"AI跃迁者调研"是 AI 透镜的深度对谈系列。跃迁不是线性的进化，而是推翻迭代再重建。我们每期会邀请一位AI跃迁者—AI 原生创业者、AI转型的企业一号位或用 AI 重做自己的超级个体，分享他们想的结论、拆的过程、建的逻辑、交的学费，和在持续变化里守住的东西，给同样走在这条路上的人一些真实的参照。
第一期，我们邀请到特赞 Tezign 创始人兼 CEO、同济大学教授、博士生导师，设计人工智能实验室主任范凌博士。特赞是一家成立 10 年的企业级 Agentic AI 公司，致力于基于自研Generative Enterprise Agent（GEA） 架构，构建能够理解企业业务语境、参与复杂决策并持续推动结果产生的企业级智能体系统，帮助企业实现增长、创新与生产力提升，长期服务企业的用户洞察、产品创新和营销增长。更重要的是，它自己也在用 AI 重做组织：从 pod 变革，到 community 培养，再到用 skills、context 和 orchestration 搭建 Generative Enterprise Agent。
我们和范凌聊了 AI 如何改变组织架构、人才密度、客户交付和产品壁垒，也聊了这些变化背后没被解决的问题。
【金句洞察】
1. "AI 不是帮研发提高效率的工具，而是帮那些需要研发资源的人拿到研发资源的 Agent。"
2. "AI fundamentally 是反千行百业和职业划分的，它让我们重新回到一种文艺复兴式的全能状态。"
3. "Leadership、ownership、responsibility、resilience 这些听上去虚的东西，在 AI 时代反而变得非常具体。
4. "绝大多数公司还停在 copilot 阶段：给原来的职能加 AI。但 AI 的能力已经发展到可以按照 AI 来重新设计组织。"
5. "AI原生组织不是人的工作流里嵌上 AI，而是 AI 的工作流里嵌上人的 judgement。公司可以是一个 Agent，人是在这些 Agent 里面提供判断的角色。"
6. "现在是产品过剩、用户不足的时代。增长会越来越难，也会越来越重要。AI 时代要 focus 在那些 AI 不能压缩时间的能力积累上。"
调研嘉宾简介：
范凌特赞 Tezign 创始人兼 CEO、同济大学教授、博士生导师，设计人工智能实验室主任。特赞成立 10 年，长期用人工智能技术帮助企业解决用户洞察、产品创新和营销增长问题。在这场对谈里，他分享了特赞内部的 pod 组织变革、AI工具 dogfooding、企业上下文系统、Atypica / GEA 等产品探索。
余一腾讯研究院高级研究员，主要研究AI原生产品创新和公司变革，多年风险投资及生态孵化经历。领英中国年度行家、腾讯年度AI优秀行家和优秀分享，得到 AI 学习圈导师。
【调研速览】特赞的 AI 原生组织实验
变革触发点：用 Cursor 最好的不是研发
范凌一直在观察公司内部谁把 AI 工具用得最好。答案出乎意料——不是研发，而是产品经理和设计师。他们用 Cursor 拿到了过去必须排期等研发才能获得的资源。这让范凌意识到，AI 不是让专业分工更快，而是让一个人跨越多个角色。工业革命以来"一人一岗、逐级晋升"的组织假设，正在被从底层动摇。他把这叫作"AI 是反工业革命的"。
组织动刀：pod + community 双轨制
基于这个判断，范凌对组织开了两刀。第一刀是把全公司切成 pod——3 到 10 人的跨职能小队，内部闭环交付，不再依赖跨部门拉通。三年前特赞就试过一次 pod，失败了，因为大家心理上还没准备好。但 AI 让团队自发减少了横向调配，pod 的土壤成熟了。第二刀是在 pod 之外建 community：横向社区帮所有人补齐销售、产品、代码等跨界能力，并专设 Leadership community——范凌判断，AI 时代带 100 个 Agent 比带 10 个人更难，pod leader 需要的不只是 AI 能力，还有 P&L、商业直觉和耐心。
一个伴随组织变革出现的现象是角色边界在溶解。Marketing 的人开始用 Claude Code 写脚本抓 LinkedIn 联系人，实质上已经是 Marketing Engineer；产品经理和设计师用 Cursor 直接出功能，不再等研发排期。研发占比从过去的 50% 持续下降，但"会写代码的人"反而变多了。
文化引擎：创始人下场 build
组织架构只是骨架，真正让 AI 跑起来的是文化。特赞也做系统培训（ABC Plus 项目），但范凌发现更有效的推动力是创始人亲自下场。他和 CTO、产品负责人三人组成的小团队，用 AI 做新产品，带来的用户增长远超其他 7 人团队。午饭、咖啡时间给同事秀 demo，其他 pod leader 也跟着秀。久而久之，内部形成了"自豪地展示自己 build 的东西"的习惯。这种 dogfooding 文化的传染力，远超自上而下的推广。
基础设施：分层上下文系统
