张天乐：AI 原生第二曲线，先判断做不做，再重新设计组织

在艾语智能，企业系统里每天会发生 300 多次自动迭代，经营数据由系统持续读取，问题由 AI 主动发现，常规任务也由 AI 编排和推进。人只需要在目标、标准、边界和关键抉择上负责。

艾语智能 CEO 张天乐连续创业 13 年，前面两家公司都被并购。2026年8月16日，在混沌创新院26级第二模块的现场，他以《AI 时代的第二曲线》为题，分享了艾语智能建设 AI 原生企业的一线实践。

围绕新业务、真实交付和组织变化，他讨论了四个问题：

• 如何判断一个业务值得被 AI 重做？张天乐给出三道“否决门”：业务面对的问题是否正在持续增加，AI 是否真正改写单位经济或服务边界，企业能否借到第一曲线已有的认知、流程与执行基础。

• AI 怎样进入真实交付？AI 最大的价值是帮人做判断。数据和业务经验需要写成系统可读取的规则，AI 才能发现问题、编排任务，并通过结果和反馈持续修正。

• 当 AI 开始发现问题、执行任务，组织该如何“跟上工具”？AI 处理高频执行、发现问题和组织跟进，人负责决定什么值得做、什么算做对、什么不能做。工具变了，判断、执行与反馈的分工也要跟着改变。

• AI 原生转型，第一步怎么做？不必先改造全公司，从一个真实问题开始已经足够。先选一个正在发生、结果可以验证的业务问题，写清目标、标准和边界，让 AI 进入真实交付，再根据运行结果持续修正。

以下为课程精华

先判断值不值得做，再决定 AI 怎么做

很高兴有这个机会跟大家分享。对我来说，这次分享也是一次业务梳理。接下来想把我们这些年做 AI、做业务、改组织的过程放在一起，和大家讨论：企业面对 AI，到底该从哪里开始。

市场上有很多概念，Agent、Workflow、AI 加业务、业务加 AI，大家经常花很多时间争论一个系统到底应该叫什么。在我看来，名字没有那么重要。企业真正要回答的是，这件事值不值得做，AI 有没有进入真实交付，客户是否愿意为结果付费。

我们给自己定下的使命是，用 AI 破解传统方式难以解决的难题，为社会带来更多善良与正义。使命必须在真实业务结果中接受检验。我们现在有两条业务曲线，一条是小额逾期债权的司法调解与处置，最终结果看实际回款；另一条是数字版权侵权治理，最终结果看侵权率是否下降。

对一个创业方向或企业新业务，我会先过三道“否决门”。三道门都通过，才值得进入；少一条，我们就不做。

第一扇门：问题本身有没有变多？

先看需求是不是绝对增量。很多行业看起来很大，但增长只来自抢别人的存量份额，这种机会未必适合一家新公司。更值得关注的是，行业结构发生了变化，旧问题还在，新问题又不断增加，原来的解决方式已经跟不上了。

以我们的小贷业务（小额逾期债权的司法调解与处置）为例。随着时代变化，线上立案通路逐渐打通，可受理法院增多；银行经营压力加大，银行端的处置需求和预算也在增加；监管对合规的要求越来越高，过去粗放、甚至不合规的处置方式已经难以为继。需求没有消失，但客户需要一种以司法调解为核心、合规规模化、能够真正产生回款结果的新方案。

IP 业务（数字版权侵权治理）也一样。AI 时代到来后，RPA 和 workflow 的出现降低了内容上线与发布的门槛，AIGC 又让内容数量迅速增加，侵权从货架电商里的图文盗用扩展到直播、短视频和图片等多模态场景。侵权会反复发生，形态也越来越复杂，不是一次处理完就结束，品牌需要持续治理。

