今天小編分享的教育經驗：從AI原生看AI轉型：企業和個人的必選項，歡迎閱讀。
以下文章來源于騰訊研究院 ，作者沈旸
作者| 沈旸 現任聯易融副總裁，曾任神州數碼集團股份有限公司副總裁兼CIO，雲基地負責人，曾在SAP工作十年，在SAP美國擔任咨詢技術架構師
來源 | 騰訊研究院 管理智慧AI+
咨詢合作| 13699120588
文章僅代表作者本人觀點
本文是對沈旸的訪談記錄整理而成，旨在人工智能加速推進產業和社會轉型的背景下，記錄企業推進AI轉型的深度思考與實踐經驗，為更多組織提供可借鑑的AI轉型路徑參考。
什麼是AI Native？
人均產值1000萬美金是AI原生企業的門檻？
袁曉輝：
大家好，今天很高興我們邀請到了沈旸先生，他來自一家上市科技企業，任副總裁，來跟我們一起聊一聊關于AI Native（AI原生），AI轉型，包括AI Agent一些進展，特别是他們公司怎麼運用AI重塑工作流，我認為這非常有價值。我曾與沈旸先生見過一面，上次聽他講述了很多内容，讓我大開腦洞，所以我很好奇您究竟是如何理解AI Native這件事的？
沈旸：
關于AI Native這些事情，去年3月份的時候，我在公眾号上寫過一篇文章，探讨AI原生企業應有的形态。當時提到Midjourney這家公司，僅有11人，但營收卻超過了1億美金。其人均效益遠超普通公司。所以在定義AI原生公司時，我覺得若看其他很多指标，可能過于復雜。最簡單的方法是看人均效益，比如人均效益能否達到1000萬美金，甚至更多。
所以您的标準是1000萬美金嗎？
1000萬美金或許只是去年的一個指标，今年這個指标可能會更高。在行業内，我認為如果一家公司的人均效益能排進前1%，那麼這家公司目前在AI原生領網域應該做了足夠的探索與實踐。
哦，您是這樣定義的。如果看人均效益的話，特定行業，比如金融行業呢？
不同行業情況不同，需要根據不同行業進行對比。例如傳統制造業或零售行業，目前可能對人力的依賴程度還比較高。但可以與該行業過去的數據進行對比，在行業内進行排名。最終目的是判斷AI原生對實際業務是否有作用，通過這個指标比較容易衡量。
明白了。實際上，AI原生這個概念是從移動互聯網原生、雲原生一路發展到現在的。"Native"這個詞，從嚴格學術意義上講，應該是如果一個事物或公司的運轉脫離了AI就無法存在，對吧？比如Midjourney這樣的公司，現在僅有十幾個人，若脫離了AI，可能無法支撐如此龐大的用戶規模。
所以如果從定義上來說，您是如何理解AI原生這個概念的呢？如今大家都在讨論要打造AI原生的組織或個人，您認為這可行嗎？有一種觀點認為，我們現在甚至都不能算互聯網原生，因為我們出生時，互聯網已經存在多年。所以有人說，只有2020年以後出生的人才能算AI原生一代，因為他們成長過程中，AI工具随處可得，學習使用也毫無成本，您怎麼看待這個問題？
關于AI原生，以移動原生時代為例，什麼樣的應用才算是移動互聯網原生應用呢？比如滴滴，與傳統的ERP軟體不同，ERP軟體可以有移動版，但它在電腦和手機上都能使用，這類應用其實不能被稱為移動互聯網原生應用。而滴滴軟體，只有在打車時且處于移動狀态下才會使用，打車時人們不會抱着電腦，而是使用手機打開軟體。如果沒有這個應用，就無法實現打車的目标，這樣的應用我們才稱之為移動原生應用。我認為AI原生未來的一個重要判斷點在于大規模提升人均效益。如果只是線性提升，用普通工具就能做到，而AI原生的核心目标是實現對人和組織能力的無限制復制，這是過去的軟體無法做到的。過去，軟體大多為人或組織所用，但軟體并不能替代組織或人，核心還是人在其中發揮重要作用。但在AI原生的概念裡，未來一個AI原生企業的終極目标是實現通用人工智能（AGI）。是否存在這樣一個企業，它無需人工操作就能運轉，能夠自行盈利、采購原材料，進行生產、運營、提供服務，甚至實現自我進化和迭代。
無人企業。
對，無人企業。為什麼不能實現呢？
AGI實現後，人沒有AI厲害，人還要做什麼？
OpenAI的路線圖第五級是"organizer"組織者，當真正實現AGI時，它确實能夠作為組織者整合各種資源進行生產。實際上，您所說的比我之前想象的還要更超前。我之前認為AI原生更像Midjourney這樣的企業，或者是一人企業、小團隊，能夠調用很多AI Agent工具、AI員工來實現特定目标。但在我的設想中，人還是不可替代的角色。現階段，我看到更多的是人與機器協作完成任務。在很多組織進行轉型時，人的因素還是需要重點考慮的，對吧？
但我們要設定一個長遠目标，AI原生最終能否實現？如果5到10年能夠實現，那麼我們現在所經歷的所有過程都只是中間階段。無論是當前的模式，還是一人企業做到人均效益過億等情況，本質上可能都還不是AI原生企業。我們只是在接近這個目标，或者說我們現在所做的一切都是為AI原生企業或未來的原生形态提供基礎。
從人的角度來看，如果目标是讓人在其中變得不重要，甚至消解人的作用，那我們為什麼要做這件事呢？
那你想想，上班或工作的目的是什麼？
第一個目的可能是養家糊口，滿足生存需求；第二個目的是個人發展，實現個人理想，讓自己的熱情得到充分的釋放。
沒錯。在當今社會，生產本身其實已經不存在瓶頸。從農業等領網域的發展就可以看出，比如美國，少量農民就能養活全球近一半人口。如果人們只是追求吃飽穿暖，其實并不需要太多人投入工作。目前大家投入工作，很大程度上是為了參與最終的成果分配。競争更激烈、更具競争力的公司能獲得更多份額，從而推動社會更快進步。