特赞是一家有深厚文档文化的公司，连会议录音都会转成文档。范凌正在搭建分层的上下文系统：公司级放 schema.md 等指导性文件，像索引一样指向过去积累的几亿个文档；pod 级是各小队的专属上下文；个人级是每个人自己的对话和偏好管理。他强调上下文不是越丰富越好——有些场景需要的是框架而不是细节。企业级上下文还必须处理权限和保密，范凌举了个例子：他在投屏时搜 Wi-Fi 密码，AI 顺带把只有他权限能看的保密密码也搜了出来。他倾向于把某些核心数据压根不放进上下文系统。
产品分享：GEA，Atypica
产品层面，特赞的布局围绕一个核心逻辑：积累 AI 不能压缩时间的东西。
GEA（Generative Enterprise Agent）是企业级 Agent 架构。不执着于单个 Agent，而是把重点放在 Context 和 Orchestration 上——一个 Lead Agent 带若干 Sub-Agent，配上企业的 Skills 和 Context，在用户洞察、内容增长、产品创新等领域搭出企业专属的 Agent 项目组，相当于 7x24 小时运转的虚拟公司。
Atypica 做的是"理解人的 AI"。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。一个典型案例：美国教授用 2 万个真实家庭样本，让 AI 生成 1000 个典型人物画像，模拟夫妻和双方父母围绕生育话题的讨论，再不断注入政策变量观察行为变化——这是把 AI 用在社会科学研究上。
Game Lab（game.atypica.ai)解决的是 AI 模拟人的准确性问题。让真人和 AI 玩同样的经济学博弈游戏（电车难题、最后通牒博弈），用真人数据不断调优 AI 的表现，直到 AI 的决策和真人无限接近。这是特赞做 evals 的核心手段。
商业闭环：场景发现驱动客户对话
pod 在内部跑起来之后，对外的打法也变了。pod leader 实际上成了"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，再用 SPIS 方法（Situation-Pain-Impact-Solution）结构化。拿着"别人的痛点"去和客户聊，比拿产品 demo 更容易打开对话——客户会觉得"你懂我"。pod leader 大约花 30%-40% 的时间在场景收集上。
代价与未解的张力
最会用 AI 的人反而最累——能力边界扩张后，优秀的人自发承担更多，疲惫感加剧，范凌坦言这是目前最大的待解问题。大家都能 build 之后，重复建设变多，同一个场景库被不同 pod 做了好几个版本，范凌选择容忍而非管控。AI 产品从 demo 到 production 之间横着一道 evals 的鸿沟，如果不结合真实的物理场景和独有数据，仅依赖模型能力升级，壁垒会非常脆弱。
更深层的张力在于：AI 让探索成本变低，也让人更焦虑。产品过剩、用户不足，demo 不难做，增长才是稀缺资源。范凌的应对是 building in public——一边 build 一边拿反馈，让探索过程本身成为结果的一部分。
完整访谈
组织重构：从 Copilot 到高内聚的 Pod 模式
余一：我们先从我最感兴趣的地方聊起，也就是关于“AI 组织变革”。据我所知，特赞很早就开始尝试各种组织变革。大概一年前，腾讯研究院还专门做过一篇关于特赞的访谈和案例研究，聊过你在内部做的一些尝试。刚好一年过去了，我想问问最新的进展。我印象最深的是，你提到公司内部又重启了 pod（小型跨职能团队）的变革，并且这是第二次尝试了。可能很多人还不太清楚 pod 到底是一种什么样的组织形态。它其实是一种架构的变革，最开始是 Meta 发起的。在我看来，它有点像是在企业内部组建一支“特种部队”，去快速把握新环境或新技术。不知道我的理解对不对？我当时印象很深的是，你提到第一次做 pod 其实是失败了的，但第二次你觉得到了 AI 时代，这件事情好像又可行了，于是决定再试一次。所以我想请教范老师，当时为什么选择这种架构？目前的进展如何？我非常好奇。
范凌：我其实很早就开始用各种 AI 工具，毕竟我们自己就是做 AI 产品的。在使用的过程中，我一直在思考一个问题：到底用到什么程度，才算真正把 AI 的价值发挥出来了？以前我们用一个工具，如果能提效 20% 到 30%，就觉得非常值了。但对于 AI 来说，提效 20% 到 30% 到底是用好了还是没用好？我一开始不知道这个标准在哪。
后来，我遇到了一个 Aha Moment（顿悟时刻）。虽然现在听起来可能不算什么，但当时对我冲击很大。因为我关心提效，我就去问团队用 Cursor（一款 AI 编程工具）的情况。结果我发现，团队里把 Cursor 用得最有创造力的，居然不是研发，而是产品经理和设计师。原因很简单：他们过去想实现很多产品功能，都必须排期等研发资源；但现在，Cursor 直接帮他们争取到了研发资源。对他们来说，Cursor 本身就是研发资源。
这让我意识到一件事：AI 不仅仅是一个帮研发人员提高效率的工具，它更是一个能帮“缺乏研发资源的人”解决问题的 Agent（智能体）。AI 的出现让我们变得更全能，而不是让原有的专业变得更卷。
