管Agent≈管人，但核心差异是“上下文管理”而非“情绪管理”

不是模型不行，不是工程没做好，卡住的是谁来签字

深圳又一场圆桌，四个方向截然不同的人坐在一起：做AI办公的、做金融销售培训的、做AI协作平台的、做线下零售AI的。

聊了将近一小时，最后主持人问了一个问题：你觉得你的产品有哪个AI能力，现在还不敢放出来？

四个人的答案，几乎一模一样。

AI办公这件事，周泽安（ChatPPT，1700万用户）说得很清楚：速度已经不是指标了。

2023年他们用45天打到100万注册用户。现在国内光叫得上名字的AI写文档独立产品就有372个。每个人都能10分钟出一份报告，速度彻底变成了基础设施，不是差异点。

那什么才是？他们现在盯的叫"文档决策占比"——AI输出一份内容，用户主动修改了多少，确认了多少，跳过了多少。这个比例越高，说明AI越贴近用户真实意图。当前他们测出来的直出率大概在50%左右，文档类能有这个数字已经不低，因为文档往往需要融入个人内容，AI出来的东西大部分只能叫参考。

还有一个更容易被忽视的：文档的价值不是创作者说了算，是受众说了算。

他给投资人看的BP，现在做成Live形式，投资人拿到的是克隆了他声音和演讲节奏的版本，可以直接提问。他收集投资人真正关注什么，再回头改。PPT不再是单向输出，变成了一个收集受众反馈的工具。

以前所有办公软件的设计逻辑都是以创作者为中心的，真正的价值在受众那里，但软件从来没解决这件事。

贝塔数据的李守国做金融销售AI陪练，他的北极星指标分两类：对服务沟通类岗位，核心看达标率，训练完能不能通过行业证书或机构内部考核；对中高级销售岗位，核心看成本，和真人老师相比，达到同样培训效果，费用下降了多少。原来请真人老师一天两三万，AI版本大概是原来成本的2%-3%。指标本身没有创新，但能打穿，生意就成了。

COCO AI的Howard提了一个判断：现在衡量个人产出的指标应该是"单位注意力的产出"。不是人效，不是工时，是注意力。AI可以帮你执行，但方向、标准、验收这些事还是人的，消耗的是注意力。回到组织层面，他用的词是"吞吐量"——同样人数，能同时驾驭多少条产品线。

他也提了一个反例：国内很多公司用Token消耗量来考核员工绩效，后来发现员工纯粹拿Token刷，没有实际产出，这套指标很快就失效了。最终还是得看产出本身。

爱莫科技的Chris Yang做线下零售AI，他说内部最大的变化是：自己现在跟年轻人、带的学生交流最多，不希望被过去的经验阻碍组织发展。外部最大的变化是：帮大客户从经验驱动变成数据加AI驱动。

李守国踩了很多坑之后，总结出一个捷径：要推一个AI项目，交易决策必须单一，买单的那个部门自己就能拍板。

他说得很直：你想让一个项目黄掉，最好的方式就是多拉几个部门一起开会。

另一个条件是：这件事在原来的流程里，必须是跨团队多岗位协作才能搞定的。摩擦越大，AI的替代价值越明显，推动速度才快。他们4月上线了一个做保险大单销售的产品，不到两个月就接近盈利，就是因为这两个条件都符合了。

Chris Yang做线下零售AI，讲了另一个维度：在大B客户里面，一定要找到一个愿意陪你打磨产品的内部"教练"。

这个教练不一定职级多高，但必须对业务流程熟，愿意把多年沉淀的经验交给你，让你判断哪些能用AI重塑。他不太在乎你是不是AI公司，他只关心你能不能真正解决他的问题。找到这个人，比找到大客户签约更重要。

他还讲了一个具体案例。你走进门店买矿泉水，不会在乎是农夫山泉还是怡宝，视线最近的那瓶就拿走了——所有快消品牌投营销经费，争的就是这块位置。但经费打给代理商之后执行成什么样，以前只能靠人一个个巡店。现在他们用AI做巡店审计，每次营销动作完成、AI判别通过之后才打款，经费从前置变后置。

