89.当 AI 进入组织，那些「从没人说过的真相」｜与网易阮良聊 AI 原生组织与企业 Agent 实战
AI 的真正鸿沟不在有没有用，而在用得好不好；个人提效还要穿透流程、转化为组织产能。 网易内部，优秀工程师借 AI coding 提效 3—5 倍、有人达到 10 倍，产品经理也约提效 50%，但一个软件需求从提出到上线只由 20 个工作日缩至 17 天；阮良的结论是：“流程和组织，它仍然是这块木桶里的短板。”
企业落地 AI 要连续越过认知、个人应用和流程重构三道坎，最难的是第三道。 单点岗位的木板变长并不会增加木桶容量，真正的 AI Native 改造要删除无效环节，甚至“换个木桶”；这也解释了为什么组织简单、老板亲自下场的小公司，往往比资源更充足的大企业改得更快。
Agent 对核心 SaaS 不是终结者，反而可能成为需求放大器。 关键 SaaS 已沉入知识库、CRM、审批、安全等企业流程，未来调用者将从精力有限的人类变成数量和动作频率都更高的 Agent；阮良判断：“真正好的或者核心的 SaaS，它只会越来越好。”普通、非关键的软件则可能被淘汰。
企业 AI 的核心资产不是通用模型，而是高质量知识库、历史决策留痕和可调用的业务流程。 网易将历史决策及其依据做成 Agent/Skill，再让它复判数百个旧案例，准确率超过 90%；最终目标不是让 AI 独断，而是把人的纠正重新写回系统，形成“人站在 AI 的肩膀上，以及 AI 站在自己的肩膀上”的进化闭环。
阮良预计，执行管理职责的中层会减少，但携带 AI 军团的一线精英会增加。 两三人或三四人的小队可调度大量 Agent 和公司中台资源，前端、后端、测试等细分岗位也开始重新融合为全栈；未来高端人才谈判的可能不只是个人工资，而是“我不是一个人，我带了一个 AI 团队”。
Token 成本应按产出价值而非账单绝对额衡量，网易观察到 Token 高消耗与高绩效大概率相关。 2026 年 1 月，网易一个月的 Token 消耗可能就相当于去年全年的消耗量，但程序员每月数千元人民币的 AI 费用相较其产能提升仍很便宜；内部经验是：“你 Token 如果消耗断崖式领先，你的工作质量、工作成果也大概率是断崖式领先。”
AI 替代的是工作环节，而不是整个人及其创造力、勇气和好奇心。 卫诗婕追问：如果基础劳动被 AI 接管，人还从哪里积累判断与信念？阮良承认旧的技术性工作会消失，却认为新的技术性工作会继续提供训练场；企业若只把 AI 当裁员工具，就是“本质上想错了”。
投资者观察企业 AI 兑现度，不能只看员工使用率，而要看端到端周期、知识沉淀、决策反馈与组织重构。 最值得优先自动化的是耗时、高频、不得不做且不同员工产出趋同的任务；阮良建议先用最强、最贵模型验证可行性，再降本，因为“只要目前最贵的 AI 能搞定，未来不出两个月，那个便宜的 AI 一定也能做到”。
1. AI 的想象空间远大于移动互联网，因为它开始理解并执行
阮良经历互联网、移动互联网和大模型三轮浪潮，四十多岁反而比三十出头时更兴奋：“依然像一个年轻的二十多岁、刚毕业的年轻人一样”，重新有了好奇心、斗志和理想。
他对两轮技术的区分很明确：移动互联网主要由位置、摄像头、陀螺仪等传感器带来点状创新；AI 不仅接收数据，还能理解数据、识别意图并执行，因此可以进入个人生活与组织流程的“毛细血管”。
这不是多一个入口或终端，而是软件第一次获得跨场景泛化能力。阮良由此看到的不是几个新应用，而是“几何级的想象”。
2. 个性化教育展示了 AI 最直接的普惠价值
阮良认为，教育学早已知道一对一、按阶段和兴趣定制的教学更有效，过去无法普及只是因为成本太高；AI 让每个孩子都可能拥有适配强度、兴趣甚至游戏形式的学习内容。
他以自己年少时固定题库的街机答题游戏作对照：旧软件只能执行预设模式，AI 却能不断生成个性化、娱乐化内容，让学习获得频繁正反馈，连不懂编程的人也能做出简单 Web 应用。
他听到的最佳案例是一位硅谷工程师用 Claude 扫描教材和历年试题、制定计划并反复出题，不到两个月考取一个很难的会计或税务类证书。阮良把这种知识平权类比为印刷术削弱教士对《圣经》的抄写与解释垄断。
3. 一位离开代码十年的 CEO，被 AI 拉回了一线
阮良毕业后写过七八年代码，转向团队、产品和公司管理后，近十年没有再写一行；他一度认定自己已经不会编程，也没有时间追赶语言和工具的变化。
转折来自一位同样离开编程十多年的投资人朋友：对方用 AI 写了几万行代码，超过自己做五年程序员时的总和。这让阮良意识到，“软件定义世界”重新向非一线工程师开放。
他随后用 Claude Code 打造专属 CEO 系统。第一批功能不是宏大决策，而是那些持续侵蚀管理者注意力、让“抓大放小”无法实现的审批、信息归集和上下文搜索。
4. CEO Agent 的第一价值，是夺回被琐事吞噬的注意力
阮良把审批拆成三类：大量低风险事项由 Agent 自动处理；需要斟酌的事项集中呈现；最高风险审批则由 AI 回溯前置信息，材料不足时先要求提交者补充理由。
价值不只是少开几个 OA、邮件和信息化系统。CEO 的任务常是从网状关系中发现机会与风险，而人的脑容量、状态和上下文有限，AI 可以把一条审批向外延展到相关事项。
他把节省时间视为组织机会成本的回收，也强调休息本身是生产力：“刷个短剧，看会儿风景，或者喝杯咖啡”并非浪费；人的状态有时比智商更影响下一项工作的质量。
Agent 胜过 Chat 的地方在于复利：固定信息不必每次重新提问，系统会持续抓取、整理并执行，“不需要再去 Chat”。
5. 个人提效三到五倍，组织交付却只快了三天
GPT-4 出现时，网易一度担心智能客服业务会被通用模型直接取代；真正实践后才发现，模型之外仍需大量调教、业务知识和流程结合，个人 AI 与企业 AI 并不是同一问题。
个人任务往往短程闭环，企业任务却由多人协作并跨越产品、研发、测试、供应链等长链条。链条中只要还有未改变的节点，局部的惊人提效就会被整体流程吸收。
网易原本一个软件需求从产品经理接单到上线平均约 20 个工作日。AI coding 让优秀工程师提效 3—5 倍、部分达到 10 倍，也把前后端人员变成全栈，但端到端周期只降到 17 天。
产品经理写 PRD、原型也约快了 50%，真正没有变长的“木板”却可能根本不是人，而是审批、交接等流程。阮良因此归纳三道坎：组织认知、个人短程应用、流程与组织重构。
6. AI Native 不是把每块木板加长，而是抽掉木板
阮良的修正是：“这个木桶有些木板是不需要的，你就直接抽走。”若仍保留 AI 前时代的全部岗位接口和管理动作，自动化只是让旧组织更快地产生等待。
网易智企首先拿周会动刀。过去每周约 2.5 小时的会议承担同步信息、发现问题或机会、做决策三项任务，但各部门层层准备材料所花时间可能是会议本身的十倍。
信息同步本身也不可靠：与己无关的汇报让人走神，真正相关的一句话反而容易漏掉；连总经理也不可能在两个半小时里“每一秒都那么专注，那是神仙”。
7. 周会被拆成 AI 报告与人类专项决策
新流程先由总经理和管理层定义需要什么信息，再让各部门按模板提交；Agent 扫描全部会前材料，产出精炼、聚焦并能发现跨部门关联的报告。
报告以可交互 HTML 呈现，可以留言、追问；AI 还会预先列出潜在问题和机会，由人确认和补充。同步与发现完成后，团队不再召开固定周会，只为真正要解决的问题开专项会。
卫诗婕以字节跳动的会前文档制度追问：成熟组织原本就能提高会议效率，AI 是否只是暴露了旧问题？阮良承认组织基础重要，但提醒文档文化本身也会走向信息过载。
8. 文档越容易生产，注意力越可能成为新瓶颈
网易曾在 2020 年起使用飞书约一年半，尤其喜欢会前写清问题、在文档中预先评论、会议只讨论分歧的方式；疫情期间，飞书文档也成为异地协作的重要载体。
但工具太好用之后，文档越来越多、越来越长，透明协作反而滑向信息爆炸。AI 又把生产信息的速度推高，组织若没有筛选机制，只会把旧瓶颈移到阅读与判断。
阮良也承认个人层面的副作用：看到长文第一反应变成“让 AI 总结一下”，容易形成思维惰性；团队一度遇到 Claude 账号异常时甚至觉得“天塌了，没法工作”，像被撤走了拐杖。
9. SaaS 不会整体死亡，关键服务会被 Agent 放大
阮良对“SaaS 已死”的回应是：SaaS 的本质是 Service，形态可以从 Software 变成 AI as a Service 或 Agent as a Service，但企业对服务的需求不会消失。
他也保留边界：普通、未进入关键流程的 SaaS 可能真的会死；已经成为企业基础设施的产品，则可能因 AI 获得更高频、更深入的调用。