这两类问题有一个共同点：行业结构已经变了，问题在持续增加，老方法的成本和覆盖能力都跟不上。只有这种增量，才可能形成真实的付费意愿。

第二扇门：新 AI 有没有重做老问题？

第二道门看单位经济和覆盖边界。AI 是否改变了成本、复杂度和服务规模，是否真正进入交付链，而不只是给员工加了一个聊天工具。

在我们的小贷业务里，过去的诉状和法律文书依赖人工撰写，质量参差不齐，长尾案件的单位成本很高。大模型进入后，我们可以批量生成高质量法律文书，把材料、回复、立案和任务编排连成一条作业链。目前这条业务每月立案规模达到数千至上万笔。

在 IP 业务中，过去主要靠关键词匹配，视频、直播和图片中的侵权内容很难识别。多模态模型进入后，系统可以覆盖更多内容形态，并把识别、投诉、取证和案件推进连接起来。目前这条业务每月立案规模达到上千笔。

规模变化来自一整套交付链的重新组织，单独一个文书生成器或识别工具做不到这一点。

技术进步经常不是线性的。一个关键成本可能在很短时间内下降一个数量级，原来做不了的事情突然能够成立。企业要对这种拐点敏感，在技术还没有完全成熟时，就开始判断它未来可能改变什么。

这里也有反例。比如 AI 生成法律合同，生成质量可以很高，但质量高不等于客户能够独立验证质量，也不等于客户愿意为差异付费。如果技术只把生成做得更快，却没有改变可验证的业务结果，商业闭环仍然没有成立。

第三扇门：能不能借到第一曲线的力

第二曲线最好不要从零开始。企业已有的客户理解、流程经验、合规边界、数据和执行基础，能不能被新业务复用，会直接影响启动速度和试错成本。

我们做小额逾期债权的司法调解与处置，能复用过去对信贷、客户、法律流程、合规边界和批量执行的理解。进入数字版权治理后，虽然客户和场景变了，但法律与执行基础仍然可以复用。与此同时，新业务需要重建内容采集与识别、版权权利链、新客户关系和新场景判断。

这是一部分复用，一部分重建，而不是把过去的东西原样搬过来。

有人会问，能不能直接照搬美国的 Harvey。美国模式成立，不代表中国本地的客户结构、作业流程和付费条件也成立。行业知识如果只停留在概念里，很容易让人高估自己。真正能降低创业学习成本的，是已经进入过现场、处理过问题、知道边界在哪里的业务经验。

这是我们内部的二维价值模型，X 轴是 AI 带来的规模和效率，Y 轴是业务本身向上创造的新价值。

在小额逾期债权处置中，X 轴是立案、材料和跟进的规模化，Y 轴则是从单一的司法处置，走向更有温度的调解服务。我们希望帮助借款人通过可持续的分期安排走过困难时期，最后形成实际回款。

在数字版权治理中，X 轴是检测、投诉和立案效率，Y 轴是从一次打击走向持续治理与运营。最终要帮助内容和品牌在合法授权、合规经营的环境里运行，而不是只追求处理了多少条侵权链接。

AI 提效解决的是“能不能规模化”，业务升维回答的是“这件事为什么值得做”。两条轴同时成立，第二曲线才有长期价值。

怎样才算是一家 AI Native 公司？

公司刚成立时，我们就一直在讨论，什么才算一家 AI Native 公司。我们做过很多版本，也推翻过很多版本。现在回头看，AI 原生不等于公司用了多少模型、做了多少自动化，也不等于给每个部门配置一个 Agent。

AI 原生的核心是三个变化：AI 帮人做判断，AI 给人下任务，AI 让组织在运行中持续优化。

变化一：AI 帮人做判断

AI 最大的价值，是帮人做判断。很多企业最早把 AI 当成自动化执行工具，让它替代重复劳动、提高效率、降低成本。这当然有价值，但 AI 更大的价值是让真实情况持续被看见，让判断有依据，人可以把精力放在更高层的抉择上。

AI 在企业里的应用需要双向推进。一条路是自下而上，从执行、客服和自动化开始，把高频重复动作交给系统；另一条路是自上而下，让 AI 参与作业判断和战略判断。组织像一个持续运行的 Harness，把目标、规范、执行、验证和反馈串在一起。