这就引发了我对组织的思考。我们现在的组织架构、甚至我们的教育体系，其实都是按照工业革命的逻辑设计的：所谓“千行百业”，你选一个专业，从初级做到中级，再做到高级。虽然很多人说 AI 是下一次工业革命，但我反而觉得，AI 在底层逻辑上是“反工业革命”的。它打破了“千行百业”和严密的职业划分，让我们回到了类似文艺复兴时期的状态——一个人可以是一个“全能的人”。如果我们的产品经理和设计师借助 AI 工具可以变得更全能，那我们似乎就不再需要按照传统的方式去给每个人划分死板的工种了。过去是一个人只能有一种角色，现在是“人+AI”可以同时扮演多个角色。
余一：那你们在组织上是怎么基于这个判断去落地的？
范凌：这是我们的一个底层认知。它的最大好处是，能大幅减少拉齐、对齐的会议，也减少了前后端联调的时间。基于这个认知，我们就开始追求一种状态——“高内聚、低耦合”。所谓高内聚，就是一个很小的组，可能只有两三个人，他们内部的分工不需要那么细，大家凑在一起就能把一个任务完整交付；所谓低耦合，就是部门与部门之间不需要太多跨部门协调，大家都能独立工作，省去无效的开会时间。
这种状态落实到组织形态上，其实就是 pod。我们在三年前就试过推行 pod，当时跟大家解释了半天，结果最后执行下去，大家还是退回到了按岗位分工的旧模式，因为大家心理上不习惯。
但到了去年，随着前面提到的 Aha Moment 的出现，我发现团队开始自发地减少横向的资源调配，每个人开始依靠 AI 把事情往深了做。我觉得，推行 pod 的机会又来了。我本人非常讨厌开会，我骨子里是个 Builder（创建者），喜欢自己动手把东西做完，觉得没必要把时间浪费在开会上。那段时间，正好有人跟我提了一句，说 OpenAI 用的组织架构就叫 pod，还说 GPT 就是由 35 个 pod 做出来的。我觉得挺好，这证明方向是对的。当大家变成一个个小的作战单元时，情况就完全不同了。
余一：把团队切成一个个小单元，听起来确实很理想。
范凌：单元越小，大家的 Ownership（主人翁意识）反而会更强。过去你如果是写前端的，你就只负责前端代码，不用管后端数据库怎么搭，甚至不用太关心最终的产品体验长什么样。但现在，在这个三五人的 pod 里，大家必须一起把最终结果交付出来。这其实更有利于提升用户体验和产品质量。
所以我们又开始往 pod 的方向推动。这次肯定比三年前成熟多了，大家的心理建设和技能储备都跟上了。但推行 pod 也会带来两个副作用。第一个副作用很直观：AI 用的越好的人，他身上承担的职能就越多，这人就绝对会更累。我经常说，晚上你在办公室走一圈，你会发现留下加班的，往往不是那些工作效率低的人，反而是那些工作效率太高的人。
余一：对，我在办公室也经常对一些同事说：“你怎么还不下班？”其实是因为他们效率高，很容易同时并行很多个任务。
范凌：没错，第一是他们很容易并行很多任务，第二是他们会不自觉地把任务边界无限向外延展。本来你只写前端代码，现在有了 AI，你觉得顺手把产品设计做了也行；做完产品，你觉得连 Go-to-Market（走向市场）的方案也可以自己搞定。
比如昨天，我们 Marketing 团队的一个同学给我展示他做的官网 CMS 系统。这要是放在以前，可能需要 20 个人的研发团队都不一定搞得定，结果他用 AI 一个人就搞定了。我当时一看，觉得太厉害了。但结果就是，这些人反而更累了。AI 并没有让他们变得更轻松。而且这群人对产品质量有追求、很挑剔。原来靠自己可能只能做到 60 分，现在有了 AI，发现努把力能搞到 90 分，于是就没日没夜地卷。这是我们要解决的第一个副作用。
余一：确实，这是一种幸福的烦恼。那第二个副作用呢？
范凌：第二个副作用就是，我们发现不能完全指望大家自发摸索，必须得“扶上马，送一程”，得给大家提供系统的培训。所以去年我们推出了一个叫 ABC Plus（AI Builders and Creators Plus）的项目。我们在外面请专业的讲师，手把手教团队怎么用 Claude Code，怎么用各种 Agent 工具。只有当你帮他们解决了那最开始 0 到 1 的认知负担时，他们才能真正把工具用起来。
配合着 pod 这种作战单元，我们开始建立一个与 pod 平行的组织形态，叫做 Community（社区）。在传统的架构里，工程师、产品经理、销售通常是实线管理的部门；现在，我们把这种职能的实线变成了虚线的 Community。Community leader 的主要作用，是让公司里更多的人学会销售、学会写代码、学会做产品。不再是说你顶着“销售”的 title 招进来，你就只用背销售数据的 KPI。我们希望通过 Community 帮助每个人变得更全面。
所以，现在的结构是：实线的作战单元是 pod，有的是服务客户的 pod，有的是钻研技术的 pod；而横向的虚线组织就是 Community，负责帮助人成长，而不是考核 KPI。除了写代码、做产品的 Community 之外，我们还专门设立了一个叫 Leadership（领导力）的 Community。
因为我发现，在 AI 时代，你一个人可能要带 100 个 Agent 干活；或者你作为管理者，你要带领 100 个熟练使用 Agent 的员工。这个时候，像领导力、Ownership、责任心，以及 Resilience（韧性），这些过去听上去有点“虚”的素质，在 AI 时代反而变成了最具体、最核心的硬能力。