这件事找Marketing部门推，全部吃了闭门羹——这套工具本质上是在审计他们的执行结果，他们当然反对。后来直接找老板谈，老板非常欢迎。

这种事，找对人才推得动。

Howard讲了一个细节。

他自己的Agent现在能做一些决策，跟他本人做的很像。这个Agent里面沉淀了他大概35条思维原则。

但这35条不是他自己写进去的，他自己都不知道有这35条。

怎么来的？是AI在他日常工作的协作记录里，看他怎么评价一件事好不好、怎么做选择，慢慢提炼出来的。

管Agent和管人，他觉得有一处本质差别：管人要关心心理、动机，得哄；Agent不用，把活给它它就去做。但对Agent你要给足上下文，定清楚标准，负责验收。消耗的东西不同，但都需要人的注意力。

主持人问：你们产品里有哪个AI能力，现在觉得已经够了，但还不敢放出来？

四个人，四个不同的行业，答案指向同一件事：AI已经能干了，卡住的是谁来签字。

不是模型不行，不是工程没做好。是还没有一套机制，让AI的输出能被正式地负责。

在这套机制出来之前，所有最有价值的功能，只能在内部用，不敢对外放。这不是AI的问题，是制度的问题，也是下一个真正的机会所在。

嘉宾：

必优科技 创始人-周泽安
贝塔数据 CEO-李守国
COCO AI CTO-Howard
爱莫科技 创始人兼CEO-Dr. Chris Yang

主持人：非凡产研 合伙人-薛倩Amber

薛倩Amber：我们今天这个 Panel 的主题其实也是非常开放性的一个阶段性的主题，是关于驾驭工程（Harness）、人机协作方式的落地和经验。其实我们在去年的时候跟大家聊得很多的，还是提示词工程，然后到上下文管理，今年这会呢，我们这个词也进化到了“驾驭工程”。其实各位做交付的嘉宾对 Harness 是非常熟的，尤其是因为大家今年非常关注的关键就是怎么交付，怎么样让 AI 和人能够进入到这个组织里、工作流里面，真正把产品交付出来。今天在座的这四位嘉宾呢，其实都是来自不同的领域的。借这场 Panel 也是个很好的机会，跟大家多多地讨教他们在各自业务场景里的一些经验。首先请各位嘉宾先做一个自我介绍，然后用相对简单的方式告诉大家，大家在解决的最关键的或最痛的一个具体问题是什么。好，那我们先请周总。

周泽安：大家好，我是必优科技的创始人周泽安。首先简单介绍一下，必优科技其实是一家非常垂直在 AI 办公领域的一个团队。我们团队包括我自己，可能就像上一个 panel 讲的，算这个行业的“老兵”了，光做 AI 办公这个行业差不多做了 13 年。我们做的事情非常简单，可能相对于其他人面向 B 端不太一样，我们更多是面向场景的，就是能提供让你快速创造出符合效果的文档。我们旗下有几款产品，包括我们企业的明星产品 ChatPPT 差不多有 1700 万的用户，然后我们的 YOO简历等项目加起来差不多有 8000 万的用户，整个都是在服务一个非常垂直的文档协作产品，当然我们 To B 和 To C 都有。然后回到我们今天的主题，我们解决的是怎样的一个问题呢？其实我们跟别的团队对 AI 的定义不太一样，我们虽然是做 AI 办公、做 AI 文档，但我们不是为了让你快速去写出来。我们更多的是——符合今天的主题——能让你做出来，交付到你的客户、交互的员工、汇报场景当中的这种文档会更多一些。

李守国：大家好，我是贝塔数据的李守国。我们在做一个 AI 销售陪练的产品，因为销售这个技能它像游泳、开车一样，老师讲多少遍，你都不如下场去练，因为它本身是一个肌肉记忆的事情。但是人与人之间的 Role-play 对练成本其实是非常高的，特别是在这种复杂销售当中。所以呢，就通过 AI 来做各种各样的虚拟客户，让这些虚拟客户来陪着销售做技能的对练。现在主要在做金融行业，以银行、证券、保险这些相对来讲会比较多一些，像电力、通信、医疗等这些行业也做了一些，主体还是以银行为主。核心其实是在降本。因为原来这些大型的国企里面，要提升销售技能、培养员工的销售能力，更多其实就是靠真人老师在解决问题。但这两三年的降本增效比较厉害，主要是降本了，没有什么增效了，培训预算支出砍得也比较厉害，很多东西就跟不上了。但是 AI 呢，可能成本只有原来的 2%、3%，所以还是带来了一个比较大的成本上的降低。

