AI进入公司以后，为什么业务没有跟着变化？组织智能的实践、思考、分享

最近，梁文锋接近四小时的投资者交流会被刷屏。上周末读完，被深深地打动了！（有想跟随这位极客一起创业的敬意🫡）

他没有先从市场份额和收入讲起，而是先讲“这群人为什么要聚在一起，他们想把什么事情做成”。

在中美AI竞争如此激烈、技术和资本都在高速集中的阶段，DeepSeek不是资源最多的公司，也不是最早站上牌桌的大厂。梁文锋却选择把自己和团队描述成“一群平凡的人”，并且愿意把他们投入巨大精力做出来的模型开源，让更多人以足够低的成本使用。

更让我respect的是，当AI背后的利益已经大到无法忽视时，他却反复讲克制。

这份实录里有很多关于算力、成本和技术路线的判断。但最打动我的其实是，字里行间透露出的“使命感”和“人本主义”。

更让我反复琢磨的是，DeepSeek是一家怎样的AI-native组织，能够把这种使命感变成一次次真实的经营选择，又能够保持如此稳定的迭代和进化？

我最近一直在给企业做组织诊断、AI提效的Workshop和FDE解决方案。当我们深入真实业务落地时，我非常确定一件事：

企业AI化最大的难点，通常不是用的模型不够强，而是企业还没有把自己的目标、业务和管理经验、数据、流程和责任组织清楚。

这也是AI-native真正的分界线。

DeepSeek当然不是一家可以被普通企业直接照抄的公司。它是一家目标高度集中、人才密度很高、以基础研究为核心的AI公司。但它确实帮企业家们理清了几个核心问题：

• 为什么公司买了很多AI工具、做了不少Agent，核心业务的结果却没有明显变化？
• AI应该先进入哪一个业务环节，才可能真正优化公司的生产方式？
• AI-native和过去的数字化转型到底有什么不同？为什么它最后会影响流程、岗位和组织结构？
• FDE为什么会在这个过程中出现？企业应该用什么标准判断「AI提效」到底有没有发生？

这篇文章想讨论的，就是一家已经有业务、流程和团队的企业，怎样从“局部使用AI”走向AI-native。

一、平凡、愿景、开源、克制

读完整份实录，这四个词一直在我脑海里转：平凡、愿景、开源、克制。

梁文锋说，他更喜欢的叙事是：“一群平凡的人做出了不平凡的事情。”

这句话让我印象很深。

DeepSeek已经做出了足以改变全球大模型竞争格局的产品，但他没有把成功归因于天才、英雄或者某种神秘的方法。他说自己的起点不高，资源有限，团队也只是一群普通人。

这不只是谦虚，更是一种谨慎的自我定位：公司有很大的目标，但不需要把自己神化；技术可以很强，也不意味着这家公司应该拿走所有利益。

真正让我相信DeepSeek的愿景已经进入组织的，是实录里的这段话。

“DeepSeek一开始担心需求太多，所以把价格定得比较高。后来价格降到原来的四分之一，团队里很多人反而很高兴。”因为在他们看来，让用户以合适的价格用上好用的模型，公司也有适当的利润支撑，这种“双赢”是这家企业在追求的长期主义。

“利他”不只是梁文锋个人的一种表达，它已经进入团队对“什么是好结果”的判断。

很多公司都有愿景。把它写出来并不难，真正难的是：当利益发生冲突时，它还能不能影响公司的决定。

我判断一个公司的使命有没有进入组织，主要看它是否真的影响公司做什么、不做什么，资源和人的时间往哪里投，以及短期收入和长期目标发生冲突时，公司最后怎么选。

从这个角度看，DeepSeek的开源、定价、不急着补齐所有产品形态，以及不给研究人员排满正式任务，表面上是几件不同的事，背后却指向同一个目标：提高做成AGI的概率。

梁文锋说：“克制是一种战略。”

我认为这句话值得放回真实的经营选择里理解。

克制不是不做商业，也不是故意把公司做小。它是在很多事情看起来都可以做、甚至都可能赚到钱的时候，仍然知道自己最想做成什么。

开源就是克制的一个非常具体的选择。定价也是克制的一部分，不急着追逐所有C端机会也是克制的一部分。它们最后保护的是同一样东西：这家公司的注意力。

同理，对正在做AI转型的企业来说，这一点尤其重要。

现在很多企业一说“全面拥抱AI”，各部门就开始买工具、做培训、建知识库、上Agent。每件事单独看都没错，但放在一起，经常看不出它们究竟在共同改变哪个业务结果。

公司首先要解决什么？希望提高的是增长、交付质量、决策速度，还是知识复用？几个目标发生冲突时，哪个更重要？哪些风险不能为了效率让步？所以一家企业开始AI化，第一步应该是把自己的目标和边界讲清楚，然后再谈选什么模型、做什么Agent。

