Vol.200 专访脉脉林凡：AI能为社交和招聘带来什么新变化

摘要

• 中国长不出 LinkedIn 的核心是供需关系，不是产品：移动互联网十年工作太好找，“老板为什么要跟求职者聊？ 因为求职者不好招我才愿意花时间跟你聊”，所以 Boss 直聘的快速匹配赢了；如今一个岗位一千人投递，关系背书的价值回归，脉脉正重启职场社交——辅因是绕不过的微信生态，赌注押在"零零后说你加我脉脉不行吗"的代际变化上。
• 林凡的时代判断：互联网只改生产关系，AI 是生产力革命，To B 是中国往后十年最大的希望。 To C “都是基座大模型的事儿”（Perplexity 过得不好、这类生意被 Grok 抢了很大一块），而 AI 让中国 To B 从"只能提供过程价值"转向结果交付——“提升 10% 业绩你给我 5% 分成，这个好谈啊，没到我就不付。”
• 招聘的重构路径已量化：猎头 70% 甚至 90% 的工作 AI 能干，“猎头界的贝壳"全失败是因为那是生产关系解法、必须等生产力革命；未来五年标准化岗位实现"一键到岗”，入职才收钱，“招聘或求职像打车一样简单”，再加"人力上云"把人力成本变成可变成本。
• 最干的技术定义：AI 上限极高下限极低——IOI 拿全球第七的金牌，“改一个小 bug 说死了都改不对”；单轮 85% 准确率十轮后掉到两三成。" AI to B 的本质，就是让 AI 的下限变得足够高"——高到能直接雇佣 AI 员工。
• AI 人才市场是今年最重要的人才事件：带 AI 关键词的新发岗位占比从 2024 年 12% 升到 2025 年 1-10 月近 19%，DeepSeek 时刻后九月岗位量同比涨十一倍；硅谷聊 AI “全程中文一点都不戏剧化”，技术核心华人占一半以上，人才流向"很多都是中国挖美国的"。
• 中美创新差异是概率乘法：中国人做 ROI 大的事、风险厌恶，美国人愿赌 5-10% 成功率的事，“美国可能有一百个人愿意做，中国可能只有十个人”——80% 的领域中国非常强、垂直应用更快，20% 长线高失败率创新属于美国；对梁文锋的判断毫不留情：“那是个赌运气的事情，很难指望他按节奏给出大招。”
• AI native 组织三级跳：人人都是程序员（AI 干 20-30%）→ 人人都是管理者（60-70%）→ 人人都是 CEO（95%，一人公司遍地）；终局"出生即退休"。 脉脉自己 20-30% 工作量已 AI 化（二三年起不用 Copilot 就开掉员工），林凡本人 50-60% 的工作在与 AI 探讨，连管理层面的"残酷真相"和逐字稿都让 GPT 出。
• 脉脉的仓位：连续两年盈利、无需外部输血，但"今天真有大机会时需要大投入"，找钱重回第一位；相对初创的护城河是数据——“差不多会影响至少一年到一年半”，“我从来都不担心初创公司”。 风险自知：Boss 直聘当年做大就出乎他意料，最终是"愿力刚好跟社会趋势 match 在一起"加运气。

精读

1. 开场纠偏：脉脉不止八卦，博士只念了一学期

• 李翔的刻板印象开场：大厂人上脉脉干两件事——看自家公司的负面八卦、看要招岗位的行情。林凡补上被忽略的一块：市场、销售、商务在脉脉上接触目标客户，“聊可能的合作机会”，这才是职场社交价值里最常被低估的部分。
• 另一个纠偏：他博士只念了一个学期。2002 年夫妻俩都拿到美国 PHD offer，9·11 后妻子签证被拒，他回国结婚想以 F2 身份带她出去未果，自己的签证又因为读人工智能被军方复查——“我们可能是军方项目非常非常外围的分析工作，但 anyway 就是会有这些影响。“于是留下跟王小川干活。AI 专业在美国成为敏感领域，那时就开始了。

