商业趋势
大模型迭代的速度，让很多企业焦虑：今天好不容易搭起来的能力，明天会不会被一个版本更新直接抹掉？
在笔记侠AI营02期的课堂上，影刀RPA合伙人赵凡（即心）给出了他们的答案。
他把企业用AI分成三个阶段，从RPA（机器人流程自动化）执行，到智能体参与决策，再到智能体“上岗”，最终长出来的东西叫AI原生组织。
围绕这个判断，他们重新定义了组织能力，给出了从知识沉淀到AI落地的路径。以下是即心的分享。
一、企业应用AI的三个阶段
什么叫做AI原生组织？或者说，有什么标准意味着它是AI原生的？
先说我们自己的划分，我们会根据企业使用AI的程度来划分成三个阶段。
1.第一阶段：原来由人干的节点，交给机器人干
把流程中间的一些节点，从当年由人做，转变到现在由RPA（机器人流程自动化）做。早先这些环节可能都是由人来取数、由人来判断、由人来处理、由人来执行。到RPA出现的时候，这一系列节点只要能被定义清楚，就全都可以被自动化操作。
尤其是当这件事的操作规模达到了每天、每周、每月，甚至属于客户这个量级，或者你的数据量非常大的时候，效率会更高，准确性会更高。所以越是这样的环节，越容易被自动化。
举个例子，我们原来自己做消费直播业务的时候，让小伙伴根据不同的类目去建联100个达人。注意，这100个达人指的是真正能建联到、能够去跟他沟通的。你会发现背后你可能要花掉一周的时间，去跟2000个、2万个达人发消息，中间可能有1%的人会回你，你才真正意义上能跟他建联。
这类工作，本质上只是被我们抽象成了一个一个步骤，它完全可以被规则化：类目搜索、点赞数、评论数、播放量，再到关键词，这一系列判断标准本质上都能写成规则。
2.第二阶段：把AI的判断加进来
到第二阶段，会有更多AI环节参与进来。比如原来是需要人工判断的，现在由AI来识别。
我们合作了很多餐饮企业。餐饮企业最害怕的，或者说最痛苦的，就是自己的线上订单流量出现差评。一旦出现差评，无论是对本地生活的O2O订单，还是对客户口碑，影响都会被放大，所以他们对差评格外在意。
如果是一家连锁企业，全国所有门店都要处理差评，还要做到及时干预和修正，光这一件事的代价就非常大。所以他们现在会通过AI的介入来识别这些问题。
这样一来，能覆盖的场景就更宽了。
3.第三阶段：智能体上岗
最后一个阶段，我们叫做智能体上岗：从执行流程，到思考加执行。相当于我们把一个岗位的整个闭环交给它来跑，而这个岗位下面还可能长出多个不同的智能体岗位。
当多个智能体岗位同时出现，又会带来协作、迭代等一系列新问题。所以在智能体岗位的搭建和协作过程中，就会慢慢长出我们说的AI原生组织。
从业务流程，到岗位智能体，再到真正的原生组织，这是一条看得见的变化路径。
4.企业落地AI的三部曲
一个企业如果真正要往这个方向走，说白了就是这个三部曲：
第一部分，广泛地把所有ROI最高的、执行已经比较明确的、可以直接落地的先串联跑起来。比如数据采集、报表生成、订单处理，这些都叫减少重复劳动、建立确定性。因为这些确定性建立起来之后，无论在上面加任何东西，都是更多的加成。
第二部分，岗位增强。让每一个岗位可以更快更准地工作。它在确定性的基础上增加了判断，覆盖了更多场景，结果可以跨系统产出，反过来让你更清楚哪些决策可以交给它，而且它做完决策还能直接拿到结果。
第三部分，组织性。让整个团队围绕着一个经营目标，不光由人驱动，更好的还是由智能体驱动。
所以未来的组织，在这个判断体系和执行体系下会多出一类角色，叫AI员工。除了人之外，还有AI的员工。这三个结合在一起，是我们认为未来企业演进的步骤。
二、AI原生组织：如果AI失效，
这个公司还能不能转？
在正式聊智能体之前，先回到一个所有产研朋友和创业创始人都会面临的问题：市面上有了这么多的端侧智能体，我们手上的能力也就这些，那到底接下来做什么？哪个方向可以突围？
1.先问两个问题
我们给自己先抛了一个问题：什么是AI时代下企业发展的最核心能力？
在这个背景下，我们给自己提了两个问题：
第一，什么是这个市面上的真问题？
评判标准是：这个真问题重要到我们必须来解决。
第二，我能给出什么方案？
评判标准是：这个方案在我们看来是一个好于市面上10倍结果的方案。
