你的员工不肯把自己"蒸馏"给AI，这才是AI转型最大的卡点

一个10人团队的产研全自动化实验：AI够聪明，人不够诚实

"AI转型表面是技术问题，底层是管理问题，最底层是人性问题。"

白双的公司里没有前端工程师。

不是招不到，是不需要。UI设计师在Figma里画完原型图，AI直接出页面。还原不了的细节，设计师在Notion里丢个comment，AI自己认领、自己改。前端搞完，Codex写后端。测试环节，自动化agent基于个性化skill跑一遍，工程师做final check。反复改不对的，CTO兜底。

整个产研链路，人只做判断，AI做交付。

这事儿说出来有点像吹牛。但白双的底气在于，这不是demo，是日常。AI犯过一次错，第二次就不会再犯，因为错误会被写进研发skill，变成组织记忆。说白了，这个实习生被开除过一次，复活后直接开了天眼。

这跟我见过的绝大多数公司都不一样。大部分老板跟我说"我们在用AI"，点开一看，员工把ChatGPT当搜索引擎用，问完"这个bug什么意思"，转头继续手动敲代码。这叫用AI？这叫蹭AI。

工具是外卖，员工是厨师

王立群做ToB市场，客户列表里躺着大型央国企、世界500强。她见多了这种场面：高管们焦虑得要命，知道不搞AI迟早被淘汰，但真让他们动手，手往哪伸都不知道。

她讲了一个区分，我觉得真准。

AI工具和AI员工的区别，本质上是"调用关系"的区别。

工具是你喊它才动。文案写"Codex帮我润色一下"，改完还是文案署名，交付主体是人。这是工具思维，AI是你的外卖，你点单它送到。

员工是它先交活，你来做判断。前端页面AI先写，设计师看合不合适；测试报告AI先出，工程师看靠不靠谱。交付主体是AI，人是质检员。这是员工思维，AI是你的厨师，菜做好了请你尝。

两者的差距，说小了是每人每天省2小时，说大了是整条产线人效翻3倍。

精灵的公司内部跑了很多AI workflow，他的感受更直接：agent层已经无限接近员工形态，"只是灵魂还差一点点"。接入OpenClaw、Max这类AI Gateway之后，像个远程员工，你喊它才干，不喊不动。

灵魂差在哪？context。

"白双打了个比方，我觉得特别扎心：公司招实习生，三个月没转正，往往不是能力问题，是不了解公司语境。不知道这个按钮为什么要这样设计，不知道这个字段对业务意味着什么。转正之后，在业务流里泡久了，才真正融入。AI也一样。没有业务流程上下文的AI，就是个聪明的实习生，活能干，但干不到点子上。"

你可能会问：那给AI喂足够多的文档不就行了？理论上可以，但实际上，大部分公司的文档本身就是一团乱麻。产品文档和代码注释对不上，业务规则和系统配置不一致，FAQ半年没更新。你让AI在这种"垃圾进"的环境里学习，它只能"垃圾出"。所以context问题，表面是AI的问题，底子里是企业信息化的问题。

OPC在飞，大厂在爬

这里有个反直觉的现象。

AI员工落地最好的，不是科技巨头，是OPC这种10人以内的公司。

王立群观察得很明白。OPC商业模式简单，人效极高，业务流容易拆解，AI替代起来没什么包袱。白双的平台就是典型：全球招募细分领域专家，专家把knowhow写成智能体，订阅分发到各种AI终端。一个人就是一条业务线，AI是他的放大器。

但传统大公司呢？焦虑得要命，动不了。

王立群总结了三个卡点。第一，信任不够。传统业务容错空间极小，AI第一次做不到完美，企业要承担后果。谁拍板？没人敢拍。

第二，组织惯性。庞大公司的架构是为"人协作人"设计的，不是为"人协作AI"设计的。切换之后，AI员工怎么考核、怎么汇报、怎么升职，HR手册里没这一章，招聘JD里倒还在招"熟练使用Office优先"。

第三，系统复杂度被严重低估。ERP、CRM、OA各种老系统，人在里面当信息搬运工。AI怎么融入这些SOP？不是花几十万买套系统就能解决的，是长期转型。说句实在的，很多公司的数字化底座本身就摇摇欲坠，上面再加一层AI，不是锦上添花，是雪上加霜。