2. “职场大众点评”：八卦印象背后的真实需求

• 林凡承认八卦印象是"大家正常的反应”，但偏差很大：移动互联网十年工作好找，求职者手握三四个 offer 要评估——“字节的一个什么岗位，这个薪水合理吗？做的工作内容有没有坑？“公司员工天天蹲在平台上答：“今天你别来，这个部门马上就要被裁掉了”，或者"年终奖发得特别多，十二个月、二十四个月”。
• 求职用户给脉脉起的名字是"职场的大众点评”——“找一份好工作、不跳坑的非常好的平台”；把它当茶水间爆料看的，多是不来做求职决策的旁观者。

3. 社交核心是关系，社区核心是内容

• 林凡的区分：职场社交靠人脉建立和基于人脉的信息交流兑现职业、合作、学习机会；职场社区核心是内容——UGC 让优质内容被更多人看到、讨论，“这群人懂我，我也懂这群人"的氛围感和精神归属。
• 社区难赚钱的互联网老话题，脉脉稍好一点：“我们有很好的社交底子”——所有用户填了真实公司和真实身份，招聘、会员业务因此立得住。

4. 前史：搜人搜索引擎为什么不成立

• 2012 年创业的第一个产品不是脉脉，而是抓取微博、腾讯等数据做的搜人搜索引擎（后来还做过基于人脉网络的相亲交友平台，当时叫"秘密”）。半年后发现根本问题：“找到那个人其实只是开始”——你要建立连接、沟通交流才能达成目的，而对方"并没有把自己的 information 放在这个搜索引擎上”，信任从第一句"你从哪看到我的"就出现巨大隔阂。
• 教训沉淀成脉脉的地基：必须拥有自己的社交网络，用户自己知道"我在这个平台留下了资料"，才会接受陌生人的链接。2013 年才推出脉脉——中间还因为对老东家大街网创始人的敬意，刻意先避开了 LinkedIn 方向。

5. 中国长不出 LinkedIn：供需是主因，微信是辅因

• 核心机制：供需关系决定匹配模式。工作好找时投简历、直聊效率最高——“老板为什么要跟求职者聊？因为求职者不好招，我才愿意花时间跟你聊”，Boss 直聘因此起得快；而海外常态是工作难找，需要关系背书——“一千人投递你怎么判断好坏优劣？最后还是找朋友问有没有推荐的。“这解释了为什么领英模式"在中国之外所有的国家都是 work 的”。
• 辅因是生态：“你绕不过的核心壁垒就是微信。“真实案例：用户在脉脉找到十几二十个高中同学拉群，“聊着聊着说要不去加个微信吧，整个群就加到微信上面去了，来脉脉就少了”。海外重视 privacy，工作上的朋友不加 Facebook、只在 LinkedIn 聊，没有这个虹吸。
• 林凡把希望押在代际上：很多零零后讨厌老板加微信——“你就不要加我微信了，你加我脉脉不行吗？我们还蛮希望有这样一天存在的。”

6. 十二年两段史：wishful thinking 反思了半年

• 分期很清楚：一三年到二零年上半年对标领英做社交；二零年下半年至今做社区——offer 比较、裁员降薪后的安全感讨论，“在微博上说年薪三万的人被裁了，大家觉得你凡尔赛，但互联网圈子里有一群懂你的人”。未来重回社交：“中国职场人 someday 一定会开始重视长期的职业口碑。”
• 为什么拖到二零年才转向？“创始人总是有一种愿力的，我经常被投资人批评这叫 wishful thinking。“用户规模一直在涨、一八一九年融了大钱，坏信号被无视（连接都转去微信、“我但凡在脉脉上写个帖子，领导就问你是不是想跳槽”），直到社交活跃度下行，而只有两三个研发加两个运营的社区板块一直活跃——“你就开始反思是不是无视用户需求”，反思了大概半年才放弃社交路线。
• 这次重启社交的克制来自团队：下属拉住他，“老板你要清醒一点，你的大盘子是基于社区的，千万不要上来就搞个社交，又把社区给搞没了”。判断标准也改了：“什么时候社交你不怎么努力它也开始疯狂长，那它可能就对了”——由用户需求 drive，而不是愿力。

