绝大多数组织的"去依赖化"，都是被危机逼出来的：核心销冠提离职了，才想起做客户交接；关键供应商要断供了，才开始找替代方案。这个时候做，叫作救火。
真正的组织高手，是在依赖关系最牢固、利润最丰厚的时候，冷血地建好"平行备胎"。
2026年6月，纳德拉在Build大会上做了一件极其反直觉的事：作为给OpenAI砸下超1370亿美元的最大金主，他却一口气发布了7个自研MAI模型——并且，这些模型的训练数据刻意避开了OpenAI的任何输出。
这不是巨头之间的分手八卦。一周后，纳德拉在Stratechery的深度访谈中道出了背后的冷酷逻辑：「每个公司都必须构建自己的学习机器。」他把这定义为用私有数据持续优化的"hill-climbing（爬山）"。
这两件事拼在一起，构成了一场比任何商学院课程都锋利的"组织依赖解耦"手术。它不仅重新定义了AI时代的护城河，更直接拷问着所有管理者：你组织的生命线，是不是正建立在你最不敢失去的那个"外援"身上？
一个被1300亿掩盖的事实：你的护城河不是你最依赖的东西
微软对OpenAI的投资超过1370亿美元。这可能是人类商业史上最大规模的外部AI投资。
但Build 2026的7个自研模型暴露了一个细节：MAI系列模型的训练数据完全没有碰OpenAI的GPT输出。微软AI CEO苏莱曼拿麦肯锡做了个测试——调优后的MAI模型不仅质量超过GPT-5.5，推理成本只有其十分之一。
这不是技术对比。这是组织逻辑的翻转。
纳德拉做了一件所有管理者都知道该做、但极少有人真做的事：在主力供应商还"好用"的时候就开始建备胎。不是等到OpenAI涨价了、掉链子了、或者关系崩了再启动紧急项目。是在合作最顺畅、产出最高的时候，偷偷把另一条腿长出来。
绝大多数组织的"去依赖化"都是危机驱动的。关键人离职了才开始做知识交接，核心供应商断供了才找替代方案。唯一的客户丢了才想起市场多元化，这时候做，是救火。
纳德拉的版本不同。OpenAI每季度给微软创造数十亿收入的时候，他启动了MAI项目。GPT-5.5还遥遥领先，他用自有数据训练了自己的推理模型。外部AI实验室排队抢GPU，他说不卖。
技术远见解释不了这件事。组织纪律解释得了。
「轻松钱」很容易赚。拒绝它需要另外一种肌肉。
纳德拉在Stratechery访谈里承认了一个细节：如果你想在短期内拉升Azure云业务收入，“很容易”——只要把裸GPU卖给Neolabs（新兴AI实验室），钱就到手了。
他拒绝了。
微软内部把计算资源分成三个池：超大规模云客户、微软自有应用业务、内部研发算力。纳德拉的分配逻辑是：不能把其中一个池子——特别是自研模型训练的池子——抽干去喂短期收入。
「这是一个根本性的战略错误，」他说，「仅依赖一个模型公司。」
这句话的冲击力不在于他说了什么，在于他是对谁说的。微软是OpenAI最大的投资者、最大的算力供应商、最大的客户。但纳德拉在Build大会的舞台上，站了整整两个小时，一个人讲完了所有核心发布——从量子计算到MAI模型到AI Agent平台。
Ben Thompson问他：你是不是因为把太多东西外包给了OpenAI，一度陷入了某种自满？
纳德拉没直接回答。他说了另一件事：「2018年我们决定赌OpenAI的时候，今天这些竞争对手的名字我都没听说过。现在有OpenAI、Anthropic、Google，还有大量新进入者。」言下之意很清楚：当时的正确选择，不等于永远正确。
组织最大的风险不是做错选择。是做一个正确的选择太久，忘了它总有一天会过时。
每个企业都需要自己的「爬山机器」。大多数企业连山在哪都不知道。
纳德拉对"hill-climbing"的定义很简单：设定一个目标，用私有数据和私有评估标准持续优化输出。
他特别强调了一点：「我认为一家公司创造的最重要的知识产权，可能就是这些私有基准和私有评估集。」
这句话才是整场Build大会对HR和组织管理者最有价值的内容。
因为他把AI时代的组织竞争力重新定义了。过去二十年，企业竞争力拼的是你拥有什么——专利、品牌、渠道、人才池。纳德拉的版本是：未来企业的竞争力，拼的是你的"学习基础设施"有多私有化、多自循环。
不是你有多少数据。是你的模型能不能用你的数据、在你的评估标准下、持续产出比通用模型更好的结果。
这对HR的冲击是双重的，但冲击最大的不是表层应用，是底层逻辑的坍塌。
