想像一下，星期一早上九點，客服剛看到客訴暴增，銷售還沒開完例會，主管的 Slack 已經塞滿截圖。為什麼很多公司裝了 AI 之後，還是像在維修一台老舊影印機？
問題常常不在模型不夠強，而在組織還是照舊運作。訊號要層層上報，決策要層層核准，任務再層層下達。AI 被塞進這種結構裡，很像把渦輪裝到一台還在手搖窗戶的車上，馬力到了，傳動沒跟上。
它天生就慢。
Block 提出的想法比較狠。它不是問「公司裡哪些地方可以用 AI」，而是反過來問：「如果整間公司本來就像一個智能體，那它該怎麼設計？」這個角度一換，人和 AI 的分工、資訊流、責任邊界，全部都要重畫。
傳統組織為什麼一碰到 AI 就卡住？
問題不在工具太少，而在指令和資訊還在爬樓梯。
多數公司的組織圖像一棵樹。上面的人發號施令，下面的人回報狀況，中間每一層都像接力賽的交棒區。這套設計在市場變化慢、資料量不大時還能撐；一旦決策要按小時更新，它就開始卡。
你可以把它想成辦公大樓裡的人力搬箱子。第一線看到的訊號先往上搬，搬到中層被整理一次，再搬到高層被摘要一次，最後又沿著另一條樓梯搬回來。過程裡，資訊會堆積，語氣會變軟，風險會被修飾，真正急的地方反而被磨平。
AI 工具放進這種架構，最常見的結果不是變快，而是局部加速。某個部門可以自動寫摘要，另一個部門可以自動排任務，但整家公司還是靠人把碎片接起來。你真的需要每一層都有人轉述嗎？很多時候，真正該重做的是樓梯，不是搬運工。
差很多。
Block 想把公司拆成哪四層？
它的核心主張，是先把公司重寫成 4 項 可以協作的結構。
第一層是能力層。這一層處理的是「公司能做什麼」。誰擅長談客戶、哪支團隊能處理退款、哪些流程已經可以自動跑，這些都不能只躺在少數人的腦子裡，而要變成能查、能叫用、能驗證的能力清單。
第二層是世界模型層。這裡放的是公司現在正在發生什麼：營收、轉換率、客訴量、庫存、團隊負載。它像一張不停刷新的作戰地圖，不是季報會議時才打開的簡報。
第三層是智慧層。它負責把前兩層接起來，判斷「現在出了什麼事」與「我們手上有什麼辦法」。如果能力層像工具牆，世界模型像監控台，智慧層就像總控室，決定哪一支流程該先出手、哪一個風險要先止血。
第四層是介面層。人不需要看見整間公司的原始資料洪流，只需要看到自己該處理的那一塊。好的介面層不是再加一張花俏儀表板，而是把複雜決策切成可理解、可追責、可回滾的工作面板。
先看清，再出手。
人的角色是不是被削弱了？
不是被削弱，而是被推到更難的位置。
在舊架構裡，很多人的工作像流程上的齒輪：接收、整理、上報、回傳。這些事一旦可以標準化，AI 的確很容易接手。但真正消失的不是人，而是那些只負責轉述與搬運的中間動作。
留下來的人，要做的是定邊界。哪些事情不能自動批？哪些資料不能亂碰？哪類客訴要升級到真人？哪類建議只能當參考、不能直接執行？這些問題不再是附件裡的小字，而是組織設計的主體。
你可以說，人從操作員變成守門員。聽起來像升級，其實壓力更大。以前錯的是某一封信、某一張表；現在如果規則寫錯，錯誤會像自動門一樣一直開，讓整套系統把問題往前送。
壓力更大。
這套架構適合所有公司嗎？
不適合，而且差別往往比想像中更大。
資訊密集、流程數位化、回應速度要求高的公司，最容易往這個方向走。SaaS、支付、客服平台、數位零售，這些場景本來就有大量可結構化訊號，AI 能接得上去。相反地，製造、醫療、金融這些高度監管領域，即使很想自動化，也不能把判斷責任整包外包。
不過，這不代表後者無法採用。比較合理的作法，是先挑 2 項 低風險、高頻率的工作切入，例如客服分流與內部知識檢索，先讓 AI 幫你看懂局面，再慢慢碰觸執行權限。真正危險的，不是走得慢，而是資料還沒整理、權限還沒切清楚，就急著把 AI 接到核心流程。