7. 愿力驱动没毛病，但你得活在牌桌上

• 李翔举英伟达，林凡补比亚迪：都是熬十几二十年的愿力公司。但他的修正很实在：“愿力驱动本身没毛病，我只是觉得你也要活着——做游戏玩家的显卡肯定不是老黄的初衷，但为了活着他肯定要先干好这个事。“脉脉的对应物就是社区。雷军的生存论也被引用：打不散的团队、永远花不完的钱、足够大的赛道，“总有一天你能爬出来”。
• 财务现状：一八年后仍有隔一两年的小额融资、未对外宣传，这两年是盈利状态——“能养活自己就不用找投资人的钱”；但转折在后半句：“今天真的有一个大的机会的时候，你需要有大的投入才能抓住。”

8. 领英退中国：没熬到黎明；卖给微软：愿力的差异

• 领英退出分三段：赤兔关停（他印象中一九年）、另一项产品关停、二三年连招聘业务也关。林凡"有点悲伤”——赛道只剩一家 player “说明这个赛道不大”。两点宽慰：领英中国其实是赚钱的，退出是地缘政治而非市场因素；以及他对领英同事的原话：“你们没有熬到黎明——我还在牌桌上，我争取活到那个大红大紫的时间点。“对方一四年正式进中国，熬了十年没等到。
• 微软那笔账：230 亿美金收购时 LinkedIn 收入才 30 亿、市值约 100 亿美金，近一倍溢价，“所有人都觉得怎么会卖这么贵”；如今年收入 200 亿美金以上、纯利约 50 亿，“大家觉得至少值一千亿美金”。他当面问过 Reid Hoffman 为什么卖，答案是"还有更多有意思的事儿”——李翔：“这回答特别 PR。“林凡：“卖完之后只能这么说了。”

9. 互联网改生产关系，AI 是生产力革命——To B 的时代

• 底层判断：互联网本质只改变生产关系（人和人的连接、信息交流、在线服务），崛起的是"商业模式加 To C 产品”——字节、微博、美团、滴滴皆如此；AI 的本质是生产力革命，技术成为最重要的杠杆。看跑得更快的美国：To C 基本只有基座大模型公司活得好——“Perplexity 现在过得也不太好”，这类生意"被 Grok 抢了很大一块”；To B 从 GitHub Copilot 到 coding、广告、法律、医疗全面开花。
• 他的类比是工业革命：机器先造福 B 端生产者，再传导到 C——“AI 对服务业产生巨大影响，它通过人力资源优化和替代去服务 B 端，然后从 B 端再反向到 C 端。”

10. 猎头界的贝壳全失败了——那是生产关系，AI 才是解法

• 为什么打着"猎头界的贝壳"旗号的全没成？贝壳成立的前提是买卖房基本是一次性交易——“下一次再合作的概率基本为零”，平台价值大；猎头对企业和候选人都是长期连接，“我最差的情况下我自己都能活，猎头本猎头就可以”，平台价值天然小。结论：“生产关系的重构基本上不现实，你必须得等待生产力革命的机会。”
• 机会一：猎头 70% 甚至 90% 的工作 AI 都能干，人只干最擅长的 10%——比如帮候选人谈个好薪水，“这玩意儿 AI 可能还不太擅长”。机会二：“人力上云”——雇销售、雇程序员变成买云端服务，“人力成本也变成可变成本”。李翔损了一句：上一个想把大固定成本变可变成本的公司叫 WeWork。“对对对，但它有它的问题，就不展开了啊。”

11. 为什么在位者抓不住：founder 信不信技术改变一切

• 林凡的类比：字节的生意照理该是当年百度腾讯做的，“字节的推荐工程师不都从百度挖的吗？“差别在 founder 理念。他 2010 年在搜狗跟张一鸣聊过：“他说个性化推荐会是革命性的东西，我说我做过两年，也就优化了百分之二十到三十的点击率，我不太相信。他说你不懂——反正我也不说服你，他就自己去做了。“同构地，过去招聘领域成功的创始人"不会觉得技术是这个事情的唯一变量”，还要靠客情、市场宣传。
• 但他也承认这轮不同：经历几轮时代变更后"大家对技术的警惕性都很高，一开始就去买了一堆卡了”——在位者的警觉可能比外界以为的还高。

