9 月 5 日下午，馒头商学院创始人王欣攒了一场创始人闭门对谈，主题「生产力 vs 生命力」，三十个人，四位嘉宾。我讲的那部分叫「AI 怎么变成生产力」，45 分钟，加了 7 分钟问答。下面按现场讲的顺序整理，口语删了，数字对过一遍。PPT 挑了几页放进来，完整 36 页在文末。
先说两句我是谁
过去十年都在做 AI。最早是 NLP 的时代，意图识别、槽位填充、NER 命名实体识别，再拿规则把机器人堆出来，很古早的东西，今天估计没人记得了。2019 年成立句子互动，进了 YC，做营销自动化。写过一本《Chatbot 从 0 到 1》，陆奇博士作序。做过一个开源框架 Wechaty。2022 年底 ChatGPT 出来，很快转型，all in AI。
2023 年搭起 FDE 团队，那时候内部叫 PE。为什么第一天就不卖软件：上一代低代码平台的下场我看得太清楚，程序员不屑于用，非程序员又用不明白，因为抽象和逻辑的能力补不上。所以我们自己 2023 年做的那套 AI 低代码平台从来不单卖，是我们的人用它给企业交付结果。
到今天：1000 多家企业客户，连续 4 年盈利，七大产品基建，累计培养了 100 多个 FDE。今年刚拿到工信体系的 FDE 认证证书，接下来和馒头一起把 FDE 培训做成市场化的课。这是我创业的第十二年。
最近有个词很火：AI 原生组织
我的感受是，AI 原生组织是长出来的，不是规划出来的。句子今天如果按 AI 原生组织打分，我给六七十分。很多公司看着我们羡慕，但我得先说一个暴论：不是所有企业都适合做 AI 原生组织。我是技术背景，句子本来就是一家 AI 公司，改起来顺手。做供应链、做制造、做合规的公司，核心能力 AI 替不了，是人家多年攒下的，把组织整个革命一遍，很可能先动了基本盘。这种公司更适合直接把 AI 员工部署上岗。
我们自己走的路是三步：先改自己，再改团队，再复制给客户。
先改自己：这份 PPT 是怎么做出来的
我是技术背景，所以第一件事是自己把模型推到极限，看它到底能做到什么，把我自己的工作流用 AI 重做一遍。举个现场的例子，就是那天的 PPT。
两三天前我做过一版，不像样，一直没空修。9 月 4 日晚上 11 点 40，我到家，给 AI 提了五六分钟的需求：「你这个不太行。先介绍我是谁，再讲公司，再讲坑，引出 FDE。」11 点 46，我说我去睡觉了，你自己检查一遍再交付。然后没管它。
它夜里自己干：读完我和王欣周三直播的 1 小时 12 分钟逐字稿，写了 30 页内容整理稿，每页标出处，渲染、截图，九个检查器过一遍。凌晨 0 点 30，PDF 发到我手机上。第二天早上我练完普拉提，吃完饭开始看，提了十几条意见，中午改到第四轮，36 页。现场大家看的就是它。
我所有对外分享的 PPT 现在都这么来，一句话给它，它去做。它自己抓的数：过去 48 天，43 天在用，899 条指令，同时推进 34 个项目。前一周它替我干完了 6 个岗位的活：PPT 设计师（4 份对外 deck）、方案经理（解决方案库 83 条，岗位乘行业，每条一个路演页，销售随时能发）、BP 撰稿、研究员（AI 研究简报）、小红书运营（每天 9 点 40 自动出稿，10 点发到群里，实习生先看，我还没空审）、讲稿撰稿。这个工作台我自己用了一年。
再改团队：四个机制，不靠自觉
大部分人拿不到趁手的 AI 工具。团队说用不了这个那个，理由总有。所以第一件事是把门槛干掉。
- 工具给到顶。 一人一台 Mac，AI 工具全报销，告诉大家用什么模型。装不上的，CTO 亲自当 IT，一个个帮着装好。