余一：所以特赞的 pod 模式，其实是吸取了 OpenAI 等公司的经验，但并没有生搬硬套组建“特种部队”的形式，而是把它作为整个公司的一种基础准则，再配上 Community 这种培养机制，做出了适合自己的变种。
范凌：其实我们也不知道到底是跟谁学的，反正人家叫 pod，我们也叫 pod，底层逻辑是类似的——就是把科层制变成画圈圈。正好我们团队对“青色组织”这种概念比较感兴趣，特赞本身的气质也比较契合。只是过去大家能力不够，现在有了 AI，能力终于跟上了。这次我们的调整是全公司一起变，Q1 刚复盘完，大家虽然觉得不舒服，但也明白肯定回不去了。我估计到了 Q2，大家就会觉得舒服一点了。
余一：这种不舒服主要来自于哪里？
范凌：来自于很多方面。过去做个项目，拉个 20 多人的群，每个人都有明确的 Scope（职责范围）。事没做完，你很容易就能挑出是谁的 Scope 没做好，把锅甩出去。但在 pod 里，即使群里只有三四个人，大家也是必须互相补位的。事没做好，没有一个人能把责任甩出去，所以控制力变强的同时，压力也会变大。
另外，在 Q1 的时候我们也遇到了一些问题。比如一个 pod 实在太累了，那要不要让另一个 pod 来帮忙？因为现阶段大家还不是全能的，可能这个 pod 研发强一点，那个 pod 销售强一点。要不要跨组合作？这会引发各种各样的协调问题。所以在这个阶段，大家肯定是不舒服的，pod leader 的压力也非常大。但我坚信这个方向是对的。
余一：我比较好奇的是，变成 pod 之后，作战单元的规模有明确的要求吗？比如规定每个 pod 不能超过多少人？还是说由团队自发长成他们觉得协作效率最高的规模？
范凌：我个人希望 pod 越小越好。但客观来讲，现在能胜任 pod leader 的人还不够多，所以事实上我们的 pod 规模还是偏大了点，大概有 10 个人左右，内部可能会分成两个小组。
余一：我对这块还挺感兴趣。之前我也问过安克的龚银总，他认为一个作战单元大概 6 个人比较合适，也就是一个又懂业务又懂 AI 的“大牛”，带上 5 个会用 AI 的人。这是他对作战单元规模的认知。
范凌：我觉得原则上只要足够小就行。我的观点是，能一个人干就不需要两个人，实在不行才上 10 个人。我不认为存在一个比如 6 个人或 5 个人的“魔法数字”。核心逻辑是保持尽量小的闭环，赋予大家尽量完整的 Ownership。
有一点我想强调的是，我并没有去压缩团队的“人天”（工时）。比如这件事原本需要 100 个人天来做，我不会因为你们现在只有 3 个人，就逼着你们用 30 个人天做完。大家自己会去优化流程。我更看重的是，能不能把原来横向拉通、反复对齐这些效率极低、很吃力的事情砍掉？我们省出来的时间，是因为减少了低效环节，而不是靠压榨个人的工作量。
培养 AI 原生领袖与商业化视角
余一：这里面你提到，能成为 pod leader 的人现在还比较少。我有两个好奇点：一是你觉得什么样的人能成为 pod leader？二是特赞内部识别和培养 pod leader 的机制是怎样的？
范凌：什么人能做 pod leader？除了大家共识的软性能力（比如 AI 能力、学习能力）之外，我觉得一些硬性能力非常难培养，但又必不可少。比如 Leadership（领导力）、看 P&L（利润表）的能力——就算你是研发出身，你也得懂 P&L；还有对事情极致的责任心。
另外，在当前这种变化极快的节奏下，“耐心”反而变成了一个非常重要的素质。这些都是软硬结合的素质。至于 AI 工具的使用能力，我觉得能成为 pod leader 的人，这方面绝不会差。
怎么培养呢？这也是我们在 Community 里加入 Leadership 模块的原因。我们目前做得还不够系统，可能起步阶段会提供一些领导力培训，或者把他们送出去上商学院课程。过去我们培养小组长，只是教他怎么管下面几个人；但现在，这个小组长手下不仅有几个人，还有几百个 Agent。他其实是在管理一个 100 人的产能。所以，我觉得每个人都值得去上一上商业课、领导力课。毕竟在 AI 时代，技术问题大家每天都在主动或被动地学习，但商业思维和管理能力反而成了短板。
余一：所以对于 AI 原生的人才来说，想要晋升为 leader 带领“人+AI”的团队，最需要补的其实是商业和领导力的课。
范凌：这可能因团队而异。比如我们有些传统行业的客户，他们一点都不缺方法论，也不缺领导力，早习惯了管几千人的团队。对他们来说，最需要的反而是转变思维——从固化的 SOP 模式，转变为 AI 原生的思维。但对于特赞这样的科技公司，AI 并没有让管理能力变得不重要，反而让管理能力和规划能力变得更重要了。
余一：这挺有意思。我前两天刚看了一篇哈佛的论文，他们对 500 多家公司做了一个大概 100 天左右的培训。类似加速器服务。他们搞了一个对照组：一组完全按照传统的商业培训方式来；另一组在第二三周开始，加入了一些外部 AI 落地案例的拆解。结果发现，加入了 AI 案例和用例拆解的这组，在后续获得的资金和取得的成果上，有非常明显的提升。这说明培训的方向和方式真的很关键。
范凌：对，AI 工具其实是让很多 Business Leader找到了一些让想法落地的可能性。以前很多商业理论只能停留在“讲道理”的层面，缺乏落地的手段；但现在，AI 让很多东西可以真正落地了。我觉得 AI 技术也是一种“商业技术”。