12. Gartner 曲线的自解：信仰者高频用，直到某天技术就可以了

• 他研究过曲线（原音"盖特勒”，likely Gartner）先起后落再起的机制：新技术出现大家围观使用，发现"水平还差得挺远"就退场；再起是因为少数极度信仰的人依然高频探索尝试，“someday 某一天这个技术就可以了”，然后口碑传播。招聘同理：“好多人说面试这些节点技术搞不定，但我们属于技术偏执主义的——这个搞不定就再换一种，这个过程反而是核心竞争力，一旦跑通会有强烈的规模效应和马太效应。”
• 渗透现状盘点：各家做得最深的是筛简历和第一轮沟通；AI 面试"仅对蓝领是有效的”，外加应届生初筛——只做快速的行为判断，不做复杂的知识性判断；其余环节都面临较大技术挑战。
• 挑战的量化：AI 单轮对话准确率约 85%，聊天够用，“但你要跟他做正事，十轮对话下来准确性可能就降到百分之二三十，你基本上就认为它不可用”——核心命题是十轮对话之后还能保持 99% 的准确性。

13. AI 上限极高、下限极低——To B 的本质是提下限

• 林凡整场最干的抽象：人类社会里能力上限和下限同向——“你很难指望一个 IMO 金牌算不清楚 2.2 加 2.3 等于多少”，所以大家爱招北大清华的学生。但 AI 参加 IOI 信息学奥赛能拿全球第七名的金牌成绩，“有时你让它改一个小 bug，说死了它都改不对”——上限非常高、下限非常低，“通常的职场上你要雇佣一个雇员，AI 就搞不定”。
• 由此得出定义：“AI to B 的本质，就是你有没有办法让 AI 的下限变得足够高”——高到一定程度，你就可以直接雇佣 AI 员工。

14. 脉脉的 AI 招聘产品：三分钟读五千份简历

• 打磨半年多、近两月上线，解决 HR 两大折磨：筛人慢、沟通累。筛选直接口语提要求——“我不要三年跳两次槽的，除非每次跳槽都是升职”、“不要 to C 的，只要 to B 经验的”，三分钟读五千份简历给出初步排序。还能拓展 HR 的认知边界：客户要一年经验的社区运营，人只想得到小红书、知乎、B 站，AI 推出网易游戏、华为新生内部论坛的社区运营候选人，“这个你原来根本想不到”。
• 沟通侧配 7×24 小时在线助手：真实案例是一家公司招后端研发，AI 筛了 1600 个候选人、发起 1200 次沟通、确认意向 120 人。HR 的反馈：“提效太明显了，用习惯以后就很难再去手动筛简历、手动去聊。“更大的、“改变行业"级别的创新"暂时也不方便说”。

15. Soul 和小红书：两个不错的案例；职场小红书很难做成

• 李翔举了两个不错的例子：Soul 在陌陌、探探的看脸交友体系里，走通了陌生人兴趣加情绪价值的路径，“这条路很多人都想过，真正走通的感觉只有 Soul 一个”；小红书在抖快 dominant 下崛起——视频直接刺激感官、容易成瘾，几千条一万条好内容就能服务所有人，图文成瘾性弱，要十万条级、多一两个量级的精准供给才能留住用户。“并不是说小红书的算法就比抖快强，是图文这件事本身门槛的要求高。”
• 脉脉试过职场小红书方向，放弃的推理很干脆：生活的美好可学习可复制（你去哪玩我也去、你做的菜我也学），而工作里美好的东西又少又不可复制——“字节发十二个月年终奖，你公司能写一个吗？在脉脉上分享一下，下面一堆骂的。“结论：“它不是一个生产关系能解决的事情，是生产力才能解决的事情”——一个很牛的 agent 帮你把烦的事干掉，比如筛简历。

16. 中国 To B 十年翻身仗：从过程价值到结果交付

• 过去十年中国 To B 软件全线不振（“很多投资人心灰意冷，觉得 To B 在中国是伪需求”），而 AI 恰好利好 To B——但"所有人还在削尖脑袋想 To C 创业，思维定势还是移动互联网时代”。他对创业者的直言：“你做一个星座 AI，跟以前的星座能提供多不一样的东西呢？”
• 失败的病根：“你只能提供过程价值，不能提供结果交付”——数据分析 SaaS 说不清值一万、十万还是一百万，“买的和卖的都很尴尬”。AI 让按结果付费成立：“你就卖帮他提升某个指标，提升 10% 业绩你给我 5% 或 10% 的分成，这个好谈啊——反正没到我就不付。“以前 SaaS 公司不敢做重，未来大部分服务由 AI 扛。“往后看十年，可能是中国 To B 最大的希望——someday 只要有一两家在中国成功了，大家就会意识到。我们很希望是先成功的那一两家。”