- 每两周一次 AI workshop。 最开始两期是我讲。后来发现我讲没用：我是技术，大家会觉得你懂是应该的。换成销售、运营、HR 上台讲 AI 怎么改变了他的工作。我们 HR 没有技术背景，自己做了一个 AI HR：从 BOSS 直聘自动筛简历、打招呼、约面试、排面试官的时间，她盯着 Agent 干，哪干得不好她去调，还顺手做了一个人才五力模型。销售也没有技术背景，给客户做了 AI 直播大转盘的小游戏。
- 每季度一次 Hackathon。 两天一夜，周五晚上开始，周日 demo day。上一届请了 CSDN 的蒋涛来当评委。参与率 50%。大家其实需要的就是这两天一夜，把手上的杂事放下，重做一遍自己的工作。
- 结对午餐。 跟 Anthropic 学的。他们发现 AI 用得多的人会有孤独感，人和人的交流反而少了。我们也一样：你怎么用 AI，我怎么用 AI，一起吃顿饭，事就解了。很多时候 skill 不是一段代码，是你怎么用它、怎么理解它。
我看到很多企业做 AI 转型的做法是：老板说我要转型，成立一个数字化团队，部署一套 AI 平台，再有钱的，买卡，建 token 工厂，把大模型部署下来。最后没有变成生产力，因为组织没有形成自己的机制。我们这套从 2024 年开始改，到今天财务、销售、HR 都在自己搭 AI 员工。这一点，我个人觉得还没看到比我们做得更好的公司。这话有点不要脸，但我确实这么想。
先富带动后富
从头到尾我们没有硬性规定。没有 KPI 说谁必须用 AI，客户量必须多少。先找几个对 AI 极度感兴趣的人，不一定是技术，是销售、HR、运营里最想试的那一两个，工具给到他们，让他们先干起来。当你看到隔壁同事的生产力翻了两三倍，你会心痒痒。这是你身边正在发生的事，比任何文件都管用。
上一届 Hackathon 出了一个例子。我用 AI 做 PPT，内容一直不错，我有自己的去 AI 味 skill，但视觉不好看。我们技术负责人第一届 Hackathon 没拿第一，这一届非要拿第一，做发票报销助手的时候顺手花了四个小时，硬做出一套很炫的 PPT skill。workshop 上他讲了一遍，skill 回流到公司，我拿它做 PPT，又好看又快。再往后这套东西进了 Mio：现在来官网注册，就能拿到一份你自己场景的解决方案 PPT。谁做得好，用法沉淀下来，回流给全员，再变成产品给客户。组织就是这么一点点自进化的。
已经上岗的 AI 同事
Hackathon 带来的，是一批各部门自己搭出来、AI 管培生帮着上岗、现在天天在岗的 AI 同事：
- 句子秒审：合同初审，一份合同过去审一天，现在 2 分钟。财务先用起来的。
- 句子秒聘：就是上面说的 AI HR，简历初筛、约面试、AI 语音面试。
- AI SDR：公司官网的线索全是它接的。三年前我们还有 SDR 岗，现在没有，市场部就一个同学。
- 跟单小二：销售开完会，纪要自动进 CRM，下次会前告诉你该关注什么、上次哪些没 follow up。销售那边跑顺了，BD 的项目管理也用它。
- 情报局：市场情报和 HR 情报，每天早上推到群里。HR 情报盯的是我们想挖的人：哪个创始人不想干了，我们想挖来句子。
- 小畅同学：读完代码自己写产品说明书。2019 年到现在迭代了太多版本，很多细节我自己都不知道，问它。
- AI 后勤部长：大家都 vibe coding 之后，怎么上公网、怎么批量管代码，非技术的人不懂，它来干。那天现场翻的这份 PPT 就是它一句话部署上线的。
- 极速票王：合同审完，开票和税务那层它接。
