1. 首頁 > 生活百科 > >

對話劉夜：OpenClaw只是手腳，數字員工到數字組織，造兵到布陣

人工智能ai創投圈


當大家一窩蜂地去開發「數字員工」、「Agent 工具」 ， 并在細分場景里無休止地內卷時 ， AI 創業的真正護城河到底在哪里？
近日 ， 極客公園創始人總裁張鵬與 VisionFlow 創始人劉夜在 OpenClaw 爆發后 ， 進行了一場向前推演的討論 。 作為 1979 年出生的中國第一代程序員 ， 劉夜經歷了從底層硬件到軟件、從企業級集成（ToB）到在線教育（產業互聯網）的完整周期 。 在閉關數月、與全球頭部 AI 公司的研究員和國內頂尖創業者「應聊盡聊」之后 ， 他得出了一個冷酷的結論：把 AI 當做「數字員工」來替代單個任務 ， 是工程師思維對真實業務的過度簡化 。
在這場對話中 ， 劉夜拋出了「漸進式暴露」、「任務的高低維矩陣」等一系列極具啟發性的概念和框架 。 在討論中 ， 一種未來的可能性逐漸明確：AI 的下一步絕不是泛濫的工具人 ， 而是構建具備協同、匯報、反思機制的「數字組織」 。 當企業文化不再必要、低維工作被徹底抹平 ， 未來的 CEO 或許將不再是「首席執行官」 ， 而是擁有極致審美的「制片人」 。
這是一次關于 AI 時代組織形態、商業壁壘以及新一代創業者生態位的探討推演 。 希望引發更多創業者未來的更深入討論 。
以下為極客公園整理的對話精編：

01
萬 A 大戰已經開始 ， 能做的太多 ，
但該做什么才是最重要的

張鵬： 從作業盒子到今天這么熱衷于探索 OpenClaw 帶來的變化 ， 你自己經歷了什么變化嗎？
劉夜：我是中國第一代程序員 ， 從小就開始學編程 。 經歷了從 BASIC 到 DOS ， 再到 Windows 和今天的 Mac 時代 ， 也見證了三大門戶的崛起 。 我做過企業信息化 ， 想做中國的 IBM；后來轉型作業盒子 ， 深度參與了在線教育 。 在線教育是一個非常深刻的產業 ， 是產業互聯網的最高形態 ， 也是「最后一班車」 。 這段經歷讓我深刻感受到 ， 產業互聯網的核心不是技術 ， 而是產業本身 ， 是業務 。 產業互聯網的規律 ， 是先做信息撮合 ， 再做標品 ， 接著是供應鏈 ， 最后是非標的復雜服務 。 越往后毛利越高 ， 也越難做 。
所以 ， 當 AI 浪潮來臨時 ， 我做的第一件事 ， 就是花了將近 6 個月的時間 ， 什么都不干 ， 讓 HR 把所有能聊的人都聊一遍 。 從各個明星創業公司的首席科學家到各個基模大廠的核心算法、工程師和研究員 ， 以及新銳 AI 創業者 ， 應聊盡聊 ， 大概攢足了近千個小時的交流密度 。 聊到什么程度？聊到對方說上半句 ， 我就知道下半句是什么 ， 所有人的共識已經差別不大了 。
聊完一圈后 ， 結論驚人地一致：所有人都在做一樣的事——數字員工 。 這讓我想起了當年某位大佬對云計算的一個戰略誤判 ， 他說阿里做云 ， 本質不就是個網盤嗎？用舊框架去理解新事物 ， 你永遠只能看到最淺的那一層 。
今天所有人都覺得做個數字員工 ， 用 Claude 寫個「數字銷售」或「數字客服」出來 ， 技術壁壘在哪？護城河在哪？當一個人一天燒幾億 TOKEN 都成為常態 ， 這更像制造業 ， 根本飛不起來 。 所以我問每一個創業者同樣的問題：Why are you？憑什么你行？你更年輕？更聰明？更能熬夜？在一個維度上競爭 ， 那不就是是「10 秒 69」和「10 秒 70」的區別嗎？
張鵬： 嗯 ， 今天能做的太多了 ， 但該做什么 ， 才是最重要的 。 你有什么這方面的思考嗎？

02
產業互聯網的十年 ， 今天會重演一遍

