未来的公司，会变成“人+ Agent Team”吗？

本文来自微信公众号： 出海同学会 ，作者：出海同学会，原文标题：《干货｜未来的公司，会变成“人 + Agent Team”吗？》

Part.01产品形态研讨

受AI影响，组织的形成、协同、消亡正在发生什么变化？

王晓妍｜独立开发者

我之前是在AWS工作，现在出来创业，自己做一些出海的agent产品，我对这个组织的体自己的认知和体会是这样的，我们之前在大厂里面，其实我们做的很多工作其实是在原先大厂自己的组织形态和它的工作流程上面再加AI去赋能整个过程，但是如果我们做一个startup的话，我们其实是从0到1重建整个组织的形态，其实是用人去驾驭整个agent team，然后用agent去管理agent，所以只有我们去做一个startup，我们才能够从0到1去建立整个agent的组织形态。而在过往的传统企业里面和大厂里面，他们在做的组织形态的升级和改造其实都是传统的流程再加上AI的赋能。所以我对它的体会就是如果你是想做一个AI的应用产品的话，那你其实从0到1 from Scratch去建立自己的整套的AI的组织架构，我觉得是一个最好的时机，在这个阶段，而且我非常相信就是说未来的整个的AI应用层，这里面我们会看到非常多的lean team，就是可能三五个人，但是可以做10亿美金甚至100亿美金的公司，这是我相信的一个conviction。所以也是我自己目前也在沿着这条思路去构建自己的整个的agentic系统。

程远｜Jobright

我们主要在做一个AI Native的Job Marketplace，现在平台上大概有200万美国用户在求职和招聘。首先我觉得AI对招聘的冲击确实非常大。过去大家会觉得，Agent来了以后，首先受冲击的是Junior、New Grad，因为他们经验少；而资深的人因为AI暂时还做不了架构设计和复杂工作，反而会受益。但从我们过去几个月的观察来看，真正的问题不是“资深的人以后不需要Junior了”。本质上最后比拼的，其实是谁更深度地利用AI。我们现在反而看到，一些年轻人虽然经验不多，但因为从很早开始就被迫学习和使用AI，进步会非常快，甚至能很快超过一些工作年限更长的人。反而有些Senior，因为长期待在既有体系里，AI用得反而很浅。所以我的第一个观点是：年轻人一旦有足够强的urgency，被迫去学AI，他们反而会是新技术最大的受益者。只是这两年确实会经历一个很剧烈的转变期。

第二个点，是组织层面的变化。我自己的感觉是AI Native对组织本身的冲击，甚至比对产品端更大。因为如果公司自己都没有真正实践过什么叫AI Native，那你其实也很难把这个东西真正输出给客户。这几个月我们内部最明显的变化是：真正的瓶颈已经不再是coding，而是人和人之间的协同、等待和对齐。以前一个想法出来，要先过产品、设计、研发，中间全是等待；但现在coding时间被大幅压缩之后，最浪费时间的反而是组织本身。所以我们现在的做法变成了：谁有想法，谁先把闭环自己做出来。先验证、先交给用户，再把设计、产品、研发一起拉进来做polish。也就是说，现在很多新功能和新产品，已经不再是按role去拆，而是所有角色一起贡献到同一个项目里。我觉得这是一个非常大的变化。

还有一个例子也很典型。我们团队有个做Marketing的同事，是文科生，毕业才半年多。我当时就逼着她说：“今年你必须把70%的工作自动化掉。”

她一开始完全不会，也不知道AI怎么用。后来她一边跑Campaign，一边自己用这些工具做了一个完全贴合我们流程的Influencer Marketing AI工具，现在已经能自动化掉60%到70%的工作，而且比我们之前用的那些海外SaaS还更贴合自己的业务。她没有Coding背景，所以这件事让我很确定一点：这已经不是复杂度的问题，核心是你有没有足够强的驱动力，以及公司有没有足够push你去做。而且一旦做到这个程度，以前可能需要再招两三个人，现在就不需要了。所以非技术人员也完全可以做到这些事情。尤其在Startup里，他们更容易获得这种真正end-to-end的机会。所以我觉得创业公司确实更有可能率先长出真正AI Native的组织形态。

Shangqin｜Byetplus

我们这边主要负责字节跳动ToAI大模型的商业化，像Seedance、Seedream，包括现在比较火的Seedance 3.0，都是我们在负责商业化。刚才这位嘉宾提到的一个点，我非常有感受。现在比如公司内部很多workflow，我们都已经通过AI做了简化，效率越来越高。这样一来很多工作或者职能，如果没有办法通过AI被替代，反而会给对应岗位的人带来越来越大的压力。比如我们的销售工作，跟客户开会后的会议纪要，我们早就不用自己写了；包括发账单、quotation这些，也早都不需要人工处理了。但是跟客户之间的沟通，这件事情涉及很多非常微妙的东西，目前还是没有办法被取代。也就是说当公司内部流程效率提升之后，公司会认为很多瓶颈其实还是出现在前端一线负责的人身上，本质上也就是销售身上。这是第一个比较大的变化。对于销售来说无论是工作量、工作强度，还是工作压力，其实都在变得越来越大。

