89.当 AI 进入组织，那些「从没人说过的真相」｜与网易阮良聊 AI 原生组织与企业 Agent 实战
摘要
AI 的真正鸿沟不在有没有用，而在用得好不好；个人提效还要穿透流程、转化为组织产能。 网易内部，优秀工程师借 AI coding 提效 3—5 倍、有人达到 10 倍，产品经理也约提效 50%，但一个软件需求从提出到上线只由 20 个工作日缩至 17 天；阮良的结论是：“流程和组织，它仍然是这块木桶里的短板。”
企业落地 AI 要连续越过认知、个人应用和流程重构三道坎，最难的是第三道。 单点岗位的木板变长并不会增加木桶容量，真正的 AI Native 改造要删除无效环节，甚至“换个木桶”；这也解释了为什么组织简单、老板亲自下场的小公司，往往比资源更充足的大企业改得更快。
Agent 对核心 SaaS 不是终结者，反而可能成为需求放大器。 关键 SaaS 已沉入知识库、CRM、审批、安全等企业流程，未来调用者将从精力有限的人类变成数量和动作频率都更高的 Agent；阮良判断：“真正好的或者核心的 SaaS，它只会越来越好。”普通、非关键的软件则可能被淘汰。
企业 AI 的核心资产不是通用模型，而是高质量知识库、历史决策留痕和可调用的业务流程。 网易将历史决策及其依据做成 Agent/Skill，再让它复判数百个旧案例，准确率超过 90%；最终目标不是让 AI 独断，而是把人的纠正重新写回系统，形成“人站在 AI 的肩膀上，以及 AI 站在自己的肩膀上”的进化闭环。
阮良预计，执行管理职责的中层会减少，但携带 AI 军团的一线精英会增加。 两三人或三四人的小队可调度大量 Agent 和公司中台资源，前端、后端、测试等细分岗位也开始重新融合为全栈；未来高端人才谈判的可能不只是个人工资，而是“我不是一个人，我带了一个 AI 团队”。
Token 成本应按产出价值而非账单绝对额衡量，网易观察到 Token 高消耗与高绩效大概率相关。 2026 年 1 月，网易一个月的 Token 消耗可能就相当于去年全年的消耗量，但程序员每月数千元人民币的 AI 费用相较其产能提升仍很便宜；内部经验是：“你 Token 如果消耗断崖式领先，你的工作质量、工作成果也大概率是断崖式领先。”
AI 替代的是工作环节，而不是整个人及其创造力、勇气和好奇心。 卫诗婕追问：如果基础劳动被 AI 接管，人还从哪里积累判断与信念？阮良承认旧的技术性工作会消失，却认为新的技术性工作会继续提供训练场；企业若只把 AI 当裁员工具，就是“本质上想错了”。
投资者观察企业 AI 兑现度，不能只看员工使用率，而要看端到端周期、知识沉淀、决策反馈与组织重构。 最值得优先自动化的是耗时、高频、不得不做且不同员工产出趋同的任务；阮良建议先用最强、最贵模型验证可行性，再降本，因为“只要目前最贵的 AI 能搞定，未来不出两个月，那个便宜的 AI 一定也能做到”。
精读
1. AI 的想象空间远大于移动互联网，因为它开始理解并执行
阮良经历互联网、移动互联网和大模型三轮浪潮，四十多岁反而比三十出头时更兴奋：“依然像一个年轻的二十多岁、刚毕业的年轻人一样”，重新有了好奇心、斗志和理想。
他对两轮技术的区分很明确：移动互联网主要由位置、摄像头、陀螺仪等传感器带来点状创新；AI 不仅接收数据，还能理解数据、识别意图并执行，因此可以进入个人生活与组织流程的“毛细血管”。
这不是多一个入口或终端，而是软件第一次获得跨场景泛化能力。阮良由此看到的不是几个新应用，而是“几何级的想象”。
2. 个性化教育展示了 AI 最直接的普惠价值
