当斩首行动遇上AI革命:一场关于“中层消亡“的残酷预言

【审计专栏】【法律领域】【社会科学】 第五十六篇 企业管理层互动形态分析01 AI分析 战略官试图塑造公司“战略现实”S_s(如“未来在于AI”),业务总裁固守“运营现实”S_o(如“现金为王”)。 阅读详情

刀更快了,锁更精了,但结局仍是殊途同归

第一个消息来自中东。

2026年2月28日上午9点40分,德黑兰市中心传来三声巨响。30枚高精制导炸弹精准命中伊朗最高领袖哈梅内伊的官邸,86岁的哈梅内伊、他的女儿、女婿、外孙,以及40名高级官员一同遇难。

这是一场精心策划的"斩首行动"——美国和以色列冒着极高风险,调动中情局追踪数月,动用卫星监视、通信拦截、甚至伊朗内部的"内鬼"情报,最终在一个普通的周六上午完成了这记绝杀。

情报显示,哈梅内伊当时正在官邸开会。

不要开会、不要开会、不要开会——重要的事情说三遍。但这个世界上最古老的道理,伊朗人还是忘了。

图片

讽刺的是,美以精心策划的斩首行动,干掉的只是一个86岁老人的躯壳,而他的位置立刻被更年轻、可能更强硬的接班人填补。

第二个消息来自我们的办公桌。

我们干安全的,辛辛苦苦干了很多年。技术手段+制度管理双管齐下,觉得还有点成效。结果AI快速发展,OpenClaw的出现,在带来便利的同时,安全基本处于失控的状态——安全竟然无从下手,一招打回解放前。

图片

这种测试每天都在发生。我们辛辛苦苦建立的安全防线,在AI时代显得如此脆弱。不是AI不听话,而是AI太"听话"了——只要话术够巧妙,它可能执行任何指令。

讽刺吗?

伊朗人靠复杂的指挥链、层层审批、多级汇报来保护他们的最高领袖,结果被一颗炸弹一锅端。

我们靠层层防护、合规检查、审批流程来保障企业安全,结果被AI从内部瓦解。

当一个组织的冗余成为它的致命伤,就是它该被重新定义的时候。


Anthropic的报告:AI正在"斩首"谁?

2026年3月5日,Anthropic(Claude的母公司)发布了一份名为《AI对劳动力市场的影响:新度量与早期证据》的研究报告。

这份报告用了一个非常精准的概念——"观察暴露度"(Observed Exposure)。不是理论上AI能做什么,而是在真实的商业环境中,AI正在替代什么工作。

图片

这张图清晰展示了理论与现实的差距:

  • • 蓝色区域是理论AI覆盖率——计算机与数学类职业高达94%

  • • 红色区域是实际观察到的覆盖率——目前只有约33%

也就是说,AI远没发挥出全部潜力,但光是已经实现的这部分,就足够让一批职业发生剧变。

数据是残酷的:

职业

AI覆盖率

计算机程序员

74.5%

客服代表

70.1%

数据录入员

67.1%

医疗档案专员

66.7%

市场研究与营销分析师

64.8%

财务和投资分析师

57.2%

最不容易被替代的?厨师、摩托车修理工、救生员、调酒师、洗碗工——那些需要动手、需要现场反应的蓝领工作。

讽刺的是:那些学历最高、收入最丰厚、最自认为坐在金字塔安全区域的白领精英,恰恰是AI最先动刀的对象。

更危险的是信号——22-25岁的年轻人,在高暴露岗位的入职率直接掉了14%。企业并没有大规模清洗老员工,它们只是悄悄关上了大门。


AI革的是谁的命?