李京林从组织规模角度补充了一个视角。10人团队用AI，摩擦很小。但到了50人、100人，问题开始冒头。他公司100人出头，内部就在争论：集团到底统一用Claude Code，还是让各组自选？有人用Claude Code，有人用Codex，还有人用Cursor，代码风格不统一，交接时摩擦一大堆。

这就像10年前没AI的时候，有人用Office有人用WPS，文档格式不兼容。但当时只是格式问题，现在是代码质量、逻辑一致性、上下文传递的问题，影响大得多。

最大的卡点：没人愿意把自己"蒸馏"给AI

白双抛出了一个问题："企业里有多少员工愿意把自己蒸馏给AI？"

蒸馏，这个技术梗用得妙。大模型训练里，知识从一个复杂模型迁移到一个小模型，叫蒸馏。白双把它用到人身上：员工愿不愿意把自己的经验、判断、knowhow，交给AI，让AI学会，然后AI干得比自己还好？

答案大概率是：不愿意。

"白双在大厂见过这种现象。员工会偷偷用AI提效，但不会公开说，更不会把prompt和workflow当成公司资产沉淀。为什么？因为一旦AI学会了，自己的不可替代性就没了。'AI帮我省了活'可以悄悄说，'我把毕生绝学教给AI了'这种话，没人愿意在年会上讲。这是人性，跟技术无关。"

更残酷的是另一个点：大部分岗位的判断力本来就平庸。白双说得很尖锐，写skill这件事，如果人的判断力平庸，AI不会把你变卓越，只会放大你的平庸。让谁写？只能让真正有knowhow、有持续迭代能力的人写。而这些人，恰恰是AI原生组织里最不会被淘汰的，他们会变成"反馈者"，持续训练AI，形成公司可迭代的资产。

白双还补了一刀：很多企业做AI转型，第一反应是把活丢给IT部门。但IT懂技术不懂业务，让他们写skill，就像让厨师去设计汽车——不是不行，但大概率跑偏。真正该写skill的，是业务里的TOP专家，是那些在一线泡了十年、知道每个坑在哪的人。

所以你看，AI转型表面是技术问题，底层是管理问题，最底层是人性问题。

李京林从另一个角度印证了这个判断。他说，AI程度不深的团队，大概率还没到"追责"阶段，因为还在"无效"阶段。很多公司买了工具、开了账号、发了通知，以为自己在AI转型，实际上员工该怎么干还怎么干，AI就是个摆设。这种团队不是需要追责机制，是需要先干起来。

100人加AI，不是砍到30人，是干出500人的活

李京林提了一个反共识的观点，我觉得特别值得展开。

现在AI行业有个风气不太好，大家都觉得AI是用来裁员的。100人产研，用AI砍掉剩30人，ROI算得美滋滋。

李京林不这么看。他的原话是："100人战力加上AI后，是不是能实现历史上500人团队规模战力，而不是100人砍掉剩30人？"

人是资源，不是成本。这句话听起来像鸡汤，但结合数字就硬气了。100人加AI实现500人战力，ARPU不变的话，营收翻5倍。但砍到30人，你是省了成本，也可能错失了规模化增长的机会。

他的逻辑很清晰：真要干到1000万ARR、2000万ARR、5000万ARR级别，不可能靠两三个人。OPC现在活得像个体户里的战斗机，但要说它能干掉Salesforce？醒醒。最终还是需要人的规模上来，再配合AI，才能拿到大结果。

"用AI的思路不是减员，是换人。更替掉不能胜任、不能配合AI的人，同时保持人员增长，加上AI实现更高效的飞轮。这才是正解。"

白双的平台逻辑也在这里。他全球招募的是"有专家knowhow且具备持续迭代学习能力的个体"。注意这个定语，不是专家就行，还得能迭代、能把自己的knowhow结构化出来。这种人，在AI原生组织里不是被替代的对象，是核心资产。