劉夜： AI 很不一樣 ， 但我相信依舊有和產業互聯網的規律會有暗合的部分 。 早期做工具 ， 中期做業務 ， 最后做咨詢 。 技術不成熟時 ， 第一波進來的一定是工程師 ， 他們擅長把世界過度抽象 ， 比如百度的「框計算」 ， 認為一切都是框 。 但移動互聯網的后半場是內容和服務 ， 不是框 。
工程師出身的人對組織的想象 ， 往往過度簡化了業務 。 你看整個第一代互聯網三大門戶 ， 那波跑到最后跑得最好的是騰訊和阿里 ， 而他們離技術稍遠 ， 但離產業很近 。 今天也一樣 ， 技術正變得越來越不重要 。
張鵬： 這一波文科生挺開心的 ， 不會寫代碼似乎也沒關系了 。 但長期來看 ， 到底 AI 時代對人的要求是什么樣的？什么變化了？
劉夜： 在中國的人才結構中 ， 我發現一個問題 。 中國第一代程序員就是產品經理 ， 因為當時并沒有產品經理這一崗位 。 產品經理變成一個被廣泛認知的崗位 ， 是在 2010 年前后 ， 在喬布斯發布 iPhone4、張小龍提出產品觀之后 ， 才有了「人人都是產品經理」的說法 。 在此之前 ， 程序員同時承擔產品經理的工作 ， 先有程序員 ， 后有產品經理 ， 所以第一代程序員都是產品經理 。 第一代程序員學習代碼并非為了工作 ， 而是出于興趣 ， 他們是憑借熱愛投入其中 。 正是這些不被定義、跳出常規的人 ， 才最為出色 。
但第二代的程序員但近十年的產業互聯網把程序員變成了「碼農」 ， 產品經理成了建筑師 ， 碼農被馴化得不思考業務 。 今天 AI 來了 ， 「碼」的部分被干掉了 ， 不進化 ， 他們真只?！皋r」了 。 這批年輕人很優秀 ， 但他們對產業的理解是空白的 。 所以 ， 當下的「萬 A 大戰」 ， 本質上還是工具層的泛濫 。
你看產業互聯網后期 ， 阿里、美團這樣的公司 ， 都是標配用頂尖咨詢公司（MBB）背景的人做商業分析 ， 用咨詢公司的人帶著產品經理做業務流程 ， 因為互聯網產品經理腦子里天生沒有系統 。 飛書就是這么做出來的 。 字節雖然是純互聯網 ， 但也大量用咨詢公司建內部流程 。 AI 時代 ， 這個規律只會加強 ， 不會減弱 。

03
企業的問題 ，
從來不是員工問題 ， 而是組織問題

張鵬： 所以 ， 你覺得卷「數字員工」這個單點 ， 意義不大 。
劉夜： 這是我最核心的一個判斷：數字員工不是終局 ， 數字組織才是 。 如果數字員工泛濫了 ， 連招聘崗都不存在了 ， 所有人都能擁有好的數字員工 ， 那然后呢？那個公司就都能賺錢和成功了嗎？其實所有公司的問題 ， 都是戰略問題和組織問題 ， 從來不是員工問題 。
所以 ， 今天的 Agent 還是在替人干活 ， 而不是替人決策 。 我們內部改造了 OpenClaw ， 做了個叫 MetaOrg 的東西 。 它本質上是一個可以生成 agent team 的內核 。 我們解決任何任務 ， 都不是派一個員工 ， 而是要建一個「組織」去解決 。 這個組織有協同關系、匯報關系、有使命、有目標、有行動方式 。
張鵬： 但未來有沒有可能 ， 一個人就是一個部門？甚至就是一家公司？
劉夜：這是特別好的問題 。 我們還是微觀到任務 ， 比如用 AI 做一個短視頻、寫一個文檔的時候 ， 需要多輪對話 。 你說一句 ， 它回一句 ， 再給它反饋 ， 這就是工具人式的使用 ， 它只是很聰明 。
所以人和部門的概念 ， 不是數量上的多和少 。 我們描述一個高級崗位的 JD 時 ， 通常是：第一 ， 能干活 ， 能干各種活；能用各種工具 。 高級崗位則是能夠理解意圖、主動規劃路徑、主動執行、實現交付、定期匯報、反思總結交付成果 ， 并基于成果的偏差動態調整策略 。 這就是高階能力 。