很多人以为AI会先干掉流水线工人、外卖骑手、保洁阿姨。

错了。

AI革的是自己的命。

搞计算机的,快速推进AI,结果被替代的竟然是开发工程师——这里指的是一线的开发工程师,那些只会写代码、没有架构思维和全局思维的人。

此外流程管理最容易被替代

因为AI最擅长的,恰恰是那些固定流程中以相对固定的模式输出结果的事情。

比如:

  • 根据每天的工作输出日报——前提是你对工作做了详细记录

  • 写标准化的CRUD代码

  • 整理会议纪要

  • 清洗数据、做基础分析

这些工作的共同特点是:边界清晰、输入明确、输出可预期。

换句话说,越是"螺丝钉",越容易被拧下来。


中层管理者:下一个"哈梅内伊"

但我今天想说的重点,不是程序员和流程。

我觉得影响最大的,是大企业的中层管理者。

这群人有什么特点?

既不在一线干活,也没有高屋建瓴的战略视角。

他们的日常工作是什么?

  • 开会

  • 协调

  • 汇报

  • 再开会

他们是组织中的"传声筒"和"缓冲垫",是信息和决策在中间层层损耗的节点。在工业时代,这种"分层管理"是必要的——因为信息传递需要层级,管理幅度有限。

但在AI时代呢?

一个OpenClaw实例可以7×24小时处理信息、执行任务、生成报告。一个"小虾米"可以串联起原本需要三层管理才能协调的资源。

中层管理者反而成为大组织中高效运营的绊脚石。

我的观点是:先不说优化多少人,中层管理层都可以给干掉一批。扁平化管理更高效。

管理层一天不干正事,就靠开会来获得自我价值和存在感。把他们干掉,扁平化管理效力更高。


扁平化不是裁员,是重构

当然,我说的"干掉中层"不是简单裁员。

扁平化对一线干活的人有新要求:

1. 得具备学习能力

AI不会取代你,但会用AI的人会。这句话已经说烂了,但它是真的。

2. 得具备使用AI的能力

不是会用ChatGPT写个周报,而是真正理解AI的边界、能力、最佳实践。知道什么时候该用AI,什么时候不能信AI。

3. 得更高效地发挥价值

没有了中层过滤,一线员工直接面对问题和结果。你要能独立思考、快速决策、为自己的产出负责。

比如技术管理岗——懂技术吧,管理干久了技术深度不行,就懂点皮毛;不懂吧,还能夸夸其谈。这种人适合到一线,用实际技术能力说话。


管理者的三强:目标感、时间观、执行力

说到这里,你可能会问:那管理者就完全没有价值了吗?

不是。

真正有价值的管理者,有三强:

目标感强

知道组织要去哪里,能把这个目标翻译成团队可执行的任务。不是传话筒,是翻译官。

时间观念强

懂得取舍,知道什么是关键路径,什么是可以妥协的。不在无关紧要的事情上消耗团队。

执行力强

说到做到。定了的事情能推动落地,遇到阻力能解决,而不是把问题上抛或者下压。

最近看到一种很有意思的现象:管理者通过OpenClaw"小虾米"高效协同,反而成本低、效率高。

为什么?

因为AI把原本需要"人盯人"的管理动作自动化了。进度跟踪、风险预警、资源协调——这些原来需要中层做的"管理动作",现在可以由AI代理完成。

管理者回归本质:定方向、做决策、扛责任。

其他的,交给AI。


写在最后

哈梅内伊被斩首后,伊朗没有崩溃。

为什么?因为这位87岁的老人早就料到自己可能遭遇不测,提前布下了一盘大棋——革命卫队被拆分为31个独立作战单元,每个单元由中下级军官直接指挥,互不隶属,各自拥有完整的作战体系。

去中心化的组织,反而更有韧性。

今天的职场也是一样。

当我们还在讨论"AI会不会取代人类"的时候,真正的问题已经变成:什么样的组织形态能在AI时代存活?

答案或许是:

  • 更少层级、更扁平的结构

  • 更少"管理"、更多"执行"的文化

  • 更少"螺丝钉"、更多"多面手"的人才

AI不会取代人类,但AI时代的组织,一定会取代工业时代的组织。

就像美以用30枚炸弹斩首了伊朗的"中层"指挥链一样,AI正在用代码和算法,悄悄"斩首"那些没有真正价值的管理层级。

问题是:你的位置,在不在那个名单上?