Howard：大家好，我是 COCO AI 的 CTO Howard。我们做的 COCO AI 其实是要做一个 AI Native 的协作平台。我们有两层：第一层是我们自研的 OS 框架，跟大家可能熟悉的 OpenClaw 差不多，它是让我们的 AI 拥有记忆，以及能够自主调度 7 乘 24 小时的工作。第二层是我们做的一个叫 C-Workspace。它核心要解决的问题是让我们的真人和 AI 能够混合协作，让这个 AI 的 Harness 更加可控，并且可以在这个过程中去沉淀我们企业的数字资产。

Dr. Chris Yang：我叫 Chris。听了上一场嘉宾的分享，我自己比较感慨，可能我是坐在里面最老的那一个。因为我自己做人工智能，从我发第一篇论文到现在已经刚好 20 年了。前十年一直在学术界，因为那时候还不具备产业界的条件，就做了教授，从本科、硕士、博士到教授一直做 AI 这个方向；过去十年一直在做产业。我们现在的核心方向其实跟可能大家不太一样，大家听到的所有的 AI 方向大部分是已经被数字化的行业，比如说做文档、营销、电商，我们更关注 AI 加实体行业。我们这个世界其实 70%-80% 的 GDP 还是由实体产业支撑的，包括零售、电影院、商场、物流等等。这些天然没有被很好数字化的行业跟现在的 AI 结合起来，如何去重塑它的工作流，能够去帮它降本增效？这个难度可能会更高一点，但同时我们会觉得这件事情一旦做进去之后，它的壁垒会更高一点。做了 20 年之后，我自己觉得，包括今天我们讲驾驭工程，在虚拟世界里面犯个错，程序再跑一遍最多消耗点 Token；但在物理世界里面，你犯错的代价会非常非常大，所以对我们的驾驭工程就变得更为关键。

薛倩Amber：我们四位嘉宾其实有的业务偏向 To C，有的偏向 To B。我想帮大家抓一些重点信息：现在大家各自的 AI 进入业务场景之后，肯定会对这些传统的客户或者对自己本身的一些衡量指标做一些改变。比如说做线下零售的，肯定关注的某些指标已经变了；然后李总做金融销售培训的，以降本为主。也包括像国外很多大厂甚至对员工的考核指标变成了 Token 的消耗量，这些都是以前我们很难想象的。那现在想请问每位嘉宾，在大家服务的客户里面，或者说你们自己，感觉到核心的北极星指标有没有改变？也从周总开始吧。

周泽安：关于一个产品或者从客户角度的北极星指标，先回溯一下，因为我们做的是办公文档，这个行业其实发展了接近 40 年，是一个非常典型的跟软件时代强绑定的场景产品。上一代所有的办公文档场景解决的就是工具属性本身，就是你有 idea，现在你需要输出一个客户能看得懂的东西，借助软件工具帮助你完成这个事情。所以以前我们所有的办公软件解决的核心指标就是完成率，以前需要花五个小时或者花三天写完，现在 AI 帮你十分钟解决掉了。这是我们浅层理解的可能的变化。

但真正的变化呢，我觉得可能到现在已经发生了更大的变化。因为我真的是感受到了，从我们 23 年做第一个 ChatPPT，那时候 45 天打到 100 万注册用户，非常欣喜若狂；到现在，前段时间开玩笑跟同事说，看一下 AI 写文档的独立产品有多少个——还不算生态之下自带能力的——国内叫得上名字的就有 372 个。这就意味着改变了一个更重要的指标：速度已经不是指标了，因为每个人拿到的都是 10 分钟出来一份报告。它变成了一个很重要的信号：写出来的质量是怎么样的？这就意味着在我们的定义里面，我们量化出来一个概念叫“文档的决策占比”。什么叫决策占比呢？就是 AI 一次性输出一篇内容，跟另外两个人同时给出文章，如何显出差异化？不在于模型本身，因为模型到一定阶段已经大差不差了。这个过程非常考验人跟 AI 之间我能洞察出来你想要的是怎么样的，我应该给你 Option，你选 A 还是选 B，还是说直接跳过。这里面存在一个占比的问题，就是你每次跟用户沟通当中去激活的地方有决策的部分，可以确认用户是主动修改，还是 Yes or No。当你的整个决策占的权重越来越高，就意味着整个场景链路更加能洞察出效果，这是第一点。