張鵬：一個合格的部門 ， 得是「L4 級別的自動駕駛」 。
劉夜： 是的 。 當給它一個技能 ， 它可以完成復雜任務；給它一個技能系統 ， 它能完成復雜綜合任務；當有一堆智能體（agent）編排時 ， 就能完成更復雜的事 ， 比如拍一部短劇 。 我經常跟員工開會說 ， 你們用 MetaOrg 的時候 ， 不要把自己當成主管 ， 要把自己當成董事長 。 你要努力試探它的邊界 。
未來年輕人創業 ， 以前說家里給 50 萬創業 ， 未來說不定是給一個 TOKEN 預算去試錯 。 你愿意花多少 TOKEN ， 決定了它能做多高級的崗位 。 越高級的崗位 ， 推理鏈路越長 ， 越需要來回試錯、迭代和總結 。
張鵬：回到剛才的那個問題 ， 如果有一個 agent 的群組 ， 它可以被拆到更細的單元 ， 或者說類似崗位與能力的拆解 。 當它形成一個團隊 ， 面對核心任務時 ， 每個個體的人才質量就決定了成敗 。 這又回到了上一個時代的商業組織競爭邏輯：人才密度 ， 也就是人才質量高 ， 組織的核心任務就更容易實現、跑贏 。
這件事的核心在于 ， 如果未來 AI 都是萬能的 ， 我們都可以調用最好的 AI ， 那除了商業組織可以因為更高效的提供不同細分服務而創造價值 ， 另一層維度上是不是還要回到「人才密度」上看一層——無非就是你的 agent、bot 在這個體系里拆到原子級的能力更高 ， 「人才密度」就更高 ， 在復雜任務中 ， 結果、效率甚至創新就會更好 。 我不知道這是不是正確的推導？
劉夜：我認同這個觀點 。 企業內部有個部門 ， 大企業通常叫 OD ， 也就是組織發展 。 衡量一個組織能不能打贏仗 ， 通常的做法是把對方的所有人才拉出來進行對標 ， 通過判斷人對崗、能力對崗的強弱 ， 來預測戰爭的結果 。 所以一般企業打仗 ， 靠的是組織能力 ， 而不是業務策略 。 最典型的例子就是阿里 。 阿里非常重視組織建設 ， 所以如今能迎來「第二春」 。 因為創始團隊會老化 ， 但組織可以生生不息 。 本質上 ， 如果有一天咱倆是競爭對手 ， 我們都在用 AI 。 我建立了一個強大的 AI 組織 ， 具備很強的 AI 組織發展能力 。 我該如何構建這個組織？我會把所有競對的 agent skill system 逐一打開 ， 分析它們的技能代碼 。 然后在我自己的體系里編寫更優的技能 ， 甚至去補齊它們缺失的職能 。 比如我有戰略部 ， 我會先進行觀察分析 。
華為有「五看三定」的方法論 。 我跟朋友開玩笑說 ， 我們創業只要用這一套 ， 就能干掉 99% 的競爭者 。 所謂五看 ， 是看行業趨勢、看市場客戶、看競爭對手、看自身能力、看戰略機會；三定則是定控制點、定目標、定策略 。 這套方法論足以篩選掉絕大多數競爭者 。 因為大部分人下棋是亂下的 ， 他們依賴快思考 ， 而高手默認開啟的是深度思考與推理模式 。 第一反應是 ， 我要作為統帥去思考這件事該怎么做 。
張鵬：所謂「五看三定」本質上就是不要「應激反應」 ， 要固化一個長推理的過程的意思唄 。
劉夜：高手都是 deep research 加上 thinking 的模型 ， 知道首先看全球的最佳實踐和信息 ， 然后總結分析 ， 進行深入思考推理 ， 但是出答案 ， 出手就是一招制敵 。
所以我認為未來的競爭核心只有一件事 ， 就是給傳統產業的業務進行建模 ， 將其抽象成具備系統能力 ， 且能夠做智能體編排的能力 。 這就是新一代的組織發展（OD）能力 ， 且會升級為 AIOD ， 這是未來唯一的核心競爭力 。