第二个变化是，我们有很多同事，除了Seed的研发团队，这个没办法，因为他们本身是一个非常大的基座团队。除了研发以外，其实很多其他角色都在慢慢往销售工作上转。不光是strategy，还是运营团队，大家其实都在被push去接触更多客户，更多进入一线工作当中。这是我从去年10月到现在，这半年的时间里，感受到AI给我们组织带来的一些变化。抛砖引玉，也想听听大家的感受。

在协同方面，像你们这么大的企业，你有什么体会或者观察吗？

Shangqin｜Byetplus

协同方面的话，其实跟刚才这位嘉宾的感受差不多。我觉得字节内部在自动化这件事上推进还是非常快的。但在协同层面，其实大家绝大部分时间，还是花在拉会、对齐、讨论这些事情上。包括我们销售团队内部也一直在讨论，AI这一块到底能不能替代销售？但从目前我们自己的感知来看，有一些具体工作内容确实已经被替代了，但如果说整个职能被完全替换，其实还是比较难的。当然比如SDR这种on-call类型的工作，其实是有机会被替代的。但像一些做KA的sales，责任反而会越来越大。因为对于公司来说，如果一个项目真的出了问题，让一个agent去承担责任，这件事情目前还是不太make sense。所以这一部分，我觉得还是比较难的。

Davin YC Dong｜Cookiy AI

我们最近也在内部做了几个很关键的组织调整。

第一，我们不再区分前端、后端、算法工程师，所有工程师统一叫Full Stack AI Engineer。

第二，我们取消了Product Manager这个岗位。我们公司现在15个人，已经没有PM了。

第三，Designer现在升级成了Design Engineer。他们会用Claude Design这类工具去设定Design System，再结合AI Coding和前端能力，把产品交互、用户研究，甚至初步页面代码一起交付出来，再交给工程师继续往下做。

第四，HR现在更像一个Workflow Coder。他主要用Codex、Claude Code，再配合飞书多维表格和AI Assistance/AI Copilot，去完成候选人筛选、面试、跟进，甚至能同时cover财务、法务、税务这类事情。

所以对我们来说，现在这些工种单人能完成的事情和整体效率，都明显提升了。在这样的逻辑下，我们把更多资源倾斜到了Sales和GTM上。结果我们发现，原来GTM需要做的很多事情，不管是线上营销还是线下营销现在也都可以被极大加速。我们没有太多用Manus或OpenClaw这类相对不太可控的工具，主要还是用Claude Code、Codex，再加上大量Automation。现在我们基本上有两个GTM Engineer，每个人同时cover线上和线下：线上包括Self Marketing、Brand Marketing、矩阵号的Social Media；线下包括Luma Events、Offline Conference等等。单人的效率提升也非常明显。

但效率提上来之后，我们反而发现真正的瓶颈开始变成我这个Founder自己。因为以前我每天可能只要做20个决策，现在我要吸收5倍的信息量，做3倍的决策量。很多时候瓶颈不再是团队，而是我自己。所以我这两天也在想办法scale我自己。比如我刚刚把我的邮件、LinkedIn，还有平时常看的业务数据指标，都通过Claude Code的Daily Run自动生成成一个HTML网页。它每天早上6点自动跑，我7点多起来之后，直接把所有内容看一遍，该回的就在页面里点一下处理掉。这样至少能帮我省掉一个半到两个小时的信息搜集和主动发消息时间。但再往下一步，比如用Obsidian这类企业知识库去做一个“数字分身”版本的自己，替我承担一部分判断和决策，我觉得我现在还没做到。至少到目前为止，我也还没有看到特别好的实践。

马青山｜HiSeas

第一是远海国际的基本情况。远海国际是一家科技驱动的欧洲旅游目的地管理公司，2011年在瑞士成立。经过15年发展，现在已经在全球29个国家有大约50个办公室，一年在欧洲服务约13000个旅行团组，接待大概40万来自全球的游客。公司现在有约900位同事，其中大概1/4是海外员工。整体服务和协作能力，基本都建立在自研数字化平台之上。

第二是我们现在AI的应用情况。目前AI主要还是集中在一些特定业务场景的提效上。一个很典型的场景是酒店采购和预订。我们一年酒店预订量大概是100万间夜，每年和酒店之间通过邮件互动，大概有1000万封量级。所以我们专门做了和酒店之间发邮件询价、支付的自动化和智能化能力，现在也在验证预订、更改、结算等各种酒店信息交互的智能体。这一块已经明显减少了人工工作量，提高了预订效率。另一个典型场景是行程文件准备。我们一年服务13000个团组，需要准备大量行程文件。以前这些都靠人工做，现在通过智能体，可以自动生成多语言版本，效率提升非常明显。

第三是我们对未来的考虑。在这些单点自动化场景之上，我们现在更多在讨论的是：未来是不是会走向真正的数字员工。现在大家都在讲“智能体”“数字员工”，但从我们业务落地的角度看，智能体更像是单点能力，它还需要比较多的人去supervise和monitor；而我们期待的数字员工，是能够完成一个相对完整的工作任务，比如一次采购谈判、一次预订、一次变更、一次对账。更重要的是，它不只是完成动作，还要能够做质量检查和纠错，遇到例外情况时也能自己处理和修正。

