跳到主要内容

从个人AI提效到组织AI提效

本文更偏真实组织转型实践:为什么启动、如何衡量、如何推进、人与 Agent 怎么分工,以及转型中遇到的阻力。更抽象、跨组织可复用的组织设计判断放在AI 组织转型,避免两篇重复维护。

1. 为什么要从个人提效走向组织转型?​

我们当时判断这事(AI提效)不太可能会自然发生。更大的可能性是,每个同学确实应用了AI,可能在coding或某些场景里面应用了,但最终整个组织其实不会发生大的改变。

这也是我们当前公司的一个现状。大家会发现我们公司的AI coding占比已经非常高了,现在差不多是65%,最近两周每周推进了10%,应该是整个蚂蚁里面也很高了。但是,我们发现最终需求端到端的交付周期,它的速度并没有太大的变化。这里面到底出现了什么问题呢?

我们觉得有些问题它不会被人主动解决,必须得有一个组织来牵引,让这些问题能够被解决掉。更多的可能是聚焦在这种跨角色的协同、原有工作流甚至流水线的重塑,这些是自然发生不了的。所以我们会聚焦在这部分事情,至于每个团队本身要做的一些AI提效的事情,我们就不会太多的去关注。

理清楚了AI委员会存在的价值之后,我们就会考虑我们的目标是什么。毕竟它还是一个组织,可能会长期存在。在这样的前提下,我们一定得在最开始想清楚我们这个组织到底打算往哪里走,以及我们怎么走到那个方向上去。

2. 目标:不是多用 AI,而是获得净提效​

所以我们成立了一个公司 AI提效委员会,我作为执行主席。我们本质上在解一个什么问题呢?就是希望让每一个人都能以十倍的效能创造价值。

我们的路径,是通过AI重塑现在所有的工作方式,让我们的人专注于价值洞察和创新,其他的重复性工作,基本上都不需要他干了。这是一个全员性的组织,CTO牵头,各个技术域的一号位都参与进来。

  • 愿景:让每一个人都能以十倍的效能创造价值。这里的"每一个人"不只是技术同学,虽然我们现在主要聚焦在工程师的场景里面,但当我们把这一层解决了,一定会有向其他的岗位去推进的。"十倍"更多的是一个量级,而不是一个准确的数字定量。它的定义还是"创造价值"。很多人对AI提效的理解不太相同,我们觉得整体还是要围绕最终要做什么价值。
  • 使命:推动AI重塑我们的工作方式。这个非常关键,不是说让每个人把AI用起来,我们的目标就能达成。我们一定要把我们原先的工作流、角色岗位、职责、边界全部都要改掉。因为原先的这一套东西全部都是为原先那套生产关系所设计的,今天我们的生产关系可能都会发生改变。最终我们会让AI去做各种偏执行的事情,我们人可以专注于做价值洞见和创新相关的事情。

从问题定义可验证目标​

我们的挑战在于几层:

  1. 能力层:我们发过全员问卷,发现绝大部分人当前最困扰的问题是AI的算力和工具保障(注:在集团提供外部模型前)。当你真的用过了最好的模型后,会发现和其它模型存在代差,这种差别体现在使用的幸福感以及真实效率上。必须能让大家用上外部工具和头部模型,只要用上了就回不去了,不用别人催,自己就不太会手写代码了。其次是安全合规风险的担忧,大家担心自己的代码使用外部模型会不会存在风险,我从一开始对这件事持有的态度是支持内部代码使用外部模型(具体原因见文末问答部分)。
  2. 现有流程的AI赋能:当解决了基本的工具和模型层面的障碍后,大家的AI Token消耗和AI Coding占比快速提升起来了,不需要催促大家使用,真正的效率提升是会自然传播的。但我们发现纯粹用AI写代码,虽然在"写"这个环节效率很高,但通盘看整个流程,整体效率提升有限。因为大量时间消耗在写代码前(跟产品开会对需求)和写代码后(发布、测试等环节)。
  3. 流程与角色的重塑:当我们在研发流水线的每个环节每个角色都充分利用了AI之后,效率一定会有明显提升。但过去的经验告诉我们,当纺织厂将蒸汽机改成了电击后效率并没有质的飞跃,反倒是福特改良了生产线,改变了生产效率。我们当前的研发流程和角色分工也是为传统软件工程设计的,这些不改变,最终的效率很难倍数级。

