一开始就定下固化的架构。

对 HR 来说，理解技术团队的思考方式，是设计管理方法的前提。只有进入他们的工作语境，才能找到更适合这群人的沟通与协作方式。

01 能力结构正在被重写

过去一年，关于 AI 取代岗位的讨论很多。孙彤在招聘一线看到的变化，没有那么简单。

前后端工程师、产品经理、HR、行政等岗位依然存在。

但变化发生在岗位内部，代码生成、测试、产品调研、材料整理、方案撰写等基础动作，正在越来越多地交给 AI。

在面壁智能内部，不同职能团队使用 AI 的方式并不相同。

职能团队更多用它提升效率。比如：

• HR 会借助 AI 梳理人才画像、分析材料、生成培训内容和建设知识库。
• 
  
• 其他中后台同事，也会编写一些Skills，来优化重复性工作。
• 
  
• 研发团队则已经将 AI 引入代码生成、测试等生产环节。

最让人惊喜的是，研究团队关注的则是 AI 带来的创新空间，公司内部由此出现了 “ AI for AI ” 这样的交叉方向和智能进化团队，用 AI 技术探索提升模型训练与组织运转效率的新方法。

这类岗位在市场上几乎没有现成的对标。

新员工培训也在变化。已有的讲稿或 PPT 上传到公司内训平台后，可以生成相应课程讲解视频，并实现跟员工互动答疑。

同一套入职内容，HR、工程师和其他岗位提出的问题不同，得到的反馈也会有所区别。

AI 拿走一部分基础动作后，岗位的工作重心随之迁移。

这种迁移在面壁的端侧路线下表现得尤为明显。

模型训练完成只是起点，从压缩、量化、推理优化，到芯片适配、系统调试、客户场景落地，最终实现量产交付，后续 90% 的工作才是价值落地的关键。

这要求团队成员不能只懂单一领域：

• 算法研究员要考虑工程落地与产品体验，
• 
  
• 工程师要理解模型原理与芯片特性，
• 
  
• 产品经理要掌握技术边界与行业场景。

算法、工程、产品之间的边界随之变薄，一个人往往要覆盖过去多个岗位的能力板块。以工程师为例，岗位名称可能没有变化，需要承担的能力板块却比过去更宽。

面壁智能选择端侧技术路线，模型需要进入汽车、手机、电脑和机器人等终端。

一个人可能既要理解模型，也要处理工程、芯片适配和客户场景中的问题。算法、工程和产品之间的边界随之变薄。

孙彤观察到，一些看起来全新的岗位，实质上是多种能力的重新组合。

“它不一定有一个新的岗位名称，但能力结构已经完全刷新了。”

这与行业内热议的前端部署工程师（FDE）等新角色本质上遵循同一逻辑。

这类角色并非凭空诞生的全新岗位，它是传统技术、解决方案、客户成功等职能在 AI 时代的能力重组，要求从业者既要深度理解模型与技术，又要嵌入客户真实场景，推动 AI 能力快速落地并产生价值。

相似的变化也发生在职能岗位。

AI 可以很快给出一份方案，人的工作开始向前后两端移动，人需要先把问题定义清楚，再判断答案是否可靠；整合所需资源，验证最终交付。

经验的价值仍然存在，只是经验本身越来越难成为稳定的护城河。

大模型行业发展至今不过数年，“十年大模型经验” 无从谈起。

面壁在招聘研究类岗位时，更关注候选人的基础功底、学习速度，以及处理尚未被明确定义的模糊问题的能力；商业化岗位则更看重技术理解力与行业 Know-how 的结合。

过往履历只是参考，更核心的判断标准是，当模型、工具和业务场景持续变化时，这个人能否跟着问题一起生长。

02 年轻 Leader 不需要扮演传统管理者

岗位边界变化后，管理者的来源也在变化。

在面壁智能，管理通常从专业能力中生长出来。孙彤把它形容为 “管理是在专业能力上长出来的翅膀。”

