夜雨聆风文章来源于Mosssss，作者Mosssss
本文来自 | Mosssss
头图来自 | AI生成
我去参加了飞书 AI 绝活大会。
Zara 分享的题目是“如何打造 AI Native 组织”。但其实她的分享内容，不仅是对公司，对个人也十分具有学习意义。
她没有先谈模型，也没有先谈工具，而是先抛出了一个很直接的判断：
如果 Agent 在企业里的表现不好，很多时候不是智能不够，而是 context 不够。
模型可能已经足够强了。真正的问题是，它看不见组织里正在发生什么。
它不知道一场客户会议里刚刚确认了什么，不知道某个数据下跌之前业务团队做过什么动作，不知道管理者平时反复纠正下属的到底是哪类问题，也不知道一个项目在不同群聊、文档和会议之间经历了怎样的变化。
于是，企业一边觉得 AI 很聪明，一边又觉得它总是“不懂业务”。
Zara 把 AI Native 换成了另一个更具体的说法：Agent Readable。
一个 AI Native 组织，首先应该是一个能被 Agent 读取的组织。
这个说法几乎贯穿了她后面分享的所有案例。
01、AI Native 的第一步，是让组织变得 Agent Readable
今天很多企业的 AI 落地，仍然停留在给员工配一个对话框。
每个人有自己的 AI 助手，遇到任务时，把能够想到的背景复制进去，再问它一个问题。问题回答得不好，就继续补 Prompt；上下文丢了，就从头再讲一遍。
这种使用方式当然有价值，但它本质上仍然是“人在组织里工作，偶尔把一小段任务搬给 AI”。
AI 并没有真正进入组织。
Zara 所说的 Agent Readable，是让会议、群聊、文档、日程、知识库和业务系统中的信息，能够在权限允许的范围内成为 Agent 的 context。
这样一来，Agent 面对的就不再是一条孤立的指令，而是一项任务完整的来龙去脉。
这也改变了我们对 Prompt 的理解。
Prompt 不一定是一段经过精心设计的文字。
一场会议的逐字稿可以是 Prompt，一段围绕方案展开的群聊可以是 Prompt，一个客户拜访日程也可以触发后续工作。只要 Agent 能够看到相关信息，并理解信息之间的关系，工作本身留下的痕迹，就可以成为它采取行动的依据。
所以，真正重要的可能不是教每个人背更多 Prompt 模板，而是重新检查组织的信息环境：
哪些信息只存在于某个人脑子里？哪些决定说完就散了？哪些业务动作被拆在互不相通的系统里？哪些权限设置让 Agent 即使有能力，也无法获得完成任务所需的背景？
AI Native 不是从“多用 AI”开始的。
它从组织愿不愿意让自己的工作过程变得可记录、可连接、可读取开始。
02、会议不只是被总结，它可以直接推动工作
Zara 把 AI 参与会议分成了三个层次。
第一层，是今天大家已经比较熟悉的 AI 会议纪要。
会议结束后，AI 整理摘要、结论和待办。它解决的是“我们刚刚谈了什么”的问题。
第二层，是 Agent 在会后继续执行。
它拿到会议记录以后，不只是列出待办，还会识别哪些工作可以由自己完成，并直接开始处理。例如，销售会议结束后更新 CRM，产研会议结束后同步项目管理系统，或者根据讨论结果继续整理材料、分配任务。
第三层，则是 Agent 直接进入会议，在讨论发生的同时开始工作。
客户刚刚提出产品反馈，Agent 已经在会中完成归纳；讨论需要某个数据，它可以现场查找；团队正在 brainstorm，它也能根据实时逐字稿参与进来。原本要等到会后、甚至下一次会议才能补齐的信息和动作，被提前到了当下。
Zara 对这件事的概括是：
沟通即执行。
过去，开会属于沟通，执行发生在会后。两者之间隔着整理、转述、分工、排期和遗忘。很多会议最后的结论，只是“再约一个会”。
Agent 进入会议后，真正值得关注的并不是纪要写得更漂亮，而是沟通和执行之间的距离开始缩短。
Zara 甚至把工作方式的变化概括为三个阶段：
从打字式工作，到语音式工作，再到聊天式工作。
人在电脑前逐字输入，是一种工作；对着 AI 说出要求，是另一种工作；而未来更自然的状态，可能是人与人先把事情聊清楚，Agent 在一旁获得 context，并在讨论过程中把能做的事情直接做掉。
这并不意味着人与人的沟通会消失。
恰恰相反，Zara 特别提到，她并不希望大家最后都只和自己的 Agent 说话。跨部门交流、人与人之间的碰撞和共同判断仍然重要。变化在于，这些过去只存在于现场的交流，不再随着会议结束而消失，而是可以成为后续执行的一部分。
她有一句话让我印象很深：
会议的结束，是工作的开始。
