沒有什么護城河是一定存在的，能構建的壁壘只有兩個：速度和 AI 人才密度。

對話｜張鵬 李國興

整理｜湯一濤

過去一年，SaaS 行業經歷了一輪集體性的身份焦慮。大模型能力飆升，Vibe Coding 讓企業自己搓工具變得可行，Salesforce、Adobe 股價因為「AI 替代論」劇烈波動。

整個行業都在問同一個問題：如果通用智能足夠強，垂直 SaaS 還有存在的必要嗎？

AI 對 SaaS 的沖擊，更準確的描述可能是「改命」而非「絕命」。產品形態會被重塑，交付方式會改變，但深入特定領域、跑通長鏈條業務閉環的能力，短期內不會被一個通用模型直接替代。

Moka 是國內 HR SaaS 領域最早擁抱大模型的公司之一。2023 年 ChatGPT 發布后幾個月，他們就推出了基于大模型的產品 Moka Eva。兩年后的今天，他們把 Eva 升級為三個 Agent（招聘 Eva、人事 Eva、BP Eva），以及一個底座「Moka AI Studio」，試圖從「賣軟件」轉向「派同事」：讓 AI 像一個新入職的 HR 同事一樣，接手人事工作鏈條中除判斷和決策外的幾乎所有環節。

在 Moka CEO 李國興與張鵬的這次對話里，他分享了 Moka 產品升級背后的技術邏輯，也聊到了更大的問題：AI 原生組織到底長什么樣？中層為什么會消失？垂直 SaaS 公司的壁壘在這個時代還剩下什么？當 AI 開始重構組織的運作方式，HR 這件事本身的定義也正在改變。

以下為張鵬與李國興的對話，經編輯整理。

01

三個 Agent 加一個底座：

Moka 這次發布了什么

張鵬：Moka 兩年前就是 HR SaaS 領域里最早擁抱大模型的。最近又發了新產品，看起來比上次更成體系。先聊聊你這次發的新產品？

李國興：對，上次聊還是 2023 年，那時候 ChatGPT 剛出來。我們整個團隊看到之后特別興奮，立刻成立了專項小組，開始在 HR 領域做基于大模型的場景研發，6 月份就推出了我們的產品「Moka Eva」。

過去兩年我們一直在迭代，隨著模型能力提升，一步步解鎖新場景。這次我們在北京開了一場產品發布會，對 Eva 做了一次全面升級。

這次引入了一個核心概念——「新同事」。它對應的就是現在大家聊得很多的 Agent。過去一年大模型在 Agent 能力上的提升非常大，我覺得看到了一個機會點，興奮程度跟當初看到 ChatGPT 出現時是一樣的。

我們一共發布了三個 Agent：招聘 Eva、人事 Eva、BP Eva，分別對應 HR 的不同工種。除此之外還發布了一個底座能力「Moka AI Studio」（Moka AI 工坊）。這是我們定義的 AI 時代軟件的新范式，跟傳統的 SaaS 或 PaaS 都不太一樣。因為 AI Coding 能力大幅提升，軟件可以用極低的成本滿足企業的個性化需求，AI Studio 就是支撐這些定制化需求的底座。

所以整體就是三個 Agent 加一個底座。

張鵬：三個 Agent 加一個底座，跟之前軟件時代相比，從人事到招聘具體交付的服務有什么變化？

李國興：我先講人事 Eva 和招聘 Eva，這兩個有些相似之處。

人事 HR 的工作還是非常事務性的，比如入離職流程、新人待辦事項、檔案手續、每月考勤核對、薪酬核算、算薪發薪等等，大量人事崗位的時間都花在這些重復性事務上。

人事 Eva 做的事情，是同時理解兩端：一端是業務場景，比如入職流程里有哪些關鍵待辦、需要收集哪些信息；另一端是系統，因為數據和流程制度最終還是要有系統來承載。

基于這兩方面的理解，HR 只需要給 Eva 一兩句話的任務，它就能按照配置好的規則，自主完成考勤核對、薪酬核算這些工作。

張鵬：招聘 Eva 呢？招聘的鏈條比人事長很多。

李國興：招聘 Eva 的邏輯類似，但它沒有那么多寫死的規則和流程。一句話總結招聘，本質上「就是更快的招對人」。所以招聘 Eva 會圍繞「更快」和「招對人」兩個維度，協同 HR 和用人經理，主動推動招聘流程。。