但是社會的進步與競争并非線性相關。當科技發展停滞時，無論競争多麼激烈，社會生產力都不會有明顯提升，蛋糕也不會變大。AI的出現帶來了變化，尤其是在服務行業，勞動力供應可能會趨于無限，這只與電力、能源等因素相關。
當然，這是在機器人已經實現的前提下。如果機器人沒有實現的話，它沒有實體，服務也是沒有辦法開展的。
即便不考慮機器人，以服務行業為例，美國的服務業占GDP的80%，很多像律師、提供數字服務的人群在社會中占比很大。在這些領網域，AI未來可以提供無限的服務供應。
您的意思是說對腦力活動的替代，就是智力即服務，對吧？把智力變成一種人人可以調用的資源，可以給更多的人提供更充裕的服務。
而且AI還能自我進化知識，進化速度可能比人類更快。在服務行業，那些通過腦力勞動去提供服務的工作，也可能會被AI替代掉。
那人做什麼呢？
假設你不從事這個行業，你會做什麼呢？
如果不從事這個行業，首先面臨的問題是生存資本從哪來？
假設生存不是問題，這其實是未來AI原生社會中最重要的問題，即财富分配問題。過去人們努力工作是為了解決分配問題，但如今我們面臨一個現實，未來腦力工作領網域中AI的供應是無限的，人類無法與無限供應的AI競争。我舉個例子，比如體育行業，美國NBA的頂級明星一年能拿1億美金，但有大量坐在替補席的球員，他們同樣辛苦，天賦也不差，薪水卻不如大廠的普通職員。演藝圈也是如此。
兩極分化非常明顯。
對，兩極分化特别嚴重。在腦力工作領網域，如果AI達到人類80% - 90%的水平，這個行業也會出現嚴重的兩極分化。大部分人可能就是，我從事從這個領網域不僅是為了養家糊口，而是因為我熱愛這個行業。我喜歡在智力上，在腦上去挑戰自己，我希望去跟不同人溝通交流，我希望去不停的去做各種各樣的軟體，或者做開發各種各樣東西。但與以前相比，他們可能無法獲得那麼好的回報。
對，那您認為基本的生存問題是否要依靠社會福利體系，甚至像全民基本收入Universal Basic Income這樣的方式來解決？
我覺得未來這個問題肯定會得到解決，因為整個社會的财富是在增加的。
那我們先假設大家都有足夠的資本維持生活，在這個基礎上，人們能做什麼呢？您怎麼看這個問題？
沈旸：
如果一個人有追求，那就繼續在自己喜歡的行業堅持，不斷與AI競争并超越AI。但那些重復的工作，可能不再需要人類去做。實際上，日常工作中有很多重復工作占據了大量時間，比如我們現在聊天，你可能很享受這個過程，但之後你可能還要做文字編輯、視頻剪輯等工作，這些并非你喜歡的。而AI可以完成這些工作，我們就能把更多時間花在自己喜歡的事情上，激發更多靈感，并傳播這些成果，這樣對社會效率的提升會更大。
所以您對AI對人類社會的影響持比較樂觀的态度。
AI時代人與組織高效匹配，需要盡可能多的數字化
每個人都有自己的長處和短處。過去，由于能力、資源等原因，人們在彌補短板時，要麼花錢解決，要麼努力克服，這其實浪費了在長板上的天賦。在組織中也是如此，很難做到讓每個人的天賦都得到充分發揮。各個崗位分工精細，你可能擅長某個崗位，但當前并不在這個崗位上，職責也不屬于你，就無法發揮作用。而且找到完全匹配的人、組織和團隊的成本非常高。
現在這種匹配成本确實很高。
非常高。要找到完全匹配的人、組織和團隊，搜索成本極高。
所以未來AI Native的組織，就像剛才我們讨論個人時提到的，在資源充裕的情況下，讓每個人做更擅長的事情。在組織中，就是讓每個人在擅長的崗位各司其職。那麼這種匹配是如何實現的呢？AI在其中會發揮什麼作用？大家不願意幹的這些活都已經cover掉了。但人與崗位的匹配是怎麼實現的呢？
人員與崗位的匹配，目前存在一些問題。過去進行數字化時，很多信息沒有被記錄下來。比如你與崗位是否匹配，以往可能一年有個OKR、KPI，年底寫一段話，或者用二三十頁PPT呈現一年的工作，又或者在OKR系統裡用幾百字記錄。但這些并不能代表全部工作，日常的決策、交流、開會等信息很多都沒有被有效記錄。即使這些信息被記錄下來，在ChatGPT出現之前，也難以利用。比如會議紀要，記錄了之後有人看嗎？從大量會議紀要中搜索信息也很困難。開了一年500個會，每個會的決策、思考等信息，如果都要詳細記錄，對人的搜索能力要求極高。在傳統領網域，人對信息的吸收存在明顯瓶頸。
人的信息處理帶寬很低。
不僅帶寬低，人還容易情緒化。比如你會更願意和喜歡的人交流，PPT會用自己習慣的格式。甚至PPT中某個顏色讓你感到驚喜，可能都會影響你當天的工作狀态。這些都會影響人正常吸收信息的能力。我認為AI的優勢在于，它最擅長的是翻譯，比如英文翻中文、中文翻英文。其實可以把每個人的語言和思維體系看作一種語言，你的思考體系和理解方式是一種語言，我的是另一種語言。這是我們過去多年成長經歷形成的。很多時候我跟你說一句話，我以為你能理解，因為我有自己的上下文背景，但由于你我的成長背景不同，你可能理解不了。目前AI未來有望很好地解決人與人之間的"翻譯"問題。
但是我們缺的是什麼呢？缺的是對個人和組織模型的描述。目前像ChatGPT、DeepSeek等大模型，更多是具有普世價值的模型，回答問題中規中矩。它整合了幾千人、幾萬人甚至上億人的知識和價值觀。比如對大模型進行價值觀測評，它的回答永遠比較中性，不會極端。但人因基因和成長經歷不同，每個人的模型都不一樣。
對。我前幾天看到有創業者在做"Second Me"，就是把一個模型訓練成第二個自己，用個人歷史數據信息進行訓練，讓它了解你是什麼樣的人。我們有同事之前在AI工具裡設定一個系統提示詞，讓AI用她的方式來思考。那未來是不是每個人都會有一個類似自己的大模型，同時它也是自己的AI Agent?