如果再往前走一步，也许有些工作的开始，甚至不必等到会议结束。
03、HTML 的价值，不是“做个网页”，而是让业务可以被操作
分享的第二部分谈到数据分析。
其中一个很具体的建议，是把表格变成可交互的 HTML 页面。
这不是为了把 Excel 换一层更好看的皮肤，而是因为 HTML 可以把静态结果变成一个能够操作、试算和比较的界面。
例如，一个预算表可以变成沙盘：调整融资、投放或成本参数，结果随之变化；一套 SaaS 报价逻辑可以变成配置器：根据客户规模和所需功能，快速生成不同方案。
在这里，AI 的作用不只是“帮我分析这份数据”，而是把业务人员脑中的计算逻辑，转化成一个其他人也能直接使用的工具。
这恰好碰到了企业 AI 落地中的一个常见断层：
懂业务的人不懂 AI，懂 AI 的人不懂业务。
懂业务的人知道参数意味着什么，知道客户真正关心什么，也知道哪些数字可以调整；懂 AI 的人知道怎么调用模型、生成代码、搭建工作流。但如果两类人彼此隔离，最后往往只会得到两种东西：技术上很完整、业务上没什么用的 Demo，或者业务需求很清楚、却迟迟无法落地的想法。
HTML 提供了一个很有意思的中间层。
它足够具体，可以把一个想法直接做成能点、能拖、能试的东西；又足够轻，业务人员可以在 Agent 的帮助下先做出原型，不必等一条漫长的研发排期。
不过，数据分析更难的部分还不是展示，而是归因。
数据只能告诉我们“发生了什么”，却不一定告诉我们“为什么发生”。一次投放暂停、一次产品调整或一项运营动作，可能没有出现在数据看板里，而是散落在某个群聊、某场会议或某份文档中。
Zara 分享了一个做法：让 Agent 持续读取这些业务痕迹，整理每天发生的关键动作，再把它们作为数据分析的背景。
当数字发生变化时，Agent 不再只盯着表格猜原因，而是能够把指标变化和真实的业务动作连接起来。
这又回到了最初的命题：分析能力的上限，往往由 context 决定。
04、招聘 AI Native 的人，要同时看“人”和“人如何驾驭 AI”
在招聘环节，Agent Readable 同样会产生作用。
如果 Agent 能看到管理者平时如何给反馈、团队在哪些问题上反复卡住、优秀同事通常具备哪些特征，它就能从真实的管理记录中提炼人才画像，并进一步辅助撰写 JD、设计筛选标准和准备面试题。
这比让 AI 凭空生成一份“理想候选人画像”更接近业务。
但 Zara 提出的面试方法更有意思。
她会把面试分成两轮。
第一轮不让候选人使用 AI，看的是这个人的专业基础、判断力和现场反应。
第二轮则要求候选人必须使用 AI，完成一项没有 AI 很难在限定时间内完成的任务，同时保留与 AI 的完整互动过程。
结果重要，过程同样重要。
候选人如何拆解任务，给了 Agent 什么背景，怎样判断输出质量，发现错误后如何纠偏，什么时候相信 AI，什么时候坚持自己的专业判断，这些过程比简历上写一句“熟练使用 AI 工具”更能说明问题。
这套方法的价值，在于它没有把 AI 能力和业务能力混成一句模糊的“AI Native”。
先看一个人离开 AI 以后还剩下什么，再看他有了 AI 以后能把能力放大到什么程度。
企业真正需要的，可能不是会背 Prompt 的人，也不是只会展示技术的人，而是既有自己的专业判断，又知道如何给 AI 足够 context，并对最终结果负责的人。
05、当 Agent 从个人助理变成团队同事
Zara 观察到的另一个趋势，是 Agent 正在从个人工具走向团队级 Agent。
个人 Agent 的 context 主要来自一个人。团队 Agent 则进入共同的工作空间，在权限范围内理解群聊、文档、会议和项目进展，并与多个人持续协作。
这个变化看似只是“把 Agent 拉进群”，背后其实涉及一整套新的组织设计：它应该看到什么，不能看到什么；哪些记忆属于团队，哪些信息只属于个人；它的职责是什么；谁来纠正它；出了问题由谁负责。
一旦这些问题被处理好，团队 Agent 才可能真正像一名同事。
它能让工作接力。一个人先让 Agent 拉取数据，数据分析师可以在同一段协作记录里纠正口径，下一位同事再接着使用，不必反复复制背景。
它也能让 AI 的使用方式被团队看见。过去，一个人怎样和自己的 Agent 协作，往往藏在私人对话里；当协作发生在群聊中，其他人会自然看到同事如何提问、补充 context 和纠偏。
这是一种渗透式的学习。
很多组织并不缺一两个特别会用 AI 的人，真正困难的是，怎样让少数人的经验变成团队能力。把真实协作过程留在公共工作空间里，可能比安排一场统一培训更有效。
