核心概念

Block 執行長 Jack Dorsey 與紅杉資本合夥人 Roelof Botha 於 2026 年 3 月 31 日共同發表這篇文章，核心命題是：兩千年來，組織層級之所以存在，是因為人類是協調資訊的唯一機制；現在 AI 提供了第一個真正的替代選項。

層級的起源：資訊路由問題

羅馬軍團的嵌套結構（八人組 → 百人隊 → 大隊 → 軍團，8 → 80 → 480 → 5000 人）本質上是通訊受限下的資訊傳遞協議。控制跨度（一名領導者有效管理 3-8 人）是人類認知限制決定的，不是組織選擇決定的。

歷史上的每次組織創新都在「繞過」這個限制，而非真正打破它：

  • 普魯士參謀制度（1806）：耶拿戰役慘敗後，創立總參謀部——這是中層管理的雛形，職責是路由資訊、預計算決策、跨單位協調
  • 美國鐵路（1850s）：丹尼爾·麥卡勒姆為管理 500 英里、數千工人的系統繪製世界第一張組織架構圖，將軍事層級邏輯正式化為商業藍圖
  • 泰勒科學管理：把工作拆解給受訓專家，以測量取代直覺，優化層級內效率，但未改變結構本質
  • 矩陣組織（1950s-60s）：麥肯錫協助殼牌、奇異等公司平衡功能專業與地方敏捷性，但增加了複雜性與官僚主義
  • 現代科技實驗：Spotify 分隊制、Zappos 合宜制（Holacracy）、Valve 扁平化——規模擴大後全都回歸傳統層級，因為沒有足夠強大的資訊路由替代機制

Block 的新組織模型：四層架構

AI 是第一個真正可以執行層級「協調功能」的技術。Block 的主張不是「給每個人一個 AI 副駕駛」（這只讓現有結構跑得稍快），而是讓公司本身成為一個「智能體」：

1. 能力層（Capabilities） 原子級金融原語：支付、貸款、發卡、先買後付、薪資管理等。這些是「建築方塊」，不是產品——它們本身沒有 UI，但有可靠性、合規性與效能指標，難以建立但建立後可無限複用。

2. 世界模型（World Model） 分為兩個面向：

  • 公司世界模型：Block 是遠端優先公司，所有工作都留下數位工件（決策、程式碼、設計、進度）。AI 持續讀取這些工件，維持即時的組織狀態圖——這正是傳統管理層「資訊聚合」職能的替代品
  • 客戶世界模型：基於 Cash App（買方）+ Square（賣方）雙邊交易數據，建立逐一客戶/商家的金融行為理解。交易數據比調查或廣告行為更誠實：「每筆交易都是關於某人生活的一個事實」

3. 智能層（Intelligence Layer） 依據世界模型，即時將能力組合成針對特定客戶、特定時機的解決方案，主動交付，不需產品經理預先設計路線圖。智能層失敗的信號即路線圖：當組合方案因缺少某項能力而失敗，這個失敗直接變成 backlog。

4. 界面層（Interfaces） Square、Cash App、Afterpay、TIDAL、bitkey 等——是智能層交付解決方案的載體，不是價值創造的源頭，價值在模型與智能之中。

新的角色結構

傳統組織的智能分散在人員中，層級負責路由；新模型中，智能存在於系統中，人退到「邊緣」——但邊緣才是行動所在。人負責處理直覺、倫理判斷、文化脈絡、信任動態與高風險決策。

角色 核心職責 取代什麼
個人貢獻者（ICs） 深度建構與運營各層，世界模型提供脈絡，可直接決策 等待指令的執行者
直接負責人（DRIs） 負責跨領域的具體問題與成果，全權調用資源 項目管理與優先級協商
球員兼教練（Player-coaches） 仍親自做技術工作，同時培養人才 只路由資訊的傳統經理

關鍵要點

  • 控制跨度是架構約束，不是設計選擇：人類一直是唯一可用的協調機制，層級是這個事實的產物，不是偏好
  • AI 是協調機制替代品，不是生產力工具：差距在於是否建立了能自主維持的「世界模型」
  • 誠實信號決定模型品質：金融交易數據遠比調查或廣告點擊誠實，信號飛輪：交易 → 更好的模型 → 更多交易
  • 路線圖從系統失敗信號產生：智能層無法完成的組合即 backlog，PM 假設被客戶現實取代
  • 人在邊緣做最重要的事：AI 不應獨立做出倫理決策、高風險情境判斷，這是人仍不可取代之處

實務應用

商家場景：一家餐廳在季節性低谷前現金流趨緊。智能層預見問題後，在商家意識到之前，自動組合短期貸款（貸款能力）+ 調整還款計劃（支付能力），主動呈現解決方案。

消費者場景：Cash App 用戶消費模式改變，模型識別出搬遷信號，自動組合新的薪資設定 + 針對新社區的消費優惠 + 重新校準的儲蓄目標。沒有 PM 決定要開發這兩個方案——能力現成，智能層識別時機並組合。

實現前提：遠端優先留下機器可讀的工件（所有工作數位化）；金融數據本身是雙邊的（同時觀察買方與賣方）。沒有這兩個條件的公司，AI 只能做成本優化——裁員改善幾季毛利，最終被有更好模型的競爭者淘汰。

延伸觀點

Block 的主張並非孤例。來自 McKinsey 與 HBR 的近期研究正在獨立驗證相同的結構性轉變，但也揭示了幾個 Dorsey/Botha 文章未充分討論的張力。

層級縮減，但不消失。 McKinsey 2025-2026 的研究報告（Agentic Organization 系列）明確指出：傳統功能型金字塔無法在 AI 時代存活，組織將走向「更扁平、更流動」的結構。一位主管配合小型人類團隊，可同時協調數百個 AI Agent——這正是 Block 模型中 DRI 角色的外部印證。然而麥肯錫特別強調「治理必須內嵌進系統」：AI 時代的問責不能是定期的、紙本的審查，而必須是即時的、數據驅動的。Block 的文章對治理機制著墨甚少，這是實踐落地時不得不補的一塊。

AI 吃掉的是協調，不是判斷。 HBR 2025 年針對 50,032 名使用 GitHub Copilot 開發者的追蹤研究發現：引入生成式 AI 後，專案管理類工作下降約 10%，程式撰寫類工作上升約 5%。更關鍵的是：使用 AI 的開發者需要主管介入的次數顯著減少，可在更小的協作單元內獨立完成工作。這與 Block 「IC 不需等待指令」的設計高度吻合。但研究同時指出，留存的管理工作轉向更高密度的技能：「讀出言外之意、幫助他人釐清問題、連結方法論與業務現實」——正是 Block 「球員兼教練」角色的核心。

Agentic Mesh 是智能層的另一種說法。 McKinsey 提出「Agentic AI Mesh」概念：一個讓多個 AI Agent 共享上下文、委派任務、安全協作的編排層。這與 Block 的「智能層」在功能定義上高度重疊，差異在於 McKinsey 強調的是企業既有架構如何漸進整合（自訂 Agent ＋現成工具的統一框架），而 Block 的敘事是從零建構專屬系統。兩條路徑對應了「改造舊組織」與「建立新組織」的不同起點。

相關頁面：管理學原理 OKR 目標管理法 AI 驅動一人公司創業規劃 AI Agent 設計模式 AI 就業效應與 Jevons Paradox

反向連結

以下頁面引用了本頁：