换个角度想，客户成功的复杂度是线性增长的。服务10个客户和100个客户，需要的不是同一个量级的人情世故和记忆管理。AI能帮你记住每个客户的偏好、每个项目的进展、每个决策的背景，这才是规模化真正的护城河。30个人服务100个客户，服务质量一定崩。100个人加AI服务500个客户，每个人反而更轻松。

Harness：缰绳在人手里，但马已经跑了

聊到AI治理、权限边界、追责机制，几个嘉宾的观点很有意思。

王立群认为，未来企业里会有一类人叫builder，是AI的建设者。AI在设计边界内出问题，找builder；AI consumer用错了，找consumer。超出设计范围的意外后果，组织共同承担。

陈叶峰更直接：AI没有损失感，没有背德感，不需要承担责任。追责只能落到具体的人身上。

白双说了一个词，Harness。这个词在AI安全领域挺常见。但白双说的不是技术维度的Harness，是组织维度的Harness。

她解释得很形象：人跟AI的关系像骑马。马没有缰绳会乱跑，人给马套缰绳，是因为人要Harness马。缰绳英文就叫Harness。

怎么在企业里Harness AI？研发中经常出错的东西，能不能内化skill，放进流程，之后不再犯。merge新业务时，基于AI原生思路创建新业务流程、新的人、新的AI岗位，持续优化，数据沉淀成资产。这就是Harness。

听起来很抽象？说白了，就是把"我们这次踩过的坑"变成"下次自动绕开的规则"。不是每次新人来了重新教一遍，而是把教训写进skill，让AI记住。公司最值钱的东西，从"人的经验"变成"可迭代的数字资产"。

陈叶峰认同这个比喻，但他补了一句：骑马的是人，AI是马，主体是人在掌控。

他还提到了一个容易被忽略的点：AI缺失人与人之间的人际关系，也没有欲望。任何组织里，人与人之间的关系都很微妙，AI没有这种微妙。AI没有欲望，就不会自主获取、捕捉信息，需要人控制把握。

他的核心理念是human force。AI员工目前只具备一定理解和工具调用能力，获取到的信息活在数字世界，context大量缺失。为什么需要人？因为人需要把握这些，喂养给AI。

这个观点跟白双的"蒸馏"形成了有趣的呼应。一方面，人不愿意把自己蒸馏给AI；另一方面，AI又离不开人的喂养。这像是一个悖论，但商业世界本来就是在悖论中找平衡。

"李京林对'追责'这个话题的态度，我觉得是全场最接地气的一句话：'如果企业到了需要对AI追责的阶段，恭喜你，这是好事，说明团队到了非常深的阶段。'正常情况下，大部分团队还没到追责阶段，因为还没跑出有效结果。现阶段不需要纠结谁背锅，出现问题复盘，大问题团队成长，小问题不影响生死就迭代。"

组织不够诚实，人不够诚实

整场圆桌听完，我有一个感受越来越强烈。

AI员工这件事，技术早就ready了。Codex能写代码，Claude能读文档，各种agent能跑workflow。卡住的不是模型不够聪明，是组织不够诚实，人不够诚实。

老板们想要AI员工，但不愿意重构组织架构。员工们想用AI提效，但不愿意把自己蒸馏出来。大家想要在旧地图上找到新大陆，但这事儿大概率不成立。

白双最后说了一句话，我印象很深。她说，大部分公司做AI转型，基于现在的架构去做，可能范式变化直接把桌子掀了。有些出版社的产品是书，但未来可能不再是书，而是作者数字分身。基于书出版的整个流程和岗位，可能就都不需要了。

这碗饭还在，但端饭的盘子换了，端饭的人也得换。

白双的公司能做到产研全自动化，不是因为买了什么神器，是因为CTO花心思做了整个流程的顶层设计。不是让开发者各自用Codex小范围协作，是公司层面把业务流程设计清楚，AI拥有上下文，人做判断。

这很难吗？技术上不难。但愿意做这件事的人，不多。

说到底，AI员工不是招聘问题，是管理革命。不是IT部门的事，是一把手工程。不是买个工具就能解决，是要把人当资源重新配置，把AI当员工重新设计流程。

"精灵说他的100人团队，现在内部还在磨合Claude Code和Codex的切换摩擦。白双说他的组织已经跑通了端到端自动化。差距在哪？不是工具，是mindset。Harness思维，缰绳在人手里，但马已经开始跑了。你是准备套缰绳，还是继续站在原地讨论'马会不会受惊'？"