过去使用软件的是受时间、精力和上下文限制的人，未来可能是数量远超人类、动作频率也远高于人类的 Agent。数据库、安全、审核、人力资源和 CRM API 的调用量都可能巨幅增长。
因此，网易智企需要做的不是抛弃原有 To B 业务，而是用 AI 重构其中真正不可替代的 Service。
10. 企业 AI 的燃料是私有知识与流程编排
以智能客服为例，通用模型无法独立提供高质量服务，因为它缺少商品知识、客户画像，以及企业内部处理问题的生产流程；沉淀这些内容的私有知识库才是关键资产。
AI 越强，优质知识库被调用得越多。阮良的表述是，AI 给知识库“插上了一双翅膀”，另一项真正重要的能力则是对内部信息系统、流程和 API 的调用与编排。
这也是他看好核心 CRM 和 Salesforce 一类产品的原因：价值不只在界面，而在它们已经占据业务流程、积累结构化知识，并能被新的 Agent 层反复调用。
11. Skill 的真正来源，是优秀动作和真实客户
阮良把企业能力的演进概括为：先掌握在人手里，再固化为软件，如今又被 AI “蒸馏”成 Skill。销售场景最直观，因为老板既担心团队只有一个销冠，也担心销冠离职。
企业可以提取优秀销售的高相关动作，例如拜访后做什么能缩短成交周期、提高成交概率；也可以提取其面对竞品挑战时的表达方式，但不需要机械复制整套话术。
用于训练普通销售时，真正要蒸馏的不是销冠，而是客户。历史电话、企业微信、邮件等交互可生成不同类型的模拟客户，让新人反复“刷题”，弥补师傅未必愿意倾囊相授的问题。
在线销售天然 on record；线下 KA 销售则可在拜访后录制两三分钟口播。销售往往抗拒 CRM，因为觉得它只是在“管人”，却愿意留下对自己复盘和下一次成交都有用的语音记录。
12. 全量监控不是答案，客户声音比员工监控更有价值
阮良认同“老板获得的信息反而最少”：信息到 CEO 面前时往往已被层层包装和削减，因此网易要求会议保留原始材料，线下会议也会用录音卡或开启线上会议录制。
但面对员工尤其是精英对“被蒸馏”的抵触，他主张顺应人性、不强求全员回传。网易更关注 Voice of Customer，把客户真实声音送回产品和研发，而不是把注意力放在员工每一步做了什么。
他的优先级很清楚：“关注客户，关注市场”，必要时再关注竞争对手；方向若错，组织效率再高也无意义。部分线上数据和自愿记录通常已经足够多，强制全量采集反而会激发逆反。
13. AI 时代必须重新讨论经验所有权与人才溢价
卫诗婕提出尖锐异议：员工晋升后的溢价来自多年知识与经验，企业若不额外付费，却把这些能力完整拿走并复制给别人，“有一点不太公平”。
阮良没有否认这种张力，而是预期人才定价会改变。未来候选人可能说：“我不是一个人，我带了一个团队。”这个团队并非真人，而是由其历史经验和 Skill 形成的 AI 军团。
由此，高端人才的溢价未必下降，反而可能放大：公司购买的不只是一名员工的工作时间，还包括他能调度的个人 AI 组织及其沉淀能力。
14. 中层减少不等于精英减少，组织会向小军团和全栈回摆
阮良预计，承担执行管理职责的中层会越来越少，组织则更像阿米巴或特种部队：两三人、三四人带着大量 Agent，再调用公司的中台和资源完成复杂任务。
他特别区分“执行管理职责”与“人是否被淘汰”：中层岗位会减少，但人不一定被干掉，也可能回到一线，成为技能更深、杠杆更高的精英。
软件团队已经出现回摆。过去需求与系统规模扩大催生前端、后端、算法、测试等细分工种；AI 又让每个人横向能力变宽，重新接近张小龙独立写 Foxmail、邱伯军独立开发大型软件的全栈状态。
阮良用蜂巢描述这种结构：大量“工蜂”本身都很强，纵向专业仍深，横向能力则由 AI 补齐；未来真正稀缺的是 T 型人才的纵深。
15. AI 替代的是环节，不是创新、勇气与责任
阮良观察到，过去两年不少企业确实想直接用 AI 替人，也付诸行动；他的判断是：“本质上他们想错了。”AI 擅长末端任务执行，却不能完整替代人进入深水区、推动产品和组织演进。
一个优秀客服不只回答问题，还会发现产品共性缺陷、机会和风险。AI 可以接待、汇总和分析，但怎样组合资源、提出新方案并承担推进责任，仍需要人。
卫诗婕的反问值得保留：人的信念、判断和勇气往往来自早期繁琐劳动；当小白不再亲手做基础工作，未来还会不会有足够的“勇气含量”？
阮良对此并不悲观。他认为旧技术性工作消失后仍会出现新工作，年轻人依然会经历训练、积累认知并生成冒险精神；工业革命最终放大的应先是创造力，再由新需求带动更猛烈的生产力。
16. AI ROI 可以落到质量、时间与单位经济价值
网易采用的思路是：AI 任务价值等于输出质量相对人工质量的比例，乘以节省时间；若再乘公司单位时间的经济价值，就能转化为现金意义上的 ROI。
阮良用做咖啡解释：人工质量 8 分，AI 做到 7 分，则质量系数为 7/8；人工需 15 分钟、AI 只需 10 秒，剩余的 14 分 50 秒就是时间价值。
最优先交给 AI 的任务同时具备四个特征：耗时、高频、不得不做，而且不同学历或智力的员工最终产出大概率相同。这类任务最容易计算价值，也最适合快速决策。
他的落地原则是先用最强、最贵的模型验证能力和质量，再寻找更经济的模型固化流程；先建立“审美”和能力上限，过早省 Token 可能连可行性都无法证明。
17. Token 的高消耗可能是产能信号，而不是浪费证据
2026 年初，网易一个月的 Token 消耗可能就相当于前一年全年，但阮良仍不认为账单昂贵：公司原有人员成本和任务价值都高，程序员每月数千元人民币的 AI 开销相较产能提升很便宜。
非研发岗位也可能产生更高价值。To B 销售拜访客户前不再只写 PPT，而会制作可交互 HTML 和客户定制 Demo；HTML、Markdown 更易分发，也比 PPT 更适合进入 AI 知识库。
网易自 2024 年实行积分制，用有效代码量等方式换算工作价值。进入 AI 时代后，团队观察到 Token 消耗“断崖式领先”的人，往往正在给自己造系统，节省执行时间并增加思考时间，产出也同步领先。
阮良还提出，真正优秀的人并不会浪费 Token。对标准化长程任务，网易还会做任务选择器，把任务拆成子任务并自动适配既能完成、又相对经济的模型。
18. 多 Agent 决策需要竞争、冗余和最后的人类拍板
阮良几乎订阅了市面主要模型，包括 Claude、GPT、Grok、智谱、Kimi 和 DeepSeek，并为不同 Agent 配独立模型、取“诸葛亮”等名字；这套重装备只用于重大决策、制度和方案设计。
工作方式是先让各 Agent 独立出方案，再像红蓝军一样互相 PK，由一个中枢协调总结，最后仍由阮良拍板。代价是“贵了一点”，但他认为重要决策的增量价值远高于模型费用。
多实例也提供健壮性：早期 OpenCloud 不稳定，若六个子实例都依附同一入口，一次故障便全部失效；分散到六个 Agent 后，即使挂掉一半，仍有三个可用。
每个 Agent 的 Harness 不同，结果也不同。阮良把这种冗余类比为组织保留人才冗余、软件保证鲁棒性：“一定要保证它活着。”
19. 小公司更容易兑现 AI，大公司必须打碎旧流程
小公司通常由老板先用，确认有效后便能推到销售和设计团队；层级少、链条短、组织关系简单，所以认知和决心能迅速转化为行动。
大公司往往更早接触 AI，却未必更快释放整体价值。旧有社会化分工把人“螺丝钉化”，AI 即使提升单一环节，也无法自动删除部门之间的衔接和等待。
阮良以《大明王朝 1566》的“改稻为桑”作比：国策逻辑看似完整，落地却卷入粮食调配、基层生存和各级利益，“真正执行下去的时候，就是一锅粥”。
他的改革路径是选一个最愿意变化的小部门形成闭环，先取得小胜、广泛传播，再扩展同盟；即使范围小，也最好是“一把手工程”，老板必须亲自用 AI、躬身入局。
20. 最有冲击力的企业案例，是把灵感到生产的长链条大幅压缩
一家玩具公司的旧流程是：老板出差时看到新艺术符号，拍照带回，向设计解释，设计结合供应链出稿，再制模、打样、试销，发现机会到产品上市之间隔着漫长交接。
网易团队现场演示了另一条路径：AI 直接从方案做到原型设计，推进到 CAD 图，并模拟制造周期和可能的供应商，把原本分散的长链条大幅压缩。
这位老板随即叫设计、生产制造和 HR 负责人站到屏幕前：“好好看这个 AI 现在能干到什么程度。”阮良记住的不是 Demo 本身，而是传统行业老板第一次看见流程可被整体重写时的震惊与兴奋。
21. AI 原生组织需要人才标准、安全围栏和可进化的决策中枢
若从第一天搭组织，阮良首先要求形成“AI 的信仰”，再用网易更新后的人才观衡量人才：审美、标准、结构、判断、洞察和学习（自驱）能力，决定少数人能否指挥 Agent 做出真正好的产品。