要让 AI 做判断，需要两块基石。

一块是清晰的数据。AI 不需要无边界地拿到所有数据，它需要结构化、可校验、带有判据的信息。数据越多不一定越好。如果信号、事实、推断和决策混在一起，模型读到的只是噪音。数据对 AI 足够清晰，它才有可能判断对错。

另一块是清晰的业务 know-how，也就是业务经验已经被提炼成可操作的规则、判据和边界。过去很多公司的经验在少数人的脑子里，或者靠师徒之间口口相传。AI 读不到这些东西，就只能执行一个孤立指令。我们把业务规则写进作业系统的知识文档，让系统知道信息的真源在哪里、什么条件下应该采取什么动作、什么情况必须回到人来判断。

数据和业务经验被写清楚以后，AI 才能参与判断。缺少其中任何一块，它都只能执行动作，无法确认结果是不是正确。

变化二：AI 给人下任务

企业过去的任务通常由人发起。高管发现问题，交给部门负责人，负责人继续拆解，最后到一线执行。信息在层层传递中不断丢失，很多问题只有到了会议或报表里才被看见。

AI 原生环境里，这个方向会反过来。AI 持续读取一线事实，发现问题后补齐影响和证据，生成待判断事项；如果已有明确规则，系统可以直接编排任务、发起执行和跟进；如果问题涉及新事实、不可逆动作或边界不清，再回到人做关键抉择。

以一个投诉问题为例，系统会根据目标、策略、执行、风险和预警生成执行策略文件，处理高频执行与任务编排。它也可以自动发起问题讨论、组织会议、把结论转成待办或 OKR，再持续跟进结果。IP 业务里的检查、投诉、立案和跟进，小贷业务里的当事人沟通、法院对接、调解通知和材料发送，都可以在明确规则下由系统推进。

人的位置没有消失。人负责关键判断和不可逆决策，决定 AI 看什么、做什么、做到什么程度。什么值得做，什么才算做对，什么不能做，这些问题仍然需要人承担责任。

变化三：AI 让组织持续优化

我们把系统运行分成两个飞轮。

第一个是作业飞轮，把策略变成结果。目标和策略先被任务化，系统明确任务编排和验收标准，再由人或 Agent 执行。可逆动作尽量自动完成，最后独立验证结果，把结果、反馈和新需求分别写回系统。

第二个是经验飞轮，把结果变成能力。系统从真实运行证据中提炼候选经验，人工完成证据分级和定标，再把经过确认的策略、口径和红线写回唯一真源。下一轮执行和验收直接消费这些新规则，组织就会在实际作业中变得更精准。

这里必须保留人的治理。人负责定方向、定标准、守红线。系统负责把可执行的经验变成动作，也把动作产生的证据重新送回判断环节。

组织要跟上工具

当 AI 开始发现问题、给人下任务，组织不能继续沿用原来的分工。过去的组织依赖人读报表、开会、汇报和追进度，系统只是记录工具。现在工具已经能读取事实、发现问题、组织执行和验证结果，判断、执行与反馈的边界也需要重新划分。

AI 发现问题、解决问题，人做关键抉择

我们现在用一个很简单的方法理解组织分工。

左边是发现问题，AI 从一线事实中识别问题和机会，补齐影响与证据，让真实情况持续被看见；右边是解决问题，AI 编排执行与修正，取得验证和反馈，让策略变成可以检验的改变；中间是人的关键抉择，人决定什么值得做、什么才算做对、什么不能做，再把这些抉择写成策略、验收标准和边界。出现新事实，或者系统执行不了、验证不了时，问题回到人重新判断。

这也改变了我们的会议和报表。由人驱动的会议很容易被汇报质量左右，有人表达得好，问题就显得重要；有人表达不到位，真实影响就会被忽略。我们把经营事实、会议内容和问题状态放进系统，让 AI 先整理事实、提出待判断问题。人开会只处理系统无法判断的部分，会议结束后，结论直接进入任务、OKR 和验收，不再依赖会后人工转述。