17. AI 重构社交：家底不必公开给社区，讲给 AI 就行

• 领英模式要求公开全部 profile 换取被发现的机会，但数据打脸：领英完整 profile 只有百分之三四十，脉脉两成多、还要再低十个百分点——“大部分人对把自己所有的家底告诉别人是非常有顾虑的”，而这对 matching 是致命伤，“因为我不知道什么东西适合你”。
• 破局的观察只有一句：“你把这些东西讲给 AI 听是没有太多心理顾虑的。“未来是你跟 AI 讲明白你的 profile，matching 由 AI 在后台完成，“不需要暴露到社区里面”，撮合成了再跟对方聊——中间那段被 AI 取代掉。

18. 五年内"一键到岗”：招聘像打车一样简单

• 终极形态两个特征：AI 时代长出来的一定是技术型公司（移动互联网还容得下业务型公司靠商业模式成长），且交互界面极简、背后技术极复杂——像搜索引擎，像 ChatGPT。求职者说"我想要钱多活少离家近的公司”，HR 说"北京招五个高级前端、做过大模型应用”，两边 AI 直接 matching——“活少我就跟你回一句：不可能的，没有活少的钱多和离家近，你愿不愿意考虑一下？”
• 时间表和商业模式：“未来的可能五年，标准化程度比较高的岗位基本上就应该会实现（一键到岗）"，“入职了以后才收钱，不入职就不收钱”，“招聘或者求职像打车一样简单”——那时"就没有所谓的传统招聘网站什么事儿了”。AI 还会记录你三个月离职的原因，避免再投同类公司，变成职业顾问——“有些东西 AI 会告诉你：这是你的问题，你得去解决。”
• 对"数据沉淀在旧 App 里"的豆包手机式质疑，他的回应：没那么关键——你的求职偏好、在职体验"没有发布在任何一个平台上面”，口述给 AI 就行；豆包的本质冲突"首先不是在信息上面，更多是在服务上面”——那些平台的 service 没有 API 化、把它 OTT 掉了。就像 HR 会把不写进 JD 的真实要求讲给猎头，“未来也能跟 AI 讲”。

19. 内部实验：不用 Copilot 就开掉，全员写代码

• 自建"AI 岛"把 ChatGPT、Gemini、DeepSeek 等全集成到一个平台（二三年刚出来就做了，替员工解决翻墙等问题）；程序员二三年起强制用 GitHub Copilot——“Copilot 用得不够就开掉了”，每个账号 20 美金公司付，“用完一个月以后，大家都说真香”。市场团队"原来两三个人写一个 PPT，现在一个人写一两个——效率变高了，压力也变大了”。
• 全公司约 20-30% 工作量已交给 AI——在十年老公司里"我可以很得意地讲肯定是 top 级别”，但 AI native 创业公司已到 60-70%。现在力推"人人都是程序员”：全员写代码、游戏大赛、AI hackathon，“还不是所有人都认可这个理念，但我一直在推”。

20. CEO 一半工作在跟 AI 谈：连"残酷真相"都让它讲

• 林凡自己 50-60% 的工作在与 AI 探讨：PPT 框架三轮迭代后甩给团队完善；管理问题写下来问"我该怎么办”——HR 评价 AI 的管理建议九成靠谱，“我作为只能想出百分之三十靠谱的人，剩下百分之六十都是我的增值”；跟高管脑暴对齐要十几二十分钟，AI 两三个问题就懂你，甩出十二种可能性——“我知道其中八条肯定不靠谱，有一条很闪光”，这种判断力正是强化学习式的"你知道什么是对的”，“所以对不对肯定是我来判断的，AI 不用背锅”。副作用是身份焦虑：“看它很努力干活，我去干休闲娱乐的事，会有一种不安——我这个 CEO 当得是不是不够称职？但我的工作吞吐量比原来大了很多。”
• 最触动的用法：让聊了很久的 GPT 讲"你看起来是正确的、但我可能自己没感知到的、特别接近残酷的真相”，得到七条，“至少五条很对”——包括"你对人要求很高，但对不合格的人又不很快换掉，给大家双重错觉，动力和动机就会下降”。他甚至要 AI 出管理沟通的逐字稿：“这段我说不出口，它就再吐一段，下一次就更准确了。“李翔打趣：这公司如果要搞黄了，绝对赖 AI。
• 跟王兴、王慧文聊还是跟 AI 聊？“在他们的专业领域肯定他们更靠谱，他们的上限已经是 AI 的上限的上限；但管理有很多风格和流派，他们熟悉的方式我未必匹配——AI 跟我聊了这么久，知道我纠结在什么地方、痛苦在什么地方。”