6 月 2 日我们给它们办了入职典礼：两轮答辩，业务面一轮，最后一轮我面。我看的是它到底是 demo 的感觉，还是真的能投产。这些 AI 员工没有让公司裁员，我还在招人。生产力爆发的时代，我不觉得一定会带来失业，该有的岗位还是要有，只是每个岗位的产出大了很多。
那么，你的公司有多少 AI 员工
把 AI 算上，再数一遍。两个数字差多少，就是这两年组织变了多少。如果你们公司用 AI 的方式是打开豆包，那 AI 还没有变成生产力。
最大的坑，是把「买了 AI 工具」当成「降本增效已经发生了」。像我说我要减肥，就当成今天已经减了 20 斤。工具买了，活还是自己干。工具用不起来，跟工具方关系不大，是你自己、你的团队没接上。
MIT 2025 年那份《The GenAI Divide》看了 300 个公开的 AI 项目，结论是 95% 的企业 AI 试点没有产生可衡量的业务回报。2023 年之后所有大企业都在推 AI，看你的 token 用量。今年反过来了，微软这些公司开始说不看 token 用量，甚至限制 token 用量。拿 token 用量评价一个人的生产力，本来就是很蠢的事。该看的是业务回报：上 AI 之前，先想清楚你期待的回报是什么。
我在前线看到的三个坑
坑一，把 AI 当顾问，不当员工。 人手一个对话框，把 AI 当更高级的搜索。比不用强，但太浅。AI 特别会给建议，给你一二三四五，你说好的，然后一去干，二去干，三去干，变成你在给 AI 打工。它既然这么能说，就应该给我干。我带团队也是这个要求，不能只说不干。
坑二，老板的战略性偷懒。 我遇到非常多这样的老板。企业增长到了天花板，听说 AI 是生产力，就说：我有一堆数据，全丢给模型，是不是就行了？几个 T、几十个 T、上百个 T 的文件，啪一扔。但我今天看到 90% 的企业根本没有数据资产，那几百个 T 的文件是垃圾，因为没被整理过。这个文件说报价 70，那个文件说报价 50，AI 上哪知道哪个对？企业调价、改章程都正常，问题是没人梳理。你公司新招一个人怎么上岗？找个师傅带。为什么？因为岗位到底干什么、怎么上岗，大部分公司没写下来。老板偷懒，指望 AI 连带解决增长问题。AI 能解决增长问题，但它不是万能钥匙。
坑三，上线即结束。 上线那天好炫，AI 做一个惊艳的 demo 太容易了。demo 跑的是干净数据，上岗接的是客户真实的 CRM、订单、知识库，上线以后全是坑，所有人背锅。后面单独讲。
另外还有一个方向上的坑。我和 CTO 聊过：很多老板，包括大厂的 leader，被自媒体带着跑。自媒体天天讲 AI 又怎么了，震惊了，你就觉得 AI 什么都能干，回头逼团队，团队很惨很累。自媒体讲 AI 带来裁员，那是大厂的故事，大厂裁员是因为生产力提升了要优化团队。我接触的小企业，问题不是裁员，是招不来人，招来了发挥不了作用。对小公司来说，AI 是补员，不是裁员。
坑一的解法：看它有没有上岗
AI 有没有变成生产力，看它有没有上岗。标准五条，和管人一样：
- 有职责。 干哪几件事写清楚。你招一个人也有职责边界，没有人说招个什么都能干的。
- 有工位。 接在真实的系统和渠道里干活，不是一个聊天窗口。
- 有交付物。 结果落在固定的地方：CRM、表格、群里。必须沉淀回公司，我看得见。不能嘴上说干完了，我又不知道。
- 拿不准知道找谁。 我经常跟团队讲，搞不定的事要来问 leader。AI 一样，搞不定别瞎搞，停下来等，升级给谁写在规则里。
- 干得好不好有考核。 月底能算账：漏回率、错误率、线索量。
管人和管 AI 很像。句子秒审就是这么上岗的：一份合同审一天变 2 分钟，五条都占。