就像上一代的 ERP 或 CRM 系统，它们本质上是商业思维落地的工具承载。每一种商业理论都需要科技去承载。反过来说，AI 也是一个契机，让很多原本只在理论层面的商业思路能够真正繁荣起来。
余一：我接着追问一个调研相关的问题。有观点认为，以前的技术变革，投入和产出的映射关系很清晰，能看到明确的增效；但 AI 似乎在个体端能看到明显的红利，一旦放到组织层级，这种映射关系就失效了。这篇论文也想通过数据去检验这种映射关系是否还在。范老师，你们有观测过这种从个体到组织的增效差异吗？是因为降本增效本身就只是想象力的空间，还是有其他原因？
范凌：我们没有很刻意去量化组织层面的改变，但改变必然要拿结果说话。比如，我们现在的团队人数没变，去年业务增长了 60%，今年目标是增长 80% 到 90%。这个结果足以证明 AI 带来的价值。
但正如我刚才所说，有些东西是数据量化不了的。比如我的 leader 们真的太疲劳了。即使 AI 帮他们做了很多事，但他们操的心变多了。如果你每天戴个耳机安静地写代码，可能至少工作是专注、不被打断的；但现在一个 leader 要同时管理 6 个、10 个 Agent，下面还有一堆人在跑，他心里的负荷是非常大的。这不是简单的量化数据能体现的。
另外我觉得，虽然 AI 变化很快，但人的变化是很慢的。两年前 AI 的主要产品形态还是 Copilot（副驾驶），也就是给每个人配一个助手，这确实给个体提效了，但组织形态并没有变。去年推理模型（如 DeepSeek-R1、GPTo1）出来后，你会发现 AI 开始能规划任务了。今年则是 Agentic（智能体）的元年，AI 真正开始干活了。
时至今日，绝大多数公司的组织架构还停留在两年前 Copilot 的形态——就是给各个职能部门加上一点 AI 工具来提效。但事实上，AI 的能力已经达到了“你可以按照 AI 来重新设计组织”的地步。公司本身就可以是一个 Agent，人只是在这个 Agent 里面提供“判断（Judgement）”的角色。
现在有很多噱头，比如在组织架构图里挂上几个 AI。但这仍然是在“人的组织架构里，用几个 AI 来干活”。你有没有想过，按照 AI 的逻辑来重新设计组织？比如去年我们和一家企业合作，帮他们做了一个 7×24 小时在后台进行新品研发的 Agent。过去是人发起研发项目，AI 在绘图、调研等环节帮点忙，节奏还是人在控制；但如果反过来想，能不能让 AI 24 小时不断地做研发，只在适当的时候停下来问一下你的想法？如果你 10 分钟不回复，它自己就去推进下一件事了。这完全是另一种节奏感。
我们最近在做一款叫 GEA（Generative Enterprise Agent）的产品，其实就是在用 AI 重塑公司在产品研发、营销等方面的流程。在这个过程中，不是把 AI 嵌进人的工作流，而是把人的 Judgement（判断）嵌进 AI 的工作流里。AI 原生组织不等于“每个人都用上了 AI”，而是用 AI 的逻辑重构了组织。
余一：我非常认同。如果还停留在 Copilot 的阶段，绝对算不上 AI 原生组织。我甚至觉得，去年所谓的“AI 原生组织”根本不存在，那只是给个体提高了生产力。下半年我自己疯狂做 Web Coding 之后，我把自己和 Agents 的关系当成是在“管理一家 100 人的公司”。
最大的感受就跟你说的一样：人已经没办法和 AI 时时刻刻“共生”了，因为如果始终在一起，人会被累死。你明显感觉到 AI 跟你不是一个物种，它的工作节奏你跟不上。所以我开始大量使用异步沟通、邮件、日历等机制来管理 Agent。
现在很多讨论（比如 Block 公司的观点）也在探讨这种新型的组织层级制。既然 AI 本身就能产出东西，那么如何把 AI 的产出跟市场打通，反而变成了最重要的事情。这甚至比“人跟 AI 到底怎么协同”还要重要。
范凌：当然。我一直有个观点：如果你公司规模不大，产品也不太领先，那你过去所有的积累，反而会成为你拥抱 AI 浪潮的负担。你可能真的拼不过一个只有两三个人、轻装上阵的新公司。虽然这有点自我警醒的意味，不代表它马上就会发生，但很多大公司确实有这种紧迫感的共鸣，也都在想方设法自我变革。大公司调头可能也会很快。
今年，我听到的声音已经从去年的“AI 很有意思”，变成了“遇到问题了，我要裁员怎么办？”“我要重构组织怎么办？”“数据安全怎么解决？”。大家先从小处试水，但动起来的意愿非常强烈。去年更多是视频号里在消费 AI 话题，光说不练；今年，很多比特赞大很多倍的品牌，都在问同样的问题，甚至明确表示今年要做 AI Center 的 Reorg（组织架构重组）。
余一：我也深有体会。今年企业家们迫不及待想动起来的意愿非常明显。硅谷那边动得也很激烈。这会不会也是因为小龙虾这类产品的出现，让大家直观地看到了 AI 真正干活出成果的样子？以前用 Claude Code，老板们可能感觉不到那种强烈的“机器代工感”；但现在，一帮老板突然发现自己可以直接指挥 AI 做东西，甚至觉得加上自己的经验，产出的成果比下属做的还要好。所以他们就很迫切地想动起来。