第二点可能是我们最近在开始探索的另外一个维度。文档发展到一定阶段除开所谓的决策关键点之外，还有一个特别容易被忽视的信号。以前所有的办公软件大家停留在效率，是以创作者本身去决定价值的，“今天帮我省了三个小时”其实都是考虑了自己。但真实的一份文档的价值根本不在于创作者。我上台演讲的 PPT 是投资人去决定它的价值，我给老板的汇报是老板觉得能看懂。这意味着它的受众决定了文档的价值，但以前所有的软件链路是没有解决这个事情的。如果 AI 把效率解决了，激活也解决了，真正在下一步应该关注这份文档受众的 Yes or No。所以我们推崇自己现在的产品都尽量 Live 化。像我自己现在给投资人看的 BP（商业计划书），永远是让投资人直接拿那个克隆了我的声音、我的演讲节奏的版本去自己看，他可以随时提问题，我要收集到客户到底关注什么东西，我再去修改。整个这里面还有一个叫用户的参与度的问题，这可能会决定你整个文档的价值体现，这算是非常重要的两个指标了。

薛倩Amber：明白，我们用稍微粗暴一点的理解哦，是不是可以理解成它就是一个我的“直出率”？就是我从想要到最后拿到的那个是可以直接用的这部分直出率，那现在大概这个数值是在什么范围了？

周泽安：其实整体我们看了一下，差不多直出率应该只在 50% 左右。这是一个非常真实的数字。可能像很多海报、视频等创意类已经八九十了，其实在文档这个行业 50% 已经很高了，因为文档往往是为自己服务的，需要融入自己的东西，AI 出来的东西大部分只能叫参考，需要激活，所以有 50% 已经很高了。

李守国：我的感受是，北极星指标不一定来自于我们的 Agent 和软件本身，它更多的可能是来自于客户自身的感受。对于一些服务沟通类的岗位，核心关注是达标。因为金融行业有严格的行业证书或者机构内的证书体系，有严格的岗位达标率。对于这类的岗位，最核心的指标就是训练完之后，内测或者考试是不是能够去达标。但是对于中高级销售类岗位，特别是像理财财富顾问这类，关注的更多的是成本。就是和真人老师去做对比，达到同样的销售技能水平，成本到底下降了多少？原来用真人老师一天可能是 2 万、3 万的成本，今天达到同样的训练水准，软件成本大概是多少。我觉得关心的业务结果可能就诞生出北极星指标，其实并不来自于软件本身。

Howard：我觉得我会从两个维度看吧。第一个维度是从个人，像我自己手上会有几个 Agent 或者叫 Bot，在几天的时间里就可以把一个原生可能要花一两个月才能做出来的系统给做出来。在这个过程中我全程参与，虽然 AI 它可以复制执行，但是我的注意力在里面，我要负责跟它探讨方案、决定方向、给标准、验收。所以从个人角度，现在的 AI 时代这个指标应该是“人的单位注意力的产出”。以前可能讲人效，现在就个人来说其实是单位注意力的产出。如果回到组织的话，可能就是“吞吐量”。同样人数或者更少人数的组织，你同时能驾驭多少条产品线，能够交付多少的产出。现在国内也有很多公司用 Token 数的指标来评估员工的绩效，但后来我听说这种评估方式也失效了，很多员工纯粹是拿 Token 来刷，没有意义、浪费钱。更多可能还是看最终产出吧。

Dr. Chris Yang：我也从内部和外部来分享一下我自己的看法。内部来讲，其实最大的北极星改变是，以前作为公司管理层我总是跟最核心的管理层沟通最多，但过去这两年，我其实跟我带的学生交流最多。因为我自己还写代码、做算法，所以我觉得这是一个很大的改变，我不希望被过去的经验阻碍公司的组织发展。

从客户侧最大的改变我觉得也是一样的，让很多大客户从经验驱动变成了数据驱动。我们服务的大部分是实体行业，所以肯定更加保守。比如快消品行业，大家没见过新的快消品能在线下三五年做起来的，都是 50 年 100 年起底的。零售行业也一样，要开一千家店，不可能像线上两天那么容易。以前几乎所有的流程他们都是靠经验决策。