现在智能体的任务完成度，大概还在80%到85%。剩下那些例外情况，还是需要人工去补。但如果要成为真正的数字员工，我们认为完成度至少要达到95%，甚至接近100%，同时还要具备质量检查能力。因为真正的员工是要take responsibility的，所以它的准确率和可靠性必须足够高。所以在我们看来，智能体和数字员工的核心区别，其实就在于准确率和完成度。现在随着Harness、Skills这些技术范式出来之后，我们已经开始做一些相关尝试和试点。我们的目标很明确：希望数字员工能在某一个任务上，把完成度真正做到95%甚至100%，而且自己具备质量检查能力。做到这一点，我们才会认为它是一个合格的数字员工。

再往后看，如果这些数字员工能广泛应用到行前、行中、行后的整个服务链路里，并且达到这样的完成标准和质量标准，那我们未来的增长，就希望更多依靠数字员工能力的增强和场景覆盖的扩大来支撑。因为我们的业务一直增长很快，每年大概30%，竞争对手主要还是欧洲本地企业。我们未来一个很理想的目标是：保持现有人类员工规模基本稳定，后续成熟业务的增长，尽量主要靠数字员工来支撑。当然这个目标最后能不能实现，也还要看AI技术本身的发展速度。

Walter Wu｜Hirey

我们公司叫Hirey，有hirey.com，也有Hirey.AI。我以前做过一个招聘产品，在印度有千万用户，在美国也有百万用户，是一个更传统的APP形态。去年我们发了Hirey.com，更像一种broker service，通过电话、短信，再加上AI帮人找工作，主要做蓝领方向。现在我们focus在Houston Caregiver，最近又发了一个新产品叫Hirey.AI。这个产品是给Agent用的。比如大家如果有OpenClaw，就可以装这个skill，装了之后，大家就可以互相找到，而且它不限于招聘。

为什么做这个？因为我特别认同前面讲的一个观点：AI本质上是一个“智力平等器”。所以智力这件事本身，会逐渐失去原来的价值。以前社会里很多隐性的鄙视链和利益分配，本质上都是建立在智力差异之上的。但现在AI已经很明显比我们更聪明了。所以我觉得，过去那些依赖“智力优势”形成的阶层，会慢慢失去原来的权力，规模也会越来越小。

我自己认为未来一定会两极化。一大部分人会变成类似OPC这样的存在，另一大部分人会更多回到物理世界的工作里，类似今天的蓝领。至少在robots还没有真正发展到一定程度之前，我觉得会先这样。所以我觉得，OPC会是一个非常大的事情。如果再往下看，我觉得这件事不只是公司内部怎么变，而是公司这种组织形式本身都可能会变。按照科斯的企业理论，公司存在，是因为一群人聚在一起干活，可以降低交易成本。因为你的talent、能力，很难被市场直接发现，你得通过认识人、聊天、合作，别人才能知道你擅长什么、喜欢什么、能做什么。但未来如果大家都有了Agent，这件事会变。因为在Agent网络里，沟通是毫秒级的，很多交易成本会被大幅压缩。那大家就未必还需要待在同一个公司里。

所以我现在觉得，未来很可能会出现一个Agent网络。在这个网络里，你的Agent帮你接客户、帮你处理各种事情，最后真正重要的，只剩下你自己的talent是什么。这也是为什么我们开始做这种To Agent的东西。只不过现在真正有Agent的人还不多，所以我们想先在这一小部分Agent Native用户里，把未来世界的雏形先做出来。我觉得白领本身没有那么稳固。白领其实也只是过去两百年工业化之后才大规模出现的东西。未来它未必会一直这样存在。我们甚至可能会重新回到一种更分散的结构：每个人都是一个很小的个体单位，通过Agent网络彼此协作。

张华｜Tanka

我们在上海做Tanka这个产品，本质上是在做中小企业的协同办公，核心一直围绕企业的知识记忆展开。刚才提到的很多点，其实我们这个平台已经做了挺长时间。我们一直坚持的一个观点，不是AI去替代人，而是AI去辅助人。它更像是在帮助同事提效、提升能力，本质上是一种互补关系。我们真正想探索的，是一种新的协同办公方式。也正因为这样，我们会尽量少去做那些特别垂、特别具体的Agent工作，避免AI发展太快，反而把平台本身短时间内冲掉。这一直是我们的基本判断。

另外，AI的发展肯定正在改变大家工作的方式。所有人都在提效，岗位和岗位之间的边界也在变得更模糊。以前我们就会说“人人都是产品经理”，因为人人都有想法；但真正让想法落地，还需要很多同事一起配合。现在AI和AI Agent的出现，最大的变化就是：有想法的人，可以更快地把想法推进、表达，甚至直接落地。所以岗位边界确实在变化，也让更多个体、超级个体开始出现。

但整体上，我还是觉得当系统复杂度足够高、要做的事情足够复杂的时候，很多岗位不是消亡，而是在变化、在融合。我其实不太认同那种特别悲观的判断。更多还是每个岗位的人都在进化。当然，在这个基础上，企业招聘的岗位数量可能会变少。因为每个人的要求更高、产出也更高，对岗位数量的需求自然会下降。但与此同时，也一定会出现很多我们今天还想不到的新岗位。所以整体上，我们还是比较积极地看这件事。人会进化，AI会进化，组织形态也会进化。只要整个社会的生产效率在提高，而且新的岗位还在不断长出来，我觉得这件事本身就值得更积极地去看。

