夜雨聆风
作为被AI“打击”的软件公司CEO,我的自救心得
这篇文章主要来自于6月16日、我在智享会北京All In大会的演讲内容。
这次的演讲，核心是分享了我们作为被AI“打击报复”的软件公司，我们的自救自主。即包括我们产品上的思考、也包括我们组织转型上的实践案例、还包括我对于AI时代“人效向善“科技向善”的价值观的思考。
最近大家都在谈AI。有人开玩笑说，现在只有三件事能把人拉出来：喝酒、打掼蛋、谈AI。喝酒让我们忘记过去，打掼蛋让我们专注现在，而谈AI，让我们关注未来。
但作为一家软件公司的CEO，我这两年却一直处于一种“被AI打击报复”的状态。AI一火，很多人就说软件公司没戏了。所以，我想分享的，其实是一家软件公司的“自救”心得，也是我关于AI与人效的一些思考。
时代大换挡，你的焦虑不止是AI
大家现在对AI很焦虑。这种焦虑，不仅是公司级的，也是个人级的。
过去招人，你问他会不会用Office；现在招人，你会问他会不会用AI。如果他不会用，你还会招他吗？我们的岗位体系、职责体系，是不是都要因为AI重新捋一遍？
但我认为，我们真正焦虑的可能不仅仅是AI，而是整个“时代的大换挡”。
存量经济、出海、反内卷机制、AI，还有HR同事更关心的用工模式大变革。比如，民企最焦虑的社保夯实率100%；过去那些“假外包真派遣”正逐渐离开历史舞台，税务开票受限，管理必须回归真实。
再看一些具体数据：7月1号出台的超龄劳动者规定；全国灵活用工、零工数量已经达到3个多亿，而我们总用工规模才7个多亿，这意味着接近40%的用工模式发生了变化。
在这种焦虑下，管理越是迷茫，越要回归常识。
德鲁克说过，企业就是要创造客户。那么，在AI时代，我们的一切也应该围绕客户为中心，而不是以AI为中心。为了做而做，为了AI而AI，本质上是在组织内部制造“虚假工作”。
伯克希尔的新任CEO提过一个企业应用AI的三大原则，我觉得很有必要：
1. 人类参与：必须有人在参与判断。
2. 保障机制：要保障不同的人、不同的时间问同一个问题，系统得给出同样的、准确的答案；
3. 业务增益：必须带来业务价值， 以业务为导向，没ROI（投资回报率）的事，坚决不干。
他还举了旗下铁路公司如何运转200多列火车的例子。我一看，这不就是我们智能排班这样的“古典式AI”技术吗？古典式AI也好，大模型也好，AI不是发烧友的玩具，而是要为业务带来确定性收益的工具。
AI向实：以客户为中心，而不是以AI为中心
AI在组织里的应用，区别最大的有时不是行业或规模，而是“资本性质”。
外企很尴尬，国内的AI全球总部不认，国外的AI中国没法用；国央企要本地化、安全可控，只能选开源；民企放飞自我，但冰山下的安全防护往往没人管。
所以，要不要一股脑冲向大模型？我的建议是：看场景，选技术。
大模型不是用来做数学题的，它是用来处理“语文概率题”的。如果你要解决的是预测、排班、调度这种“数学优化题”，那么运筹学和机器学习这类“古典式AI”，反而更有效。
它在企业里的核心价值，是解决“错配”。
分享几个盖雅的智能排班的真实实操案例：
- 某3C零售巨头：这是一家全球知名的3C零售品牌，卖手机、卖Pad。从20家店试点、到700多家门店、再到现在全部的1800多家门店，通过我们的智能排班的调度，每个员工总工时不变，只是上下班时间变了就带来了销售转化率提升了10.6%的结果，而员工的回报也变高了。
- 某大型制造业： 过去生产调度不同的车间“各管各的”，需要四五十个排班员去排4000多人的班。现在通过AI调度，一个人就能搞定，人效整体提升了20%。
- 某汽车零部件制造： 过去新接一个订单，IE、HR和运营部门给出的用人标准完全打架——HR想省钱，IE可能基于半年前的劳效标准，运营为了交付要加人。现在通过AI能力的实时监控和预测，给出一个各方都认账的精准答案。
