Kimi 组织观察：AI 原生公司如何组织人和智能？

如果只把 Kimi 的竞争理解成融资、估值、模型发布节奏，可能会漏掉更关键的一层：顶尖 AI 公司真正争夺的，不只是模型能力，也是组织能力。

张予彤在北大光华闭门对谈里讲的是 Kimi 的人才观：什么样的人适合 AI 原生公司，组织应该如何减少边界，让人和 AI 一起工作。

杨植麟在 founder 访谈里讲的是另一层：AI 技术范式本身，正在反过来塑造公司管理。强化学习、reward、SFT、泛化、agent、一方产品，这些不只是模型术语，也在变成 Kimi 理解组织和产品的语言。

这背后有一个很清晰的判断：AI 原生公司的组织方式，不会只是传统互联网公司的轻微升级。它需要重新定义岗位、协作、边界、试错和人才标准。

更进一步说，它还需要重新定义管理本身：CEO 不只是做战略和资源分配，也是在设计一个组织的 reward system。

核心组织能力总结图

中心命题：当智能成为最大变量，AI 原生组织要组织的不只是人，而是人、模型、工具、指标和反馈。

• 人才密度：不找“标准件”，而是找高泛化、强原创判断、能长期试错的人。
• 组织形态：少 title、少边界、强流动，让人能跨岗位、跨问题、跨工具重新组合能力。
• 管理机制：少做过度 SFT，多做 IO / RL 式目标设定，用好的 reward 激发探索，同时警惕 reward hacking。
• 产品系统：从外接模型走向一方产品，让模型、工具、环境、context 和产品反馈端到端共同优化。
• 反馈闭环：深度用户感知模型边界，团队根据真实反馈调整决策，AI 进一步参与 AI 自身研发。

简化成一张图，就是：

• 高泛化人才 -> 扁平流动组织 -> IO / RL 式管理 -> 一方产品系统 -> 更强智能
• 更强智能 -> 更大能力半径 -> 更多跨界协作 -> 更多真实反馈 -> 更好的组织 reward

一、Kimi 想找的不是“标准件”

张予彤反复强调的一点是：学校、专业、履历，本质上都是标签。

这些标签当然有参考价值，但它们不是一个人的全部。真正重要的是：一个人关注什么问题，有什么长板，是否有真实热情，能不能提出原创想法，能不能在不确定性里持续推进。

这和传统招聘逻辑很不一样。

传统公司往往先定义岗位，再按岗位找人：这个岗位需要什么专业、几年经验、什么技能栈、做过什么项目。人被放进岗位说明书里，然后判断是否匹配。

Kimi 的表达更接近另一种逻辑：先看人的底层能力，再判断这个人适合解决什么问题。

这意味着，它想要的不是“名校标准件”，也不是“大厂熟练工”。它更在意一个人能不能在快速变化的 AI 环境里不断迁移、学习、重组自己的能力。

AI 时代，最稀缺的不是被训练得很像某个岗位的人，而是泛化能力很强的人。

二、“偏执”是一种重要能力

Kimi 喜欢的另一类人，是“偏执的人”。

这里的偏执不是固执己见，也不是听不进反馈，而是对一个真正重要的想法有长期执念，愿意为了它反复实验、持续迭代。

AI 产品和科研都有很强的不确定性。很多东西不是一开始就能规划清楚的。一个功能、一个交互、一个模型行为，往往不是在 PPT 里设计出来的，而是在制造、使用、反馈、失败和重试中长出来的。

所以，Kimi 看重那种愿意为一个想法尝试 100 次、1000 次的人。

这类人不一定一开始就拥有最完整的方案，但他会持续靠近问题。他会在模型边界、用户反馈、实验结果和直觉之间来回校准。

AI 原生产品的很多机会，可能正是这样被磨出来的。

三、少 title、少边界、强流动

Kimi 的组织特征也很直接：扁平。

张予彤提到，公司没有传统 title，统一叫 staff。300 人左右的规模下，员工之间大概只有一到两层关系。

这不是形式上的平等，而是为了减少传统组织里的层级、边界和协作摩擦。

在传统企业里，岗位边界通常很清楚：算法做算法，数据做数据，产品做产品，营销做营销。边界清楚带来稳定，也带来摩擦。很多协作问题不是因为人不努力，而是组织结构已经把问题切碎了。

