“一个公司最后可能只剩两个人”——蒋涛、吴甘沙、徐欣、张帆圆桌激辩：AI 如何重构产品、组织与商业

作者 | 唐小引出品 | CSDNID:CSDNnewsClaude Code12 个人九个月25 亿美金营收。同一赛道里微软 VS Code 几千人团队JetBrains 两千人。这不是一个融资新闻这是一个信号。当代码 95% 由 AI 生成当一个架构师加一个月 800 万美金的 token 消耗就能撑起一款全球级产品“人”这个生产要素的定价逻辑正在被彻底改写。2026 年 7 月 17 日奇点智能产品大会主会场我主持了「奇点折射·圆桌对话」。四位嘉宾——CSDN 创始人董事长、AtomGit 创始人兼董事长蒋涛驭势科技董事长兼 CEO吴甘沙快手用户体验部负责人徐欣元理智能创始人、前智谱 COO张帆——围坐在一起用 50 分钟的时间回答了四个问题AI 究竟如何重构产品、组织与商业作为碳基生物我们又该何去何从没有客套没有 PPT全是真话。张帆说“个体效率提高不等于组织效率提高甚至可能是反向的”蒋涛说“未来 AI 原生公司最大的成本不是人是算力”吴甘沙说“护城河不在界面、不在流程在数据到底是你的还是客户的”徐欣说“100 人的组织可能面临两种选择要么缩减组织规模要么人员规模不变去做更多的事”。以下是这场对话的完整实录。“一个公司最后可能剩两个人一个产品经理一个架构师”唐小引大家好我们今天的对话将会围绕四问展开AI 究竟如何重构产品、组织与商业以及作为生而为人的碳基生物我们又该何去何从。我想第一问首先是大家非常关心的“AI 如何重构产品”。欢迎 CSDN 创始人蒋涛总。蒋总现在在写《硅基时间》专栏非常受欢迎。请蒋总和大家打个招呼然后谈一谈在“硅基时间”里您对于 AI 时代产品竞争的思考是什么蒋涛今天来的都是产品经理我觉得这是非常重要的。因为我昨天跟我们公司的产品经理开会说现在这个所谓的奇点时刻先不说 AGI 的智能但是产品研发过程正在发生重大改变。因为你的代码已经 95% 都是 AI 生成的问题是思想变成代码的这个畅通性过程变得很快而且你去验证这些想法也更加快。其实一家公司里有想法的人就两个一个是老板一个是要拿结果的人有时候不一定是产品经理。但是有责任的产品经理是要拿到结果的。所以有想法的人现在就变成了你可以快速地把想法进行 coding 实验和验证。所以我讲一个公司最后可能剩下两个人一个是有想法、出想法、定义问题、定义市场的人就是产品经理。我把它叫作 OPDOutcome-driven Product Driver结果驱动的产品驱动者就是他要对结果负责。但是 coding 写出一堆屎山代码后也有点问题所以还需要一个 architect。一个公司就这两个角色一个是对结果负责的、新时代的产品经理第二个是对结果负责的技术架构师不负责编程而负责定义围栏、反馈等。蒋涛CSDN 创始人董事长、AtomGit 创始人兼董事长唐小引我们在公司经常受到蒋总 AI First 的鞭策。您刚才讲到人的定义对于产品而言下一代产品的质量锚点您觉得会在哪里当“做出来”的成本越来越低过去产品经理的很多流程都在失效这个事情我们该怎么办呢蒋涛其实产品经理的流程并不是失效那些方法论都在只不过呢有两部分方法论一种是协调人的流程的方法论这个没有变第二个实际上是你对产品质量和交付结果的方法论。这些经典方法论仍然都不过时。只不过原来掌握它们很有难度。所以我说现在是中小公司产品经理最幸福的时候。因为大公司的产品经理本身的体系就是最先进的它的迭代、执行以及整个配套资源都比较完善。但是过去中小公司的产品经理能力坦率地讲不够。现在你发现不够也不用担心因为 AI 会帮你补起来。所以现在写代码也得自己上手一点。因为其实做 AI 就是在把你的想法变成代码。这个流程上的困难突破以后你会发现原来的那些方法论还是能用的而且要借鉴它用在怎么做用户体验、用户 story。