周末听了一下午快手关于企业 AI 生产力的技术沙龙,收获非常大。
它虽然从 AI Coding 谈起,但最后讨论的其实是一个更大的问题:当每个人都开始用 AI,企业的工作流、团队协作和组织机制,应该怎么接住这种变化?
先分享几个我的一手笔记。
1、个人提效和组织提效是两回事。
2、AI Coding 的下一步,应该是重新设计软件交付流程。
3、需要有意识地把员工的经验沉淀成 AI 能调用的资产。
4、AI 生成代码越来越快,质量保障可能成为新的瓶颈。
5、建设统一的 AI 基础设施。现在开发 Agent 越来越容易,每个部门都可能自己开发一套。随之而来的,就是重复建设、Token 成本,以及安全和权限管理等问题。
公司需要有一套公共基础设施,让大家复用已有的能力。
6、组织结构也需要调整。
![]()
这几个点,我觉得无论对于大公司,还是我们这样的小团队,都非常有参考价值。
快手企业智能体建设负责人、企业AI生产力专家沈浪把快手的企业AI生产力实践概括为四个阶段:
AI 先进入研发环节,解决工程师提效;随后扩展到更多员工;再从个人使用走向团队AI,把专业经验和工作流沉淀为共享能力;目前则刚刚开启组织AI的探索。
这条路径的变化很清楚:AI 的使用范围越来越大,但要解决的问题,也从一个人怎么用好工具,逐步变成一个团队乃至一个组织,怎么重新设计自己的运行方式。
这也是我听完整场分享之后,感受最深的一点。
01 先蒸馏,再折叠
我最近对个人提效不等于组织提效这件事感触特别深。
现在我们团队基本人人都在用 AI,效率确实提高了不少。但作为一个小老板,我没有明显感觉到整个公司的经营效率有什么大变化。
前段时间,我听其他企业的朋友聊过类似问题。他们发现,随着越来越多的员工开始使用 AI,虽然工具使用数据非常漂亮,但很多团队的整体效率并没有达到预期。
快手在过去两年的实践中也观察到一些问题,总结下来主要有两类。
![]()
一类叫孤岛区。
大概情况是团队中有几个特别厉害的 AI 高手,他们积累了很多 Skill、知识和工作方法,但这些经验其他同事没法直接复用,结果是少数人越来越强,团队整体的工作方式却没有明显变化。
这玩意我倒是理解,我们团队也有类似的情况,AI 虽然门槛已经很低了,但具体到个体上,还是有的人用的特别好,用的人用的稀烂。差距简直一个天上,一个地下。
典型的二八定律。
另一种叫空转区。
有些团队部署了很多 Agent。结果这些 Agent 需要不断协调、交换上下文,甚至还不如一个通用Agent调用Skill的效果好。
Agent 数量多,也不代表团队效率高,很多 Agent 在那空转严重,消耗 Token。
那怎么办?
快手在大量实践之后,总结出了一套方法,叫先蒸馏,再折叠。
所谓蒸馏,其实就是把员工积累的专业经验、知识和工作方法,沉淀成团队可以共享的 Skill、知识库和工作流。
比如,设计师把设计规范和判断标准沉淀成 Skill,产品经理就可以借助 AI 完成一部分基础设计;研发把常用的工程方法沉淀下来,其他角色也可以在明确边界内完成一些简单、低风险的交付。
这样,过去需要不同岗位接力完成的工作,现在可能一个人借助 AI 就能完成。原来的岗位分工,也就有机会重新调整。这就是折叠。
基于这套思路,他们开始把整个团队理解成一个 Agent,让团队成员共享知识、Skill、工具和工作流。
但这里的顺序很重要。
不是先要求产品学前端、前端学后端,更不是先取消岗位,而是先把不同角色的专业经验变成团队可以调用的能力,再判断哪些等待、交接和分工可以被重新设计。
基于这套思路,快手开始把整个团队理解成一个 Agent。团队成员共享知识、Skill、工具和工作流,数字员工也可以在明确边界内承担一部分工作。
这个视角对中小公司同样有启发:真正重要的,不是公司里有多少人会用 AI,而是少数人的好经验,能不能变成整个团队的公共能力。
![]()
02 调整团队的协作模式
现场快手磁力引擎风控技术负责人王东旭把这个问题讲得更具体。
这是一个超过百人,涵盖前端、后端、算法、数据工程等不同岗位的复杂团队。
他们最初也是推广 AI Coding,后来开始推动前后端融合,甚至在一个季度内,把团队的基础全栈覆盖率提升到了 100%。
但即便如此,需求依然在积压。产品经理觉得研发交付太慢,研发又觉得产品需求不清楚、排期不合理,双方仍然会产生摩擦。
为什么会这样?