你的AI助手，會的，但需要給AI很多訓練機會。我們自己思考時，很多數據不會外露。比如互聯網公司會收集一些數據，但這個數據很片面。比如說你在網上買一個東西，你為什麼買這個東西？其實背後可能也有很多的思考。比如說當時可能是因為價格，這個東西打折了，你才願意去買這個東西。但是很多時候你表露出來的，我并不是因為小氣，并不是說省錢，而是因為這東西好看。你說出來的東西跟自己想的其實并不是百分之百完全一樣。
那你怎麼将大腦中的想法數字化呢？
要将大腦中的想法數字化，目前還很難做到，未來可能要依靠腦機接口。我大學本科畢業設計做的就是腦機接口相關内容。我認為未來的前沿領網域之一就是腦機接口，通過它可以記錄大腦的潛意識，并與動作挂鉤，讓AI大模型不斷模拟你的決策。其實決策最重要的就是你腦子中怎麼想。說人是受到社會約束的一個動物也好，或者是一個個體也好，你可以胡思亂想。但是你在這個社會裡面，你最後做出來的行為，你不能傷人，你不能傷害大家利益，對吧？你一定要做出一個比較利益最大化的一個決策。大家腦子裡可能都會異想天開，胡思亂想各方面的東西。但是一旦到做出動作的時候，做出決策的時候，他一定是個比較理性的一個決策。
沒錯，如果模型能夠模拟這個過程并預測你接下來的行為，且準确率不斷提升，那确實就像你的分身。
這件事未來比較容易去做的，因為現在很多技術都在降低成本。比如拍短視頻就是一個例子。以前我舉過一個例子，如果把人一生中每天的行為都用視頻記錄下來，即使大腦意識不完全披露，AI也能較好地理解你、模仿你。因為至少輸入和輸出都被記錄下來了，AI可以把你當作一個黑盒子，不斷模拟你的行為，當模拟準确率達到99%或更高時，對性格等方面的描述就會非常精準。這其實是AI未來很容易做到的一點。
那您覺得在大語言模型這條路線上可以訓練出我們自己的模型嗎？
我覺得還不一定。人的大腦與ChatGPT模型不同，現在DeepSeek等模型有一些新的概念。ChatGPT模型更像是概率模型，是單向的，沒有形成回路，而人做決策需要反饋。人的大腦還有一個厲害的地方，就是有仿真環境。比如在做一件事之前，你可以腦補場景，像在電視上看過旅遊的場景，你就能想象自己去旅遊的情況。做夢也是一種腦補過程，夢境中的場景非常真實。
但目前的大語言模型缺乏對人或環境的真實描述。目前大模型我給他舉個例子，更像一個缸中之腦，在營養液裡面泡着一個大腦，它只會輸出一些文字。我們為什麼有時候會覺得這個AI不靠譜？因為沒有反饋。
最近Manus等取得很大進展，就是因為通過大模型調用各種API、RPA等工具。他讓這些事情得到一個反饋，我能迅速看到這個實際反饋到底是正确的還是不正确的。
前兩天LeCunn一直在講世界模型，也是類似的道理。現在的AI缺乏對物理規則的理解，而人出生就有對環境的感知和對物理規則的基本理解。所以他們嘗試用聯合嵌入預測架構等模型進行預測，并與真實情況對比，初步讓大模型掌握對世界的預測能力。這可能也是接下來的一些方向。機器人也是，如果機器人有了AI大腦，再加上身體，就能與環境互動交流，獲得直接反饋，發展會更快。
現在大模型融合視覺、聽覺等原生模型後，能夠形成自閉環模式。但要形成類似人類大腦的仿真環境，還需要進一步探索。現在至少在數字世界裡面是比較容易的。比如做一道題目或設計一個遊戲，在數字世界裡更容易完成閉環。所以我們可以看到，過去的AI未來可能會與作業系統、虛拟機、容器、雲架構更好地整合，這反而會促進雲計算的發展。
組織推進AI轉型的關鍵步驟，第一步讓團隊對AI產生好奇
袁曉輝：
剛才我們讨論了AI Native相關的個人和組織的未來構想。我們也很關心當下如何向未來邁進。很多企業想知道如何進行AI Native轉型，如何在企業中應用AI。我知道您的公司在信息化方面深耕多年，有很多有意思的應用案例，近期在AI Agent方面也有探索。能不能分享幾個您覺得比較有意思的應用？
好的。我認為首先要讓所有團隊對AI產生好奇。大家看到AI後，要思考它能做什麼，公司内部可以組織研讨會分享相關内容。作為科技團隊，要為員工提供方便使用的工具。比如OpenAI剛推出時，API連接不方便，那你可以迅速搭建中間API為大家提供服務。DeepSeek也是如此，一開始大家使用時可能會遇到伺服器忙等問題，從而失去興趣，所以要提供穩定、随手可用的入口，這很重要。
然後在内部尋找探索和實踐的細分場景。比如說一開始可能就非常簡單，就是拿AI去寫寫PPT，寫寫文檔，把這些工作給做完。但這個工作對任何一個公司，都是普适性的，對吧？那這個時候大家可能會對AI有一些了解，比如說以前大語言模型，大家可能會覺得他對文字的潤色的這些工作做的特别好，但是你可能要加很多的Prompt，加自己習慣的Prompt。有點像秘訣一樣，像法術一樣。它是一個普适的場景，他可能跟公司場景并不是特别挂鉤。通過這些簡單應用，大家可以了解AI，比如知道大語言模型在文字潤色方面表現出色，但需要寫合适的Prompt，并且要了解不同模型對Prompt的效果預期，清楚AI能做什麼、不能做什麼。
比如說2023年時，我們判斷AI無法替代ERP等流程系統，因為當時的AI是概率模型，輸出不可控，無法做到百分之百精準，至少當時在這個大屏上我們也看到這樣的一個體系。那很多時候我們就會把現實中哪些環節是不需要百分之百精準的。把可以把這些場景搬過來。
袁曉輝:
對。所以會大家發現AI客服，包括頭腦風暴，或者前期的這些材料。
AI轉型也許可以從一些非核心業務切入
對，就是一開始替代各種文科生的，這些賦能文科類工作的場景應用較多。當時對一些創意設計類工作，AI也有應用，因為這類工作沒有絕對正确答案。
對，不需要精準。
就像語文和數學，很少有人語文一直考滿分，因為沒有絕對正确答案，而數學能力強的人可以一直考滿分，因為有精準答案。