21. AI 人才市场：岗位一年涨 11 倍，“未来所有人都是 AI 人才”

• 做人才流动报告的底层理念：“到未来的某一天，所有的人都是 AI 人才。“类比二十年前"会用电脑就是高级白领”，今天没人在 JD 上写"熟练使用 Word、Excel”。数据：带 AI 大模型关键词的新发岗位占比 2024 年约 12%，2025 年 1-10 月已接近 19%，一年提升七个百分点——“估计占到百分之五六十的时候，大家就不写了”；叠加 DeepSeek 时刻，2025 年 2 月起 AI 岗位量逐月暴涨，九月同比涨了十一倍，“这是今年人才市场最重要的事情”。
• 报告的两个受众：帮企业更早做组织和人才布局，“而不是等到抢不过别人的时候才反应过来”；帮职场人规划三到五年的补课和转型方向。收入口径上难拆分（行业按账号、服务包收费），但按岗位量算约两成收入与 AI 相关，“实际应该更高——愿意超前掏钱的程度大很多”。

22. 抢人实录：每个 offer 都被拒，直到最后一面换上 CEO

• 脉脉自己抢 AI 人才"有一段时间真的叫特别惨，发出去的每一个 offer 都被拒了——到真正入职那天说对不起我去了某个大厂”。硬性改流程：所有 AI 人才招聘最后一面一定派林凡上——“我去不是去面试他的，我去是吸引他的”，讲招聘领域革命性的图景，到岗率升到约七八成。吸引的关键点是什么？“那我不能讲，等我们变成中国 AI to B 头一两家真正赚钱的公司的时候，再跟大家分享。”
• 大厂 vs 创业公司的分层很清晰：执行型人才仍选大厂（六小龙、宇树这类公司的 offer 对上大厂，很多人还是选大厂）；最 top 的 1% 反而选创业公司——“觉得在创业公司才有更大的发挥空间”。至于模型强弱：“很难讲大厂的模型就更好——Kimi、智谱跟豆包、千问相比很难讲谁好谁坏”，用户体感大厂好是因为员工多、做了精细化适配，“不见得是这个模型更强”。

23. 硅谷聊 AI 全程中文；创新差异是 100 人赌 vs 10 人赌

• 傅盛"硅谷聊 AI 不用讲英文"的短视频，林凡的判词：“一点都不戏剧化。“疫情前去美国全程英文，去年 80-90% 中文，今年全部中文——大厂团队和创业公司技术核心的华人比例都在一半以上；而且"跟老外聊比较客套和官方（参见 Reid Hoffman 那个回答），跟中国人聊反而更容易聊出有价值的信息”。跨国流动性反而不大：两边基础人才自给自足，只有最头部的少量流动，“很少有美国挖中国的，很多都是中国挖美国的”。DeepMind 所在的英国？“还是差很远。”
• 中美人才密度"基本上很接近”，差异在风格：中国人总体做 ROI 大的事、风险厌恶；美国人"我就是喜欢做这个事情，哪怕看起来特别不靠谱也坚定认为值得做”——Peter Thiel 的面试题"有哪些重要的真理是少数人同意而你认为正确的"就是在鼓励 think different。成功率 5-10% 的事，“美国可能有一百个人愿意去做，中国可能只有十个人”，概率一乘就是持续创新的差距：“OpenAI 还是持续能出来一些东西，中国 DeepSeek 出来一次，闪光了一下。“结论：80% 的领域中国公司和人才非常强、垂直应用走得更快；20% 需要长线投入、失败率高的创新上，美国更愿意冒险。
• 有人在社区问"梁文锋是在韬光养晦憋大招，还是已经交了白卷”，林凡不留情面：“跟他没关系，那是个赌运气的事情，很难指望他按节奏给出一些大招。”