阿里的核心優勢就在于建組織 ， 組織建設到位后 ， 無論面對什么對手、開展什么業務 ， 都能具備競爭力 。 而且馬云曾說 ， 打仗的目的并非一定要搶占某個領域 ， 而是通過打仗實現組織的成長 。 阿里是以組織成長為核心衡量標準 ， 來判斷一場仗是否值得打 ， 這是一種非常高階的思維 。 馬云本人就像一個超級信息樞紐 ， 每年飛行 200 次獲取各類信息 ， 回來后用于完善組織建設 。 他才是真正意義上的董事長 ， 而非單純的首席執行官 。
這就是我們所見到的最高級的組織形態——能夠跨越幾代人、覆蓋不同產業 ， 既能連續獲得成功 ， 在陷入衰退后還能調整回升 。 通常而言 ， 一家公司如果十年內任命錯了首席執行官 ， 大概率會走向衰敗 。 所以說 ， 以史為鑒 ， 用更高維度的視角降維看待當下的發展 ， 即便對現有模式做一些裁剪和優化 ， 也比從底層從零開始構建要高效得多 。
現在任何人都能輕易搭建一個 agent ， 員工上手門檻極低 ， 再加上開源社區的加持 ， 行業已無太多秘密可言 。 在工具層面的內卷 ， 是永遠比不過開源社區的 。 那么 ， 什么才是開源社區所不具備、無法復制的核心競爭力？

04
AI 組織的物理學：
為什么「漸進式暴露」是關鍵？

張鵬：「上個時代」談論組織時 ， 會強調例如組織文化、價值觀、KPI 等一系列內容 。 當我們從上個時代的組織管理 ， 過渡到 AI agent 組織的新時代 ， 哪些內容可以徹底摒棄 ， 哪些內容可以保留但需要轉化？
劉夜：Anthropic 之所以推出 skills ， 核心原因包括 AI 編碼領域的「漸進式暴露」理念——AI 若接收大量雜亂信息 ， 會出現上下文腐化、注意力不足導致的混亂 ， 漸進式暴露才能讓 AI 保持良好注意力并輸出優質結果 。 若依靠人工實現漸進式暴露 ， 本質上就是全人工對話 ， 效率低下 。 因此 ， skills 的核心價值的是將復雜任務分層拆解 ， 實現對 AI 的漸進式暴露 。
這與公司管理邏輯一致：董事會聚焦戰略問題 ， CEO 聚焦策略問題、管理高管 ， 員工處理簡單事務 。 若 300 人同時參與同一會議 ， 這個會就沒辦法開了 。 組織存在的核心意義 ， 就是實現信息的分層處理 ， 如同數據庫三范式通過信息壓縮分層提升效率 ， 復雜問題必須分層拆解、漸進式暴露 ， 而非一次性輸入大量上下文 ， 這正是傳統企業組織形式的核心邏輯 ， 畢竟特定時間內的算力是有限的 。
張鵬：模型每次都要耗費巨大算力從頭開始創造 ， 效率太低 。
劉夜：不可能實現 ， 核心還是依靠分層的漸進式暴露 ， 該調用的資源必須調用 ， 這是由 AI 模型的能力邊界決定的 。 此外 ， Anthropic 推出 skills 的另一原因 ， 是復雜任務已超越基礎物理學定理 ， skills 能將復雜任務拆解為一個個低維簡單任務 。 任務的核心區分維度并非難易 ， 而是復雜程度——存在低維難、高維難等不同類型 ， 比如程序員編碼、解數學題 ， 就屬于低維高難度任務 。
地平線余凱提出過一個經典模型：所有工種可按「競爭程度」和「維度高低」分為四個象限 ， 即高維高競爭、低維低競爭、低維高競爭、高維低競爭 。 其中 ， 銷售和工程師屬于低維高競爭 ， 產品經理和 CEO 屬于高維高競爭；科學家則屬于高維低競爭——這類課題可能全世界僅一人研究 ， 競爭度低但維度極高 。 像優質短劇、好小說這類高維高競爭任務 ， 目前 AI 尚無法完成；而代碼優化這類低維高競爭任務 ， AI 已能很好勝任 。 越高維的任務 ， 數據源越少 ， 但訓練模型所需的數據量反而越大 ， 這也是文本模型先出現、圖片和視頻模型后出現 ， 且短視頻模型難以落地的核心原因 。 這種高維任務與高維數據的供需矛盾 ， 只能通過 skills 拆解任務來彌補 ， 就像企業中找不到高級崗位人才時 ， 會將其拆分為三個基礎崗位一樣 ， 唯有 CEO 這類高維崗位不可替代 。