所以在23年的時候，我們判斷大量文科的場景，怎麼去把它做賦能。到了24年的時候，随着AI Agent的一些落地，包括各種樣的開源的框架。你可以用一些單元模型去跟一些AI型的工作流各方面去做對話。發現它其實是可以把原來的一些流程做一個非常小的閉環。比如說以前跟你們分享過那個訂婚式的場景，你去定一個會議室，其實他是需要去不同的系統裡面把這個打通，那有時候他也要理解你的這個意圖，如果定明天他們下午幾點鍾的一個會議室，其實裡面都是文字。
過去在系統裡預訂會議室，通常是點擊選擇樓層的會議室。但實際情況往往更復雜，涉及多個方面。比如有人希望預訂能看海、靠窗的會議室，每個人可能都有類似的個性化訴求。然而，過去的會議室系統無法滿足這些需求，也不可能實現這樣的功能。
一般會議室會配有圖片，我們可以通過圖片查看會議室能容納的人數、是否靠窗等信息。
但這樣的搜索匹配過程比較耗費精力，即便記住這些信息也并非易事。如今，AI能夠自動進行匹配，還能為每個會議室添加标籤。甚至可以分析行政平面圖，确定哪些會議室靠窗、看海或朝南，然後将其添加到用戶的收藏夾中，用戶無需再刻意記憶。之後，AI通過簡單的API就能與會議系統打通。
這個過程看似簡單，實際落地卻困難重重。我們在2023年底就做出了這個場景，但當時準确率并不高，這難免讓人感到失望。畢竟大模型連上萬字的文章都能修改得像模像樣，卻在時間、地點、人物這些簡單信息的識别上出錯。例如，對于"下個月的第一個星期一的某一天"這樣的時間描述，它總是判斷錯誤。直到2024年10月左右，大模型才在某個環節實現了100%的準确率。
袁曉輝：
準确率達到100%，是因為大模型的推理能力提升了嗎？
我推測有兩個原因。一是大模型可能調用了工具進行檢驗。比如讓大模型計算數學題，它碰到數學問題就調用計算器，計算器得出的結果肯定是準确的，最後将結果返回。只要能精準地将用戶意圖拆解并調用合适的工具，準确率就能大幅提升。就像預訂下個月的會議室，調用日歷工具就能準确确定日期。二是大模型内置的一些模型可能進行了大量的優化訓練和對齊。
這裡我解釋一下無損壓縮和有損壓縮的概念，這也是我們判斷大模型應用的重要标準。大模型本質上是對世界知識的一種有損壓縮。以一個幾千億參數的大模型為例，訓練時會使用全世界的各種知識，像《紅樓夢》《西遊記》、國外書籍、法律法規等，可能用到幾十T的數據，但訓練出來的大模型體積卻遠小于這些數據，可能壓縮了幾十倍甚至400倍。所以，大模型無法還原所有信息，比如詢問《紅樓夢》某一頁的某個字，它大概率是記不住的，這和人看書的情況類似，人也很難一字不漏地背下整本書，這種就叫有損壓縮。
有損壓縮後，想要還原信息是很困難的，必然會出現錯誤。假設用一個包含1億條時間、地點、人物信息的測試集對大模型進行壓縮，最後可能壓縮成100萬條。此時，如果讓大模型還原其中一個從未見過的場景，它就可能理解錯誤，出現準确率下降的情況。
還有一種是無損壓縮。就像我們學習數學，背誦九九乘法表，背完後所有數學運算都能做，數學定理和公式經過壓縮就剩下那麼幾條，通過這些條件進行反推，雖然推理過程比較費腦子，但能得出正确結果，這就是無損壓縮。如今，像DeepSeek、Cody等模型增加了深度推理能力，能夠從一些小的原理或公理出發，舉一反三推出更多内容。這對大模型的壓縮能力和技術提出了更高要求，不再是單純依靠海量數據訓練，讓模型變得更大去記住所有東西。所以，期待大模型記住所有信息是不現實的。
但RAG（檢索增強生成）确實是很多企業在落地大模型時常用的構建知識庫的方法，你們卻放棄了？
是的，我們嘗試了兩三個月就放棄了。因為我們覺得效果很差，即便現在準确率能達到80%，也無法滿足實際需求。
有人說問兩次就能将準确率提升到90%多。
即便如此，我們更想用大模型去解決實際的流程問題。
除了預訂會議室，現在預訂會議室只需要詢問一下，說出"我明天什麼時候需要一個能容納幾個人的會議室"，大模型就能幫忙預訂好。那線上會議呢？
線上會議也是一樣的道理。只要給大模型提供Zoom、騰訊會議等平台的API接口，它就能獲取賬戶信息并完成預訂。如果與線上會議的API打通得更好，大模型還能将線上會議的文字版、視頻版内容自動發送到企業微信中。過去需要使用多個工具才能完成的事情，現在用一個工具就能打通。而且，一旦檢驗出大模型的準确率突破了某個關鍵節點，就可以對相關應用進行布局。
我很好奇，一個企業規模很大，有很多核心生產場景，而預訂會議室只是一個行政場景，能提升的效益有限，為什麼會選擇這樣一個場景進行AI落地呢？
選擇這個場景主要有兩個原因。一是它的使用頻率高，人人都會用到。在AI落地過程中，AI的宣傳和實際能力往往與人們的想象存在差異。比如ChatGPT出現時，大家很興奮，後來其他大模型出現，大家又紛紛關注。但業務部門，尤其是那些與科技距離較遠的部門，對AI的理解存在偏差，要麼認為AI無所不能，完全可以替代人工；要麼覺得AI毫無用處。如果給他們提供不太成熟的AI體系，會讓他們在興奮和失望之間反復，等到真正有合适的AI應用場景出現時，他們可能已經不再相信AI了。所以，選擇預訂會議室這樣大家容易接觸到、能感知AI作用的場景，更有利于AI的推廣。
二是通過這個場景，可以激發每個人去孵化自己的AI應用。目前，很難用一個準确率只有80% - 90%的AI產品直接替代原有的業務流程，這樣做會遭到大家的反對，推進起來也會很困難。而選擇預訂會議室這樣的場景，能夠激發每個組織和個人的熱情和積極性。
比如我們推廣的生成圖片功能，員工可以在各種生成圖片的工具中生成自己想要的圖片，用于工作。但在企業中，大家可能更希望有符合公司風格的PPT模板，或者生成與公司吉祥物相關的有趣圖片。以企鵝為例，如果公司的客戶是農業領網域的，就希望看到企鵝與農民一起耕耘的海報。過去，普通運營人員通過簡單的Prompt讓大模型生成圖片，效果往往不理想。