当年影刀的RPA就是在这样两个终极追问下自己长出来的。简单来说，我们定义了一个市面上所有其他RPA公司没有定义的问题，并用一套其他RPA都没有这么定义过的解决方案，通过这个方式长出了影刀的产品设计原则、商业售卖和服务原则。
2.三个时代，放大的东西不一样
我们要回答这两个问题，得先看时代变了什么。
工业时代，是制造工具。有了蒸汽机、电动机等等，工业时代人的体力基本上被替代了。人和人体力上的差异在工厂里几乎可以忽略，因为反正都不是你干，都是机器干。所以在那个时代，造工具是工业时代非常大的一个切入点，通过造工具放大了人的体力。
信息化时代，某种程度上是在造人脑。它给了人更多信息，放大了信息的流转效率，企业因此更容易做决策。
到了AI时代，总体来讲是放大人的认知和决策。也就意味着，人的很多决策，某种程度上不需要人做了，因为AI可以替你做大量的认知和决策。
3.过去是人驱动系统，未来是AI驱动系统
那过去的企业组织和AI时代下的企业组织，有什么本质区别？
在过往的时代，包括到今天，所有人围绕着一个企业共同的目标来到一家公司，背后的核心原因是：一个企业本质上是一个由人驱动的系统，人界定了这个企业去哪，并且通过软件、流程、薪酬、激励等一系列方式，帮助这批人更好地往前走。
所以，整个组织完全是以人为中心的。在这个过程中，所有的决策、经验、前进的方式，包括大家经常说的“这个活特别重、不够干、没法干、我需要加人”，本质上都是因为在这个组织模式下，人是所有一切承载的终极载体，也是一切经验、数据、成长的核心载体。过去整个组织是依靠个人的能力在流转的。
到了AI时代，核心变化是：组织应该围绕着AI来运营。软件、流程、激励、人，都应该围绕着AI走，AI是这个组织的本身。
因为人的这一系列决策以及认知判断，AI某种程度上都具备了这样的能力。所以在这种情况下，我们认为未来AI并不仅仅只是一个工具，也并不仅仅只是一个岗位的助手，AI其实是整个组织的运行中枢。
回到最开始的问题：什么是AI原生组织？
我们认为，中国现在的市场上就已经存在这样的组织，比如大家熟悉的滴滴和美团。
大家可以想一想：滴滴和美团的骑手、司机体系里，有多少订单派送是由人决定的？基本没有。这两个组织基本是围绕大数据、算法和AI来做判断的。如果有一天AI从这个系统里消失，这两个组织基本就不存在了。
所以如果用一个最通俗的说法来界定什么是AI原生组织，就是：如果有一天AI失效了，这个组织没有办法运转，那这个组织基本上就是一个AI原生组织。
那在这个过程中，人是什么角色？
在这个组织里面，人是物理世界的最后一道价值传递者。真正意义上的触达还很非结构化，没法全部由系统做完：虽然有无人机、无人车的派送，但你上楼梯还是需要人的，跑个加急订单也还是需要人的。
人成了完整交付里的一个环节，同时很多高价值的事依然要人干，包括整个系统的设计。所以人、流程、经验、激励，核心都是为了让整个系统运转得更好。
4.AI不是辅助组织，AI本身就是组织
因为有了这样的判断，我们会认为：AI不是辅助组织，AI本身就是组织。
到今天为止，大家在Project、OKR这类产品里做岗位增强型的智能体，帮你在那个岗位上更好地辅助决策，我们认为这一定不是终局，它可能才刚刚开始。
它的终局是：在很大程度上你根本不需要插手，它自己就能做决策，只有部分环节需要你下场做修正、做设计。
5.造塔还是造船
从去年年初开始，全球范围之内就掀起了一种让我们非常焦虑的论调：AI时代来了之后，所有软件公司都得死。
我们自己也会判断：很多垂直公司做了某些能力，大模型一迭代，模型厂商自己也具备了。那是不是一个插件、一次模型发版，就能把企业自己的这些能力全部替代掉？我们在很长一段时间里也有点焦虑，但后来发现其实不完全是。
我们回过头看：过去大部分企业，包括我们自己，发展和成长本质上都是构建在造塔的逻辑上。你每一次的进步与发展，都是构建在流程、经验、人员这些一层层搭起来的基座上，有朝一日变成珠穆朗玛峰，比同类型的山都高，所以你不怕。
但是当大海啸来的时候，有可能是所有这一批珠穆朗玛峰都被覆盖了。这种情况会让人心里没底，觉得有朝一日可能被颠覆。
那面对这样的技术进步，到底什么样的运转模式才是真正靠谱的？