阮良认为，教育学早已知道一对一、按阶段和兴趣定制的教学更有效，过去无法普及只是因为成本太高；AI 让每个孩子都可能拥有适配强度、兴趣甚至游戏形式的学习内容。
他以自己年少时固定题库的街机答题游戏作对照：旧软件只能执行预设模式，AI 却能不断生成个性化、娱乐化内容，让学习获得频繁正反馈，连不懂编程的人也能做出简单 Web 应用。
他听到的最佳案例是一位硅谷工程师用 Claude 扫描教材和历年试题、制定计划并反复出题，不到两个月考取一个很难的会计或税务类证书。阮良把这种知识平权类比为印刷术削弱教士对《圣经》的抄写与解释垄断。
3. 一位离开代码十年的 CEO，被 AI 拉回了一线
阮良毕业后写过七八年代码，转向团队、产品和公司管理后，近十年没有再写一行；他一度认定自己已经不会编程，也没有时间追赶语言和工具的变化。
转折来自一位同样离开编程十多年的投资人朋友：对方用 AI 写了几万行代码，超过自己做五年程序员时的总和。这让阮良意识到，“软件定义世界”重新向非一线工程师开放。
他随后用 Claude Code 打造专属 CEO 系统。第一批功能不是宏大决策，而是那些持续侵蚀管理者注意力、让“抓大放小”无法实现的审批、信息归集和上下文搜索。
4. CEO Agent 的第一价值，是夺回被琐事吞噬的注意力
阮良把审批拆成三类：大量低风险事项由 Agent 自动处理；需要斟酌的事项集中呈现；最高风险审批则由 AI 回溯前置信息，材料不足时先要求提交者补充理由。
价值不只是少开几个 OA、邮件和信息化系统。CEO 的任务常是从网状关系中发现机会与风险，而人的脑容量、状态和上下文有限，AI 可以把一条审批向外延展到相关事项。
他把节省时间视为组织机会成本的回收，也强调休息本身是生产力：“刷个短剧，看会儿风景，或者喝杯咖啡”并非浪费；人的状态有时比智商更影响下一项工作的质量。
Agent 胜过 Chat 的地方在于复利：固定信息不必每次重新提问，系统会持续抓取、整理并执行，“不需要再去 Chat”。
5. 个人提效三到五倍，组织交付却只快了三天
GPT-4 出现时，网易一度担心智能客服业务会被通用模型直接取代；真正实践后才发现，模型之外仍需大量调教、业务知识和流程结合，个人 AI 与企业 AI 并不是同一问题。
个人任务往往短程闭环，企业任务却由多人协作并跨越产品、研发、测试、供应链等长链条。链条中只要还有未改变的节点，局部的惊人提效就会被整体流程吸收。
网易原本一个软件需求从产品经理接单到上线平均约 20 个工作日。AI coding 让优秀工程师提效 3—5 倍、部分达到 10 倍，也把前后端人员变成全栈，但端到端周期只降到 17 天。
产品经理写 PRD、原型也约快了 50%，真正没有变长的“木板”却可能根本不是人，而是审批、交接等流程。阮良因此归纳三道坎：组织认知、个人短程应用、流程与组织重构。
6. AI Native 不是把每块木板加长，而是抽掉木板
阮良的修正是：“这个木桶有些木板是不需要的，你就直接抽走。”若仍保留 AI 前时代的全部岗位接口和管理动作，自动化只是让旧组织更快地产生等待。
网易智企首先拿周会动刀。过去每周约 2.5 小时的会议承担同步信息、发现问题或机会、做决策三项任务，但各部门层层准备材料所花时间可能是会议本身的十倍。
信息同步本身也不可靠：与己无关的汇报让人走神，真正相关的一句话反而容易漏掉；连总经理也不可能在两个半小时里“每一秒都那么专注，那是神仙”。
7. 周会被拆成 AI 报告与人类专项决策
新流程先由总经理和管理层定义需要什么信息，再让各部门按模板提交；Agent 扫描全部会前材料，产出精炼、聚焦并能发现跨部门关联的报告。