过去二十年，HR最大的惯性不是执行力差，是迷信「行业最佳实践」。买大厂的胜任力模型，抄咨询公司的薪酬带宽，把「外部对标」当成专业性的全部证据。美世报告怎么写，我们的职级就怎么设。Gartner趋势说方向在哪，我们的预算就往哪调。这不是专业，是把组织最核心的判断力外包出去了。
纳德拉的「私有评估集」一出来，这套对外部标杆的依赖体系就碎了。他说的不是你要不要买别人的模型，是你连评价什么算「好」的标准，都得是你自己的。如果你的组织连「这个岗位的真正产出」和「这个人是否胜任」都依赖外部通用框架来回答，你就相当于在用GPT的评估标准训练自己的爬山机器——那不是你的核心竞争力，是别人的二手数据在你这里的投影。
换句话说：真正值钱的不是员工，是组织基于自有业务跑出来的那套「私有评估模型」。
第一层，你自己的部门。你的人才盘点、绩效评估、薪酬策略——用的是通用管理框架，还是基于你组织实际数据的"私有评估集"？你的"爬山机器"长什么样？
第二层，你的组织。你的核心能力——不管是研发、供应链还是销售——依赖的是内部知识积累，还是对几个关键人、关键供应商、关键工具的过度绑定？
纳德拉说得很明白：「你的护城河是你的隐性知识。在一个AI和AI网络效应存在的世界里，你需要自己的爬山机器。」
如果你组织里的隐性知识都锁在几个人的脑子里，那你需要的不是AI，是祈祷他们别离职。
三个动作，画出一条组织「去依赖化」路径
纳德拉做的事情，对任何规模的组织都有直接的操作启示。他做了三件事，每一件都能翻译成HR和OD的语言。
第一，建平行能力，而不是替换现有能力。
MAI模型不是替代OpenAI的GPT。它们是平行存在的——同一个控制平面上，可以随时切换。GitHub Copilot已经做到了：同一个产品里同时跑着MAI、GPT和Anthropic的模型，根据任务类型自动选择最优解。
对组织的翻译：你不是要"替换"你的关键人，你是要在关键人还在产出最高的时候，就把他的能力复制到系统里。你不是要"摆脱"核心供应商，你是要在合作最顺畅的时候，就测试好备选方案。这种"平行能力"思维，和我们此前分析马斯克工程思维时说的「从第一性原理拆解组织」是同一件事——不要等到零件坏了才画图纸。
第二，拒绝"轻松钱"。
纳德拉不卖裸GPU给Neolabs，哪怕这意味着Azure季度收入少0.1个百分点。捍卫的是长期能力的自主权。
对组织的翻译：你把最好的项目给了你的明星员工，因为这样做"最省事"。你把招聘预算全部投给了几所目标院校，因为"一直这么做"。你让最赚钱的业务线吸走了所有高管注意力，因为"它今天贡献了80%的营收"。你做的所有"轻松选择"，都在积累明天的组织脆弱性。
第三，把衡量标准从"按人头"改到"按算力"。
纳德拉100%确定SaaS要从固定订阅转向"订阅+消费"混合模式。因为当AI Agent 24/7地工作时，成本必须精确到每次Token调用。按席位付费的逻辑是：只要账号在，成本就固定发生。按Token付费的逻辑是：你用了多少算力，产生多少输出，就付多少钱。
对组织的翻译在此处发生了一次深刻的对齐。过去的组织编制是按"席位（Headcount）"计算的——只要人坐在工位上，成本就在燃烧，效能却是黑箱。在人机协同时代，这种固定编制就是隐藏冗余最大的温床。
管理者必须像盯API接口调用量一样盯效能：不再考核员工「做了多少动作」，而是考核他「用个人的私有知识，向大模型下发了多少高质量的Prompt，产出了多少可以直接交付的业务代码、文案或策略」。结构错了，冗余就被藏在固定编制的温床里。
组织最大的脆弱，不是没有备胎。是所有人都知道组织在裸奔，却默契地保持沉默。
组织依赖度诊断矩阵
你知道什么比过度依赖更可怕吗？是你知道你在过度依赖，却什么都没做，因为"目前还好"。
关联阅读：
AI组织进化论：拆解微软、英伟达、Anthropic与Open AI如何重写组织
重磅｜微软打响第一枪：爆改HR体系，让组织像AI一样思考
AI in HR：微软智能代理战略下的人才管理新范式与工作变革
麦肯锡最新报告：HR必须从培训转向筛选
大厂AI组织重构：4家巨头密集"挥刀向内"——谁在真做，谁在跟风？
李开复对谈苏姿丰：未来HR只有一个核心岗位，叫DRI
麦肯锡发布的《2026年组织状况报告》深度解读：AI时代的组织进化论
