前言：写在前面——一封给CEO的信
前言：写在前面——一封给CEO的信
2025年4月7日，Shopify CEO Tobi Lütke发了一封内部备忘录，随即泄露到全网。核心就一句话：「在申请加人之前，先证明这件事AI做不了。」 同一年，瑞典支付巨头Klarna宣布AI已经替代了700名客服的工作量，每月处理230万次对话，CEO对着镜头说「效率革命」。华尔街欢呼，股价飙升。 然后事情翻转了。 2025年下半年，Klarna开始悄悄重新招人。客户满意度持续下滑——AI处理得了量，处理不了复杂度。情绪化投诉、多步骤问题、需要判断力的灰色地带，AI全崩了。CEO本人承认：「我们过度追求效率和成本，结果是质量下降，这不可持续。」 到2026年初，Klarna重新招回了大量人工客服，转向人机混合模式。这家公司用真金白银证明了一件事：用AI替人，和用AI重构组织，是两件完全不同的事。 这不是Klarna一家的故事。亚马逊三年间砍掉5.7万个企业岗位，Block一次性裁员46%。但《哈佛商业评论》的调查显示：超过30%实施「AI裁员」的企业，后来重新招回了25%到50%的原岗位。有35.6%的企业甚至招回了一半以上。 所有人都知道AI很重要。但绝大多数人搞错了AI的用法。 我写这本书，是因为我自己也曾搞错过。
等一场技术成熟
我叫刘夜，朋友们叫我Leo。从小学开始写代码，后来创办了作业盒子（后来更名为小盒科技），5年时间走进全国10万所学校，服务近1亿师生家长，成长为教育科技独角兽。写代码这件事给了我一个东西：对技术节奏的体感。每一次技术浪潮都有它自己的时间表——来早了是先烈，来晚了是跟随者，踩准节拍才能真正起飞。 2023年，我启动了Talkit——一款AI口语学习产品。对标多邻国。 多邻国有700到800人，干了16年，覆盖40多种语言。Speak融了2亿美金，100人团队，干了8到9年。我组了一个70人的团队，判断AI会是这个赛道的变量。 但技术的节奏不以人的意志为转移。2023到2024年，大模型的能力还没有跨过语言学习所需要的精度门槛。光英语一种语言，AI生成的内容在准确率、个性化、教学逻辑上都达不到上线标准。我们有40多种语言要做——每种语言都需要教研团队、内容审校、本地化适配。靠人堆，堆不过多邻国。靠AI，AI还没准备好。 与此同时，我们在技术选型上选了Unity 3D架构。当时是为了更好的动效体验，但没预判到AI Web Coding浪潮的爆发速度——当整个行业开始用AI生成代码时，我们的架构完全不兼容。 回头看，这不是决策失误，是技术节奏的错位。我们做了三件事，每一件在当时都有合理的理由，但放在AI发展的时间轴上，都踩早了一步。我管它叫「三个不原生」： 技术不原生。 2023年选的架构，到2025年AI Coding爆发时就成了包袱。技术选型必须为下一波浪潮预留空间。 产品不原生。 用AI来「雕花」——优化已有功能，做渐进式改良。但在模型能力不够的阶段，雕花也雕不出花来。真正该等的是AI能力跨过阈值后的「突破」——解决过去根本无法解决的核心痛点。 组织不原生。 团队的认知停留在「AI是辅助工具」，这在2023年或许是事实，但没有为AI能力的指数级跃迁做好组织准备。 70个人干了两年，产出还不如后来4个人两个月的成果。不是因为前两年的人不行，而是技术还没到那个临界点。
转折点：Agent能生成Agent
2025年7月，GPT-5发布。 这不是一次普通的模型升级。对我们来说，它带来了一个跨越式的变化：端到端Agent生成的准确率从60%跳到了90%。 60%和90%的区别，不是「好一点」和「更好一点」，而是「不能用」和「能用」的区别。 三到四个月内，我们重构了整个底层。然后发现了一件让自己都震惊的事： Agent不仅能生成内容，还能生成Agent。 这句话需要解释一下。过去的AI应用沿着一条路径进化：
- 第一步，AI辅助生成内容——人主导，AI打下手
- 第二步，AI自动生成内容——AI主导，人把关
- 第三步，AI自动生成UI界面
- 第四步，AI自动生成完整APP
这意味着「用Agent生产Agent」成为可能。我们搭建了一个三层架构：最上层是Agent Team负责团队协作，中间是单个Agent负责独立执行，底层是Skills模块负责能力沉淀和复用。工具链是Claude Code（Opus 4.6）加OpenClaw——前者是Anthropic的Agent开发框架，后者是我们自研的开源Agent协同平台。 结果很直接：团队从70人变成3到4人，减少98%。开发周期从年级别变成2个月，缩短97%。迭代从两周一次变成每天。个性化从单一难度变成内容、路径、难度、动态全覆盖。 不是提升30%。是十倍。 这个数字不是PPT上吓投资人用的，是我亲手带着3到4个人在两个月里实际跑出来的。教研团队从十几人缩减到3到4人，迭代周期从两周缩短到以天为单位，内容质量还显著提升了。 这三年经历教会了我一件事：用AI做原来能做的事，叫雕花；用AI做原来不能做的事，才叫突破。 Klarna用AI替代700个客服，是雕花。我们用Agent生成Agent，重构了整个内容生产的底层逻辑，是突破。 雕花不重要。突破才重要。