我们认为应该是造船。意思是当海啸来临的时候，无论海平面升高100米还是200米，我的船都浮在上面，可以逆风走，也可以随风飘。
所以我整个企业的一系列决策，如果都能够构建在模型的每一次大的迭代之上，那至少跟整个时代的发展方式是趋同的。全球的资金、数据、知识，这一系列的迭代都应该变成我的基石，因为这么多钱在那，我为什么不用呢？
简单来说：企业整个的使命、愿景、价值观和背后的所有能力要构建在AI之上，让每一次大模型的迭代和技术的进步，能够推高你再往上走一丈。
组织能力的定义就是：让AI每升级一次，自己其实也可以升级一次。
三、软件是规则，智能体是概率：
决定上限的是“思维框架”
有了这个判断，接下来的问题是：这事怎么实现？作为一个产品创业公司，我们应该提供什么样的能力、构建什么样的产品？
先看软件时代和Agent时代的核心区别。
1.传统软件是写死的，AI是概率系统
在传统软件时代，大家回忆一下自己平常使用的ERP、CRM，所有这一切，基本上在你买的时候，就已经定义清楚了软件的边界。这个软件基本是基于市面上的最佳实践，抽象出一套规则和边界，告诉你最好的运转方式应该是什么样。
所以软件里的一切都是写死的：规则、流程、功能全部提前定义好，否则就没法复制给所有客户，只能做成定制服务。
到了AI这个时代，最核心的区别是：AI本质上是一套概率系统。
你给我上下文、给我角色、给我一系列反馈，我就能基于这些要求不断迭代上下文，自主地变化。所以在这个背后，我其实不是一套规则。
规则是被框死的东西，出来的结果非常确定；而通用大模型不是按规则出牌，它是基于你的一系列要求、反馈等等，生成了一个它认为最符合你诉求的产出物。
所以在Agent时代，Agent应该定义目标。大家现在学到的搭建Agent都有这套逻辑：给角色，搭建目标，给一定程度上的上下文，并且尝试去给一定的评价体系。
评价体系是什么意思？就是每次做完了，做得到底好不好，你要给反馈，甚至拿测试案例去比对，告诉它离目标还有多远。
2.智力和思维框架
这套逻辑会让人有一种熟悉感。我们用一个最简单的比喻。
我们身边其实会有很多智商卓绝的人，比如他生下来智商就150，做各种基础测试题都碾压你。但是如果他回到你的行业、你的角色上去做题，你会发现他大概率上做不过你。
为什么？因为每个人在成长过程中，大概是用两套东西帮助自己做决策的。
第一层叫智力。一个人的初始智商从出生就由基因决定了，但如果通过刷题，持续不断地测试，可能结果好一点。
第二层是思维框架。你会发现你过去学了一堆方法论：做数学题要微积分，做化学题要有元素周期表，做物理要准备这一系列的公理和原则。
当我学了这么多思维框架，做物理题的时候，就会在这个大脑里加载这些方法论，再生成一个决策结果。当这一系列学得越来越多、刷的题越来越多的时候，你做出来的决策好像变得越来越准了。
而这套思维框架，类比到AI时代，其实就是提示词、上下文、工具调用和记忆。
相当于你给了它一串提示词，告诉它这样的决策应该有这样的框架：你应该定义清楚什么是目标，定义清楚核心边界是什么、核心要求是什么。通过这个方式帮助它训练，告诉它上一次的上下文是什么，通过这个上下文能得出一个结果。
在这个背后，它可以调用各种工具和记忆，来完成过去这一系列的流程。
3.让框架变好的四个能力：观测、评估、反思、计划
框架变得越来越好，靠的就是不断刷题、不断拿反馈这个过程里的迭代。我们给出的建议是四个词：观测、评估、反思、计划。
让这套思维框架越变越好的关键就在这四个能力：它得知道自己错在哪、往哪走、怎么才能变得更好。
我们可以把它跟人的岗位做个类比：
观测，相当于一个实习生进来，你最起码得知道他表现如何：是不是按点上班、岗位投入怎么样、跟同事相处得好不好。有了这些信息，他的上级和身边的小伙伴才能对他做出相对客观的判断。
评估，就是告诉他OKR里哪几个维度没做好，每个维度背后还要给出改进建议。
反思，就是评估和建议给出去之后，再看他的表现有没有变化。变好了，说明他在进化；没变好，那也是一种进化，只是方向可能偏了，而这个偏差同样要被识别出来。
计划，就是基于前面的判断，给他定出下一步：往哪个方向走、补什么、先做什么。没有这一步，前面三个都只是复盘，变不成下一次的结果。