我举两个具体的例子。第一个，帮快消品做线下营销经费的投放管理。每个合作的快消品品牌预算都在 10 个亿左右，以前的经验就是“我觉得这个地方营销不错我多投一点”，很靠脑袋。但现在我们会把每一个营销现象、做的每一件事情的每一个效果，都通过 AI 评估完之后，甚至对市场的洞察也通过 AI 的感知之后，最后用数据告诉他们哪里好哪里不好。那他下一次再投经费的时候，非常清楚每分钱都花到了应该去的地方。以前经费大部分发到本地代理商，今天给了 1000 万，明天他就买了辆宝马七系，这是由经验关系驱动变成数据加 AI 驱动的例子。

第二个例子是，当一个品牌有 1000 家店的时候，最难找的一个角色是店长。店长管理得好就能赚钱，管理不好不仅不能赚钱，还会带来很多负面影响。现在我们合作的品牌里，店长对于门店的决策能力已经降到了最低。我们给每个店输送了一个所谓的 AI 店长，它长了 100 双眼睛，能够同时知道看到这个情形下一步该做什么，谁做得好不好，最后形成决策。这就像我们的 OpenClaw 走到了物理世界一样，但难度要高很多。因为 OpenClaw 所有输入输出中间决策都是在数字世界完成的，而我们必须在物理世界完成，并且要有人参与。人会有不确定性和个体差异，最终才能实现商业目的。总结就是：内部组织要向新鲜血液学习，外部从经验或关系驱动变成数据加 AI 驱动的模式。

薛倩Amber：我觉得您这边做对品牌营销效果的评估，挑战非常大的。因为以前公司市场部也经常被老板挑战，花这么多钱怎么评估效果？那现在如果利用 AI，你们是怎么去给它做成数据化的呢？

Dr. Chris Yang：这是非常好的一个问题。可能放眼全世界，我们是唯一一家把这件事情落得非常实的，这也是为什么我们做 AI 这么多年还活着且活得不错的原因。对于快消品来说最核心的就是排面陈列。你走进一家门店买矿泉水，没那么 care 到底是农夫山泉还是怡宝，在视线可见的最好位置你就拿走了，所有的品牌投大量营销经费都是为了做这件事。但问题是代理商能不能执行 SOP 要求，大概率执行下去就不知道什么情况了。以前只能靠人一个个去巡店。最开始我们也是个工具，我不相信你给我的结果，我只相信你拍的视频、照片，如果没有做好，AI 会在一秒钟之内告诉你应该调整完之后，才能去下一个店。这是典型的人机协作。现在我们做得比较深了，有大量的快消品牌和门店信息，直接把营销任务发给这家门店，因为中国有大量的夫妻店，他们去帮我执行。以前是前置把钱给他，现在是后置：每一次营销动作完成之后，AI 判别通过了，我才把经费发下去。我保证这个效果是通过 AI 审计完成之后才发经费。但这推广有点难度，找 Marketing 部门是搞不定的，他们都反对这套工具，我们只能跟老板谈，老板大概率会非常喜欢我们的产品。

薛倩Amber：那我也正好就着 Chris 总讲的做线下执行的困境，问一下 Chris 总跟贝塔数据的李总。因为两位服务非常多的大 B 客户，真要用 AI 落地到业务的时候肯定会碰到困难。很多企业说自己想落 AI，但 0 到 0.8 的路径非常 fancy，到了 0.8 到 1 的时候困难重重，不管是被数据卡住，被组织内部惯性卡住，还是权限卡住，总归不是那么顺利能落完的。在你们各自服务的客户里，是怎么帮大家真地走到最后一步的？我想先从李总开始吧。

李守国：首先，大 B 或者是像我们做的这种超大 B 央企国企，一定不是验证 AI 产品最好的客群。但是没办法，选择了这条最艰难的路径，由于路径依赖还得硬着头皮去做，它的组织太复杂了。如果在不可避免的大前提下非要这么硬干，我们选择的路径是：第一，通过 AI 工具最终要达成的业务结果最好是买单的这一个部门就能决定的。决策一定要相对单一，你想让一个项目黄掉，最好的方式就是多拉几个部门一起开会。第二，它在原来的业务流程当中，最好是跨团队多岗位来搞定的业务结果。原来跨多角色协作其实是摩擦非常大、非常痛苦的。他必须得有痛苦，但是又想要这个业务有结果。所以你的交易决策要简单，原来实现结果的摩擦比较大，在这样的领域推动相对速度会快很多。我们 4 月初上线了一个做保险大单销售的产品，面向金融机构，到现在不到两个月，我们预测这个月差不多就能实现盈利了，速度非常快，就是符合了这个点。这是踩了很多坑总结出来的小捷径。