企业级 Agent 还必须受控。Transformer 的概率性会带来不可控输出，网易的安全产品为 AIGC 内容设置围栏，也限制 Agent 的权限和动作，避免越权访问、误删数据等生产风险；大企业对此需求尤其强。
决策中枢的基础不是多装一个模型，而是保留“为什么这样决定”的历史。网易把决策结果及依据纳入知识库、生成 Agent/Skill，再回测数百个案例，判断准确率超过 90%。
阮良从桥水基金相关视频中得到的启发，是把人的最终修正重新反馈给 Agent，让系统持续学习而非冻结旧经验。AI 仍会犯错，人继续判断、决策和执行，但每次确认后的调整都成为下一轮能力：“人站在 AI 的肩膀上，以及 AI 站在自己的肩膀。”
Full transcript
当每个人都被AI武装起来，但是组织没有变快，就像我最喜欢的电视剧《大明王朝一五六六》一样，国策很好，改稻为桑。流程和组织，它仍然是这块木桶的一短板。实行管理职责的中层会越来越少，但是拥有强悍技能的精英人士应该会越来越多。你 token 如果消耗断崖式领先，你的工作质量、工作成果也大概率是断崖式领先。
hello 大家好，我是诗婕。八月底，一篇讨论 AI 普及率真相的文章在 X 上引发大量讨论。这篇文章的名字叫做《AI Adoption is a Myth》，中文意思是 AI 普及是个神话。文章指出，目前 AI 产品真正的鸿沟不在用不用，而在用的多好。事实上，企业中能够深度使用 AI 的只是一小撮人，而当下 AI 产品的设计也正在强化这一点。就在同一时间，我在杭州访谈了本期嘉宾，网易集团副总裁、网易智企 CEO 阮良。阮良二零零六年从浙大计算机毕业后加入网易，从一线代码晋升至管理层，历经互联网、移动互联网、AI 三次技术浪潮。这一波大模型浪潮中，他重新拾起代码，深度使用 AI 并在企业内推广。从业务角度思考，企业需要什么样的 AI？在这期节目中，他带来大量一线反共识的观察。比如网易内部统计发现，个人用 AI coding 效率提升了百分之三百甚至五百，但整个软件交付流程却只从二十天缩短到十七天。为什么 AI 看似武装了所有人，整个组织的运转速度却没有变快？建立 AI 决策中枢和执行闭环究竟还需要什么？阮良带来了他的答案和思考。
我们越来越清晰地看到，大模型这条路真的越来越扎实，越来越向某种意义上的 AGI 演进。我们真实地看到了这个趋势。
虽然我已经超过了 40 岁，但是现在依然像一个二十多岁、刚毕业的年轻人一样，天天充满好奇心，充满某种斗志，甚至充满某种理想。
第二波移动互联网浪潮来的时候，你多大？
我那个时候 30 出头。那时候没有现在这种感觉。说实话，那时没有现在这么兴奋，因为早年我作为一个工程师，主要沉浸在代码的世界里。那时候最大的快乐就是写代码，交付出一个软件，得到一个结果，然后让很多用户用到，这是最大的快乐。
那为什么没有现在这样的情绪？
一方面，可能是那时候积累还不够。移动互联网虽然突破了某种物理限制，因为可以移动了，最明显的变化是位置、LBS 和摄像头带来的创新。我们可以看到，类似抖音这样的互联网应用，都利用位置信息带来了新的创新。
但是现在看到 AI 带来的变化，或者说想象到它可能带来的变化，远胜于当时移动互联网的这些特性。它可以深入到所有人、所有场景，以及组织和公司的所有场景的毛细血管里，而不仅仅是几个核心技术，比如陀螺仪、位置、流量或者摄像头这样的变化。它甚至可以让 AI 越来越像一个人。
我觉得它背后的本质是，移动互联网时代其实是传感器的变化，带来了一些点状、连点成面的体验。现在当然也需要传感器，因为传感器就是数据的入口。
是。
但是由于 AI 对数据有了真正的理解能力，以及识别主动意愿的能力，甚至还有执行能力，所以我觉得它已经可以渗透到生活的方方面面，带来了几何级的想象。
1. 个性化教育成为可能
我举几个非常经典的场景，这在以前的技术时代是做不到的。第一个是教育。我之前听过一个节目，讲到其实最好的学习方式，几十年前教育学家就已经研究出来了，但是为什么做不到？因为成本太高。
为什么成本太高？因为最好的教育方式其实是定制化的一对一教育，完全根据你的阶段、你的情况和你的强度来适配。要对每个人都做这样的教育，过去完全做不到。
刘慈欣有一篇很著名的科幻小说，叫《乡村教师》。乡村教师去了一个地方，虽然能传授一波又一波的孩子，但他的范围还是很小。但是 AI 让这种最佳学习方式成为可能。
比如我们家小孩，或者我很多朋友，都会用 AI 给孩子生成符合他当前阶段的额外学习内容，也可以结合孩子感兴趣的东西，做成很有趣的内容，甚至做成一个游戏。
我印象中，我年少时代有一款街机游戏很简单，就是答题，答历史题、文学题，但它是固定模式。我以前作为软件工程师，接触到的所有软件也都是固定模式，无法实现个性化教育，但我依然很喜欢。
当 AI 来临之后，完全可以做到个性化教育和娱乐化教育。做一件事情最有效、最好的方式，是把它变成某种游戏化的方式。这样很多人都会获得反馈，尤其是频繁的正反馈，然后就能学进去。
以前做不到，或者没有人愿意花这么高昂的代价去做，但是如今的 AI 真有可能做到。即便你完全不懂编程，也可以用现在的 AI 做一款简单的 Web 应用，可能和教育、学习相关。
我去年还听到过一个案例。硅谷有一个工程师要考一个和会计或者税务相关的证书，据说这个证书在美国非常难考。他完全用 Claude 当自己的老师，扫描历年的考题和所有教材，然后给自己制定学习计划、出考题，一轮一轮地学习。据说只花了不到 2 个月，他就考出了这个证书，显示出 AI 在教育领域的威力。
仅从这一点，就可以看到 AI 在知识领域能够做到类似印刷术当年取得的成果。特别是在西方，印刷术最大的作用之一，其实是把教士解释《圣经》的权利平权化了。
当年所有《圣经》都要靠教士手抄，成本非常高，而且解释权全在教士手里。这和我们如今的教育其实非常像。现在因为有了 AI，大家都可以获得完全适合自己的、无穷无尽的知识，获得平权知识的能力。
在很多其他领域也是一样。比如一个原来完全不懂编程的人，都可以靠现在的 Vibe Coding，按照自己的想法和流程，做一款定制化的应用程序，提升自己的工作效率或者幸福感，非常有意思。
你是软件架构师。你从什么时候开始使用 Web Coding？自己用上 AI Coding 工具之后，应该会更多地从业务角度去思考，AI 到底如何赋能组织。这个思考过程是什么样的？
2. Web Coding重建CEO系统
这里有几个很典型的脉络，或者说心路历程。首先从我自己的经历讲起。我从浙大计算机系毕业，第一份工作就是写代码，做软件工程师。我大概写了七八年代码，之后逐渐脱离一线写代码的工作，开始带团队，负责产品、业务，甚至负责公司。
中间大概有将近 10 年的时间，我没有写代码，没有写过任何一行代码。所以当时我已经认为自己不会写代码了，因为编程语言的进步很快，而且我已经没有那么多时间和精力去学习。
但是 AI 来了之后，我首先被身边的一个朋友刺激了一下。一开始 GPT-3.5 诞生以来，网易整个集团其实都从上到下意识到 AI 特别重要，尤其是丁磊总要求所有高管从高管开始，积极拥抱 AI。
我一开始拥抱 AI，更多是用 GPT 做情报分析、调研，那时候还叫 Chatbot。Vibe Coding 还没有出现。但是突然有一天，我身边有一个朋友，他早年也是程序员，后来转行做投资人。他跟我说，他用科室写了几万行的代码，超过了他当年五年程序员写代码的总和。
我听说他也有十几年没写代码，就想，原来如此。那一刻突然打开了我的思路。我们以前有个说法叫“软件定义世界”，其实很多工作如果用软件来做，效率会非常高。
那时候 Web coding 已经进入了真正可用的阶段，于是我也开始用 Claude Code 打造自己的 CEO 系统。
CEO 有很多繁杂的事情，学过管理的人都知道，做好管理最重要的是抓大放小、抓重点。但是只要你是管理者，就很难做到抓大放小。因为有无数琐事围绕着你，经常需要你做决策、寻求帮助，或者请求你调配资源。
当 AI 来了，特别是 Web of Coding 达到了一个新的阶段之后，我突然发现，如果用 Web of Coding 打造专属于我自己的一些工具链，就可以把那些繁杂的小事用很短的时间处理掉。
举个最简单的例子，比如审批。你的业务越大，需要审批的东西就越多，因为你得一个一个地批。作为 CEO，虽然前面已经层层审批，整个流程里我可能是最后一环，但如果要真正做好审批，其实也很难。前置有很多上下文我没有，或者我没有时间去理解。
如果数量又大，那就是一件很痛苦、很费时间的事。所以我自己打造的 CEO 系统，第一件事情就是搞定审批。