坑二拆开看：数据、业务、标准，三样都没人负责
老板扔来一堆文档，但不为这堆东西负责。拆开是三个并列的问题：数据自相矛盾，业务流讲不清，没定义什么叫干对了。
所以 FDE 进场的第一件事从来不是搭 AI，是先把业务梳理清楚，把数据理清楚，把「什么算干对了」定下来，然后才做后面的事。标准定好了，很多事就容易了。跟团队也一样，你没做好这件事，我们之前说好的标准是什么，大家都知道怎么调整。
Palantir 的 CTO Shyam Sankar 说过一句话：
一个问题如果能用一份需求文档解决，那它早就被解决了。
企业里很多事一样。你没把这个岗位、这个人的需求标准写清楚，后面一连串的问题都从这来。我们的做法是咨询师先当观察员，看客户的人现在一天是怎么干的，梳理清楚了再交给模型。需求文档今天可以让 AI 写，隐性知识 AI 也能帮你萃取一部分。但隐性知识靠人抽出来，仍然是很难的一件事，这条我没有更好的办法。
坑三的真相：AI 出问题的方式，和软件相反
软件的风险在上线前，跑通了就一直跑。AI 是概率系统，风险从上线那天才开始：demo 很惊艳，上了真实数据、真实用户，问题全出来；然后悄悄退化，不报错，信任一点点没了。
这时候所有人背锅的说法是「大模型有幻觉」。在我们团队，不允许拿这句话当理由。今天模型的智能水平没什么问题。它有幻觉，但如果规则定好了，过去几年我真正遇到模型本身出错，一两次而已。谁第一个跟我讲模型出错，我让他自查几个问题，查完就知道还是自己的问题：数据没写清楚，边界没定死，规则没写全，最后让模型背锅。
真正卡住的是这五件事，大家可以问一下自己：
- 数据梳理了吗
- 业务说清了吗
- 脏数据处理了吗
- 质量有人盯吗
- 上线后有人管吗
人的幻觉有时候比模型多。人会撒谎，会故意，也会没听清你说的话就去做了。你想清楚、说清楚，模型没有问题。举个当天的小事：来的路上我让 AI 改封面，前一版它给封面放了一张我的头像。我说这也太自恋了，你分享放我头像干嘛。它换掉了。犯错大多数时候在于使用的人没说清楚，就像带团队，你没跟团队讲清楚，团队做错了，不一定是团队的问题。
客户那边的坑一：一线销售第一反应是抵触
我们最早给客户做 AI 销售，FDE 一进场，一线全在挑毛病。他觉得你是来替掉我的。我们真见过客户的销售在我们系统里跟他自己的客户说：上面几条是 AI 回的，不用管。截图都在。
后来怎么解的？还是先富带动后富。不硬推 KPI。先找一小拨对这事有兴趣的销售上，追踪所有过程指标和结果指标。
在线教育的例子。低价课转正价课，用户来了，AI 先收集信息：你为什么来上这门课。信息收集率、到课率、完课率、作业完成率，这叫过程指标。结果指标叫人效翻倍、转化不掉：一个销售原来接 800 个线索，现在接 2000 个，转化率还是 30%，GMV 就上去了。一个销售的 GMV 上去，提成就上去。前两三个试点销售的提成翻了 3 倍，不是公司改了制度，是用了 AI。然后在另一家在线教育公司，就从我求着销售用，变成销售追着我们：快给我也开一个。
两个销售的故事。从 IT 往下硬推的那家很惨。我们有个销售，天天在客户楼下陪一线销售抽烟，抽了好几盒，调的过程也难受，最后那个销售的订单超了。有订单治百病。
客户那边的坑二：AI 干得好不好，谁说了算
销售开始的抵触未必是有意识的。他挑刺：你回得不像人，话术不对，我们都是这么回的。把 AI 回的和他回的放一起，我看不出区别，他说不行。区别大概是感叹号还是波浪号。他是 top sales，他觉得客户就喜欢感叹号。我们经历过这个很难受的阶段。