范凌：是的，每一代革命性的产品都会把更多的人卷进来。其实潜台词里还有一些没被充分讨论的点。比如，我们是不是应该把企业的 SOP 和能力固化成 Skills，让这些 Agent 去调用？Jack Dorsey（Block 创始人）在一篇文章里提到，每个企业都有一个自己的“世界模型”，也就是一个共享的 Context System（上下文系统）。
过去几个月，企业要搭建一套自己的知识库或上下文系统，其实还是非常 Heavy（沉重）的，落地的难度远比产生一个想法要大。让每个人在 C 端体验一下指挥电脑做事很容易，但要转化为全企业能产生价值的系统，需要大量的 Harness Engineering（集成工程）和 Context System 的建设。这需要投入大量的精力。
在国内语境里，大家讨论得比较少的一个点是 Evals（评估/验证）。在海外，我意识到这是一个非常大的市场。企业从 POC（概念验证）走向 Production（生产环境），中间必须要经过 Evals。绝大多数客户还没有在 Evals 上做投入，他们只是拿个工具试了试，觉得可以做竞品调研或新品创新，看到了可能性；但要想让全公司安全、稳定地使用并产生价值，没有 Evals 系统是做不到的。
寻找场景与平衡探索的张力
余一：上周我在杭州和其他公司的同学聊，也谈到了这个模型。我觉得有一位教授提的架构很认可：第一层是 Leader 坚定地支持；第二层是让普通大众用起来；第三层是专门设立一个 Lab（实验室），去识别优秀的用例，把它做成产品或方案在全公司推广。
比如 Every 这家我很喜欢的 AI 原生公司，虽然只有十几个人，但他们设了一个“AI 发现运营官”的职位，每周跟 CEO 和大家聊痛点、聊怎么用 AI，然后把经验沉淀下来，确保全公司都能受益。不知道特赞内部有没有长出类似的角色或新架构？
范凌：在我们这里，pod leader 其实就扮演了“首席 AI 场景发现官”的角色。特赞是一家有着深厚文档文化的公司。现在连开个会的录音也会转成文档。我们的一个典型用例，就是让 OpenClaw 去读这些海量的文档，把客户的场景总结出来。
过去三个月，我们大概收到了 600 多个客户需求。AI 帮我们从中提炼出了约 100 个共性场景。我们用了一套叫 SPIS 的方法论：Situation（描述客户现状）、Pain（痛点）、Impact（引入 GEA 后的影响）、Solution（对应方案）。AI 把这 20 多个核心 SPI 梳理出来后，我们拿着它去做两件事：
第一，跟客户分享，验证这些场景是否具有泛化性；
第二，拿着这些痛点去问客户，看他们有没有新的场景可以贡献。
以前我们是拿着产品硬做 Demo，现在我们是拿着“别人的痛点”去聊。客户反而会分享得更多，因为他觉得“你懂我”。这时我们再告诉他 AI 能怎么解决这些问题。所以，场景收集是一项非常重要的工作，我们的 pod leader 大概会花 30% 到 40% 的时间在这上面。
余一：听起来你们的场景收集更多是面向外部客户的。那内部的软件 Skill，或者员工日常使用制度（也就是所谓的“吃自己的狗粮”），是怎么做的？
范凌：去年我们做新产品的主要原因，就是想自己“吃狗粮”，亲自下场做 Vibe Coding。我和 CTO、产品老大三个人组成了一个很小的团队，自己动手写代码。结果我们这个小团队带来的用户数和业务增长，远远超过了其他 7 个人的团队。
作为对 AI 最好奇的一群人，我们会去试各种各样的东西。试完之后，我不会只靠外部讲师来培训大家，我必须自己做出一个东西，直接秀给团队看。
余一：你们那个案例我经常对外分享，简直是“创始人在一线做周末项目、吃尽 AI Coding 红利”的典范。
范凌：后来我发现我也不算特殊。去年很多技术型或产品型的创始人，比如 Shopify、Intercom、Airtable 的创始人，在发布新产品时都说了一句话：“从来没有像去年那样写过这么多代码”。
如果我们相信不再用“大会拉通”的方式管理公司，那我在每个中饭、晚饭、喝咖啡的时间，都会找不同的人，给他们秀我做的东西。比如我最近给他们展示我自己的 Wiki 是怎么用 AI 搭的。当你有直观的成果时，大家也会效仿。我的 pod leader 也会给我秀他给客户搭的 Demo，Marketing 的老大也会秀她自己搭的 CMS。大家养成了一种“自豪地展示自己 Build 的东西”的习惯。
现在的烦恼不是大家做得少，而是重复建设太多了。比如场景库，不同的组都想自己搞一个。因为 Coding 的成本太低了。但我还是倾向于用这种相对 Informal（非正式）的方式去鼓励尝试，而不是高压强推。一方面是能吃透不同的东西，另一方面，AI 变化太快了，我自己心里也没底，只能像个“大忽悠”一样，鼓励不同的组去试不同的方向。过几天有更好的工具出来了，我们才知道什么才是最优解。
余一：这真是幸福的烦恼！谈到这个，我最近在做一个叫 One Question（小纸书）的系列，四处找不同的人探讨 AI 时代的真问题。我最近非常关注的一个问题是：“AI 时代的张力管理”——也就是如何在“确定性”和“探索性”之间做平衡。
