《AI转型访谈录》是由腾讯研究院发起的一个开放研究项目，希望在人工智能加速推进产业和社会转型的背景下，发现和识别那些已经站在变革前沿的企业和个人，通过100个先锋实践访谈，记录他们推进AI转型的深度思考与实践经验，为更多组织提供可借鉴的AI转型路径参考。

本期嘉宾简介：

沈旸先生现任联易融副总裁，在咨询，交付，IT管理和研发管理等领域有丰富的经验。沈先生曾任神州数码集团股份有限公司副总裁兼CIO，云基地负责人，主要负责数字化转型、云基地建设和技术运营、营销私域运营等工作，领导云基础架构、区块链、量子应用、智能运维、分布式数据库、开源ERP等领域的开发管理和交付工作。在加入神州数码之前，曾在SAP工作十年，在SAP美国担任咨询技术架构师，领导数据分析，EPM（企业绩效管理）和GRC（治理，风险与合规）领域的国际专业服务团队。曾为150多家世界500强客户提供过数字化转型咨询服务。

什么是AI Native？人均产值1000万美金是AI原生企业的门槛？

袁晓辉：

大家好，今天很高兴我们邀请到了沈旸先生，他来自一家上市科技企业，任副总裁，来跟我们一起聊一聊关于AI Native（AI原生），AI转型，包括AI Agent一些进展，特别是他们公司怎么运用AI重塑工作流，我认为这非常有价值。我曾与沈旸先生见过一面，上次听他讲述了很多内容，让我大开脑洞，所以我很好奇您究竟是如何理解AI Native这件事的？

沈旸：

关于AI Native这些事情，去年3月份的时候，我在公众号上写过一篇文章，探讨AI原生企业应有的形态。当时提到Midjourney这家公司，仅有11人，但营收却超过了1亿美金。其人均效益远超普通公司。所以在定义AI原生公司时，我觉得若看其他很多指标，可能过于复杂。最简单的方法是看人均效益，比如人均效益能否达到1000万美金，甚至更多。

袁晓辉：

所以您的标准是1000万美金吗？

沈旸：

1000万美金或许只是去年的一个指标，今年这个指标可能会更高。在行业内，我认为如果一家公司的人均效益能排进前1%，那么这家公司目前在AI原生领域应该做了足够的探索与实践。

袁晓辉：

哦，您是这样定义的。如果看人均效益的话，特定行业，比如金融行业呢？

沈旸：

不同行业情况不同，需要根据不同行业进行对比。例如传统制造业或零售行业，目前可能对人力的依赖程度还比较高。但可以与该行业过去的数据进行对比，在行业内进行排名。最终目的是判断AI原生对实际业务是否有作用，通过这个指标比较容易衡量。

袁晓辉：

明白了。实际上，AI原生这个概念是从移动互联网原生、云原生一路发展到现在的。“Native”这个词，从严格学术意义上讲，应该是如果一个事物或公司的运转脱离了AI就无法存在，对吧？比如Midjourney这样的公司，现在仅有十几个人，若脱离了AI，可能无法支撑如此庞大的用户规模。

所以如果从定义上来说，您是如何理解AI原生这个概念的呢？如今大家都在讨论要打造AI原生的组织或个人，您认为这可行吗？有一种观点认为，我们现在甚至都不能算互联网原生，因为我们出生时，互联网已经存在多年。所以有人说，只有2020年以后出生的人才能算AI原生一代，因为他们成长过程中，AI工具随处可得，学习使用也毫无成本，您怎么看待这个问题？

沈旸：

关于AI原生，以移动原生时代为例，什么样的应用才算是移动互联网原生应用呢？比如滴滴，与传统的ERP软件不同，ERP软件可以有移动版，但它在电脑和手机上都能使用，这类应用其实不能被称为移动互联网原生应用。而滴滴软件，只有在打车时且处于移动状态下才会使用，打车时人们不会抱着电脑，而是使用手机打开软件。如果没有这个应用，就无法实现打车的目标，这样的应用我们才称之为移动原生应用。我认为AI原生未来的一个重要判断点在于大规模提升人均效益。如果只是线性提升，用普通工具就能做到，而AI原生的核心目标是实现对人和组织能力的无限制复制，这是过去的软件无法做到的。过去，软件大多为人或组织所用，但软件并不能替代组织或人，核心还是人在其中发挥重要作用。但在AI原生的概念里，未来一个AI原生企业的终极目标是实现通用人工智能（AGI）。是否存在这样一个企业，它无需人工操作就能运转，能够自行盈利、采购原材料，进行生产、运营、提供服务，甚至实现自我进化和迭代。

袁晓辉：

无人企业。

沈旸：

对，无人企业。为什么不能实现呢？

AGI实现后，人没有AI厉害，人还要做什么？

袁晓辉：

OpenAI的路线图第五级是“organizer”组织者，当真正实现AGI时，它确实能够作为组织者整合各种资源进行生产。实际上，您所说的比我之前想象的还要更超前。我之前认为AI原生更像Midjourney这样的企业，或者是一人企业、小团队，能够调用很多AI Agent工具、AI员工来实现特定目标。但在我的设想中，人还是不可替代的角色。现阶段，我看到更多的是人与机器协作完成任务。在很多组织进行转型时，人的因素还是需要重点考虑的，对吧？

沈旸：

但我们要设定一个长远目标，AI原生最终能否实现？如果5到10年能够实现，那么我们现在所经历的所有过程都只是中间阶段。无论是当前的模式，还是一人企业做到人均效益过亿等情况，本质上可能都还不是AI原生企业。我们只是在接近这个目标，或者说我们现在所做的一切都是为AI原生企业或未来的原生形态提供基础。

袁晓辉：

从人的角度来看，如果目标是让人在其中变得不重要，甚至消解人的作用，那我们为什么要做这件事呢？

沈旸：

那你想想，上班或工作的目的是什么？

袁晓辉：

第一个目的可能是养家糊口，满足生存需求；第二个目的是个人发展，实现个人理想，让自己的热情得到充分的释放。

沈旸：

没错。在当今社会，生产本身其实已经不存在瓶颈。从农业等领域的发展就可以看出，比如美国，少量农民就能养活全球近一半人口。如果人们只是追求吃饱穿暖，其实并不需要太多人投入工作。目前大家投入工作，很大程度上是为了参与最终的成果分配。竞争更激烈、更具竞争力的公司能获得更多份额，从而推动社会更快进步。

但是社会的进步与竞争并非线性相关。当科技发展停滞时，无论竞争多么激烈，社会生产力都不会有明显提升，蛋糕也不会变大。AI的出现带来了变化，尤其是在服务行业，劳动力供应可能会趋于无限，这只与电力、能源等因素相关。