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

相关推荐

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统

船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。

专注于计算机研发知识和资讯分享 136

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 252

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 172

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型:把 PDF 发给一个自己部署的图文模型,让它提取发票类型、日期、交易双方和金额,再把结果交给同事核对。这个原型不用先接财务系统,先看看从部署到调用要走多少步,模型返回的内容能不能帮上忙。

鸽芷咕的博客 2万+

离线路径规划服务Graphhopper

离线路径规划服务Graphhopper 本文主要探索使用Graphhopper搭建离线路径规划服务,需要掌握一定的JAVA基础环境配置的知识 文章目录离线路径规划服务Graphhopper前言一、Graphhopper是什么?二、使用步骤1.下载Graphhopper2.从OpenStreetMap下载路图数据3.安装Graphhopper所需环境4.修改配置5.启动Graphhopper总结 前言 在外网环境中可以使用百度、高德等第三方的sdk用以实现路径规划的功能,由于项目的需要,在离线环境中需要使

Sysdark的博客 7560

从仿真到实战:PMOS缓启动与栅极泄放电路的优化设计

本文深入探讨了PMOS缓启动与栅极泄放电路的优化设计,通过立创EDA仿真和实物调试,解决了关断速度慢和耐压问题。文章详细介绍了电路改进方案和低功耗优化技巧,为工程师提供了实用的工程实践建议,帮助提升电源开关电路的性能和可靠性。

weixin_28721917的博客 260

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 513

晶圆测试(wafer sort)全流程解析:从探针卡到良率统计的实战指南

本文详细解析了晶圆测试(wafer sort)的全流程,从探针卡选型到良率统计的实战指南。涵盖了12英寸先进制程产线的关键技术,包括探针卡系统、测试程序开发、产线自动化集成及数据分析,特别聚焦多站点并行测试的时序优化和接触阻抗异常排查,帮助工程师提升测试效率与准确性。

weixin_29279153的博客 731

AI Agent之核心框架

A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

剑雨巍巍的博客 214

小米手机Magisk解锁与Root完整指南:从Bootloader到模块管理

Android系统Root权限获取是设备深度定制的核心技术之一,其核心原理在于通过修改系统启动流程获取超级用户权限。Systemless Root技术通过动态挂载修改,在不触碰系统分区的前提下实现功能注入,既保证了系统完整性,又能绕过完整性检测。这一技术为设备带来了极高的可定制性,用户可以通过模块化方式增强系统功能、修改UI界面或启用隐藏特性。在小米手机生态中,由于官方提供了完整的Bootloader解锁通道,结合Magisk的无系统修改Root方案,使得安全可控的深度定制成为可能。本文聚焦于Bootloa

weixin_29164185的博客 334

从Multibit到Debanking:芯片设计中的时序优化完整流程解析(含真实案例)

本文深入解析芯片设计中Multibit技术与Debanking的时序优化完整流程,结合7nm移动SoC真实案例,详细探讨Multibit的核心优势、实施条件及潜在风险,并提供Debanking的触发时机与操作策略。通过平衡Multibit与Debanking,工程师可有效优化PPA(Power-Performance-Area),提升芯片设计效率。

weixin_30316097的博客 460

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 105

主流算力卡性能对比分析

超大规模AI训练/HPC:优先选择NVIDIA H100或AMD MI300X,需关注显存带宽和多卡互联能力。企业级AI训练:NVIDIA A100性价比更高,生态成熟。国内自主可控需求:华为昇腾910B是首选,支持液冷和低功耗设计。本地AI推理/游戏:NVIDIA RTX 4090或RTX 5090性价比突出,但需注意显存容量限制。边缘计算/低功耗场景:华为昇腾310或清微智能TX536(能效比6.3TOPS/W@INT8)更合适。

m0_69867914的博客 7805

AI 应用开发工程师技术实践:大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战:模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移,封装对话、工具调用与RAG组件以解耦业务逻辑,结合前缀缓存、批处理与流式背压治理等性能优化手段,形成“接通→接稳→接快”的工程路径,最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 573