我把审批分成了 3 类。有一类审批数量最多，但几乎不需要我做太多纠结，也几乎没有审核风险。这些审批可能来自邮件、OA，或者某个信息化系统。
以前我要打开不同的系统去点击。打造自己的 CEO 系统之后，我处理的第一件事，就是把这类审批放到我的 Agent 里，全部自动化地批掉。
还有两类审批，本质上需要我花点功夫，甚至需要追问。这类审批我会做汇总。最高级别的审批，则需要我非常严格地审核。
我会让 AI 做两件事情。第一，当然是把它们集中到一个工作面板上，一目了然，不需要打开三五个系统去做这件事。第二，我会让 Agent 溯源，把前置的一些信息抓过来。如果没有，AI 会帮我找出来；如果还缺信息，就提示对方先补充理由。
这类 AI 帮我完成的审批聚合和审批辅助，其实节省了我的机会成本，也节省了整个公司的机会成本。让 AI 帮我找关联性，远比人脑好用。
人的大脑完全受制于自己的脑容量、精力和状态，所谓的上下文是有限的。但 AI 可以帮我延展。因为 CEO 或管理层有一个重要职责，不仅仅是单链条地解决一件事情，而是要在多个网状结构中发现机会和风险。
所以 AI 帮我节省了大量时间，幸福感也提升了很多。至少我能感受到，包括我观察到身边的同事和朋友，AI 带来的作用有两重。
第一重作用一定是节省时间，大幅提升效率，节约机会成本。第二个作用是提升幸福感。我有了更多时间，哪怕只是放空、休息一下，也一定会带来下一个工作质量的提升。
所以我跟所有同事都说，大家不要担心 AI 把我们的事情都做了之后，我们该干什么。我说，哪怕 AI 帮大家解决问题、节省时间之后，大家也不一定要马上投入下一个工作。你完全可以刷个短剧、看会儿风景、喝杯咖啡，或者和人聊一聊，放空一下。
人类其实是一个能量转换效率没有那么高的系统，需要大量休息，也需要摄入能量，才能进入一个好的状态。有时候状态的好坏，甚至超过智商的高低。
这对个人帮助巨大，也就意味着一定会对组织和公司产生巨大帮助。尤其 Babakodi 做成成型的产品，让 Agent 跑在里面之后，带来的一定是复利效应。我不需要再去 Chat，同样的话都可以自动化地帮我抓取很多信息。
这也是为什么我们觉得，AI 进入 Agent 时代之后，远比 Chat 模式更胜一筹。
网易智企之前做 To B 业务，简单理解就是用各种数字化解决方案赋能企业。但 AI 来了之后，肯定完全改变了这件事。现在美国都在说 SaaS 已死，AI 的到来对于 To B 的冲击到底是什么样的？
3. 企业AI卡在组织流程
这是一个很经典的问题。前两年我们确实认真思考过，也经历了一个完整过程。
GPT-3.5 横空出世时，我们会想，居然有这么聪明的 AI，像人一样可以回答问题。GPT-4 发布之后，它具备了思维链，对我们的主观冲击非常大。
我们有一款智能客服产品，早年的智能客服相对比较机械。但是 GPT-4 发布之后，我们发现大模型已经到了这个地步，更像一个人类。那是不是这门生意就不成立了？是不是很多客户可以直接使用 GPT，打造自己的专属客服系统，不需要再买我们的一套软件？
当时我们觉得，这个生意可能要没了。但是光害怕也没有用，还是要积极拥抱它。拥抱之后就发现，首先我们想多了。真正要让大模型或者新的 AI 技术发挥作用，光有大模型完全不够，还需要大量调教，包括和公司业务本身结合。
更重要的一点，是个人用 AI 和组织用 AI 的核心区别。个人使用 AI，通常都是短程任务，上下文不需要特别大，任务闭环比较小。
但是公司首先是一群人在用，而且这群人可能是协作关系，而不是平等关系。第二，公司用 AI 通常都是长程任务、长链条任务，不是短程的端到端任务。
比如可能要从客户收到信息，再传到产品部门，甚至供应链部门去解决问题，这是一个非常长的链条。一旦 AI 进入这个长链条，它不是失效了，而是发挥的作用没有想象中那么大。
最典型的例子就是 Coding。大家都知道，AI 现在最有效的落地场景是 Coding，尤其是 vivo coding。网易又是一家软件公司，我们做游戏、音乐，也做 To B，以往做的都是 SaaS 软件。
去年我们做过一个统计。因为网易自己的数字化做得比较好，一个软件需求从诞生开始，也就是产品经理接到需求、做成产品设计稿，到软件功能上线，平均周期大概是 20 个工作日。
去年下半年开始，AI Coding 过了一个拐点，特别是以 Claude 为代表的工具，已经真正变成了生产力。我们的很多程序员、工程师，个人使用 AI Coding，已经能够翻倍，甚至 3 倍、5 倍地提升效率。
原来做前端的，现在后端也可以做；原来做后端的，也不需要依赖前端。我们有很多优秀工程师，利用 AI Coding 让自己的效率提升到 3 到 5 倍，甚至 10 倍。
但是当很多工程师都这么用之后，我们继续做统计，发现整个流程下来，同样复杂度的软件功能，从产品需求开始到上线，只从 20 天缩短到了 17 天。
我们一开始觉得不可思议。因为从个人角度看，个人效率至少提升了将近 50%，甚至个人能提升 300%、500%，为什么整体只缩短了 3 天？
后来我们经过内部详细调研和论证，发现一个组织、一个团队完成复杂任务时，真的像一个木桶一样，取决于短板，完全印证了木桶短板效应。
比如 20 片木板，其中 10 片是工程师写代码，3 片是产品经理，3 片是测试人员，还有 2 片、3 片属于其他环节。工程师的木板迅速升高，产品经理也提效了，因为用 AI 写 PRD、设计稿、画原型图，比以前快很多，效率提升了大约 50%。
但中间有一些木板不是人，而是流程，它完全没有提升，或者只提升了一点点，所以这个木桶还是只能盛这么多水，整体可能只提升了 20%。
所以后来我们发现，AI 要真正落地到企业内部、产生大的效用，要迈过 3 个坎。
第一个坎，企业首先要认识到 AI 的确能够大幅提升生产效率，这是观念和文化上的改变。第二个坎，一定要落到个人身上，先让个人在短程任务上体会到 AI 的效用，比如写代码、画原型图、写测试用例，真正实现提效。
第三个，也是最难越过的坎，是改造流程和组织。
对。一旦改造流程，就势必要改造组织。
所以今年，特别是今年上半年，我们做了大量组织范围内的 AI Native 尝试，才真正把组织层面的效率提上去。
也就是说，木桶还是那个木桶，但你会发现，有些木板其实不需要了，可以直接抽走；那些短的木板不需要，可以直接抽走，甚至更极端一点，应该换一块木头。
所以，当每个人都被 AI 武装起来，但组织没有变快，原因其实是流程和组织仍然是这块木桶里的短板。
4. AI重做企业周会
我再举一个非常现实的案例。我们最近做了一个组织变革尝试，经常拿这个案例问身边开公司的朋友：你们公司还开不开周会？
99% 的人都会说开周会，因为周会是一种非常好的管理手段。接着我会问，你们开周会的主要目的是什么？
通常不会离开 3 个目的：第一，同步信息；第二，同步信息之后发现问题或机会；第三，做决策，可能是针对当场的问题和机会做决策，也可能是针对上周遗留的问题和机会做决策。
然后我会问，你们周会开多久？短的半个小时，长的可能 3 个小时。接着我会问，为了开这个周会，还会额外花多少时间？
这些问题都是我们自己的亲身经历。以前我们每周开大约 2.5 个小时的周会，就是做这 3 件事：同步信息、发现问题或机会、解决问题和做决策。
看上去只花了 2.5 个小时，但为了开这个周会，花费的时间可能是 2.5 个小时的 10 倍。因为很多部门都要为周会准备材料，而且不是部门负责人准备就可以了，Leader 还要让下面的同事一层层准备材料。
第二，开会过程中信息的输入其实不充分。常规流程是每个部门讲上一周的重大事项、重大进展或问题。但你在讲的过程中，不是所有人都全程专心听。如果和某个人没有太大关系，他可能就不听，可很有可能其中某一句和他有关，他就漏掉了。
所以传统周会连同步信息都没有做好，更不要说发现问题了。信息过于冗杂，反而会分散注意力。除了总经理必须全神贯注，总经理毕竟也是人，也会走神。一个 2.5 小时的会议，不可能每一秒都专注，那是神仙。
同步信息做得不完美，第一个结果是浪费大量时间，第二个结果是同步信息的目的没有很好达到。那发现问题和发现机会就完成得更不好。
后来我们发现，周会至少有一半以上的时间被浪费了。于是我们做了改革。最终要达到的还是 3 个目的：同步信息、发现问题和机会、解决问题和做决策。
AI 可以很好地完成第一件事，也就是同步信息。我们先由总经理和管理层约定好，希望在周会上得到什么样的信息。所有人按照模板填写，填写之后存放到我们自己的知识库或者文档目录中，由 AI 扫描所有相关的会前信息，再根据管理层希望看到的信息做整合。
整合出来的信息一定是经过提炼和聚焦的，首先是精炼的，其次是管理层真正想看到的，第三是能够发现关联信息。你即使走神了也没关系，只要看那份报告就行了。