袁晓辉：

当然，这是在机器人已经实现的前提下。如果机器人没有实现的话，它没有实体，服务也是没有办法开展的。

沈旸：

即便不考虑机器人，以服务行业为例，美国的第三产业占GDP的80%，很多像律师、提供数字服务的人群在社会中占比很大。在这些领域，AI未来可以提供无限的服务供应。

袁晓辉：

您的意思是说对脑力活动的替代，就是智力即服务，对吧？把智力变成一种人人可以调用的资源，可以给更多的人提供更充裕的服务。

沈旸：

而且AI还能自我进化知识，进化速度可能比人类更快。在服务行业，那些通过脑力劳动去提供服务的工作，也可能会被AI替代掉。

袁晓辉：

那人做什么呢？

沈旸：

假设你不从事这个行业，你会做什么呢？

袁晓辉：

如果不从事这个行业，首先面临的问题是生存资本从哪来？

沈旸：

假设生存不是问题，这其实是未来AI原生社会中最重要的问题，即财富分配问题。过去人们努力工作是为了解决分配问题，但如今我们面临一个现实，未来脑力工作领域中AI的供应是无限的，人类无法与无限供应的AI竞争。我举个例子，比如体育行业，美国NBA的顶级明星一年能拿1亿美金，但有大量坐在替补席的球员，他们同样辛苦，天赋也不差，薪水却不如大厂的普通职员。演艺圈也是如此。

袁晓辉：

两极分化非常明显。

沈旸：

对，两极分化特别严重。在脑力工作领域，如果AI达到人类80% - 90%的水平，这个行业也会出现严重的两极分化。大部分人可能就是，我从事从这个领域不仅是为了养家糊口，而是因为我热爱这个行业。我喜欢在智力上，在脑上去挑战自己，我希望去跟不同人沟通交流，我希望去不停的去做各种各样的软件，或者做开发各种各样东西。但与以前相比，他们可能无法获得那么好的回报。

袁晓辉：

对，那您认为基本的生存问题是否要依靠社会福利体系，甚至像全民基本收入Universal Basic Income这样的方式来解决？

沈旸：

我觉得未来这个问题肯定会得到解决，因为整个社会的财富是在增加的。

袁晓辉：

那我们先假设大家都有足够的资本维持生活，在这个基础上，人们能做什么呢？您怎么看这个问题？

沈旸：

如果一个人有追求，那就继续在自己喜欢的行业坚持，不断与AI竞争并超越AI。但那些重复的工作，可能不再需要人类去做。实际上，日常工作中有很多重复工作占据了大量时间，比如我们现在聊天，你可能很享受这个过程，但之后你可能还要做文字编辑、视频剪辑等工作，这些并非你喜欢的。而AI可以完成这些工作，我们就能把更多时间花在自己喜欢的事情上，激发更多灵感，并传播这些成果，这样对社会效率的提升会更大。

袁晓辉：

所以您对AI对人类社会的影响持比较乐观的态度。

AI时代人与组织高效匹配，需要尽可能多的数字化

沈旸：

每个人都有自己的长处和短处。过去，由于能力、资源等原因，人们在弥补短板时，要么花钱解决，要么努力克服，这其实浪费了在长板上的天赋。在组织中也是如此，很难做到让每个人的天赋都得到充分发挥。各个岗位分工精细，你可能擅长某个岗位，但当前并不在这个岗位上，职责也不属于你，就无法发挥作用。而且找到完全匹配的人、组织和团队的成本非常高。

袁晓辉：

现在这种匹配成本确实很高。

沈旸：

非常高。要找到完全匹配的人、组织和团队，搜索成本极高。

袁晓辉：

所以未来AI Native的组织，就像刚才我们讨论个人时提到的，在资源充裕的情况下，让每个人做更擅长的事情。在组织中，就是让每个人在擅长的岗位各司其职。那么这种匹配是如何实现的呢？AI在其中会发挥什么作用？大家不愿意干的这些活都已经cover掉了。但人与岗位的匹配是怎么实现的呢？

沈旸：

人员与岗位的匹配，目前存在一些问题。过去进行数字化时，很多信息没有被记录下来。比如你与岗位是否匹配，以往可能一年有个OKR、KPI，年底写一段话，或者用二三十页PPT呈现一年的工作，又或者在OKR系统里用几百字记录。但这些并不能代表全部工作，日常的决策、交流、开会等信息很多都没有被有效记录。即使这些信息被记录下来，在ChatGPT出现之前，也难以利用。比如会议纪要，记录了之后有人看吗？从大量会议纪要中搜索信息也很困难。开了一年500个会，每个会的决策、思考等信息，如果都要详细记录，对人的搜索能力要求极高。在传统领域，人对信息的吸收存在明显瓶颈。

袁晓辉：

人的信息处理带宽很低。

沈旸：

不仅带宽低，人还容易情绪化。比如你会更愿意和喜欢的人交流，PPT会用自己习惯的格式。甚至PPT中某个颜色让你感到惊喜，可能都会影响你当天的工作状态。这些都会影响人正常吸收信息的能力。我认为AI的优势在于，它最擅长的是翻译，比如英文翻中文、中文翻英文。其实可以把每个人的语言和思维体系看作一种语言，你的思考体系和理解方式是一种语言，我的是另一种语言。这是我们过去多年成长经历形成的。很多时候我跟你说一句话，我以为你能理解，因为我有自己的上下文背景，但由于你我的成长背景不同，你可能理解不了。目前AI未来有望很好地解决人与人之间的“翻译”问题。

但是我们缺的是什么呢？缺的是对个人和组织模型的描述。目前像ChatGPT、DeepSeek等大模型，更多是具有普世价值的模型，回答问题中规中矩。它整合了几千人、几万人甚至上亿人的知识和价值观。比如对大模型进行价值观测评，它的回答永远比较中性，不会极端。但人因基因和成长经历不同，每个人的模型都不一样。

袁晓辉：

对。我前几天看到有创业者在做“Second Me”，就是把一个模型训练成第二个自己，用个人历史数据信息进行训练，让它了解你是什么样的人。我们有同事之前在AI工具里设定一个系统提示词，让AI用她的方式来思考。那未来是不是每个人都会有一个类似自己的大模型，同时它也是自己的AI Agent?

