从超级个体到超级团队
沿 个体觉醒 → 能力溢出 → 团队涌现 → 组织启示 的线索，记录组织正在怎么生长。一份从田野调研与实验出发的报告，探讨 AI 时代下个体与团队关系的根本性重构。
这是腾讯研究院在《AI 时代的企业创新与转型》项目研究下，基于一年田野调研与变革实践，呈现的一份关于超级个体与超级团队的研究报告。全本共 82 页，此处精选核心 30 张作为长文呈现。
报告围绕一个核心判断展开：在 AI 时代，组织最重要的变化不是工具升级，而是人才与组织关系的重新设计。超级个体放大的是分子，超级团队真正解决的是分母。
研究起点
本报告缘起于《AI 时代的企业创新与转型》项目研究。在腾讯集团高级管理顾问杨国安教授指导下，深度观察了美图、Rokid、Manus 等多家企业的 AI 转型进展；并基于腾讯研究院 AI 原生小组历时一年的变革实践与观察，对超级个体与超级团队的诸多问题进行了研究。
先后深度调研：CodeBuddy · 月之暗面 KIMI · 出门问问 · 特赞 · 安克创新 · 童行书院 · 超脑 AI 孵化器 · flomo · Multica · ColaOS · Pine · Cresta · Ventus AI · Superlinear · 歸藏 · 花叔 等。同时通过 AI 调研员对数十位一线创始人与实践者进行一手调研；参考 Anthropic · Block · 麦肯锡 等机构的公开实践与研究。
团队与方法
- 顾问 司晓 · 腾讯研究院院长、腾讯公司副总裁
- 主笔 袁晓辉 · 腾讯研究院副院长、资深专家 | 余一 · 高级研究员
- 共创者 李瑞龙、曹士圯、王鹏、王强、刘莫闲、吴朋阳、白惠天、王焕超
- 特别致谢 杨国安教授以及所有支持与参与本次研究的企业、团队与朋友们
校准生长的公式：
组织竞争力 = 人才密度 × AI 杠杆 ÷ 组织摩擦
本报告的全部讨论，浓缩为一个等式。理解了这个等式，就理解了为什么会有超级个体，以及为什么必须走向超级团队。
组织竞争力 = 人才密度 × AI 杠杆 ÷ 组织摩擦| 变量 | 含义 |
|---|---|
| 人才密度 分子 · 1 | 单位团队中具备独立闭环能力的人占比 |
| AI 杠杆 分子 · 2 | AI 实际嵌入工作流的深度与覆盖面 |
| 组织摩擦 分母 | 想法到可交付成果之间的等待、审批、对齐、衰减 |
三者的关系是乘除而非加减：分子翻倍但分母不动，净效果打折；分母减半的效果等价于分子翻倍。
超级个体放大的是分子——他让一个团队的人才密度更高，让 AI 杠杆打得更高。但他解决不了分母。等待、审批、对齐、衰减这些组织摩擦，仍在每一次跨人协作中持续存在。
超级团队真正解决的是分母——它通过结构设计让等待变短、让审批变薄、让对齐可以异步完成。
对管理者的含义
- 不必纠结是 AI 转型还是 AI 原生两者在人才与组织层面面临的是同一组问题。
- 两者核心命题都是超级个体如何聚合为超级团队单点突破无法承接更大的价值场景。
- 真正应当关注当下的企业环境有没有在培育超级个体？有没有为超级团队的生长创造出足够的空间和环境？
- 真正有效的变革极少是被规划出来的组织能自上而下设计的，至多是让它生长的土壤。
把分子做大，把分母做小——这就是 AI 时代组织升级的全部工程。
超级个体的四个结构性特征
借助 AI，一个人达到过去需要一个小团队才能达到的产出规模与影响半径。这是「超级个体」最朴素的定义。
- AI First · 工作动线AI 排进整个工作动线，AI 是工作的默认起点。「我先让 AI 跑，然后在 AI 的产出上做判断和修正」——而非遇到困难时再问 AI。这决定了 AI 杠杆能放大到什么程度。
- 能力跃迁 · 量级 + 跨域跃迁发生在两个维度：量的维度，产出从 10%–20% 提升变为 10× 甚至 100×；域的维度，一个人独立把一件事从想法做到交付，跑通产品、设计、研发、运营多个角色接力的整条链路。
- 主动探索 · 自驱的边界探索者不等待组织安排，天然主动寻找 AI 能力的极限，持续扩展自己的能力圈。这种自驱力是持续的好奇心与行动力的结合，让他们在组织中成为 AI 应用的先行者和示范者。