張鵬：低維高競爭的任務 ， 大概率會被 AI 完全替代 。
劉夜：百分百會被替代 ， 而且這種替代已經發生 。
張鵬：確實如此 ， 因此所有低維高競爭的事 ， 都應盡快用 AI 解決 ， 可將其拆解為 skills ， 再通過 agent 組織實現落地 ， 這個過程中不一定需要人類參與 。
劉夜：我有一個初步設想 ， IBM 和埃森哲作為全球最大的兩家咨詢公司 ， 核心業務本質是提煉產業最佳實踐 ， 并與數字化對齊 ， 售賣的是流程而非工具 。 企業采購風險流程、IP 時 ， 都會請咨詢公司落地實施 。 我們當前的核心工作 ， 就是構建 skills 集群 ， 找到各領域頂尖專家 ， 提煉其能力并對齊 ， 形成標準化 skill set 。 這與作業盒子的模式類似——作業盒子聯合北京四中、人大附、高考出題組及學而思的老師 ， 提煉出題、講題、批改等核心方法 ， 再聯合百度算法工程師搭建系統 ， 本質也是對齊最佳實踐 。 而組織能力的核心 ， 就是組建優質跨界團隊 ， 既要懂產業、懂工程 ， 也要能聯動各垂類頂尖行業專家 ， 同時具備商務、人才招聘和管理能力 ， 這也是新一代 AI SaaS 企業的核心構成 。
張鵬：進一步推演 ， 未來應從業務維度反推所需的組織形態 。 組織本質上是一種編排結構 ， 類似業務操作系統——將人作為生產力單元放入適配的組織 ， 就能發揮最大價值 ， 反之則無法高效運轉 。 如今生產力要素已發生替換 ， 從依賴人力變為可無限供給的 AI ， 且只要形成正循環就能持續擴容 。 過去的組織文化 ， 如今可能轉化為目標和上下文 ， 不再需要口號、三板斧會議、破冰等形式 。
劉夜：文化是管理意圖而非業務意圖 。 上個時代 ， 戰略始于愿景 ， 愿景決定價值 ， 組織服從于戰略 ， 業務驗證一切 ， 而文化只是治理組織的手段 ， 不直接服務于戰略 ， 甚至可能只是創始人的個人偏好 。
張鵬：過去人服務戰略的過程中存在大量間隙 ， AI 是否正在消除這些間隙？
劉夜：是的 ， 文化在 AI 時代已不再重要 。 文化是人類組織的信念部分 ， 但 AI 不需要 。 AI 沒有血肉之軀 ， 無需文化牽引 。 AI 核心需求是算力 。
張鵬：你的意思是說 ， AI 需要的是目標和原則 。 一份文檔就足以明確目標和原則 ， 所有生產力單元都能立即同步、忠實執行 ， 不會出現偏差 。 人類組織中很大一塊摩擦力就消失了 。
劉夜：是的 。 原來的組織：戰略→文化→人才→執行 ， 現在的 AI 組織：目標→原則→Skills→編排 。 整個管理鏈條被壓縮了一半 。
【對話劉夜：OpenClaw只是手腳，數字員工到數字組織，造兵到布陣】
05
最后的壁壘：審美與編排

張鵬：企業新的壁壘是什么？人才質量被替換為 Skill Set ， 只要我有審美 ， 就能從全世界獲取最好的 Skills 。 那再往上一層 ， 就是「編排」（Orchestration） ， 對嗎？這會發生什么變化？
劉夜：就像華強北能買到所有電子元器件 ， 但為什么不是所有人都能做出蘋果？喬布斯傳中對審美的定義非常清晰：見過世界上足夠多的好東西 ， 能分辨優劣 ， 就是審美 。 若從未見過好產品、好流程、好組織 ， 就無法做出優質成果 。
張鵬：見識是審美的前提 。
劉夜：見識加天賦 ， 僅此而已 。