三大目标(2026年年度目标):

  1. 端到端需求交付周期缩短50%:这是我们最核心的目标,用同样的人做更多的需求。我们觉得如果目标定成20%或30%,同学们的做法就会变形,可能会去加班或用其他方式做到提效结果,这不是我们想看到的。我们希望大家要想怎么样达成这个不可能的目标,你可能没有别的路子了,今天只有AI这条路。
  2. 单位需求必要的人工介入、角色交接次数减少50%:在原有的职责分工下,一个需求要涉及大量的角色和人员,就算每个人的效率都起来了,协同成本也非常高。我们希望能够按照理想状态去设计整个工作流程甚至角色分工。
  3. 核心人员AI提效覆盖率100%:这是一个从下到上的逻辑,我们希望每个人都能够真的把AI应用在自己的实际工作流过程中。

3. 人与 Agent:把人放在 Authority Boundary​

当 Agent 能够持续读取上下文、调查问题、验证结果和与其他 Agent 协作后,组织协作的基本单位可能从单独的 Person 逐渐变成 Person + Agent。Raft 在《Don't talk to me, talk to my agents》中展示了一种跨公司形态:双方的人和 Agent 进入同一个 Joint Channel,只共享当前任务需要的成员、上下文和能力,而不是把整个 Workspace 或公司账号开放给对方。

这种设计可以抽象成:

特定任务 + 特定人员 + 特定 Agent + 特定 Context + 特定 Capability

跨组织协作的关键不是“让两个 Agent 都能看到更多”,而是建立一个双方都能理解和撤销的最小共享边界。各自的历史、私有资源、其他权限和内部记忆仍然留在本地;Agent 的自主程度也由拥有它的一方决定。

更重要的变化是人的位置。传统 Human-in-the-loop 容易被实现成“Agent 每做一步都等人确认”,最终把人的审批变成新的串行瓶颈。更合理的组织设计是 Human at the Authority Boundary:

Agent 调查 / 搜索 / 分析 / 验证 / 协作
↓
Authority Gate
↓
Human:生产变更 / 凭证 / 政策 / 架构 / 最终承诺
↓
Agent 继续执行、验证和同步

是否需要人工,不由“这是第几步”决定,而由这一步是否改变责任、权限、资金、生产状态、外部承诺或其他不可逆后果决定。低风险、可回滚、可验证的工作可以持续由 Agent 推进;跨越 Authority Boundary 时才升级给拥有责任的人。

因此组织 AI 化的终态不只是“每个人有一个 Copilot”,而可能是:

Person + Agent → Agent-native Collaboration → Human at Authority Boundaries

这也会改变协作接口。未来一个团队对外提供的不一定只是联系人、文档和工单入口,也可能包括受控的专业 Agent:它携带该团队允许共享的知识和能力,直接处理高频调查与协作;人集中处理例外、判断和责任边界。

提效不是最大化 AI 使用量​

AI 能同时启动更多 Agent,并不意味着人应该同时推进更多事情。Brent Fitzgerald 在《The human is the loop》中把一种常见反模式称为“生产力衔尾蛇”:为了提高生产力不断增加 Agent、自动化和并行任务,最后又花大量注意力管理这些工具和半成品,工具使用本身反而成为新的工作。

这对组织提效有一个直接约束:AI 使用量是过程信号,不是最终目标。 Token、Agent 调用量、AI Coding 占比和人均并行任务数可以帮助判断采用程度和系统负载,但不能单独证明产生了价值。真正优先的仍然是端到端周期、必要人工介入、一次通过率、返工和业务结果。