后来的解法：你别管我怎么回的，看过程数据和结果数据。哪怕我把客户骂了，过程数据好，结果数据好，那也得认。从讨论话术，变成讨论数据。AI 干得好不好谁说了算？一定不是一线销售的体感。很多企业落地 AI 都卡在「没人味」这三个字上，太主观。我们的办法是 AB Test：AI 组和只有人的对照组，只留「用不用 AI」一个变量，别的全拉平，内部考核和对客户收费用同一个口径。先定结果指标，再倒推过程指标，AI 的产出就完全客观了。
一家头部在线教育客户，按结果付费：线索量 6 个月翻了 11 倍，人效翻了 4.5 倍（一个销售一个月服务的人从 200 到 913），转人工率从 27% 降到 2.73%，故障峰值率从 16.26% 降到 0.13%。最开始定的目标是人效翻两倍。客户验证了 ROI 就持续加量，人没加，活让 AI 干了。同一套打法，复制到了 400 多家在线教育公司。
岗位 × 行业，一格一格拓
在线教育不只 AI 销售。这个行业是人力密集的，一家公司销售动辄三五百人，招聘也是批量的。一条线上能上 AI 的岗位：流量侧的内容产出、直播复盘（哪里是高潮、哪里该嵌金句）、AI 销售、社群和私域（催到课、催作业、关键时刻催单）、客服质检、AI HR。尤其社群运营：劳动密集、作息和别人相反、流失最高。周六周日用户最容易焦虑来买课的时候，没人上班。
我们现在就是按岗位和行业一格一格做。岗位从对话场景（销售、导购、客服）做到跳出对话的场景；行业从在线教育、消费，到金融、政务，现在在做制造业和央企。
制造业有个反直觉的地方。它比在线教育更人力密集，但 AI 替代的不是蓝领，不是拧螺丝的人，机器人现在还不太行。替代的是管蓝领的那层白领：出标准的、盯业务指标的。我们给一家新能源厂商做 AI 后勤管家，最简单的一件事是擦充电桩。怎么盯着那么多保洁把那么多充电桩擦干净？以前是发群里：擦没擦、擦得干不干净，人看照片。人看不了那么细，中间的过程全没有。现在保洁的习惯不变，还是往群里扔一张照片，AI 来看擦没擦、干不干净、谁没擦、怎么调度。以前有公司给保洁上系统、上移动端点点点，保洁哪弄得明白。再往下，装上摄像头，脏了再派人，老脏的地方多去，不脏的少去。
凭什么能帮客户：这条路我们自己先走了一遍
这一路踩的坑，陆续都内化进了产品。2019 年成立做句子秒回，企业和客户的对话接进同一个工作台。2023 年 GPT 出来 all in AI，做了句子秒懂，不写代码搭 Agent，同年搭起 FDE 团队。到 2025 年是七大产品基建，两个是规划出来的，五个是 FDE 在客户现场跑出来的。2026 年是 Mio。
Agent 质量怎么保证？有句子守护，AI 生成测试，用软件工程的方式管 Agent。企业内部知识脏乱差？有句子懂行，做知识工程。企业没有数字化基建、没有接口？有句子制造。所有 AI 员工上岗之后，我作为管理者还要看数、看看板、问策略、做 PPT，这就是 Mio，每人一个 AI 办公搭子。
我认为最正确的打开方式是两块合在一起：一排上岗的 AI 员工接业务的活，人手一个 Mio 接办公桌上的活。查数据、找资料、写报告、搭看板、定时推送、做 PPT、做海报，一句话交给它，交回来的是成品。以前我要看一张效能看板，得找技术拉数据、找 BI 做看板。现在说一句就行。
你缺的那个角色：对内叫 AI 管培生，对外叫 FDE
你做了尝试，却推不动，因为缺一个能系统推 AI 的人。第一个该招的，不是算法工程师。
