第一章　组织的宿命是熵增——缺乏外力秩序，企业总会衰退

1.1　熵增是组织的宿命：没有外力的秩序，总会衰退

讲 AI 转型，我们得先退一万里，退到比企业更老的东西上去看。

物理学家告诉我们一件事：这个世界的总趋势，是走向混乱。把一个房间整理干净需要花力气，可如果你什么都不做，它自己会慢慢变乱。一件崭新的机器，放久了不用也会锈蚀、失灵；一套运转良好的制度，搁在那不管，也总有一天会僵化、会失灵。这不是悲观，这是这个世界最朴素的规律——物理学家管它叫"熵增"。

"熵"这个词，听上去很学术，其实不玄。它衡量的，是一个系统有多乱、有多少种乱七八糟的可能在无序地铺开。熵越低，系统越整齐、越有序、越可控；熵越高，系统越混乱、越难预测。而这个世界的大前提是：在缺少外力的情况下，熵只会增，不会自行减少。 破镜不会自动复原，冷水杯不会自己变热，散乱的文件不会自己整理好——秩序，从来不是免费的，它必须由某种外力持续地维持。

把这条规律放到企业身上，你会看到一个几乎没人愿意直面的真相：一个企业，如果只是"存在着"、只是运转着、只是按惯性活下去，它就会不可避免地衰退。

这不是说某个企业不努力。恰恰相反，很多衰退的企业，里里外外都忙成一团：开会、加班、赶进度、救火。忙碌是真的，衰退也是真的。这两件事同时成立，只是因为在热力学里，"忙"和"对抗熵增"完全是两回事。一桶水被搅动的时候，水分子都在动，可那种动，并不秩序井然。一个组织里的忙碌，如果只是在消耗既有秩序、而没有在制造新的秩序，那么这种忙碌本身就是熵增的一部分。

我想先花一点篇幅，把"熵增"在企业里的样子，说得让每个人都认得出。

第一个样子，叫目标涣散。一个企业刚创业的时候，目标锋利得像一把刀：活下去，把一个东西做出来，把客户赢得过来。可规模一大，目标开始钝：各部门各有各的 KPI，销售追回款，产品追上线，财务追预算——每个部门都对，可合在一起，能量互相抵消。目标一旦涣散，熵就悄悄抬头：不是没有方向，而是有太多互相打架的方向。这是企业最常见的熵增。

第二个样子，叫结构僵硬。企业为了稳定，建了很多制度和流程；可制度和流程一旦固化成"以前就是这么干的"，它就从"帮人做事的骨架"变成了"勒住手脚的绳索"。流程越来越厚，响应越来越慢，一个小决策要跨七个部门盖八个章。结构本是逆熵的杠杆，可僵化的结构，自己成了熵的一份子——它不减乱，反添乱。

第三个样子，叫鉴别失明。这是最隐蔽、也最致命的一种。一个企业运转久了，会积累出一套"我们觉得对"的标准：谁干得好、哪条路走得通、什么结果算成功，都有一套既有的判断。可当环境变了、玩法换了，这套既有的判断还停在过去。结果，企业用旧眼睛看新世界——把正在兴起的机会看成风险，把正在塌陷的老路当成安全。它不是不努力，它是"看不出该往哪使劲"。鉴别失明，让企业即使很忙，也忙在错误的方向上。

这三种样子——目标涣散、结构僵硬、鉴别失明——单独出现都还能补救，可它们往往同时出现、互相喂养：目标涣散让结构失去约束的对象，结构僵硬让鉴别失去调整的空间，鉴别失明让目标涣散得更加理直气壮。当这三者连成一个环，一个企业的熵增，就已不只是趋势，而是正在发生的当下。

这里我想请读者想一件扎心事：我们见过太多曾经辉煌的企业，在崩塌前并不是不努力。它的会议室灯火通明，它的财报一度很好看，它的员工很敬业。可它还是滑下去了。为什么？因为它身上"目标涣散—结构僵硬—鉴别失明"这三个环，早在崩塌之前很多年，就已经悄悄扣上了。外面的人看得见的是它最后那一跤，看不见的是它躺了十年的熵。