二、AI进入公司以后，组织应该怎样跟着变？

DeepSeek给了我们一个很有代表性的案例。

如果只摘一句“没有KPI”，很容易把它理解成扁平化、自由管理，甚至误以为只要招一群聪明人、少管一点，就能复制DeepSeek。

完整读下来，我抽象成了五个相互支撑的组织设计。这未必是适用于所有公司的标准答案，但能帮助管理者理解：AI进入公司以后，组织究竟要在哪些地方跟着变化。

1. 先把目标和边界定清楚

DeepSeek没有把每一个机会都变成公司的重点。目标清楚以后，团队知道什么是主线，什么可以做，但不值得占用最核心的资源。

AI每天都在制造新工具和新机会。企业如果没有自己的选择标准，很快就会被这些可能性拖住。

2. 一家公司要同时容纳两种组织方式

发模型、做全公司协同任务时，DeepSeek会自上而下组织，明确目标、节奏和责任；面对未知的研究问题，则给研究者自下而上选择方向的空间。

稳定交付和未知探索，本来就不应该用同一种方式管理。

3. 不要把人的时间排满

DeepSeek希望正式任务不要占满研究人员的全部时间。一个每天都在赶交付的人，很难持续发现新问题，也没有时间把做过的事情想深一层。

如果AI省出来的时间马上又被更多任务填满，公司只是增加了产量，并没有得到更好的判断。

4. 先让AI改造公司最核心的工作

DeepSeek希望下一代模型先帮助团队开发再下一代模型。因为模型研发就是它最核心的工作。

换到其他企业，消费品公司可能先从消费者洞察、选品和内容测试开始；制造企业可能是质量异常、设备维护和供应链判断；专业服务公司可能是研究、方案和项目复盘。

企业要找的不是一个最容易展示的AI入口，而是AI进入以后，能够真正改变业务结果的核心环节。

5. 让这一轮工作帮助下一轮做得更好

AI要理解一家企业，需要的不只是一个更强的模型，还要有这家公司自己的上下文。

谁能拍板、客户在意什么、不同部门的数据口径有什么差别、什么情况必须升级，这些信息往往散在人的经验、会议、聊天记录和历史项目里。企业要逐步把它们留下来，也要让每次使用中出现的新结果、错误和人工修正继续进入系统。

模型能力决定AI能做多难的任务，企业自己的上下文决定它能不能把任务做对。

三、公司用了很多AI工具，不等于是AI-native组织

判断一家公司是不是AI-native，我不会先看它买了多少工具，也不会先问有多少员工每天使用AI。

我更关注的是：AI进入公司以后，原来的工作方式有没有发生变化。

如果AI只被用来写邮件、做总结、生成PPT，它当然可以提高个人效率。但把AI拿掉以后，原来的业务流程、部门分工和决策方式几乎没有变化。这更接近“AI增强”，还不能算组织已经完成了AI-native的转变。

AI-native组织会继续往下走：

• AI进入公司的核心业务，而不只在外围提供辅助；
• 少数专家脑中的判断逐步被说清楚，变成团队可以复用的工作方法；
• 分散在不同部门的分析、执行和复盘，有机会被重新组合；
• 每次工作留下的结果和错误，会继续影响下一轮工作。