现在，当大模型加持这些“古典式AI”后，更神奇的事情发生了：
——我们可以更灵活的和去和客户共创，比如这个案例，核心是把那些老店长、老班长脑子里的管理Know-how萃取出来。
过去数字化系统是“死”的，配完之后就不动了，有新需求得写文档、评估人天、等开发。但现在，系统是“活”的。比如我们和一家奢侈品零售的客户在智能排班领域做了个尝试：系统会去实时观察店长、班组长的每一个操作动作。比如，店长为什么在这里手动调了一张班表？他的逻辑是什么？
AI会去抽象这些动作，判断这是个人的临时偏好，还是具有普遍意义的管理逻辑。如果是后者，AI会建议将其变成公司级的规则，直接应用到其他部门。
这位客户的CIO跟我说了一句话，让我印象非常深。他说，系统里其他数据都不重要，这份被AI抽象出来的“M1文件”才是公司真正的核心资产，因为它沉淀了业务运营中最真实的Know-how。过去这些东西都在人脑子里，人走了就带走了；现在，AI帮我们把它们留在了组织里。
人效向善：AI是放大器，不要放大了“恶”
AI是一个巨大的放大器。它既能放大组织的优势，也能放大劣势；既能放大对员工的善，也能放大对员工的恶。
现在的技术下、精细化管理变得非常容易、而且成本极低：比如我看到一家公司监控到一个员工晚开机8分钟、然后直接就开除了；还有企业监控员工下楼拿外卖花了17分钟、然后来罚款；还有公司监控员工参加了很多会议、发言总计不到2分钟，然后过来问责。
我一直在思考：这种“精细化监控”真的是我们想要的吗？
在AI时代，人效管理应该关注这三个变化：
-
边际成本下降：监控变得唾手可得，但管理者的手不能因此伸得太长。 -
产能上限重定义：一个人加上AI，他的产能不再是过去那种固定的、可预测的值。 -
激励响应的变化：现代人是“屏幕响应的一代”，没法延迟满足。
我们要向网约车平台学习，推行“即时激励”。很多企业现在都在提倡“阳光激励”，把一部分可量化的奖金，做得像滴滴一样。我们也在帮助一些客户实现这样的场景：员工每天下班就能知道今天赚了多少钱，每天上班就能知道这个月累计挣了多少。
这种机制在蓝领用工领域非常有杀伤力。当回报变得即时、透明，你会发现那些真正技高者、多劳者，自己就跑起来了。这其实就是我们常说的“合适的人在合适的时间做合适的活，拿到合适的回报”。
此外，我们还通过AI帮助客户做“指引性管理”，比如AI审批这个场景，可以让管理者从“盲批”走向“明察”。
大家可以想想，公司里有多少审批是主管“盲批”的？因为流程前面有人审，后面也有人看，中间的主管往往就顺手点了。但如果你把AI嵌进审批流，它就不再是一个冰冷的流程，而是一个智能的助手。
比如，AI会实时预警：这笔加班单对应的员工，前面已经连续加班6天了，你确定还要批吗？再比如，AI会分析出一些异常模式：某个员工最近每个周四都请假，它是单纯有事，还是有可能是处于离职预判期？这时候，系统会给出一个决策指引，提醒你去关心一下这个员工，而不是冷冰冰地通过或拒绝。
这就是我说的，AI可以重塑员工的整个生涯周期，把那些原本藏在数据里的风险和温情，实时地推送到管理者面前。
盖雅实践：一家软件公司的 AI First 组织实验
盖雅在去年提出了 “AI First”。我们不是 AI Native，但我们努力转型。我当时提了三个显性指标：
-
批量超级个体：组织里要有批量的超级个体，他们的效率可能是过去的 10 倍甚至 100 倍。 -
硅基员工：组织里要有超过 500 个真正能干活的 AI Agent，能批量解决客户和员工的问题。 -
流程重组：所有的流程都要被 AI 重新过一遍，每个月都要讨论哪些流程被改造了。
为了实现这些目标，我们内部推行了一套B-TOP 模型。
Business（业务层）：从“入口”到“能力”
在移动互联网时代，我们没能成为入口；在 AI 时代，我们也不再幻想成为入口。