- 影响力溢出 · 让团队变快这是最容易被忽视、也是判定超级个体的关键阈值：高效个体只让自己变快，超级个体让团队变快。当同事看到你用 AI 一晚做出他们一个月的产出，变革的种子就已经播下了。
少了 AI First 原则，AI 用了但杠杆率上不去；少了能力跃迁，只是传统意义上的高产者；少了主动性，AI 工具再多也只是在被动消耗 token；少了影响力溢出，价值停留在个人产能层面，带不动组织。
四个特征是结构性，而非风格描述——它定义了超级个体这个物种的边界。
反面：什么人不容易醒来？
讨论了谁先醒来之后，有必要反过来看一个问题：什么样的人不容易成为超级个体？
| 阻塞 | 症状 | 反路径 |
|---|---|---|
| 先学再用 | 等课程 · 等采购 · 等别人验证。旧路径高胜率，但 AI 时代工具变化得比课程快。 | 行动中学习：先做小东西 · 碰真实问题 · 再沉淀。等你系统学完，窗口可能已经过去了。 |
| AI 当搜索 | 用 AI 但只是搜索引擎升级版：问一个问题，拿一个答案，回到原工作方式。10%–20% 线性提效。 | AI 当协作对象：进工作流 · 可达 10×。十倍放大的重点是重新定义什么事值得做、怎么做，目标并非做同样的事更快。 |
| 身份感过强 | 资深工程师的自我认知建立在「我写的代码质量高」之上，AI coding 是身份威胁。 | 身份流动：固守旧技能与尊严 → 不确定中先迈出一步。身份感越强，转型成本越高，要放下的不只是旧技能，还有旧技能附带的尊严感。 |
超级个体往往是组织中最愿意在不确定中先迈出一步的人。先做一个小东西，让它碰到真实问题，从失败中获取反馈，再回头命名、归类、沉淀方法论。
一个十年经验的工程师在 AI 辅助编程上的适应速度，可能不如一个善于学习的应届生。
AI 同时在做两件事：重排序列 和 拉大方差
AI 不是简单的放大器，也不是均衡器。它按一套新的标准重新给人定价——表面上看像洗技能，实际上洗的是技能下面那层更难命名的东西。
王佳梁 · AI 对人群的重新分层
| 比例 | 类型 | 定义 |
|---|---|---|
| 5% | 引领者 不可替代 | 能将 AI 杠杆与不可替代的人类能力结合 |
| 10% | 拓展者 高杠杆 | 突破了原有边界 |
| 70% | 效率提升者 中杠杆 | 用 AI 更快完成工作，获得线性提升 |
| 15% | 被淘汰者 易被替代 | 工作恰好是 AI 最容易替代的 |
什么在被重新定价
表面上洗的是技能，但 AI 几乎抹平了技能这一层。真正被重新定价的是它底下那层更难命名的东西：
- 判断力 决定什么值得做
- 学习速率 决定适应快慢
- 问题分解 决定路径设计
- 品味 决定产出取舍
「AI 替代的是你被雇佣的理由。知道什么、能做什么，必须转移到能判断什么、能创造什么。」—— 王佳梁
现有人才体系几乎都在衡量正在贬值的那一层。一个组织如果照「人人都会被平等赋能」配置资源，很可能把投入摊得最平均，而回报恰恰集中在最不平均的地方。
麦肯锡印证：近 90% 公司已投资 AI，但不到 40% 报告了可衡量的生产力收益。收益集中在少数高绩效组织。
被洗掉的不是技能，是「会做」这件事的稀缺性。留下来的是判断、品味、学习速率——这些 AI 暂时学不会的东西。
超级个体为何仍需要团队？
能力是必要条件但不是充分条件。一个人承载不了所有的风险、注意力、信任和长期承诺，也接不住需要多种判断并行的更大价值场景。
REASON · 01 · 共同承担风险
风险承担是系统属性：完成任务只需能力，承担风险需要稳定性。AI 让人在能力维度无限延伸，但抗风险需要多点决策、多点抗压、多点试错。
与单创始人相比，有联合创始人的公司 5 年存活概率高约 45%、获 VC 投资概率 约 1.8 倍、到达 PMF 约快 25%；十亿美元级公司中约 80% 有 2 名或以上联合创始人。
REASON · 02 · 共同稳定注意力
注意力是最稀缺的资源。AI 进一步加剧紧张：AI 高吞吐让决策点密度暴涨，每小时要做的判断从 5 个变成 50 个，每个都要付出切换成本。
被中断任务若同日恢复，平均需 23 分 15 秒 才能回到等效专注状态。注意力切换是有结构性损耗的，不会因为切换者更聪明而消失。
REASON · 03 · 共同形成信用