用户的获得感到底是什么这些事情不会变。“AI 产品护城河不在界面不在流程在数据到底是你的还是客户的”唐小引甘沙总在今天奇点智能产品大会上的演讲非常精彩重点谈到了物理 AI——“物理世界 99 分等于 0 分”这意味着物理 AI 产品的 PMF 验证标准远比数字产品苛刻。当 AI 编程让“做出来”的门槛急剧降低您觉得好产品的源头到底在哪里产品开发变得简单之后护城河又在什么地方吴甘沙其实我也不是产品经理但是我也希望像蒋涛说的试图自己参与一点。因为好久没有编程了几十年没编程也参与一点做一做练习一下找找感觉。我觉得第一好的产品肯定来自于好的 idea。AI 编程对大公司可能确实不能带来太多好处因为他们本来就不缺人而是缺好的 idea。但是对小团队来说有好的 idea最终能够实现的门槛极大降低资源需求也极大降低。第二整个产品开发团队的角色确实跟以前有很大变化。第三开发流程、时间分配和资源也发生了很大变化。原来的瀑布模型以及软件工程的积累可能都会发生很大变化。现在代码出来很快但是验证变得很难。特别是一个生产级系统上线以后问题才暴露出来那可能是很麻烦的事情。所以整个时间分配、资源分配都会发生很大变化。吴甘沙驭势科技董事长兼CEO再一个如果产品开发变得特别简单我相信每一个团队都会想我的护城河又在什么地方用户界面可以轻易实现甚至都不用用户界面或者实时生成用户界面。业务流程也是只要你能够用 spec 描述出来就可以实现。那么护城河在什么地方数据的积累。这个数据到底是你的还是客户的我觉得这可能是产品经理需要更多时间去思考的。不然的话别人很容易复制很容易把你的市场抢走。“做出来变得极其容易但做对依然很难”唐小引徐欣老师来自大厂而且现在也在做内部产品 MVP 的实践。您提到一线同学已经可以绕过产品经理直接用 AI 做出可上线的 MVP“做出来”变得极其容易但“做对”依然很难。当人人都能快速出产品时产品的竞争壁垒会转移到哪里“产品经理”这个角色的不可替代价值还剩什么徐欣我认为未来的岗位可能会逐渐分化为两类一类需要技术背景另一类则不一定需要。对于没有技术背景的人来说过去相对独立的业务产品、客户服务经理甚至销售等岗位都可能融合为一种更综合的岗位能借助 AI 快速将领域认知变为 Demo 或 MVP 甚至可直接小规模运行的实体。而具备技术背景的人则可以通过 AI 更高效的将上述实体转化为更安全、稳定支持海量用户运行的服务。徐欣快手用户体验部负责人但从传统产品经理的角度来看有一件事始终不会改变我们仍然要持续围绕目标客户创造价值。目标客户真正的痛点是什么我们能够为他提供什么价值又该如何以更友好、更高效、门槛更低的方式让他获得这些价值这些始终是产品经理的核心竞争力。AI 等新工具可以提升效率缩短从想法验证、MVP 开发到产品正式上线的周期同时降低实现门槛。但无论工具如何变化最终交付的产品都必须让目标客户真正觉得有用、有价值。因此未来的岗位形态分工方式可能发生很大变化但以客户价值为核心的产品逻辑不会改变。“通用智能和垂直智能是两种完全不同的物种”唐小引帆总您提出“智能上限 搜索能力 × 验证器质量”这个公式并指出当前三种主流 AI 产品形态本质上都在把公式里的某一项归零。在您自己创办元理智能、服务企业客户的实践中您对 AI 如何重构产品有什么思考张帆我觉得这个还蛮有意思的话题。现在的产品经理我越来越觉得它其实跟我们以前的差别越来越大。我们以前的产品经理是个“工程师”重在逻辑今天的产品经理有点像“魔法师”你很多时候说不了特别清楚没有办法那么确定但它确实能带来极大的泛化。所以我觉得今天有一点可以分享我们到底做什么东西是真正由我们来做的到底有多少东西是我们的价值溢出有多少东西是模型的价值溢出今天我见过很多面试的人直接给我做一个播放器说“你看这是我做的软件。”我一看全部都是一句话生成。这有什么意义对吧但是他不懂他会觉得这东西好像说明自己又行了也会编程了而且也能做产品经理了。