所以我常说，熵增是企业的沉默敌人。它不声不响，它不急不躁，它甚至不让你觉得疼——多数时候，它只是让你"越来越对不上这个世界"。等到你终于察觉，往往已经错过了最佳的纠偏时点。这也是为什么，我们谈这个问题要从熵增讲起：先看见敌人，才知道剑该往哪里刺。

所以请先记住这一章最根本的一句话：组织的宿命是熵增——缺乏外力的秩序，企业总会衰退。 这句话是全书的起点，也是后面所有讨论要回应的那个敌人。我们谈因果、谈 DLR、谈麦克斯韦妖、谈核心变革，本质上，都是为了一件事：找到那个能对抗企业熵增的"外力"，让企业不是只会向下。

而理解"熵增"还只是第一步，更关键的是看清：在 AI 时代，这头熵增的巨兽，换了它的位置。

1.2　AI 时代熵源迁移：从"人的复杂"到"AI＋人协同"的复杂

很多人以为，AI 是把企业从熵增里救出来的东西。这个想法本身没有全错，但它藏着一个致命的误判——它以为熵增的来源，还停留在过去旧的地方。

过去的几十年，企业的熵，主要来自"人的复杂"。一个人的判断、一群人的协作、跨部门的协调、层层的信息传递，每一个环节都可能出错、都可能失序。管理学的千军万马，其实都是在跟这种"人的复杂"搏斗：组织架构、职责划分、流程制度、绩效体系——它们的作用，本质上都是动用外力，把"人的复杂"压出一份相对的秩序。

可是 AI 时代来了，一件微妙的事情发生了：AI 把"人的复杂"那一头压下去了不少，却同时在另一个更高的地方，造出了一种新的、更难对付的复杂。

先说被压下去的那头。当 AI 可以替人做大量重复、可度量的工作时，原先积压在"人的复杂"里的很多熵，确实在消解：信息不用再逐层搬运，执行不必再反复确认，很多因为"人会累、人会错、人会藏"而生的混乱，被机器的可靠抹平了。这一步，是许多组织投入 AI 之后真切看到的。可如果你以为企业的熵就此少了，那就上当了。

因为与此同时，一个更麻烦的复杂出现了——"AI＋人协同"的复杂。 以前，是一个人做一件事，错了就错在人身上，源头清楚，责任也清楚。现在，是人和 AI 搭在一起做一件事：AI 生成，人判断；AI 执行，人验收；AI 给方案，人做选择。听起来很美好，可一旦这群人和 AI 没有用一个共同的逻辑对齐，那么混乱的来源，就从"人自己打结"，变成了"人和 AI 互相打结"——而且是双倍天赋的打结。

让我把这种新熵画清楚一点。举一个市场上每天在发生的例子。

一支市场团队引入了 AI 来写投放文案。一开始很顺：AI 出初稿，人改一改，人去投放。团队觉得效率翻倍，很兴奋。可跑了两周，问题冒出来了——不是 AI 写得好不好，而是"这个方向到底对不对"。钱砸下去了，点击有了，转化却没有。这时候团队开始焦虑，于是又开了一个会：到底是 AI 的文案不行，还是人的判断不行？是投放的渠道不对，还是目标人群选错了？——没有人能马上答上来，因为中间那一整段" AI 怎么算的、人在哪个环节放行了"，已经变成一片模糊。

在过去，一台机器错了，人知道是机器的问题；一个人错了，人知道是人的问题。可现在，一个结果页上看不到中间过程：这个结果，是 AI 顺着哪条逻辑算出来的？人在哪个环节判断、哪个环节放行了？哪一段出了偏差，该改 AI，还是该改人的判断？——这些一旦模糊，整个系统就会在无人察觉的地方，悄悄累积新的混乱。旧的复杂，至少看得见是"人那儿乱"；新的复杂，连"乱在哪"都越来越难说清。这就是"熵源迁移"：熵没有消失，它只是从标的更清楚的地方，搬到了一个更容易隐身的地方。

