在上一篇文章中提到了大模型的本质是有损压缩后的概率模型，这篇文章来探讨下关于在企业里的上传下达与大模型之间的关联。

“150定律”（Rule Of 150）由罗宾·邓巴提出，指出人类大脑的认知能力限制了社交网络的规模，使得人们只能与大约150个人维持稳定的人际关系，这被称为“邓巴数字”。尽管现代社交网络平台如Facebook和Twitter让我们能够与更多的人建立联系，但真正深入交流和维持亲密关系的核心网络仍然很小。邓巴定律不仅适用于社交关系，还影响到工作团队和组织的效率，说明管理的有效性在人数过多时会降低。定律启示我们，幸福感来自于平衡和有质量的人际关系，而不仅仅是社交的广度或数量。

在一个小型的团队中，管理者很容易记得住每个人的名字、性格和经历，沟通是相对直接和高效的。你可以轻松地与每个成员进行交流，了解他们的想法和需求，甚至在日常工作中，你还能感受到他们的情绪变化，及时调整团队的工作节奏。这种紧密的联系让你可以快速作出决策，并有效地执行。在这样的小型团队中，团队成员与管理者之间不需要”中间商“和“传声筒”，信息沟通相对而言简单透明。

当企业的规模逐渐扩大，员工人数超过150时，管理者会发现以前那种紧密的联系开始变得疏远，管理上的挑战也随之增加。管理者由于时间的原因，不再能轻易地与团队的一线成员进行直接交流，信息的传递开始依赖于更多的中间层级。于是，原本简单的沟通变得复杂起来，信息在传递过程中容易失真，决策的效率也开始下降。

随着团队多样性的增加，协调工作的复杂性也在加剧。企业规模扩大后，不同的思维方式自然会涌现，这些思维碰撞虽然为团队带来了创新的潜力和多元化的视角，但也容易引发理解上的分歧。不同部门和岗位的成员拥有各自独特的专业背景、工作目标和利益诉求，这也使得协作变得更加困难。

向上沟通是”信息压缩“

企业的向上沟通中一个常见的例子就是团队的周报或项目的进展报告。具体到每个项目，或者每个成员，很多企业都会要求大家提交每周的工作周报。团队层面往往通过周报和周例会的方式来进行工作上的交流和决策，从基层的10人小团队，一直到高层的”班子团队“。假设每个员工的周报大约有500字，那么一个10人团队的管理者就需要处理5000字的信息。然后再需要根据公司目标、OKR（目标与关键成果）以及任务的优先级，将这些信息进行有效压缩，加上自己对团队工作的评价，最终再加上自己的工作内容和对各类事项的优先级判断，形成一份精简的工作周报向上汇报。

一个大型的上市企业每年对外发布的年度报告和业绩发布会可能只有几十上百页，但这背后是无数份团队周报、工作汇报、规划报告、项目复盘和精美的PPT等各种信息层层压缩、提炼而成的精华。

当管理层级增加时，信息的压缩和汇总过程变得更加复杂和多层次。基层员工的工作总结需要经过多级管理者的层层传递，而每一层管理者都会对信息进行选择性压缩和再加工。在这一过程中，不同人的抽象能力和压缩能力相差巨大，最终汇总到公司高层的报告往往已经失去了许多重要的细节。在信息压缩上报的过程中，管理者往往会基于个人的判断、风格和利益立场，不自觉地加入主观理解和偏见，从而影响最终决策的质量。因此，企业向上沟通管理过程中的“信息压缩”过程不仅仅是对信息量的减少，更是对信息准确性的挑战。

在企业内部，信息的向上汇报通常遵循固定的途径，这些途径通常是由组织架构中固定的汇报关系所决定的。随着时间的推移，这种信息压缩和传递的方式会趋向稳定。然而，在跨团队的大型项目中，由于项目涉及的权责关系复杂，经常会发生变动，因此信息的汇总过程难以收敛到一致的标准，导致信息压缩的风格频繁变化，质量也因此受到影响。

不同的领导有各自偏好的汇报风格，人们更容易通过自己熟悉的结构来接收信息，这样大脑的能量消耗可以更少。如果某位高层领导突然需要了解某个部门的工作情况，部门管理者通常需要花费大量时间在PPT的格式和风格上，以便在较短的时间内有效地传达信息。为了迎合领导的喜好，有的管理者往往会在PPT的设计上做到“千人千面”，在领导关注的内容上花费更多精力，并且尽量避免使用领导不喜欢的词汇和数据。虽然这样的做法能够节省领导的时间，但也给普通员工带来了额外的负担。部门管理者每次对PPT进行的修改，可能会给团队增加十倍的额外工作量。有些团队为了避免这些额外的麻烦，甚至选择减少跟高层领导汇报和沟通的频率，只要确保业务和职责范围内的工作无误，他们宁愿在沟通上被边缘化，以尽量减少不必要的折腾。

