這篇文章主要來自于6月16日、我在智享會(huì)北京All In大會(huì)的演講內(nèi)容。

這次的演講，核心是分享了我們作為被AI“打擊報(bào)復(fù)”的軟件公司，我們的自救自主。即包括我們產(chǎn)品上的思考、也包括我們組織轉(zhuǎn)型上的實(shí)踐案例、還包括我對于AI時(shí)代“人效向善“科技向善”的價(jià)值觀的思考。

希望對大家有幫助，大家如果對AI轉(zhuǎn)型很焦慮，也歡迎一起聊聊。

最近大家都在談AI。有人開玩笑說，現(xiàn)在只有三件事能把人拉出來：喝酒、打摜蛋、談AI。喝酒讓我們忘記過去，打摜蛋讓我們專注現(xiàn)在，而談AI，讓我們關(guān)注未來。

但作為一家軟件公司的CEO，我這兩年卻一直處于一種“被AI打擊報(bào)復(fù)”的狀態(tài)。AI一火，很多人就說軟件公司沒戲了。所以，我想分享的，其實(shí)是一家軟件公司的“自救”心得，也是我關(guān)于AI與人效的一些思考。

時(shí)代大換擋，你的焦慮不止是AI

大家現(xiàn)在對AI很焦慮。這種焦慮，不僅是公司級的，也是個(gè)人級的。

過去招人，你問他會(huì)不會(huì)用Office；現(xiàn)在招人，你會(huì)問他會(huì)不會(huì)用AI。如果他不會(huì)用，你還會(huì)招他嗎？我們的崗位體系、職責(zé)體系，是不是都要因?yàn)锳I重新捋一遍？

但我認(rèn)為，我們真正焦慮的可能不僅僅是AI，而是整個(gè)“時(shí)代的大換擋”。

存量經(jīng)濟(jì)、出海、反內(nèi)卷機(jī)制、AI，還有HR同事更關(guān)心的用工模式大變革。比如，民企最焦慮的社保夯實(shí)率100%；過去那些“假外包真派遣”正逐漸離開歷史舞臺(tái)，稅務(wù)開票受限，管理必須回歸真實(shí)。

再看一些具體數(shù)據(jù)：7月1號出臺(tái)的超齡勞動(dòng)者規(guī)定；全國靈活用工、零工數(shù)量已經(jīng)達(dá)到3個(gè)多億，而我們總用工規(guī)模才7個(gè)多億，這意味著接近40%的用工模式發(fā)生了變化。

在這種焦慮下，管理越是迷茫，越要回歸常識。

德魯克說過，企業(yè)就是要?jiǎng)?chuàng)造客戶。那么，在AI時(shí)代，我們的一切也應(yīng)該圍繞客戶為中心，而不是以AI為中心。為了做而做，為了AI而AI，本質(zhì)上是在組織內(nèi)部制造“虛假工作”。

伯克希爾的新任CEO提過一個(gè)企業(yè)應(yīng)用AI的三大原則，我覺得很有必要：

1. 人類參與：必須有人在參與判斷。

2.保障機(jī)制：要保障不同的人、不同的時(shí)間問同一個(gè)問題，系統(tǒng)得給出同樣的、準(zhǔn)確的答案；

3.業(yè)務(wù)增益：必須帶來業(yè)務(wù)價(jià)值， 以業(yè)務(wù)為導(dǎo)向，沒ROI（投資回報(bào)率）的事，堅(jiān)決不干。

他還舉了旗下鐵路公司如何運(yùn)轉(zhuǎn)200多列火車的例子。我一看，這不就是我們智能排班這樣的“古典式AI”技術(shù)嗎？古典式AI也好，大模型也好，AI不是發(fā)燒友的玩具，而是要為業(yè)務(wù)帶來確定性收益的工具。

AI向?qū)崳阂钥蛻魹橹行模皇且訟I為中心

AI在組織里的應(yīng)用，區(qū)別最大的有時(shí)不是行業(yè)或規(guī)模，而是“資本性質(zhì)”。

外企很尷尬，國內(nèi)的AI全球總部不認(rèn)，國外的AI中國沒法用；國央企要本地化、安全可控，只能選開源；民企放飛自我，但冰山下的安全防護(hù)往往沒人管。

所以，要不要一股腦沖向大模型？我的建議是：看場景，選技術(shù)。

大模型不是用來做數(shù)學(xué)題的，它是用來處理“語文概率題”的。如果你要解決的是預(yù)測、排班、調(diào)度這種“數(shù)學(xué)優(yōu)化題”，那么運(yùn)籌學(xué)和機(jī)器學(xué)習(xí)這類“古典式AI”，反而更有效。

