今天晚上读了腾讯研究院发布的《从超级个体到超级团队：AI时代组织变革的涌现路径》，很有收获。
我关注晓辉博士有一段时间了。她经常下班后录一段视频日志，分享当天关于 AI 的观察和实践。之前看她分享自己准备一份 PPT 的全过程，我就很有感触，最近他写的这份报告我今天也自习读了几遍，很有收获：AI 真正改变的，并不只是某一个环节的效率，而是在重新组织一个人的工作方式。
今天读完这份报告，我又往前想了一步：
如果只是一个人变快了，还不是最大的变化。更重要的是，一群人的工作方式会不会因此发生改变。
报告里有一个公式让我印象很深：
组织竞争力 = 人才密度 × AI杠杆 ÷ 组织摩擦。
超级个体在不断放大“人才 × AI”的能力，而真正走向超级团队，还需要降低组织协作中的那个“分母”：等待、转述、信息断层、重复劳动，以及大量“只有某个人知道怎么做”的隐性经验。
这让我联想到两个词：泛化能力和耦合度。
AI 的泛化能力，是它能不能从一个任务迁移到更多任务。现在的 Agent 已经可以整理资料、写代码、做调研、生成 PPT，甚至调用其他工具继续完成任务。
但只有泛化还不够。
另一个维度是：AI 和真实工作的耦合度有多高。
它知道我们的资料在哪里吗？知道课程应该符合什么标准吗？知道谁负责验收吗？一个任务做完以后，又知道下一步应该流向哪里吗？
如果不知道，那么 AI 再强，也更像一个能力很强、却不了解团队的外部助手。
所以比较理想的状态也许是：
既利用 AI 越来越强的泛化能力，又让它逐渐耦合进真实的 Context、流程和责任体系。
超级个体，不只是“很会用AI的人”
报告对“超级个体”的定义也让我很有感触：
借助 AI，一个人能够达到过去需要一个小团队才能达到的产出规模和影响半径。
但它并不只是指一个“很会用 AI”的人，其中还有四个很重要的特征。
第一是 AI First。超级个体把AI排进了整个工作动线。AI 是工作的默认起点。大多数人用AI的方式是我照常工作，遇到困难 时问一下AI；超级个体的方式是我先让AI跑，然后在AI的产出上做 判断和修正。这个区别看似微小，实际上决定了AI杠杆能放大到什么程度
第二是能力边界的跃迁。不只是把原来的事情做快一点，而是一个人开始有可能跨越设计、研发、运营等原来的专业边界，把一件事情从想法一路推进到交付。
第三是主动性。不断去探索 AI 能力的边界，而不是等待别人告诉自己应该怎么用。
而第四点，我觉得尤其重要：
影响力溢出。
报告里有一句话我很喜欢：
高效个体只让自己变快，超级个体让团队变快。
如果一个人借助 AI 产出提高很多，但方法始终只留在自己的电脑里，那价值依然停留在个人层面。
真正的变化，是一个人探索出来的方法能够被伙伴看到、复用，再继续生长。
走老路，到不了新地方
读到这里，我也联想到最近在学习《高效能人士的七个习惯》时反复出现的一个词：思维范式。
很多时候，真正限制我们的不一定是能力，而是我们已经习惯用什么方式理解问题。
面对 AI 也是一样。
当一个新工具出现时，我们很容易第一时间用过去的经验给它贴标签：
- “这个东西做不了。”
- “这个太复杂了，我学不会。”
- “我以前这样做就挺好的。”
- “它的模型没那么强，应该也不会太好用。”
我自己最近其实就经历了一次这样的过程。
之前我用得比较多的是 Claude Code、Codex 这类 Agent，所以豆包工作刚出来时，我下意识会觉得：它的模型能力可能没有那么强，框架也未必有这些前沿工具成熟。虽然知道它存在，但一直没有认真去试。
后来我开始思考一个问题：如果希望更多伙伴真正用上 Agent，什么工具的门槛会更低？
Claude Code、Codex 很强，但配置和使用多少还是有一些门槛。而豆包工作和飞书深度集成，我们日常的资料、知识库、表格本来就在飞书里，以目标为导向，很值得一试。
于是这两天我重新放下原来的判断，去刷视频、看官方文档，再真正上手跑了一遍。
结果发现，里面有很多我之前完全没有看到的可能性。
这也让我反思：
很多时候，不是新的东西没有可能性，而是旧的标签先挡住了自己的能见度。
当我愿意把原来的判断先放下来一点，带着“空心”重新去学，反而会看到之前看不到的东西。
当然，豆包工作本身也可能只是一个阶段性的工具。就像之前的 OpenClaw 一样，技术继续迭代，也许一两个月以后又会有新的东西出现。
所以真正值得保留的，并不是对某一个工具的执着，而是：
面对不断变化的技术，始终愿意保持开放、保持空心、持续学习和亲自验证。
我越来越觉得，走老路，到不了新地方。
如果时代已经发生了变化，却仍然完全站在旧的思维范式里判断新的东西，那有时候不是工具没有能力，而是我们在真正尝试之前，已经先把门关上了。
从心性升级的视角看，这其实也是一种很具体的修炼。
- 面对新的东西，我能不能先觉察自己的第一反应？
- 是好奇，还是抗拒？
- 是先去验证，还是先去判断？
- 是因为原则上真的不合适，还是只是因为它打破了我的习惯，让我觉得不舒服？
《七个习惯》里讲，刺激和回应之间，人有选择的自由。
AI 的变化本身是一种“刺激”。
真正值得修炼的，也许不是要求自己必须喜欢每一个新工具，而是当变化来到面前时，不急着被自己的惯性带走，而是留一点空间：
我能不能先去理解它？先去试一试？先看事实，再做判断？
这也是我理解的“积极主动”。
不是盲目追新，而是不把自己的选择权交给恐惧、习惯和过去的经验。
不要执着于工具，而要训练面对变化的能力
所以最近我也越来越不想纠结：
- 到底哪一个 Agent 最好？
- 哪个模型最强？
- 哪个工具最值得长期使用？
这些当然需要比较。
有些工具此刻能力更强，有些更方便，有些性价比更高，有些适合 Coding，有些适合资料整理。
但规律是：短期看事件，中期看趋势，长期看结构。
今天觉得特别强的工具，几个月以后可能已经被新的产品替代。
如果一直执着于“哪个工具最好”，很容易把注意力困在短期差异里。
真正值得积累的，也许是另一种能力：
面对一个陌生工具时，能不能快速理解它的能力边界；能不能保持开放和好奇，亲手去试；再把它放进真实的工作和生活场景里跑起来，验证它到底有没有价值。
所以真正需要成长的，不是对某一个 AI 产品的熟练度。
而是随着技术不断变化，持续学习、理解、迁移和落地新能力的能力。
工具会变化，这种能力却可以持续复利。
这也和《七个习惯》里的“不断更新”很像。
更新不只是学习一个新软件，而是不断更新自己的认知、能力和看问题的方式。
接下一篇2026年9月30日-黄昊-每日一句-从超级个体到超级团队(二)