所以，AI-native的重点不在于给旧流程增加多少AI功能，而在于根据AI已经具备的能力，重新设计这项业务应该怎样完成。

这个区别说起来有点抽象。把它放到企业已经熟悉的数字化转型里，就容易看清楚了。

四、数字化把流程搬进系统，AI-native让流程开始学习

传统数字化转型和AI-native改造不是非此即彼。成熟的数字化项目同样会重做流程。

但在很多企业的实际项目中，数字化首先解决的是记录、连接和标准化：把原来靠纸、Excel或者人工传递的信息放进系统，让流程跑得更顺，也更容易追踪。

举一个“销售场景”的案例：

一家公司原来用纸质名单记录活动邀约，后来上了CRM。客户邀约、沟通记录和报名状态都可以集中管理，负责人也能看到每个渠道带来了多少用户，数据被记录、查询、统计。

这套系统已经产生了很大价值，但市场部整理名单、销售逐一分析跟进、数据团队会后复盘与改进……这些工作大多还按照原来的方式存在。

引入AI之后，整个系统的设计会发生变化：

1. 邀约之前，系统先分析哪些用户更可能参加或者转化。

2. 根据用户特征，判断更适合使用什么渠道、时间和表达方式。

3. 普通任务由系统自动推进，重要客户和高风险动作仍然由人确认。

4. 活动结束以后，系统分析哪些用户转化得更快，以及他们为什么转化。

5. 再把这些共同特征和成功原因，输入下一轮邀约策略。

到这一步，系统不再只负责记录业务。它开始参与预判、执行、复盘和学习。

原来可能分别属于市场、销售、运营和数据分析几个部门的工作，会被重新组合进一套工作流。有些环节会被压缩，有些工作会被合并，也有些过去因为技术限制才存在的中间步骤，可能不再需要。

这不代表组织一定立刻需要更少的人。但岗位职责、部门接口以及企业需要的人才结构，都会随着工作方式一起变化。过去只负责一个环节的人，可能要开始理解更完整的业务逻辑，并且能够判断系统结果、处理例外和推动改进。

这里还要保留一个严谨的边界：现代数字化转型本身也会做流程再造和自动化，两者不是绝对割裂的。更准确地说，在大量企业的实际项目中，数字化建设常常从既有流程的标准化、数据化和系统化入手；而AI-native改造更强调回到业务目标，基于AI已经具备的能力重新设计工作方式：哪些环节仍然需要存在，哪些可以压缩、重排、合并，哪些可以由AI承担，哪些判断和责任仍然必须留给人。

问题也随之而来：谁来完成这项工作？

业务负责人熟悉目标和现场，但不一定知道怎样把经验变成数据、规则和AI工作流；技术团队懂模型和系统，却未必理解那些没有写进需求文档的业务判断。FDE正是为了解决这段断层而出现的。

五、当业务需要被重新设计，FDE到底在做什么？

FDE常被翻译成“前置部署工程师”或“前线部署工程师”。如果只把它理解成一个到客户现场接模型、写代码的人，就把这项工作看得太简单了。

业务负责人可能会说：“我想提高达人筛选效率。”

听起来很清楚，真正往下做，问题才刚刚开始：什么样的达人算合适？不同SKU的标准是否一样？销量、内容风格、受众匹配和品牌风险怎么权衡？新市场没有历史数据时先看什么？判断错了以后，怎样知道错在数据、规则还是模型？

FDE要把这些问题一层层拆开，再把它们组织成AI能够参与、业务能够使用的工作系统。

上面这个结构图可以看出，这七层分别解决不同的问题：

1. 业务目标：明确要改变的结果，是缩短周期、提高转化、减少返工，还是让关键判断更稳定。

2. 流程与判断：看清工作怎样发生，谁在什么环节做什么判断，哪些情况会改变决定。

3. 数据与知识：找到判断所依赖的客户数据、产品事实、历史案例、业务规则和专家经验。

4. 业务与数据架构：把对象、关系、规则、权限、触发条件和结果状态组织起来。

5. AI实现：根据任务选择生成、分类、预测、检索、自动化、工作流或者Agent。

6. Human in the loop：明确人和AI分别扮演什么角色，哪些结果需要人确认，例外交给谁，最终责任由谁承担。

7. 验证与迭代：用真实业务结果检查系统是否有效，并把错误和人工修正带回下一轮。

所以，FDE不是把某一个工具部署进企业。它要先理解业务，再做架构设计，最后把AI、人和组织原有的能力接起来。

这也是为什么成熟的FDE人才很稀缺。他需要懂业务、数据、AI和架构，也要能够进入现场推动跨部门协作。很多企业未必需要立刻设置一个全职岗位，但必须有人承担这组能力。

落到一个具体的FDE Pilot里，我通常会用五个问题验收：

1. 场景是否高频、有价值，而且有人对结果负责？

2. 专家原来“凭经验”完成的判断，是否已经被拆到可以讨论？

3. 什么叫做得好，是否有清楚、可执行的标准？

4. 真实使用中的错误和纠正，能否进入下一轮迭代？

5. 项目结束以后，企业内部是否有人能够继续使用、判断和更新？

这五个问题没有答案，项目很可能还停留在Demo阶段。

六、有了FDE，也别急着让他先做一个Agent

很多企业听完FDE的工作，下一句话就是：“好，那你先帮我做一个Agent。”