它在企業(yè)里的核心價(jià)值，是解決“錯(cuò)配”。

分享幾個(gè)蓋雅的智能排班的真實(shí)實(shí)操案例：

• 某3C零售巨頭：這是一家全球知名的3C零售品牌，賣手機(jī)、賣Pad。從20家店試點(diǎn)、到700多家門店、再到現(xiàn)在全部的1800多家門店，通過我們的智能排班的調(diào)度，每個(gè)員工總工時(shí)不變，只是上下班時(shí)間變了就帶來了銷售轉(zhuǎn)化率提升了10.6%的結(jié)果，而員工的回報(bào)也變高了
  
  
• 某大型制造業(yè)： 過去生產(chǎn)調(diào)度不同的車間“各管各的”，需要四五十個(gè)排班員去排4000多人的班。現(xiàn)在通過AI調(diào)度，一個(gè)人就能搞定，人效整體提升了20%。
  
  
• 某汽車零部件制造： 過去新接一個(gè)訂單，IE、HR和運(yùn)營部門給出的用人標(biāo)準(zhǔn)完全打架——HR想省錢，IE可能基于半年前的勞效標(biāo)準(zhǔn)，運(yùn)營為了交付要加人。現(xiàn)在通過AI能力的實(shí)時(shí)監(jiān)控和預(yù)測，給出一個(gè)各方都認(rèn)賬的精準(zhǔn)答案。
  

現(xiàn)在，當(dāng)大模型加持這些“古典式AI”后，更神奇的事情發(fā)生了：

——我們可以更靈活的和去和客戶共創(chuàng)，比如這個(gè)案例，核心是把那些老店長、老班長腦子里的管理Know-how萃取出來。

過去數(shù)字化系統(tǒng)是“死”的，配完之后就不動(dòng)了，有新需求得寫文檔、評估人天、等開發(fā)。但現(xiàn)在，系統(tǒng)是“活”的。比如我們和一家奢侈品零售的客戶在智能排班領(lǐng)域做了個(gè)嘗試：系統(tǒng)會(huì)去實(shí)時(shí)觀察店長、班組長的每一個(gè)操作動(dòng)作。比如，店長為什么在這里手動(dòng)調(diào)了一張班表？他的邏輯是什么？

AI會(huì)去抽象這些動(dòng)作，判斷這是個(gè)人的臨時(shí)偏好，還是具有普遍意義的管理邏輯。如果是后者，AI會(huì)建議將其變成公司級的規(guī)則，直接應(yīng)用到其他部門。

這位客戶的CIO跟我說了一句話，讓我印象非常深。他說，系統(tǒng)里其他數(shù)據(jù)都不重要，這份被AI抽象出來的“M1文件”才是公司真正的核心資產(chǎn)，因?yàn)樗恋砹藰I(yè)務(wù)運(yùn)營中最真實(shí)的Know-how。過去這些東西都在人腦子里，人走了就帶走了；現(xiàn)在，AI幫我們把它們留在了組織里。

人效向善：AI是放大器，不要放大了“惡”

AI是一個(gè)巨大的放大器。它既能放大組織的優(yōu)勢，也能放大劣勢；既能放大對員工的善，也能放大對員工的惡。

現(xiàn)在的技術(shù)下、精細(xì)化管理變得非常容易、而且成本極低：比如我看到一家公司監(jiān)控到一個(gè)員工晚開機(jī)8分鐘、然后直接就開除了；還有企業(yè)監(jiān)控員工下樓拿外賣花了17分鐘、然后來罰款；還有公司監(jiān)控員工參加了很多會(huì)議、發(fā)言總計(jì)不到2分鐘，然后過來問責(zé)。

我一直在思考：這種“精細(xì)化監(jiān)控”真的是我們想要的嗎？

在AI時(shí)代，人效管理應(yīng)該關(guān)注這三個(gè)變化：

• 邊際成本下降：監(jiān)控變得唾手可得，但管理者的手不能因此伸得太長。

• 產(chǎn)能上限重定義：一個(gè)人加上AI，他的產(chǎn)能不再是過去那種固定的、可預(yù)測的值。

• 激勵(lì)響應(yīng)的變化：現(xiàn)代人是“屏幕響應(yīng)的一代”，沒法延遲滿足。

我們要向網(wǎng)約車平臺(tái)學(xué)習(xí)，推行“即時(shí)激勵(lì)”。很多企業(yè)現(xiàn)在都在提倡“陽光激勵(lì)”，把一部分可量化的獎(jiǎng)金，做得像滴滴一樣。我們也在幫助一些客戶實(shí)現(xiàn)這樣的場景：員工每天下班就能知道今天賺了多少錢，每天上班就能知道這個(gè)月累計(jì)掙了多少。