所以你会发现，这套逻辑本质上就是互联网产品那套迭代逻辑，而这套迭代逻辑就是人的成长逻辑。
在AI时代，对于AI员工、AI智能体，从某种角度来讲，需要通过系统化的努力，让这件事能够被实现。
所以我们会发现，当整个企业智能体要落地的时候，本质上并不在于模型有多厉害。因为模型再怎么厉害，也没法替你在你的岗位上做决策，它完全不知道你的上下文是什么。
我们今天看到很多企业面试完之后，把面试评价直接甩进Kimi或者豆包里问“这个人怎么样”。它不知道你的偏好、目标和要求，只靠通用知识，是给不出符合你企业用人标准的判断的。
所以对企业来说，核心是让这些能力融进业务里，构建出一套真正可信的体系。
四、真正的创新不是更强的锤子，
而是新的流水线
当这四个能力建立起来之后，我们回过头看：它其实并不是让模型作为一个更强的工具来直接生成或者解决某个问题。
我们发现，当出现了更强的能力之后，它改变的是原来的协作方式。这在历史上也是一样的。
1.电力革命的启示：赚钱的是重新设计工厂的人
电力革命带来的最大改变，并不是电被生产出来的那一刻，而是若干年后有了电动机，电动机又被用在了更好的方式上，才有了真正意义上的流水线。
流水线把原来一个人守一台纺织机，变成把整条纺织流程串在一个业务流上：有人专门纺纱，有人专门洗纱，有人专门织布。人的协作方式彻底变了。
从一个人拿着更好的工具干完一整件事，变成多个不同的人分工协作。
所以在这个过程中，我们认为：当重要的生产力发生变革的时候，它最终的结果一定不是出现一个更强的锤子，而是成为某种协作范式的变化。这样的协作方式变化，才真正意义上会带来综合的结果。
回头看，无论是电出现的时刻，还是电脑出现的时刻，最后真正产生重要价值的，都是它进到了组织流程里去：改变了组织分工，改变了协作模式，最终才产生了价值。
2.真正的创新不是强化旧工具，而是重构决策系统
在这样的观察思考下，我们认为：真正的创新不是强化旧工具。
所以不可能靠一个更强的模型，或者一个更强的端侧智能体，就直接解决企业的问题。要让它融入到企业的流程和业务中去，重构整套系统，才能真正解决问题。
推导出来的结论就是：我们核心能够给企业提供的价值，是重构决策系统。
让整个企业的决策都建立在AI之上，把企业过往的经验、数据、业务规则都沉淀在AI之中，让每一次的决策可以自进化。
这样的模式可以重构客户管理系统，也可以重构销售系统。比如我现在对我们的销售团队在做的事情，就是把客户价值判断交给AI：什么客户要跟、什么客户不跟、今天做得好不好，都不再由人来判断。
当然过程中需要人来辅助判断AI的判断准不准，但本质上这件事应该由AI来做。
五、个人提效不等于组织提效：
企业AI的四大能力
那么，企业要落地做Agent，到底怎么做？
我们看下来，大量客户在个人端做智能体落地，都会碰到四个问题：
第一，上下文不规范，导致智能体没有好语料；
第二，工具没配好，比如销售识别一个客户，企查查这类公开信息本该能直接调用，背后要配好MCP和公开API；
第三，提示词书写和评价体系不规范；
第四，缺少持续“养”。
每一个Skill背后都是需要培养的，跟实习生一样：刚招进来肯定不好用，过了三五个月，他对岗位熟悉了，很多环节就能交付了。
1.Token治理：Token是新的生产资料
在AI时代，Token会是非常重要的生产资源。背后所有决策都要靠Token处理才能产出结果，所以未来Token应该像一种新的生产资料、像人力成本一样被管理，就跟过去招人发工资一样。
具体提供三件事：观测，Token花在哪个对话、哪个任务上最多；提效，消耗效率有没有变化，有没有更合适的模型推荐和流程设计；权限，谁该有更高的Token权限。
我问过一位老总，他们30%的人开发能力比较好，对这30%不设限。但这30%是靠一段时间持续测试识别出来的，另外70%也要再走一遍。Token生产出来的物料什么时候能进生产环境，也得各部门自己总结评测。所以这些都要靠线下人力来做，响应速度和效率都比较低，部门治理非常重要。
2.团队共建AI：一群人养一个智能体