沈旸：

你的AI助手，会的，但需要给AI很多训练机会。我们自己思考时，很多数据不会外露。比如互联网公司会收集一些数据，但这个数据很片面。比如说你在网上买一个东西，你为什么买这个东西？其实背后可能也有很多的思考。比如说当时可能是因为价格，这个东西打折了，你才愿意去买这个东西。但是很多时候你表露出来的，我并不是因为小气，并不是说省钱，而是因为这东西好看。你说出来的东西跟自己想的其实并不是百分之百完全一样。

袁晓辉：

那你怎么将大脑中的想法数字化呢？

沈旸：

要将大脑中的想法数字化，目前还很难做到，未来可能要依靠脑机接口。我大学本科毕业设计做的就是脑机接口相关内容。我认为未来的前沿领域之一就是脑机接口，通过它可以记录大脑的潜意识，并与动作挂钩，让AI大模型不断模拟你的决策。其实决策最重要的就是你脑子中怎么想。说人是受到社会约束的一个动物也好，或者是一个个体也好，你可以胡思乱想。但是你在这个社会里面，你最后做出来的行为，你不能伤人，你不能伤害大家利益，对吧？你一定要做出一个比较利益最大化的一个决策。大家脑子里可能都会异想天开，胡思乱想各方面的东西。但是一旦到做出动作的时候，做出决策的时候，他一定是个比较理性的一个决策。

袁晓辉：

没错，如果模型能够模拟这个过程并预测你接下来的行为，且准确率不断提升，那确实就像你的分身。

沈旸：

这件事未来比较容易去做的，因为现在很多技术都在降低成本。比如拍短视频就是一个例子。以前我举过一个例子，如果把人一生中每天的行为都用视频记录下来，即使大脑意识不完全披露，AI也能较好地理解你、模仿你。因为至少输入和输出都被记录下来了，AI可以把你当作一个黑盒子，不断模拟你的行为，当模拟准确率达到99%或更高时，对性格等方面的描述就会非常精准。这其实是AI未来很容易做到的一点。

袁晓辉：

那您觉得在大语言模型这条路线上可以训练出我们自己的模型吗？

沈旸：

我觉得还不一定。人的大脑与ChatGPT模型不同，现在DeepSeek等模型有一些新的概念。ChatGPT模型更像是概率模型，是单向的，没有形成回路，而人做决策需要反馈。人的大脑还有一个厉害的地方，就是有仿真环境。比如在做一件事之前，你可以脑补场景，像在电视上看过旅游的场景，你就能想象自己去旅游的情况。做梦也是一种脑补过程，梦境中的场景非常真实。

但目前的大语言模型缺乏对人或环境的真实描述。目前大模型我给他举个例子，更像一个缸中之脑，在营养液里面泡着一个大脑，它只会输出一些文字。我们为什么有时候会觉得这个AI不靠谱？因为没有反馈。

最近Manus等取得很大进展，就是因为通过大模型调用各种API、RPA等工具。他让这些事情得到一个反馈，我能迅速看到这个实际反馈到底是正确的还是不正确的。

袁晓辉：

前两天LeCunn一直在讲世界模型，也是类似的道理。现在的AI缺乏对物理规则的理解，而人出生就有对环境的感知和对物理规则的基本理解。所以他们尝试用联合嵌入预测架构等模型进行预测，并与真实情况对比，初步让大模型掌握对世界的预测能力。这可能也是接下来的一些方向。机器人也是，如果机器人有了AI大脑，再加上身体，就能与环境互动交流，获得直接反馈，发展会更快。

沈旸：

现在大模型融合视觉、听觉等原生模型后，能够形成自闭环模式。但要形成类似人类大脑的仿真环境，还需要进一步探索。现在至少在数字世界里面是比较容易的。比如做一道题目或设计一个游戏，在数字世界里更容易完成闭环。所以我们可以看到，过去的AI未来可能会与操作系统、虚拟机、容器、云架构更好地整合，这反而会促进云计算的发展。

组织推进AI转型的关键步骤，第一步让团队对AI产生好奇

袁晓辉：

刚才我们讨论了AI Native相关的个人和组织的未来构想。我们也很关心当下如何向未来迈进。很多企业想知道如何进行AI Native转型，如何在企业中应用AI。我知道您的公司在信息化方面深耕多年，有很多有意思的应用案例，近期在AI Agent方面也有探索。能不能分享几个您觉得比较有意思的应用？

沈旸：

好的。我认为首先要让所有团队对AI产生好奇。大家看到AI后，要思考它能做什么，公司内部可以组织研讨会分享相关内容。作为科技团队，要为员工提供方便使用的工具。比如OpenAI刚推出时，API连接不方便，那你可以迅速搭建中间API为大家提供服务。DeepSeek也是如此，一开始大家使用时可能会遇到服务器忙等问题，从而失去兴趣，所以要提供稳定、随手可用的入口，这很重要。

然后在内部寻找探索和实践的细分场景。比如说一开始可能就非常简单，就是拿AI去写写PPT，写写文档，把这些工作给做完。但这个工作对任何一个公司，都是普适性的，对吧？那这个时候大家可能会对AI有一些了解，比如说以前大语言模型，大家可能会觉得他对文字的润色的这些工作做的特别好，但是你可能要加很多的Prompt，加自己习惯的Prompt。有点像秘诀一样，像法术一样。它是一个普适的场景，他可能跟公司场景并不是特别挂钩。通过这些简单应用，大家可以了解AI，比如知道大语言模型在文字润色方面表现出色，但需要写合适的Prompt，并且要了解不同模型对Prompt的效果预期，清楚AI能做什么、不能做什么。

沈旸：

比如说2023年时，我们判断AI无法替代ERP等流程系统，因为当时的AI是概率模型，输出不可控，无法做到百分之百精准，至少当时在这个大屏上我们也看到这样的一个体系。那很多时候我们就会把现实中哪些环节是不需要百分之百精准的。把可以把这些场景搬过来。

袁晓辉:

对。所以会大家发现AI客服，包括头脑风暴，或者前期的这些材料。

AI转型也许可以从一些非核心业务切入

沈旸：

对，就是一开始替代各种文科生的，这些赋能文科类工作的场景应用较多。当时对一些创意设计类工作，AI也有应用，因为这类工作没有绝对正确答案。

袁晓辉：

对，不需要精准。

沈旸：

就像语文和数学，很少有人语文一直考满分，因为没有绝对正确答案，而数学能力强的人可以一直考满分，因为有精准答案。

所以在23年的时候，我们判断大量文科的场景，怎么去把它做赋能。到了24年的时候，随着AI Agent的一些落地，包括各种样的开源的框架。你可以用一些单元模型去跟一些AI型的工作流各方面去做对话。发现它其实是可以把原来的一些流程做一个非常小的闭环。比如说以前跟你们分享过那个订婚式的场景，你去定一个会议室，其实他是需要去不同的系统里面把这个打通，那有时候他也要理解你的这个意图，如果定明天他们下午几点钟的一个会议室，其实里面都是文字。