我們的做法是，市場人員和設計人員針對公司吉祥物微調了一個小模型，這個模型能夠精準生成與吉祥物相關的描述。最後，我們将這個模型接入企業微信，所有員工直接在企業微信中詢問智能助理，就能得到自己想要的圖片場景。這樣一來，不僅讓更多人接觸到了AI，而且生成圖片的效果評分也從原來的40 - 50分提升到了80 - 90分甚至更高，大家也更願意使用這樣的功能。
這确實很有啟發性。之前我們在思考AI落地企業時，總是關注核心業務環節的提效，想解決一些大的命題。但實際上，把日常工作中的小環節拆解并優化，讓每個人都能參與進來，同樣非常重要。
在2023年，我們研究大模型領網域時發現，當時的大模型屬于有損壓縮，很多事情無法完成，無法替代企業原有的數字化流程和系統，也無法替代人們的工作。而且大模型領網域發展變化非常快，我們當時甚至考慮過訓練自己的模型，包括垂直領網域的模型。但後來發現，大模型每三個月就會有更好的模型、工具和生态出現。
所以，我們當時的實踐經驗是，如果一個項目超過一周還做不出來，就先暫時放下。即使這個場景看起來很有前景，但如果一周内落地後發現準确率不高，不妨先擱置半年，可能到時候就能順利落地了。沒必要在一個短期内無法解決的問題上耗費過多時間。
比如預訂會議室這個場景，在當時對大模型來說是一個難題。如果為了提高準确率，寫一萬個Prompt，将準确率從86%提升到92%，其實并不劃算。因為過半年可能更好的模型出現，就能直接達到100%的準确率。我們當時做了一件比較有趣的事情，就是為每個場景定義一個測試數據集。以會議室場景為例，不管哪個大模型，我們先自己确定1000個關于時間、地點、人物的測試數據。每當有新的大模型出現，就用這個數據集進行測試，如果在這個數據集上表現良好，那麼這個大模型在該場景中落地的可能性就很大。
因為測試數據集和實際場景可以分開，測試數據集花費的時間較少，可能半小時到一小時就能完成。而将大模型真正應用到實際場景中進行落地實踐，可能需要一周的時間。所以，在整個AI應用過程中，我們并沒有投入過多的精力和資源，而是持續關注大模型AI領網域的發展動态。每隔一段時間，就拿出之前的想法和數據重新測試，看看哪些可以快速落地。
同時，我們為每個員工提供接觸先進AI技術的資源。每個員工都有機會接入各種大模型、使用API，我們還為員工準備了虛機，并在其中安裝好相關工具。以前我們提供的是AI搭建的開源平台，現在MCP很流行，我們就思考如何讓AI能夠調用各種工具。比如，AI要調用本地電腦的計算器，如果無法直接調用，我們可能需要在内部搭建私有雲，或者在公有雲中建立一個資源池，将上萬種開源工具整合到這個MCP資源池中，讓AI能夠随時調用。這樣，員工在使用AI時，就不需要自己編寫程式去調用工具，大大降低了使用難度，能夠快速看到AI應用的效果。
企業中的AI轉型是自下而上推動的
您剛才提到為每個員工匹配資源，這裡的員工是指有技術背景的，還是全體員工呢？在這個過程中，讓員工接觸AI也是組織轉型的關鍵一步，但并非所有員工都有技術背景，很多是文科背景，你們是如何做的呢？是通過培訓、宣貫，還是分享最佳實踐案例呢？
我們采用的是類似線下的方式。一開始，我們會分發一些相關文章，組織員工加入群聊。每個部門都會有一些對AI比較熱心的用戶，我們讓他們負責處理自己部門的AI應用場景。用一兩天的時間，快速将他們的想法落地成一個AI Agent，然後讓他們在部門内進行推廣。
這是自上而下的要求嗎？
我認為不是，這是自下而上的過程。在任何公司裡，都會有對AI特别熱心的團隊和個人。比如我和我的團隊，以及其他團隊的一些成員，都對AI很感興趣。大家會在資源允許的前提下，自發地思考如何将AI應用到實際工作中，落地各種場景。
但總要有個發起者吧？
我覺得不一定需要特定的發起者。每個公司都有對AI充滿熱情的人，他們會主動去探索AI的應用。如果采用自上而下的方式，目标可能會不切實際。比如在2023年說要把整個公司變成AI原生企業，在當時是不可能實現的。2024年說要建立企業的AI原生大腦，推翻原來的業務流程，同樣也做不到。我們必須關注整個AI生态的發展變化，逐步推進。
在企業中，很多項目都需要立項、申請預算并得到老板的批準，這就需要講一個宏大的故事。但這樣往往會導致項目進展緩慢，而且充滿不确定性。因為很難确定在2023年、2024年具體能落地哪些成果。多次這樣的情況後，公司從董事長到CEO，所有人都會對AI項目半信半疑，等到真正适合大規模應用AI的時候，反而不敢全力投入了。
這确實很有啟發。之前我們認為數字化轉型是一把手工程，需要CEO有相關意識，才能打通部門之間的信息壁壘。到了AI原生階段，我原本也認為一号位要有這樣的意識，但在推進和落實過程中，似乎自上而下和自下而上的方式都需要結合。就像您剛才說的，發動公司裡對AI有熱情的種子選手，為他們提供資源，讓全員都能接觸到，然後逐步擴大應用範圍，甚至可以從非核心場景入手。
AI和原來的數字化有很大區别。在數字化建設過程中，大部分軟體和生态體系都非常成熟。比如使用ERP系統，可以選擇Oracle、金蝶等，數據庫也有很多成熟的產品可供選擇，甚至可以自己搭建。而且，一個ERP軟體今年和三年前相比，本質上沒有太大區别，可能只是迭代了10%左右。在這個過程中，更多的工作是克服内部阻力，以及讓内部系統與外部產品相匹配。
但AI時代不同，每天都有新變化。比如在2023年，我們設想過類似于Manus的場景，花了一個月時間準備去做，但當時的生态體系并不具備相應的工具鏈，我們也沒有必要投入大量資源從0到1去搭建，畢竟這不是我們的主營業務。所以，在AI時代，我們需要每天關注社會和AI領網域的變化，了解其他團隊或公司做出了哪些真正落地且有效果的成果，這些都非常重要。現在，不能只看别人做的PPT，一定要關注實際落地效果。如果别人已經落地的項目，我們拿過來往往半天就能實現。