张帆元理智能创始人、前智谱 COO从本质上我们要想清楚到底什么是我们的什么是模型的如果问我今天很多投资人也问我到底什么东西是有价值的AI 创业企业或者 AI 产品什么东西是不会被基模卷死的从第一性原理来看我觉得有两类智能一类叫通用智能一类叫垂直智能。通用智能的第一性是泛化。什么问题它都得能回答所以它是一个六边形战士。今天所有大模型干的都是这一件事它根本不掌控业务。为什么因为你随便问它都能回答。所以它必须提高智商的上限成本极高。但是与之相反还有另外一种智能叫垂直智能。垂直智能是说在某一个划定的范围内我的体验是第一。所以它的核心第一性是匹配是在这个环境内部的最优解。它不需要是一个六边形战士它可能是一个一边形战士。如果我是做销售的我不需要会写代码但是我能不能把我的智能省下来我能不能用更小的成本在这个环境内部得到比大模型更好的结果同时我的成本可能是它的十分之一速度是它的五倍大家觉得这个逻辑听起来没问题但这里有一个经常被误解的地方大家认为金融、医疗、教育算垂直领域。我的答案是这都不算这些都是通用领域。如果今天这个东西在所有环境内都有一个最优解它就是通用。比如一个优秀的金融投资师、一个优秀的医生这都叫通用因为谁来用标准都一样不存在个性化。但什么叫垂直智能巴菲特叫垂直智能索罗斯叫垂直智能。他们只在自己的范围内有效。你把巴菲特放到索罗斯的环境里他就失效了你把索罗斯放到巴菲特的环境里他也失效了。如果你今天定义的产品不是在你所定义的环境内提供最优解那你多半就是通用智能。所以产品经理要想清楚我如何高效配置这个魔法让它在我的环境内明显高于通用智能。我觉得这几乎是唯一的价值。“Token 消耗量要远远大于人员消耗量——这才是 AI 原生组织”唐小引第二问AI 如何重构组织蒋总您研究了很多组织的变革从 Cursor 到 Claude Code 等CSDN 也在进行组织变革日耗 token 背后到底发生了什么蒋涛顺着张帆讲的所谓魔法师来说现在 Claude Code 其实是一个人做出来的OpenClaw 也是一个人做出来的。我相信 Claude Code 这个团队现在也已经不多可能只有 12 个人但是它在九个月的时间内干到了 25 亿美金的收入。而这个领域我们知道最大的产品是微软的 VS Code有大概几千人也就 20 亿美金。JetBrains 大概两千号人只有几亿美金的收入。所以这个世界已经发生了重大变化。就是说一个产品经理可以引申出一个产品的生产力和价值。生产力价值就是过去 300 个人按人头来算的话可能才能做到的事情。这是一个现象。第二个现象就是各大公司很多 CTO 纷纷跳槽加入 Anthropic包括 OpenClaw 的创始人 Peter Steinberger 也被挖到 OpenAI。他们在那里获得了什么呢获得了无限的 token也就是 Token 自由。Token 自由了Peter 之前晒过 OpenAI 的 API 使用账单一个月居然消耗了 800 多万美金的 token。有一个架构师是我们 CTO 群里的他说“我能干所有的事我能不能加入大模型公司”所以第二个变动就是生产力如何发生变化就是你怎么用好 token。判断你们是不是一个 AI 原生组织很简单你的 token 消耗量一定要大于人员的消耗。逻辑是对的而且你要大也不能乱用所以团队还要小token 的消耗量要远远大于人员的消耗量。现在所有公司里面最高的成本是人。所有科技公司的最大成本都是人从腾讯到我们这类公司任何一个 AI 公司都是如此。但是未来的 AI 原生公司肯定不是这样它的硅基消耗会是最大的。“企业要有统一知识库要有关于整个世界的模型”唐小引甘沙总您提出组织要做“基因改造”要 AI First、面向 Agent 优化流程。在驭势内部您是怎么一步步推进这件事的从个人到部门再到跨部门协同具体是怎么落地的吴甘沙其实我们也没有一步到位就变成 AI Native。