过去在系统里预订会议室，通常是点击选择楼层的会议室。但实际情况往往更复杂，涉及多个方面。比如有人希望预订能看海、靠窗的会议室，每个人可能都有类似的个性化诉求。然而，过去的会议室系统无法满足这些需求，也不可能实现这样的功能。

袁晓辉：

一般会议室会配有图片，我们可以通过图片查看会议室能容纳的人数、是否靠窗等信息。

沈旸：

但这样的搜索匹配过程比较耗费精力，即便记住这些信息也并非易事。如今，AI能够自动进行匹配，还能为每个会议室添加标签。甚至可以分析行政平面图，确定哪些会议室靠窗、看海或朝南，然后将其添加到用户的收藏夹中，用户无需再刻意记忆。之后，AI通过简单的API就能与会议系统打通。

这个过程看似简单，实际落地却困难重重。我们在2023年底就做出了这个场景，但当时准确率并不高，这难免让人感到失望。毕竟大模型连上万字的文章都能修改得像模像样，却在时间、地点、人物这些简单信息的识别上出错。例如，对于“下个月的第一个星期一的某一天”这样的时间描述，它总是判断错误。直到2024年10月左右，大模型才在某个环节实现了100%的准确率。

袁晓辉：

准确率达到100%，是因为大模型的推理能力提升了吗？

沈旸：

我推测有两个原因。一是大模型可能调用了工具进行检验。比如让大模型计算数学题，它碰到数学问题就调用计算器，计算器得出的结果肯定是准确的，最后将结果返回。只要能精准地将用户意图拆解并调用合适的工具，准确率就能大幅提升。就像预订下个月的会议室，调用日历工具就能准确确定日期。二是大模型内置的一些模型可能进行了大量的优化训练和对齐。

这里我解释一下无损压缩和有损压缩的概念，这也是我们判断大模型应用的重要标准。大模型本质上是对世界知识的一种有损压缩。以一个几千亿参数的大模型为例，训练时会使用全世界的各种知识，像《红楼梦》《西游记》、国外书籍、法律法规等，可能用到几十T的数据，但训练出来的大模型体积却远小于这些数据，可能压缩了几十倍甚至400倍。所以，大模型无法还原所有信息，比如询问《红楼梦》某一页的某个字，它大概率是记不住的，这和人看书的情况类似，人也很难一字不漏地背下整本书，这种就叫有损压缩。

有损压缩后，想要还原信息是很困难的，必然会出现错误。假设用一个包含1亿条时间、地点、人物信息的测试集对大模型进行压缩，最后可能压缩成100万条。此时，如果让大模型还原其中一个从未见过的场景，它就可能理解错误，出现准确率下降的情况。

还有一种是无损压缩。就像我们学习数学，背诵九九乘法表，背完后所有数学运算都能做，数学定理和公式经过压缩就剩下那么几条，通过这些条件进行反推，虽然推理过程比较费脑子，但能得出正确结果，这就是无损压缩。如今，像DeepSeek、Cody等模型增加了深度推理能力，能够从一些小的原理或公理出发，举一反三推出更多内容。这对大模型的压缩能力和技术提出了更高要求，不再是单纯依靠海量数据训练，让模型变得更大去记住所有东西。所以，期待大模型记住所有信息是不现实的。

袁晓辉：

但RAG（检索增强生成）确实是很多企业在落地大模型时常用的构建知识库的方法，你们却放弃了？

沈旸：

是的，我们尝试了两三个月就放弃了。因为我们觉得效果很差，即便现在准确率能达到80%，也无法满足实际需求。

袁晓辉：

有人说问两次就能将准确率提升到90%多。

沈旸：

即便如此，我们更想用大模型去解决实际的流程问题。

袁晓辉：

除了预订会议室，现在预订会议室只需要询问一下，说出“我明天什么时候需要一个能容纳几个人的会议室”，大模型就能帮忙预订好。那线上会议呢？

沈旸：

线上会议也是一样的道理。只要给大模型提供Zoom、腾讯会议等平台的API接口，它就能获取账户信息并完成预订。如果与线上会议的API打通得更好，大模型还能将线上会议的文字版、视频版内容自动发送到企业微信中。过去需要使用多个工具才能完成的事情，现在用一个工具就能打通。而且，一旦检验出大模型的准确率突破了某个关键节点，就可以对相关应用进行布局。

袁晓辉：

我很好奇，一个企业规模很大，有很多核心生产场景，而预订会议室只是一个行政场景，能提升的效益有限，为什么会选择这样一个场景进行AI落地呢？

沈旸：

选择这个场景主要有两个原因。一是它的使用频率高，人人都会用到。在AI落地过程中，AI的宣传和实际能力往往与人们的想象存在差异。比如ChatGPT出现时，大家很兴奋，后来其他大模型出现，大家又纷纷关注。但业务部门，尤其是那些与科技距离较远的部门，对AI的理解存在偏差，要么认为AI无所不能，完全可以替代人工；要么觉得AI毫无用处。如果给他们提供不太成熟的AI体系，会让他们在兴奋和失望之间反复，等到真正有合适的AI应用场景出现时，他们可能已经不再相信AI了。所以，选择预订会议室这样大家容易接触到、能感知AI作用的场景，更有利于AI的推广。

二是通过这个场景，可以激发每个人去孵化自己的AI应用。目前，很难用一个准确率只有80% - 90%的AI产品直接替代原有的业务流程，这样做会遭到大家的反对，推进起来也会很困难。而选择预订会议室这样的场景，能够激发每个组织和个人的热情和积极性。

比如我们推广的生成图片功能，员工可以在各种生成图片的工具中生成自己想要的图片，用于工作。但在企业中，大家可能更希望有符合公司风格的PPT模板，或者生成与公司吉祥物相关的有趣图片。以企鹅为例，如果公司的客户是农业领域的，就希望看到企鹅与农民一起耕耘的海报。过去，普通运营人员通过简单的Prompt让大模型生成图片，效果往往不理想。

我们的做法是，市场人员和设计人员针对公司吉祥物微调了一个小模型，这个模型能够精准生成与吉祥物相关的描述。最后，我们将这个模型接入企业微信，所有员工直接在企业微信中询问智能助理，就能得到自己想要的图片场景。这样一来，不仅让更多人接触到了AI，而且生成图片的效果评分也从原来的40 - 50分提升到了80 - 90分甚至更高，大家也更愿意使用这样的功能。