这份报告用网页，也就是 HTML 的形式呈现，是互动的，可以留言，也可以追问。第二件事是发现问题和机会。AI Agent 会事先列出可能的问题和机会，再由人脑确认和补充。
这两件事都比以前完成得更高质量。至于解决问题和做决策，我们就不开周会了，改成专项会议。现在智企其他部门也开始学习这个模式，不再开周会。
这对我们来说，是 AI 在组织内部落地非常有用的一件事。
我想补充一个例子。我曾经在字节工作过，字节应该是全球组织效率特别高的公司。你刚才提到，字节在 AI 之前就有一个组织规定：所有会议前必须有信息输入，不能大家脑袋空空、文档空空地来开会，必须把自己的思考，以及这个会到底要做什么，列成文档并共享，会前充分达成共识，这样才能提升会议效率。
我们先不说这件事的执行和渗透度有多高，但它确实是组织的成文规定。所以现在也能看到，AI 到来之后，字节内部使用 AI 非常顺。它本身就是一个非常完善的组织，加上 AI 能力之后，就可以释放 AI 的价值。
但你刚才讲的案例中，组织用 AI 的过程，反而暴露了一些过去长期被组织视而不见的问题。
我们在 2020 年的时候，曾经使用过大概一年半的飞书。当时最喜欢它的两点，一个是产品体验非常好，但最关键的其实是飞书文档。
2020 年因为疫情，很多时候不得不异地办公或者居家办公，飞书和飞书文档就成为所有工作协同的重要载体。我们当时也非常喜欢飞阅会，它其实脱胎于亚马逊“一页纸”的会议方式，就是开会之前必须把事情写清楚，而且不能写太多。
当时我们很享受会前准备得特别充分。大家可以在飞书文档上互相提问，提问之后，会上不需要再念文档，只要针对评论讨论就可以了。
但是后来我们发现了一个问题，就是信息过载。因为飞书文档太好用，大家都特别喜欢写文档，文档越写越多，越写越长。
这就是我刚才没有讲的后半部分。至少从我的观察来看，随着字节作为一个组织越来越壮大，人数越来越多、越来越复杂，原来透明高效的组织文化，在实践中也会受到挑战。
是，你说的是这个意思。
可以这么说。确实会碰到某种信息过载，当然也包括信息爆炸。
后来因为一些其他原因，我们切回了内部的协同办公系统，用得最多的也确实是文档类产品。AI 时代到来之后，它在文档基础之上，更加极致、更快地释放了时间。
当然，AI 现在也有一些负面作用，也会造成信息过载。现在 AI 让人养成了一种可能不太好的习惯：看到一篇文章，第一反应就是让 AI 帮我总结。
我也观察到一个现象。比如看微信公众号，一篇文章下面有很多评论，包括抖音的评论，大家会艾特元宝，让它总结一下。这个习惯其实特别不好。当然，现在文章确实越来越长，也容易造成思维惰性。
我们很多工作，包括我自己，的确已经离不开 AI。曾经有一段时间我们用 Claude，比如说 Cloud 分账号，就发现天塌了，没法工作。
相当于把你的拐杖撤走了。
对，但这是人的问题，我们待会儿再聊。我想先回到 AI To SaaS 这个话题，回到你最初问我的问题：SaaS 是不是已死？它是不是未来更有机会和 AI 原生地结合？
5. SaaS将成为企业基础设施
我不觉得 SaaS 已死，主要有两个观点。
大家都知道 SaaS 是 Software as a Service，本质其实是 Service，而 Service 始终存在。它可能换了一种形式，不一定还是 Software。现在大家可能说 AI as a Service，或者 Agent as a Service，但 AI 和 Agent 本身也是某种软件，这是比较表层的含义。
第二，一些普通 SaaS 可能真的会死，但真正好的 SaaS 产品，如果已经进入很多企业内部的关键流程，不仅不会死，反而会越来越好。为什么？因为它会成为企业内部的基础设施。
AI 到来之后，对这些基础设施的调用可能比以前迅猛得多。以前所有人使用软件和技术，都是人在使用。只要是人在使用，就一定会受到时间、精力和上下文的限制，这些都是有限的。
但是未来，大量调用基础设施和服务的，一定是 Agent。比如数据库、API、安全 API、审核 API、人力资源 API 或 CRM API。未来可能会有大量 Agent，数量远超人类，动作也远超人类，去调用这些 Service。
所以调用量会大幅提升。随着调用越来越深入，原来 Service 的价值会越来越牢固。当然，前提是这个 Service 本身在企业内部是比较关键的 Service。
真正好的、核心的 SaaS 只会越来越好，被调用的次数也会越来越多。所以对于你一直执掌的业务来说，就是要思考如何用新的 AI 能力重构这个 Service。
那你觉得，一个企业要真正用好、用上 AI，所需要的底层基础设施和 Service 到底是什么样的？
还是以智能客服这个产品为例。如果借用第一性原理来拆解，其实很简单，无非是一个知识库，加上一个 AI，去解决消费者或顾客的问题。
其中最核心的可能是知识库。这个知识库首先不是公共知识库，不是互联网上的公共知识库。如果只是使用通用大模型，就解决不了真正高质量的服务。
第二，如果已经进入企业的核心流程，比如客服系统，它已经沉淀了企业内部几类核心知识：一类是商品知识，第二类是消费者画像，第三类是内部生产流程和问题解决流程。
如果这些知识沉淀在知识库里，未来 AI 越强，这个知识库被调用的次数就越多，最终效率和体验的提升也会越好。
所以 AI 是给知识库这样的场景插上了一双翅膀。真正重要的核心可能有两块：一个是知识库，第二个是对企业内部信息化系统和流程的各种调用与编排。
这就是企业真正的核心知识，或者说核心燃料。当然也包括 CRM，比如 Salesforce，以及北美和中国比较好的 SaaS 产品。我认为它们未来在 AI 加持下会越来越强。
过去对于这些专家知识库的调用和编排，是掌握在人手里，还是掌握在已经编好的软件手里？
6. 企业能力蒸馏成技能
应该说，先是掌握在人手里，后来变成软件。现在这个时代，它会被 AI 蒸馏成某种新的东西，我们叫 Agent，本质上也是软件和 skills。
现在“蒸馏”这个词比较火。当然我们不是指大模型蒸馏，而是把人的能力蒸馏出来，蒸馏成一种 skill。把技能蒸馏出来，其实非常有用。
我们讲销售场景，很多老板都会头疼两件事。第一，自家公司的销售团队不够强，销冠只有一个，其他销售都比较平庸。第二个问题正好相反：销冠太强了，他跑了怎么办？
以前对此没有任何办法。现在顶级销冠会被关注，希望把他的能力蒸馏给 AI。
我们自己也在做这件事，会把优秀销售的各种动作，包括话术和行为，蒸馏或者萃取成某种技能。这种技能有两种作用。
第一，分发给其他销售，直接使用。第二，把销冠或者精英销售变成某种老师，去训练普通销售。
客服和销售都是流动性比较大的行业。新员工入职之后，通常会培训公司、团队、产品和核心客群，但这只是基础。就像我们从小到大学习一样，真正重要的其实是刷题。题刷得多，才会成为高手，也就是训练。
在没有 AI 的时代，要做到很好的训练，除非靠师傅带徒弟，而且要取决于两个条件：一个是师傅足够有耐心、愿意付出，第二个是徒弟足够努力，再加上组织文化。
但中国有句古话叫“带出徒弟饿死师傅”，所以你让师傅倾心尽力地教，也不太可能。
AI 蒸馏的难道不是销冠吗？
在培训这件事上，AI 要蒸馏的其实不是销冠。培训真正要蒸馏的是客户，因为销售要打交道的一定是客户，而不是内部。
我们会蒸馏所有销售曾经接触过的各种客户交互，可能是电话、在线微信、企业微信，或者书面邮件，也就是所有过往留下的数据。
AI 可以模拟各种各样的客户来训练你，包括刁难你的客户、对你印象比较好的客户，以及各种不同类型的客户。这样可以训练销售达到更好的水平。
不光是培训，因为现在大量销售工作也是在线完成的。当客户在线上微信，甚至电话里抛出问题或展开对话时，AI 系统也可以辅助销售。
人的大脑记不住那么多东西。别说客户应对了，连产品知识很多人都不一定记得全。这时候 AI 就能发挥很好的培训和辅助作用。
这样就是多方得益：公司得益，让销售队伍的能力提升；普通销售也得益，让自己的能力提升。我们蒸馏的不只是销售团队，也可能是整个公司的经营团队，比如管理层的决策方法。
我想做一个界定。你刚才所说的所有“蒸馏”，指的是企业过往业务留存下来的存量数字化数据。把这些数据喂给模型之后，蒸馏出一些全公司共享，或者在某些权限内共享的 skills。
我好奇的是，有没有去蒸馏人的行为？
有。针对人的行为，很多时候有两大类。
第一类，是业绩好的销售身上某些可以聚类的动作。举个很小的例子，通过分析我们会发现，有些业绩很好的销售在客户拜访之后会做某一类动作，这些动作会缩短成交周期或者提升成交概率。
我们发现这类动作比较有用，就会把它们统计、分析出来，变成某种销售团队指引。
