ARTICLE · 1063802
10个人加一套AI软件做出100人的增长
如果给通用人工智能打 100 分,日常生活能拿到 90 分以上,但企业级场景是另一回事。黄晓南给出的比喻很形象:今天的 AI 相当于一个刚毕业的博士,无所不知、很聪明,但涉世未深,干什么事都可能差点意思。
这个比喻可以解释企业 AI 落地的几乎所有麻烦。一个没在企业真实场景里历练过的模型,放到重要岗位上,会一本正经地胡说八道。这也是为什么企业用 AI,不是直接喂数据,而是要给它上下文、元数据、加工后的工作流。
黄晓南所在的公司 2009 年成立,做企业决策 AI 智能体,在港股上市时定位为「企业决策 AI 智能体第一股」。她 2008 年写商业计划书就放下过一句话:未来,大数据和算法会改变营销。这是十八年前的判断,OpenAI 还不存在。
FDE 不是定制开发,是把问题做成产品
FDE(Forward Deployed Engineer,前线部署工程师)最近被 Palantir 带火,很多公司把它理解成定制开发。黄晓南认为这是个误区,FDE 真正难的地方,是在「把问题抽象成产品」和「解决这个客户的具体问题」之间反复找平衡。
国外一个厉害的 FDE 可能一个人把这些事全干了,但她在国内的实践需要拆成两个角色:一个 AI 产品经理,一个 AI 工程师。AI 产品经理负责识别真假痛点、判断能否产品化,AI 工程师把它实现出来。两者搭档才能顶上一个完整的 FDE。
她给出一个判断,业务理解在 FDE 工作里占 60% 到 70% 的权重,AI 认知可能只占 30%。这跟很多人想象的不一样,大家以为 AI 时代技术最重要,但实际是最懂业务的人最重要。
关于市面上火热的 OPC(One Person Company,一人公司)挂 FDE 名号,她的判断也很直接:单纯依赖技术能力的 OPC 模式,至少在复杂 To B 场景中可能难以长期成立。真正战斗力强的,是懂业务、有产品意识、对 AI 有一定认知的人。
「软件已死」是误解,Agentic Software 会重写传统软件
过去 99% 的软件大概率能归到两类:一是固化流程,SAP、ERP、OA 都是把最佳实践沉淀成流程;二是让数据可见,所以有各种 BI 和 Dashboard。
这两类都会被 AI 重写。黄晓南这两年提出的叫法是 Agentic Software(智能体软件)。它的核心不是把人的经验固化成流程,而是自我学习、自我迭代,直接给出洞察、指导行动,甚至去操作其他系统。她给了一个形象的比喻:未来的智能体软件就像一个看不见的机器人。
但它依然干着软件的底层活儿:连接企业数据、连接系统之间的流程、管数据权限和用户体系。CRM 里记录会员和交易的底座不会消失。会变的是上面的决策层,过去「什么时间给哪个会员发什么券」靠人配置规则,以后由系统自己决策,再根据核销结果持续优化。
所以「AI 吃掉软件」这个说法只对了一半。软件这个形态不会死,会变成历史的只是「固化流程加看板」这一种软件形态。
大模型拿不到的三样东西,是企业 AI 的护城河
模型能力还在涨,但大模型天然拿不到三样东西:企业自己的数据、企业内部的知识、企业真实的工作方式和工作流。
没有这三样,那个「博士生」放到重要岗位上会一本正经地胡说八道。幻觉是企业 AI 最大的问题之一。黄晓南举了个例子,他们有个分析用户反馈的产品,最基础的工作是给海量评论打标签,有的客户一天上百万条数据,光靠保证标签准确,就得多个模型、多个智能体配合着干。
数据怎么给模型也是门手艺。他们的做法是不把原始数据直接透传给大模型,而是给元数据、数据结构和加工后的上下文。这样既用上最强模型的能力,又把企业的核心数据留在自己手里。
至于那些沉淀在「老师傅」脑子里的经验,比如金牌销售的话术,大多数企业根本还没整理出来。她给了一个对比:最好的销售和最差的销售,话术差异可能带来成倍的业绩差距。把这些话术抽象出来,他们在 FDE 前面还配了业务顾问,专门干这件事。知识散落在 PPT、视频、Excel 里,把它们抽出来、连起来,本身就是一个庞大的工程。
她明确不鼓励企业专门私有化部署一个能力更弱的开源模型,先把基础能力削弱了,整套应用就不可能做到最好。
最大的卡点在甲方自己
聊了这么多乙方的难处,黄晓南把最大的卡点指向甲方。第一个卡点,是客户能不能把自己的痛点讲清楚。很多人能讲出痛点,但讲不清这个痛点解决了到底能带来多大变化。
她经常跟甲方说一句话:把生意切成 100 份,你能不能准确挑出其中最重要的 5 份?就是那 5 份一旦提升,整个生意都会变的部分。这件事得跟 C-level 聊,跟能看全局的人聊。
她举了个例子:一家增长很快的零售企业,店员效率已经很高,他们真正想要的是让 HR 和财务更快地回答内部员工的问题,因为公司在大量招人。换一家车企,答案又完全不同,对方只想卖车。每个企业都得自己找到 AI 能真正发力的那个点。
还有一种甲方更难办:内部人的主要工作是管理代理商,自己不作业,就很难知道 AI 该用在哪。她有个说法,叫「谁作业,谁发言」。长期把活儿外包出去的企业,至少要在策略层面重建自己用 AI 做判断的能力。