企业内部的信息流（data/context/decision）正在发生什么结构性变化？

邓亚峰｜EverMind

我们主要关注的是基于长期记忆的下一代Agent OS。我认为今天思考问题，最好尽量用更AI Native的方式。这里面最核心的一点就是：要把未来的Agent当成“人”来看待。也就是说不管是one-person company，还是未来公司的组织架构，本质上都可能演化成：少数几个人，加上一大堆Agent，一起协同工作。

在这个背景下，我觉得有一个前提非常重要：信息必须被统一管理。对于个人来说，你的记忆、数据、上下文，不应该散落在不同平台、不同Agent里，而应该被统一汇集起来。因为未来你不可能只和一个Agent协同，你会同时用很多Agent，你自己的Agent也会和别的Agent协同。所以Data应该属于个人。前段时间大家也一直在讲Harness。未来的Agent，本质上可以看成Model+Harness。除了模型本身之外，其它部分其实都可以归到Harness里。它的作用，就是去规范模型的行为，让它形成不同的能力。

而Harness里，我觉得大致可以分成两条主线：一条是Data/Memory；另一条是Process，也就是流程。

无论是Agent做决策，还是人做决策，底层逻辑其实很像。Agent里面会有自己的loop，可能是一个主Agent加多个子Agent；而它做判断、做执行所依赖的，本质上就是Data、Memory、SOP、Skills这些东西。所以从这个角度看，我自己会觉得，未来真正更有差异化的部分，其实还是在Data/Memory。我们现在也倾向于把记忆、Data、Skills这些，统一放到一个更大的Memory范畴里去理解。因为未来你积累下来的，不只是数据本身，还包括流程能力、经验、SOP，这些最后都会变成Agent Loop可以调用的基础。

所以如果从组织角度来看，我觉得未来最重要的一个变化是：很多系统和产品，要开始从Agent和Agent怎么协同的角度去设计。人当然还会继续负责目标、方向、管理，但这部分会越来越简单，因为团队会越来越小。所以我们自己在组织结构上的倾向是：底层保留公共能力和基础Infra，上层团队尽量小。因为人和人的协同本来就是慢的，团队越小，决策和迭代都会越快。

所以回到今天这个主题，我自己的理解其实很简单：未来组织会越来越小。而信息流动，会主要发生在两个层面：

第一，是Agent内部的信息流。

也就是这些记忆、数据、流程，最终怎么塑造Agent的行为。无论你讲数字分身，还是数字员工，本质上都绕不开这一层。

第二，是人和Agent之间，以及Agent和Agent之间的信息交互。

我会觉得，未来真正越来越重要的，会是Agent和Agent之间的协同。反而人和Agent、人和人之间的交互，会变得更简单，不会像今天这么复杂。

再往下走，我觉得一个很大的变化是：Owner会重新变得非常重要。因为未来很多事情，真的可能会变成：一个人对整个结果负责。不是因为他什么都亲自做，而是因为他已经可以端到端地驱动Agent，或者驱动其他人，把整件事做完。我觉得这会是一个非常大的变化，甚至会进一步改变决策方式本身。

Jack Wang｜Tanka

我们这边也是和前面几位老师一起合作。其实无论是Tanka，还是EverMind，我们重点研究的都是同一件事：个人和企业的记忆。现在大家把AI当工具来用，让每个人变成“超级个体”这件事，已经非常明显了，也已经有很多好案例。但我们一直在想另一个问题：对于一家企业来说，它的经营、决策、执行和业务发展，本来就应该是一个连续过程。比如在公司里讨论一个新产品迭代时，一个新同事如果完全没有历史背景，和一个知道过去怎么决策、试过什么、踩过哪些坑的人，参与出来的讨论是完全不一样的。所以我们一直在想的是：当一家企业不是“每个人各自用AI”，而是整家公司开始以AI Native的方式运转时，它的决策和执行过程到底应该怎么被组织起来。

前面也有同学提到，大公司会觉得Agent现在还做不到100%完成任务，有时候会不准。但我们自己越来越觉得，很多所谓“不准”，本质上其实还是context缺失。企业内部真正缺的，不一定只是能力，而是连续的业务context。所以我们现在一直在研究的，就是：能不能把这些data和context更连续地组织起来。我们现在做的尝试，大概有两层：第一层，是在系统层面，把公司内部能用到的数据尽量汇集起来，做成可持续积累的记忆。第二层，是在日常管理和工作实践里，鼓励大家不仅整理过去已经沉淀下来的数据，也把过去很多只存在脑子里、没有线上沉淀的经验，通过每日总结、会议录制这些方式沉淀下来，最后形成一套相对完整、连续的企业记忆。这样的话，员工会来来去去，但企业本身仍然可以靠这套记忆继续往前发展。

AI-first的组织，结构是怎样的？

程远｜Jobright

我刚刚听下来，会觉得大家每一家企业其实都已经实践得挺深了。我的感受是现在AI变化太快了。所以在真正做AI Native产品之前，企业内部首先要先理解它、先去尝试它。未来大家提供的可能不再是tool，而是service，是结果。因为tool的生产成本会越来越低。那如果以后公司都开始直接deliver service、deliver结果，不管你是one man company还是一个真正的公司，最后的瓶颈会在哪里？