第二类是某种说话方式。不是死板的产品介绍，而是销售在应对竞品挑战时使用的某种解释或描述。我们一般提取这两类，不需要提取很多。
这些数据怎么得来？
我们分两类销售。一类叫电话销售或者线上销售，他们通过电话或在线方式和客户沟通，这些沟通是纯数字化的，都是 on record。
还有一类是线下销售，我们叫 KA 销售。对于这类销售，我们会建议，甚至要求给他配发类似于 DingTalk 这样的录音卡。
不是让他在客户现场录音，而是拜访完客户之后，趁记忆比较新鲜，录一段 2 到 3 分钟的口述。对他自己复盘客户，或者形成未来的客户策略，也有帮助，所以很多销售愿意做。
这还解决了一个问题：天底下所有销售都不喜欢使用 CRM，因为他们认为 CRM 是用来管他们的。但是很多销售并不介意使用录音卡，因为一方面它能帮助组织蒸馏一些能力，另一方面也能帮助他自己复盘客户、抓住下一次成交机会。
最近我听一些大厂朋友聊这个事情。现在很多企业都有明文要求，或者出现这样的趋势：希望公司内所有业务场景下发生的对话都是 on record，并且这些数据可以回传到公司的 AI 服务器。
前段时间李开复老师出了一本新书，我不知道你有没有留意，专门讲企业和组织如果要用生成式 AI，可以做哪些事情。其中有一部分非常有意思：每个老板都需要一个老板 AI。
老板获得的信息其实是整个公司里最少的，因为他得到的信息是层层筛选之后的，但他做正确决策、高价值决策，又需要更广泛的信息。所以书里讲到 AI 如何为老板搜寻更广泛的信息。
现在很多公司的做法，是希望所有公司会议和业务场景下发生的对话全部 on record，所有语料都被 AI 分析和筛选，再提供给决策者和管理者。
但从员工个体角度看，可能会有一种对抗心理。这种 AI 与人性、与组织之间的对抗，你怎么看？
7. 老板需要真实信息
我非常认可开复老师的观点。CEO 有时候确实挺可怜，因为收到的信息都是层层包装、层层削减过的。
我先从 CEO 的角度谈这件事。我们公司确实也是这么做的。我会要求会议哪怕在线下开，也必须配录音卡，或者主动开启一场线上会议，让它自动录下来，尽可能保留会议的原始资料。
所以我认为这件事非常值得做。第二，这也是我一开始打造专属 CEO AI 系统的核心原因。
老板必须深度使用 AI，应该亲自去做一些Viva coding，或者至少深度使用好的 Agent 和 AI 产品，让自己知道 AI 能达到的边界和能力范围，才可以做出更好的 AI 决策，判断自己的公司和组织能不能使用这样的 AI。
当然，刚才也谈到，很多普通员工会抵触。无论是销冠还是能力越强的人，越可能在某种程度上抵触。他们可能接受个人使用，但不希望数据回传到公司，不希望自己的能力被蒸馏。
首先，我们不会强求，因为应该顺应人性。第二，我们会更关注某一类信息，这类信息不是员工产生的，而是客户产生的。
过去因为给客户提供客服产品，我们创新过一类产品，叫 Voice of Customer，也就是客户之声。这些都是客户真实的声音，可以汇总给产品研发部门，让他们看到客户真实发生的声音，来改进我们的产品。
CEO 也是一样。CEO 可以把更多精力放在客户身上。至少有一部分客户的真实声音一定能够被捕捉到：有些人主动愿意提供，有些本身就是在线上数字化产生的，这些数据已经足够好。
关注客户、关注市场，可能远比关注组织和员工在做什么更重要。作为公司和 CEO，最应该关注的一定是市场和客户。如果这两件事做不好，组织效率再高也没有用，方向必须锚定在客户和市场上，或者一定程度上锚定在竞争对手那里。
所以，只要公司明确要更多关注和采集客户、市场的声音，抵触情绪就会少很多。即便不强制，也会有一部分人主动做，还有一部分信息天然在线上产生。这些信息已经足够好、足够多，足以挖掘出更多价值。
对，有时候也没必要强求所有人必须这样做，强求反而会激发逆反。
我想提一个稍微更深刻的问题。我过去做的是关于人的报道，所以会更关注人。我观察到，至少在当前 AI 疯狂发展的周期里，企业普遍更重视 AI，而不是更重视人。
但我的直觉是，人最终才是企业所有创造力和生命力的本源。所以我想问一个更深的问题：从雇佣关系上讲，企业支付的是员工的工作时间，以及工作产生的具体价值。
但打工人逐层晋升，最终希望获得的溢价，其实来自个人过去的知识库和沉淀下来的经验。现在很多企业在我看来有些贪婪，想在不支付溢价的前提下，把员工赖以产生溢价的本质拿走，复制给其他人，却没有付出相应成本补偿给这个人。
这在我看来有一点不公平。
我觉得未来可能会发生一定改变。就像你说的，企业支付的是你的工作能力、经验、资历或者结果。
但在 AI 时代，越是精英的人，他的能力和资源就越会被放大。所以他去加入一家新公司时，我认为未来可能出现这样一种面试或入职谈判场景。
比如我去网易面试，当然要谈基本履历、学历和工作经验，但未来还可以谈一个条件：我不是一个人，我带了一个团队。这个团队不是真的团队，而是我过去所有经验和技能的总结。我带了一个 AI 团队，带着一个军团过来。
企业需要支付的某种溢价，可能是某种 OPC AI 组织。现在我们看到，很多高端人才本身溢价就很高。未来本质上也是一样：AI 时代的高端人才，可能是一个小军团在作战，而不只是一个人，所以会获得高昂的溢价。
很有意思。李开复老师那本书里也有一章讲未来的组织形态。过去可能有很多部门和层级，接下来可能是一个 CEO 对几个关键决策者，而每个决策者背后其实是一组 AI。
8. 中层将越来越少
我们现在也在逐渐往这种形态迈进。至少在企业内部一定会发生一件事：中层会越来越少。
组织会越来越类似于某种阿米巴化，可能都是小的 OPC，类似特种部队和精英部队，但有强大的 AI 或组织中台能力为它们赋能。
两三个人或者三四个人组成一个小军团，带着一大堆 Agent，再加上公司资源，就可以搞定很多事情。我们现在已经逐渐看到这样的苗头。
我替那些越来越少的中层问一句：那些被淘汰的中层该怎么办？
我刚才说中层越来越少，不一定是被干掉，也可能是去做一线工作，在一线带着一堆 Agent。
我的意思是，执行管理职责的中层会越来越少，但是拥有强悍技能的精英人士应该会越来越多。
举个例子，我们的工程师团队，原来的社会化分工会因为专业化而分得越来越细，这是过去的趋势。在软件研发领域，细分出了很多岗位，比如前端工程师、后端工程师、算法工程师和测试工程师。
但最近半年我们明显发生了一个变化，就是又变回全栈。全栈在过去其实很普遍，最典型就是张小龙当年一个人写出了一个Foxmail，当早年的软件包括最早的古早的那个邱伯军，对吧？他一个人写了那么大一个软件，对吧？那后有张小龙，对吧？
后来软件规模越来越大，用户需求越来越多，社会化分工就把软件开发职责划分得越来越细，有架构师、前端工程师、后端工程师和测试工程师。
但在 AI 时代，这些能力又开始融合。我们看到越来越多的人变成真正的 T 型人才，成为全栈工程师。
所以回应刚才的问题，虽然我判断我们公司未来中层职位会越来越少，但一线精英会越来越多。一线精英的纵深能力更强，可以扎得更深。
因为未来横向能力大家都可以拥有。
是。所以未来组织会越来越像蜂巢结构，可能有无数工蜂，但这些工蜂都很厉害。一个母蜂指挥一些工蜂，有无数个小分队去打一场胜仗。
我觉得未来组织形态会逐渐走向这个方向，大家也不用担心。至少我们现在依然坚定地认为，AI 只是替代某些工作环节，不是替代人，它替代的是工作环节。
你观察到的整个行业里，想用 AI 替代人的企业多吗？
9. AI替代工作而非人
过去两年我观察到，很多企业都是这么想的，也这么做了。但我认为，本质上他们想错了。
企业降本增效，是企业很容易、也很天然会想到的事情。AI 确实能很好地完成很多末端任务，但它无法真正替代人。
哪怕是一个客服，一个真正优秀的客服，远远不只是回答客户问题这么简单。真正好的客服不仅要完成接待，还要发现产品的问题。
AI 能替代的是让接待客户这项工作做得更顺利、更快，同时帮助人总结和分析今天遇到的客户是否存在共性问题，以及其中可能存在的机会和风险。
但 AI 不能替代的是，人最终仍然要用某种创新方式，或者组合方式，进入深水区，推动组织、产品和同伴更好地完成下一个阶段的进化。
所以 AI 应该释放人的生产力和创造力，让需求更猛烈地爆发，让创新更猛烈地爆发。人最重要、区别于动物的地方，其实是勇气、创意、创新和好奇心。
每一次工业革命，在一段时间内都会带来大量工作被替代，但我们事后都会发现，它释放了人类社会更大的生产力和创造力。
首先应该被放大的是创造力，因为创造力会产生大量需求，大量需求又会产生更猛烈的生产力，然后把整个人类社会的物质条件和精神条件推向新的高度。
我最近在思考一个悖论。你刚才也提到，勇气是人相较于 AI，目前所拥有的增量。
