跳转至

fanling company as agent ai org reflection v2

Ch04.180 fanling company as agent ai org reflection v2

📊 Level ⭐⭐ | 11.8KB | entities/fanling-company-as-agent-ai-org-reflection-v2.md

范凌：当公司变成Agent，关于 AI 时代组织的 5 个反思

"AI跃迁者调研" 是 AI 透镜的深度对谈系列。跃迁不是线性的进化，而是推翻迭代再重建。我们每期会邀请一位AI跃迁者—AI 原生创业者、AI转型的企业一号位或用 AI 重做自己的超级个体，分享他们想的结论、拆的过程、建的逻辑、交的学费，和在持续变化里守住的东西，给同样走在这条路上的人一些真实的参照。 第一期，我们邀请到特赞 Tezign 创始人兼 CEO、同济大学教授、博士生导师，设计人工智能实验室主任范凌博士。特赞是一家成立 10 年的企业级 Agentic AI 公司，致力于基于自研Generative Enterprise Agent （ GEA） 架构，构建能够理解企业业务语境、参与复杂决策并持续推动结果产生的企业级智能体系统，帮助企业实现增长、创新与生产力提升，长期服务企业的用户洞察、产品创新和营销增长。更重要的是，它自己也在用 AI 重做组织：从 pod 变革，到 community 培养，再到用 skills、context 和 orchestration 搭建 Generative Enterprise Agent。 我们和范凌聊了 AI 如何改变组织架构、人才密度、客户交付和产品壁垒，也聊了这些变化背后没被解决的问题。 1. "AI 不是帮研发提高效率的工具，而是帮那些需要研发资源的人拿到研发资源的 Agent。" 2. "AI fundamentally 是反千行百业和职业划分的，它让我们重新回到一种文艺复兴式的全能状态。" 3. "Leadership、ownership、responsibility、resilience 这些听上去虚的东西，在 AI 时代反而变得非常具体。 4. "绝大多数公司还停在 copilot 阶段：给原来的职能加 AI。但 AI 的能力已经发展到可以按照 AI 来重新设计组织。。" 5. "AI原生组织不是人的工作流里嵌上 AI，而是 AI 的工作流里嵌上人的 judgement。公司可以是一个 Agent，人是在这些 Agent 里面提供判断的角色。" 6. "现在是产品过剩、用户不足的时代。增长会越来越难，也会越来越重要。AI 时代要 focus 在那些 AI 不能压缩时间的能力积累上。" 调研嘉宾简介： 范凌 特赞 Tezign 创始人兼 CEO、同济大学教授、博士生导师，设计人工智能实验室主任。特赞成立 10 年，长期用人工智能技术帮助企业解决用户洞察、产品创新和营销增长问题。在这场对谈里，他分享了特赞内部的 pod 组织变革、AI工具 dogfooding、企业上下文系统、Atypica / GEA 等产品探索。 余一 腾讯研究院高级研究员，主要研究AI原生产品创新和公司变革，多年风险投资及生态孵化经历。领英中国年度行家、腾讯年度AI优秀行家和优秀分享，得到 AI 学习圈导师。 【调研速览】特赞的 AI 原生组织实验 变革触发点：用 C ursor 最好的不是 研发 范凌一直在观察公司内部谁把 AI 工具用得最好。答案出乎意料——不是研发，而是产品经理和设计师。他们用 Cursor 拿到了过去必须排期等研发才能获得的资源。这让范凌意识到，AI 不是让专业分工更快，而是让一个人跨越多个角色。工业革命以来"一人一岗、逐级晋升"的组织假设，正在被从底层动摇。他把这叫作"AI 是反工业革命的"。 组织 动刀：p od + community 双轨制 基于这个判断，范凌对组织开了两刀。第一刀是把全公司切成 pod——3 到 10 人的跨职能小队，内部闭环交付，不再依赖跨部门拉通。三年前特赞就试过一次 pod，失败了，因为大家心理上还没准备好。但 AI 让团队自发减少了横向调配，pod 的土壤成熟了。第二刀是在 pod 之外建 community：横向社区帮所有人补齐销售、产品、代码等跨界能力，并专设 Leadership community——范凌判断，AI 时代带 100 个 Agent 比带 10 个人更难，pod leader 需要的不只是 AI 能力，还有 P&L、商业直觉和耐心。 一个伴随组织变革出现的现象是角色边界在溶解。Marketing 的人开始用 Claude Code 写脚本抓 LinkedIn 联系人，实质上已经是 Marketing Engineer；产品经理和设计师用 Cursor 直接出功能，不再等研发排期。研发占比从过去的 50% 持续下降，但"会写代码的人"反而变多了。 文化引擎：创始人下场 build 组织架构只是骨架，真正让 AI 跑起来的是文化。特赞也做系统培训 （ABC Plus 项目） ，但范凌发现更有效的推动力是创始人亲自下场。他和 CTO、产品负责人三人组成的小团队，用 AI 做新产品，带来的用户增长远超其他 7 人团队。午饭、咖啡时间给同事秀 demo，其他 pod leader 也跟着秀。久而久之，内部形成了"自豪地展示自己 build 的东西"的习惯。这种 dogfooding 文化的传染力，远超自上而下的推广。 基础设施：分层上下文系统 特赞是一家有深厚文档文化的公司，连会议录音都会转成文档。范凌正在搭建分层的上下文系统：公司级放 schema.md 等指导性文件，像索引一样指向过去积累的几亿个文档；pod 级是各小队的专属上下文；个人级是每个人自己的对话和偏好管理。他强调上下文不是越丰富越好——有些场景需要的是框架而不是细节。企业级上下文还必须处理权限和保密，范凌举了个例子：他在投屏时搜 Wi-Fi 密码，AI 顺带把只有他权限能看的保密密码也搜了出来。他倾向于把某些核心数据压根不放进上下文系统。 产品分享：GEA，Atypica 产品层面，特赞的布局围绕一个核心逻辑：积累 AI 不能压缩时间的东西。 GEA （Generative Enterprise Agent） 是企业级 Agent 架构。不执着于单个 Agent，而是把重点放在 Context 和 Orchestration 上——一个 Lead Agent 带若干 Sub-Agent，配上企业的 Skills 和 Context，在用户洞察、内容增长、产品创新等领域搭出企业专属的 Agent 项目组，相当于 7x24 小时运转的虚拟公司。 Atypica 做的是"理解人的 AI"。基于约 100 万个真实用户的表达、故事、认知和行为数据，用 AI 构建主观世界模型来模拟消费者和专业用户。一个典型案例：美国教授用 2 万个真实家庭样本，让 AI 生成 1000 个典型人物画像，模拟夫妻和双方父母围绕生育话题的讨论，再不断注入政策变量观察行为变化——这是把 AI 用在社会科学研究上。 Game Lab （game.atypica.ai) 解决的是 AI 模拟人的准确性问题。让真人和 AI 玩同样的经济学博弈游戏 （电车难题、最后通牒博弈） ，用真人数据不断调优 AI 的表现，直到 AI 的决策和真人无限接近。这是特赞做 evals 的核心手段。 商业闭环：场景发现驱动客户对话 pod 在内部跑起来之后，对外的打法也变了。pod leader 实际上成了"场景发现官"：用 AI 从 600 多个客户需求中提炼出约 100 个共性场景，再用 SPIS 方法（Situation-Pain-Impact-Solution）结构化。拿着"别人的痛点"去和客户聊，比拿产品 demo 更容易打开对话——客户会觉得"你懂我"。pod leader 大约花 30%-40% 的时间在场景收集上。 代价与未解的张力 最会用 AI 的人反而最累——能力边界扩张后，...