当一家公司决定把 100 万预算交给你，他们评估的不仅是你的能力强不强，还有这个系统是否可靠。一个人本身就是结构性地不可靠：生病、变忙、换方向。
明星员工跳槽到新公司，绩效往往显著下降；但若带原有团队成员一起，绩效不会下降。个体的超级能力有相当一部分由协作网络所支撑。
REASON · 04 · 进入更大的价值场景
一人公司有其结构性天花板，难以进入需要稳定工程化产品、更大规模交付、持续产品迭代、客户信任体系、合规与责任的更大价值场景。
真正在 AI 时代跑出惊人增长的，多是 20 人以内、且不止一人的 AI Native 团队。高营收的 OPC 在从 1 到 10 的过程中几乎全部引入了团队或加入了超级团队。
AI 能放大单点能力，但价值场景的扩大需要多点同时在场：多种判断并行、多种关系网络接入、多种品味碰撞。
协作的本质变了：从切割到放大
过去，协作是按岗位切割——因为一个人做不了全链条，所以必须拆成前端、后端、产品、设计、测试、运营。它是基于能力边界的切割。
现在，协作是按优势放大——AI 会放大每个人最强的那一部分：产品感强的人用 AI 快速把想法变成原型；工程直觉强的人用 AI 搭出更稳定的系统。
「优势咬合 · 共振叠加」——每人带着被 AI 放大的优势场。
列侬和麦卡特尼各自都是出色的音乐家，但最高成就出现在合作时期。思想具有非竞争性，共享不会贬值。当两个超级个体分享各自的方法论和 AI 使用技巧时，双方的能力都增加了，不存在零和博弈。
但现实中放大常常没有发生。超级团队是结构产物，而非聚会的产物。
超级团队涌现的四条路径
在我们的调研中，超级个体聚合为超级团队的过程呈现出若干可辨识的路径模式。它们不互斥，往往同时运用。
PATH A · 自下而上的自发涌现
没有来自顶层的刻意设计，超级个体在实践中彼此发现、互相吸引、自发聚合。可见性是核心机制：个体的能力溢出互相可见后，产生天然的吸引力。
- 代表案例 · CodeBuddy · Kimi（月之暗面）
- CodeBuddy：几个对 AI 编程深度着迷的个体在不同方向上证明了 AI 放大的可能性——有人一晚写一万行代码，有人从工程师转型产品经理。Bati 构建了透明的领域层 / 上下文层结构：每个人清楚知道自己的领域、其他人的领域以及共享上下文。超级个体在共享上下文中自主找到最有价值的工作并完成它，无需被分配任务。
- Kimi：内部共识——「架构扁平化是一个结果」。扁平是因为初始人才密度极高加上 AI 工具使个体独立交付成为可能。BAPO 理念（Business → Architecture → Process → Organization）：先定业务目标和系统架构，流程和组织结构适应前两者。
PATH B · 组织筛选培育
在规模较大、惯性较强的组织中，自上而下的催化干预可能是必要的，但最有效的干预是设计筛选和培育机制，让超级个体更容易出现。
- 代表案例 · 安克创新 · 火箭班
- 四阶段：筛选 → 培育（1-2 个月脱产）→ 放回原团队 → 带动全员能力提升。从全公司范围内筛选出对 AI 有强烈兴趣和快速学习能力的人，脱产 1-2 个月完成高强度 AI 能力培育，在真实业务场景中用 AI 解决真实问题。回到原团队后，新工作方式会自然感染和带动周围的人。
- CEO 阳萌将此列为一把手工程，保证机制有足够的组织资源和高层支持。
PATH C · 氛围营造浸泡
普遍浸泡 + 自然生长，创造一种人人都可能被激活的氛围。两个看似简单的机制持续运作，就能产生超出预期的效果。
- 代表案例 · 腾讯研究院 · AI 午餐会 + 每日一条
- AI 午餐会本质是展示和交流：每次有人展示自己用 AI 做了什么有意思的事。这种同事示范的力量远超专家培训——当你看到做类似工作的同事用 AI 做出了令人惊喜的东西，心理距离瞬间缩短。
- 每日一条分享则构建了持续的信息环境，每天都有新的 AI 使用案例和技巧出现在团队的信息流中。这种持续的低强度刺激，比一次性的培训课程更有效地改变人的行为。
- 关键样本：2026 春节值班 → 共享 AI skill 持续追踪 AI 进展 → 春节后没消失，成了常驻基础设施。经验传递的最小单位从说一段话升级为递一个可执行的 Skill。