这不仅是组织的问题，也是个人的问题。有一段时间我极度沉迷于探索，一个东西做到了 80 分，只要再推一把就能完整交付了，但我马上又转向了新的探索。AI 技术变化太快，充满了未知和可能性。如果不去探索，很快就会失去机会；但如果只做探索不抓确定性，公司和个人又活不下去。范老师，作为一个同样热爱探索的 Builder，你是怎么管理这种张力的？
范凌：焦虑肯定是有的。焦虑的时候，少看点你和晓辉博士的视频号就行了！所有 AI 相关的内容都在创造焦虑，总让你觉得别人有更好的方法。但和圈外人聊多了你就会发现，这世界依然是个草台班子。大家在那惊呼，但真正把工具用好、跑通流程的人没几个。
所以，在 AI 时代一定不要内卷，不要只盯着“降本增效”，一定要去想那些你原来摸不到的蓝海市场。最近为了缓解焦虑，我去了趟美国看产品和客户。我发现，美国的模型确实好，但有些应用做得真的很烂。而我们在中国国内红海里卷出来的 AI 应用，做得非常精细。如果你把视野放到海外，去新加坡见见同行，他们会觉得中国做的 AI 应用简直太先进了。
所以这都是幸存者偏差。你周围都是积极上进的 AI 狂人，你就觉得自己每天都在落后；但只要你放眼蓝海市场，就会发现自己做的东西依然极具价值。不要只盯着降本增效，去开拓增量市场吧。至于个人的焦虑，按点睡觉就好，睡眠最重要，该关电脑就关电脑。
余一：我最近确实在调理睡眠，非常头痛。把话题稍微拉回来一点，既然我们在 AI 帮助下可以做大量探索，那到底如何保证拿到商业上的结果确定性？如何在探索和确定性之间保持平衡？
范凌：这确实很难回答，我也做得很不好。现在有个流行的做法叫 Build in Public，也就是一边 Build，一边拿外界的反馈。这或许是一种折中的方式，让探索的过程本身也成为结果的一部分。
另外我想说明的是，现在是一个“产品过剩、用户不足”的时代。如果有企业还在炫耀“我们是技术公司，研发占比 90%”，我心里就会想：那你投入在销售和增长上的精力绝对是不够的。以前一个创始人自己写代码，带 10 个人的 Marketing 团队，这可能就是未来 AI 公司的新常态。产品 Demo 越来越好做，增长却越来越难。所以，变相来说，如果你在经营一家完整的公司，你必须花比以前多得多的精力在增长上。
余一：特赞现在的人员配比是怎样的？上次我和 EvoMap 的张昊阳聊，他说他的团队里除了他自己负责疯狂烧 Token 和写代码之外，其他人全都在做市场和运营增长。这似乎代表了一种新常态。
范凌：这种变化确实在发生，而且是双向的。一方面，经典意义上的研发人员绝对比例一定在降低。我们以前是 50% 研发，50% 业务，现在具体的比例我不敢细算，但研发占比肯定下降了。
另一方面，原来做 Marketing的人，现在越来越像 Engineer。比如他们想在 LinkedIn 上介绍产品，会用 Claude Code 写个脚本去收集 1000 个相关联系人的信息。这种事以前只有研发能做，现在 Marketing 自己写代码就做了。所以，Marketing 的思路和手段变得越来越 Engineering。虽然我还没把他们的 title 改成 Marketing Engineers，但实质上他们已经是了。
余一：确实，我自己最近都觉得应该给自己加个 Builder 的标签了，虽然我不是科班出身懂代码的。Web Development（网页开发）最大的变化，就是我再也不会把代码看作是一种阻碍，而是把它当成了一种可以调用的能力。这是底层思维的变化。
范凌：对，一方面 Everyone is an engineer（人人都是工程师）；另一方面，经典意义上的工程师比例确实会减少。
搭建企业级上下文系统与 AI 的复利工程
余一：这很有意思。我们前面聊了很多组织的话题，接下来顺着聊聊特赞的实践。特赞是一家重文档、上下文和数据极其丰富的公司。大家都有个共识，对于非大模型公司而言，交付的核心不是 Token，而是智力资产和专业的上下文。
在 AI 时代，随着 AI 作为“数字员工”进入组织，特赞是怎么搭建和管理整个公司的上下文的？人跟 AI 之间的沟通机制是怎么建立的？
范凌：我们最近确实在搭建自更新的上下文系统。以前我们的搭法像是一个复杂的 Wiki（百科）或知识库；但现在我发现，反而应该返璞归真。
其实就是一个简单的文件夹系统，里面放一些 Guidance（指导性文件），我们叫 schema.md，用来规定基本原则。因为只要上下文系统足够简单清晰，它就能像索引一样，指向我们过去积累的几亿个文档。每个 pod 也可以基于这套规则，搭建自己专属的上下文，不需要全公司共享。再往上就是个人的上下文，比如我习惯把不同模型里的对话上下文统一管理。
这样就形成了一个立体的结构：个人层、pod 层、公司层。我曾经试过让系统实时更新上下文，结果很快烧掉了我 10 万块钱！所以现在不实时更新了，公司级的可能一周更新一次。但我个人有文档洁癖，我自己的上下文我喜欢每天都洗一遍、清理一次。
余一：我也有同感！我最近在搭建自己的文件系统上也花了很多时间，经历了一段非常痛苦的时期。我甚至故意做过实验：我有个文件夹，AI 也有个它的文件夹，我完全不干预它，看它会搞成什么样。最近才又和它一起把系统重构了一遍。这里面涉及到上下文怎么压缩、怎么传导，和以前的做法完全不同。