报告以可交互 HTML 呈现，可以留言、追问；AI 还会预先列出潜在问题和机会，由人确认和补充。同步与发现完成后，团队不再召开固定周会，只为真正要解决的问题开专项会。
卫诗婕以字节跳动的会前文档制度追问：成熟组织原本就能提高会议效率，AI 是否只是暴露了旧问题？阮良承认组织基础重要，但提醒文档文化本身也会走向信息过载。
8. 文档越容易生产，注意力越可能成为新瓶颈
网易曾在 2020 年起使用飞书约一年半，尤其喜欢会前写清问题、在文档中预先评论、会议只讨论分歧的方式；疫情期间，飞书文档也成为异地协作的重要载体。
但工具太好用之后，文档越来越多、越来越长，透明协作反而滑向信息爆炸。AI 又把生产信息的速度推高，组织若没有筛选机制，只会把旧瓶颈移到阅读与判断。
阮良也承认个人层面的副作用：看到长文第一反应变成“让 AI 总结一下”，容易形成思维惰性；团队一度遇到 Claude 账号异常时甚至觉得“天塌了，没法工作”，像被撤走了拐杖。
9. SaaS 不会整体死亡，关键服务会被 Agent 放大
阮良对“SaaS 已死”的回应是：SaaS 的本质是 Service，形态可以从 Software 变成 AI as a Service 或 Agent as a Service，但企业对服务的需求不会消失。
他也保留边界：普通、未进入关键流程的 SaaS 可能真的会死；已经成为企业基础设施的产品，则可能因 AI 获得更高频、更深入的调用。
过去使用软件的是受时间、精力和上下文限制的人，未来可能是数量远超人类、动作频率也远高于人类的 Agent。数据库、安全、审核、人力资源和 CRM API 的调用量都可能巨幅增长。
因此，网易智企需要做的不是抛弃原有 To B 业务，而是用 AI 重构其中真正不可替代的 Service。
10. 企业 AI 的燃料是私有知识与流程编排
以智能客服为例，通用模型无法独立提供高质量服务，因为它缺少商品知识、客户画像，以及企业内部处理问题的生产流程；沉淀这些内容的私有知识库才是关键资产。
AI 越强，优质知识库被调用得越多。阮良的表述是，AI 给知识库“插上了一双翅膀”，另一项真正重要的能力则是对内部信息系统、流程和 API 的调用与编排。
这也是他看好核心 CRM 和 Salesforce 一类产品的原因：价值不只在界面，而在它们已经占据业务流程、积累结构化知识，并能被新的 Agent 层反复调用。
11. Skill 的真正来源，是优秀动作和真实客户
阮良把企业能力的演进概括为：先掌握在人手里，再固化为软件，如今又被 AI “蒸馏”成 Skill。销售场景最直观，因为老板既担心团队只有一个销冠，也担心销冠离职。
企业可以提取优秀销售的高相关动作，例如拜访后做什么能缩短成交周期、提高成交概率；也可以提取其面对竞品挑战时的表达方式，但不需要机械复制整套话术。
用于训练普通销售时，真正要蒸馏的不是销冠，而是客户。历史电话、企业微信、邮件等交互可生成不同类型的模拟客户，让新人反复“刷题”，弥补师傅未必愿意倾囊相授的问题。
在线销售天然 on record；线下 KA 销售则可在拜访后录制两三分钟口播。销售往往抗拒 CRM，因为觉得它只是在“管人”，却愿意留下对自己复盘和下一次成交都有用的语音记录。
12. 全量监控不是答案，客户声音比员工监控更有价值
阮良认同“老板获得的信息反而最少”：信息到 CEO 面前时往往已被层层包装和削减，因此网易要求会议保留原始材料，线下会议也会用录音卡或开启线上会议录制。
但面对员工尤其是精英对“被蒸馏”的抵触，他主张顺应人性、不强求全员回传。网易更关注 Voice of Customer，把客户真实声音送回产品和研发，而不是把注意力放在员工每一步做了什么。