但Agent是一种实现形式，不是企业AI落地的起点。问题还没看清、场景还没选对、团队也没有共同语言时，直接做Agent，往往只会把需求越做越大。

我现在给企业做AI提效，通常会按照下面四个阶段推进：

第一阶段：组织诊断

先看真实工作怎样发生：人的时间花在哪里，哪些环节反复返工，关键判断掌握在谁手里，知识和数据又散在哪里。

第二阶段：AI提效Workshop

团队拿自己的工作来练习，理解AI能做什么、不能做什么，也开始用同一种语言讨论任务、判断和验收结果。

第三阶段：聚焦

从很多想做的场景里，选出一个价值够高、范围可控、数据基本可得、结果能够验收的任务包。

第四阶段：FDE Pilot

把它做成真实用户会用的工作流或Agent，在真实任务中验证。跑通以后，再决定哪些能力值得扩展。

这四个阶段可以根据企业基础做调整，但前后的依赖关系不能跳过。问题没看清，Workshop会漂；团队没有共同语言，需求会反复；场景没有聚焦，项目会失控；没有真实Pilot，再完整的方案也只是纸面判断。

七、AI提效真正拉开差距的，是这四种效率是否真正得到了提升

很多企业衡量AI提效，第一反应是省了多少人、少做了多少小时。

这些数字当然重要，但它们只回答了生产效率。一个AI项目有没有带来更深的变化，还要继续看决策、学习和组织效率。

• 生产效率：同样时间里，能否完成更多高质量工作，交付周期、重复劳动和返工是否减少。
• 决策效率：信息能否更快进入判断，重要信号能否更早出现，关键人能否把时间放在真正需要他判断的事情上。
• 学习效率：一次项目里的经验能否被下一次直接调用，这次犯过的错误能否减少下一次再犯的概率。
• 组织效率：能力是否仍然锁在少数人脑中，新人和不同团队能否复用已经验证过的方法。

越往深处走，越难用一个简单的“节省了多少工时”来计算，但长期价值也越大。

如果AI只帮企业多完成了几个任务，它带来的价值主要停留在当期。只有当一次工作留下的数据、判断和经验能够继续帮助下一次，AI才开始成为组织能力的一部分。

八、DeepSeek不能照抄，但它值得每家企业认真思考

DeepSeek的目标、人才结构和业务性质都很特殊。

一家消费品公司不可能因为读完这份实录，就取消KPI；一家大型集团也不应该因为向往研究自由，就放弃层级、流程和责任。

真正值得学习的，是它做出这些选择时背后的原因。

它让我们看到，当目标足够清楚时，使命会进入真实的资源分配和业务取舍；如果说前面的“五层结构”回答的是DeepSeek在哪些地方改变了组织，“销售邀约飞轮”回答的是AI进入一条具体业务流程后怎样持续学习，那么下面这张图想回答的是：把这些部分放在一起，一个AI-native组织究竟是怎样运转的。

最上面是方向。企业要先说清楚，AI到底要改变哪个业务结果，也要知道什么暂时不做、哪些风险不能为了效率让步。否则AI带来的新机会越多，组织越容易分散。

中间是公司的核心业务。AI不应该只停留在外围的聊天入口，而要进入真正创造价值的环节。与此同时，组织要允许两种管理方式并存：稳定交付需要明确责任，未知探索需要试错空间。企业没有必要在“层级”和“扁平”之间二选一。

下面是企业自己的上下文。图里只保留了四类：数据口径、业务规则、专家经验、权限与例外。具体做项目时当然还会更复杂，但如果这些内容仍然散落在人脑和文件里，再强的模型也很难把工作做对。

围绕核心业务运转的，是一条持续学习的回路：使用、验收、人工修正，再进入下一轮。人工改了什么、为什么否决，都应该成为下一次判断的依据。否则AI项目每次都要从头开始。

最后才是组织变化。当核心流程和判断方式改变以后，工作怎样分配、谁负责判断、哪些中间环节仍然需要存在，都会被重新评估。管理者越早面对这些问题，组织越不容易在技术上线以后陷入新的混乱。

对大多数企业来说，走向AI-native，不需要从一场巨大的组织变革开始。

它可以从一个真实业务问题开始：把目标说清楚，把关键判断拆出来，把需要的数据和知识组织好，让AI进入合适的位置，再用真实结果验证。

DeepSeek给出的不是一套可以复制的答案，它让我们看到：

AI越强，企业越需要重新理解，自己究竟是怎样实现目标的。

模型会不断更新，工具也会越来越便宜。真正不容易被复制的，是一家公司能不能把目标、人的判断、AI的能力和持续学习组织协同在一起，走得快，更走得稳。

这也是我理解的AI-native组织。