招聘是一個很長的鏈條，簡單崗位要好幾周，復雜崗位要一兩個月甚至更長，中間有 10 個以上的環節。我們希望做到的是：只有需要判斷和決策的環節才需要人介入，其余全部由 Eva 推進。

舉個具體的例子。招聘的起點是用人經理提需求，但這個環節本身就是一個問題。HR 很難完全理解用人經理的真實需求，信息一傳話就容易出現很大的偏差。有時候甚至不能怪 HR，用人經理自己也沒想清楚，或者描述不清楚。

現在 Eva 會直接跟用人經理對話，主動詢問。比如我們自己招 AI 工程師，Eva 除了問基本信息（工作地點、薪酬范圍、經驗年限），還會追問子方向：「你要招大模型訓練方向、多模態方向、Infra 方向，還是 Agent 落地方向？」這些信息它拿不到，就沒法精準找人。

而且 Eva 還會換一個角度問：「這個人來了要做什么事？」因為讓用人經理描述「要什么樣的人」有時候說不清，但「招這個人來做什么」所有人都清楚。

通過這些引導，Eva 就像一個懂專業領域的 HR，一步步幫用人經理勾勒出正確的人才畫像。

畫像確定之后，Eva 自動生成 JD、發布到招聘平臺、在平臺上主動尋源和觸達候選人、篩選主動投遞的簡歷。

到了面試環節，Eva 會直接打電話聯系候選人，做初步的信息溝通和確認，比如介紹公司和職位、了解候選人相關經歷、確認面試時間。

我們也做了 AI 自動面試的能力，但目前大多數崗位還是需要人參與面試，去判斷候選人的能力匹配、氣場、價值觀這些東西。最后的錄用決策也是人來做。

所以整個鏈條里，其實只有需要人判斷和決策的時候才需要去介入：提需求、面試、錄用決策。其余環節全部由 Eva 主動推動。

而且 Eva 會主動優化過程。如果覺得職位進展慢了，它會在漏斗上層多找人、甚至建議拓展渠道；如果覺得畫像不對，它會在過程中不斷跟用人經理校準。

這個校準是一個持續學習的過程，會幫助招聘結果越來越準。舉個我自己的例子，現在很多面試都是視頻面試，Eva 會讀取整個面試過程的內容。我下午剛面了一個海外增長崗位的候選人。這其實是我第一次面這個崗位的候選人，但基本上 Eva 讀到面試信息之后，我就可以對候選人大致有了判斷，包括我關注哪些能力維度、對哪些經驗給了正面反饋、對哪些覺得不夠。

比如這個候選人運營經驗偏多、拉新經驗偏少，在我們比較關注的渠道比如 Reddit 上沒什么經驗，以及英語口語也差一點意思。

這些判斷 Eva 都會學到，然后反過來校準兩件事：一是前端的簡歷篩選畫像，二是后續跟候選人溝通時的確認重點。所以它是一個越用越聰明、越招越準的過程。

張鵬：我對 BP Eva 最感興趣。HRBP 原來是大公司才有的「奢侈崗位」，現在你把它做成產品，意味著所有公司都能用。它到底能解決什么問題？

李國興：BP Eva 確實是發布會之后客戶問得最多的產品。你說得對，BP 是一個奢侈崗位。算薪、招聘每個公司都需要，但 BP 的職能是組織和人才建設，輔助業務部門負責人把團隊建好、識別優秀人才、確保團隊方向跟公司目標對齊。它承擔的是管理職能，對人的要求很高。

我們做 BP Eva，一方面是想把這類能力民主化，讓更多企業用上；另一方面，我們觀察到在 AI 時代，人才管理本身需要一個質的變化。

現在企業常見的人才管理方式，已經跟不上這個時代的變化速度了。比如人才盤點，大多數公司最多半年一次，我們公司 400 人，每次也就盤二三十人，絕大部分人是不可見的——誰能力突出、誰成長快，對管理者來說完全是黑盒。而且盤點的結果也只是那個時間點的快照。