袁晓辉：

这确实很有启发性。之前我们在思考AI落地企业时，总是关注核心业务环节的提效，想解决一些大的命题。但实际上，把日常工作中的小环节拆解并优化，让每个人都能参与进来，同样非常重要。

沈旸：

在2023年，我们研究大模型领域时发现，当时的大模型属于有损压缩，很多事情无法完成，无法替代企业原有的数字化流程和系统，也无法替代人们的工作。而且大模型领域发展变化非常快，我们当时甚至考虑过训练自己的模型，包括垂直领域的模型。但后来发现，大模型每三个月就会有更好的模型、工具和生态出现。

所以，我们当时的实践经验是，如果一个项目超过一周还做不出来，就先暂时放下。即使这个场景看起来很有前景，但如果一周内落地后发现准确率不高，不妨先搁置半年，可能到时候就能顺利落地了。没必要在一个短期内无法解决的问题上耗费过多时间。

比如预订会议室这个场景，在当时对大模型来说是一个难题。如果为了提高准确率，写一万个Prompt，将准确率从86%提升到92%，其实并不划算。因为过半年可能更好的模型出现，就能直接达到100%的准确率。我们当时做了一件比较有趣的事情，就是为每个场景定义一个测试数据集。以会议室场景为例，不管哪个大模型，我们先自己确定1000个关于时间、地点、人物的测试数据。每当有新的大模型出现，就用这个数据集进行测试，如果在这个数据集上表现良好，那么这个大模型在该场景中落地的可能性就很大。

因为测试数据集和实际场景可以分开，测试数据集花费的时间较少，可能半小时到一小时就能完成。而将大模型真正应用到实际场景中进行落地实践，可能需要一周的时间。所以，在整个AI应用过程中，我们并没有投入过多的精力和资源，而是持续关注大模型AI领域的发展动态。每隔一段时间，就拿出之前的想法和数据重新测试，看看哪些可以快速落地。

同时，我们为每个员工提供接触先进AI技术的资源。每个员工都有机会接入各种大模型、使用API，我们还为员工准备了虚机，并在其中安装好相关工具。以前我们提供的是AI搭建的开源平台，现在MCP很流行，我们就思考如何让AI能够调用各种工具。比如，AI要调用本地电脑的计算器，如果无法直接调用，我们可能需要在内部搭建私有云，或者在公有云中建立一个资源池，将上万种开源工具整合到这个MCP资源池中，让AI能够随时调用。这样，员工在使用AI时，就不需要自己编写程序去调用工具，大大降低了使用难度，能够快速看到AI应用的效果。

企业中的AI转型是自下而上推动的

袁晓辉：

您刚才提到为每个员工匹配资源，这里的员工是指有技术背景的，还是全体员工呢？在这个过程中，让员工接触AI也是组织转型的关键一步，但并非所有员工都有技术背景，很多是文科背景，你们是如何做的呢？是通过培训、宣贯，还是分享最佳实践案例呢？

沈旸：

我们采用的是类似线下的方式。一开始，我们会分发一些相关文章，组织员工加入群聊。每个部门都会有一些对AI比较热心的用户，我们让他们负责处理自己部门的AI应用场景。用一两天的时间，快速将他们的想法落地成一个AI Agent，然后让他们在部门内进行推广。

袁晓辉：

这是自上而下的要求吗？

沈旸：

我认为不是，这是自下而上的过程。在任何公司里，都会有对AI特别热心的团队和个人。比如我和我的团队，以及其他团队的一些成员，都对AI很感兴趣。大家会在资源允许的前提下，自发地思考如何将AI应用到实际工作中，落地各种场景。

袁晓辉：

但总要有个发起者吧？

沈旸：

我觉得不一定需要特定的发起者。每个公司都有对AI充满热情的人，他们会主动去探索AI的应用。如果采用自上而下的方式，目标可能会不切实际。比如在2023年说要把整个公司变成AI原生企业，在当时是不可能实现的。2024年说要建立企业的AI原生大脑，推翻原来的业务流程，同样也做不到。我们必须关注整个AI生态的发展变化，逐步推进。

在企业中，很多项目都需要立项、申请预算并得到老板的批准，这就需要讲一个宏大的故事。但这样往往会导致项目进展缓慢，而且充满不确定性。因为很难确定在2023年、2024年具体能落地哪些成果。多次这样的情况后，公司从董事长到CEO，所有人都会对AI项目半信半疑，等到真正适合大规模应用AI的时候，反而不敢全力投入了。

袁晓辉：

这确实很有启发。之前我们认为数字化转型是一把手工程，需要CEO有相关意识，才能打通部门之间的信息壁垒。到了AI原生阶段，我原本也认为一号位要有这样的意识，但在推进和落实过程中，似乎自上而下和自下而上的方式都需要结合。就像您刚才说的，发动公司里对AI有热情的种子选手，为他们提供资源，让全员都能接触到，然后逐步扩大应用范围，甚至可以从非核心场景入手。

沈旸：

AI和原来的数字化有很大区别。在数字化建设过程中，大部分软件和生态体系都非常成熟。比如使用ERP系统，可以选择Oracle、金蝶等，数据库也有很多成熟的产品可供选择，甚至可以自己搭建。而且，一个ERP软件今年和三年前相比，本质上没有太大区别，可能只是迭代了10%左右。在这个过程中，更多的工作是克服内部阻力，以及让内部系统与外部产品相匹配。

但AI时代不同，每天都有新变化。比如在2023年，我们设想过类似于Manus的场景，花了一个月时间准备去做，但当时的生态体系并不具备相应的工具链，我们也没有必要投入大量资源从0到1去搭建，毕竟这不是我们的主营业务。所以，在AI时代，我们需要每天关注社会和AI领域的变化，了解其他团队或公司做出了哪些真正落地且有效果的成果，这些都非常重要。现在，不能只看别人做的PPT，一定要关注实际落地效果。如果别人已经落地的项目，我们拿过来往往半天就能实现。

袁晓辉：

是的，比起实际的业务效果，让组织真正转化为一个AI原生组织，让大家愿意不断探索，我觉得这才是更重要的事情。因为有了这样的组织，才能更好地应对未来的变化。但我刚才听您说的自下而上的方式，仔细想想也不完全是这样。您在公司担任副总裁，有一定的组织能力，当您看到一些想法有实现的可能时，会推动它们变成现实，这个力量还是很关键的。