我们不得不在"协同复杂"上再多着墨，因为它是整本书绕不开的地基。

冷冰冰地讲：人的复杂，有一个好处——它至少是"可问责"的。一个人做错了，你找得到真人，可以问他、可以说他、可以换他；问责一落地，混乱就有了关节点，纠偏就有了抓手。可人和 AI 协同之后，那个关节点开始漂移：一个坏结果，究竟是 AI 的算法算歪了，还是人没有判断到位，还是两者之间的接口没接好——经常是"人人都沾一点，又说不清是哪一环"。没有关节点的混乱，是最难治理的混乱，因为它连"从哪下手"都无从谈起。

温一遍这个比方：一只手有五个指头，各归其位，好管；可如果五个指头长在同一块地方、还互相粘连，那就分不清彼此了。人和 AI 一旦协同不好，就是那种"粘连的手"——它们都在动，却搅成一团。所以"AI＋人协同"的复杂，不是"人的复杂"的简单叠加，是一种更高级、更难解的新复杂。要对抗它，必须有一套新的办法。这套办法，正是后面几章要一点一点立起来的。

而一个转身不及时的企业，最常见的动作，是用旧的方法去对付这头新的熵：多开会、多写文档、多定流程、多设关卡。可这些旧方法主要是为了对付"人的复杂"设计的——它按住人的混乱或许有效，却按不住"人与 AI 协同"这头新兽。于是我们看到一种近乎普遍的生态：组织越拥抱 AI，越像在一边学习一边失序——不是 AI 不好，而是用了旧的外力去对付新位置的熵，如同用旧图纸，去修一座结构已换的楼。

看清熵源已经迁移，我们才谈得上"该用什么样的外力对抗它"。而对抗熵增这件事本身，也有一点常被误解——它需要的外力，恰恰不是蛮力，而是一种极其特殊的能力。这，正是下一节要讲的。

1.3　企业天生是逆熵结构：它靠什么维持有序

既然世界的总趋势是走向混乱，那一个能几十年活下去的企业，本身就是一个奇迹——它整整几十年，都在做一件对抗熵增的事。

这提示了我们一个重要的角度：抗熵增，不是 AI 时代的新课题，而是企业自诞生之日起就在做的事情。 企业天生就是一台逆熵的机器。它不是"存在"就会有序，而是靠着某种机制，持续地把混乱挡在外面、把秩序维持在内。

那么，一台正常的、健康的企业，到底是靠什么来对抗熵增的？我把它拆成三件最朴素的事。

第一件，靠"目标"来定向。 一群人的协同，如果没有一个共同的方向，就会像一群无头苍蝇——各忙各的，耗散大量能量却毫无秩序。而企业对抗熵增的第一步，是给所有人的努力一个共同的"北极星"。有了目标，能量才不是随机消散，而是朝同一个方向汇聚；熵，才从"无方向的乱"，被压成了"有方向的运动"。这是逆熵的第一个杠杆：目标。

第二件，靠"结构"来约束。 有了方向还不够，因为人的自利、惰性、信息差，会让目标在落地途中悄悄走样。于是企业造出结构——架构、职责、流程、制度——用这些结构，把每一个人的行为约束在通往目标的轨道上。结构不是自由的敌人，它是让"众人的自由"不至于互相抵消的那个力。这是逆熵的第二个杠杆：结构。

第三件，靠"鉴别"来纠偏。 目标定得再好，结构建得再牢，运转过程中也总会有偏差冒出来：某个判断错了、某个环节断了、某个方向偏了。一个能长期存续的企业，一定有一套"鉴别偏差"的机制——它能看出"哪一步跑偏了、该往哪纠"，而不是等到全盘崩坏才后知后觉。这套鉴别机制，往往是企业最隐形、也最值钱的部分。这是逆熵的第三个杠杆：鉴别。

我特别想把"鉴别"讲透，因为它最容易被低估。

一个企业对抗熵增，第一层功夫在目标——方向对不对，一眼能看得出来；第二层功夫在结构——分工清不清楚，大体也摆在那。真正决定一个企业高下的，往往是第三层：当环境悄悄变了、当偏离已经发生，它能不能第一时间"鉴别"出来。 鉴别能力强，企业就能在偏差还小时把它纠正，熵增还没来得及累积就被拦住；鉴别能力弱，偏差会像滚雪球一样越滚越大，等到被看见时，已经是伤筋动骨。