再比如績效管理，目標設了之后要隔半年才知道結果好不好，反饋給得太晚，結果都已經出來了。最理想的狀態應該是及時發現偏差、及時反饋、及時校準。

還有職位體系，大公司花大價錢梳理出來，最后很難落地，因為那是一個非常靜態的東西，而現在崗位能力畫像可能一個月就變了。

這些問題我們一直想解決但沒找到好辦法。AI 帶來了一個全新的解法。經過這幾年推軟件、推 SaaS、推線上化，大部分企業的工作已經搬到線上了。員工每天在做什么，日歷、文檔、會議紀要、銷售的 CRM 拜訪記錄、工程師的代碼提交，這些數據都在線上。AI 可以大量讀取和分析這些數據，對每個人的工作做持續的、客觀的評估。

舉個具體的例子。我們公司有一條價值觀叫「真誠直接」，定義是不卑不亢地表達自己真實的觀點，即便跟別人有沖突。

這個東西以前怎么評估？很虛。但現在，如果一個員工在好幾場會議里都提出了挑戰性的觀點，AI 就能識別到，給他打上一個標簽，那之后公司想尋求一些建議就可以重點問一下這類員工。「真誠直接」這個詞就不再是虛的，變成了可以被量化、被行為數據印證的東西。

也有更實的維度。比如我們現在全員推 AI，工程師最看重的是 AI Coding。我們內部做了一個小工具統計每個工程師的 AI Token 消耗量，消耗高的同事往往就是 AI Coding 的先鋒，我們會邀請他們做分享、給他們更多新項目的機會。

這些能力的變化，不管軟性還是硬性，都滲透在每天的工作里。數據已經在線上了，現在被 AI 解鎖了。

所以 BP Eva 要解決的核心問題就是兩個：一是不用等半年一次的盤點，每個人的能力亮點和強項能被持續識別出來；二是如果員工的工作跟目標有偏差，管理者能第一時間知道，及時校準。

張鵬：所以 BP Eva 能成立，前提是過去幾年企業數字化協同的滲透率夠高了，線上數據足夠多，才能支撐 Agent 扮演 BP 的角色？

李國興：對，BP Eva 能發揮最大價值的前提就是有足夠多的線上數據喂給 AI。這是一個不可逆的趨勢，只是企業之間會有快慢之分，有點像「跨越鴻溝」理論——有些公司是先行者，有些是 laggard（落后者）。最領先的公司甚至在刻意推動整個組織把更多的行為和產出線上化，然后交給 AI 做分析。

我們切的是組織和人的場景，但業務側也是一樣的邏輯：更多線上化、更多數據化，AI 就能在決策和發現問題上發揮更多價值。我們看到最 AI 原生的那些公司，已經在以 AI 和 Agent 為核心去構建組織的運作方式了。

02

中層消失、組織拍扁：

AI 原生組織到底長什么樣

張鵬：你接觸這么多客戶，如果按對 AI 的推進程度從 0 到 10 打分，你見過的最高分是多少？客戶的中位數大概在哪？

李國興：說實話 9 分、10 分的我沒實際見過，但從一些創始人的采訪和報道里能看到一些影子，這個后面可以展開。

我實際聊過的客戶里，有一些能做到 6、7 分。

分享兩個案例。第一個是國內最大的連鎖餐飲企業之一，整個公司推 AI 非常堅決。他們的痛點是門店招聘量極大，流動量非常高，新店又不斷在開，HR 根本覆蓋不過來，大量招聘工作壓在店長身上。

過去兩年他們在招聘環節大量推 AI，一步步演進到現在有一個叫「面試直通」的模式。從篩簡歷、安排面試到實際面試，全程不需要店長參與，AI 面完給出評分，店長看一下結果沒問題就直接讓人來報到試工。

這個模式現在已經覆蓋了 40% 多的招聘量，今年目標是超過 50%。他們每年招好幾萬人，也就是說有小幾萬人是通過這個方式加入這家公司的，你可以想象這省下來的時間有多大。

