协作流程不写下来，组织看不见判断

一句话：一个 AI 原生的组织，必须把协作和协同的工作流交给 Agent 驱动。 原文：/posts/ai-native-org-workflow/

主张

• 分水岭不是模型聪不聪明，是那台机器会不会被收走。不关机的机器加强模型，即兴编排就够；沙箱会销毁、用不起强模型、任务还要又好又快，三条同时成立才必须显式写流程。
• 长流程的节点是异构的：有些跑云上可复用资源，有些只能落在特定本地电脑（内网、CRM）。加上 Human in the loop，人本身成为节点，流程由 AI 转动、人在里面协作。
• 写下来的是两样：流程怎么走，以及怎么算它走完了。只写步骤不写验收，换个实现还得重来。
• 工作流最基本的能力是存住 State，从当前状态恢复并接受新输入。有了它才谈得上算每个环节的 token 与时间。
• 它组织的单元跨 session，把会话和人一起组织起来。「和人协同」是限定词，不含人的编排不算。
• 个体拿到 AI 工具被极大加强，但完成这件事的判断留在本机 session log 里，没披露给组织，所以出了事还得去找人。五到十人和一百人以上的团队都一样。人是瓶颈时组织就慢：慢在等，也慢在人与人之间传上下文带宽太低。
• 流程由 AI 驱动时 AI 手里是全的，第一次能看出不同的人对同类问题的投入产出。核心是一个范式变了。
• 第一版流程由为业务结果负责的人创建。人从流程里的一个节点退到和 AI 一起设计流程、关键时刻做判断，考核从单节点改成对流程结果负责。AI 越来越懂过去这个人怎么判断，但替代不了他，因为人要用来背锅。
• 组织真正值钱的三样：上下文、对隐性知识的判断、组织效率的优化本身。
• 「必须」的适用面（2026-09-18 经三轮 Reviewer 逼出的两次收窄）：只对预先画不出完整流程图的那类工作成立；流程能事先画全画死的，传统工作流引擎就够。Agent 驱动也不等于自动留全痕，身份传递、外部回执、逐跳写入都是条件。
• 正文正面立了三版反方并逐版回应：靠人补记的任务系统（打得动）、执行系统自动留痕（改从覆盖面回应）、统一任务身份且能挂人工节点的工作流引擎（打不动，改为收窄适用面）。

外部证据

• Anthropic《Building effective agents》：workflow 是预定义代码路径的编排，agent 自己决定流程。它把成本算在 agent 那一侧，本文算在执行环境那一侧。
• DORA 2025（近 5000 人）：AI 不修团队，只放大团队原本的样子；回报来自内部平台质量与工作流清晰度。
• Beck / Orosz 反驳 McKinsey：衡量单个开发者制造反向激励，最好的工作常常不可见。逼出本文的红线边界。
• METR 的 RCT（16 人 / 246 个真实任务）：用 AI 慢了 19%，自估快了 20%。本文据此把「个体效率上去了」标成体感而非实测。

作者自己留的开口

• 谁来建、谁来测这些和人协同的工作流，没有答案。方向是低成本重复跑一个组织、回放、框架支持 Actors 与 Director。
• 人休假之后流程还在不在跑，属于 Agent 主动性，留待下一篇。