沈旸：

像我这样的人在每个公司都有很多。

袁晓辉：

那他们是不是可以站出来，和下面热爱AI的同学组成社群进行互动呢？这也很重要。

沈旸：

这是一方面。另一方面，在AI领域，变化太快，每个阶段都需要深入思考。比如今年AI能做什么，明年、后年又能做什么，需要有一个预判。很多高管如果对AI的理解不够深刻，不管是采用自上而下还是自下而上的方式推进AI项目，都可能走向两个极端。而且，AI项目对工程要求很高，在拆解项目时，一定要确保拆解后的环节能够落地。同时，对开源工具和体系也要有非常熟悉的把控。我之前深度参与过一些开源项目的建设，去年我们团队还参与了一些AI平台的开源建设，所以对这些领域的变化和落地方式比较了解，做起来也比较得心应手。

AI Agent还会有哪些玩法？

袁晓辉：

您能不能再举几个例子，比如除了预订会议室，现在AI Agent还有哪些有意思的应用，大家都有资源去尝试？

沈旸：

去年有一个例子，放在今年可能就比较普通了。在2024年9、10月份的时候，银行都有风控环节，很多风控模型是建在Excel里的，而不是系统中。因为不同业务有不同的风控团队，新开展业务时，可能会从外面挖一个团队过来，他们会把原来的风控模型带过来。这些模型在Excel里的建模非常复杂，当需要输入参数时，通常是销售等人员将客户信息提供给风控人员，风控人员再输入到Excel中，刷新后得出数据并进行传播。但这种方式数字化体验并不好。

袁晓辉：

大家都得拿Excel表格去填数据。

沈旸：

对，而且风控人员一般不会把Excel表格给别人，因为这涉及公司机密。把这些模型做成系统也有很大难度，一是模型可能经常变化，二是做成系统可能会导致数据泄露，而且系统也不像Excel那么灵活。有时候说excel是最好的系统，确实是非常好用的一个平台跟体系。

当时我们做了一个简单的工具，通过与企业微信聊天，收集聊天数据，然后让AI将数据分类处理，使其符合Excel的理解场景。我们把Excel放在受保护的云桌面里，将云桌面密码交给风控人员，我们不接触数据。这样，原本开发一个系统可能至少需要两三个月，还会有很多扯皮的事情，现在半天就解决了。在业务探索过程中，这非常重要。很多时候，开展新业务一开始都是靠手工操作，那做手工的时候业务部门就会提出来说，我能不能把它线上化？

但从公司的角度来看，如果没有看到规模化的可能性，就不太愿意投入资源做系统。而业务部门会认为，如果不实现线上化，就无法规模化发展，这就形成了一个先有鸡还是先有蛋的问题。对于老板来说，不可能为每个新业务都投入大量的IT资源进行尝试，因为可能尝试100个场景，最后只有10个成功，其他的就都浪费了。这种情况在创新型公司非常常见。我们做金融相关的场景，每个场景都不一样，今天做进出口业务的风控，明天做电商的，后天又换一个场景，每年都有变化，不可能每年都针对这些场景做一个系统并进行迭代，否则三年后要做太多系统了。

袁晓辉：

所以这种方式特别适合快速变化的业务背景，以及对权限控制有要求的场景。现在有了AI Agent，大家可以通过与它交互来调用云桌面里的风控模型。

沈旸：

接着说里面调用环节的风控。我做这个事情，就花了半天时间，半天就把它搞定了。不过，做这个事情，首先得有点工程能力，把企业微信里聊天相关的事情处理好；第二是要把AI Agent进的平台用好；第三是做好云桌面的安全保护；第四是云桌面得有个API接口，用来和excel交互。

其实每一块都不算难。要是大家熟悉开源技术、熟悉AI，每一块花一两个小时基本就能完成。但要是不熟悉，可能就会踩很多坑。最后我讲了这么多，发现其他人要是想尝试这个场景，可能得花一个礼拜甚至一个月，那就有点得不偿失了。但在我们这儿，半天就能完成原本三个月的工作量，效率一下子就提高了很多。

袁晓辉：

这个开发工作是由某一个人主导，去实验并落地的，还是好几个人一起做的呢？

沈旸：

一个人就够了，一个人就能完成。

袁晓辉：

就一个人啊。是这个人一开始有这个需求，然后就去做了吗？

沈旸：

一开始是有风控这个需求，但我们一直没答应做。因为我们觉得这个工作量比较大，而且在安全方面，大家一直没讨论出个结果，没有达成共识，不知道怎么做才更安全。但后来AI相关技术出现后，我发现半天就能把这个事情搞定，还能保证模型的安全保护，就顺便把它做了。现在其实有很多类似的场景，以前评估做这些事要花很长时间，而且还不敢保证做完后业务规模能提升起来。现在很多这样的场景都可以用AI来解决。

袁晓辉：

所以这相当于是加快了企业创新探索的步伐，在这个过程中还能孵化一些新的业务。

沈旸：

我觉得这对未来的一些中小型公司，或者蓬勃发展的新领域的企业来说，是很有意义的。很多企业都可以尝试用这种方法，哪怕准确率达不到百分之百，对开展新业务也是有好处的。可以等业务规模做大了，再把相关流程固化成系统。毕竟用AI搭建虽然快……

袁晓辉：

但问题也不少。

沈旸：

没错，它有典型的问题。比如说，它的速度肯定比做成系统要慢一些。假设把它做成系统，登录网页刷新一下，2秒钟就能出结果。但现在通过对话聊天的方式，至少得5到10秒钟。

袁晓辉：

对，响应更慢。不过形成想法的过程会更快。

沈旸：

对对对。我们可以算笔账，用AI处理可能要10秒，原来系统只要2秒，看起来多花了8秒。但从节约人工的角度看，节约了三个月的人工成本。把三个月的人工换算成这8秒，能做不少业务呢。所以慢一点也能接受。等以后应用规模扩大了，很多个8秒累积起来，觉得值得做个系统优化了，再去做也不迟。AI有很多缺点，但好处是未来业务人员、需求分析师或者产品经理，都不太需要和开发人员频繁沟通，就能把原型搭建出来。

未来软件生产模式的变化

袁晓辉：

那开发人员是不是就没那么重要了？

沈旸：

我觉得不能这么简单地看。开发人员原来最大的困扰在于整个软件开发的组织体系太复杂了。尤其是做to B软件的时候，甲方是一个团队、一个组织。在这个组织里，要达成共识就很困难。而且用户和客户还不一定是同一拨人，比如可能是IT团队买单，但业务部门提需求。这样需求就从客户的业务团队，到客户的IT团队，再到乙方的项目经理、产品经理，最后才到技术人员。哪怕是开发一个很小的软件，也至少需要一堆人参与。这些人之前可能都没磨合过，没一起工作过，效率肯定不高。从原始需求提出，到开发出产品交给客户，客户内部传阅一圈后，发现不是自己想要的，这种情况太常见了，效率实在太低。