更重要的是，团队 Agent 有机会看到跨部门的信息。
而组织里的低效，很多时候并不来自某个人动作太慢，而来自团队之间的等待、转述和依赖。一个能够服务上下游、理解共同 context 的 Agent，价值不只是替某个人节省时间，也可能减少组织边界之间的摩擦。
06、AI 场景不是规划出来的，而是从工作里长出来的
分享的最后，Zara 谈到怎样在组织里形成学习 AI 的氛围。
她给出的第一个建议是：干中学，玩中学。
传统的学习路径往往是先理解原理，再开始实践。但在 AI 时代，很多东西可以反过来：先和 Agent 一起把一个小东西做出来，再追问它是怎样完成的，回头理解其中的原理。
不是先把所有课程学完，才获得动手的资格。
先干后学的意义，是让学习与真实问题发生关系。一个人亲手做出过能帮助自己的工具，往往比听过十场抽象培训更容易理解 AI 可以如何进入工作。
第二个建议，是让学习发生在协作中。
当团队成员能看到别人如何使用 Agent，很多技巧不需要被整理成课程，就会在日常工作中传播。有人展示一种没见过的用法，其他人跟着试；有人发现一个新的 Skill，团队很快就能复用。
第三个建议，是创造让“懂 AI 的人”和“懂业务的人”坐在一起的场域。
可以是内部活动，可以是驻扎在业务团队里的内部 FDE，也可以是一场非常朴素的“装机活动”——先帮那些被安装、配置和环境挡住的人，把一个真正能运行的 Agent 装到电脑里。
很多人不是不愿意学 AI，只是第一步的摩擦太大。
组织要做的，不一定是给所有人再布置一份学习任务，而是降低尝试的门槛，让好奇心有机会发生。
07、真正的 AI Native，是一场组织实验
Zara 在结尾提醒了三件事。
第一，AI Native 组织没有标准答案。
技术还在快速变化，不同公司的业务、文化和工作方式也完全不同。即使是走在最前面的组织，也没有一套可以原样复制的模板。
第二，AI 落地场景不是规划出来的，而是长出来的。
很难先画出一个完美终局，再倒推未来每一步。更现实的方式，是允许团队围绕具体问题做小实验，让真正有效的场景在使用中留下来、连接起来，再逐渐成为新的工作方式。
第三，不要急于求成。
新的技术进入组织，短期内甚至可能先降低效率。大家需要学习工具、改造流程、处理权限和安全问题，也要重新形成协作习惯。投入了 Token，却没有立刻看到整体效率跃升，并不一定意味着方向错了。
AI Native 不是安装一个工具之后发生的瞬间升级，而是一条生产力的 J 型曲线。
回头看整场分享，我觉得 Zara 真正讨论的，并不是怎么把 AI 塞进更多工作环节，而是组织如何为一种新的“参与者”重新设计自己。
过去，组织主要为人提供信息：文档写给人看，会议开给人听，流程由人推动。
现在，我们开始同时面对另一类读者和行动者：Agent。
它需要看见工作的上下文，需要清楚的权限和责任边界，也需要进入真实协作，接受人的判断、纠偏和监督。
所以，“让 Agent 读取组织”听起来像一个技术问题，最后却会落到最朴素的管理问题上：
我们是否把事情说清楚了？是否留下了可用的工作痕迹？是否知道哪些信息应该共享、哪些必须隔离？是否有人对 Agent 的行动负责？
Zara 最后留给现场的一句话是：
实践，是打造 AI Native 组织的唯一方法。
这可能也是整场分享里最不“方法论”的方法论。
先让一场会议变得可执行，让一份表格变得可交互，让一个真实的业务问题同时遇见懂业务的人和懂 AI 的人。
组织的下一种形态，也许就会从这些很小的实验里，慢慢长出来。
说明：本文依据 2026 年 7 月 25 日飞书 AI 绝活大会现场分享及会议转写整理。为保证阅读连贯，部分口语表达经过压缩和重组；涉及产品功能的内容为分享现场表述，实际开放范围与能力请以产品最新说明为准。ppt 链接：https://bytedance.aiforce.cloud/app/app_17asj5rjdyk/
如您有AI应用案例希望自荐分享，或是对AI在产业端的落地实践有交流意向，可添加小虎哥咨询，获取后续深度内容及活动的一手信息。
关于虎嗅智库：
虎嗅智库是一家聚焦企业数字化、AI创新实践的新型研究服务机构，为产业智能化进程中的甲乙双方，提供有洞察性的研究报告、案例评选，以及线上会议、线下活动与参访服务，以支持企业高管在智能化、数字化方面的明智决策。
我们提供的核心价值：
及时与优质的洞察，了解技术、了解行业、了解同行与对手；
为决策者技术与产品战略决策、产业规划、解决方案选型提供重要参考；
帮助市场全面了解前沿科技及所影响产业的发展状况，还有未来趋势。