張鵬：審美體現在兩種方式：一是主動設計、編排 ， 二是在混沌中識別并選擇涌現出的優質事物 ， 這兩種方式并不沖突 。
劉夜：確實不沖突 。 蘋果的部分成果是自主研發 ， 部分是收購第三方 ， 核心是擁有審美——無需重復造輪子 ， 必要時自主研發即可 。
張鵬：核心在于 ， 是讓 agent 在設定模塊內運行后再確認路徑 ， 實現涌現式編排；還是直接設定好所有路徑 ， 進行設計式編排？
劉夜：涌現是非操控性的 ， 需要先設定種子規則和原則 ， 這才體現一個人的審美 。 就像優秀工程師用 500 行、5000 行代碼就能做出好用的 Openclaw ， 而不合格的工程師寫 5 萬行代碼也無法達到同等效果 ， 底層的種子規則仍需人類設定 。
張鵬：所以不能在混沌中等候涌現 ， 那需要極長的時間 ， 編排依然至關重要 。 這種編排最終是否只能來源于創始人 ， 或者說更像是「制片人」？
劉夜：我覺得制片人這個定義很好 。 確實如此 ， 即便有涌現和規模效應 ， 仍需要數據標注、數據清洗 ， 以及算法的持續對齊 ， 避免無序擴張 。
編排者取決于業務復雜度——復雜業務一個人無法完成 ， 比如拍攝短劇、撰寫提示詞 ， 實際操作中會面臨諸多困難 。 「一人公司」的概念被濫用 ， 世界無法被無限簡化 。 雖然電腦可由一人操作 ， 但一個人難以掌握所有高維能力 ， 像伊隆·馬斯克、李飛飛這樣能精通多個領域、接管任意崗位的超級人才 ， 極為罕見 。
張鵬：若我們能調用全球最頂尖的 agent 和 skill 體系 ， 比如一個優秀編劇 ， 理論上能否借助這些資源 ， 拍出全球知名且盈利的電影？編劇雖有核心亮點（好劇本） ， 但無法完成所有環節 ， 這種「核心亮點+全球資源」的閉環是否可行？
劉夜：這本質是數據問題——是否存在存儲最高維信息的數據 。 比如訓練 CEO 的 skills ， 目前沒有足夠的數據支撐：任正非的萬字長文、馬云的口述 ， 都無法完整呈現他們的高維認知；即便收集全球公司財報、CEO 的所有言論 ， 也無法訓練出能勝任 CEO 的模型 ， 因為 CEO 的核心能力是隱性知識 ， 無法通過文本完全暴露 。
張鵬：也就是說 ， CEO 的核心能力目前還無法被向量化 。 這就約束了「一人公司」的理想構想——即便每個人都能發揮單一維度的優勢 ， 搭配全球頂尖資源 ， 仍缺少核心的編排者 ， 本質還是編排能力的問題 。 歸根到底 ， 擁有最好的「元件」 ， 仍需具備強大的編排能力 。
劉夜：產品經理也是如此 ， 其隱性知識無法完全文本化 。 這也是當前 AI 伴侶、AI 生成內容不夠「鮮活」的本質原因——缺乏高維隱性知識的數據支撐 。 數據量少的時候 ， 重點做 skill；數據量多的時候 ， 再做模型 。 機器人目前無法落地 ， 核心就是缺乏足夠的數據 。
張鵬：由此可推導出 ， 未來公司的競爭勝負點 ， 不再是能否接觸到頂尖模型——初始 AI 資源看似一致 ， 算力也與財力、業務閉環能力相關 ， 最終的差異仍會回歸到「制片人」本身 ， 即其編排能力和目標的創新性、意義 ， 這兩點構成了公司的核心競爭力 。
劉夜：麥肯錫前合伙人曾告訴我 ， 麥肯錫的核心業務就是萃取最佳實踐、建立模型 ， 再協助企業逐一實施 。 比如為中國汽車廠做咨詢時 ， 會向日本同事了解豐田的做法 ， 本質就是復制和落地最佳實踐 。
咪蒙做短劇的案例很有參考意義 。 她是中文系出身 ， 核心團隊卻由清北數學系、計算機系人才組成 ， 專門拆解爆款短視頻的邏輯 ， 最終實現極高的爆款率 。 這種思路本質上是給行業的社會工程建模 ， 即便存在過擬合的可能 ， 但建模的方向是正確的 。