Dr. Chris Yang：非常非常好的经验。我跟李总要是倒苦水，可能一天都倒不完。我想跟大家讲的是，做大 B 虽然难，但一旦做进去之后，未来的壁垒也会很高，别人很难替代。如果有周边的创业者，我鼓励大家，有些难的事情做了会建立很高的壁垒。在这个过程中，比如我自己以前不在这大学当老师、不喜欢上课，但刚开始做 AI 时我被迫去央企国企做讲座，他们喜欢请专家。你被迫去做自己不喜欢做的事，最终洞察出来的是：你首先要解决 To B 的痛点，哪怕是很小的痛点，你就有机会作为新供应商切进去了。咬到一口蛋糕之后，有机会把蛋糕不断扩大。在这个过程里，得在 B 端客户里面找到这么一个 Coach（教练），他再去反向带着我们团队。他其实没有那么 care 你到底是不是 AI 公司，他会告诉你他真正想要去做的事情。非常关键的是，在这个公司一定要找到一个 Coach 跟你一起去打磨产品，最终解决它的商业问题，而不是你想他有什么需求就去推销。

薛倩Amber：是的，我还是非常好奇啊，线下零售的执行这种苦活累活，要把这么多夫妻老婆店照顾到、让他们配合。在你们公司内部大概是怎么样的结构，可以帮我们理解一下你们大概会花多少的精力去解决落地时这么多线下零售店的问题的？

Dr. Chris Yang：其实在我们公司有个非常重要的角色叫项目经理，更偏向于产品经理的角色。这也是我们公司最重要的资产。任何一个客户，只要能带来的付费能力足够强，我们基本都会配一个专门的项目经理。他的作用除了交付产品之外，就是希望他每天跟客户的这个 Coach 待在一起。这个 Coach 非常关键，他不仅是愿意帮你的人，他一定是对这个行业和业务流程非常熟悉的人，愿意把这些年沉淀的经验交给你，你再去思考能不能通过 AI 重塑所有流程。项目经理这个角色非常关键，但在市面上很难招，大部分需要我们自己去培养。他既要了解行业，同时也要对 AI 技术的边界有非常强的敏感度。如果让纯 AI 工程师去干肯定干不了；如果让纯销售去干，他对 AI 的理解没那么深。同时这个 Coach 他也会挑人，如果他觉得跟你沟通没价值就不会再理你。所以这个角色的定位非常非常关键。

薛倩Amber：好的，谢谢 Chris。那我们接下来再转回到我们办公这边。想问一下周总，您也讲到现在智能办公软件太多了，叫得上名字的就有 300 多个，每天可能都在更新迭代。我自己也很喜欢用各种 AI 办公软件，那您现在观察下来，像 ChatPPT 的用户量已经非常大了，真正愿意付费、持续去用产品的用户，他们最关注的是什么呢？

周泽安：其实像我们这个场景，交付结果是最重要的。不管讲到什么效率、大模型，不管是通用文档还是专业文档，结果是第一位的，用户最关心的其实就是效果最好。为了达到好的结果，其实可能是一个心态问题。如果你有足够的工程化能力，去适应场景让 AI 产生好效果，这是很好的做法。如果只是通用大模型的能力，凭什么用户要选你？第一点，你必须适应现在的技术范式和框架做快速响应，通用模型能力已经很 OK 了，需要借助更多 Skill 把你的东西炼化在这个场景里产出。第二点，必须强化细化你场景里面的功能点。好多人说叫超预期，其实更多的叫“不失望”，让他用的那一刻不失望就 OK 了。

举个例子，我们的 ChatPPT 有一类用户特别喜欢用来上台演讲。写完了 PPT 最难的是什么？讲不出来。为了放大文档本身的价值，我们做了两件事。第一个就是我们做了一个辅助演讲的 Coach，可以帮你录演，直接克隆声音去讲，收集客户反馈再去修改。第二个场景我们细化到，从前年开始跟雷鸟合作 AI 眼镜里的提词器。以前可能只是简单的翻译，现在在雷鸟的 X3 里基本已经全方位适配了，上台演讲不需要翻页器，它可以自动滚词，根据你的节奏控制；甚至根据视觉，一个手势页面就能放大缩小。这其实解决的就是交付，放大了本身场景下的能力。第三点，一定要做好数据闭环反馈。最好的洞察是用户自然产生的东西。所以我们推崇尽量 Live 化的好处，就是不仅方便分享，还能拿到反馈，在悄无声息之间借助上次的反馈产生更好的效果。