YOLOv11 热力图可视化全流程:从模型解释到科研论证,让检测结果“有理可看”

无论是科研中需要严谨的模型解释,还是工业里要高效的缺陷定位,这套方法都能让你在“模型黑箱”与“业务需求”之间架起一座可视化的桥梁。别再让模型决策“无据可依”——现在就动手生成你的第一幅热力图,让 YOLOv11 的每一次检测都“有理可看”,用可视化的力量推动你的 AI 研究与落地走向深入!某团队在论文中通过热力图对比,证明其改进的注意力模块可使模型对小目标的关注区域更精准,实验论证说服力提升 50%;工业质检场景下,热力图帮助工程师快速定位模型漏检缺陷的原因——原来是对某类缺陷的特征关注不足。

m0_71589036的博客 678

13、深入理解 Microsoft 365 的安全与合规概念

本文深入探讨了 Microsoft 365 的安全与合规概念,涵盖文档存储、文件共享、审计、保留、eDiscovery、分类和保护以及网络等多个关键方面。通过合理配置这些功能,组织可以更好地管理和保护其数据资源,满足法规要求,并提升工作效率。文章还提供了最佳实践建议及流程图,帮助读者全面理解 Microsoft 365 的安全架构和管理策略。

k8s6orchestrator的博客 212

GPT-1 架构和计算细节

下面配合框图,对 GPT-1 的每个组件做公式展开 + 数值实例(配置:12 层 × 768,12 头,FFN 3072,词表 40478,共 117M 参数)。GPT-1 把翻译模型的编码器-解码器砍掉一半,只留解码器,然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异(框图中标 ★):h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\

eloudy的专栏 293

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

终端 AI 审计与 “龙虾” 类智能体风险治理:从可见性到闭环溯源

生成式 AI 办公普及之后,数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型,以及龙虾(OpenClaw)这类本地开源 AI 智能体的滥用,成为企业安全新挑战。传统网络边界防护存在审计盲区,本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度,分享终端侧 AI 安全治理的实践思路。

2401_86491085的博客 654

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

2.53 基于极稀疏指纹的室内定位注意力图元学习

该论文发表于IEEE Transactions on Mobile Computing(TMC)2026年6月,面向极稀疏指纹条件下的WiFi室内定位,针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点,提出注意力图元学习模型AGML(Attentional Graph Meta‑Learning),结合图神经网络、元学习、两种指纹数据增强与分布对齐技术,在标记指纹极少的场景实现高精度室内定位,同时公开了多套真实+仿真定位数据集用于基准测试。场景:二维室内空间,障碍物造成信号遮挡,

weixin_42963026的博客 344

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 113

AI作图软件技术选型:从4个技术维度出发的实测对比

AI作图软件技术选型:从4个技术维度出发的实测对比

Vbaoke的博客 212

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

258

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 323

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 4762

影视场景怎么用AI生成3D镜头预演?从概念图、场景白模到网页审片

概念图有氛围,不代表能直接用于镜头预演。本文围绕剧本拆镜、资料与尺度假设、场景白模、机位走位、动作节拍和网页审片,介绍 AI 生成 3D 场景的预演流程。通过稳定对象与相机编号、统一镜头表、意见关联版本和三轮审核,让讨论落到具体镜头,同时明确白模与网页预演不能替代真实场地勘景及现场安全判断。

Solange__的博客 550

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 166
上一篇: 让OpenClaw真正拥有记忆:我的四步实战改造
下一篇: 全球首个Agentic AI治理框架发布:新加坡在规范什么?
SnowTech_ST
博客等级 码龄2年 1粉丝 1原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值