我最近听到一个说法很有意思：如果AI一天能建100栋楼，但整个过程中只有管道工这一环很难被替代，那最后最值钱的，可能就是这个瓶颈工种。所以落回到现实场景，我会觉得，未来在一个AI Native组织里，不会是所有人平均变成超级个体，而是会出现一种很明显的两极分化。大概会分成两头：一头，是最上面那一小批人，负责harness，负责设计整套agent架构。另一头，是最后给客户交付结果的人。因为agent即使做到了80%、85%、90%，很多领域最后那1%、5%还是要靠人来把关。中间这一层，我觉得未来很大概率会被agent承接掉。因为agent一旦拿到足够的context和memory，它在协作、管理、推进流程上的效率，天然就会比人和人之间来回沟通更高。

所以未来很多组织，可能不是“人给AI分发任务”，而是AI给人分发任务。

人最后保留下来的角色，要么是设计agent和整套系统的人，要么是AI做不了、或者做得还不够好的那部分事情里，负责最后把关和delivery的人。所以如果未来很多行业都走向AI as a service，那组织结构大概率会走向很明显的两极化。

AI Native组织的数据与资产沉淀，最有效的启动起点应该从哪里开始？

Jack Wang｜Tanka

在我们看来，这件事的起点还是要先有一个自上而下的动作。不管叫引导也好、管理也好，因为很多人不会天然站在企业的角度去沉淀这些内容。更多还是个人按自己的习惯来，比如有人用Notion，但整体都比较零散。所以我们现在做的一个动作是：先让组织形成这个意识，然后下面才谈工具和方法。因为企业里其实一直都有两类东西：一类是显性经验，比如SOP、销售材料、FAQ；另一类是隐性经验，比如开会时讨论出来的判断，为什么这么想，为什么放弃某个feature，这些其实往往非常重要。

所以第一步，还是先把这个意识建立起来。去找出企业里哪些信息很重要，但现在并没有真正被存进系统里，也没有被agent和日常工作流用起来。以我们的实践来看，沿着这个思路走下去，会发现很多原来没被重视的信息其实都很关键。比如一些周会讨论。再比如现在大家Vibe Coding用得很多，程序员写代码时，和Claude Code或Codex之间的交流过程，比如decision log、为什么这么设计、中间怎么反复、哪些地方AI一直写不对。这些其实都很重要。我们现在会通过一些插件把它们收集上来。

另外，每个人平时的日报、周报，以前更多是自己手写，但我们现在也很重视把它沉淀下来。因为这些东西本身就是工作记忆的一部分：我这段时间做了什么、为什么这么做、接下来准备怎么做。再往后，其实像季度绩效、年度绩效，也都可以围绕这些内容来展开。所以我们会发现，有非常多事情其实都可以让AI逐渐参与到企业经营和决策里。

但回到起点，我还是觉得最重要的是：先有一个自上而下的团队意识。有了这个意识，再去找工具：怎么把这些数据汇集起来，怎么和我们的agent连起来。

刘超｜元火花

我们是一家创业公司叫First Tree。我们在发明一个概念叫context tree。因为刚才大家其实都提到了agent要协作，核心就在于context。团队里很多决策、历史、过程，其实都应该被记下来，不然agent虽然能干活，但很难真正进入上下文。所以我们现在的做法是：给每个agent配一个维护context tree的skill。它会知道在什么时候、以什么方式去写context。最后这些内容会被存到一个GitHub repo里。你可以把它理解成一个repo for the team’s memory。团队里大大小小的事情，都会被组织进这棵树里，而且是树状结构。维护这棵树的，不是人，而是那些本来就在干活的agent。因为它们自己本来就有full context，做完事之后顺手就可以更新；而当它们下一次重启、接新任务、或者需要和别的agent协作时，又会先从这棵树里把context读出来。

我们自己团队内部使用完的感受是agent确实更in the context，干活也更靠谱。因为很多东西你不是不能记，而是如果不组织好，agent就根本找不到。尤其团队事情一多，这个问题就非常明显。

第二个，我们其实也在提升agent的自动化协作能力。因为context tree里不只是记录决策，还记录“这件事原来是谁干的”“谁有这方面的权限”“谁掌握哪些数据”。那这样的话，当李四的agent在做事时，它就会知道这块原来是张三负责的，于是会优先去找张三的agent协作。张三的agent可能携带着张三的权限，也能访问张三原来能访问的数据，于是很多协作就可以直接在agent和agent之间完成。我们自己的想法很直接：人本身就是瓶颈，所以我们想尽量让人从loop里消失。

基于AI的组织，从我自己的实践看，组织形态也在发生变化。以前不管大公司小公司，本质上都还是一个金字塔：上面的人少，下面的人多，因为有很多基础工作要做。但我现在越来越强烈地觉得，这个金字塔正在快速变成一根杆子。它没有以前那么陡了，层级也没有那么明显了。我觉得这已经是组织正在发生的一个非常明显的变化。但与此同时，我也觉得有两类人现在还是很难被替代。一类是和物理世界打交道的人，比如送货、炒菜这种；另一类是和社会打交道的人，比如sales、HR、投资人这种，本质上是在和其他人、其他组织、其他机构打交道。这些工作我觉得目前都很难被agent真正替代。而且说实话，我也希望最好别那么快被替代，不然人真的就没什么活干了。