更多对话细节

Speakers｜嘉宾

BISHENG 解决方案总监 王立群

Leapility(跃向) 创始人&CEO 白双

DeerAPI CEO 李京林

EgonexAI 创始人 陈叶峰

Host ｜主持人

非凡资本 VP 黄璟睿Jerry

Jerry：请各位用一到两分钟介绍一下自己所在的业务。先从王总这边开始。

王立群：我先开始。大家好，我叫王立群，来自北京数据像素智能科技有限公司。公司是北京的公司，但在上海、深圳也都有分公司和研发中心。公司从二三年开始就在做企业 ToB 市场的 agent 开发平台，一直专注在 ToB 这个市场。客户前几年主要围绕大型央国企、世界500强这类企业，帮他们做 AI 转型。

白双：大家好，我叫白双，大家可以叫我双双。我们现在入驻在魔塑空间。我们在做的底层逻辑是，我们认为大模型未来代表通用服务，但在专业服务领域还有非常多的机会。专业服务领域更多是靠专家型个体驱动，是一个偏多中心化的市场。所以我们现在在全球范围招募各个细分领域有专家 knowhow 且具备持续迭代学习能力的个体，在平台上构建 solo business。也就是说他的专家智能体可以被订阅分发，分发到各种 AI 终端，形成订阅制服务，形成了我们现在所说的 OPC。我们更多聚焦专家型的 OPC。目前业务在海外有了不错的验证，随着国内模型生态的成熟，可能也会切入国内市场。好，谢谢。

李京林：大家好，我叫李京林，叫我精灵就行了。我们国内比较早做模型 token 算力聚合的平台，主要做 token 算力这块，服务了非常多中国出海的 AI 应用，也见证了这两三年 AI 在海外市场的崛起。大概是这样，谢谢。

陈叶峰：大家好，我是 EgonexAI 的创始人陈叶峰。我们是一家出海的 AI 初创公司，聚焦的研究方向是大模型和 agent 理解，以及围绕 human force 的理念展开产品和项目研发。

今年做了两个项目。一个是 Understand Anything，基于知识图谱、代码理解、文档理解去构建知识图谱，帮助人更好地理解整个代码库的关系。因为 AI 在长期任务执行中会生成大量代码文档，我们跟不上，需要更好地理清关系。这个项目在 GitHub 上收获了7.4万 star，全球排名200多名，也是今年的明星项目。

另一个产品围绕人物理解，构建用户数字分身及长期记忆，并以此围绕 AI 为中心的全新组织形式，帮助人在关键时刻从全互联网快速精准链接另一个人。AI 对物理世界感知不够，接受不到真实世界的变化，很多信息素缺失，导致协同过程中输入十分重要，输入缺失的情况下输出也会降级。输入是我们一直研究的方向。

AI员工和AI工具，最本质的区别是什么？

Jerry：在各位看来，AI 员工和我们过去讲的 AI 工具、AI 助手，最本质的区别是什么？怎么判断它能否真正成为组织当中的协作者，核心标准是什么？先从王总开始。

王立群：其实 AI 员工，或者叫数字员工，跟 AI 工具、助手还是有很大区别。核心一点在于 AI 员工有自主性。他可以有自己的 OKR 目标，可以从组织或公司目标分解下来，然后自主围绕目标完成任务编排，或与其他人交互协作。

而 AI 工具、助手大多需要人进行临时性或会话级别的调用，需要人主动交互。AI 员工有自主性，这是核心区别。

Jerry：核心就是第一，有自主性。

白双：我直接举例子吧。我们不做 ToB 业务，但聊这个话题是希望作为一家 AI 原生公司，告诉大家我们自己怎么使用 AI。

我非常同意刚才嘉宾说的几个点，结合我们公司两个例子。产研部门已经完全实现端到端自动化，实现了 AI 的自主性和 human in the loop。

举个例子，UI/UX 设计师在 Figma 上设计完原型图后，整个任务看板在 Notion 上搭了一个流程。参与者有 UI 设计师，设计完后 AI 自动开发前端页面，有些无法还原的点，UX 设计师在 Notion 上给 comment，AI 认领后基于 comment 修改。前端完成后进入后端开发，我们用 Codex 做开发。开发完后还有一个自动化测试 agent，里面有非常多个性化的 skill，会基于这个做测试。测试完后测试工程师做 final check，反复改但改不对的，由 CTO 做最后的 final check。