但我觉得，勇气某种程度上来源于信念和判断。信念和判断在一个人的成长过程中，又来自很多繁琐的基础工作：从一个小白逐渐成长为相对资深的人，在这个过程中，你通过劳动获得认知、判断力和信念，最终组成面对一件事时的决策勇气。
如果未来所有人都不再亲自做基础工作，这些工作都可以由 AI 代劳，我会怀疑，未来人的勇气含量还会不会那么高？
我倒不担心这一点。当 AI 替代掉很多技术性工作时，一定会有新的技术性工作诞生。
刚毕业的年轻人依然可以承担新出现的技术性工作，进入一个崭新的技术领域，继续进行脑力训练，产生积累，提升认知，产生新的勇气、新的冒险精神和新的好奇心。
所以我不担心这类事情发生。
现在衡量 AI 进入一个组织之后真正产生的价值，有没有可以量化的标准？比如你刚才提到的流程压缩和优化。
10. AI价值需要量化
我们有一个公式。AI 一定会有成本，最简单的成本就是 Token。这个公式参考了一篇论文。
AI 的价值怎么算？比如原来人类完成一个任务，做一杯咖啡，咖啡质量在 10 分制下是 8 分。那么现在用 AI 做这杯咖啡，如果质量也是 8 分，说明质量和人类一样；如果是 7 分，就是原来 8 分的 7/8。
AI 执行这个任务的价值，还要乘以它节省的时间。原来人类做一杯咖啡可能要 20 分钟或者 15 分钟，现在 AI 可能只需要不到 1 分钟，甚至 10 秒，那么它节省的时间可能就是 14 分 50 秒。
质量乘以节省的时间，就是 AI 完成这个任务带来的价值。如果再乘以一个系数，也就是公司单位时间的经济价值，可能是现金对应的价值，就能算出 AI 执行这个任务带来的 ROI。
所以第一步，要找到很花时间的事情。第二，频率比较高。第三，不得不做。第四，虽然同事 A 和同事 B 的学历、智商可能不一样，但最终做出来的结果大概率一样。
优先把这类事情找出来，让 AI 去替代。AI 一旦完成，你就能算出一笔账：用 AI 做这件事，获得的价值是多少，然后马上判断要不要用 AI。
对于个人和组织都一样，都可以用类似算法评判哪些事情应该交给 AI，怎么做。
某种意义上，应该用最贵的 AI 去做。你可以用Cloud呃Fable五或者用GPT五五点六，当然GPT五点六现在比较便宜。
这个理念和当年丁磊总给我们用 iPhone 4 一样，要让我们优先体会到世界上当前最好的产品是什么样的。这样你才知道审美在哪里，知道那个“妙”在哪里。
如果最好的 AI 能做到，证明这个流程可以被固化下来，之后再想办法用相对便宜、更经济的 AI 去做。但一定要先用最好的 AI 证明这件事能够被解决。
而且只要现在最贵的 AI 能搞定，未来不出 2 个月，便宜的 AI 一定也能做到。中国模型的进步，一定会把成本做下来。
具体到经济核算，这件事又非常复杂。我最近发现大家都有一个变化：一开始说企业一定要拥抱 AI，尽可能给员工发 Token，让大家去做；后来发现成本太高，因为一不小心用超了，账单可能非常恐怖。
后来企业可能会做一些界定，但这又涉及分配问题：Token 到底应该怎么分配？你们弄好了吗？一开始你们也是不限量 Token 吗？经历过天价账单吗？
高价账单对我们来说不算天价，主要有两个原因，所以我们几乎没有遇到所谓的天价账单。
今年 2026 年 1 月，整个网易集团一个月消耗的 Token，可能就相当于去年全年的消耗量，但我们依然不觉得这是天价。
第一，核心是它真实发挥了价值。网易的业务比较挣钱，所以 AI 发挥的价值特别大。第二，网易一直以来的人才结构比较高端，人的成本本来就高，相对于 AI 账单来说，就没有那么天价。
也就是说，以前网易员工执行的很多任务，本来就是高价值任务。只不过过去一些低价值任务也由软件完成，所以我们没有碰到所谓的天价账单。
举个例子，网易程序员的成本其实比较高。现在每位程序员每个月消耗在 AI 上的费用可能也就几千元人民币。对于公司来说，这非常便宜，因为这位程序员的产能确实大幅提升了。
非程序员的情况也是一样，我们依然觉得不贵。AI 帮他们完成的一些任务，带来的价值可能比程序员还高。
比如 To B 业务有一个典型场景：销售拜访客户之前，要准备客户资料和演示材料。以前都是写 PPT，现在基本不写 PPT 了。
我们现在会做两件事。第一，使用 HTML；第二，直接做一个针对客户定制的 Demo。这样客户在现场看到的效果非常好。
不用 PPT 而用 HTML，是因为互动性更强。第一，互动性确实更强；第二，分发更方便；第三，对 AI 更友好，因为 HTML 会进入 AI 知识库，AI 读取 Markdown 和 HTML，远胜于读取 PPT。
现在使用的语料，都必须是 AI 第一时间就能消化的语料，要么是 HTML，要么是 Markdown。
现在大家都在说，2026 年是 Agent 的商业元年。去年 Coding 能力有飞跃提升，可能是 AI 能力的涌现之年。那今年 2026 年，是 AI 兑现价值的一年吗？
应该这么说，AI 的价值兑现，Coding 这一侧已经完成了。今年应该是非 Coding 领域开始兑现价值。
怎么理解非 Coding 领域？
我们可以看到，越来越多的人开始使用 OpenCloud。年初的时候已经有很多人在用，从六七月份开始，腾讯的Workday使用的人员来多。当然这里面也有营销因素，但这说明大家确实觉得 AI 能帮自己完成平常那些不得不做的工作，而且能大幅提效。
这意味着 AI 走出了程序员群体。以前很多工作没有合适的软件，是因为过去的软件没有泛化能力。让它做财务记账，它只能做财务记账；让它写程序，它只能写程序；让它做设计稿，它只能做设计稿。
软件专用，意味着只要市场规模不够大，就不会有供给。没有供给，普通人当然享受不到软件带来的便利，很多琐碎工作也无法被软件服务。
但 AI 打破了这一点。大模型的泛化能力，加上 Coding 能力，让现在的 Agent 有了很好的泛化能力。
这也是为什么 OpenCloud 在今年内说说那么的火爆。大家发现，通过手机可以操控电脑，做力所能及的事情。电脑里装了很多软件，比如浏览器。OpenCloud 因为有了大模型的加持，它有了泛化的能力，可以帮你搜索、登录小红书、登录 X 抓取信息，甚至直接帮你做交易。
我依然会通过 OpenCloud 来操控我的 CEO AI。OpenClaw 的好处是，我的 CEO 系统相对固化，只能在一些固化场景里高效处理工作，但它没有很强的宽度和泛化能力。OpenClaw 的泛化能力更强，所以我经常让它们互相串联。
典型的例子是，我几乎在电脑上装了所有流行的 Agent。每个 Agent 配一个单独的大模型，也就意味着我订阅了几乎市面上所有的大模型，包括 Claude、GPT、Grok，以及国内的智谱、Kimi 和 DeepSeek。
“三个臭皮匠，顶个诸葛亮。”每个 Agent 配一个大模型，每个 Agent 配的大模型再取一个名字，有的叫诸葛亮，有的叫李李赛流。
但只有在做重大决策、重要制度设计和重要方案设计时，我才会这样做。首先独立形成方案，然后互相 PK，进行红蓝军对抗，最后由一个中枢协调者总结，再由我拍板，形成相对完善的方案，至少比我一个人想出来的更好。
唯一的缺点是贵一点，因为会用到世界上所有顶级模型，但带来的价值无比巨大。
详细说说，为什么要用 5 到 6 个不同的大模型，而且每个都单独配一个 Agent？
很简单。我认为每个 Agent 都有不同的 Harness，不同的 Harness 带来的结果不一样。第二，每个 Agent 都能够保证自己的健壮性。
早期 OpenCloud 是非常不稳定的。如果我我在 OpenCloud 或者是爱马仕里面去配六个子 instance，万一它挂了，我相当于一个都不能用。如果是 6 个独立实例，哪怕挂掉 1 个，甚至 3 个，我还有其他的可以用。
在组织学里，我们说人才一定要保持一定冗余；在程序里，也要保持鲁棒性和健壮性，一定要保证系统活着。
你内部好像有一句话：“Token 断崖式领先的人，产品也断崖式领先。”为什么？
因为他的探索性更强。
2024 年开始，我们实行了一项制度，叫积分制。当时我们试图把工程师的工作量化成真正具有工作价值的积分，最后实行多劳多得。
进入 AI 时代之后，我们发现有一类人的 Token 消耗非常惊人，同时他的工作产出和工作价值也非常惊人。我们发现了某种统计规律：那些 Token 用得非常狠的人，大概率是在给自己打造系统。
给自己打造系统之后，他节省了工作时间，增加了思考时间，工作完成得更好。所以，如果一个人的 Token 消耗断崖式领先，他的工作质量和工作成果，大概率也会断崖式领先。这是我们基于大量内部样本得到的一定统计规律。
我们还发现一个很有意思的现象。很多老板会担心大家滥用 AI，造成浪费。但我们的另一个观点，或者说某种悖论是，真正优秀的人才、精英人才，不会浪费 Token。