不过我自己最大的感受，其实是失望。大家对AI的期待都很高，我自己也是在高期待里不断失望。最核心的问题，我觉得有两个：

第一是context很难拿到。这也是为什么我们现在在做context tree。

第二是AI做决策还是比较短视，或者说比较“没品”，它的决策能力其实没那么好。

除非它做完决策之后，你能给它一个很好的反馈。但问题是，现在自动化反馈机制并没有那么成熟，很多时候还是得靠人给反馈。所以我会觉得，今天组织自动化之所以还很初级，核心还是context retrieval/management，以及feedback mechanism这两个问题没解决。而且这还是在软件工程这个最应该先做好的领域里。因为软件研发至少还有测试、编译器、上线后的日志这些反馈机制。但即便在这里，反馈也还不能非常及时、非常自然地到达agent，中间还是要靠很多人来做胶水。如果在软件工程里这件事都还没完全解决，那我就更难想象别的领域要怎么解决。所以我自己对AGI其实是偏悲观的，我觉得没那么快。至少在别的领域，如果它没有办法构建出自己的反馈，也没有办法形成真正的“品味”，那所谓AI native、AI first、AI autonomous，我觉得都不会来得那么快。

在实际推进AI Native组织时，大家认为最难落地的部分是什么？

Jack Wang｜Tanka

我之前特别思考过这个问题，我觉得这个问题特别好。其实现在的AI，我个人认为它距离真正的AGI还有比较大的差别。它现在在做一些任务时，比如代码或者其他比较容易被验证的任务会做得很好。因为它能够很快拿到反馈：这个地方有没有bug？有没有报错？对不对？但就像刚刚这位同学讲到的在人的很多决策里，其实并没有办法很好地从我们经历的社会实践中，直接得到所谓的正反馈和负反馈。所以它很难给出一个你觉得“好”或者“不好”的决策，也很难形成所谓的品味。所以我觉得虽然这个阶段AGI还不成熟，但可能是有一个办法的。当然，这个办法可能比较残酷，我们有时候叫做“蒸馏员工”。

人的大脑其实是很擅长做提取的。人的经验积累本质上就是这样一个过程。为什么有经验的人更容易做出好的决策？其实就是因为他在长期经验中形成了一套判断方式。他们的一些taste，一些思维方式，以及决策框架能不能被沉淀下来？虽然这件事听起来有一些残酷，但我们发现它其实是有效的。当你能够学到某个行业、某个领域里有经验的人，他们的思维模式，或者他们在做判断时会考虑的一些点，再让大模型结合它相对没有那么多经验、但逻辑推理能力很强的reasoning能力，其实还是能做得不错的。所以现在我们参考的无论是自己团队的实践，还是把它融入到产品里，都会希望把这种所谓隐性的经验，更多地沉淀在企业里。这其实也是我们的一个想法：相当于借助人的大脑，来帮助AI提炼这些东西。

Kenny｜StepFun

刚刚听大家讲了很多，我其实一直在犹豫要不要分享。因为大家兴致都很高，但我可能还是想稍微泼一点冷水，讲一讲我们的焦虑。

刚才大家一直在讨论一个词，叫AI Native。这个词我们自己也讨论了很久。对于创业公司来说，因为包袱很少，很多事情founder、partner自己就能决定，所以AI Native这件事相对容易成立。但对已经比较成型的公司来说，我们现在其实会怀疑：AI Native会不会是一个伪命题？换句话说，像我们这种不是随着这一波AI浪潮重新创业起来的公司，最后是不是只能作为AI immigrants去参与这场变化，而不是原生的AI Native组织？这个问题我们现在还没有结论。因为越是大的企业，我觉得越会碰到几个很现实的问题。

第一个问题，是信息怎么结构化处理和存储。越是传统企业、历史越长的企业，内部就越容易积累大量碎片化、记忆化、脏数据，甚至一个企业里同时有多个信息库、多个信息源。在这种情况下，怎么把这些信息和Agent真正结合起来，而且还尽量减少hallucination本身就是一个非常大的挑战。

第二个问题，是权限和保密。这个话题可能没那么sexy，但在大企业里其实非常关键。因为很多决策内容、很多战略信息，本来就有很强的保密和分权要求。可现在和Agent结合之后，我们其实并没有那么强的信心，相信只靠简单的交互或者post-training，就能把这些权限问题处理好。大家会希望用同一个知识库，但不同Agent只能以不同方式去访问。可这件事现在大家其实还不敢完全放开。因为一旦有敏感数据泄露出去，后面影响会非常大。

第三个问题，是信息耗散。这一点我特别有感触。因为很多真正重要的信息，并不是在文档里产生的，而是在现实里、一对一的沟通里产生的。理论上最好的方式当然是：聊完之后立刻跟Agent说，我们刚刚聊了什么、我怎么想的。但现实是，特别忙的时候，很多人其实根本做不到。一天能做一次总结已经不错了。所以在这个过程中，大量信息其实已经在人和人交互的过程中被耗散掉了。这会直接造成上下文的缺失。