我们正在把系统变成 “Headless（无头化）”，不仅给员工用，还要给 Agent（智能体）用。比如我们通过 MCP 建设，让客户的智能体能直接调用盖雅的能力。
在内部，我们正向 IPD 3.0 演进：过去产品经理和研发要反复确认需求，现在客户在白板上画个草图，产品经理用 Vibe Coding 工具，两小时就能跑出一个可交互的原型。不要用 AI 去加速一个原本该被淘汰的流程，要用 AI 重新定义业务。
Technology（技术层）：Token 也是一种“薪酬”
我们接入了国内外所有主流大模型（Kimi, DeepSeek, Claude, ChatGPT 等）。为什么要接这么多？因为 Token 很贵，我们要分清场景，哪些用昂贵的先进模型，哪些用普遍模型。
我们把 Token 费直接算进了部门的人效考核里，分母是 “薪酬包 + Token 费”。主管必须像管理薪酬一样管理 Token。
同时，我们也非常关注 “冰山之下”的安全与合规。很多民营企业会只看到 AI 的效率，却忽略了权限、安全和防护系统。在盖雅，我们有严格的规定：没有被组织完全掌握的代码，绝不允许进入生产环境。AI 写的代码量太大了，一旦出个 Bug，面对几百万用户就是灾难。所以，技术架构必须能承载这种高频的、海量的产出，并建立起一道安全防线。
Organization（组织层）：消灭冗余节点
个体的生产速率拉满了，如果组织的“吸收速率”跟不上，就会造成更严重的拥堵。比如员工用 AI 1 小时写完方案，却要花 3 天走审批，这没意义。
所以我们进行了激进的重组：
比如AIBP 团队： 我们组建了一支 AI 业务伙伴（AIBP）虚拟团队，由那些跑得最快的超级个体组成，下沉到各个职能部门（市场、IT、测试等）寻找落地场景，赋能那些不会写代码的同事。
比如岗位合并： 产研岗位从 9 个压缩到 4 个。UI 前端岗位消失了，因为 AI 能直接出图出代码；测试岗位变得极其重要，因为他们是海量 AI 代码的“看门人”。
People（人）：让超级个体成为 AIBP
在我们的组织里，产生了很多“超级个体”。这些人的个人效率已经是过去的 10 倍甚至 100 倍了。
但你会给这些超级个体发 10 倍甚至 100 倍的工资吗？
这几乎是不可能的。
但如果你不给，他可能就跑了。我常开玩笑说，幸亏现在经济环境不好，要不然这些超级个体早跑光了。为了留住这些人，也为了让他们的能力沉淀给组织，我们做了一个闭环的激励机制：
首先，比如前面提到的，我们把这些跑得最快的超级个体认证为 AIBP（AI 业务伙伴）。他们不再只是自己埋头干活，而是要带着任务下沉到各个职能部门，去寻找 AI 落地场景，赋能那些不会写代码的同事。
其次，通过 Gaia Nexus 任务交易系统给予增量回报。既然给不了 10 倍工资，那就通过机制让你赚到“第二份钱”。超级个体帮其他部门落地 AI 流程改造，只要业务上见到了效果，产生的收益就会折算成积分或奖金回馈给他们。这样，分享不再意味着“教会徒弟饿死师傅”，而是意味着真金白银的回报。
同时，我们把 AI 视为真正的“硅基员工”。比如我们的 “产品小雅”，她负责面对服务中心、交付中心的 200 多位同事，解决 90% 的复杂配置咨询。她也有工号，也要按机制运行，她在 4 月 17 号上线，6 月 1 号正式通过了试用期。既然是员工，就要像真人一样“选用预留”。
我们常常说，会用AI的人，会取代不用AI的人。
对于组织也是一样，跟AI协作得好的组织，会取代协作不好的组织。我们尤其需要担心的，是你的竞争对手是否已经跟上了AI。
作为一号位，AI 考验的不仅是技术，更是我们对管理常识的敬畏。效率“向实”让我们跑得快，价值观“向善”让我们走得稳。守住安全底线，保持管理温度，这种向善的底色，才是我们在 AI 时代最深沉的护城河。