如果能够利用大模型将这些“PPT干部”的信息压缩经验进行提炼，并转化为企业信息汇报中的各种Prompt和Agent，员工在PPT上的时间投入将显著减少。通过将语言大模型工具引入企业的信息汇总过程，可以根据不同管理者的风格和需求制定出个性化但又客观的信息压缩路径，从而实现真正的“千人千面”。例如，在许多大型跨团队项目中，同一名员工可能同时参与多个项目，项目总结时可以针对每个项目的工作内容进行有针对性地压缩和汇总，从而提高信息传递的效率和准确性。

此外，AI还能够根据领导的个人偏好，提炼出其熟悉的文字风格和跟容易吸收信息的模式，直接将一线员工的信息压缩为领导关注的重点。这种工作方式将有效减少因为领导临时需求而导致的额外工作量，避免了“领导好奇的一问，团队忙活半天”的情况，让团队的时间和精力都花在刀刃上，提升了整体工作效率。

可以设想，当个人的PC和手机都被AI赋能后，个人的工作内容和信息将变得更加容易记录和管理。AI能够自动从PC登录的系统、网页手机上的APP和各种IM工具的聊天记录中获取信息，即使没有直接的接口，也可以通过RPA工具、浏览器插件和视频录制的方式进行收集。同时，AI还可以赋能会议系统，自动生成会议记录和文字版总结。这些信息可以在本地先行汇总，随后根据不同需求生成多种版本的工作总结和汇报，如项目汇报、个人周报等。这样，员工再也不需要再登录各种不同的信息来收集本来属于自己的信息，无需花费大量时间在手动整理和编写汇报上，能够将更多精力投入到核心工作中，进一步提升工作效率和准确性。

向下沟通是”扩散模型“

当我们需要精确控制图片的细节时，Photoshop等工具是不错的选择，但使用这些工具来生成完整的图片成本非常高。而Stable Diffusion这类生成式AI工具可以快速生成图片，并且在视觉上往往能够迅速抓住人的注意力，特别是整体构图和色彩的呈现，这种“第一眼很惊艳”的感觉来自于图像的整体效果。

而随着你对生成式AI的图片仔细观察，细节的问题开始显现出来，比如物体的形状、比例、光影处理等等，这些问题可能和我们对真实世界的认知存在差距。当你对生成的图片有90%的满意度，只希望调整其中10%的细节时，常常会发现，尽管这些细节得到了改善，整体画面的其他部分却发生了变化，可能导致新的不满意之处出现。

从全局概率模型的角度来看，图像生成模型像Stable Diffusion是通过对大量训练数据进行学习，来形成一个能够预测和生成图像的概率分布模型。在这个过程中，模型会根据输入的文字提示，从整体上生成一幅图像，尽量去捕捉和匹配输入提示所描述的内容。由于这是一个全局概率模型，生成图像的过程涉及到对整个图像的各个部分进行协调和组合，以最大化匹配输入文字描述的整体含义。这个过程强调的是整体的一致性和合理性，而不是对某个特定细节的精确还原。因此，虽然模型可以在全局上生成看似合理的图像，但在具体的细节上，可能会出现与我们期望不符的地方。

当我们尝试用文字来纠正图像中的细节时，问题在于，语言描述往往是模糊和抽象的，而图像中的细节需要非常精确的调整。而全局概率模型的特性在于，即使你明确表达了想要的细节改动，模型仍会基于整体的概率分布来重新调整图像的布局。这可能导致细节的修改不如你预期的那样精确，或者在调整某个细节的同时，影响到图像的其他部分，并且每次生成的图片在全局上都会有所不同。这就是为什么通过文字来调教图像生成的细节常常令人感到不够精确，甚至有些沮丧，因为模型在权衡整体与细节时，难以完全实现你所期望的效果。