一开始还是鼓励个人使用 AI 工具使用 AI Agent。个人可能是高管。我们要求高管对自己的时间分配做一个分析找到高价值、战略性的应用场景来应用 AI Agent。对于各个不同部门我们也要求他们分析自己的时间、主要任务和主要业务看看怎么用 AI 来提效。我们还是相对传统一点每个部门都会去做不一定是全面都做但是要关注最重要的岗位、最重要的任务看看怎么提效。这个指标由自己提出怎么能够量化、自动化地测出提效。我觉得建立环境非常重要。第一并不是每个人都能够做 Harness 相关的工作第二它实际产生了多少效果其实很难判断。我们可以在 GitLab 那边装一些钩子统计 AI 产生的代码占所有代码的比例或者 AI 产生并被接受的代码占所有 AI 产生代码的比例。但这些是比较浅层的统计我们还是希望有更加细致的、能够衡量提效的数据。因为一个数据一个反馈可能是最重要的。这个环境要提供数据和反馈。有了这些才能不断迭代和提升。研发之外还有跨部门协同。比如产、销、研像我们有硬件的从订单到生产再到交付还有所谓的铁三角这些其实都是跨部门协作。原来跨部门协作成本非常高主要还是沟通成本。另外一个就是知识分布不均匀。现在运用 AI第一知识库可以使每个人都能够访问。对于什么是好的标准都能够统一评价。比如方案人员做了一个方案到底好不好原来很难判断现在很好评价。第二有了共同知识库以后协同成本会降低。应该说我们现在在 AI 转型过程中还只是刚刚迈出第一步。我刚才说的第一企业要有一个统一的知识库第二要有一个关于整个世界的模型。我们还差得很远但是已经看到效率有很大提高。“个体、组织、跨组织——三层提效缺一不可”唐小引从超级个体到超级团队怎么去构造超级团队徐欣老师您在演讲中分享了产研团队因为“优先复用”的组织导向而“偷着做”的真实案例最终通过厘清“重复建设的边界”来化解。在 AI 让岗位边界越来越模糊的今天您认为组织应该如何在制度层面同时保障复用效率和探索成长徐欣我们目前大致从三个层面推进 AI 的应用个体、组织和部门公司。第一是个体层面。公司不会限制大家使用什么工具、Skill 或方法而是鼓励每个人自主探索适合自己的工作方式。只要这些工具能够帮助你提升效率、改善工作成果那么相应地你的产出就应该质量更高、速度更快。第二是组织层面这也是非常关键的一环。首先组织负责人需要思考随着 AI 能力不断增强组织的定位和价值是否发生了变化从实践来看这种变化确实已经发生。基于新的组织定位和价值负责人还要进一步明确各个角色应该如何调整以及如何借助 AI 提升组织面向未来的产出能力。比如我们有一个“用户连接”团队核心工作是处理每天数万条甚至数十万条用户反馈。过去需要先将反馈划分到不同业务再由人工从中提炼问题、漏洞和改进建议整理后反馈给相关团队。AI 介入以后从原始数据的覆盖、标注和分类到初步聚类和类别提炼整个流程的效率都得到了大幅提升。在这种情况下团队成员的角色也要随之变化。他们需要从过去偏重数据清洗、梳理和聚类转向更加理解业务并能够从数据中提出更贴近实际、更有业务价值的建议。其次组织层面还要解决另一个问题当每个个体都通过 AI 提效以后如何让这些效率相加并且在协作过程中不发生衰减现在很多研发人员借助 AI Coding一个人就能完成过去大量的工作。但不同的人使用 AI 生成的代码可能在结构和实现方式上存在差异。这些成果如何有效衔接如果一开始没有统一约定组织是否需要建立类似 shared memory 的共享机制并明确共同的限制规则、代码规范和输出标准这些都是必须提前考虑的问题。第三是部门或公司层面。除了单个组织内部的提效还要重新审视不同组织之间的协同关系哪些环节可以借助 AI 提效哪些仍然需要依靠 AI 之外的能力AI 又可能带来哪些潜在问题公司需要解决这些问题让跨组织协同的整体效率达到最大化。