今天很多人用Agent，其实是一个人代替一群人：他写了啥做了啥，其他人就等着。这某种意义上就是这个人成了IT，在服务全公司。以前我在阿里，工程师非常多，但需求永远接不完，大部分都在排期中。因为业务需求就跟人的欲望一样，无限的欲望碰上了有限的供给。
所以当一个团队都要解决问题的时候，应该是一群人共建AI。
比如市场团队要处理客户声音（VOC）：听到差评要及时回复，或者做数据识别，帮助优化选品。市场一号位和专员在这件事上的想法深度是完全不同的。
所以最好的方式，不是由专员去写Prompt和智能体，而是他写的内容一号位能公开透明地看到，并且可以自己下场、自己迭代、自己输入。现在智能体的输入门槛已经大幅下降，大家可以共同养一个智能体。
当这件事发生的时候，它才真正代表这个团队内的最高智力决策。否则就是谁在编、谁的输入决定了团队智能体的上限，那是一线的提问水平，不是一号位的提问水平。
一个助手不应该是一个人写的助手，而应该是团队共同培养、共同编辑的智能体，只有这样才能把个人经验变成组织资产。不会因为这个人忽然离职，他在本地电脑上写的智能体和上下文就都消失了。这也是个人智能体使用过程中最大的风险。
3.能力扩散：让AI能力转起来
优秀的AI能力应该在组织里被复制、被进化。企业要能公开透明地识别：哪些Skill成功率高，哪些智能体使用频次高，哪些知识库受欢迎，然后多复用、模板化。
AI能力的飞轮就是：个体用AI创建Skill和智能体，更多团队交叉使用，全团队拿到更多高质量资产，AI对组织各环节更了解，组织变得更AI化。
4.协同开发：智能体也有试用期
智能体跟软件最大的区别，是你很难一次性验收它到底合不合格。就像员工招进来，你很难给了员工手册就要求产出完全符合预期，所以要给3到6个月试用期。
智能体是类似的：它未来会是一个协作开发、持续培养的逻辑，没办法在第一次交付时就立刻达成标准。它要跟人一样，基于上下文、要求和迭代一点一点长出来。
背后核心做两件事：定义清楚目标，让它知道业务目标标准，据此做未来的评测；搭建底座，把IT基建、数据基建、规则知识库基建完成。当散落在CRM（客户关系管理）等各处的数据作为企业“龙骨”不能被接入时，大部分智能体就是洒洒水，跟通用智能体差别不大。
六、更好地做事，更好地做人
我们自己走这条路，目前也还在自己定义问题、自己给方案、自己验证这条路走不走得通。
所以开篇那两个问题，再看一遍：AI时代下，什么是企业发展的最核心能力？我们到底能提供什么方案，可能比市面上所有方案好10倍？
我们认为，构建基于AI角色的原生组织，会是这个市面上没有被定义得特别好的一个视角。而解决方案本质上是两件事：一个是更好的做事，一个是更好的做人。
1.做事：企业只有三类活
企业在软件和AI时代依然要解决效率问题。我们会认为，一个企业的所有任务本质上就这三类：执行、判断、Buy-in（指关键相关方、团队、老板、客户对某个项目、决策、变革的认同、支持和投入）。
执行是重复操作性工作；判断是决策分析；Buy-in是人的连接，这事你干不了，我出面干，老板同意，提供情绪价值也算。
越是往高层走，偏判断和偏Buy-in的环节就越多。而越一线，大量工作落在执行上：想干别的活但主管不在岗，想做决策分析光数据做半年，最后只是产生一个判断交给上层再判断一遍。
所以从效率角度，不是解决一个一个的场景问题，而应该站在全局考虑如何重塑企业的全员时间结构，这才是全局最优解。站在局部，永远拿不到最优解。未来有了Agent，企业的时间反而被拉长，因为这些都不是人干的，全是机器干的。
这套方案总结起来就是：让企业拥有自己的AI建设能力，比单独去购买外部的端侧智能体或特定解决方案，更能真正解决问题。
这里最大的问题不是供给能力，而是这些需求你能不能识别出来、有没有足够成本去开发、买不买得起让第三方帮你全做。
2.做人：让每个人成为更好的自己
站在“人”的视角，我们也有一些思考。无论toC还是toB，背后都是人在主导和运转，即便有了AI，人依然是最后一道关。
在RPA时代我们一直在说一句话：RPA把很多一线小伙伴从大量的重复时间里释放出来了，他有了更多时间和兴趣自由，可能可以去创造。
所以给到这批人，不能仅仅只是事的价值，应该给到他们意义的价值。我们认为应该让每个人能够成为更好的自己。
*文章为作者独立观点，不代表笔记侠立场。