这个过程中会沉淀很多基于产品特性的经验，AI 犯了一次错误不会再犯第二次，会在研发 skill 里增加案例，确保他拥有最佳实践，形成人跟 AI 的协作，完成前端开发到后端测试到最后上线的整个流程。

这个过程中非常重要的是，CTO 把整个流程先做了顶层设计。不是让任何一个开发者说用个 Codex 在小范围内协作，而是公司里一定要有业务流程设计。人的角色更多是做判断，AI 拥有整个业务流程的上下文，知道他的角色是什么，结果需要判断力高于 AI 的人做 final check。

再举一个例子，写文案。文案小姐姐写文案时说"Codex 帮我润色一下"，这个维度就是工具，交付主体还是文案工作者。但没有像研发人员一样说 AI 先交付，人做判断。

所以交付主体不一样。AI 如果真正在组织里发挥作用，一定要有上下文，要知道业务流程。就像公司招实习生没转正，因为不够了解公司，站在没有语境的情况下参与。转正时能在业务流中了解公司个性化的业务，真正融入公司，而不是作为通用智能体存在。

这是我想到的两个例子，如何区别工具还是员工层级。

Jerry：听起来像是人机协作，AI 占比更高一些？最后一公里是人去守。

白双：对，人的角色不是交付，人的角色是做判断。

李京林：我比较赞成双总这个观点。内部也做了非常多 AI workflow 的流程优化，本身就是原生 AI 团队，干 token 的。公司内部算力完全无限量，最新模型、最新东西全员随意使用，FDE 5、5.6，各种各样的视频图像模型。

现在企业从阶段上看，agent 这层在某种程度上已接近员工的形态，只是灵魂上可能还差了一点点，技术层面已无限接近。把 agent 进一步调整，接入 OpenClaw、Max 这些 AI Gateway 的入口，某种程度上有点像远程工作的员工。

在这个基础上，就是刚才双总说的，人机结合，人逐渐不做执行，只做判断、只做 knowhow，因为 AI 确实会出错。内部之前有一些现象，当 AI 成为主体时，人的 knowhow 能力很重要。可能出现表演式汇报，用 AI 比较夸张，管理者无法判断下属用 AI 汇报的文档 knowhow 对不对，很容易出问题。现在做任何汇报式东西都很快，短时间给出非常详细的文档。找外包服务方也会出现这个问题，外包提交提案乍一看很专业，全程专业里找蛛丝马迹还是会有错误，不可能完全完美。

人怎么解决中间的 knowhow 问题，这是要警惕的。有点像以前工业革命的状态，现在开始机械化，以前都是作坊，中间还需要人去管理机器。未来可能像今天工厂到无人工厂，虚拟里面一年之后可能人主导，内部有些环节也开始做由 AI 主导、人辅助 AI，由 AI 决策、执行，人只盯过程。未来变成人围着 AI 转，AI 员工整体的组织结构真的会出来。大概是这样。

陈叶峰：精灵这个思路想法我挺认同，人在这个环节还是十分重要。

现在所谓的 AI 员工只具备一定理解能力和工具调用能力，离真正意义上员工还有一定差距，这是我跟大家略有不同的地方。现在还是蛮有差距，他获取到的信息素活在数字世界中，context 大量缺失。为什么需要人？人需要把握这些，喂养给 AI。

Jerry：听下来人机协作还是未来大趋势，不能所有事情都给 AI。

AI进不了主流程，核心卡点是什么？

Jerry：第二个问题聚焦落地障碍。有些企业不缺 AI 试点，也不缺 demo，但 AI 进不了主流程，也进不了关键岗位。在各位看来，核心卡点是什么？

王立群：这一点上我们很有心得可以分享，主要做 ToB 市场。

这两年看来，AI 员工真正落地的是 OPC 这类公司。OPC 商业模式或业务结构比较简单，招人也在10人以内，甚至三五个人撑起业务。业务相对简单，更容易拆解成岗位让 AI 替代，组织上下文更简单，AI 承担更大比例工作，人补位相对少。