他的优先级很清楚：“关注客户，关注市场”，必要时再关注竞争对手；方向若错，组织效率再高也无意义。部分线上数据和自愿记录通常已经足够多，强制全量采集反而会激发逆反。
13. AI 时代必须重新讨论经验所有权与人才溢价
卫诗婕提出尖锐异议：员工晋升后的溢价来自多年知识与经验，企业若不额外付费，却把这些能力完整拿走并复制给别人，“有一点不太公平”。
阮良没有否认这种张力，而是预期人才定价会改变。未来候选人可能说：“我不是一个人，我带了一个团队。”这个团队并非真人，而是由其历史经验和 Skill 形成的 AI 军团。
由此，高端人才的溢价未必下降，反而可能放大：公司购买的不只是一名员工的工作时间，还包括他能调度的个人 AI 组织及其沉淀能力。
14. 中层减少不等于精英减少，组织会向小军团和全栈回摆
阮良预计，承担执行管理职责的中层会越来越少，组织则更像阿米巴或特种部队：两三人、三四人带着大量 Agent，再调用公司的中台和资源完成复杂任务。
他特别区分“执行管理职责”与“人是否被淘汰”：中层岗位会减少，但人不一定被干掉，也可能回到一线，成为技能更深、杠杆更高的精英。
软件团队已经出现回摆。过去需求与系统规模扩大催生前端、后端、算法、测试等细分工种；AI 又让每个人横向能力变宽，重新接近张小龙独立写 Foxmail、邱伯军独立开发大型软件的全栈状态。
阮良用蜂巢描述这种结构：大量“工蜂”本身都很强，纵向专业仍深，横向能力则由 AI 补齐；未来真正稀缺的是 T 型人才的纵深。
15. AI 替代的是环节，不是创新、勇气与责任
阮良观察到，过去两年不少企业确实想直接用 AI 替人，也付诸行动；他的判断是：“本质上他们想错了。”AI 擅长末端任务执行，却不能完整替代人进入深水区、推动产品和组织演进。
一个优秀客服不只回答问题，还会发现产品共性缺陷、机会和风险。AI 可以接待、汇总和分析，但怎样组合资源、提出新方案并承担推进责任，仍需要人。
卫诗婕的反问值得保留：人的信念、判断和勇气往往来自早期繁琐劳动；当小白不再亲手做基础工作，未来还会不会有足够的“勇气含量”？
阮良对此并不悲观。他认为旧技术性工作消失后仍会出现新工作，年轻人依然会经历训练、积累认知并生成冒险精神；工业革命最终放大的应先是创造力，再由新需求带动更猛烈的生产力。
16. AI ROI 可以落到质量、时间与单位经济价值
网易采用的思路是：AI 任务价值等于输出质量相对人工质量的比例，乘以节省时间；若再乘公司单位时间的经济价值，就能转化为现金意义上的 ROI。
阮良用做咖啡解释：人工质量 8 分，AI 做到 7 分，则质量系数为 7/8；人工需 15 分钟、AI 只需 10 秒，剩余的 14 分 50 秒就是时间价值。
最优先交给 AI 的任务同时具备四个特征：耗时、高频、不得不做，而且不同学历或智力的员工最终产出大概率相同。这类任务最容易计算价值，也最适合快速决策。
他的落地原则是先用最强、最贵的模型验证能力和质量，再寻找更经济的模型固化流程；先建立“审美”和能力上限，过早省 Token 可能连可行性都无法证明。
17. Token 的高消耗可能是产能信号，而不是浪费证据
2026 年初，网易一个月的 Token 消耗可能就相当于前一年全年，但阮良仍不认为账单昂贵：公司原有人员成本和任务价值都高，程序员每月数千元人民币的 AI 开销相较产能提升很便宜。
非研发岗位也可能产生更高价值。To B 销售拜访客户前不再只写 PPT，而会制作可交互 HTML 和客户定制 Demo；HTML、Markdown 更易分发，也比 PPT 更适合进入 AI 知识库。
