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