文章核心观点 - 文章通过深度访谈特赞创始人范凌博士，探讨了AI技术如何从底层逻辑上颠覆传统的工业革命式组织架构，推动企业向“AI原生组织”转型 [6][9][40] - 核心论点是AI不仅是提效工具，更是能重新分配资源、模糊职业边界、促使个人向“全能”状态回归的智能体（Agent），这要求企业必须按照AI的逻辑而非人的工作流来重构组织、产品与商业模式 [6][21][41] - 当前企业普遍停留在Copilot（给原有职能加AI）阶段，而AI的能力已发展到可以按照AI来重新设计组织，即公司本身可以是一个Agent，人是在其中提供判断（Judgement）的角色 [6][40][41] AI驱动的组织架构变革 - **变革触发点：AI是“反工业革命”的** 公司内部使用AI工具（如Cursor）最有创造力的并非研发人员，而是产品经理和设计师，他们借此获得了过去必须等待的研发资源，这表明AI是帮助缺乏资源者获取资源的Agent，而非仅让专业分工更快 [9][21] - **组织动刀：Pod + Community双轨制** 基于上述认知，公司将全公司切分为3到10人的跨职能Pod（小型作战单元），实现高内聚、低耦合的闭环交付，减少跨部门协调 [10][24] 同时建立横向的Community（社区），帮助员工补齐销售、产品、代码等跨界能力，并专设Leadership Community培养管理AI时代团队所需的领导力、商业直觉等素质 [10][31] - **角色边界溶解** 组织变革导致传统岗位边界模糊，例如市场人员开始用Claude Code写脚本抓取LinkedIn联系人，实质上成为Marketing Engineer；产品经理和设计师用Cursor直接产出功能，研发人员占比从过去的50%持续下降，但“会写代码的人”反而变多 [10][57] 文化引擎与基础设施 - **文化引擎：创始人下场Build** 推动AI文化最有效的方式是创始人亲自下场使用AI构建新产品，通过展示成果（如午餐、咖啡时间秀Demo）形成“自豪地展示自己Build的东西”的dogfooding文化，其传染力远超自上而下的培训 [11][53] - **基础设施：分层上下文系统** 公司正在搭建分层的企业级上下文系统：公司级存放schema.md等指导性文件作为索引；Pod级为各小队专属上下文；个人级管理个人对话与偏好 [12][60] 企业级上下文需严格处理权限与保密问题，有时甚至需将核心保密数据排除在系统之外 [12][62] 产品战略与核心逻辑 - **核心逻辑：积累AI不能压缩时间的能力** 公司产品布局围绕一个核心：聚焦于积累那些AI无法压缩时间的能力，以构建长期壁垒 [6][13] - **GEA（Generative Enterprise Agent）** 这是企业级智能体架构，重点不在于单个Agent，而在于Context（上下文）和Orchestration（编排），通过一个Lead Agent带领若干Sub-Agent，结合企业特有的Skills和Context，构建出在用户洞察、内容增长等领域7x24小时运转的“虚拟公司” [13][67] - **Atypica：理解人的AI** 该产品基于约100万个真实用户的表达、故事、认知和行为数据，用AI构建主观世界模型来模拟消费者和专业用户 [14][64] 例如，有研究使用2万个真实家庭样本，让AI生成1000个典型人物画像，模拟家庭关于生育政策的讨论，将AI应用于社会科学研究 [14][65] - **Game Lab用于Evals（评估）** 通过让真人与AI玩同样的经济学博弈游戏（如电车难题），用真人数据不断调优AI决策，使其无限接近真人反应，这是确保AI模拟准确性的核心评估手段 [14][67] 商业闭环与运营变化 - **场景发现驱动客户对话** Pod模式运行后，对外打法改变，Pod Leader成为“场景发现官”，用AI从600多个客户需求中提炼出约100个共性场景，并用SPIS（Situation-Pain-Impact-Solution）方法结构化 [15][50] 拿着“别人的痛点”而非产品Demo去与客户沟通，更容易打开对话，Pod Leader约花费30%-40%时间在场景收集上 [15][51] - **人员配比与能力变化** 经典意义上的研发人员绝对比例在下降（公司此前研发占比约50%） [10][56] 同时，业务人员（如市场人员）的能力越来越工程化，实质上成为Marketing Engineer，虽然岗位名称尚未改变 [57] 面临的挑战与行业洞察 - **核心挑战：人才疲劳与Evals鸿沟** 最会用AI的人因能力边界扩张、自发承担更多而更累，这是目前最大的待解问题 [16][26] AI产品从Demo到生产环境（Production）之间横亘着Evals的鸿沟，若不结合真实物理场景和独有数据，仅依赖模型升级，壁垒将非常脆弱 [16][67] - **行业阶段与焦虑管理** 绝大多数公司仍停留在两年前的Copilot阶段，但AI能力已足以支持按AI逻辑重新设计组织 [40] 当前是“产品过剩、用户不足”的时代，产品Demo易做，增长更难且更重要 [6][56] 应对探索焦虑的方法是放眼蓝海市场而非仅内卷于降本增效，并可采用Build in Public（公开构建）的方式让探索过程本身成为结果的一部分 [55] - **企业转型建议** 对于拥有庞大旧代码库的ToB公司，建议CEO亲自带头做新产品，而非强行用AI改造祖传旧代码，例如可留少量人员维护旧系统，利用流量优势快速试错新产品 [68]

文章核心观点 - 文章通过访谈探讨了AI Agent（特别是编程Agent）的当前应用、未来趋势及其对软件行业、公司形态和工作模式的深远影响，核心论点是AI Agent将重塑软件交互方式、公司组织结构和知识工作范式，推动从“工具思维”向“伙伴思维”的转变，并可能催生大量小型化、高自动化的“单人公司”[3][7][25][30][32][39] Agent的当前应用与用户体验 - **交互体验的“人性化”是关键**：OpenClaw等Agent通过集成到Telegram等即时通讯工具中，提供了比Claude或GPT官方界面更亲切、更私人的交互体验，这种移动端即时通讯的形式塑造了“人性化”错觉，被认为是其亲和力的主要来源（约占70%到80%）[10] - **自然语言驱动与低门槛操作**：用户与Agent的交互非常口语化，无需精心设计冗长的提示词，只需用最简单的方式发消息，Agent便能尝试执行任务，例如通过语音指令实现打电话等功能[12] - **记忆系统尚不完善**：默认的记忆系统（基于Markdown文本文件每日更新）表现不理想，容易遗忘信息，尽管通过安装三层记忆系统（如集成Qdrant搜索工具）有所改善，但Agent仍常忘记自身能力，需要用户提醒[13] 对软件行业与“应用”生态的影响 - **“应用将死，Agent将无处不在”**：随着高度集成的Agent（如集成了Mercury MCP的应用）出现，用户为完成具体任务而打开独立应用（尤其是工具型应用）的频率显著降低，未来事务性任务可能只需向个人Agent助手下达一个指令即可完成[14][15] - **独立应用的价值在于场景与意图区隔**：独立应用提供了清晰的意图划分和场景区隔（如连接感、高效感、娱乐感），而单一的智能助手可能难以在不同场景间自如切换，但可通过设置多个专属对话频道来实现功能隔离[16][17] - **编程Agent正改变开发工具格局**：在编程场景中，Claude Code因其便利功能（如直接粘贴截图处理图片、添加语音功能、与Chrome深度交互）和更愉悦的同步交互体验而受到关注，而Cursor虽然底层模型可能更优、思考更深，但其产品化和用户体验尚未完全成熟，有时响应时间不稳定会影响心流状态[21][22][23] 对公司形态与组织结构的展望 - **公司规模趋向小型化**：新一代创始人希望公司尽可能保持小规模，例如仅保留2-3%的核心产品团队，其余工作由一群Agent助手协助完成，因为与Agent打交道比和真人打交道更容易[7][33] - **Agent系统移除情绪因素提升效率**：Agent之间的协作与谈判不涉及情绪，对人类更高效，未来方向是将充满情绪负载的客观工作交给系统处理，人类更多地引导和监督整个过程[33][34] - **催生“单人公司”与更广泛的创业参与**：Agent技术降低了创业门槛，让更广泛的人群能够创建公司，即使是针对一万美元市场规模的小型产品机会，也能改变生活，这为数字原生代提供了除成为YouTuber外的更多创作和创业渠道[39][40] 对工作模式与生产力的重塑 - **编程Agent将吞噬知识工作**：由Agent驱动的自动化将吞噬所有知识工作，趋势已很明显，例如Lopopolo上线即支持自动生成演示文稿等功能，未来的工作模式是用户几乎不从零开始，总是先借助Agent完成绝大部分（如前80%）基础工作[30] - **工作节奏变为“快与慢的结合”**：在局部最优解（“小山丘”）内探索时，借助Agent可以行动极快，迅速实现价值；但为了寻找下一个“山丘”（如新的产品-市场契合点），则需要放慢节奏，进行随机漫步式的摸索，未来是动态的工作节奏[7][37] - **提升工作意义与创造性**：技术发展的希望是让人类的工作变得更有趣、更有创造性，而非简单地导致大规模失业，AI目前主要大幅提升生产力，但难以实现100%自动化，最后10%的工作往往仍需人类完成，效率提升可能表现为缩短每周工时或整体生产力翻倍等形式[49][50][51] 