你怎么辨别他有没有浪费？这是一套怎样的计算公式？
刚才我提到，在 AI 时代到来之前，我们已经有一套积分制度。
过去我们希望通过管理手段和统计方式，客观评价特别是程序员的业绩产出。以前大家都是主观判断：你业绩好，可能是因为和主管关系好；或者看上去比较卖力。主观因素很多。
这会造成一个后果：一些真正优秀的程序员没有被发现。所以我们后来做了一项制度，通过客观衡量，根据有效代码量衡量工作产出，做工作价值换算。
现在我们也在做另一件事。针对一些擅长的工作任务或场景，我们会做成某一类任务选择器。
比如写 PPT、写 HTML、做公司分析、做市场洞察，特别是长程任务。我们会告诉客户，一个任务可以拆成多少子任务，每个子任务更适合使用市场上什么样的模型，既能完成，又能比较经济地完成。
客户不需要自己选择，我们会提供适配。执行这些任务时，我们已经把模型配好了，帮助客户避免 Token 浪费。
你们接触了大量拥抱 AI 的客户。你感觉现在什么样的企业用 AI 最深、拥抱 AI 最彻底？
小一点的公司更容易拥抱得彻底。因为它的组织关系更少、更简单。
而且小公司通常可以由老板先用。老板明确知道 AI 确实能够提效，就可以让销售团队、设计团队使用。组织关系没有那么复杂，科层级没有那么深，链条没有那么长，推得更快、更彻底。
第一，老板有认知，也有决心。第二，组织关系没有那么复杂，更容易在组织上落地。
现在还有一种模式，是一线员工先使用 OpenCloud 或 Workbody 这样的产品，在普通办公场景里先用起来，自下而上推进。
但我个人认为，自下而上对公司提效有帮助，但没有那么明显。因为真正核心的业务，比如制造业，核心通常是供应链和生产制造过程，而这些都是长链条或者实体层面的事情。普通办公提效，无法带来整个公司的价值提升。
大企业的老板理论上不是应该更有认知吗？为什么你会觉得他们不是最先使用 AI 的那一拨人？
他们是最先使用的，但要让整个公司都迸发出极高的效率提升，会比小公司难。
AI 之前，社会化分工让部门组织变得非常细，变成螺丝钉化。AI 进来之后，可能提升了某个普通办公环节，但中间衔接的环节少不了。
所以真正要提升的，是打碎流程。
也就是换木桶，或者抽掉木板。
对。这个时候对于大公司来说，反而更难。有时候不是老板想推动就能推动，因为很多组织有一万种理由让事情办不成。
就像我最喜欢的电视剧《大明王朝1566》一样，国策很好，改道为桑。但真正执行下去的时候，会有各种利益纠葛，包括底层老百姓、农户的生存问题。
国家原本想得很好：把浙江农户的稻田变成桑田，农户没有饭吃，就从邻省官府买粮；农户生产商业作物，变成丝绸，有足够多的钱，就可以拿钱换粮食。
但真正执行下去就是一锅粥。邻省可能不愿意调粮过来，下面的执行也会出现各种问题。
如果给建议，我会从最愿意拥抱变化的小部门开始，先把闭环做起来。这和所有组织变革的成功方法论一样：先挑小的，先在小范围内形成凝聚力和同盟军。
取得小胜利相对容易，取得大胜利很难。取得小胜利之后，再大力宣传，取得一个又一个小胜利，最后推动更大范围的变革。
但即使挑小部门，也最好是一把手工程，能够直接推动下去。不要期待有一个 AI 应用小组就能完成改革，老板一定要亲自参与，自己使用 AI，深度参与，真正躬身入局。
你接触了这么多老板，有没有哪些来自老板的声音让你觉得出乎意料，或者很深刻？
今年碰到的很多深刻、出乎意料的案例是，有些老板生意做得很大，可能有上亿甚至几亿元规模，但公司人数并不多。他们所在的行业过去没有被软件时代很好地服务过。
他们一旦用上 AI，变化非常大。我举一个典型例子。我们有一次和一家玩具公司交流，给他们演示 AI 能做到什么。
这家公司过去的流程经常是这样：老板或高管去欧洲、北美、香港出差或旅游时，突然看到某些艺术符号或者新潮的东西，觉得不错，就拍照，传回公司设计或产品部门，说这个东西很好，未来可能有市场。然后公司打样、生产、试销。
过去这个过程比较长。老板拍照带回来之后，还要和设计部门解释，希望设计成什么样。设计师根据照片和老板的描述设计，再根据公司的供应链能力做小样、开模和生产，流程很长。
我们当时演示的是，用 AI 直接从方案做到原型设计，甚至生成 CAD 图，还可以模拟生产制造所需的周期、可能寻找哪些供应商，直接展示一份完整方案。
老板非常震惊，说原来还可以这样改。AI 时代，从发现机会到生产上线的周期大幅缩短。
他看着演示，突然回头对设计团队负责人、生产制造团队负责人和 HR 负责人说：“我们都站到这个屏幕前，好好看 AI 现在能做到什么程度。”
这种震惊和兴奋感，给我的冲击也很大。
假设今天重新建立一个组织，从第一天开始，你认为什么样的组织更能够让 AI 做深、产生最大价值？这个组织的画像是什么样的？
11. AI原生组织依赖新人才
首先，这个组织最重要的是几件事。
第一，形成某种 AI 信仰，这是文化问题。第二，和组成组织的人才有关。
网易集团今年刚更新了人才观，我们讲“六个力”。AI 时代的人才必须有审美力、标准力、结构力、判断力、洞察力和学习力，也就是自驱力。
现在做一个好的产品，可能几个人就能做出来。只要几个人有审美能力、有洞察能力，就能够在 AI 加持下指挥一帮 Agent，把它做成一个好的软件产品。
你们现在做的 AI 原生 To B 产品，主要是帮助完成流程优化。除此之外，还有哪些能力可以用你们的 To B 产品实现？
我们有一类安全产品，可以给大模型加一道围栏。
Transformer 架构本质上是概率模型，这也是幻觉产生的根本原因，所以它生成的很多内容有时不可控。但企业要进行生产，或者为客户提供服务，大模型就必须受到控制和约束。
我们的安全产品可以给大模型提供某种围栏，让 AIGC 产生的内容安全、可控。
第二类，特别是今年上半年，很多企业不敢使用灵活的 Agent，是担心企业工作任务被 Agent 破坏，或者因为权限和数据安全问题造成损失。
Agent 的调用和执行本身也有安全风险。所以我们会对 Agent 的动作做限制，让它不会在企业内部随意访问数据，比如删除数据。越大的企业，越需要这样的产品。
还有一类产品，刚才也聊到过，就是我们把自己所谓的 SDD 开发模式，变成新的 AI Coding 产品推向市场。
很多老板有一个刚需，试图建立企业的决策 AI 中枢。一个人做决策，需要数据、上下文、判断力等。你觉得 AI 决策中枢如果要建立起来，需要什么？
本质上，它一定需要一个高质量的知识库。为什么要加“高质量”？因为真正重要的是历史上的决策留痕和决策依据。
我们最近就是这么做的，这也是今年发生的事情。过去我们把历史上曾经发生的决策都留存下来，现在把决策历史纳入知识库。
两类知识结合起来，训练出了一个 Agent，或者说一个 skill。我们再把原来的几百个案例输入进去，让 Agent 判断，发现准确率超过了 90%。
它凝聚了我们所有的管理智慧和管理决策方法，本质上就是一个决策知识库。
我最近还刷到一个桥水基金的视频，其实和这个很像。他们给所有研究员和分析师配了自己制作的 Agent，用来判断该投什么项目、怎么投、怎么评判、怎么调研。
桥水基金这样的领先投资机构，过去数字化做得非常好。所有过程数据和决策都被记录下来：为什么投这个项目，参考了多少信息，内部经过多少讨论，为什么决定投它，以及投多少钱。
这些决策过程和决策历史积累下来，成为一个决策知识库，帮助现在的分析师和研究员更好地做项目分析或公司分析。
桥水基金做得更好的一点，是把这个 AI Agent 做成了一个可学习、可进化的系统。过去没有 AI，现在有 AI，这是最大的外部变化因素。
第二，Agent 即使很准确，也依然会有错误率，仍然需要人最终判断、决策和执行。一旦人调整了 Agent，调整动作得到确认之后，就会进入新的加强阶段。
这样它就会与时俱进，相当于 AI Agent 一直处于迭代学习的过程中。这也是现在最顶尖的大模型都在做的自进化过程，只是桥水基金通过人机协作的方式实现自进化，而大模型是从底层用另一种方式实现。
我觉得接下来会有两个趋势：人站在 AI 的肩膀上，以及 AI 站在自己的肩膀上。
作为 80 后，我非常喜欢周星驰。星爷最著名的一句台词就是：“人如果没有梦想，跟一条咸鱼有什么区别？”
我也非常庆幸，40 多岁的时候还能在 AI 这个技术浪潮中产生新的梦想。
好啦，这期节目就到这里。本期播客的视频版已经全网上线，欢迎前往 B 站、微博、小红书、视频号、腾讯视频等平台，都能找到我的视频专栏。这是一档追求深度、生动与信息质量的科技商业访谈，我们争取在每一个技术、商业时代的关键变化节点，提供负责、可靠的一手信息。欢迎在留言区留下你的评论，你的评论、转发、分享对我们来说真的很重要。我们下。我们下期再见。