因为写代码只是整个软件交付流程的一部分。假设编码环节占整个软件交付流程的 20%,AI Coding 可以让编码效率提高了 10 倍。
那么整个软件交付流程的效率,实际上只能提高大约 22%。
这就是阿姆达尔定律。
![]()
哎,你想想,写代码都快了 10 倍,最后需求交付只快了 22%,是不是挺让人揪心。
即便产品、设计、研发、测试都用上了 AI,各自的工作效率都提高了,整个交付流程依然可能很慢。
毕竟大家还是按照原来的岗位分工协作。产品提出需求,然后研发排期,开发完成后再交给测试。每个环节都可能需要沟通、交接和等待。
这些 Gap,并不会因为每个人都用上了 AI 就自动消失。
于是,他们开始尝试臭鼬工厂的组织模式。
感觉这个模式很像亚马逊的双披萨团队。
其实就是围绕一个明确的业务目标,把产品、研发、算法、测试等不同岗位的人组织成一个小团队,给他们充分的自主权,让团队自己负责整个需求交付。
最近我听 Google 的播客,他们内部也在推行这样的组织模式,就把团队继续拆小,然后让大家快速迭代,像实验室一样。
快手的磁力引擎风控把一部分团队打散为小团队后,把大家工位都搬到了一起。这样有什么问题直接商量,绝大部分事情都不用再跨部门反复协调和排期。
而且,他们团队内部的岗位分工也已经变了。一些简单、低风险的需求,产品经理自己就能搞定,研发只需要负责必要的技术支持和把关就行。
这样调整之后,他们团队的需求吞吐量提升了 130%,需求交付周期缩短了 80%。
需要说明下,这种模式也有适用范围。复杂的存量核心系统、涉及资金安全或者曾经发生过重大故障的业务,肯定还不适合这样干。
03 质量保证是瓶颈
需求吞吐量上来之后,随之而来的问题是,当越来越多的人能够借助 AI 直接完成需求,甚至不再需要经过原来完整的研发流程时,团队必须清楚,哪些需求可以放心交给 AI,哪些必须经过严格的人工验证。
要不然,很容易带来严重的安全问题。尤其是现在 AI 生成代码越来越快,代码提交越来越频繁,很多变更的影响范围也变得更难判断。
如果所有需求仍然按照过去的方式进行人工测试,测试工程师根本忙不过来。但如果为了速度,直接跳过测试,风险又太大。
快手磁力引擎风控质量负责人吕冬冬的做法,是建立一套 AI 智能分级体系。
简单理解,就是让 Agent 结合 PRD、代码变更、历史故障和业务知识,分析一个需求可能存在哪些风险,再决定采用什么测试方式。
他们把需求分成了高、中、低三个风险等级。
比如涉及核心业务、资金安全、权限管理的高风险需求,仍然由人工主导测试,AI 辅助分析。
中风险需求由人工和 AI 协同完成。
对于一些简单的页面调整、交互优化等低风险需求,则主要交给 AI 自动验证,人工负责抽检。
吕冬冬介绍,在他负责的业务中,大约 60% 的需求属于低风险需求。
这意味着,相当一部分需求可以通过 AI Testing 完成验证,不需要再排队等待测试工程师逐个处理。
而且,他们还把接口测试、UI 自动化、流量回放等能力整合起来,让 Agent 根据需求的风险等级,调用相应的测试工具完成验证。
![]()
不过,这套方法有一个重要前提,就是 AI 的风险判断必须足够准确。
比如,一个需求看起来只是修改了页面展示,但实际上影响了某个核心业务。如果 AI 错误地把它归为低风险需求,就可能漏掉重要的测试。
所以,他们建立了一套标准评测集。
先让熟悉业务的专家对真实需求进行风险标注,形成一批有标准答案的样本。
之后每次调整模型或者提示词,都要用这套评测集重新验证准确率。如果发现 AI 判断错了,就由人工分析原因,再把错误案例和纠正记录沉淀到知识库中,完善风险判断规则。
这样一来,AI 可以不断参考过去的业务经验,提高后续风险判断的准确性。
但风险等级判断准确了,测试本身就一定可靠吗?
现在很多代码是 AI 写的,测试用例也是 AI 生成的。如果连最后的测试结论都交给 AI,会不会出现自己出题、自己答题、自己判卷的情况?
