第三次"看十年"公开课，曾鸣教授讲组织这一条线时，话收得很紧，只压成一句：单元从岗位转向任务。我记下的是他整场反复回到的那个词，Learning Loop（学习闭环），商业、组织、战略都绕回这一个机制。这个转变，他放在前提的位置讲：当组织先问"这活能不能由 Agent 完成"，岗位作为管理单元的角色就得重新定义，依据从编制变成任务。
顺着组织这条线，他举的几个例子比结论更经得起拆解，恰好是 AI 原生组织从概念落到结构的三块拼图：一人加 agent 干完研发、环形认领的结构、AI 独立上岗的 60 分奇点。
经验退场，判断力上位：一人加 agent 干完研发
曾鸣教授举过一个例子：一家创业公司的老总说，这两年研发部门所有的活，他一个人加 AI agent 就能把活全干完。他由此引出"创智人才"，能选方向、定义问题、能把人机智能组织起来并落到业务上的人，靠高能动性和超强学习放大自身能力，而不是靠资历堆出来的经验。
案例一的第一性原理，是资历溢价的来源被抽掉了，表面看是AI很强，根子不在这里。工业组织里，经验值钱是因为知识沉淀在人的脑子里、传递靠师徒和年限，年长者天然占着信息差的优势。当 AGI 消化吸收了人类已知知识、agent 把调用知识的成本压到秒级，经验的信息壁垒塌了。一个人能走多远，取决于他能否定义对的问题、能否编排人机，他本人的学习速度不再是那道天花板。落到人身上，AI 没有替代人，它把人的稀缺性从经验迁移到了判断力，组织要抢的，是能定义问题的人，不是资历深的人。
这个案例成立有个前提，就是工作必须足够前沿：只有在任务足够复杂、反馈足够真实、agent 真的在干核心活的地方，创智人才才会碾压资历。对绝大多数还把 AI 当辅助工具的公司，资历仍然有效，因为真正的闭环根本没有建立。曾鸣教授举的是标杆式个案，不能直接当作普遍现状。把它解读成"经验不值钱了"、到处套用，是把一个边界极窄的机制误判成普遍规律。
层级退场，任务池立：环形认领抽掉岗位容器
他描述的前沿公司里，二三十人定义方向和架构，外围几百人认领和拆解任务，更外层有几千人处理具体事，六到七成的任务分发是主动认领。认领意味着责任，也意味着成长。这套机制里没有传统的组织结构，只有任务池和责任人。
第一性原理是，协调取代控制。工业组织靠层级做两件事：把信息在上下层级间搬运、按职级分配资源。曾鸣教授说的认领结构，用"谁认为自己的能力匹配、任务重要、能负责，谁就认领"替代了"上级分派"。协调从垂直命令变成网络自组织。岗位之所以消失，是因为岗位原本就是为"固定盒子装固定人、方便替代和预测"而设计的粗略划定的容器；当任务可以实时拆解、能力可以实时调用，这个容器变成多余的包装。
认领结构让组织脱去僵化：活不再卡在某个岗位等人；对人，是从占一个坑变成被需要时能力被调用，能动性由具体事件触发，而不是绑定在某个角色上。它的代价，是三个前提必须同时成立：任务池足够真实丰富、人的能力信号足够透明、组织信任足够高。缺任何一个，认领就退化成抢容易的活或无人认领。曾鸣教授描述的是前沿公司的超前形态，不是所有公司去掉层级就能复制的模板。他说得很克制：中层单纯做信息中转、进度汇总的活会减少，但人才成长、能力建设、关键判断和利益协调仍然重要。把"中层消失"当口号，是对机制成熟度的误判，层级收缩的是搬运职能，不是协调职能。
还有一个绕不开、却常被略过的缺口，是对价怎么算。岗位模糊之后，薪酬不能再锚定在固定职级上，而要锚定在任务闭环的结果证明与贡献度上，从为在岗工时付费，转向为任务跑通付费。这一条不解决，认领结构推行两步就会退回层级，因为人不会为一套算不清自己贡献的系统持续认领。
人退被调用，loop 立：60 分奇点标记结构转折
尽量让 agent 把活干完，干不了时，临时调用人的能力，人是被调用的工具。关键是，只要把活移交给人，这件事就脱离 AI 的学习闭环，省人力反而是次要的。直接负责人（DRI）与岗位脱钩，对结果负责。曾鸣教授把 AI 独立上岗、对结果负责的那个点叫 60 分奇点。
案例三的第一性原理落点在学习闭环本身：机器学习的本质是基于反馈的闭环，使用过程必须成为学习过程，资产才能越用越强。传统资产越用越旧，AI 系统越用越强，根子在这一条。但闭环要转起来，必须让 AI 拥有完整的结果责任。只要人在中间兜底，AI 拿到的就是被筛选过的二手反馈，它学的是人想让它看的，不是真实世界的全部因果。所以 60 分奇点不评技术好坏，它标记的是一个结构性转折：跨过去，从六十到九十的升级可能只要两周；跨不过去，永远是个需要人盯的辅助工具。
企业能沉淀下来的资产，是自己跑起来的 loop，不是买来的模型。对组织升级，人退到被调用不构成降级，它恰恰是把人的能力送进 loop 成为养料的前提。但张力在另一个地方：loop 要复利，必须连失败一起承担，不能只报赢不报输，否则系统学出来的就是一个有偏差的世界。曾鸣教授点到了"对结果负责"，没展开失败归属，这正是管理者真正要设计的边界：什么交给 loop 负责，什么留作人的例外。这个边界，比上多少个聊天机器人都更接近战略。
学习闭环：越用越强的资产
三个案例是同一个机制的三面
把三个案例放回曾鸣教授的 AI 原生组织框架，会看见它们指向同一个机制的三个截面，而非三条并列的观察。学习闭环是新的协调技术；案例二的组织升级，是旧协调技术（层级）被这个新协调技术吸收后剩下的形态；案例三的人退到被调用，是闭环要真正闭合、必须拿走结果责任时，人在系统里的位置变化。岗位到任务、人从固定到被调用、中层收缩，全都是"层级被 loop 替换"这一件事在不同层面的显形，谈不上三条独立预言。
岗位已死，任务当立：三次位移
这场分享在曾鸣教授思想脉络里的位置，是《智能商业》的"网络协同加数据智能"，向这次《看十年》的"智能复利加愿景驱动的战略发现"跃迁的关键转折节点，不是一场孤立演讲。从网络效应到智能复利的跳跃，和从组织是信息网络到组织是学习机器的跳跃，是同一回事。
结语
曾鸣教授给的是一个机制，不是操作手册。把 AI 当工具采购的公司，优化的是一个正在被替换的协调技术。看清 loop 才是新协调层的公司，会从任务出发，向上重建单元和人的位置。窗口期的意义，是早重建的公司在定义结构，晚重建的公司要等结构被别人建好，再进去时角色已经由系统定好了。