是的，比起實際的業務效果，讓組織真正轉化為一個AI原生組織，讓大家願意不斷探索，我覺得這才是更重要的事情。因為有了這樣的組織，才能更好地應對未來的變化。但我剛才聽您說的自下而上的方式，仔細想想也不完全是這樣。您在公司擔任副總裁，有一定的組織能力，當您看到一些想法有實現的可能時，會推動它們變成現實，這個力量還是很關鍵的。
像我這樣的人在每個公司都有很多。
那他們是不是可以站出來，和下面熱愛AI的同學組成社群進行互動呢？這也很重要。
這是一方面。另一方面，在AI領網域，變化太快，每個階段都需要深入思考。比如今年AI能做什麼，明年、後年又能做什麼，需要有一個預判。很多高管如果對AI的理解不夠深刻，不管是采用自上而下還是自下而上的方式推進AI項目，都可能走向兩個極端。而且，AI項目對工程要求很高，在拆解項目時，一定要确保拆解後的環節能夠落地。同時，對開源工具和體系也要有非常熟悉的把控。我之前深度參與過一些開源項目的建設，去年我們團隊還參與了一些AI平台的開源建設，所以對這些領網域的變化和落地方式比較了解，做起來也比較得心應手。
AI Agent還會有哪些玩法？
您能不能再舉幾個例子，比如除了預訂會議室，現在AI Agent還有哪些有意思的應用，大家都有資源去嘗試？
去年有一個例子，放在今年可能就比較普通了。在2024年9、10月份的時候，銀行都有風控環節，很多風控模型是建在Excel裡的，而不是系統中。因為不同業務有不同的風控團隊，新開展業務時，可能會從外面挖一個團隊過來，他們會把原來的風控模型帶過來。這些模型在Excel裡的建模非常復雜，當需要輸入參數時，通常是銷售等人員将客戶信息提供給風控人員，風控人員再輸入到Excel中，刷新後得出數據并進行傳播。但這種方式數字化體驗并不好。
大家都得拿Excel表格去填數據。
對，而且風控人員一般不會把Excel表格給别人，因為這涉及公司機密。把這些模型做成系統也有很大難度，一是模型可能經常變化，二是做成系統可能會導致數據洩露，而且系統也不像Excel那麼靈活。有時候說excel是最好的系統，确實是非常好用的一個平台跟體系。
當時我們做了一個簡單的工具，通過與企業微信聊天，收集聊天數據，然後讓AI将數據分類處理，使其符合Excel的理解場景。我們把Excel放在受保護的雲桌面裡，将雲桌面密碼交給風控人員，我們不接觸數據。這樣，原本開發一個系統可能至少需要兩三個月，還會有很多扯皮的事情，現在半天就解決了。在業務探索過程中，這非常重要。很多時候，開展新業務一開始都是靠手工操作，那做手工的時候業務部門就會提出來說，我能不能把它線上化？
但從公司的角度來看，如果沒有看到規模化的可能性，就不太願意投入資源做系統。而業務部門會認為，如果不實現線上化，就無法規模化發展，這就形成了一個先有雞還是先有蛋的問題。對于老板來說，不可能為每個新業務都投入大量的IT資源進行嘗試，因為可能嘗試100個場景，最後只有10個成功，其他的就都浪費了。這種情況在創新型公司非常常見。我們做金融相關的場景，每個場景都不一樣，今天做進出口業務的風控，明天做電商的，後天又換一個場景，每年都有變化，不可能每年都針對這些場景做一個系統并進行迭代，否則三年後要做太多系統了。
所以這種方式特别适合快速變化的業務背景，以及對權限控制有要求的場景。現在有了AI Agent，大家可以通過與它互動來調用雲桌面裡的風控模型。
接着說裡面調用環節的風控。我做這個事情，就花了半天時間，半天就把它搞定了。不過，做這個事情，首先得有點工程能力，把企業微信裡聊天相關的事情處理好；第二是要把AI Agent進的平台用好；第三是做好雲桌面的安全保護；第四是雲桌面得有個API接口，用來和excel互動。
其實每一塊都不算難。要是大家熟悉開源技術、熟悉AI，每一塊花一兩個小時基本就能完成。但要是不熟悉，可能就會踩很多坑。最後我講了這麼多，發現其他人要是想嘗試這個場景，可能得花一個禮拜甚至一個月，那就有點得不償失了。但在我們這兒，半天就能完成原本三個月的工作量，效率一下子就提高了很多。
這個開發工作是由某一個人主導，去實驗并落地的，還是好幾個人一起做的呢？
一個人就夠了，一個人就能完成。
就一個人啊。是這個人一開始有這個需求，然後就去做了嗎？
一開始是有風控這個需求，但我們一直沒答應做。因為我們覺得這個工作量比較大，而且在安全方面，大家一直沒讨論出個結果，沒有達成共識，不知道怎麼做才更安全。但後來AI相關技術出現後，我發現半天就能把這個事情搞定，還能保證模型的安全保護，就順便把它做了。現在其實有很多類似的場景，以前評估做這些事要花很長時間，而且還不敢保證做完後業務規模能提升起來。現在很多這樣的場景都可以用AI來解決。
所以這相當于是加快了企業創新探索的步伐，在這個過程中還能孵化一些新的業務。
我覺得這對未來的一些中小型公司，或者蓬勃發展的新領網域的企業來說，是很有意義的。很多企業都可以嘗試用這種方法，哪怕準确率達不到百分之百，對開展新業務也是有好處的。可以等業務規模做大了，再把相關流程固化成系統。畢竟用AI搭建雖然快……
但問題也不少。
沒錯，它有典型的問題。比如說，它的速度肯定比做成系統要慢一些。假設把它做成系統，登錄網頁刷新一下，2秒鍾就能出結果。但現在通過對話聊天的方式，至少得5到10秒鍾。
對，響應更慢。不過形成想法的過程會更快。
對對對。我們可以算筆賬，用AI處理可能要10秒，原來系統只要2秒，看起來多花了8秒。但從節約人工的角度看，節約了三個月的人工成本。把三個月的人工換算成這8秒，能做不少業務呢。所以慢一點也能接受。等以後應用規模擴大了，很多個8秒累積起來，覺得值得做個系統優化了，再去做也不遲。AI有很多缺點，但好處是未來業務人員、需求分析師或者產品經理，都不太需要和開發人員頻繁溝通，就能把原型搭建出來。
未來軟體生產模式的變化