范凌：是的，上下文的本质其实就是基于阅读习惯做的一个索引目录。我觉得难点不在于个人的上下文，而在于团队和公司的上下文，因为这牵扯到权限和保密问题。特赞花了很多时间去处理这个。比如上次我现场搜公司 Wi-Fi 密码，结果 AI 顺带搜出了一堆只有我权限能看的保密密码，直接投屏在屏幕上，非常尴尬。所以上下文管理，权限是个极其复杂且核心的问题。我甚至倾向于把一些核心保密数据压根就不放进上下文系统里。
余一：我看到过一种很有意思的做法：有些公司把原有的文化价值观、验收标准，甚至 CEO 本人的核心原则，写成了一套全公司强制调用的 System Prompt（系统提示词）。CEO 觉得在过去的层级制中，信息传递两层之后就会变形，而这套强制的系统提示词是他对抗信息变形的手段。你会想尝试这种做法吗？
范凌：我理解他的做法，这也是可行的。但我自己总是在“控制”与“自由”之间找平衡。我有时候会有意把上下文清理得干净、简洁一点。我不希望 AI 太顺着我走。就像你跟下属聊天，如果他永远顺着你，那就没必要聊了；你需要的是不同的角度。所以我建上下文的时候，更倾向于给它一个“框架”，而不是塞满“细节”。
如果 AI 推动得足够深入，公司的管理层级肯定会变少。比如黄仁勋下面可能有一百多个 Direct Report（直接下属）。到时候很多沟通可能就是 Agent to Agent 的沟通了，那时候我们可能需要更丰富的数字孪生环境，但目前还没有一个确定的标准答案。
余一：你刚才提到希望文档是一个“自生长”的状态。我最近也在思考一个问题：人犯了错误，学到了经验，下一次就不会再犯，这是人的复利；但 AI 作为“数字员工”，它的成长性或者说复利工程应该怎么去做呢？
范凌：这个问题很有深度，我可能还没完全想透模型自我学习的问题。但我这么理解：公司里有两种角色，一种是解决封闭问题的人，一种是解决开放问题的人。封闭问题有明确的可衡量标准，可以不断逼近完美；开放问题则没有标准答案，需要靠经验和智慧去探索新的机会。
很多人只把 AI 当作解决封闭问题的助理，去追求精准和优化；但我觉得，AI 在解决开放问题时价值更大。我们应该勇敢地让 AI 帮我们去探索那些没有标准答案的蓝海市场，那里的价值并不是单纯靠“优化”得来的。
走向生产环境与给年轻人的 AI 建议
余一：要不趁这个机会，给大家展示一下特赞最新的产品？
范凌：好，我来投屏展示一下。这个产品叫 Atypica（https://atypica.ai/)。它的出发点是做一个“理解人的 AI”。过去我们总觉得 AI 是在替代人，但我们想用 AI 去模拟人的主观世界。
我们积累了大约 100 万个真实用户的数据，包括他们的表达、故事、认知和行为。基于这些数据，我们可以用 AI 模拟各种消费者或专业用户。比如之前有个美国教授，想研究中国年轻家庭为什么不愿意生孩子。他有 2 万个家庭的真实样本，他用 AI 采访了这 2 万个样本，最后捏成了 1000 个典型的人物画像。然后让这些代表夫妻和双方父母的 AI Persona（虚拟角色）聚在一起开会讨论。如果是真人讨论这种话题，场面会非常尴尬；但用 AI 分身来模拟，教授就可以不断抛出政策变量（比如生育补贴给老人，或者老公工资翻倍），观察他们的行为变化。这就把 AI 用在了社会科学研究上，非常有意思。
余一：你真的很会找场景。
范凌：还有为了确保 AI 模拟的准确性，我们内部做了一个 Game Lab。让真人和AI 玩同样的经济学博弈游戏（比如电车难题、最后通牒博弈），然后用真人的数据去不断调优 AI 的表现，直到 AI 的决策和真人无限接近。
除此之外，我们还在做 GEA 企业级智能体。它的逻辑是：不再执着于某一个具体的 Agent，而是把重点放在 Context（上下文）和 Orchestration（编排）上。通过一个 Lead Agent 带若干 Sub-Agent，再配上企业的 Skills 和 Context，就可以在用户理解、内容增长、产品创新等领域，搭出企业专属的 Agent 项目组。这就像是在后台 7×24 小时跑的一家虚拟公司。
余一：等于你给每一个项目都搭了一个专属的虚拟公司。我发现 Atypica 这个产品比我两个月前用的时候，界面和用例又有了很大的变化。最近投资人普遍觉得 AI 产品很难做、也很难投。对比以前，你觉得在 AI 时代做产品，最大的挑战在哪？
范凌：我觉得 AI 产品从 0 到 0.1 很容易，做个 Demo 不难。但要把它真正落地到企业的复杂工作流里（也就是进入 Production 环境），有很多繁重的底层工作要做。最大的挑战就是 Evals（评估与验证）。怎么证明你的 AI 产出是稳定可靠的，而不是随机的？这就是我们花大力气做 Game Lab 和主观世界模型的原因。
如果不去结合真实的物理场景和独有数据，仅仅依赖模型的能力升级，那壁垒是非常脆弱的。所以我们宁愿花钱去买真实的用户访谈数据、去训自己的基础模型，也不想做那些三个月后就会被通用大模型顺手替代的浅层功能。AI 时代，必须 Focus 在那些“AI 不能压缩时间”的能力积累上。
余一：时间只剩最后 10 分钟了。我最后问两个很多企业家朋友最痛苦的问题。第一，很多 TOB 公司有庞大的老代码库和产
Anais
