Kimi 组织观察：AI 原生公司想要什么样的人？

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，首先是人。

虎嗅借张予彤在北大光华闭门对谈中的表达，呈现出的不是一篇“卧底 Kimi”，而是一套更值得观察的东西：月之暗面如何理解人才，如何组织人，如何让人和 AI 一起工作。

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。

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、AI 原生组织不是把 AI 当插件

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。

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。

五、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”。

六、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。

七、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。

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。