传统管理报表也在减少。过去每个部门和财务会做多份周报，一次可能产生十几二十张表，指标有上百个。数据出来以后还要靠人解释、靠高管追问。现在系统持续呈现经营信息，并把异常和需要判断的事项直接暴露出来。人不需要先找到一个高管，再找到一个部门负责人，经过几层沟通才知道发生了什么。

用 Skills 管公司

我们内部逐渐形成了一套 Skills 管理方式，用 Skill 写清一类工作怎样做才是对的。

比如，我们用一类 Skill 管 AI 架构与设计决策，要求结论基于可信知识库；用马斯克五步工作法对应的 Skill 判断一件事该不该做，顺序是质疑、删除、简化、加速、自动化；用需求验证 Skill 只读检查生产环境里的问题是否真实解决，不能因为看起来完成了就关单；还有会议 Skill，把 AI 判断不了的问题提炼出来，生成会前概要，交给人拍板。

这四类 Skill 分别对应定方向、做判断、验结果和人拍板。把工作方法写成系统可以反复调用的能力，公司的管理闭环不再主要靠人记得住、追得动。

AI Native 环境对人的五个新要求

工具在变强，对人的要求并没有降低。人在组织里的价值，从重复执行转向选择问题、看见真实、设定标准和快速修正。

第一，选择难而正确的问题。模型可以很快生成方案，但企业仍然要决定什么值得投入。方向错误，自动化只会让错误跑得更快。

第二，深入一线，看见真实。高管不能只看整理过的汇报。我们要求核心管理者回到一线，直接看系统和客户如何交互，看每一次电话、沟通和任务推进中发生了什么。判断离真实越远，系统学到的东西越容易失真。

第三，做对，比做出来更重要，并且允许快速修正。团队犯错没关系，前提是错误能被看见、能被控制、能很快写回规则。AI 进步快，一个重要原因就是反馈和修正快。组织也需要建立同样的机制。

第四，开放数据，沉淀判断。数据权限需要合规和边界，但组织不能把关键信息锁在部门或个人手里。事实、推断和决策分开，经过确认的判断进入唯一真源，AI 才能在同一套事实基础上工作。

第五，持续学习，越做越轻松。模型、工具和认知都在变化，今天的最佳方案很可能几个月后就需要重写。企业要允许推翻旧结论、重构流程，也要让每次运行产生的经验进入系统，避免同一个问题反复依赖人解决。

作业系统知识中枢，业务规则的唯一真源

这些要求最终都要进入一个真实系统。我们内部的作业系统知识中枢是业务规则和执行经验的唯一真源。

截至 2026 年 8 月 11 日，系统里有300 篇文档、8 个一级板块、44 个二级目录，Markdown 正文非空字符约 239 万。一级目录包括核心纲领、项目目标、背景知识、系统模块、作业策略、黄金案例、工程规范和事故复盘。每篇文档都需要说明真源性质，写清规则正文和引用关系。

这些文档由人和 AI 共建，也由多个 Skill 持续维护。系统负责内容真源、结构巡检、AI 注入链和事故教训的更新。知识会被下一轮任务、判断和验收直接调用。

把 AI 带回你的行业，不必先改造全公司

讲完我们的案例，最后还是要回到每个人自己的行业。AI 原生转型看起来变化很大，但有三块基本功没有变：数据治理、知识沉淀和执行规范。

数据治理不是先建一个巨大的数据平台。可以从一张核心业务表开始，把一个真实业务的状态、结果和关键字段理清楚，让系统知道事实在哪里。

知识沉淀也不需要一开始覆盖全公司。先用 10 篇 Markdown 把一个领域讲清楚，把规则、经验、判断和边界从人的脑子里写出来。

Skills 封装，是把一条作业规范写成系统可以执行的 Skill，明确目标、输入、步骤、风险、验收和回写方式。AI 吃进去的是数据质量，吐出来的才可能是决策质量。