IBM、埃森哲、麥肯錫做的都是這類事——第一代麥肯錫將最佳實踐建模到合伙人身上 ， IBM 則將其轉化為數字化流程 ， 本質都是「售賣管理和流程」 。
張鵬：核心就是提煉最佳實踐 ， 再反復驗證落地 ， 這就是未來商業組織的勝負關鍵 。 只有拆解到位 ， 才能實現高效編排 。 所以你們接下來的核心方向 ， 就是沿著這個思路推進？
劉夜：過去三年我們主要做 AI ToC 業務 ， 用 MetaOrg 的方式重建了整個教學教研體系 。 這不是一個簡單的「用 AI 提效」的故事 。 我們構建了一整套 Agentic 教研組織 ， 背后跑著一個個虛擬的教研 team：語言學習研究團隊負責追蹤二語習得最新理論 ， 垂直語料收集團隊從真實語境中抓取地道表達 ， 對話評估團隊建立口語能力的多維評判標準 ， 對話設計團隊把教學法轉化成自然的人機交互 ， 題目容器設計團隊解決練習形式和內容適配的問題 ， 數據分析團隊從用戶行為里挖掘學習效果的真實信號 。 每個 team 都有自己的 skills、自己的工作流、自己的評估標準 。 目前教材數據打標、監控評估、用戶洞察、產品迭代等 80% 左右的工作 ， 都由 AI 完成 。
我們的發展路徑是從「AI 作為功能」 ， 升級為「AI 作為組織能力」 。 英語老師這個崗位處于中等復雜度 ， 我們已將其抽象出來 ， 通過 MetaOrg 生成其他崗位；若結合最新的 skill 架構 ， 有望構建更高級的崗位 。
目前我們已完成 AI tutor 的全流程搭建 ， 包括編排能力的抽象和工程實現 ， 未來大概率會從 Meta tutor 升級為 Meta 組織——其最小單元是崗位 ， 而非員工 ， 核心在于崗位間的協作與管理 。 我們當前的重點 ， 是對接各行業最頂尖的 CEO ， 因為 CEO 才是核心「制片人」 。
張鵬：所以你們推出的 ， 更接近一個可擴展的部門？
劉夜：目標是朝著「公司」的方向推進 ， 大公司本質也是由多個小公司構成 ， 而最小單元是崗位 。 既要關注全產業戰略選擇 ， 也要從崗位入手推進產品迭代——崗位做不好 ， 即便管理者能力強 ， 也無法形成高效組織 。
張鵬：要做好一個部門 ， 首先要拆解部門相關能力和崗位 ， 再拆解崗位對應的 skills ， 且要追求這些 skills 達到 SOTA 水平 。
劉夜：核心方法只有一個：與最頂尖的被服務企業共創 。 做出來的 skill ， 需要頂尖企業評估是否符合需求 ， 就像下屬寫的方案需要上級審核一樣 ， 不能自嗨 。 比如做短劇建模 ， 需得到行業頂尖機構的認可 ， 否則就不算真正的頂尖 。 一切都需要評估和衡量 。
Midjourney 能做出優質圖片 ， 核心是團隊由攝影師和工程師組成 ， 具備頂尖的圖片審美；LV 用 Stable Diffusion 訓練的圖片模型 ， 效果遠超普通模型 ， 因為 LV 擁有全球最頂尖的圖像審美和數據 。 可見 ， 評估能力才是核心 。 要做 AI 公司 ， 需像 IBM、華為那樣——IBM 服務頂尖車企后 ， 掌握造車的最佳實踐并輸出；華為花費 40 億購買 IPD 流程 ， 既用于自身管理 ， 也對外輸出 ， 這才是核心競爭力 。
張鵬：本質上就是順著最佳實踐拆解 skill ， 實現 skill 的 SOTA ， 再升級為崗位和部門的 SOTA ， 最終編排成業務的 SOTA ， 這是通向業務頂尖的明確路徑 。 還有一個關鍵問題：如何保持 skill 的與時俱進？就像地球生物圈的變異 ， 每個時代的 SOTA ， 在下一個時代可能會被淘汰 ， 如何應對這種變化？