PATH D · 创始人驱动示范
创始人首先自己成为超级个体，亲自用 AI 做出产品级成果，然后通过示范效应和/或技术平台来规模化催生更多超级个体。
- 代表案例 · 出门问问 · 特赞 · flomo
- 出门问问 · 李志飞：在亲历超级个体极限的同时，看到了它在组织中可能带来的灾难。超级个体能力被 AI 放大后，并不自动形成超级组织，若缺少新的协作结构，反而可能产生「幽灵效率」。解决方案：设计 AI 原生协作平台 CodeBanana，一个让所有团队成员都能借助 AI 高效工作的协作系统。同时实现筛选和氛围营造两个功能——愿意使用平台的人自然被筛选出来（路径 B 的效果），平台上其他人的成果则持续营造着人人可以的氛围（路径 C 的效果）。
- 特赞 · 范凌：展示了亲自 build 如何被放大成组织文化。Build in Public 变成一种骄傲的文化氛围，远胜于「要用 AI」的口头号召，AI 原生的工作方式从创始人个人选择长成了组织的文化基因。
在所有四条路径中，超级个体的成果必须被看见。看见是传染的前提。
一个共同的模式浮现：所有成功的超级团队，底层动力都是个体能力的涌现；涌现的速度与密度，取决于组织是否主动创造了条件。
四种结构性张力
把不同组织的实践放在一起看，几个同一模式下的合理分叉值得注意。它们都成立，都跑通了——关键是知道自己站在哪一端。
- 瘦身 vs 增收 有的组织选择「减人增效」，大幅缩减团队规模，用 AI 吸收被释放的工作量；有的选择「增收增效」，人数不变甚至增加，但把效率增益转化为营收增长。两种路径都成立，区别取决于组织文化、业务模型和所处发展阶段。
- 极小 vs 极大 4 人的开源团队和数万人的跨国公司都跑得通超级团队模式。说明「超级团队」不必小，但必须有清晰的人与 Agent 之间的角色边界。Kimi 主动选择不超过 500 人；Block 面对 6000 人选择世界模型这一重型基础设施。
- 扁平结果 vs 扁平设计 有些组织的扁平是业务要求的结果：因为人才密度高、个体闭环能力强，层级自然消解（Kimi、Anthropic）。有些是系统设计出来的：通过制度和平台主动去掉中间层。两种都有效，但混在一起讲容易产生误导：扁平本身只是手段，目的是与业务匹配。
- 中台 vs 无中台 一些组织在做「组织级上下文工程」，建中台统一管理知识、规范和上下文；另一些反向操作，不上新中台，让工具和工作流本身产生透明性。这是两种不同的技术哲学，对组织来说都是合理选择。
同一模式下的合理分叉——别急着选边站，先看清楚自己业务所处阶段与文化基因。
决策机制：无最优解，只有条件适配
一个组织用哪种决策方式，不取决于创始人偏好，取决于信息透明度、人才密度、可模块化程度、规模这四个变量。
| 模式 | 决策权归属 | 适用场景 | 代表 |
|---|---|---|---|
| 集中式 Centralized |
一人判断，团队执行 | 早期 / 转型期 / 方向不清时 | Rokid 祝铭明：CEO 角色压缩为 Gate Keeper + Trouble Maker |
| 委托式 DRI 制 |
下放给问题负责人 | 可模块化 + 已有信息基础设施 | Block：90 天周期内 DRI 拥有完全所有权，客户问题从 ~2 周压缩到当日闭环 |
| 共识式 蜂群决策 |
多人平等讨论后收敛 | 决策失误成本高 + 人才密度极高 | Kimi：5 位联创每人直接对接 40-50 人，把决策链压到极致 |
| AI 辅助式 AI Pre-processor |
AI 处理信息，人最终拍板 | 工作可追溯 + 信息透明 + 50 人以上 | 李志飞：每一次管理沟通都先经过 AI 结构化和去噪，「人类的消息不会直接到达另一个人类」 |
共性 · 决策机制的本质
当信息足够透明、个体足够强，管理动作就从控制收缩为校准，剩下的交给人和 Agent 自己跑。用管理替代信任这套逻辑正在退场。
规模决定了机制的重量：5-50 人是自治的甜蜜点；50-300 人需引入 AI 协调；300+必须建立系统化信息基础设施。
不要照搬别人的决策方式。看清你的人才密度、信息基础设施和规模，选适配的那一种——并准备好它会随着团队成长而改变。