更大量传统 ToB 市场，传统公司是另一种情况。大量公司很焦虑，清楚知道 AI 来了一定要转型，不转型肯定被淘汰，但不知道从哪里入手。几个关键问题不仅仅是技术，更多还是组织问题。

尤其对大型传统公司，第一，对 AI 员工信任度远远不够。原来业务体系容错空间非常小，AI 第一下不能做到非常完美准确，企业要承担后果。这是第一点，信任问题没解决。

第二个，组织惯性存在。越庞大的公司，原来组织结构为人的协作方式设计，不是为 AI 员工或 AI native 方式运行。切换到这种方式，管理机制、人员包括 AI 员工怎么管理，当下还没解决，未来可能是一个新的管理学学科。

第三个，AI 真正融入企业业务流程，复杂度被广泛低估。大型传统企业业务非常复杂，有大量传统软件系统，ERP、CRM 各种系统，人在系统中来回切换做信息搬运工。AI 怎么融入复杂系统完成 SOP 执行，是相当复杂的问题。不是花几十万或一两百万买个系统就能解决，是长期转型过程。

白双：回答这个问题之前，先提一个问题：AI 时代下，大部分公司现在应该想的是给用户交付的产品是不是在 AI 时代就不再是那个了？再基于那个去想内部组织流程。

举简单例子，有些出版社产品是书，但未来可能不再是书。基于书出版的整个流程，如果假设还是出书，会有各种岗位围绕产品形成组织架构。但如果未来交付的是作者数字分身，作为电子交付物，整个组织架构就不再需要之前出书那拨人了。

如果公司现在说要做 AI 转型，基于现在架构去做 AI，可能范式变化直接把桌子掀了。所以企业要想一想在 AI 时代，提供的产品是不是还是原来那个产品，基于这个倒推未来需要的组织架构。这是第一个点。

第二个点，核心还是有没有 high level 的设计，里面有人有 AI 形成流程，还是放权让所有员工自主使用 AI。后者不是很聪明的做法。一方面 token 消耗非常大，另一方面有些人还是把 AI 当工具而非 partner。想作为 partner，首先要把岗位中的 knowhow 交给 AI。这涉及人性，企业中有多少员工愿意把自己蒸馏给 AI？看到大厂里即使会用也不会公开，AI 帮我省了活，但不会作为公司资产沉淀。

而且大部分岗位判断力平庸。公司多少人有顶尖判断力？写 skill，如果判断力平庸，AI 不会让你更卓越，会放大你的平庸。要思考谁去写 skill 很重要。让真正具有 knowhow 和持续迭代能力的人写 skill，他们不会被淘汰，反而在 AI 原生组织中成为反馈者，形成公司持续可迭代的资产，判断力随外部变化、竞争格局变化不断学习新知识再喂养给 AI。

如果我是 CEO，这个人极具价值，有持续学习能力。社会变化太快，昨天经验服务不了明天需求，就像抖音出现前想象过直播带货吗？营销方式天翻地覆变化。

企业中真正有价值的员工具备超级学习能力，在行业持续深耕，由他们参与流程设计、参与 skill 撰写。有了流程就有反馈，不断迭代，公司成为有 AI 资产持续迭代和不断进化的 AI 原生公司。这是我想的。

Jerry：说到最后就是组织架构还是大的卡点。

白双：最大卡点是人性。现在很多公司没想清楚要谁参与组织架构升级，也不觉得应该是开发者。说到 AI 很多公司把活给 IT，但 IT 没有行业 knowhow。举个简单例子，500强服装企业的 IT，有可能知道法务采购布料时注意哪些审核点吗？构建不应该给技术人员，应该放权给业务专家，而且是 TOP 业务专家。这是我想说明的点。