除此之外他們還自己搭了內部服務機器人，面向店長和員工解答門店業務的各種問題。這家我覺得在 HR 場景能做到 6 分左右。

第二個是國內最大的智能硬件公司之一，大概五六千人。他們的 CEO 推 AI 非常極端，內部公開講每個部門、每個職位都應該用 AI 代替大部分重復性工作。

省下來的人力成本不是老板留著，而是變成激勵包分給員工。因為他們公司加班比較多，老板希望是讓大家不加班、賺更多的錢。現在離那個目標還有距離，但全公司都在以非常高的強度思考和推進怎么讓 AI 把工作做掉。

這種大組織的變革很難，CEO 必須用比較強硬的手段推動，但從我們側面觀察到的效果來看，確實非常不錯。這家我覺得能到 6 到 7 分之間。

張鵬：你怎么定義「AI 原生組織」？它跟傳統組織本質上不一樣的地方在哪？

李國興：我們前兩天發布會上嘗試做了一個定義。

首先，最基礎的一層是每個個體都擅長使用 AI，是超級個體。如果能做到這一點，大概能打個5、6 分。但我觀察到的大多數企業連這個門檻都還沒過，整體不及格。

更深一層的變化是組織形態。現在大量的組織運作、信息協作都已經線上化了，每天在產生海量數據，幾乎涵蓋了公司和每個人所做的所有事情。如果把 AI 作為中樞去消化這些信息，提煉關鍵內容輸出給關鍵的人，整個組織的構建形態就會改變。

最直接的一個變化是中層的價值會大幅削弱，組織會變得極度扁平。傳統管理的「最佳實踐」是一個人管七到十個下屬，基于這個限制，公司一擴張就必然增加層級。

但在我看來，組織的兩大原罪，一個是人多，一個就是層級多。而且這兩個往往是結合在一起的，會讓效率指數級地下降。

很多中層的核心職責其實就是上傳下達：把公司戰略拆解到部門、再到團隊、再到個人，盯著大家執行，給反饋、給情緒價值。

但由于 AI 的出現，如果越來越多的企業開始以我們剛才討論的這種模式去運作的話，中層就沒有那么大的價值，公司會越來越扁平化。

舉個例子，我們公司有 400 人，大多數人的工作我是完全看不見的。公司的運作很大程度在于我信賴一線的同事在做正確的事，以及中層的管理者也在發揮他們的價值，確保大家一起在做正確的事。

但如果 AI 能實時收集每個人的工作信息，比如他這周在做什么、產出結果如何、與客戶和候選人的交互內容等等，那 CEO 不需要通過中層就能看到全局，判斷哪個團隊跑偏了、哪些人做得特別好。

張鵬：有沒有你看到的案例，已經比較接近這個形態了？

李國興：有一個公司我覺得如果他們做到了聲稱的程度，可能能到 8、9 分，就是 Block（前身為 Square）。這家公司價值 400 億美元 左右，創始人 Jack Dorsey 也是推特的創始人。

今年 2 月曝出的新聞，他們從一萬人精簡到六千人，核心思路就是用 AI 重構組織運作模式。Dorsey 在采訪里提到了兩個「世界模型」的概念：一個是客戶世界模型，圍繞所有客戶業務做信息收集和實時判斷；另一個是企業信息世界模型，就是我們剛才聊的那套東西。

他設想的未來組織只有三個角色：第一是一線任務執行者，當然都用 AI 和 Agent 協同完成工作；第二是DRI（直接責任人），類似現在的部門負責人或高管，負責制定目標、協調執行者完成結果；第三是Coach，幫大家適應新模式，這個角色可能后面也會越來越弱。

而且組織精簡之外，這種模式還能解決一個企業管理的本質矛盾。企業希望工作標準化，但人天然是非標的。過去大量管理工作都在對抗這個矛盾。AI 特別擅長解決這個問題。

比如我們是 ToB 公司，銷售做 pipeline review 的時候，很核心的一個點是怎么判斷一個客戶算不算商機？

企業當然希望標準統一，但每個銷售的判斷都不一樣，甚至會美化，跟領導說這周創建了三個新商機、客戶都特別靠譜，實際情況可能完全不是這樣。但如果所有跟客戶的溝通記錄都在線上，把企業的商機判斷標準植入給 AI，讓 AI 來做判斷，產出的結果就是標準的、符合企業要求的，不再依賴每個銷售個人的主觀判斷。