把 AI 真正落进业务的六条建议

1.工具和模型要尽量统一。我们目前让团队统一使用 Claude Code，关键任务直接使用能力更强的模型，减少因为工具分散造成的流程差异。

2.规范先行。没有目标、验收和边界，不随意开项目。先写清楚做什么、什么算对、什么不能做，再让 AI 开始执行。

3.尽量闭环交付。人定义目标、标准和红线，Skill 让 AI 尽可能端到端完成任务，减少流程中反复接力。人负责验收结果，不需要成为每一个步骤的传话点。

4.部署方式优先考虑云端。除非业务有明确的数据合规、网络隔离或成本结构要求，不必因为焦虑而先做本地模型。很多企业真正缺的不是一个自己的模型，而是清晰的数据、规则和工作闭环。

5.允许持续重构。认知、模型和工具都会快速变化，旧结论和旧流程需要被推翻，组织结构也可能随之调整。不要把第一次做出的系统当成最终答案。

6.结果验收。代码、报告和方案只有经过独立验收后才采信、合并或外发。过程看起来很完整，不代表问题已经解决。

五个问题，判断这是不是一个真机会

把方法带回自己的行业，可以连续问五个问题。

1.问题真的在增加吗？小贷行业看逾期长尾，数字版权看持续复发。只有问题本身持续存在并增加，才可能形成增量市场。

2.AI 是否改写了成本、复杂度或规模？小贷业务看每月立案规模，版权业务看识别能否连接投诉和处置。模型能力必须进入交付链。

3.能否借到第一曲线的力？已有的客户理解、法律流程、执行基础和行业经验，能否降低新业务的学习成本。

4.客户真正买的结果是什么？小贷客户买的是回款结果，版权客户买的是侵权率下降。交付动作不能代替客户结果。

5.结果能否独立验证，并与收费绑定？系统完成了多少任务只是过程数据，客户行为、业务结果和付费才是商业证据。

我们曾经做过一个匿名的直播合规检测项目。客户表达了明确需求，技术也把产品做了出来，但客户的行为没有变化，后续投入缺少依据。客户说想要，不能算商业验证；技术验证通过，也不等于商业验证通过。

证据不足时，不要用愿景代替答案。AI 可以把很多东西做出来，企业仍然要回到业务结果，判断客户是否真的需要、结果是否能够验证、价值是否能够收费。

所有商业价值，都是社会价值的变现。企业用 AI 重做一个老问题，最终仍然要回答，它为客户、行业和社会创造了什么真实结果。

现场问答

房产门店这样的实体场景，怎样开始做 AI ？

先从门店里一个具体、反复发生的问题开始，不要先搭一个覆盖所有业务的大系统。可以把自己的业务背景、门店流程和想解决的问题交给团队或模型，围绕这个场景做定制开发。比如客户画像、跟进、内容、客服或门店运营，都要先明确数据从哪里来、什么结果算有效，再决定工具怎样进入流程。

法律服务行业会被 AI 怎样改变？

法律行业受合规约束很强，很多工作又依赖专业判断。批量、标准化、规则明确的事务，会更快进入 AI 作业链；复杂诉讼、争议解决和不可逆判断，仍然需要律师承担责任。对律所来说，机会不只是让文书写得更快，而是重新看服务如何交付、质量如何验证、客户愿意为什么结果付费。

传统企业组建 AI 小团队，0 到 1 应该怎么走？

传统行业的人理解业务，起步可能比纯技术团队更快。组建小团队时，我们更看重动手能力和把问题做成闭环的能力。第一步可以从一个最小业务单元开始，让团队把基础的编辑和编程概念学起来，从第一个真实程序、第一条真实流程开始做。团队不需要一开始人数很多，但负责人必须愿意进入业务现场，能把问题、规则、数据和验收写清楚，并持续跟进结果。

以“重新认识 AI”与“重新认识商业”为两条交织的主线，确认企业真问题与杠杆点，从工具、场景、组织范式，帮你启动进化双螺旋。

欢迎加入中国创新者浓度最高的学习场，对话各行业领军人物、参与更多优质企业参访活动、系统学习底层商业认知方法论。