技术生态与商业模式演进 - **整个Agent技术栈正在兴起**：包括身份认证、支付、营销等组件的新兴技术栈和MCP（模型上下文协议）这类新标准正在出现，代表了真正的新范式，使得许多旧的方法论可能过时[7][44] - **商业模式趋于简化与直接**：在AI时代，消费者愿意为新产品付费，基于Token（结合订阅费和按用量计费）的收入模式成为可能，由于涉及真实的推理成本，从第一天起就必须向客户收费，商业模式的简化有助于生态发展[43] - **产品将提供双重界面**：未来产品可能同时提供API接口供Agent交互执行事务性操作，以及基于消费的直接操作界面（如传统信息流或后台任务指令模式），用户可能会根据场景混合使用这两种方式[43][44]

有一个数字，我看了三遍才确认自己没看错。 企业里每 100 个 AI 项目，95 个没有任何回报。 这不是某一家研究机构的偏见。MIT NANDA、BCG、Deloitte、RAND、IBM、Gartner、 McKinsey，各家用各家的口径算，答案惊人一致——那一小撮赚到钱的，大概就是 4% 到 6% 之间。 更扎心的还在后面：从 GPT-3 到 GPT-5，从 Claude 2 到 Claude 4.7，从 Gemini 1 到 Gemini 3—— 每一代模型变强，企业 AI 的失败率都没变过 。 这是 Varick Agents 创始人 vas 在 X 上发的一篇长文。他过去 12 个月见了 100 多位大公 司 C 级高管，总结下来就一个判断： "模型已经够好了。别再怪模型。" 作者 vas，Varick Agents 创始人兼 CEO，过去 18 个月在企业里部署 AI agent 01 高管口中的"AI-first"，到底在忙什么 过去一年，vas 跟 100 多个 CEO、CFO、CRO 聊过一个同样的问题："你们花了几百万搞 AI，公 司日常发生了什么变化？" vas 说答案几乎一模一样— ...

公司AI战略与推广措施 - 公司正在探索各种方式鼓励员工使用人工智能工具，并对使用频率较低的非定期用户进行“检查”以确保公司对工具的投资能转化为对员工的支持 [1] - 公司为部分技术人员提供了“AI采用仪表盘”，该仪表盘被员工称为“排行榜”，并通过设立“里程碑”和基于连续使用天数的“连续使用记录”等功能实现了游戏化，以激励使用 [2] - 公司表示，仪表盘的目的并非激励高使用率或浪费，而是旨在帮助员工高效、有效地使用人工智能工具 [3] AI工具使用情况与员工激励 - 公司借鉴了社交媒体的流行功能，设定了连续使用AI工具的“连续使用记录”里程碑：10天记录被视为“不常见”，约12%的用户达成；20天记录为“稀有”，不足5%的用户达成；30天记录为“史诗级”，仅2%的用户达成 [4] - 公司还为员工设置了虚拟徽章，包括一个含义不明的“Max Vibes”里程碑，用于奖励“带来投资回报和Max Vibes”的用户 [5] - 公司并未因使用AI而直接奖励员工，但部分员工感受到“刷令牌数”的压力，因为一些技术人员将高强度使用AI视为技能或熟练度的标志 [6] 内部推广挑战与员工反馈 - 公司内部人工智能工具的采用情况并不均衡，管理层希望确保每位员工都感到具备能力并获得支持，以从这些工具中获得实际价值，而不仅仅是拥有访问权限 [7] - 管理层在检查中要求员工详细反馈其可访问的工具、使用情况或遇到的困难、面临的障碍以及如何能更定期地使用它们 [8] - 管理层认为使用人工智能存在使工作更快、质量更高、影响更大的真实机会，其目标是确保没有任何因素悄悄阻碍这一进程 [9] AI在具体业务中的应用与影响 - 公司越来越多地敦促员工使用人工智能，特别是在编码领域，有软件工程师表示“不手写代码”已成为一种推动力，并称自己已数月未手写代码 [9] - 部分员工表示并不担心使用的令牌数量，有经理告知如果预算用完可以申请更多，这表明对成本和令牌优化的关注是次要的 [9] - 有自称为中等水平AI使用者的资深技术人员表示，这些工具帮助他们节省了时间并完成了原本可能没时间处理的小任务，他们计划用智能体技能替代许多手动任务以实现测试自动化，尽管AI提升了生产力，但仍感到“工作堆积如山” [10]