所以在这些挑战之下我们也一直在想：如果真的是一个AI Native的组织，它可能会有一种更以AI为中心的工作方式，能从一开始就更自然地把这些问题处理掉。但对我们这种已经成型的组织来说，我们是不是最终只能做immigrant，而不是native？这个问题，我们现在确实还没有答案。

Slash Huang｜前阿里巴巴

因为我自己一直是做IM出身，现在也还是在这个方向，所以我看这个问题，会更偏企业办公协同一点。

第一，我觉得很多企业真正的context，本来就发生在IM里。很多沟通、很多数据源，其实都在群聊、项目群、聊天流里。如果最后还要靠人手动把这些信息转存到一个统一、中心化的地方，那其实很难形成AI自己持续迭代的上下文。像飞书、钉钉、Slack这类产品，基本都是左边feed，右边消息。用户不断切换不同feed、不同topic去看不同上下文。但这个交互本质上其实很低效。因为人在跟不同agent协作时，需要不断切换上下文。我觉得未来可能会借鉴类似TMUX、Terminal里的TUI视角，把IM聊天做成多工作区、多格子的形态。到那个时候，人在企业协同里的角色，可能更像一个supervisor，更多是在观察AI的output，而不是自己一直在群里聊来聊去。

第二，我觉得token budget这件事，现在还是很粗糙。以前我写skill，很多时候会用Markdown file去编排workflow，比如第一步做什么，第二步做什么，再加上Order、Data、Plan、Group、Auditor这些模式。但我后来发现，如果一个工作流本身已经比较确定，那直接写成脚本去跑，和靠Markdown去编排，效率差别会非常大。有些事情用脚本可能30秒就做完了，用Markdown可能要5分钟，而且大多数情况下，scripting的结果还更好。

所以我自己的感受是，很多企业里的工作流，其实并没有复杂到必须完全开放式地交给AI。很多东西是可以编排、可以固化、可以脚本化的。这样做的好处是你在token budget和output精确性之间，能找到一个更好的平衡。对企业来说这是好事。当然反过来讲，它也会牺牲掉一部分AI的发散性和brainstorming能力，所以这本身就是一种trade-off。

最后一点，我觉得AI的主动性还是不太够，尤其是在决策质量上。现在大部分情况下，我用的还是被动式AI。它主动提出来的那些建议，我觉得质量普遍还是比较差。一个原因可能是训练语料的问题；另一个更现实的原因是，很多公司的知识库本身就是垃圾。里面很多内容过时了、没人维护，甚至90%都可能有问题。文章写完就放在那里，也没人回头看。那如果AI是基于这种旧知识、脏知识去学习和输出，它不是在变聪明，而是在变笨。

所以到最后，我觉得这件事其实会回到两个要求上：一是组织内部的信息质量，二是组织本身的人才密度。

邓亚峰｜EverMind

我个人觉得这件事还是要看大家怎么理解AGI到来的timing。我自己的感觉是，它可能会在两年左右，或者再稍微长一点的时间维度上发生。当然，这也取决于你怎么定义AGI。但我觉得现在更重要的，不是去争论它到底哪一年到，而是这里面已经发生了一个很明确的范式变化：无论是做产品，还是我们自己的思维方式，都需要开始迎接这个未来。

今天我觉得大概有两种选择。

一种是，在现有的软件框架里，把企业数据整理出来，形成一套SOP，让AI配合人去完成工作。这种方式当然是OK的，而且也是最符合大家当前习惯的方式。只是它本质上还是人做更多工作，AI来辅助。

另一种，就是为什么大家会讲one person company。因为组织越小，协同越少，很多事情反而越容易走向AI native。我觉得这和企业组织形式本身强相关。大企业天然更重，数据敏感、隐私要求高；几个人的小团队，反而更容易直接变成AI native，这也是很自然的。

另外还有一点，是我自己的一个感受：模型能力的提升，可能会比我们想象得更快。我自己一直做算法，过去的判断一直偏慢，因为懂技术的人有时候反而会更保守一点。但我现在越来越觉得，应该不断提醒自己：这件事会很快。也许半年之后就会有一个很大的进展，一年之后可能又会有一个很大的进展。所以我觉得核心是，我们要从思维方式和做事目标上去看未来。而且这个未来很可能不是线性的，而是指数级的。当然这里面的困难我也知道，但我还是觉得，我们需要更多从“迎接未来”的角度去思考问题。

还有一点是，当我们在想怎么让AI更好地干活时，有没有可能定义一套更好的Agent框架？比如通过配置文件、对话、AI coding，再加上模型本身的持续演化，让人能够不断调整Agent的行为，让它更符合个性化需求，同时又提高成功率、降低token消耗。我觉得这件事里面其实还有很多可以做的空间，而且是比较面向未来的。

潘若琛｜阿里巴巴

我们最近在国内已经开始做一些企业内部交付，主要围绕三个层面展开。

第一个层面是，我们发现现在国内无论是外资企业还是本土企业，都开始越来越重视结构化数据和非结构化数据的整合。这里面在企业内部会遇到一个很大的问题：到底应该如何从底层把这件事情做好？关于这个方向，我们现在也在探索一些新的技术方案。当然其中有一些可能和Palantir的思路类似，但我们也希望在此基础上做一些创新。