给"鉴别"一个可触摸的样子。早期企业判断"产品做得好不好"，靠的是创始人盯着用户的眼睛——用户来了多少、愿意聊多久、复购没有，他闭着眼都能感觉到。这叫经验鉴别，因为它背后是极短的一条因果：用的人开心，产品才对。可一旦企业变大，创始人离用户远了，中间隔了七层九个部门，产品到底做得好不好，就只能靠周报、靠数据、靠层层汇报去"推测"。到这时，鉴别不是没了，而是换了手、换了距离——从"亲眼看见因果"，退化成"隔雾看结果"。这一退，偏差的惯性和隐身性，都陡然放大。

这三件——定向、约束、鉴别——合在一起，就是企业这台逆熵机器赖以运转的三根支柱。也可以说，这就是企业应对熵增的基本功：给无序一个方向（目标），给秩序一个骨架（结构），给偏差一双眼睛（鉴别）。

讲清这三点，是为了给后面埋下一根线：AI 转型的真正问题，不是要不要逆熵，而是——你的企业，拿什么来逆熵？ 过去，这三根支柱都靠"人的经验"撑着：方向靠人拍，结构靠人设，鉴别靠人看。可现在，熵源已经迁移到了"AI＋人协同"的位置，旧的鉴别方式还跟得上吗？这，正是这两章即将展开的核心张力。

而如果到现在你还没有警觉，接下来一节，会让你把这份警觉落到实处——因为恰恰是在熵源迁移之后，那台曾经依靠经验逆熵的机器，显露出了它力不从心的一面。

1.4　旧甄别追不上新熵速：经验型逆熵为何力不从心

每一种"鉴别"，都生于它那个年代的熵。

过去的企业，环境相对稳定：市场变化慢，竞争格局清晰，技术迭代从容。在这样的"低频"环境里，经验是一台非常好用的鉴别器——因为在低变化的世界里，过去的判断今天大概率还成立，只要经验足够老到，偏差就很少能逃过它的眼睛。经验型逆熵，就是在这样的土壤里长起来的：方向靠看过太多、结构靠见过太多、鉴别靠经历过太多。

可是当环境从"低频"切到"高频"，当熵的来源从"人的复杂"迁移到"AI＋人协同"的复杂，这台经验型的鉴别器，开始跟不上趟了。不是经验没用了，而是熵的速度，超过了经验更新的速度。

怎么理解"熵速"这个概念？熵不是匀速增长的，环境的越变越复杂，会让熵的增速越来越快。用一个朴素的比方：以前一个行业十年才变一次，老经验完全够用；今天一个行业的玩法可能两三年就换一轮，而一个人的阅历，是用几十年的时间慢慢攒出来的——它天然追不上"以年计"甚至"以月计"的新变化。于是出现一个尴尬：你手头那套曾让你吃饭的经验，正在用"过去的确定性"，去硬碰"现在的高频与未来的不确定"。

更麻烦的是，AI 的到来把"熵速"又往上推了一大截。技术迭代、工具翻新、协同方式重构，全都叠在一起加速发生。一个企业如果还指望靠几个骨干脑子里的旧经验，去鉴别这套飞快旋转的复杂，那它的鉴别器，几乎必然失敏——它看得见熟悉的老问题，却对串在"AI＋人"结构里的新偏差近乎盲视。

如果把 AI 时代的"熵速"拆开看，它至少有三股加速，每一股都在透支经验型鉴别。

第一股，是工具的加速。 过去的工具十年一换，学会了能管很久；今天的 AI 工具以月计地更替，昨天还熟练的，今天可能已经有了更优的替代。工具越来越顺手，可"用工具的人"的经验折旧也越来越快——你刚把一套流程摸熟，它可能已经过时。

第二股，是协同的加速。 过去人与人的协同，靠磨合，十年磨一套默契；今天人与人、人与 AI 的协同，配比天天在变。今天你和一个 Agent 这样配合，明天它升级了，配合方式又要重新调。协同的结构不再稳定，经验的"可迁移系数"在大幅下降。