这种人在我们公司内部叫 AI 管培生，配合我用 AI 把公司自己的业务流重做一遍：句子的销售怎么做、市场怎么做、财务怎么算账、业务模型是什么，弄明白了才能把诉求变成 AI 员工。对外叫 FDE，Forward Deployed Engineer，前线部署工程师：扎进一个客户，搞懂他的业务，让 AI 员工在他那上岗。两个名字，干的是同一件事。
我看重两点。第一是好奇心，愿意钻进一门跟他八竿子打不着的生意里，把它搞懂搞透。第二是执行力，能不能吃苦，能不能一起干。很多人想太多，没必要，干起来就会有新的变化。这两样补不出来。补得出来的是另外两样：懂场景和懂技术，句子能帮你补；软件工程那套，需求、开发、测试、运维、回归，很多人不知道该怎么做，我们的产品基建能帮你把链路搭起来。
谁适合？我们自己招的基本都是 00 后，团队平均 97、98 年，没有包袱。但我上回和王欣聊，不是所有企业都非得 00 后。大厂优化出来的、或者不想在大厂卷的 70 后 80 后产品经理和工程师，同样适合。YC 的合伙人在播客里说过，AI 时代很大的机会来自那些 40 多岁的人：经验加上 AI，反而更驾驭得住。这条我特别认同。我融资的时候发现投资人都要求 00 后、2023 年之后成立的公司才叫 AI native，显然我不属于，我被中伤了，就发了条朋友圈 diss 一下。结果 AI 做 PPT 的时候把它抓出来了。
培训用的就是我们内部真实招 FDE 的四级台阶：新兵训练营，入职第一周就进营；老带新，上真实客户；独当一面，一个客户你全权负责；带人、沉淀产品。累计培养了 100 多个 FDE，内部分 L1、L2、L3。这套标准花了三四年，还有很多可改的地方，但坑踩得够多了。今年和馒头商学院一起发起 FDE 培训，工信体系的 FDE 认证刚拿到，什么时候开班听王欣的。
大模型不会自己变成客户的转化、人效和营收。得有人扎进去，一寸一寸把它落下来。
问答：隐性问题怎么提前发现
现场一位在线教育公司的朋友提问。他在公司做自动化中台，支持 800 人的销售团队，纯业务转的 FDE。他说显性问题很容易，熟的业务用 AI 做就行；但隐性问题找不出来，做两个月，砰，踩个坑，回去重做。怎么提前？
我的答案分个人和企业两层。
个人层面，隐性知识就是上下文够不够。我一天上百次在跟 AI 打交道，所有东西都在我电脑里，我最怕电脑丢。AI 能把这些东西拉出来。定期让它做一件事：「我最近老让你改的东西，你重新优化一版 skill。」它自己会去优化。我做 PPT 的 skill 就是这么来的，我没写过任何一行做 PPT 的 skill，只是不停地说你哪不对，碎片式的，但每一句都代表我对这件事的标准。说够了，我另开一个窗口：把我最近做 PPT 老让你改的地方全变成 skill。它一点点沉淀出来。
还有一个习惯是写博客。2016 年我做程序员的时候自己搭的博客，2019、2020 年做公司太忙，博客有 bug 没空修，就放那了。今年我让它复活了。写博客的过程，其实是把散落在我电脑里的东西标准化：让 AI 先规范，再做事的时候先去规范的地方查。前提是你所有的上下文都得给它。
企业层面：所有会议全部录音。我们公司现在开会默认全录，销售跟客户那些比较敏感的我管不了，不那么敏感的全录下来给公司。当然你得有一整套思路整理，不然就是垃圾。先沉淀数据资产，然后治理它。我们为此做了句子懂行：你把所有东西扔进去，它处理、测试，然后告诉你「这两条知识对不上，报价到底是 70 还是 50」，人再去回答。这也是一套人机协作的工作台。
这场分享的完整 PPT（36 页）线上版：AI 怎么变成生产力 · 路演版，浏览器打开，方向键翻页，也可以直接下载 PDF。这份 PPT 是句子互动的 Mio 做的，上面「先改自己」那节讲的就是它怎么做出来的。
评论