我覺得這類場景在企業里還有非常非常多。

張鵬：組織越來越小，AI 做掉大量事務性工作，HR 這件事在 AI 原生時代是更重要了還是更不重要了？

李國興：特別好的一個問題，這也是我們一直在思考的。我們的答案是組織可能會變小，但人在里面反而越來越重要。

因為常規工作被 AI 做掉之后，他要做的事情是更具挑戰性的。所以留下來的就不只是「員工」，而是「人才」。要怎么人盡其用、怎么確保協作順暢，這些問題的權重反而上升了。

而且我比較期待一個理想化的變化。現在很多人做的工作，其實他并不喜歡，就是打一份工拿一份工資，所謂「上班如上墳」。如果 AI 能做掉人不喜歡做的那些工作，讓人有機會去找到自己真正熱愛的事，員工才能在崗位上發揮最大價值。人只有真的熱愛一件事，才有機會做到出色，而不是敷衍了事。怎么讓人匹配到更合適的職位上，這也是我們特別希望能出一份力的方向。

張鵬：所以組織變小之后，留下的人反而是蒸餾到最后的精華，這時候不是要有人「管」他們，而是要有人去理解他們、把他們更好地組合起來。但知人善任是極高階的能力，天生自帶這個能力的人基本都寫在歷史書里了。所以 BP 這個事特別有意思，未來很可能不是每個部門配一個 BP，而是每個人都有一個 BP，它變成組織里一個普惠的、穩定的常量能力。

李國興：對，這個是關鍵。

03

不是絕命，是改命：

垂直 SaaS 在 AI 時代怎么活

張鵬：現在人人都能用 Vibe Coding 自己搓工具，HR 自己都在搓東西了。那 Moka 這種垂直領域的專業 Agent，跟企業自己 DIY 比，差距在哪？

李國興：我們也想過這個問題。這其實也跟過去半年「SaaS 還有沒有存在價值」的恐慌有關。大模型越來越強，Coding 能力越來越好，專業廠商做的東西跟企業自己搓的，到底能拉開多大差距？

我實際看到的情況是：用 Vibe Coding 搓一個 Agent 或軟件出來確實能做，但要真正投入生產、解決復雜業務問題、跑通長鏈條的工作，遠不是隨便搓出來就行的。

拿招聘舉例。你當然可以自己搓一個招聘 Agent，讓 AI 生成個 JD，現在隨便問哪個大模型都能做。但招聘涉及大量跟現實世界的交互，比如跟候選人溝通、跟不同招聘渠道對接，這些都不是輕松能處理的。

更重要的是，你要讓 Agent 持續理解用人需求、校準人才畫像、在過程中不斷總結提煉形成閉環，這需要非常強的技術能力和業務理解，很難從客戶自己的團隊身上獲取。

人事場景也一樣。假期考勤、算薪背后有非常復雜的專業知識和公式，出錯的場景很多，我們的 Agent 是基于大量經驗去理解這些出錯可能性并修正的，這需要投入大量時間和精力才能做到真正可用。

邏輯上其實跟 SaaS 時代類似：絕大部分企業都會購買，只有極少數不在乎成本、有能力也有時間的企業會自研。而且招聘、人事這些場景是通用的，不跟你的業務強綁定，有最佳實踐、有最佳模板，沒必要非得自己從頭做。企業應該把精力和資源投入到自己的主營業務上，而不是重復造這些輪子。

張鵬：大模型能力在不斷成長，通用智能越來越強。垂直領域的 SaaS 或者垂直 Agent，長期真正有意義的壁壘在哪？

李國興：我嘗試回答一下，我覺得這個東西很難有一個特別精準的答案，因為變化太快了。說實話，如果大膽講，沒有什么護城河是一定存在的。你設想一下終局，如果真的 AGI 了，AI 做什么都比人強，很多事情都沒有存在的必要，整個社會運轉都會有巨大變化。