24. 组织：学方法不学样子——轮岗只适合怎么做都成功的时期

• 脉脉研究过阿里、字节、华为、谷歌、亚马逊的管理法，但"确实没有完整的条件去复制任何一个大厂的体系”——学方法不学样子，拆开理念跟自己的阶段、业务、人匹配。落地差异真实存在：大厂季度 OKR 对齐可以花两周反复讨论，“我们小公司花一天就已经觉得挺心疼”；全员 OKR 推不动，“销售体系完全不适合 OKR，只能用 KPI”。
• 从湖畔回来学阿里搞高管轮岗，试验一两年后放弃，教训成体系：轮岗只适用于业务高速增长期——“怎么都是成功的，你牺牲一部分增速换这个人各方面的经验和视角”；红海竞争或增长慢时"高管频繁轮岗非常危险，临阵换帅，搞不好这个业务就死了”。佐证是阿里增长停滞后很少轮岗，还提到把一位原音疑似"吴钊"的人找回去管钉钉——"‘我换一个人来干也能干好’，实际上不是这样子的。”

25. AI native 组织三级跳：程序员 → 管理者 → CEO

• 定义：“人和 AI 协作得最好、能力合在一起发挥到极致的组织形态”，终点是"人辅助 AI 去工作，而不是 AI 辅助人去工作"。三个递进阶段：人人都是程序员——AI 干每个工种 20-30% 的任务，人负责拆任务给指令，“一个人顶过去的一点五个人”，产品经理到程序员的协同链路被跳过；人人都是管理者——agent 编排成复杂工作流，AI 干 60-70%，“以前招聘总监要三到五个人，现在一个工作流就解决了”，职能开始聚合；人人都是 CEO——95% 由 AI 完成、AI 是协同中心，“你只要清楚商业模式和用户需求”，一人公司大量出现。终局是二十年后"很可能全部工作都是 AI 干的，出生即退休，想不想工作就看你兴趣了"。李翔泼冷水：这遐想好多年前就有，结果大家工作时间越来越长。“这是黎明前的黑暗。”
• 围绕 AI 设计组织的辩护借了工业化的镜子：当年围绕机器设计组织的本质不是机器又大又重，“是那台机器能干一千个人的活”——AI 能干一千个脑力劳动者的活，所以你得围绕它重构流程。区别在方向：蒸汽机把人集中进工厂是中心化，AI 是去中心化——“你在家里都可以跟 AI 在云端协同，又可以在家里上班了”。

26. 唯一的焦虑是跑得不够快；数据优势至少影响一年到一年半

• 自称技术乐观派的林凡，焦虑"只有一个"：“我们这一代人处在重新分配机会的节点上，这次可能比互联网和移动互联网更大——在这样的机会窗口里怎么能够跑得快一点。“CEO 的核心工作排序也随之变化：“现阶段找钱就是第一位了”——但前提是"新的业务形态、技术架构、商业模式都已经想完了，二三年到二五年一直在思考研究，到现在已经非常非常清晰”。
• 在脉脉基础上做 AI 公司比重新创业更容易，他的答案"非常清晰”：AI 需要数据，脉脉的数据存量"差不多会影响至少一年到一年半的时间"——“我从来都不担心初创公司，他们没有这些数据。“估值太高会不会是融资障碍？“肯定有 technical 可以解决的方式啦。真正核心的问题是大家觉得这事儿有多大、你是不是能做成这个东西的人。”
• 收尾的自省：Boss 直聘做那么大出乎他意料——“一七一八年的时候我们比 boss 直聘要大”，对方"只是加入了一个更快速的 IM 沟通环节”，市场结果远超预期。再类比淘宝占中国电商 95% 份额仍被消费降级期的拼多多一度追平市值，“没有这次 AI 新的机会，可能阿里的市值还回不来呢”。最终公式：“真正重要的还是社会的需求和趋势，每个创业者都在试图适应它，以及有没有足够的运气，刚好你的愿力跟社会趋势 match 在一起——老黄是很幸运的。“李翔补刀：“主要是他卖游戏显卡也很赚钱。““对，这个比较重要。”

Verification Notes

• 原音“盖特勒曲线”是否指 Gartner，无法从 captions 确认。
• 原音“吴钊”的姓名及其是否为钉钉负责人，无法从 captions 确认。