這種機(jī)制在藍(lán)領(lǐng)用工領(lǐng)域非常有殺傷力。當(dāng)回報(bào)變得即時(shí)、透明，你會(huì)發(fā)現(xiàn)那些真正技高者、多勞者，自己就跑起來了。這其實(shí)就是我們常說的“合適的人在合適的時(shí)間做合適的活，拿到合適的回報(bào)”。

此外，我們還通過AI幫助客戶做“指引性管理”，比如AI審批這個(gè)場景，可以讓管理者從“盲批”走向“明察”。

大家可以想想，公司里有多少審批是主管“盲批”的？因?yàn)榱鞒糖懊嬗腥藢彛竺嬉灿腥丝矗虚g的主管往往就順手點(diǎn)了。但如果你把AI嵌進(jìn)審批流，它就不再是一個(gè)冰冷的流程，而是一個(gè)智能的助手。

比如，AI會(huì)實(shí)時(shí)預(yù)警：這筆加班單對應(yīng)的員工，前面已經(jīng)連續(xù)加班6天了，你確定還要批嗎？再比如，AI會(huì)分析出一些異常模式：某個(gè)員工最近每個(gè)周四都請假，它是單純有事，還是有可能是處于離職預(yù)判期？這時(shí)候，系統(tǒng)會(huì)給出一個(gè)決策指引，提醒你去關(guān)心一下這個(gè)員工，而不是冷冰冰地通過或拒絕。

這就是我說的，AI可以重塑員工的整個(gè)生涯周期，把那些原本藏在數(shù)據(jù)里的風(fēng)險(xiǎn)和溫情，實(shí)時(shí)地推送到管理者面前。

蓋雅實(shí)踐：一家軟件公司的 AI First 組織實(shí)驗(yàn)

蓋雅在去年提出了 “AI First”。我們不是 AI Native，但我們努力轉(zhuǎn)型。我當(dāng)時(shí)提了三個(gè)顯性指標(biāo)：

• 批量超級個(gè)體：組織里要有批量的超級個(gè)體，他們的效率可能是過去的 10 倍甚至 100 倍。

• 硅基員工：組織里要有超過 500 個(gè)真正能干活的 AI Agent，能批量解決客戶和員工的問題。

• 流程重組：所有的流程都要被 AI 重新過一遍，每個(gè)月都要討論哪些流程被改造了。

為了實(shí)現(xiàn)這些目標(biāo)，我們內(nèi)部推行了一套B-TOP 模型。

Business（業(yè)務(wù)層）：從“入口”到“能力”

在移動(dòng)互聯(lián)網(wǎng)時(shí)代，我們沒能成為入口；在 AI 時(shí)代，我們也不再幻想成為入口。

我們正在把系統(tǒng)變成“Headless（無頭化）”，不僅給員工用，還要給 Agent（智能體）用。比如我們通過 MCP 建設(shè)，讓客戶的智能體能直接調(diào)用蓋雅的能力。

在內(nèi)部，我們正向 IPD 3.0 演進(jìn)：過去產(chǎn)品經(jīng)理和研發(fā)要反復(fù)確認(rèn)需求，現(xiàn)在客戶在白板上畫個(gè)草圖，產(chǎn)品經(jīng)理用 Vibe Coding 工具，兩小時(shí)就能跑出一個(gè)可交互的原型。不要用 AI 去加速一個(gè)原本該被淘汰的流程，要用 AI 重新定義業(yè)務(wù)。

Technology（技術(shù)層）：Token 也是一種“薪酬”

我們接入了國內(nèi)外所有主流大模型（Kimi, DeepSeek, Claude, ChatGPT 等）。為什么要接這么多？因?yàn)?Token 很貴，我們要分清場景，哪些用昂貴的先進(jìn)模型，哪些用普遍模型。