第二个层面是，我们在企业实际交付过程中发现，数据权限、Agent权限，以及企业组织协同，是短期内非常现实的问题。我认为这里面仍然有一些机会可以做，所以我们现在也是从这两个方向开始切入。

在这个过程中，我们确实也发现了一个问题：像OpenAI、Anthropic这样的公司，在现阶段似乎并没有像Palantir那样激进地去做ToB企业服务。所以我记得Richer之前也问过我这个问题，我也想借此请教一下大家：这两家公司在服务美国本土或海外企业客户、真正进场做ToB服务的时候，是如何解决这些问题的？它们肯定也会面临所服务企业客户的数据治理和权限管理问题，但我现在还没有看清楚，也没有看到它们具体是怎么做的，所以想听听大家的看法。

刘超｜元火花

企业里面的数据非常多。刚刚我讲的其实是context，但我觉得从狭义上来讲，context指的是agent干活过程中需要的那些信息。但我确实看到企业当中原来的各种SaaS，以及所有的文件存储，其实都不太可能直接进入context里面，因为这些数据量都比较大。特别是对于一些所谓的大企业来说，我现在看到Anthropic和OpenAI其实是搞不定这件事情的。他们并没有处理大数据和数据治理的经验，所以我感觉还是需要像阿里云这样的产品，包括StarRocks、PingCAP这样的产品，来处理这些问题。只不过，这些数据层都需要为agent提供更好的访问接口。比如访问这些数据的方式，可能应该CLI化。

另外，原来访问这些数据其实是写SQL。agent当然也可以写SQL，但SQL这个语言本身是一种声明式语言，其实不太容易debug。而且随意写出来的SQL，执行效率本身就可能很差。这个效率问题还是需要Infra去解决。但也许未来还会出现新的数据访问方式的变种，我认为这是有可能的。因为SQL到底是不是agent访问数据最好的方式？我其实不知道，我也不是这方面的专家。但我看到已经有挺多人开始在做这方面的尝试了。

Rolan｜TaleSpark

刚才听大家讲了很多，很多观点其实都对，但一定要放到具体的context里去看。因为不同业务、不同组织、不同位置上，大家对AI落地的感受差别会非常大。所以每次别人跟我聊“AI加业务”这件事时，我都会先问一句：你是站在什么样的位置上讨论这件事的？这个很关键。

我觉得有一类组织AI native化会非常快。比如业务偏To B、偏工具、偏通用场景，团队又比较小，或者本身就是创业团队。这类组织很多时候甚至不需要专门去设计所谓AI native架构，因为它从建立开始，就天然更容易往这个方向走。很多人其实就是先把自己变成“降临派”，让AI先赋能自己，然后再慢慢往团队里扩。如果这个业务本身闭环比较清晰，输出又相对可衡量，那这种扩散通常是很自然的。

但另一类情况就完全不一样。最典型的就是游戏，尤其是重型商业游戏。它本身就是一个多职能融合研发的行业，又重研发、重市场、重运营。所以在这种情况下，组织会明显遇到迁移阻力。因为不是每个节点都能像AI那样更新得那么快。我见过很典型的情况：策划是“降临派”，程序也是“降临派”，但他们彼此之间反而更难协作了。策划会抱怨程序听不懂自己在说什么，程序又会抱怨策划根本不懂agents。每个人自己的小团队都已经AI native了，但一旦跨部门协作，就开始出现很严重的卡点。这种情况在大厂和大团队里尤其明显。因为这个时候，老板通常会很急，但又未必真的知道怎么设计出一套足够清晰的自顶向下架构，去解决这种问题。于是他只能给一个大的方向：你们都得改、都得搞、都得native。这种情况我见过非常多。甚至有些组织会直接用很激进的方式去推，比如看token使用量，或者要求所有人都必须用某种工具。但问题是，这些方法并不能真正解决跨职能协作里的那个核心问题。

我自己就遇到过类似情况。一个百来号人的重型商业游戏项目，已经上线运营两年多，本身就是成熟项目了。结果AI native化之后，他们内部美术、策划、程序原来就有的隔阂，反而变得更重了。程序那边用AI生成report、生成代码库，传给策划；策划表示自己的agent看不懂，只能让自己的agent再去问程序那边的agent。看起来像是在协作，但实际上人和人之间真正的交流反而更少了。最后misunderstanding可能会更多，设计债、技术债也会越积越高。所以我当时给那位朋友的回答是：如果你们的制作人、主PM，或者更上面的老板不亲自下场，这件事其实是很难解决的。因为这已经不是某一个岗位自己努力就能自然解决的问题，它更像一个囚徒博弈。

所以我也同意刚才有人讲的：这件事一定要自顶向下去带。但同时我也想补一句，这条路径本身其实是很奢侈的。尤其是在大型团队里，节点越复杂、协作越重、内外部沟通越多，往AI native化推进就越难。因为你也不可能期待，现在这个阶段所有老板都已经具备了非常精确的AI native组织设计能力。这也是为什么我最后会出来自己做。很多事情从头开始，反而更容易。