还需要把 AI Management Overhead 纳入成本:人为了拆任务、补上下文、等待和查看结果、纠错、重新 Prompt、管理并行 Agent 与处理半成品所消耗的时间和注意力。如果 Agent 节省了执行时间,却把大部分收益重新消耗在管理 Agent 上,净提效就很有限。

因此提效应比较:

净收益 = 被 AI 节省的有效工作 − AI 管理、复核、返工与维护成本

对个人也一样。AI 最适合接管高频、机械、可验证,或自己不擅长且不需要通过亲自执行来成长的工作;判断、学习、创造、重要沟通和反思不能因为“可以外包”就默认外包。用 AI 释放注意力,而不是制造更多值得管理的事情。

4. 怎么推进:从工具、场景到组织机制​

这件事不应该按照传统项目管理的模式,将目标抽象成几件事,然后各自认领去解决。这样非常容易出现每件事都做完了,但整体效率变化不大。我们的做法是,委员会层面要想清楚我们当前可预见的终态到底应该是什么样子,基于这个状态,我们反向的推导到底要做哪几件事儿。选调适合做这些事情的人组成执行小组,CTO D层面的作为顾问和Sponsor的角色,不应该做执行的角色。

我们的推导逻辑是:人人能力都能被AI放大 → AI能帮我沉淀技能,甚至做执行,人只需要做判断 → 改变原先的研发流程、重塑研发流 → 对应研发流的角色岗位也发生变化。

整体围绕这个逻辑,我们规划了三件事情:

  1. 第一步:打造所有专业岗工程师的"数字分身"。核心是把所有专业最核心的一些能力沉淀为可复用的技能(Skill),然后把这些技能组合起来,变成它的数字分身,让这些数字分身真的去替代他原先那些偏执行的工作。这个事儿我们不是凭空想出来的,在安全领域,我们已经可以做到这个程度了。这个事的逻辑,我们觉得还是应该从上往下推。你这个角色到底最重要的技能是什么?最重要的知识是什么?怎么把这些沉淀下来?你必须要按照这个目标去沉淀。在整个公司要统一按照这套逻辑去推进。
  2. 第二步:探索AI原生的研发流。我们发现很多其他的公司把后端研发工程师的角色做成了AI,让这个AI角色基于现有的工作流去找产品问需求、写代码。但你会发现这条路走下去,提效是有限的,你只有把最终的工作流给他重构掉。我们怎么重构?我们今天设立了几个"特区"实验田,让他们去探索不同复杂度类型的需求(如AI原生产品、面向B端、面向C端、面向支付复杂链路等),端到端的最终实现和技能的沉淀。它的解法不一定是一套方法论就能覆盖的。我们希望各个团队围绕课题探索出来,交付的是他们的最佳实践、沉淀出来的Skill以及过程中的规范标准。这些沉淀下来,我们那个平台就自然而然会产生了。这里也涉及到一个我们原先走的弯路:我们原先第一步就想把平台建起来,提供全流程一站式搞定。但发现这个事儿太理想了,落不下来,因为每个场景的差异性太大了。此外,基础模型以及上层通用Agent工具的能力变化非常大,我们的平台很可能做完就落后了。因此,我们应该要抓住那些不太会变化的部分。
  3. 第三步:推动组织机制与角色进化。假设这个事儿做成了,终态可能就是"少数的专家 + 大量专业Agent"来做协作。这意味着我们现有的非常多工程师,他不再需要做原先那些非常重复执行的工作了,就需要有其它的发展路径。
    • 专业岗工程师:比如安全工程师,以前是参与大量的评估工作,现在工作模式已经变了,我们会维护好安全的"数字分身",让他去把那些执行的工作都做好,而工程师更多地去维护我们这个能力的效果,怎么把它做得更好。随着AI对软件技术的革新,攻击者也会使用AI,导致两边需要不断对抗,不断要去面对新的风险。
    • 研发工程师:他的发展路径可能是从后端研发演变成前后端通吃的研发工程师,甚至是再往后一步,演变成AI全栈工程师,要懂质量、懂安全,再往后可能还要懂产品。最终这个角色可能啥都会,有点像"一专多才"的角色,往"超级个体"去发展。