现在的软件开发平台其实可以进行大的重构。所有人可以通过聊天的方式在一个群聊里交流，右边就像是软件自动化生产的工厂。想要什么软件，大家通过聊天就能把原型构建出来。

袁晓辉：

然后看看是不是自己想要的。

沈旸：

对，大家能看到原型的界面、交互过程等，这些都是业务部门比较关注的点。达成共识后，剩下的交给AI开发人员或者开发工程师去做开发就可以了。但这样也会产生更多的需求，可能比以前多100倍甚至1000倍。我昨天写了一篇文章，说软件在过去是个奢侈品。因为任何公司开发软件、购买软件或者做软件定制化，哪怕只投入几个人天的工作量，也要花费上万元。要是几百个人天，那就是几十万甚至上百万。几十万上百万对于个人来说，很少有人会花这么多钱去买企业级软件。大家买软件一般也就花几百块、几千块，最多了。拿买设计软件来说，可能也就千把块钱。但几千块钱换算成软件的人天工作量，也就两三天，两三天能开发出什么高质量、效果好的软件呢？不过未来软件成本会急剧降低，同时可能会带来需求的爆发式增长。软件公司可能会像工厂一样高效地帮助把原型落地。过去再厉害的软件公司，感觉都像个小作坊。

袁晓辉：

以前的沟通成本非常高，而且像POC（proof of concept，概念验证）能不能跑通，都要耗费几个月时间。要是没跑通，这单业务就没了，所有人投入的时间都白费了。

沈旸：

现在假设我是乙方公司，做了5个POC，最后只成了一单。其实我会把这5个POC的成本都算到最后这一单里。

袁晓辉：

最后算到那一单里面，对吧？

沈旸：

也不能说是冤大头，但确实是这样。比如报价的时候，研发成本可能报200万，可真正的开发成本也许只有40万，因为要把POC的成本、人力成本都算进去。但客户就很难理解，为什么这些成本要他们来承担。就是因为这里面有太多磨合的不确定性，极大地提高了行业成本，让软件行业成本居高不下，大家还抱怨软件不好用。

袁晓辉：

对，后面可能就是Agent as a Service（智能体即服务）。以前是Software as a Service（软件即服务）。以后智能体可以帮你测试、试验，跑通场景。真正需要大规模生产的时候，再找专业程序员做架构。当然，程序员也可以调用AI工具辅助开发，但还是会有一些专业性很强的工作要做。

沈旸：

过去很多程序员工作得也不开心，觉得自己就是在搬砖。一方面，企业内部的产品经理天天指挥他们干活；另一方面，客户那边的甲方产品经理各种要求，有些要求还明显不合理，但程序员还得按要求做，大家干活都很憋屈。未来要是分工合理，大家可能会干得更专业、更开心。至少接活的时候，能明确自己擅长哪方面，接到的单子也比较确定，知道自己能做好，这样大家目标更明确，工作起来也更开心。

袁晓辉：

确实按照这个思路推演下去，未来还是比较乐观的。大家可以把时间和精力解放出来，去做真正有价值的事情。

沈旸：

当然，这也取决于供应和需求的变化。比如这种模式出现后，需求能增长多少，AI的供应能增长多少，目前还很难判断它对整体格局会产生什么样的影响。

袁晓辉：

听起来好像更多的钱和利润会被那些有能力提供大模型基础的公司赚走，毕竟流程里有试错成本。

为什么最牛的大模型会是开源的？

沈旸：

也不一定。大模型本身其实很难作为直接赚钱的工具。大模型很像硬件基础设施，它和普通软件不一样。而且我个人判断，未来最厉害的大模型肯定是开源的。在训练方面，也会遇到天花板。比如目前的天花板可能是接近人类水平，达到这个程度就够用了，大家不会再花十倍、百倍的成本去研发更牛的大模型。

袁晓辉：

你为什么觉得最牛的大模型会是开源的呢？

沈旸：

知识本身就是开源的，没有什么知识是独一无二的。

袁晓辉：

有独有的知识啊。

沈旸：

其实并没有，只有信息是独有的。比如某个公司要发布年报，那这部分数据信息就是独有的。

袁晓辉：

但是像专利，专利可能就是独有的。

沈旸：

对，不过专利需要在物理世界通过司法保护才能得到维护。知识不一样，知识可以告诉你怎么做，你可以照着做，只是最后可能需要交专利费，或者可能会涉及打官司，但知识本身一定是开放、开源的。只要是能口口相传的知识，最后肯定会被大模型吸收进去。

袁晓辉：

但现在很多公司手里有最领先的模型，并没有开放出来，当然也有开源的路径。为什么你觉得最牛的大模型一定会开源呢？毕竟那些公司手里的大模型也是知识，只是它们独特的排列组合方式还没被更多人看到。

沈旸：

举个简单的例子，大模型未来肯定要被别人使用。别人不管是用什么方式和它聊天、对话，这些信息都无法阻止其传播。任何商业软件的大模型对话内容，都可能被拿去训练另一个大模型。哪怕……

袁晓辉：

你的意思是可以学习借鉴，对吧？

沈旸：

就算不这么做，也无法阻止信息流通出去。

袁晓辉：

无法阻止。就相当于用蒸馏的方式，把数据拿出来再去训练另一个模型。你觉得这可以实现，是吧？

沈旸：

这很容易实现。

适应不了组织变革被裁掉的人该怎么办呢？

袁晓辉：

这可能也是OpenAI不开源他们那个思维链的原因。顺着您这个思路推演下去，未来还是挺值得期待的。但在这个过程中，会有很多人面临不同的情况，要么跟上节奏实现转型，学会定义智能体，提升组织流程；要么就会被裁掉，跟不上形势。那些被裁掉的人该怎么办呢？

沈旸：

我觉得社会最后肯定会给大家提供转型的机会。可以往其他行业转型。我们也该反思一下，社会为什么需要这么多脑力工作者呢？

袁晓辉：

那我们都去做体力劳动吗？

沈旸：

不一定，体力劳动也不意味着就是吃苦。我在美国住的时候，附近有个叫艾米奇的村子，特别有意思。那是一帮德国移民建立的部落，他们那里只有马车，几乎不用现代工具，生活方式和一两百年前差不多，但他们的生活质量并不差。关键是要保证整个社会的生产产出足够就行。关于脑力劳动，未来可以思考社会还有哪些知识领域没有得到充分开发。比如物理、数学里的各种公理公式，我们可以投入更多人员，比如让他们去学校做科研。当然，科研产出可能100个人里只有一个能出成果，但其他人也能享受科研的过程。