Kimi 的假设是：AI 会增强人的能力，使很多原本被专业壁垒隔开的工作重新流动起来。

做预训练的人可以做后训练，做算法的人可以做数据，做营销的人也可能转去模型评估。不是因为专业不重要，而是因为 AI 让人跨越专业边界的成本下降了。

当工具改变，组织也必须改变。

如果 AI 能让一个人的能力半径变大，那么组织继续用传统岗位墙去限制人，就会浪费这种新能力。

四、杨植麟的组织隐喻：用 IO 管理，而不是过度 SFT

杨植麟在 founder 访谈里给了一个更底层的组织隐喻：管理团队有点像训练模型。

他说，科研或创造新知识，不是被动从经验里长出来的，而是先提出猜想，再设计实验验证。训练神经网络也是如此：观察大量指标本身不会自动给出新知识，关键是提出解释，再通过实验验证。

他把这个逻辑延伸到组织管理：管理一个团队，也更像一种 IO 或 RL 过程，而不是纯 SFT。

这里的 SFT，可以理解为管理者直接告诉团队“这件事应该这样做”。它的好处是提供先验，防止方向飞太远；坏处是如果 SFT 太多，团队会失去主观能动性，创新能力会下降。

IO 或 RL 式管理，则更像定义目标和奖励：告诉团队什么结果是好的，让团队自己探索路径。它更能激发创新，但风险是 reward hacking。也就是说，如果 reward 定义得不好，大家可能把指标做得很好看，却没有真正让模型、产品或公司变好。

所以杨植麟对 CEO 角色的新理解，是把握 IO、SFT 和 reward hacking 之间的平衡。

这和张予彤说的“少 title、少边界、强流动”其实是一件事的两种表达。张予彤讲的是组织形态，杨植麟讲的是组织控制论：AI 原生组织不能靠流程和岗位说明书来驱动，它要靠更好的目标定义、更密集的反馈、更强的自我探索，以及对指标失真的警惕。

五、一方产品：模型公司不再只输出模型

很多企业谈 AI 转型，做法是把 AI 接到旧流程里：客服加一个机器人，销售加一个助手，员工多一个 Copilot。

这当然有价值，但它仍然是在旧组织上安装新工具。

AI 原生公司的思路更激进：它会从一开始就围绕新的生产方式设计组织。

杨植麟提到一个重要趋势：模型公司会越来越多做“一方产品”，尤其是一方 agent 产品。

过去很多 AI 应用是在基础模型上加脚手架、工具和 prompt，本质上是在逆向工程模型的训练过程。开发者要猜：模型适合什么工具？什么 system prompt 效果好？怎样做 context engineering？

但模型公司自己做一方产品时，逻辑不同。它可以先设计工具、环境和 context engine，再在这个环境里训练模型。模型天然适配自己的工具环境，产品和模型可以端到端共同优化。

这会改变 AI 产品的竞争方式。

如果第三方应用只是享受模型能力外溢，那么模型公司的一方产品就可以把产品形态、工具环境和模型训练绑定在一起。上限可能更高，因为模型哪里做不好，工具可以调整；工具哪里不顺，模型可以继续训练。

这也解释了为什么 Kimi 的组织边界要更流动。模型、工具、数据、评估、产品不再是分离模块，而是一个共同训练和共同反馈的系统。

六、AI 原生组织不是把 AI 当插件

如果 AI 能承担大量执行、搜索、生成、整理、初步分析的工作，那么人的价值就会向更高层迁移：判断、验证、架构、纠错、创造、定义问题。

这也解释了为什么 Kimi 会强调 power user。

一个真正会用 AI 的人，不只是会写 prompt。他应该理解不同模型的能力边界，知道哪些任务可以交给 AI，哪些必须由人验证，哪些适合人机共创，哪些地方模型容易出错。

AI 原生组织需要的不是“会用工具的人”，而是能和 AI 建立工作关系的人。

七、为什么深度用户变重要？

张予彤给学生的建议，是成为 AI 的深度用户。

这句话听起来普通，但放在今天非常关键。

因为 AI 的能力边界还在快速移动。只读论文、只看发布会、只看榜单，很难真正理解模型能做什么。很多判断必须来自高频使用。

深度用户能感知模型的细微变化：什么时候它真的变聪明了，什么时候只是回答更流畅；什么时候它能独立完成任务，什么时候只是看起来会；什么时候需要给更多上下文，什么时候应该拆任务。