所以我就不講太長遠的話，只講我能看到的。從我們自己能做的事情出發，我覺得需要構建兩個核心壁壘。

第一是速度。你是不是第一個把一個新場景的 PMF 跑通的？這會決定很多事情：更快構建網絡效應、更早吸引資源和客戶、客戶積累帶來數據積累和產品反饋，形成飛輪。

我們觀察到很多領域里，領先的人往往會一直領先，除非下一個范式變化打破之前的積累。所以速度在這個時代再怎么強調都不為過。

第二是 AI 人才密度。注意我說的不是團隊規模，而是密度。現在做很多事情不需要很多人，關鍵是團隊是否善于使用 AI，是否有能力想清楚該做什么、并且有執行力和 taste 把它做到極致。

在這兩個前提之上，從商業角度講，客戶和品牌依然非常重要，這可能是不變的東西。你看 To B 軟件領域，Oracle、SAP 跨越了好幾個科技革命周期，云戰略肯定落后于新的 SaaS 企業，但憑借客戶粘性和品牌優勢，依然維持了很高的市場份額。

如果再加一條 AI 時代特有的壁壘，我認為是數據。數據會成為企業非常核心的資產。我們通過產品積累的客戶數據和人才數據，在合規前提下，可以反哺給企業，更懂每一家企業的招聘方式，更懂里面每一個人。我們還可以從中提取脫敏的最佳實踐，賦能給更多企業。客戶越多、越優質，數據越多，這個優勢就越大。

舉個具體的例子：如果 AI 人才越來越重要，要怎么識別一個 AI 人才？

過去是看簡歷、看技術棧，比如我是安卓工程師，精通 Java。但這些經驗現在沒那么重要了，因為 AI Coding 本身就擅長處理不同編程語言和技術棧。

真正重要的是作品，是他實際做的項目和產出，是他是否善于用 AI。這跟過往看簡歷、問常規面試題是完全不同的識別方式。

那在這里面基于我們對未來的一些判斷，加上這類基于實踐沉淀出來的數據，就是未來比較好的一個壁壘。

張鵬：從一個 15 年的維度來看，5 年前你是怎么定義 Moka 的？現在是什么狀態？再往后 3 到 5 年，你希望它變成什么？

李國興：5 年前大模型還沒來，我們就是專注做 HR SaaS，不斷豐富場景和模塊，覆蓋 HR 的各種業務和不同類型的客戶。

我們一直圍繞一個理念：做真正讓用戶喜歡的產品，而不是只讓決策者覺得好。這是之前軟件行業被詬病最多的問題，決策者拍腦門買了一個東西，自己也不用，一線用的人天天怨聲載道，最后達不到效果。我們非常強調用戶使用體驗和滿意度，這也是 Moka 在行業里比較被認可的一個點。

現在我們正式把品牌從「Moka HR SaaS」升級為「Moka AI」，整個產品架構分三層。

底層是能力層，就是 Moka AI Studio。本質上是 AI Coding 能力，用來滿足客戶的個性化需求。比如某家企業特殊的排班規則或薪酬制度，最終目標是讓 HR 用業務語言描述就能實現定制化。現在還沒完全到那一步，暫時是我們的實施人員通過這個平臺幫企業實現。

中間是系統層，就是大家熟悉的 Moka 招聘、Moka People 這些產品，承載企業的數據流轉和流程制度，確保數據準確。

最上層是智能層，就是這次發布的三個 Agent，調用系統層的數據完成關鍵任務，越來越懂企業、越來越懂每個人。整個架構都是以 AI 為核心在演進。

再往后 5 年，Moka 的雙戰略是 AI 乘以全球化。過去兩年我們在香港、新加坡、馬來西亞都建了團隊，海外營收去年漲了 3 倍多，今年到目前也是 3 倍左右的增長。我們還在推全新的以 AI 為核心的海外產品。