个人初步判断一个原本有 100 人的组织可能面临两种选择如果业务范围不变那么组织规模可能适当缩减如果人员规模不变则可以借助 AI 和组织能力的提升承担更大的业务范围、完成更多事情。我们目前大致是沿着这个思路推进的。“个体效率提高组织效率不一定提高——甚至可能是反向的”唐小引帆总您描述了“认知锁定→资产锁定→验证器锁定”这条组织惰性链条。当个体能力因 AI 急剧提升组织层面会发生什么您对 AI 时代的组织变革有什么反共识的观察张帆大家经常会掉进一个坑我来说个反共识。大家总有一个想当然的判断个体效率提高组织效率就提高。不一定它甚至可能是反向的。如果我们暂且不说 AI从人类管理学来看所有的管理学本质上都是通过限制个体效率来达到组织效率的提高。否则我为什么要写 PRD我直接写代码就好了为什么要填 CRM我填这些东西是在降低个体效率但可以提高组织效率。这本来就是这个逻辑。但是今天大家总是想当然地认为个体效率提高就会带来组织效率提高。第一个从个体提高的角度来讲我觉得本质上不是做一个 fancy 的 demo。这是个极大的问题很多企业老板非常喜欢看做一两个 demo感觉很好。但我觉得考核一个 AI 产品的本质不是有没有做出一个酷炫的东西而是有没有人在复用这个 AI能不能持续复用。如果一个 AI 能证明一个人干了三个人的活那就不要讲“我做了一个很酷炫的东西”不重要。如果不可以或者太贵没办法大规模商业化那就没有意义。其实我觉得今天大厂企业里对个人有大量的无效产出。特别是有一阵大家很喜欢比谁的 token 消耗得多。从实际操作来讲这是一个极端、粗暴的绩效手法。同样要做一个训练正常来说它训练到某个程度就能达到结果。但是如果这个人比较懒他就说“先训练 20 个再说”。这会极大降低迭代速度浪费 token但是看起来好像做得更多。所以现在已经从粗放变得精细了。本质上无论是 coding 还是其他事情你到底有没有节省同等劳动力、实现劳动力替代如果没有就没有意义。这是第一性。第二组织的提效是什么我觉得组织在 AI 时代的第一性是控制熵增。就好像今天大家走在马路上都在慢慢走路。这个时候有没有交通规则不重要反正大家都慢慢走。但如果今天每个人都开一辆法拉利你没有交通规则、没有红绿灯甚至没有公路你想一下会发生什么一下子就会有大量车祸。所以个体能力提升以后最大的挑战是组织架构。我原来也在几千人的公司里做过 CTO会发现很多业务线恨不得自己有一套 CRM。这有效吗我会说所有 CRM 都得停掉都是垃圾数据。这样一来所有数据驱动的根基就没了。但为什么以前只有几个部门做了自己的 CRM因为它需要成本。可是今天由于 AI 的出现每个人都可以做一个自己的 CRM整个企业就会变成极其巨大的熵增。所以我极度反对每个人都去学 Coding。我觉得这里面还是术业有专攻。组织要有一套规范什么人在什么范围内边界在哪里。如果完全自由发挥最终就会变成短期的自嗨无法转化成真正的效率。“AI 进不了大系统的核心从边缘开始”唐小引第三问AI 如何重构商业。蒋总您之前谈到过Token 之于硅基时代等于蒸汽之于工业时代——但蒸汽红利走了 70 年硅基时间可能只有 5 年窗口。同时您也判断下一代企业软件的定义权属于“在 AI 时代谁先长出新的企业运行方式”。对中国企业来说您认为最现实的路径是什么蒋涛其实刚才讲到大公司提效会相对慢一些是因为它本身的内部优化系统已经做得不错了。所以现在能够提效的是过去做不到的事情。过去因为能力和资源不足很多事情没有办法实施。现在突然发现局面被打开了。并且很多重构不是一个大的重构而是从边缘开始。因为大的系统已经运转了十几年也投入了巨大的能力和资源所以它在一定范围内已经比较优化了。AI 进去以后很难穿透这个大网所以通常会从边缘开始。过去没有解决好的事情也是因为能力和资源不足。比如 CEO 原来有很多想法过去因为团队能力不足很多想法都不想实施。这些地方就可以被重新实现商业化空间也能够得到提升。