核心实践:安全领域的“数字分身”​

我们在安全领域基于Claude去做了一个7*24小时的"数字分身"平台(蚁窝),核心是让所有的工作都能有一个虚拟的人真的在帮我们干活。

  • 基础原子能力:我们日常工作本质上就是基于上下文的原子能力的组合。这里的原子能力有很多层,包括最原始基础的API层(语雀/代码库/ODPS/开放接口等),上层是MCP/CLI/Tool(将API封装成可稳定调用的原子操作,比如dingtalk-bot、db-query-cli等)。我们会把非常多基础原子能力先给它做好,比如访问某个接口、拿到某个需求在Dima里的信息等。
  • 沉淀Skill:安全工程师也分不同角色,有做代码审计的,有做渗透测试的。他们的经验要基于自己的领域专业知识去操作那些原子能力,我们怎么样能把它沉淀下来(领域规则、测试集、单点经验、工作流SOP等)。这个平台的核心就是让你能够以非常低的成本来写一个新的Skill。
  • 重塑工作流:当你把工作完成AI化之后,会发现效果可能还是有限,因为你还是在原有的工作流中完成。我们之前重点做代码审计,做完后发现安全工程师确实不用做代码审计了,但大部分时间都去处理工单、沟通协作。我们后面就把整个安全工作的全链路全搬到这个平台上,并且重塑了。我们把安全依赖的各种上下文信息、事件、原始数据做一层统一收口,然后我们写技能的时候,就可以方便地拿到所需的数据和事件触发。整个安全工作的流水线就能快速的调整和复用。
  • 数字员工的交互:我们会为他申请一个拟人的钉钉账号(目前是机器人,后续可以是员工账号),这个人是真的可以复刻我们原先员工的所有的技能。你可以跟他聊天,让他干任何的事情。他在做各种事情的过程中,如果有什么需要信息澄清的,他就会主动的去联系对应的人。

5. 人才与组织:人的稀缺能力向上移动​

  • 组织模式:未来组织可能会变得比较扁平。之前推演过,未来中层纯管理角色将大幅减少,变成少数专家+大量agent模式。中层管理的原有个人竞争优势(知识广度、专业域能力深度)和管理能力(上传下达、协调、决策)都将被使用AI的超级个体快速抹平。
  • 绩效与文化:我们目前全员宣导,让所有的管理者和工程师把AI提效作为他最重要的一个目标。在今天这个时间节点,这件事已经是一件高度确定性的事情,不再是某一小部分人的事情,这不仅关系着组织的效率,更是每个人自身的竞争力。
  • 人岗匹配:
    • 从执行者到AI管理者:人必须还是要为AI的结果负责。虽然我们希望AI能更全地接管人的职责,但是你必须得为他设定一个负责人,那个负责人要为他的所有结果负责。
    • 从专才到通才:这是未来的发展方向。
    • 岗位安全感:当"数字分身"做好后,比如我们觉得今年就可以做到80%的安全领域任务都能够做到"数字分身"里面去,这意味着大量的人员变动,其实对我们安全核心的保障目标不会有太大的变化和影响。

AI Native 人才能力​

当执行、搜索、生成和局部专业知识越来越容易被 AI 放大后,人才价值不能只按“过去做过多少”“一个人能手工完成多少”衡量。月之暗面付强公开分享过一组 AI Native 人才判断:Curiosity、Taste、AI Scale、Learning Rate 和 Generalization。与其把它固化成五个“大于号”,更适合转成一条能力链:

问题发现 → 独立判断 → AI Scale → 快速学习 → 跨域迁移

问题发现决定把算力和时间投入哪里。答案越来越便宜以后,能否发现真正值得解决、尚未被定义清楚的问题会更加稀缺。

独立判断决定是否只得到平均答案。AI 可以快速提供主流方案和大量候选,但什么是好结果、哪些假设值得继续、什么时候应该逆着共识调查,仍需要人形成自己的 Taste 与标准。

AI Scale 不是“多开几个 Agent”,而是把个人方法从一次性手工劳动转成可重复运行的 Skill、Workflow、Harness、Eval 和 Agent。真正的杠杆是让经验能够被系统复用,而不是提高个人同时处理消息的数量。

快速学习意味着能力评价从静态 Experience 转向 Learning Rate。模型、工具和岗位边界持续变化时,过去的经验仍有价值,但更重要的是能否快速发现旧经验失效、建立新模型并通过真实任务验证。

跨域迁移不是要求每个人什么都懂,而是拥有可迁移的问题分解、系统思维和学习方法,再用 AI 快速补齐局部知识。未来“全才”的核心不是记住更多领域知识,而是能够把一个领域验证过的方法迁移到新的问题空间。

这也补充了“少数专家 + 大量 Agent”的组织终态:专家的定义不应只是某个固定领域里积累最久的人,而是能够发现问题、形成判断、把方法系统化,并持续把能力迁移到新边界的人。

6. 实践中的几个难题​

管理者怎么带头​

AI 会快速压低知识获取、信息整理和局部技能的稀缺性。管理者的优势会更多转向目标、判断、资源配置和责任承担。团队行为又往往映射主管行为,因此管理者不能只要求团队使用 AI,自己仍沿用原来的工作方式。

一个直接实践是:重要方案提交讨论前,先让 AI 从主管、客户、执行者和反对者等角色审视方案,把低成本的质疑和补充尽量提前完成;人负责最终取舍。

转型为什么会让人更忙​

AI 接管执行后,人的想法可以更快落地,新的瓶颈会从执行能力转移到注意力和优先级。如果因此同时启动更多项目,AI 节省的时间会重新消耗在协调、复核和切换上。

所以转型不能只看“做得更多”,还要主动减少低价值工作、限制 WIP,并把前文的 AI Management Overhead 计入净收益。

共性能力为什么需要组织治理​

多个团队各自建设相似 Agent、平台和 Skill,会把局部积极性转成重复建设。适合共享的模型接入、Harness、Eval、Skill 和基础设施,应由跨团队机制识别并沉淀;领域差异则留给业务团队扩展。

无法靠团队之间自然协商解决的资源冲突,需要由更高层或相对中立的机制按整体收益做取舍。

AI 提效后,人往哪里走​

短期内可以看到三类方向:成为少数负责复杂判断与关键问题的专家;维护和持续改进 Agent / Skill / Eval 等数字能力;进入 AI 带来的新专业领域,例如新的安全攻防与治理问题。

这里不应承诺所有岗位数量保持不变,也不能把组织效率提升简单等同于裁员。更重要的是把未来需要的能力和迁移路径提前讲清楚,让人知道应该向哪里发展。

安全合规不能靠“敢不敢用”​

是否允许外部模型处理代码、文档或业务数据,应由数据分类、核心资产识别、供应商条款、访问控制和技术隔离决定,而不是笼统地认为“代码都不能出去”或“没有密钥就可以随便用”。

安全团队的目标是把边界工程化:哪些数据允许进入哪些模型,哪些必须脱敏、隔离或禁止,如何审计和撤销。这样业务可以在明确边界内使用更强能力,而不是让每个工程师自行承担合规判断。

接着读什么

吴飞飞 · Feei网络安全从业者,生活在杭州。记录安全建设的实践,也记录普通的日子。

不固定更新;RSS 只推送新文章,正文修订不重复推送。