网易自 2024 年实行积分制，用有效代码量等方式换算工作价值。进入 AI 时代后，团队观察到 Token 消耗“断崖式领先”的人，往往正在给自己造系统，节省执行时间并增加思考时间，产出也同步领先。
阮良还提出，真正优秀的人并不会浪费 Token。对标准化长程任务，网易还会做任务选择器，把任务拆成子任务并自动适配既能完成、又相对经济的模型。
18. 多 Agent 决策需要竞争、冗余和最后的人类拍板
阮良几乎订阅了市面主要模型，包括 Claude、GPT、Grok、智谱、Kimi 和 DeepSeek，并为不同 Agent 配独立模型、取“诸葛亮”等名字；这套重装备只用于重大决策、制度和方案设计。
工作方式是先让各 Agent 独立出方案，再像红蓝军一样互相 PK，由一个中枢协调总结，最后仍由阮良拍板。代价是“贵了一点”，但他认为重要决策的增量价值远高于模型费用。
多实例也提供健壮性：早期 OpenCloud 不稳定，若六个子实例都依附同一入口，一次故障便全部失效；分散到六个 Agent 后，即使挂掉一半，仍有三个可用。
每个 Agent 的 Harness 不同，结果也不同。阮良把这种冗余类比为组织保留人才冗余、软件保证鲁棒性：“一定要保证它活着。”
19. 小公司更容易兑现 AI，大公司必须打碎旧流程
小公司通常由老板先用，确认有效后便能推到销售和设计团队；层级少、链条短、组织关系简单，所以认知和决心能迅速转化为行动。
大公司往往更早接触 AI，却未必更快释放整体价值。旧有社会化分工把人“螺丝钉化”，AI 即使提升单一环节，也无法自动删除部门之间的衔接和等待。
阮良以《大明王朝 1566》的“改稻为桑”作比：国策逻辑看似完整，落地却卷入粮食调配、基层生存和各级利益，“真正执行下去的时候，就是一锅粥”。
他的改革路径是选一个最愿意变化的小部门形成闭环，先取得小胜、广泛传播，再扩展同盟；即使范围小，也最好是“一把手工程”，老板必须亲自用 AI、躬身入局。
20. 最有冲击力的企业案例，是把灵感到生产的长链条大幅压缩
一家玩具公司的旧流程是：老板出差时看到新艺术符号，拍照带回，向设计解释，设计结合供应链出稿，再制模、打样、试销，发现机会到产品上市之间隔着漫长交接。
网易团队现场演示了另一条路径：AI 直接从方案做到原型设计，推进到 CAD 图，并模拟制造周期和可能的供应商，把原本分散的长链条大幅压缩。
这位老板随即叫设计、生产制造和 HR 负责人站到屏幕前：“好好看这个 AI 现在能干到什么程度。”阮良记住的不是 Demo 本身，而是传统行业老板第一次看见流程可被整体重写时的震惊与兴奋。
21. AI 原生组织需要人才标准、安全围栏和可进化的决策中枢
若从第一天搭组织，阮良首先要求形成“AI 的信仰”，再用网易更新后的人才观衡量人才：审美、标准、结构、判断、洞察和学习（自驱）能力，决定少数人能否指挥 Agent 做出真正好的产品。
企业级 Agent 还必须受控。Transformer 的概率性会带来不可控输出，网易的安全产品为 AIGC 内容设置围栏，也限制 Agent 的权限和动作，避免越权访问、误删数据等生产风险；大企业对此需求尤其强。
决策中枢的基础不是多装一个模型，而是保留“为什么这样决定”的历史。网易把决策结果及依据纳入知识库、生成 Agent/Skill，再回测数百个案例，判断准确率超过 90%。
阮良从桥水基金相关视频中得到的启发，是把人的最终修正重新反馈给 Agent，让系统持续学习而非冻结旧经验。AI 仍会犯错，人继续判断、决策和执行，但每次确认后的调整都成为下一轮能力：“人站在 AI 的肩膀上，以及 AI 站在自己的肩膀。”