那開發人員是不是就沒那麼重要了？
我覺得不能這麼簡單地看。開發人員原來最大的困擾在于整個軟體開發的組織體系太復雜了。尤其是做to B軟體的時候，甲方是一個團隊、一個組織。在這個組織裡，要達成共識就很困難。而且用戶和客戶還不一定是同一撥人，比如可能是IT團隊買單，但業務部門提需求。這樣需求就從客戶的業務團隊，到客戶的IT團隊，再到乙方的項目經理、產品經理，最後才到技術人員。哪怕是開發一個很小的軟體，也至少需要一堆人參與。這些人之前可能都沒磨合過，沒一起工作過，效率肯定不高。從原始需求提出，到開發出產品交給客戶，客戶内部傳閱一圈後，發現不是自己想要的，這種情況太常見了，效率實在太低。
現在的軟體開發平台其實可以進行大的重構。所有人可以通過聊天的方式在一個群聊裡交流，右邊就像是軟體自動化生產的工廠。想要什麼軟體，大家通過聊天就能把原型構建出來。
然後看看是不是自己想要的。
對，大家能看到原型的界面、互動過程等，這些都是業務部門比較關注的點。達成共識後，剩下的交給AI開發人員或者開發工程師去做開發就可以了。但這樣也會產生更多的需求，可能比以前多100倍甚至1000倍。我昨天寫了一篇文章，說軟體在過去是個奢侈品。因為任何公司開發軟體、購買軟體或者做軟體定制化，哪怕只投入幾個人天的工作量，也要花費上萬元。要是幾百個人天，那就是幾十萬甚至上百萬。幾十萬上百萬對于個人來說，很少有人會花這麼多錢去買企業級軟體。大家買軟體一般也就花幾百塊、幾千塊，最多了。拿買設計軟體來說，可能也就千把塊錢。但幾千塊錢換算成軟體的人天工作量，也就兩三天，兩三天能開發出什麼高質量、效果好的軟體呢？不過未來軟體成本會急劇降低，同時可能會帶來需求的爆發式增長。軟體公司可能會像工廠一樣高效地幫助把原型落地。過去再厲害的軟體公司，感覺都像個小作坊。
以前的溝通成本非常高，而且像POC（proof of concept，概念驗證）能不能跑通，都要耗費幾個月時間。要是沒跑通，這單業務就沒了，所有人投入的時間都白費了。
現在假設我是乙方公司，做了5個POC，最後只成了一單。其實我會把這5個POC的成本都算到最後這一單裡。
最後算到那一單裡面，對吧？
也不能說是冤大頭，但确實是這樣。比如報價的時候，研發成本可能報200萬，可真正的開發成本也許只有40萬，因為要把POC的成本、人力成本都算進去。但客戶就很難理解，為什麼這些成本要他們來承擔。就是因為這裡面有太多磨合的不确定性，極大地提高了行業成本，讓軟體行業成本居高不下，大家還抱怨軟體不好用。
對，後面可能就是Agent as a Service（智能體即服務）。以前是Software as a Service（軟體即服務）。以後智能體可以幫你測試、試驗，跑通場景。真正需要大規模生產的時候，再找專業程式員做架構。當然，程式員也可以調用AI工具輔助開發，但還是會有一些專業性很強的工作要做。
過去很多程式員工作得也不開心，覺得自己就是在搬磚。一方面，企業内部的產品經理天天指揮他們幹活；另一方面，客戶那邊的甲方產品經理各種要求，有些要求還明顯不合理，但程式員還得按要求做，大家幹活都很憋屈。未來要是分工合理，大家可能會幹得更專業、更開心。至少接活的時候，能明确自己擅長哪方面，接到的單子也比較确定，知道自己能做好，這樣大家目标更明确，工作起來也更開心。
确實按照這個思路推演下去，未來還是比較樂觀的。大家可以把時間和精力解放出來，去做真正有價值的事情。
當然，這也取決于供應和需求的變化。比如這種模式出現後，需求能增長多少，AI的供應能增長多少，目前還很難判斷它對整體格局會產生什麼樣的影響。
聽起來好像更多的錢和利潤會被那些有能力提供大模型基礎的公司賺走，畢竟流程裡有試錯成本。
為什麼最牛的大模型會是開源的？
也不一定。大模型本身其實很難作為直接賺錢的工具。大模型很像硬體基礎設施，它和普通軟體不一樣。而且我個人判斷，未來最厲害的大模型肯定是開源的。在訓練方面，也會遇到天花板。比如目前的天花板可能是接近人類水平，達到這個程度就夠用了，大家不會再花十倍、百倍的成本去研發更牛的大模型。
你為什麼覺得最牛的大模型會是開源的呢？
知識本身就是開源的，沒有什麼知識是獨一無二的。
有獨有的知識啊。
其實并沒有，只有信息是獨有的。比如某個公司要發布年報，那這部分數據信息就是獨有的。
但是像專利，專利可能就是獨有的。
對，不過專利需要在物理世界通過司法保護才能得到維護。知識不一樣，知識可以告訴你怎麼做，你可以照着做，只是最後可能需要交專利費，或者可能會涉及打官司，但知識本身一定是開放、開源的。只要是能口口相傳的知識，最後肯定會被大模型吸收進去。
但現在很多公司手裡有最領先的模型，并沒有開放出來，當然也有開源的路徑。為什麼你覺得最牛的大模型一定會開源呢？畢竟那些公司手裡的大模型也是知識，只是它們獨特的排列組合方式還沒被更多人看到。
舉個簡單的例子，大模型未來肯定要被别人使用。别人不管是用什麼方式和它聊天、對話，這些信息都無法阻止其傳播。任何商業軟體的大模型對話内容，都可能被拿去訓練另一個大模型。哪怕……
你的意思是可以學習借鑑，對吧？
就算不這麼做，也無法阻止信息流通出去。
無法阻止。就相當于用蒸餾的方式，把數據拿出來再去訓練另一個模型。你覺得這可以實現，是吧？
這很容易實現。
适應不了組織變革被裁掉的人該怎麼辦呢？
這可能也是OpenAI不開源他們那個思維鏈的原因。順着您這個思路推演下去，未來還是挺值得期待的。但在這個過程中，會有很多人面臨不同的情況，要麼跟上節奏實現轉型，學會定義智能體，提升組織流程；要麼就會被裁掉，跟不上形勢。那些被裁掉的人該怎麼辦呢？
我覺得社會最後肯定會給大家提供轉型的機會。可以往其他行業轉型。我們也該反思一下，社會為什麼需要這麼多腦力工作者呢？
那我們都去做體力勞動嗎？