沈旸：

现在做科研也能享受这个过程，而且在学校里，学术研究环境可能更激烈，也许比在企业里让知识变现、看到科研成果的路径更短，成本也没那么高。相比企业，在高校做科研的成本反而没那么高。这可能也是一种发展方向。还有一种就是回归生活本身。

袁晓辉：

回到人与人的沟通。

沈旸：

对，回到人与自然对线下的。线下其实还需要很多服务，大家也希望有更好的体验，比如更好的住房。现在大家的住房需求都满足了吗？汽车需求都满足了吗？周末度假的需求都满足了吗？

袁晓辉：

我觉得需求肯定没被满足，但是由于分配机制的问题，导致底层的人没有足够的钱去消费，或者没有消费的意愿和动力，不敢把攒下来的钱花掉，这是个大问题。所以在促进AI原生社会繁荣方面，应该想办法保证对所有人公平、普惠。

沈旸：

没错，这是肯定的。

袁晓辉：

你觉得这是必然的发展趋势吗？

沈旸：

必然会这样演化。

袁晓辉：

但是去年诺贝尔经济学奖得主阿西莫格鲁(Daron Acemoglu)的文章里提到，科技进步并不一定意味着社会繁荣。从几千年的发展历史来看，会出现严重的两极分化，而且这种情况可能会更严重。

沈旸：

不同的社会、不同的企业会有不同的选择。未来很多国家可能会有社会保障方面的应对策略。本质上AI如果都能做的事情，那为什么别的AI不能做，因为最终结果如果都是AI进化那个自己的话，其实跟人关系并不会跟公司关系都不会特别大，那为什么说AI只是说没有欲望而已？AI没有花钱的欲望是对吧？他没有欲望。

袁晓辉：

对，这就涉及更深入的问题了，AI要是产生意识的话……

沈旸：

它一旦有欲望，赚钱速度比人快多了，它不吃不喝，还能无限复制，在赚钱方面人根本竞争不过它。

给企业推进AI转型的建议

袁晓辉：

没错，所以还是要回到人的本质问题上。如果最后让你给企业做AI原生转型提些建议，除了刚才提到的全员要有意识、提供充分的资源和工具、先尝试做起来，还有其他建议吗？比如是不是需要更敏捷的组织？

沈旸：

敏捷组织的话，尽量先在个人和部门内部形成闭环。因为一旦涉及跨部门、跨组织，就必然涉及人的共识问题。这是传统软件擅长解决的，大家通过频繁开会来达成共识。

就像ERP软件，我觉得ERP软件未来的核心竞争力并不在于技术。单纯把代码拿出来让AI重写，AI是能做到的。但难点在于，大型ERP是跨组织的，落地的时候，各个部门要经过无数次的讨论、利益博弈，才能形成所谓的共识。这个过程很复杂，要找到最佳实践方案，让所有部门都受益，实现公司利益最大化，需要花费大量的时间成本。目前靠AI很难做到这一点。

袁晓辉：

就是说还是要靠人达成共识，甚至得通过争论来解决问题。

沈旸：

如果公司目前还是以人为主导，那传统软件和相关模式还是有存在的价值和优势。但在部门内部，很多时候可以形成很好的闭环。可以快速实现创新、落地，甚至可以摒弃原来的一些流程，这取决于每个部门自己的想法和做法，部门可以把一些流程改成AI原生的。未来部门之间会怎么发展，这是下一步要考虑的问题。

现在我觉得企业如果想做AI原生转型，应该先关注个人和小团队层面。不要想着一下子让整个大组织实现AI转型，因为变化可能非常快。比如2025年、2026年可能还在探索跨组织的AI原生，到2027年说不定整个公司就无人化了。一定要紧跟AI发展的节奏，预判手上的事情多久能完成。如果判断半年就能让公司实现无人化，很多公司可能都会去做，最后可能就变成一种股权关系，某个实体实际控制公司，但公司里可能真的一个人都没有。

袁晓辉：

所以对于组织内部的小团队、个人来说，还是要以人为本。假设未来走向公司无人化，我们得思考自己能不能成立一人企业。在这种情况下，自己还能不能找到价值。

沈旸：

成立一人企业的前提是个人要充分与社会、组织进行信息交互。不是简单的暴露，而是要把自己的优势、劣势都展示出来。通过流量、短视频等方式，让其他组织能通过AI与你进行交互。流量分发、信息交互这些都变得很重要。不然一个人开公司很容易，但业务从哪里来呢？

袁晓辉：

对，谁来找我合作，怎么建立信任呢？

沈旸：

没错，怎么建立信任是个大问题。还有为什么要和你合作，合作的商业模式是什么，过去有哪些成功的商业模式，帮助过哪些人等等。这些信息都要很容易被记录下来，而且能被AI搜索到。

现在AI可以通过MCP server找工具，未来找人是不是也得有类似MCP的协议呢？如果我是AI，想找某方面的人，怎么才能找到呢？又怎么让对方知道我的诉求可能会被接受呢？这是个非常难的问题。

袁晓辉：

对AI来说这是不是很有挑战性？

沈旸：

非常有挑战。而且如果未来都靠AI来做这些事情，AI得对你有足够的了解，知道你喜欢什么样的公司、组织和人。未来一人企业肯定会越来越多，全国有10亿人呢。

袁晓辉：

就是这些公司之间怎么协作的问题。

沈旸：

对。

袁晓辉：

在这个基础上可能会诞生新的平台，把这些个人公司组织起来，给它们提供更好的工具。

沈旸：

对，还有商业模式的问题。在公司组织里，是发工资的模式，不会针对每一件事进行考核，不会因为早到五分钟或者写了一行代码就多发钱。但变成个人公司后，商业模式就要细化、细分，具体到某件事、某个产品或服务上。过去靠组织才能形成产品和服务，个人很难做到。

袁晓辉：

所以要有创业意识，对现金流也要有清晰的认识。

沈旸：

对对对。现在AI能补齐个人的短板，有可能让个人提供更完整的服务。这是组织或个人未来向个人公司转型的一个重要基础。

袁晓辉：

谢谢沈总的启发，我收获很大。沈总自己有个公众号叫“信息化与数字化”，大家感兴趣的话可以去看看，更新频率挺高的，探讨的都是比较前沿的话题。今天我学到了很多，对未来也更乐观了。如果未来大家既能在现有组织里实现转型，又能掌握和AI打交道、成立个人公司的技能，那就没什么可焦虑的了。

沈旸：

对，是这样。

袁晓辉：

好的，谢谢沈总。

从AI原生看AI转型：企业和个人的必选项