第二个大模型来了以后很多前提也发生了变化甚至包括组织沟通、协同的前提。人与人的沟通成本非常高。但是公司里面只有层级因为大公司是通过分工带来效率。现在不再只是分工带来效率而是 Agent 带来效率。Agent 和 Agent 之间的沟通效率是数量级的。因为人与人的沟通至少是按天计算的而且非常麻烦。所以要找到这些地方哪些沟通可以用 Agent 去协调、去协同它的效率会发生指数级变化。还有第三个就是所谓的 Harness或者 Agent 底层的工具。现在个人提效毫无疑问是个好问题。开发人员开发效率提高代码写得更快。但是有没有想过另外一个问题效率提高三到五倍我们的产出有没有提高业务衡量指标是什么这就变成了商业上的变化每个人都要对自己的结果负责。从商业角度看新的工具正在产生。原来人和人之间沟通的必要性尽量降低了转而变成人和 Agent 的协同、Agent 和 Agent 之间的协同。这些底层工具和方法论现在都在迭代。“一百万个 AI 司机一年一万块订阅费——这是十年后的商业模式”唐小引甘沙总您描述了一个非常迷人的终局——从卖硬件到“AI 司机订阅”商业模式本质上是把信任变成可计量、可定价的商品。但信任的建立需要漫长的安全运营记录而订阅模式的现金流又需要规模来支撑。在从“卖车 维保”切换到“Pay-as-you-go 订阅”的过渡期您如何说服客户接受一个全新的付费逻辑吴甘沙其实我们还没有大规模推广这种商业模式。我认为十年以后AI 司机订阅会是一个主要的商业模式。因为我们定了一个目标十年以后希望有一百万个 AI 司机。也就是说一百万辆无人车装上我们的 AI 司机。一个 AI 司机一年收一万美金那就是一百亿美金的订阅收入。但是这需要一个漫长的过程。今天的商业环境更愿意说“我把钱花在硬件上硬件买了之后就只有维保。”客户不理解为什么要在硬件上付订阅费。所以这是一个商业环境问题而这个环境我认为会改变。我可以把硬件的毛利让出去。对于客户来说原来是买一辆有人驾驶的车比如三十万然后请两个司机去开两个司机一年可能是二十万。我们卖无人车可能一辆无人车就是一百万。这个价格一定程度上会压制客户付订阅费的欲望。所以要做的是把无人车的价格降到接近普通车。这样对于客户的 CapEx资本性支出投入来说跟原来有人驾驶的车类似。然后把原来付给人的二十万转成 OpEx再转成服务费。这相对来说是比较容易的模式需要慢慢迁移这个过程我认为快则五年慢则十年。从客户 Total Cost of Ownership也就是全生命周期成本的角度算一笔长账这肯定是一个很好的模式。当然实现这个模式仍然有很多挑战。第一无人车前期价格要逼近普通车这意味着要尽量少用昂贵的传感器供应链管理要非常好将成本降下来。第二你左手拿到订阅费右手还要投入到硬件维修、保养以及新场景部署等。订阅费拿到以后右手又要付出去这里面的剪刀差就是利润。订阅费的锚点其实是人的成本而你投入的成本可以通过技术去优化。你希望剪刀差越来越大利润基数越来越高。比如部署——部署对于无人车来说是一个很大的成本因为它要建高精地图。但是你想象一下我们家里的扫地机器人没有部署过程。你把它放到家里让它自己乱跑半个小时它就把所有地图都建好了。这种能力是不是可以迁移到无人车上使部署变成开箱即用还有运维。我们用一套大数据分析系统去追踪无人车以及每个关键部件的表现在它将坏未坏的时候进行维修、保养和更换。激光雷达是很贵的部件传统上标称五千个小时就要换。但是有了这套系统就可以最大化它的价值。所以未来走订阅费模式主要有几点第一前期硬件成本要降低第二运营和运维成本要降低。这样剪刀差会越来越大就会形成一个比较舒服的商业模式。“十倍工程师已经比比皆是商业模式 1-2 年内会发生巨变”唐小引徐老师您强调 ROI 必须用“严格财务口径”把产研人力也算进成本三年累计节降超过上亿元。很多公司没有额外预算却都想做 AI——对于同样缺钱缺卡的团队您有哪些建议与大家分享徐欣资源有限的团队怎么结合 AI首先要主动尝试并真正理解 AI认真判断它的哪些能力能够为自身业务的哪些环节提效或赋能。