薛倩Amber：我接下来想跟 Howard 再交流一下，就是你们现在公司大概有多少人，然后有多少个 Agent？

Howard：我们公司目前有十几个人，可能 Agent 有 30 多个吧。

薛倩Amber：就是人均两个 Agent 对吧？

Howard：我们的员工入职之后公司会分配一个 Agent 给他，然后配全球最好的模型，最贵的那个。像我们个别人手上可能会有好几个 Agent。

薛倩Amber：那你现在觉得以前用人和现在用 Agent 最大的差别是什么，管 30 个人和管 30 个 Agent 最大的差别是什么？

Howard：我们要做的是 AI Native 的协作平台，同时我们也卖数字员工。数字员工这个概念两三年前就有人提，但直到今年 Claude 3 Opus 出来之后才真正落地，因为模型强大到你有 90% 的信心把问题交给它能完成。以前的模型基本都得中止纠正。回到怎么管理几十个 Agent，其实跟管人差不多，因为它已经跟人很像了，原来管人的方法论用在 Agent 身上是一样的。不同的地方在哪呢？管人的话你会关心他的心理、动机，得哄一哄；但是 Agent 不用，你把活给它它就去做。但是对 Agent 来说，可能我们更要关心的是上下文，它需要知道信息，你需要给它定标准、去验收。这是跟人协作有点差异的地方。

薛倩Amber：我之前在你们的产品介绍里看到你们有大概上百个不同角色的职能，它是你们数字员工能力的一部分这种吗？

Howard：相当于是我们预置的一些 Agent。我们会把做人的经验沉淀之后变成 Skill 或者角色的设定。现在 AI 的能力已经足以很好地遵循规划的 SOP 去执行了。

薛倩Amber：对，这个其实也是我们看到“可以给你一个数字员工”时提出的问号：可能一些表面的活能干好，但如果拿来做一个五到十年经验的资深员工，背后有很多隐性知识（Know-how）。从你们搭框架的角度是怎么解决的呢？

Howard：我可能可以讲个小故事，我自己的 Agent 现在已经能够做出一些决策，跟我做出的决策很像。它是怎么做到的呢？它其实是提炼了我的思维方式，大概有 35 条原则规则在里面。这种思维方式是很隐性的知识，我自己都没法意识到有 35 条规则，也没法写下来给它。怎么放到 Agent 身上呢？是因为在日常的工作环境群里面，我做很多决策时会说哪里不好、哪里好，它会形成 Case，每天去回顾，然后以一定理论沉淀出来。所以怎么去提炼隐性知识呢？应该要在日常协作中去让 AI 提取，而不是你自己去写规则，没法写的。

薛倩Amber：我这边还有最后一个快速的问题。想听大家每人一句简短的结论：目前对自己的产品的 AI 能力，你觉得哪一个能力它应该有，但是你现在还不太敢放出来？我想先从周总开始。

周泽安：我觉得是在一些定向化的交付阶段吧。现在大部分都是通用文档，一些具象化、聊完出具体方案的可能没办法交给 AI，这背后一个是责任的问题，一个是预期的问题。

薛倩Amber：定向化交付

李守国：如果非要这么限定的话，可能是合规。其实 AI 的能力去做金融审核大部分都到位了，但是因为需要有人“背锅”，所以金融机构最后一环要求从来都是人。这个成本降不下去，但能力其实已经到了。

Howard：无法超越人的一部分是“背锅”能力，我也同意李总说的就是关于责任的问题。所以像我们给每一个 Agent 都会定一个最终责任人是那个人。

Dr. Chris Yang：我们因为经历了特别多实体的行业，最想的就是直接把这个门店交给我来经营，赚了钱我们俩分成，这是我最想做的事。因为一个客户有几千家店，每个店我假设能帮他多赚 2 万块钱，他分我 1 块钱就 OK 了，这是我最想推的功能。