万一 AI 写的代码存在问题,生成的测试用例又恰好漏掉了这个问题,最后还告诉你测试通过了,那就麻烦了。
针对这个问题,他们也采取了一些措施。
比如,把负责开发和测试的模型分开,降低两边出现相同判断盲区的风险。
同时,保留标准评测样本和必要的人工验证。对于高风险需求,AI 可以辅助完成风险分析和测试,但最后是否允许上线,仍然需要人工判断。
截至当时,他们开展的低风险需求自助上线实践,还没有出现遗漏。不过,这套体系目前是在所属大部门使用,还没有推广到整个快手。
我觉得这套实践还有一个很重要的启发,就是质量工程师的工作也在发生变化。
过去,他们需要花大量时间编写测试用例、执行测试、复现 Bug。
现在这些工作越来越多地可以交给 Agent,而人需要把更多精力放到业务风险判断、测试策略制定,以及最后的质量验收上。
你看,前面臭鼬工厂调整了产品、研发之间的协作方式,现在连测试和质量保障的方法也开始发生变化。
这也让我更加确信,AI Coding 下一步最值得做的事情,就是重新设计整个软件交付流程。过去不同岗位之间的分工、交接、验收方式,都有机会重新调整。
只有这样,整个软件交付流程才有机会真正提速。
04 自上而下是必要的
但如果把这些实践放到整个公司,事情又复杂了很多。
快手有几万名员工,每个部门都在使用 AI,也都在积累自己的 Skill、知识库和工作流。
比如,一个大型 HR 组织可能有几百名员工,涉及招聘、绩效、薪酬等不同业务,背后还有二三十套系统。
即便每个团队都有自己的 Agent,如果一项工作需要调用多个系统,涉及不同部门的权限和数据,依然会遇到很多问题。
还有重复建设的问题。
现在开发 Agent 越来越容易,每个部门都可能自己搞一套。但如果底层的模型调用、知识管理、权限、安全等能力都要各自建设,成本肯定会越来越高。
所以,快手最近成立了企业 AI 生产力组织 iWork,开始从公司层面整合这些能力。
比如,把内部的业务系统逐步改造成 Agent 能调用的工具,让不同部门可以复用不同的 Skill。
当然,这些事情还在探索中。
另外,我觉得快手在 Token 成本管理上也有一个很聪明的设计。
他们推出了一套 Agent 积分制,把 AI 预算分配给不同业务线,再转换成员工可以使用的积分。
员工可以根据任务选择模型,也能更直观地看到 Token 消耗;平台团队则可以把更多精力放在工具建设、能力复用和实际效果上。
这个设计很聪明。Token 不应该是一笔糊涂账,但成本管理也不能只靠限制使用,而要让每个团队逐步建立投入产出意识。
记得现场还有一句话,让我印象特别深刻。企业 AI 生产力体系和 Harness 的作用,其实有很多相似之处。
大家可以想想,为什么大模型需要 Harness?
因为模型本身再聪明,也未必了解你的项目架构、编码规范,不知道哪些操作有风险,哪些测试必须通过。
所以需要 Harness 给 AI 提供项目上下文、工具、执行规则和质量验证机制,让 Agent 能够更稳定地完成任务。
如果把这个视角从单个 Agent 扩大到整个公司,其实也是一样的道理。
每个部门都有自己的业务系统、知识和工作流程,再加上 Token 成本、权限、安全,以及不同团队之间的协作问题,这些事情显然不可能只靠更强大的模型来解决。
企业同样需要一套组织层面的 Harness,通过统一的基础设施、知识管理、工作流程和组织机制,让 AI 能够在整个公司里真正发挥作用。
![]()
而这套体系,显然需要公司自上而下地规划。
快手前几个阶段依靠先锋员工和业务团队先行试验;当实践进入跨团队复用、企业上下文、权限、安全和成本治理后,才需要公司级统筹。
自下而上负责验证有效路径,自上而下负责把局部经验沉淀成公共能力。
目前,组织 AI 仍然处于探索阶段。这个分寸反而让我觉得更真实:没有人已经拿到了企业 AI 转型的标准答案,大家都在用局部试点逐步验证边界。
05 写在最后
对于我自己的公司,我现在也有几个比较明确的想法。
1、团队要小,创业公司也许可以激进地分为两人一组。
2、Token 的消耗不应该是笔糊涂账,应该从公司视角看看 Token 的效率。
3、Skill 的共享和管理应该尽快提上日程。
4、考虑做公司层面的 Agent 知识库。
5、做需求的风险评级,基于此来确定后面的验证策略。
6、质量保证这块,做一个独立的 Agent。
还有很重要的一点,接下来衡量 AI 带来的变化,应该更多从公司的整体经营效率出发,不能只看每个人使用 AI 的数据。
我的小破公司,在听完这次分享之后,确实还有很多事情要做。
恰好年底,我最近正在思考明年的公司战略。这次快手的分享,给了我不少新的启发。下面是视频回放,喜欢的同学可以看看。
有类似感触的同学,咱们评论区交流。
来源 | AI产品阿颖(公众号)
作者 | 阿颖
内容仅代表作者独立观点,不代表早读课立场
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.