同时也要根据具体任务选择合适的模型哪些场景使用简单模型就足够哪些场景必须依赖复杂模型把有限的算力和成本真正花在刀刃上。其次要敢于在自身业务之外进行探索。过去要验证一个新想法比如开发一款 App最基本的人员配置可能包括产品、设计和研发三个人完成第一个 Demo 往往需要一到两个月。但在今天借助 AI一个人可能只需要几天就能独立完成。我见过一些优秀的研发人员个人产能已经相当于过去十几个人的水平。未来“十倍以上工程师”可能会越来越普遍。这意味着只要一个组织具备较好的人才基础能够处理好内部协同并且算清楚人力投入和财务成本其探索效率就可能比过去提升 5 到 10 倍。由此带来的商业模式变化将会非常巨大而且这种变化很可能在未来一到两年内快速发生。“到处都能看到 AI唯独在财报上看不到——但几年后一切会改变”唐小引帆总您提出 AI 商业化的瓶颈不在供给侧降价而在需求侧缺乏能消耗智能的场景。结合您从智谱 COO 到自己创业做“商业强化学习”的经历您对于 AI 重构商业的判断是什么讲讲您的思考。张帆我觉得 AI 真正的价值还是在商业价值。大家经常问AI 到底是泡沫还是革命我们今天有这么大的 CapEx 投入有这么大规模的算力提升那怎么衡量它是泡沫还是革命如果这些 CapEx 所产生的 Token 真正转化为业务价值它就是革命如果没有转化为业务价值它就是泡沫。业务价值怎么衡量其实很简单、很粗暴你看标普 500、沪深 300。看大多数企业的财报是不是确实有 AI。除非 AI 真正干预到了它的核心业务指标否则今天改变得还不多。但是我觉得这一定会发生。比如诺贝尔经济学奖得主索洛Robert Solow说过一句话“我们在每一个地方都可以看到计算机唯独在企业的生产效率表上看不到。”这跟我们今天说到处都能看到 AI但是好像没有在财报上看到是一样的。但是大家知道几年之后发生了一个巨大的变革。我觉得今天也是一样的我坚信 AI 会进入商业。但是进入商业以后有一个误区当生产要素发生革命性变革时上层的商业变化往往不是渐进式的。今天很多时候希望拿 AI 做降本增效理论上这就是过去汽车替代马车的时代用更高效的发动机去养马事实上怎么造汽车才是关键。千万不要将 AI 只当成“降本增效”。就像移动互联网时代并不是有一个 App 就能赶上移动互联网。同理今天也不是使用 token、使用 AI 就赶上。你要知道第一性是什么。这个第一性对于整个产业链会发生什么变化会处在什么位置。我们今天比比皆是地看到这种变革。最有趣的是你会发现很多人在原有路径上拼命挖掘甚至用 AI 更高效地挖护城河。但是扭头一看发现城没了只剩下护城河。这个现象很常见因为地壳在变动。所以我们的核心逻辑是我们应该更加专注于如何判断深刻理解 AI 的第一性如何判断未来的“地壳变动”提前找到那个位置等待它的到来而不是今天用 AI 更拼命地在原有基础上挖护城河。四问碳基生物何去何从唐小引最后一问回归到人作为碳基生物我们在 AI 面前何去何从在硅基时间下产品人的红利是什么有什么建议给到大家请四位老师用一句话总结。蒋涛对结果进行交付要成为 OPD对结果负责然后用好当前的 AI 提供的能力提升自己的效率。吴甘沙从做以前做不到的事变成做以前想不到的事。徐欣理解它、拥抱它。我觉得 AI 和互联网很像对我们生活的方方面面都有极大的提升和改变。对我们来讲能够赶上这个时代经历这样一个发展过程是很幸运的。所以我的建议就是更好地享受每一个当下。张帆我觉得最早以前经常讲的一句话叫作“不要用战术的勤奋来掩盖战略的懒惰”。我觉得今天对我们每一个人依然适用。我们不要盲从每一个热点不断低效地学习表层的东西而要认真思考一下AI 时代的第一性是什么人与机器的分工是什么我如何在这个分工上拿到比别人更好的结果我觉得这需要我们每天都进行反思和思考。