Leader 仍然需要做方案、参与招聘、解决一线问题。单纯上传下达，或者只负责绩效和 KPI，很难获得团队认可。

技术团队变化尤其快，管理者如果离开一线太久，很快会失去对问题的判断。

面壁智能 CTO 曾国洋是一个典型样本。他很年轻，团队中不少人的年龄都比他大。

孙彤说，团队对他的认可，主要来自专业能力、对技术变化的感知，以及讨论问题的方式。

• 他做判断时，很少强调自己过去训练过多少模型。事实、实验结果、用户反馈和合作伙伴反馈会被放到一起讨论，再寻找更接近正确答案的方案。
• 
  
• 判断出现偏差时，他也会直接承认自己不了解，或者此前的判断错了。

在同事眼里，他平时更像一名 “同学”。这并没有削弱他的影响力：在需要给出方向时，他又能用对技术的理解和对目标的投入带动团队。

这种专业驱动的管理风格，也塑造了面壁的决策文化。

公司没有复杂的层级审批，业务方向与技术路线由业务负责人与技术负责人共同判断。讨论阶段鼓励充分表达、充分听取反对意见，一旦形成共识便高效执行。

为了打破传统组织中 “信息即权力” 的层级差，面壁保持了极高的信息透明度。

公司每月举办全员会，面向所有正式员工与实习生同步公司战略、业务进展与重大事项；核心管理层的 OKR 全公司可见，确保所有人接收到的信息一致，减少沟通折损。

AI 工具对信息透传效率的提升，也重构了传统的管理宽幅。

面壁整体保持扁平化结构，没有严格意义上的 “中层” 岗位，少数中间角色更多承担目标拆解、资源协调与人才培养的职能，而非单纯的上传下达。

在孙彤看来，当信息可以通过工具快速触达一线，管理层级的存在价值本身就需要被重新定义。

年轻 Leader 不必复制前辈管理者的样子。

技术和业务持续变化，职级与信息差越来越难以支撑权威。

专业判断、开放讨论和一线参与，正在成为团队信任他们更直接的来源。

这套管理方式仍在形成当中，面壁智能也没有将其归纳为一套通用方法。随着业务阶段和团队规模变化，今天有效的做法，未来仍可能继续调整。

“创业公司我们叫‘造飞机、开飞机换引擎’。开飞机，航线一直在变，整个赛道还一直在发生着快速变化…… 在 AI 公司，更要加速，只有比这个赛道还快，才能够不被落下。” 孙彤说。

03 越跟“人”打交道，越要谨慎

在面壁智能，AI 已经进入 HR 的日常工作。

招聘画像、材料汇总、数据分析、培训内容和知识库，都可以借助 AI 提高效率。涉及绩效、个人成长和员工情绪时，孙彤的态度会明显谨慎。

孙彤常提一个核心原则：“越跟R打交道，越要谨慎。” 这里的"R"包括人和关系，尤其是HR、GR和PR等与人和关系高度相关的工作。

AI 可以汇总绩效材料，识别数据差异，也可以提供分析线索。

人的评价却包含大量难以标准化的信息，比如一个人承担了什么压力，经历了怎样的成长，团队协作中发生过什么，他为什么在某个阶段没有达到预期。

这些信息需要被理解和解释。模型给出的结果可以成为参考，最终的判断仍然需要人参与。

在面壁的理解中，AI 原生组织远不等于 “全员配备 AI 账号”，而是一个逐层深入的体系，大致可以分为三个层级： 

• 第一层是个人层。每个人都能与 AI 共生，将 AI 作为 “我的硅基同事”，用工具补齐能力短板、提升信息处理效率，实现个人能力的放大。 
• 第二层是团队层。各类沉淀了经验的 Skill、Agent 成为团队共享的能力资产，替代重复性工作，沉淀最佳实践，同时提升团队的效率上限与创新能力。 
• 第三层是组织层。AI 逐步进入决策链路，通过蒸馏个人与组织的经验知识，让资源、知识、数据在组织内高效流动，最终让整个组织本身成为一款持续进化的 AI 产品。

这也是 “公司即产品” 理念的核心 ——AI 公司本身就应该是一个 AI 原生的组织产品。

孙彤对 HR 的要求因此在两个方向上：

一边是持续进化。HR 要理解新的技术和生产方式，进入真实业务场景，重新判断哪些工作交给人，哪些工作可以由 AI 完成。给员工采购更多账号，或者把原有流程逐个接入 AI，并不足以完成组织变化。真正的转型需要回到第一性原理，从零开始定义人与 AI 的分工、人与人的协作模式。

另一边是理解人。HR 需要感知员工的成长、情绪和压力，也要理解一个人从职场新人到骨干专家，再到离开组织、进入下一段职业经历的完整过程。

这也是孙彤反复提到 “人的味道” 的原因。

她看到，越来越多公司有了 AI 的味道，人的味道有时反而淡了。工具让信息处理更快，方案生成更容易，组织对效率的要求也随之提高。省下来的时间和精力如何使用，仍然是一个需要回答的问题。

“AI 帮助公司提效之后，人应该越来越有温度。” 孙彤说。

面壁智能对 AI 原生组织的探索仍在继续。研发、招聘和培训已经发生变化，更多组织层面的探索还没有定型。

对 HR 来说，这个过程既要求她跟上模型和工具的速度，也要求她在面对“人”的时候慢下来。

AI 可以帮助组织读懂更多数据，但一个人的成长、压力和选择，仍然需要被另一个人认真看见。

栏目介绍 

本文为崔牛会「AI 原生组织研究」系列文章。更深层的问题，比如人在 AI 原生组织中如何重新定义价值，AI 输出如何被工程化约束，中层管理在新组织里会不会消失，将收录在崔牛会8月发布的《AI原生组织白皮书（2026）》中。

关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/