劉夜：核心邏輯與人類和生物進化一致 ， 即感知、規劃、行動、反思 。 保持組織的高人才密度和跨界屬性 ， 一端對接技術前沿（研究者） ， 一端研究業務模式 ， 同時與行業頂尖客戶共創 ， 在真實場景中持續評估和優化 ， 這是唯一的方法 。
張鵬：由此反推 ， 頂尖公司的最佳實踐形成的體系 ， 能幫助中檔公司實現跨越式提升 ， 但這類體系大概率只有有資源、有財力的公司才能使用 ， 中小企業和年輕創業者難以負擔 。 咨詢行業已從傳統服務升級為工具化產品 ， 新生代的機會是否只能在 skill 層面？如何在 skill 層面實現顛覆性創新 ， 避免行業陷入「貴族循環」？
劉夜：上一代 SaaS 行業中 ， Salesforce、Palantir、Notion、Slack 等企業 ， 有的做通用工具 ， 有的做集成服務 ， 證明年輕創業者仍有機會——遠離自身不具備優勢的業務 ， 聚焦通用技能 ， 找到合適的生態位 。 Notion 就是典型 ， 不涉及具體業務流程 ， 只抽象文本記事功能 ， 成為通用工具 。 世界最終會是無數智能體（agent）的分工協作 ， 年輕人需先找到生態位 ， 再結合自身優勢發力 ， 錨定未來趨勢 ， 避免成為時間的敵人 。 過去十年 ， 第一代互聯網創業者多為海歸（靠認知優勢） ， 第二代多為程序員（靠工具爆發） ， 第三代產業互聯網多為二次創業者 ， 規律清晰 ， 年輕人需看清中局和自身優勢 。
張鵬：所以你認為 skill 層面的局部創新和優化作用有限 ， 那么新生代的最大機會可能在于目標創新——識別時代涌現的新目標 ， 結合優質 skill 并持續進化 ， 才能在新目標上構建新體系 ， 實現突破 。
劉夜：skill 的競爭非常微妙 ， 當前 skill 雖火 ， 但若有人對齊更頂尖的人類專家 ， 做出更優的 skill ， 現有 skill 就會被替代 。 這就回歸到護城河的問題：早起者未必能笑到最后 ， 很可能成為更高維對手的「土壤養分」 。
張鵬：怕就怕成為「加載程序」 ， 只是幫更高維的對手完成了基礎鋪墊 。 若只是在現有目標上做效率優化 ， 沒有意義 ， 且效率優勢最終會被抹平 。 所以新生代要實現突破 ， 必須在目標上做出根本性差異 。
劉夜：沒錯 ， 自身無法成長為核心力量 ， 只是滋養了更高維的對手 。 商業的本質很樸素 ， 核心是明確客戶是誰、如何服務客戶、如何讓客戶離不開你 。 任何年輕人若想不清楚客戶是誰 ， 就無法實現優化 。
張鵬：還要關注增量市場 ， 在存量市場中競爭難度極大 。 若你們的業務取得成功 ， 會將對應領域的公司拉到同一先進水平 ， 這些公司既有財富也有認知 ， 年輕人很難在存量中與之競爭 。
劉夜：上一代 SaaS 行業中 ， Notion、Slack 等企業的成功 ， 核心就是目標差異化 。
上一代 SaaS 發展初期 ， 中國基金多傾向投資科學家 ， 后來發現 ， 科學家更適合交流合作 ， 而非創業——科學家所處的高維低競爭領域 ， 與商業世界的高維高競爭邏輯不同 ， 領域維度越高 ， 切換到新領域的難度越大 ， 核心思維模式完全不同 。 任何領域早期都是技術競爭（低維高競爭 ， 技術不成熟） ， 技術成熟后 ， 就進入商業競爭（高維高競爭 ， 產業人、產品經理、業務從業者主導） 。 比如蘋果手機剛推出時 ， 排行榜應用多為程序員開發；幾年后產業互聯網興起 ， 排行榜上的程序員主導的產品就全部被取代 。
AI 時代若延續移動互聯網的邏輯 ， 硅谷的核心力量仍會是有經驗的從業者 ， 就像中國產業互聯網多為二次創業者一樣 。 年輕人的機會 ， 仍在于找到差異化目標 。
*頭圖來源：AI 生成

    推薦閱讀