这种感知本身会变成一种能力。

未来很多岗位的差距，可能不是“会不会用 AI”，而是“是否知道 AI 到底能用到什么程度”。

八、给管理者的启发：先给员工 Token 预算

张予彤给企业管理者的建议也很实用：给员工更多 Token 预算。

这句话背后有一个很朴素的管理判断：如果企业希望员工探索 AI 如何改变工作，就不能只喊口号，而要给真实资源。

很多员工不是不想用 AI，而是没有足够额度、权限、模型选择和试错空间。没有 Token，就没有实验；没有实验，就没有工作方式的变化。

AI 对组织的影响，不会只发生在“替代执行”这一层。更重要的是，它会释放人的时间，让人去做更高级的工作：判断、验证、设计结构、纠错、创造。

但前提是，组织要允许员工真的用起来。

九、AI 产品和互联网产品的差异：今天最大的变量仍然是智能

杨植麟还谈到 AI 产品和互联网产品的不同。

互联网产品常见打法是投流、扩大 DAU、扩大市场规模。AI 产品不完全一样。在技术快速发展阶段，单靠投流很难赢得战争。投流可以是辅助手段，但真正的主变量要看当下什么最重要。

他给出的判断很直接：今天最大的变量依然是智能。

这句话很关键。它意味着 Kimi 对产品增长的理解，仍然不是传统互联网式的流量竞争，而是智能能力提升带来的产品可能性变化。

模型能力提高后，会抬高产品的能力上限，也会改变用户为什么使用这个产品。但这并不代表获客会“自然发生”。商业化、PMF、投流和增长策略仍然重要，只是它们要围绕最大的变量动态调整。

所以 Kimi 的组织需要同时具备两种能力：

• 长期投入人才和技术积累，因为智能仍是最大变量；
• 根据反馈和环境变化快速调整决策，因为中间状态总会有时代局限。

这也呼应了杨植麟反复说的“问题是不可避免的，问题是可以解决的”。AI 公司不是找到一个稳定答案后复制，而是在持续出现的新问题中不断进化。

十、Kimi 的组织观：高泛化人才适配高不确定性

把这些观点放在一起，Kimi 的组织观其实很清楚：

它想要的人，不是被学历、专业、岗位标签定义的人，而是能在不确定性中持续提出想法、验证想法、迭代想法的人。

它想要的组织，也不是传统层级和岗位说明书堆出来的组织，而是少 title、少边界、强流动、强试错的组织。

这背后的逻辑是：AI 时代的不确定性太高，组织必须保持流动；AI 工具的能力提升太快，人必须具备更强的泛化能力；模型和产品边界还在变化，公司必须允许不同背景的人重新组合问题。

所以，Kimi 的人才观和组织观其实是同一件事的两面。

人才上，它不想要“标准件”。

组织上，它不想要“固定格子”。

它想让人和 AI 一起进化。

杨植麟的 founder 访谈又把这套组织观往前推了一步：Kimi 不只是想让人和 AI 协作，还希望 AI 参与到 AI 自身的研发中。

他提到，agent 能力的一个关键标志，是模型什么时候能参与模型开发：提出新想法、做实验、分析结果、迭代下一版想法，甚至优化 infra 性能。K2 参与 K3 的开发，就是这种方向的隐喻。

这意味着未来 AI 原生组织里的“人机协作”，不只是员工用 AI 写文档、写代码、做分析，而是模型进入公司的核心生产系统，成为研发循环的一部分。

当模型能参与创新，组织也会变成更复杂的 multi-agent system：不同 agent 承担不同任务，有的写测试，有的写文档，有的设计框架，有的分析实验，最后再合并结果。

这时，组织能力不再只是“人如何协作”，而是“人、模型、工具、指标、反馈如何一起协作”。

结语

Kimi 这套表达最值得注意的地方，不是它是否听起来新鲜，而是它和 AI 原生公司的生产方式高度一致。

当 AI 能改变执行方式，组织就不能只改变工具。

当 AI 能扩大人的能力半径，公司就不能继续用窄岗位框住人。

当模型能力仍在快速变化，人才标准也不能停留在学历、专业和履历标签上。

Kimi 想要的不是“名校标准件”或“大厂熟练工”，而是能和 AI 一起进化的高泛化人才。

它的组织文化也围绕这一点设计：少 title、少边界、强流动、强试错，用扁平组织和高人才密度，去适配 AI 时代的不确定性。

而杨植麟补上的 founder 视角，是这套组织背后的技术哲学：组织像 RL 系统一样需要好的 reward，需要避免 reward hacking；管理不能过度 SFT，否则会损害创新；产品不能只靠外接模型，而要让模型、工具和环境端到端共同进化。

所以，Kimi 的组织观察最终不是一篇招聘观察，也不只是文化观察。

它更像一个问题：当智能成为最大变量，公司应该如何组织人、模型和反馈？