七个真实团队的一天
同样四个字——超级团队——在不同组织中的日常体验截然不同。下面是七个真实团队的画面。
CASE 01 · CodeBuddy · 无人派活
早上打开电脑，无人分配任务。AI 已根据提交历史推荐问题；自选 → 整块交付 → 异步协作，文档即进度。50→160 人始终保持小 Feature Team。
CASE 02 · Kimi · 无职级 KPI
无 Title / 职级 / OKR / 打卡。5 位联创各对接 40-50 人。招人四标准：品味 · 好奇心 · 泛化 · 学习速率。偶尔有失重感：方向感靠自己锚定。
CASE 03 · Block · 你是一个问题的 CEO
90 天 DRI 任期，可从任何团队拉人。世界模型实时维护运营全景图，客户问题处理从 ~2 周压缩到当日闭环。刚从 1 万人裁到 6000 人。
CASE 04 · Anthropic · 研究员和工程师是同一个人
统一职称 MTS（Member of Technical Staff）。不看学历/资历，看独立研究成果。80-90% 的问题先问 Claude。DVQ 会议 40% 时间花在文化建设上。
CASE 05 · 出门问问 · 人围绕 Agent 工作
每个项目有 Team Agent 作为核心身份。A2A 功能让不同项目的 Agent 直接协作，无需人工中转。300→150 人，效率反升 4-5 倍。
CASE 06 · Multica · 4 人 × 多 Agent
连续霸榜 GitHub Trending，每周涨 12K Star。2 个固定会议：周一 Weekly Planning + 每日 6 点 demo。组织产出效率瓶颈是人了，AI 暂未成为瓶颈。
CASE 07 · 腾讯研究院 AI 原生小组 · 递 Skill 而非说道理
AI 午餐会 + 每日一条 + 共享 Skill 库 + Skill 值班。春节值班 → 常驻 Skill 基础设施。经验传递的最小单位升级为可执行 Skill。
七个团队的共同点不是「用了 AI」，而是「把组织设计成让 AI 杠杆自然发挥的样子」——节奏、角色、信任、可见性，全部围绕这件事重排。
做一个好园丁：
提升 AI 杠杆 · 降低摩擦 · 保护密度
不设计果实形状，提供土壤、光照、水源。真正有效的变革极少是被规划出来的——组织能自上而下设计的，至多是让它生长的土壤。
第一动作
找到组织中已在自发使用 AI 的人，让他们的成果被看见。
三个最小启动动作
- 提升 AI 杠杆让 AI 排进工作动线，而不是在遇到困难时才打开。设置一个「每天 1 个 AI Skill」的最低标准——不要求深度，要求持续。
- 降低组织摩擦每一次跨人协作都问一遍：这次等待 / 审批 / 对齐，是不是非必要的？可不可以异步？可不可以被 AI 提前结构化？
- 保护人才密度选人标准从「能不能执行」转向「能不能闭环」。新进一个能闭环的人，对全员的杠杆提升大于十个单纯执行者。
五个开放问题
- 你的组织里，谁是今天已经在自发使用 AI 的人？他们的成果被看见了吗？
- 你的组织里，跨人协作中最大的等待 / 审批环节是什么？它今天是否真的必要？
- 你的招聘标准里，「独立闭环」是否已经成为与「执行可靠」同等重要的维度？
- 你的团队里，是否有人在为旧身份（资深工程师 / 老资格 / 业务老法师）而不愿迈出第一步？
- 如果明天 AI 杠杆再翻 10 倍，你的组织结构是会被它解放，还是被它卡死？
七个案例 + 三个最小启动动作 + 五个开放问题 = 本报告完整内容。这不是终点，是起点——回到你自己的组织里，开始看见已经在发生的事。
真正有效的变革极少是被规划出来的。组织能自上而下设计的，至多是让它生长的土壤。
本文为腾讯研究院 2026 年《从超级个体到超级团队》报告长文版。全本共 82 页，此处精选 30 张核心内容呈现。
顾问：司晓 · 腾讯研究院院长、腾讯公司副总裁
主笔：袁晓辉 · 腾讯研究院副院长、资深专家 余一 · 高级研究员
共创者：李瑞龙、曹士圯、王鹏、王强、刘莫闲、吴朋阳、白惠天、王焕超
特别致谢：杨国安教授以及所有支持与参与本次研究的企业、团队与朋友们
出品：腾讯研究院 AI 原生小组 | 一边实践、一边研究