李京林：这个分几个维度。第一个分行业看，为什么会有不同企业 AI 化不到位。今天会场因为是 AI 行业比较特殊，上台嘉宾或现场朋友，内部 AI 流程放眼全中国都是非常前沿的，意识流从刚开始创业或做公司时就是站在 AI 最前沿技术最前端的思考，一把手工程灌下去的。

所以 AI 内部没有组织阻力问题。一把手工程面临更多问题是 skill 搞没搞到位，agent 协同到不到位，大家用 Codex 不能形成 team 版本。互相之间的流转、组织效率怎么用 AI 重构是这类问题，不会面临传统企业意识流由于一把手或高层对 MCP、skill、agent、FDE 这些东西听不明白，很难灌到底层或中层。

第二个跟组织人数有很大关系。同意王总说的 OPC 的 AI 程度一定最高，出发点就是一人公司、人少，必须 AI 提效。再大一点10人、20人、30人、50人团队，已经面临 AI 组织在里面的流转有没有摩擦阻力的问题，大家用的软件不一样。内部就在讨论集团要不要统一用 Claude Code，有人用 Claude Code，有人用 Codex，中间有自动喜好，还有人用 Cursor。中间出现摩擦，最终输出结果代码风格各方面也出现摩擦。讨论摩擦怎么剔除，倒回来看10年前没有 AI 时这种摩擦也存在，使用软件习惯不一样，有人用 Figma，有人用另外软件，格式不统一，道理一样。但到组织摩擦层面，人更多面临更严重问题，100人、200人、300人团队往下灌。

一个是预算问题，token 烧起来没边。模型有时公司内部用，token 无限量，都用 FDE 5，不研究更便宜模型能不能满足工作，直接上最好。但企业到一两百人，意识流灌下去 token 成本非常高。不可能每个人优化工作流，是不是应该省点 token，用便宜模型，不一定有这个 KPI 或意识。这都是 AI 在大一点企业的问题。

但我有反思，现在 AI 有个风气不太好，大家都觉得应该用 AI 解决裁员、提效问题。原来100人，产研团队50人，利用 AI 砍掉剩20人。我不觉得应该往这方向走。企业不一定是人越少越厉害，人是资源不是成本。如果人做成成本本身也是管理问题。100人战力加上 AI 后，是不是能实现历史上500人团队规模战力，而不是100人砍掉剩30人。有时错失规模化增长机会。

OPC 当前特别好状态，但 OPC 能不能成为某个赛道行业龙头不现实，最终还是需要人的规模上来，再配合好 AI，才能在赛道拿到相对好的大结果。真要做到1000万 ARR、2000万 ARR、5000万 ARR 级别，不可能两个人一个人。所以使用 AI 时考虑的不是减员裁员，要更替掉不能胜任、不能配合 AI 的人，但应保持人员增长同时加上 AI 实现更高效飞轮。这是未来方向。

陈叶峰：员工跟 AI 在企业组织里 context 拉不齐，每个人用的 agent 不一样，或哪怕一样历史也不一样。对企业过往经验、认知，每个员工认知拉不到一条水平线。一旦前面输入有偏差，就会导致大规模输出错误，影响非常大。这是一个方面。

另外 AI 缺失人与人之间的人际关系，任何组织企业人与人关系很微妙，AI 没有。并且没有欲望，现在 AI 需要人控制把握，没有欲望没办法自主获取、捕捉。人饿了想吃饭，渴了喝水，AI 没有。起码现在没研究到这一块，更多还是依靠人，没办法在主流程中大规模推进。我是这么认为。

AI出了事，算谁的？

Jerry：刚刚聊了组织和卡点，假如 AI 员工在企业里承担重要职责，权限边界、责任归属、治理机制应该是怎么样的？当 AI 影响业务结果，出了问题算谁的？

王立群：这个问题前面也有提到，未来组织形态一定是人和 AI 协作的状态。这个问题前两年有探讨，但现在远没有准确答案，是比较大的话题，涉及新的管理范式。当下阶段可以有一些探索或暴论。

AI 在组织中发挥，作为数字员工定位，首先需要有上层类似管委会或董事会制定治理机制。以前管理人与人协作，需要定义人和 AI 怎么协作，这是需要的，不能无视。

其次，业界有共识，将来企业里有一类人叫 builder，是 AI 员工或 AI 工具建设者。AI 工具或数字员工在设计边界内运行出问题，首先找 builder 责任。另外组织里 AI consumer，消费者，使用 AI 工具或数字员工时使用不当，追 consumer 责任。