AI 讓全球化出現了很多新的 PMF 和機會，結合我們公司的能力，我們希望把 Moka 打造成 AI 原生的全球化領先企業，這是我們的一個小目標。

04

摸過天花板的人先看到機會

張鵬：從 2023 年大模型出來到現在，作為一個 SaaS 公司的 CEO，你這幾年焦慮嗎？

李國興：做 CEO 應該是時刻都焦慮的，但反而是 AI 沒出現的時候最焦慮。那時候有疫情，資本市場也不好，SaaS 企業的狀態都挺有挑戰。

AI 出來之后，我覺得是興奮，不是焦慮，因為看到了很多機會。2023 年我們聊的時候，那個感覺就是在迷茫中看到了一束光，然后帶著團隊就奔著那個方向去了。

這幾年大模型迭代很快，我們不斷把一個個想法通過最新的模型能力落地下去，團隊一直很有斗志。現在更是如此，Agent 能力和 Coding 能力的大幅提升解鎖了更多可能性和商業化機會，海外市場也有不錯的進展。

而且我們沒上市，不像 Salesforce 那些公司，AI 恐慌一來股價蹭蹭跌，他們很難馬上影響市場情緒。我們作為私有公司很簡單，就是做正確的事情，看到的都是機會，沒有這些情緒干擾。做了正確的事情，得到好的反饋，就更堅定地往前走。這幾年基本就是這樣一個過程。

張鵬：過去幾年模型技術變化很快，有哪幾個關鍵的技術節點對你們產生了實際影響？你們在那些時刻做了什么決策？

李國興：我覺得有三個比較清晰的節點。

第一個是上下文窗口拉長到百萬 Token 級別。這個能力釋放了一系列場景，最大的就是會議紀要。你能看到各種硬件和軟件都迅速有了這個能力。我們切的是面試紀要這個細分場景，也成了最受客戶歡迎的功能之一。

第二個是 2024 年下半年，大模型的邏輯推理能力有了一個大幅突破。這解鎖了人崗匹配場景。比如一個職位要求「AI 領域 3 年以上經驗」，模型不只是看你總共工作了多少年，它能分析你的履歷：在這家公司做了一年多 AI，中間跳去別的行業，后來又回到 AI 領域做了一年多，加起來確實有 3 年。

這種復雜的條件推理能力突破之后，人崗匹配這個問題基本上就完全解決了。

這也解鎖了自動尋聘的場景，海外像 Juicebox 就是一個典型案例，去年 9 月我在美國看到他們的時候有個大幾百萬美收，今年 3 月又融了一輪，說是半年不到增長了 3 倍，速度非常快。

第三個就是最近半年，Agent 和 Coding 能力的大幅提升。這就是我們這次發布三個 HR Agent 的技術基礎，讓 AI 能像同事一樣跟客戶協同工作。

每一次關鍵的模型能力突破，都解鎖了新的場景和 PMF。

張鵬：所以關鍵是在模型能力還沒到的時候，你已經摸過了天花板，等它突破的那一瞬間你就是第一個看到機會的人。

李國興：非常同意。能第一時間識別到大模型最前沿的能力突破，可能是最關鍵的一點。它讓你的組織更早有認知、更早行動、更快產出 PMF 的產品。

你回顧過去一兩年做得好的 AI 應用公司，它們創立或產品爆發的時間節點，跟大模型某個能力提升的時間點是高度相關的。某個能力在某個月突破了，一兩個月后就會有很好的產品出來。

反過來思考，創業者需要做兩件事：一是緊盯每一次大模型的關鍵能力提升，判斷它能結合什么場景；二是先設想模型如果是萬能的，我們這個領域應該能做成什么樣，用這個終局思考去引導自己關注哪些能力突破會解鎖哪些場景。

張鵬：有想過突破 HR 賽道，往別的方向走嗎？

李國興：不是不可能。我對自己有一個要求就是不要隨便設限，對公司也一樣。AI 時代變化太多，很多都是未知的，各種機會都有可能。先不著急給自己扣一個天花板。

*頭圖來源：Moka

本文為極客公園原創文章，轉載請聯系極客君微信 geekparkGO

極客一問

你認為 AI 原生組織是什么樣子？