我們把 Token 費(fèi)直接算進(jìn)了部門的人效考核里，分母是“薪酬包 + Token 費(fèi)”。主管必須像管理薪酬一樣管理 Token。

同時(shí)，我們也非常關(guān)注“冰山之下”的安全與合規(guī)。很多民營企業(yè)會(huì)只看到 AI 的效率，卻忽略了權(quán)限、安全和防護(hù)系統(tǒng)。在蓋雅，我們有嚴(yán)格的規(guī)定：沒有被組織完全掌握的代碼，絕不允許進(jìn)入生產(chǎn)環(huán)境。AI 寫的代碼量太大了，一旦出個(gè) Bug，面對幾百萬用戶就是災(zāi)難。所以，技術(shù)架構(gòu)必須能承載這種高頻的、海量的產(chǎn)出，并建立起一道安全防線。

Organization（組織層）：消滅冗余節(jié)點(diǎn)

個(gè)體的生產(chǎn)速率拉滿了，如果組織的“吸收速率”跟不上，就會(huì)造成更嚴(yán)重的擁堵。比如員工用 AI 1 小時(shí)寫完方案，卻要花 3 天走審批，這沒意義。
所以我們進(jìn)行了激進(jìn)的重組：

比如AIBP 團(tuán)隊(duì)：我們組建了一支 AI 業(yè)務(wù)伙伴（AIBP）虛擬團(tuán)隊(duì)，由那些跑得最快的超級個(gè)體組成，下沉到各個(gè)職能部門（市場、IT、測試等）尋找落地場景，賦能那些不會(huì)寫代碼的同事。

比如崗位合并： 產(chǎn)研崗位從 9 個(gè)壓縮到 4 個(gè)。UI 前端崗位消失了，因?yàn)?AI 能直接出圖出代碼；測試崗位變得極其重要，因?yàn)樗麄兪呛Ａ?AI 代碼的“看門人”。

People（人）：讓超級個(gè)體成為 AIBP

在我們的組織里，產(chǎn)生了很多“超級個(gè)體”。這些人的個(gè)人效率已經(jīng)是過去的 10 倍甚至 100 倍了。

但你會(huì)給這些超級個(gè)體發(fā) 10 倍甚至 100 倍的工資嗎？

這幾乎是不可能的。

但如果你不給，他可能就跑了。我常開玩笑說，幸虧現(xiàn)在經(jīng)濟(jì)環(huán)境不好，要不然這些超級個(gè)體早跑光了。為了留住這些人，也為了讓他們的能力沉淀給組織，我們做了一個(gè)閉環(huán)的激勵(lì)機(jī)制：

首先，比如前面提到的，我們把這些跑得最快的超級個(gè)體認(rèn)證為AIBP（AI 業(yè)務(wù)伙伴）。他們不再只是自己埋頭干活，而是要帶著任務(wù)下沉到各個(gè)職能部門，去尋找 AI 落地場景，賦能那些不會(huì)寫代碼的同事。

其次，通過Gaia Nexus 任務(wù)交易系統(tǒng)給予增量回報(bào)。既然給不了 10 倍工資，那就通過機(jī)制讓你賺到“第二份錢”。超級個(gè)體幫其他部門落地 AI 流程改造，只要業(yè)務(wù)上見到了效果，產(chǎn)生的收益就會(huì)折算成積分或獎(jiǎng)金回饋給他們。這樣，分享不再意味著“教會(huì)徒弟餓死師傅”，而是意味著真金白銀的回報(bào)。

同時(shí)，我們把 AI 視為真正的“硅基員工”。比如我們的“產(chǎn)品小雅”，她負(fù)責(zé)面對服務(wù)中心、交付中心的 200 多位同事，解決 90% 的復(fù)雜配置咨詢。她也有工號，也要按機(jī)制運(yùn)行，她在 4 月 17 號上線，6 月 1 號正式通過了試用期。既然是員工，就要像真人一樣“選用預(yù)留”。

我們常常說，會(huì)用AI的人，會(huì)取代不用AI的人。

對于組織也是一樣，跟AI協(xié)作得好的組織，會(huì)取代協(xié)作不好的組織。我們尤其需要擔(dān)心的，是你的競爭對手是否已經(jīng)跟上了AI。

作為一號位，AI 考驗(yàn)的不僅是技術(shù)，更是我們對管理常識的敬畏。效率“向?qū)崱弊屛覀兣艿每欤瑑r(jià)值觀“向善”讓我們走得穩(wěn)。守住安全底線，保持管理溫度，這種向善的底色，才是我們在 AI 時(shí)代最深沉的護(hù)城河。

人效數(shù)字化，就來找蓋雅