组织不是删掉中层就能变快

把公司想成一台控制机器，中层承担状态估计器。Meta 这次邀请应用 AI 部门部分非管理岗员工重返管理岗，看起来像人事回调，从信息论的角度，它暴露了一个更硬的问题。AI 能压缩信息，不能凭空生成责任。

中层是反馈回路

我最近两个月在看世界模型和具身智能评测，越看越觉得组织也类似。Ha 和 Schmidhuber 这篇工作的核心贡献是，把智能体拆成感知、记忆和控制器。物理AI里也这样，控制器没有状态估计就是盲的。

员工每天产生大量噪声，需求变化、依赖阻塞、客户投诉、临时优先级。中层过去干的事，是把高熵噪声压成低熵指令，再把指令映射成排期、资源、升级路径。Shannon 讲编码，Wiener 讲反馈，没有状态估计和反馈回路，系统就会漂。

过去一段时间，Meta 力推去中阶主管化，把约7000名员工调入应用 AI 工程部门，也传出多轮裁员。逻辑并不奇怪。既然 AI 能总结会议、写代码、拆任务，人为什么还要隔一层传话？可现实是，如果目标、验收、权限、失败案例没有显式化，AI 接不住协调。它无法兜底模糊需求。

两条路线，先裁人还是先建系统

路线A是“AI替代中层”。先压层级，再让 agent 做项目管理、代码评审、会议总结。短期叙事强，成本看起来降得快。前提是任务日志、权限边界、验收标准都结构化。

路线B是“人-AI混合管理”。先让AI承担低熵重复工作，比如生成状态、追踪依赖、总结变更；管理者负责高熵决策，比如目标取舍、冲突仲裁、责任兜底。这种路线慢，但稳定。

Meta 这次转向，像从路线A退回路线B。模型能力之外，组织缺评测基准。我前几天聊代码库图化时说过，人和AI看同一个仓库，需要影响面、来源、变更链。管理也如此。谁批准，谁负责，谁改优先级，谁判断风险，这些东西不显式化，AI只会把混乱加速。

扎克伯格在内部备忘录里承认，这些调整很复杂，他们犯了错误。

这句话比裁员数字更关键。错误落在状态不可观测时强行扁平。扁平的前提是每个节点都能看清自己连接了什么、改变了什么。

AI原生的组织需要可观测性

从具身智能看，世界模型要训练，必须有 rollout、reward、failure case。组织AI化也需要这些。一次变更如何影响交付，一个优先级错误如何造成延期，这些都要有记录。reward 要衡量质量、风险、成本、士气的共同函数。

真正难的是把公司运行变成可测量系统。

我担心很多公司把 AI 优先理解成人力优化。AI 优先先要有接口，包括任务状态、决策日志、权限边界、评测集。没有这些，裁掉中层只是把反馈回路剪断。

如果只看新闻，Meta 这轮动作像安抚。从研究角度，它更像一次控制论实验失败后的校准。AI 可以替代很多信息搬运，不能替代责任分配。删掉节点不一定变快，关键是每个节点有没有可观测状态和反馈信号。