相关实体

→ 原文存档

深度分析

范凌的核心洞见"AI 是反工业革命的"揭示了这场组织变革的本质。工业革命以来，"一人一岗、逐级晋升"的组织假设建立在专业分工可以提高效率的前提上。然而，当 AI 工具（如 Cursor）让产品经理和设计师能够跨越到原本属于研发的领域时，这种假设开始动摇。AI 不是让专业分工更快，而是让一个人跨越多个角色——这意味着组织设计的底层逻辑需要重新思考 。

特赞的 pod + community 双轨制代表了一种新的组织形态。pod（3-10 人跨职能小队）追求高内聚、低耦合，内部闭环交付，减少跨部门协调成本。community 则承担能力补齐和文化传承的功能，尤其是 Leadership community 专门培养 AI 时代的管理者。范凌的洞察是：AI 时代带 100 个 Agent 比带 10 个人更难，因为 pod leader 需要同时具备 AI 能力、P&L 视角、商业直觉和耐心等复合素质 。

创始人 dogfooding 的文化引擎作用被严重低估。特赞的系统培训（ABC Plus 项目）效果有限，而范凌、CTO、产品负责人三人用 AI 做新产品并随时给同事秀 demo 的非正式方式，反而形成了强大的示范效应。这说明 AI 时代的组织变革不能依赖传统的培训体系，而需要创造让员工亲眼看到、亲手体验的场景 。

分层上下文系统的设计体现了对 AI 时代知识管理的新思考。特赞过去积累了数亿文档，现在通过 schema.md 等指导性文件作为索引，在公司级、pod 级、个人级建立立体结构。关键洞见是"上下文不是越丰富越好"——有些场景需要框架而不是细节。企业级上下文还面临权限和保密的挑战，范凌的务实做法是将核心敏感数据排除在上下文系统之外 。

GEA（Generative Enterprise Agent）架构的核心理念是"不执着于单个 Agent，而是把重点放在 Context 和 Orchestration 上"。一个 Lead Agent 带若干 Sub-Agent，配上企业的 Skills 和 Context，形成企业专属的 Agent 项目组。这种设计思维与 SageMaker AI 的技能编排理念高度一致，说明企业级 AI 应用正在从"单点 Agent"向"Agent 系统"演进 。

实践启示

  • 从职能型组织到能力型组织：传统按岗位划分的组织模式正在被 AI 稀释，企业应重新设计岗位描述和能力模型，允许并鼓励跨角色协作
  • CEO 必须亲自下场的双重含义：AI 转型不仅是战略决策，更需要在产品层面亲自体验和示范，用实际成果而非说教来推动组织变革
  • 场景发现能力成为核心竞争力：在产品过剩、用户不足的时代，pod leader 花 30%-40% 时间在客户场景收集上，用 SPIS 方法结构化提炼共性需求，比直接推销产品更有效
  • 上下文系统设计要克制：建立分层（公司级/团队级/个人级）的上下文架构，但避免过度填充；某些核心数据应主动排除在 AI 可访问范围之外
  • 评估体系是 AI 产品的生死线：从 0 到 0.1 的 Demo 容易，但进入生产环境需要可靠的 Evals 体系。特赞的 Game Lab 方式值得借鉴：通过真人数据与 AI 决策对比来持续校准 AI 行为