AI 时代人要保留什么能力?她列了三件:判断,分得清 AI 给的东西好不好;taste,有足够高的标准告诉 AI 什么叫好;take risk,AI 能给选项,但永远不会替你承担后果。
她还有个补充视角:AI 落地天然是「一号位工程」。普通员工最关心的不是企业效率提高了多少,而是「用了 AI 对我有什么影响」。能让他业绩更好就欢迎,让他觉得饭碗危险就抵触。这个结,只有一号位能解。
生意经:100 个人的活,10 个人加一套 AI 软件
聊到商业模式,黄晓南谈钱谈得毫不遮掩。企业为两类东西付钱:产品和服务。AI 公司的机会是两头都做,他们内部叫 Agentic Software 和 Agentic Service。
客户想买软件自己用,就卖软件;客户说「我不想买软件,你直接给我结果」,就用自己的软件把服务交付掉。AI 让这件事变得顺理成章。过去交付一个搜索营销服务可能要招 200 个人,现在用一串连起来的智能体,也许十分之一的人就能干完,而且考核的 KPI 应该比过去 100 个人做得更好。
软件怎么收费?License 加训练实施费,而且训练实施那部分通常更高。原因是标准产品做出来最多 70 分,落到每个客户那里还有另外 30 分:数据不一样、标签体系不一样、要连接的系统不一样,这 30% 必须在客户现场完成。
她反复强调,提效要提到刀刃上,让 60 分的人变 80 分之外,一定要让 100 分的人做到 120 分。否则最有产能的那批人不会买账。
和大模型站在垂直的方向上
如果今天是一个没有客户资源、没有组织的创业者,最该想清楚什么?黄晓南的判断很直接:你做的事情不能轻易被大模型吞噬。
过去几年有无数公司融到钱、发展也不错,但做的事一旦被大模型的能力直接覆盖,就走不下去。判断的方法她给了一个说法:要找到和大模型的垂直关系,而不是平行关系。大模型变强,你就水涨船高;它变强就把你盖过去,那是站错了方向。
这个道理其实也是对整场对话的收束。AI 很强,但在企业里它依然涉世未深。能填上这个落差的,是懂业务的人、整理好的数据和知识、还有愿意给你真实场景和反馈的客户。模型的强弱,反而排在后面。
她自己给这种心态起了个名字:「AI 是一种信仰」。她公司 2024 年决定 All in AI 智能体,那时候 DeepSeek 还没出现。为什么叫信仰?因为落地过程中幻觉、能力锯齿都是家常便饭,很多企业试了一把智能体,发现问题一堆,就直接下结论「不行」。可大模型的能力一直在迭代,上周还觉得做不了的事,这周可能突然就成立了。用两周前的结论给 AI 判死刑,是今天企业最容易犯的错误。
只是信仰不能当饭吃,信仰加账本才可以。
一个做了 18 年 To B 的人,劝你别做 To B
问到她对 To B 创业者的建议,黄晓南的回答更出人意料:如果是现在重新创业,她其实会建议尽量避开 To B 赛道。
一个把 To B 做到上市的人说这话,得认真听。她的账算得很清楚:To B 服务的是中大型客户,门槛是一层一层的,数据合规能力、团队、有影响力的产品,而且大客户基本走招标,招标就意味着激烈的价格博弈。
这是「老兵」的游戏,吃的是多年积累的客户资源和行业信用。新人去哪?她说如果今天重新创业,可能会选更 To C 的方向,比如短剧,或者用 AI 做面向消费者、能快速付费的产品。
这个判断值得所有想在 AI 时代创业的人抄下来:To B 的红利属于有积累的老兵,新人的机会在离钱更近的地方。
数字汇总
最后一句话:企业 AI 落地的最大变量不在模型,在人,懂业务的人、整理好的数据、愿意给真实场景的客户。能填上这三件事的公司,才有资格谈「10 人做 100 人增长」。
也有不同的声音
社区里对这条路径也存在质疑。一种常见观点是:大模型的多模态能力进化已经很快,Agentic Software 这类中间层是否会被大模型直接吃掉?
这种质疑有一定道理,但忽略了一个现实:中间层的价值不只是模型,还包括客户的私有数据、领域知识、工作流这些大模型天然拿不到的东西。即使模型能力继续涨,这三件事的处理仍然需要专业的工程团队和行业积累。
另一个不同看法是「中小企业的现实卡点」。文章里讲的都是中大型客户场景,但中小企业连基本的数据整理都没做完,根本走不到 AI 落地这一步。这部分客户的真实需求可能是另一种 AI 形态,简单工具加上开箱即用的工作流,而不是定制化的 FDE 体系。
另外,FDE 这种组织形式最近被讨论很多,核心价值在「前置到客户现场」,但「把问题做成产品」才是它的关键能力。国内落地 FDE 时,常拆成 AI 产品经理和 AI 工程师两个角色,前者占 60% 到 70% 的业务理解工作,后者负责实现。这个拆法跟国外一个人顶三个的 FDE 模型有差异,反映的是国内人才结构和客户成熟度的现实。FDE 制度的另一个隐性价值是「双向反馈」:把产品落到客户的同时,从客户嘴里聊出新需求,反哺产品。这条链路如果断掉,FDE 就退化成传统定制开发。