換句話說，這套模型不是萬用模板，更像成熟度量表。它告訴你終點長什麼樣子，卻沒有保證每家公司都能用同一條路線走到那裡。
別硬套。
一家公司可以怎麼開始？
起步不必全改，只要先把最亂的地方照亮。
比較務實的第一步，是先建立能力清單。很多公司其實不知道自己到底有哪些可重用流程，知識散在 Notion、Slack、Google Drive 和幾位老員工的腦中。你不先把這些東西撈出來，AI 只會變成一個會胡亂猜的客服。
第二步是補世界模型。你至少要有一個共享視窗，讓不同部門看到同一批核心訊號，而不是各自拿著延遲不同、口徑不同的報表吵架。這時候 AI 才不是在空中抓答案，而是在同一張桌上算下一步。
第三步才是把決策和介面往前推。不是先追求全自動，而是先問：哪些任務能在規則清楚時自動跑，哪些任務必須留人工覆核？不再讓 1 人 的直覺決定整間公司的節奏，才是這套架構真正有價值的地方。
順序不能反。
對你我的工作會有什麼改變？
最大的改變，是你不再只被要求把事做完，而是要知道系統怎麼運轉。
如果你今天在公司裡負責寫週報、分派任務、整理客訴、追進度，你已經站在這場改變的邊上。接下來真正稀缺的，不只是會用 AI 的人，而是能把流程拆開、標出邊界、知道哪裡該交給機器、哪裡一定要人扛責任的人。
所以更值得問的不是「AI 會不會取代我」，而是另一題：當公司開始像智能體一樣運作時，你是在幫它設計神經系統，還是在幫它搬資料？前者會越來越重要，後者會越來越容易被自動化。
未來的競爭，不只是誰有更好的模型。更殘酷的分水嶺，是誰能把組織改造成一套真正會感知、會判斷、會執行、也會停手的系統。
FAQ
以下 3 題都在回應這套模型最常見的誤解、風險與侷限。
Block 的四層架構真的適用於所有公司嗎？
不一定。資訊密集、回應速度快的團隊最容易先受益；製造、醫療、金融這類高監管產業，通常只能先把部分流程交給 AI，不能一次整家公司自動化。研究範圍若偏向數位服務場景，拿去硬套所有產業，失真會很大。
把公司做成 AI 組織，人的角色會不會被削弱？
不會消失，但會變難。人不再只是接單執行，而是要設定規則、確認例外、承擔責任。真正被壓縮的是資訊搬運和流程轉述，不是價值判斷本身。
如果資料品質很差，AI 組織化的風險會不會只是把錯誤放大？
會，而且放大的速度比人工更快。所以順序很重要：先補資料、補權限、補回滾機制，再談智慧層。底層還沒整理好就急著自動化，等於把歪掉的尺直接拿去量全公司。
References
- Block / Sequoia 相關組織架構討論資料（2026），主題：公司即智能體。
- AI 協同類產品的四軸設計框架（2026），產品設計社群文章。
- Anthropic (2026). Claude Code Skills and Orchestration.
常見問題
Block 的四層架構真的適用於所有公司嗎？
不一定。資訊密集、回應速度快的團隊最容易先受益；製造、醫療、金融這類高監管產業，通常只能先把部分流程交給 AI，不能一次整家公司自動化。研究範圍若偏向數位服務場景，拿去硬套所有產業，失真會很大。
把公司做成 AI 組織，人的角色會不會被削弱？
不會消失，但會變難。人不再只是接單執行，而是要設定規則、確認例外、承擔責任。真正被壓縮的是資訊搬運和流程轉述，不是價值判斷本身。
如果資料品質很差，AI 組織化的風險會不會只是把錯誤放大？
會，而且放大的速度比人工更快。所以順序很重要：先補資料、補權限、補回滾機制，再談智慧層。底層還沒整理好就急著自動化，等於把歪掉的尺直接拿去量全公司。