最后，AI 和人协作过程中技术本身不断迭代发展，有未来变化巨大空间。如果在设计范围之外 AI 出现预料之外或产生不良业务后果，需要组织共同承担。基本上是这样一个形态，帮助企业在技术不断迭代过程中过渡和转型。

白双：两个点。第一个，假设未来 AI native 组织方式，从公司顶层架构把业务流设计好，AI 该做什么、人该做什么 role 非常清楚，就可以做到追责。比如研发测试，AI 有测试，测试完测试工程师做最后测试决定发不发。测试人类跟测试 AI 之间有责任从属关系，可以明确追责。

涉及工作流的人，目前看到跟公司业务板块相关，不同业务板块营销、产研等，有比较 senior 的、对 AI 原生具有 AI 原生思维且懂业务的人做设计，设计也跟最后效果有关，这个人也可以被追责。

我不太想聊追责话题，更多是如何让 AI 在企业变得可控。大思路就是 Harness，但我说 Harness 不是技术维度的 Harness。通用 AI 作为底层模型不可控是因为没有边界，任何东西有了边界就变得可控。未来人跟 AI 关系像骑马，不给缰绳可能乱跑，马需要缰绳是因为人要 Harness 马，缰绳英文就叫 Harness。

如何在企业里不断 Harness AI？比如研发过程中经常出错的东西，能不能内化 skill 放在研发流程里，之后不会犯这个错误。merge 新业务时，基于 AI 原生思路创建新业务流程、新的人、新的 AI 岗位，持续优化数据沉淀成资产，本质上就是 Harness。

让 AI 可控就是有 Harness 思维，mindset 很重要。具体实施方式现在没人有 final 结果说应该怎么样，是动态发展过程。在座企业也要拥抱变化，技术不断发展，做好不断迭代准备，不要想现在做的决定一定正确。

李京林：如果企业到了追责阶段需要对 AI 追责，恭喜你这是好事，说明团队到了非常深的阶段。正常情况下很多 AI 程度不深的团队大概率是无效，还没到追责阶段。到追责阶段说明组织流、执行层 AI 化都比较深，不仅仅是 agent 还是整个工作流、团队协同方式。

现阶段像双总说的也不用纠结追责问题，出现问题复盘，大问题团队成长，小问题不影响生死复盘再迭代。不可能像以前人类那样，AI 本来就不是人类，没有情感，追到上面这个人有时影响团队积极度。用 AI 面临很多问题，可能是模型问题、workflow 问题、内部代码问题，会出错。如果追 owner，owner 接下来还敢不敢用？让推动整个团队，出了问题说是你的问题，怎么办？

所以不到这个阶段，干就完了。如果从意识流上认为公司整个人就应该 AI native，认可方向，就要接受中间可能出现的任何错误。以前没有工业化革命时，比如福特汽车涉及工业化革命工作流，做鞋子是作坊手工出来，准备上机器规模化生产，中间一定有很多问题，甚至员工工伤问题，出现问题就要承担，因为准备走这个方向。作为创业者或公司高层，决定推这个事，主观上也要接受中间出现的问题。

陈叶峰：主要还是具体到人。AI 没有损失感，哪怕设计了损失机制，但不是物理世界生命，没有背德感，不需要承担责任。所以还是要具体到人。

问题换概念说，未来世界到底以人为主体还是以 AI 为主体？未来人还要不要？难道发展全面转向硅基生命，人类就此淘汰？我觉得不是，不可能。一切开发、人类文明进展都基于人的需求衍生出来，一定以人为本。

现在北美硅谷主流论调是硅基生命全自动化新范式，但我觉得这很违背现实。就像刚才我说缰绳，骑马的是人，AI 是马，你要 Harness 它，但主体是人在掌控。

Jerry：缰绳是吧？

陈叶峰：对。而且现在技术范式离这些也差得非常远，真的还没到那一步。所以具体还是要到人，最终落到人身上。

文章来自于"非凡产研"，作者 "非凡产研"。