不一定，體力勞動也不意味着就是吃苦。我在美國住的時候，附近有個叫艾米奇的村子，特别有意思。那是一幫德國移民建立的部落，他們那裡只有馬車，幾乎不用現代工具，生活方式和一兩百年前差不多，但他們的生活質量并不差。關鍵是要保證整個社會的生產產出足夠就行。關于腦力勞動，未來可以思考社會還有哪些知識領網域沒有得到充分開發。比如物理、數學裡的各種公理公式，我們可以投入更多人員，比如讓他們去學校做科研。當然，科研產出可能100個人裡只有一個能出成果，但其他人也能享受科研的過程。
現在做科研也能享受這個過程，而且在學校裡，學術研究環境可能更激烈，也許比在企業裡讓知識變現、看到科研成果的路徑更短，成本也沒那麼高。相比企業，在高校做科研的成本反而沒那麼高。這可能也是一種發展方向。還有一種就是回歸生活本身。
回到人與人的溝通。
對，回到人與自然對線下的。線下其實還需要很多服務，大家也希望有更好的體驗，比如更好的住房。現在大家的住房需求都滿足了嗎？汽車需求都滿足了嗎？周末度假的需求都滿足了嗎？
我覺得需求肯定沒被滿足，但是由于分配機制的問題，導致底層的人沒有足夠的錢去消費，或者沒有消費的意願和動力，不敢把攢下來的錢花掉，這是個大問題。所以在促進AI原生社會繁榮方面，應該想辦法保證對所有人公平、普惠。
沒錯，這是肯定的。
你覺得這是必然的發展趨勢嗎？
必然會這樣演化。
但是去年諾貝爾經濟學獎得主阿西莫格魯(Daron Acemoglu)的文章裡提到，科技進步并不一定意味着社會繁榮。從幾千年的發展歷史來看，會出現嚴重的兩極分化，而且這種情況可能會更嚴重。
不同的社會、不同的企業會有不同的選擇。未來很多國家可能會有社會保障方面的應對策略。本質上AI如果都能做的事情， 那為什麼别的AI不能做，因為最終結果如果都是AI進化那個自己的話，其實跟人關系并不會跟公司關系都不會特别大，那為什麼說AI只是說沒有欲望而已？AI沒有花錢的欲望是對吧？他沒有欲望。
對，這就涉及更深入的問題了，AI要是產生意識的話……
它一旦有欲望，賺錢速度比人快多了，它不吃不喝，還能無限復制，在賺錢方面人根本競争不過它。
給企業推進AI轉型的建議
沒錯，所以還是要回到人的本質問題上。如果最後讓你給企業做AI原生轉型提些建議，除了剛才提到的全員要有意識、提供充分的資源和工具、先嘗試做起來，還有其他建議嗎？比如是不是需要更敏捷的組織？
敏捷組織的話，盡量先在個人和部門内部形成閉環。因為一旦涉及跨部門、跨組織，就必然涉及人的共識問題。這是傳統軟體擅長解決的，大家通過頻繁開會來達成共識。
就像ERP軟體，我覺得ERP軟體未來的核心競争力并不在于技術。單純把代碼拿出來讓AI重寫，AI是能做到的。但難點在于，大型ERP是跨組織的，落地的時候，各個部門要經過無數次的讨論、利益博弈，才能形成所謂的共識。這個過程很復雜，要找到最佳實踐方案，讓所有部門都受益，實現公司利益最大化，需要花費大量的時間成本。目前靠AI很難做到這一點。
就是說還是要靠人達成共識，甚至得通過争論來解決問題。
如果公司目前還是以人為主導，那傳統軟體和相關模式還是有存在的價值和優勢。但在部門内部，很多時候可以形成很好的閉環。可以快速實現創新、落地，甚至可以摒棄原來的一些流程，這取決于每個部門自己的想法和做法，部門可以把一些流程改成AI原生的。未來部門之間會怎麼發展，這是下一步要考慮的問題。
現在我覺得企業如果想做AI原生轉型，應該先關注個人和小團隊層面。不要想着一下子讓整個大組織實現AI轉型，因為變化可能非常快。比如2025年、2026年可能還在探索跨組織的AI原生，到2027年說不定整個公司就無人化了。一定要緊跟AI發展的節奏，預判手上的事情多久能完成。如果判斷半年就能讓公司實現無人化，很多公司可能都會去做，最後可能就變成一種股權關系，某個實體實際控制公司，但公司裡可能真的一個人都沒有。
所以對于組織内部的小團隊、個人來說，還是要以人為本。假設未來走向公司無人化，我們得思考自己能不能成立一人企業。在這種情況下，自己還能不能找到價值。
成立一人企業的前提是個人要充分與社會、組織進行信息互動。不是簡單的暴露，而是要把自己的優勢、劣勢都展示出來。通過流量、短視頻等方式，讓其他組織能通過AI與你進行互動。流量分發、信息互動這些都變得很重要。不然一個人開公司很容易，但業務從哪裡來呢？
對，誰來找我合作，怎麼建立信任呢？
沒錯，怎麼建立信任是個大問題。還有為什麼要和你合作，合作的商業模式是什麼，過去有哪些成功的商業模式，幫助過哪些人等等。這些信息都要很容易被記錄下來，而且能被AI搜索到。
現在AI可以通過MCP server找工具，未來找人是不是也得有類似MCP的協定呢？如果我是AI，想找某方面的人，怎麼才能找到呢？又怎麼讓對方知道我的訴求可能會被接受呢？這是個非常難的問題。
對AI來說這是不是很有挑戰性？
非常有挑戰。而且如果未來都靠AI來做這些事情，AI得對你有足夠的了解，知道你喜歡什麼樣的公司、組織和人。未來一人企業肯定會越來越多，全國有10億人呢。
就是這些公司之間怎麼協作的問題。
對。
在這個基礎上可能會誕生新的平台，把這些個人公司組織起來，給它們提供更好的工具。
對，還有商業模式的問題。在公司組織裡，是發工資的模式，不會針對每一件事進行考核，不會因為早到五分鍾或者寫了一行代碼就多發錢。但變成個人公司後，商業模式就要細化、細分，具體到某件事、某個產品或服務上。過去靠組織才能形成產品和服務，個人很難做到。
所以要有創業意識，對現金流也要有清晰的認識。
對對對。現在AI能補齊個人的短板，有可能讓個人提供更完整的服務。這是組織或個人未來向個人公司轉型的一個重要基礎。
謝謝沈總的啟發，我收獲很大。今天我學到了很多，對未來也更樂觀了。如果未來大家既能在現有組織裡實現轉型，又能掌握和AI打交道、成立個人公司的技能，那就沒什麼可焦慮的了。
對，是這樣。
好的，謝謝沈總。