这种现象与企业管理是不是很像？企业领导者通常希望通过制定一个简单的战略和目标来明确方向，并推动整个公司朝着这个方向前进，确保从上到下执行到位。然而，在实际的企业经营过程中，总会有一些业务或任务无法达到预期。当企业试图纠正这些问题时，例如通过调整管理方法、重组业务部门或引入新的管理者，往往会对全局产生影响。结果牵一发而动全身，不仅原本的问题未能解决，反而引发了新的全局系统性风险。

在企业管理和运营中，企业的整体运作和管理风格（即全局概率）是由创始团队的背景、偏好、企业文化、历史、组织架构以及各部门之间的利益关系等因素共同构成的。在一个初创团队中，企业文化的传递主要依赖于日常工作中的目标驱动、团队互动和创始人的直接影响力。由于团队规模较小、产品线单一，保持文化与目标的一致性相对容易，企业的“全局概率分布”较为聚焦和一致，不容易发散。然而，随着企业规模的扩大，尤其是在组织结构复杂化和产品线多元化的情况下，再加上市场波动竞争和外界监管的影响，这种一致性变得难以维持。

随着团队规模的扩大，企业“全局概率分布”的聚焦需要更加系统化的手段。这种聚焦通常通过培训、制度化措施、流程建设、系统管理、标准化作业（SOP）、ERP系统来实现，同时制定年度预算、目标、KPI和OKR。这些工具在企业中的经营管理就像画图中的Photoshop，能够在局部层面上实现精确的优化。 然而，如果这些管理手段应用得过于严格，虽能提高效率，却可能在应对突发事件和新市场需求时使企业缺乏必要的灵活性，进而陷入僵化。这种情况下，企业很难利用系统化工具快速调整企业的经营并重塑全面的管理体系，以应对不断变化的环境。

然而对于OKR中那些难以量化或与经营无直接关联的部分，各部门由于专业背景、工作目标和利益诉求的不同，可能在层层目标分解过程中对企业整体目标产生不同的理解和拆解。这种偏差，加上个人和团队间的利益冲突，往往难以实现精准的控制和协调，最终可能导致企业的经营陷入僵局和混乱。在这种情形下，企业只能让每个部门和管理者自由发挥，充分发挥各自的主观能动性，依据自身的资源、能力和管理风格来制定规划和开展工作。然而，长期如此，部门的管理风格会逐渐偏离公司的整体目标和风格，形成严重的“山头主义”，从而影响企业的整体运营。

在企业管理过程中，“一抓就死，一放就乱”成了一个普适性的痛点。这种现象反映了企业在管理和运营中全局与细节之间的矛盾和平衡。部门长期封闭运作积累的“局部概率分布”，无法与公司的“全局概率分布”有效的兼容。为了实现全局与局部的有效融合，企业需要加强不同团队之间的互动和沟通。通过共同的成长和学习经历、频繁的深度讨论，不同团队可以逐步达成一致的认知，培养全局思维和换位思考的能力，从而形成更加一致的“全局概率分布”，推动企业整体目标的分解和执行落地。

最强AI公司的管理

在企业管理上，我们不仅仅可以看看AI大模型能够有哪些帮助，也可以看看最强的AI公司Nvidia在管理上是怎样的风格。Nvidia的CEO黄仁勋（Jensen Jen-hsun Huang）的管理风格可以用“灵活性”和“扁平化”来概括。他打破了传统的大企业管理模式，推崇扁平化的组织结构，直接管理多达40名下属，而不需要依赖层层汇报和等级制度。

Jensen 不倾向于1:1的单独会议，认为这样会造成更多的信息不对称；取而代之的是小组讨论，以确保所有人对信息的掌握都处在同一水平线上，相信，信息透明和开放讨论能够激发集体智慧，最终形成公司层面的”全局概率分布“。

在战略制定上，Jensen 不太喜欢制定固定的计划，无论是五年计划还是一年计划都被视为过于死板，容易带来不必要的限制。他认为，世界是动态的，因此企业的策略也必须根据市场和业务的变化实时调整。企业战略在大的方向上保持正确就行，这种灵活性在快速发展的AI领域显得尤为重要。Jensen 更倾向于通过“随机采样”的方式来获取公司最新的动态，每天阅读员工发送的关于“最重要的五件事”的邮件，而不是依赖正式的报告。这样的做法，可以保持企业灵活性，避免大公司常见的官僚主义和僵化问题。

Nvidia通过吸引顶尖人才、组建精干团队，并确保信息的快速流动，实现了企业的持续创新和高效运作。借鉴Nvidia的实践，我们也可以思考如何利用AI大模型来促进企业内部信息的快速流动，从而支持更及时和有效的决策。