第三股，也是更隐蔽的一股，是"对错"的加速。 过去"什么算好"是稳定的，经验鉴别的目标不动；今天连"什么算好"本身都在快速漂移——转化率、客户价值、组织效能，标准一年比一年严苛。经验型鉴别最怕的不是看不快，而是连"该看什么"都在变。标准一换，再老到的经验，也成了对着旧靶射击。

这三股加速叠在一起，就是"熵速"不断被推高、而经验不断被抛下的真实机理。它不是在某一处让你出错，而是在每一个环节，都在悄悄拉大"你旧有的判断"与"新世界的要求"之间的距离。

为了让这一点更具体，我们回到那支投放文案团队。

它的困境，本质不是"AI 用得好不好"，而是"鉴别失明了"。在纯人的时代，团队知道：方向对不对，看销售结果就知道；人不灵就换人，文案不行就重写——每一段纠偏都看得见源头。可引入 AI 之后，链条里多了一段看不见的逻辑，团队的那双旧眼睛，就看不清"到底该往哪纠"了。于是它只能继续开会、加班、试错——用旧的忙碌，去对冲那个它看不见的新偏差。这一步，恰恰是"熵增"在 AI 时代的现形方式：不是不努力，是用错位的鉴别器去守已经换位的熵源。

我也可以用另一个时代的例子，把"经验失敏"讲得更刺骨。报业辉煌的年代，判断"一篇稿子好不好"，主编靠的是几十年的直觉：标题、导语、版面，门儿清，这个鉴别器几乎从不失准。可当读者从报纸滑向屏幕、从白天滑向深夜、从"愿意看"滑向"愿意点"之后，主编的经验还在，可它侧的那个"对错"已经换了。同样是经验，曾经的价值越大，此刻的惯性越深。经验型逆熵最危险的，正在于此：它不会主动失效，只会悄悄地对不上新世界——而你往往还浑然不觉，因为它门槛依旧。

我把这种状态，看作许多企业 AI 转型越转越乱的深层病理：不是企业不努力，不是没人懂 AI，而是它用来逆熵的那套东西——经验型鉴别——跟发生在它身上的"熵速"已经错位。方向靠经验拍，可方向正在被新逻辑重写；结构靠经验设，可结构正在被新协同揭穿；鉴别靠经验看，可经验已经看不见新熵藏在哪里。

所以，我们这一章的落点，其实是一个全新的提问：

如果你的企业对抗熵增，靠的还是那台基于旧经验、旧环境的鉴别器，那么当熵源迁移、熵速加快之后，它还能不能继续为你守住秩序？

答案，几乎是否定的。而寻找这个新答案的路，就从下一章开始——我们要给这台逆熵的机器，换一台能够跟上新熵速的引擎。那台引擎的名字，叫因果。

在我们走向它之前，请把第一章的核心凝成一句话，带在身边：

组织必然熵增，除非有一个能对准新熵源、跟得上新熵速的外力持续地把它拉住；而旧的经验型外力，正在对不上这个时代。

如果你愿意，让我把第一章的四步推演，在这里再慢放一遍——一句话一步。

第一步，熵增是宿命。 没有外力，企业总会衰退；而它的衰，常常先于显性症状很久就开始了，只是藏在目标涣散、结构僵硬、鉴别失明这三只环里。

第二步，熵源已经迁移。 过去的乱，乱在"人的复杂"，还有个人可问责；今天的乱，乱在"AI＋人协同的复杂"，连坏在哪一环都模糊。熵没减少，只是搬到了更难看见的地方。

第三步，企业本是逆熵结构。 它靠目标定向、靠结构约束、靠鉴别纠偏，三根支柱撑起对熵增几十年的抵抗；其中"鉴别"最隐形、也最决定高下。

第四步，旧的外力开始失灵。 当熵速超过经验更新的速度，那台基于旧经验、旧环境的鉴别器，就开始对不上新世界——它不声张，只是悄悄失准。

把这四步连起来看，就得到一个清晰的判断：企业不是缺乏逆熵的意愿，而是缺一台能跟上新熵源、新熵速的逆熵引擎。 它过去那台"经验引擎"，成就过它，如今也在拖住它。这正是全书要解的那个命题。

这座城正在走向混乱。而我们，正要去找那把守住它的钥匙——它的名字，叫因果。

*第一章完。*