听说老东家把 AI 数据提成了一级部门，只感觉模型会越来越落后。这种动作一般适合终态已经存在并且时机成熟，通过加大投入和大力出奇迹迅速追赶。但目前显然不是这个格局。 模型能学会什么，不只取决于有多少数据，也取决于出题的人能看见多大的任务。更合适的组织形态是： 「认为 agent 下一阶段哪个方向重要的人」定义 topic 制作 evals，自己给 harness 贡献代码弥补现有模型不足，然后制作数据参与训练，并且自己贡献代码补齐训练所需 infra 短板。这些工作都应该按 topic 划分颗粒度，重叠在一个人身上。 否则每个环节独立一个部门会导致每个部门都有自己的 priority list，都会算自己的 ROI。 其实上面这种人很好找，也就几个标签取交集： 1. 大厂 infra 2. 是转码的而不是一直学计算机的 3. 转码前学术水平突出或者用非计算机背景就业过 4. 有 AI-native sense（看 AI 订阅，token 用量和用 token 做的事） 5. 有生活、不是工作狂，或者 work hard, play harder 这些标签里面：大厂 infra 足够说明技术过硬；转码并且学术背景突出或者非计算机就业过说明自身泛化能力强；有生活、不是工作狂或者 work hard, play harder 大概率有品位；剩下需要动态判断的就是用 AI 订阅做过什么事了。 而 agent 在非 AI-native 组织和 AI-native 组织中「下一个阶段重要的事情」其实并不一样。比如： Anthropic，OpenAI 和月之暗面目前都在 bet 「Agent 组织」，从公开的 papers 和 feature release 都可以看到「动态生成 subagents」的能力： Anthropic 2025 年 6 月就在 Claude Code 释出 subagent 功能了；OpenAI 在 GPT 5.6 Sol Ultra 也训练了主动拆解任务到 subagent 的能力；月之暗面则是紧跟 Anthropic 其后的：我在 2025 年 8 月时针对 Opus 4.1 制作了基于 subagents 的生产流水线，在上面跑 2025 年 9 月发布的 Kimi K2 时发现 K2 的 subagent 能力就已经达到了 Anthropic 同代 Opus 4.1 的水平（这也是我认为月之暗面是目前国内唯一真正未掉队的选手的原因之一）。 这个能力的本质是在任务拓扑方向上部署算力。当能力训练进入模型后 AI 做得比人好，人可以在仅 focus 在目标的前提下 leverage 更多算力处理更多事情。 但同样是这个能力，在非 AI-native 玩家看来，从任务横向上拆解好即可。而在 AI-native 玩家看来，除了对任务进行横向的拆解，还需要做以「更大目标」为导向的先后顺序依赖的拆解。 因为非 AI-native 玩家短时间无法化解汇报层级，目前基本上是给每一个员工配置一个 agent，所以 agent 的任务通常无法跨越员工汇报层级。 而 AI-native 玩家里面没有这个限制，agent 上跑的任务就是全链路的。所以他们的预期是：动态生成一个临时 agent 组织，然后达成目标，目标可以足够大。而这种预期最终就会进入训练。 Claude Code Dynamic Workflows 和 Kimi Agent Swarm 就是这种大目标实现能力在 2026 年年中的一个具体实现。 大厂们想躲过明星创业公司的碾压和斩杀，除了投入度需要跟上，还需要在组织形态上做变革。但是旧的秩序依然需要维护，激进改革很有可能杀死现金奶牛。不过如果最后组织形态变革没有跟上，认知比不过明星创业公司的话，就很难完成涅磐。