一个公式和一条铁律
经历了这次转变，我得出了一个公式。这个公式后来成了我判断一切AI相关决策的底层逻辑： AI时代的个人产出 = 业务理解广度 × AI使用深度 注意，是乘法，不是加法。 业务理解广度，是指一个人能看业务全盘，具备闭环思考能力和结构化思维。AI使用深度，是指一个人能深度拆解任务，指挥AI干活并落地执行。 两者缺一不可。光懂业务不会用AI，你还是只能管人；光会用AI不懂业务，你只能帮别人提效，自己创造不了价值。 这个公式推导出了一个颠覆性的结论：所有围绕电脑完成闭环的岗位，原则上都可以替代为一个AI管理员。 这个管理员必须是「业务理解最广 + AI使用最深」的人。跟资历无关，跟管人经验无关。 我在自己团队里亲眼见证了这一点。那些过去不起眼的人，话不多，在传统考核体系里永远排不到前面——但他们拿到AI之后，以经营者的思维重构了整条业务流程，效率飙升几十倍。而一些过去的「明星员工」反而平平，因为他们的优势是「执行快、手速高」，恰恰是AI最容易替代的。 然后是一条铁律。这条铁律来自最近三个月我帮企业做AI落地的观察： 师AI者霸，徒AI者亡。 CEO们对AI的态度可以分成两种： 第一种：把AI当上级。 用AI去解决自己不懂的事情。遇到困难，第一时间自己用AI做Agent探索边界，发现可行，再找合适的人去落地。这叫「师AI」——以AI为师。 第二种：把AI当下属。 只指挥AI做自己已经懂的事情。把AI当成一个高级搜索引擎、一个文案写手、一个PPT美化器。这叫「徒AI」——让AI做徒弟。 黄仁勋有一个原则：只用AI做自己不懂的事情，懂的事情不让AI做。听起来反直觉，但想想看——你已经懂的事情，AI最多帮你提速30%；你不懂的事情，AI可能帮你从0到1打开一个全新的战场。 我拿自己的一个客户做例子。一家时尚零售企业，CEO不懂技术。合作三周，经历了一条完整的认知曲线： 第一周，70分。 我随手展示了一下AI的战略决策能力——分析品牌定位、梳理渠道策略、输出竞品报告。对方高管看得目瞪口呆。开局惊艳。 第二周，30分。 对方高管兴奋了，把全公司的人拉来搞了一周。但他们把AI当豆包用——问修图角度、问拍摄视角、问文案怎么写。全是他们已经会的事。核心问题就是没有把AI当上级用，而是当下属用。效果断崖式下跌。 第三周，90分。 我把AI重新拉回战略层面。让AI做经营诊断、IP合作分析、直播间数据复盘、战略决策输出。这些都是CEO团队原来做不了或做不好的事。效果立刻回来了，而且比第一周还好。 三周走完，这位CEO跟我说了一句话：「AI不是工具，是我的经营班子。」
AI不是工具，是你的经营班子
这句话后来成了我做所有事的核心理念。 什么叫经营班子？就是AI在企业里不是一个功能模块，而是一组核心角色： 经营诊断。 深度洞察企业全链路运营数据，精准定位业务瓶颈与核心增长点。 战略分析。 结合宏观市场趋势与竞品动态情报，结构化输出多维度的战略决策报告。 执行落地。 将宏观战略目标精准拆解为日常可落地的具体行动计划与标准化SOP。 甚至可以拉群、给人分配任务、写方案、追进度。 这就是我说的「AI原生组织」——不是给每个员工配一个AI助手，而是先部署AI经营班子，人类作为协作者入驻。 过去的逻辑：我有100个员工，给每人配一个AI，效率提升30%。 新的逻辑：我有一个AI经营班子，它能闭环完成80%的工作，我需要3到4个人类合伙人来处理剩下的20%。 两个逻辑之间，差的不是30%和80%，差的是整个组织的底层架构。 这也是Klarna式失败的根本原因。他们用AI替代了700个客服——逻辑还是「原来需要人做的事，现在让AI做」。组织架构没变，只是把人换成了机器。结果呢？机器不行，又换回人。 而真正的AI原生组织，根本不会有「700个客服」这个岗位设计。它会从头设计：哪些问题可以被产品层面消灭？哪些可以Agent闭环？哪些需要人类判断？最后可能只需要50个人，但这50个人的角色、职责、工具链和700个客服完全不同。 不是用AI替代人，是用AI重新定义岗位。
为什么写这本书
做Talkit的这三年，我经历了一场完整的AI原生转型——从70人传统团队到4人AI原生团队，从三个「不原生」的痛苦教训到「Agent生成Agent」的突破时刻。这段亲身经历让我对AI落地的坑和路有了切肤的理解。 最近三个月，我开始观察其他企业用AI的方式。越看越焦虑——我在企业界看到了一模一样的剧本正在重演。 教育行业当年也有一套流行话术：「个性化学习」「自适应题库」「大数据推题」。听起来和今天企业界的「赋能」「降本增效」一模一样。 在做作业盒子的时候，近1亿用户的数据让我看见了一些别人看不见的东西。 我看到一个安徽四线城市的小学生，因为一道数学题被AI拆解成了七个步骤，第一次理解了「分数除法」的物理意义——不是背公式，是真的懂了。他妈妈发了一条消息到家长社群里：「我儿子说他第一次觉得数学有意思。」 我也看到了另一面。99%的教育公司拿到AI技术后搞了一个「智能搜题」功能。学生拍照，AI出答案。下载量暴涨，日活飙升。但我们追踪数据发现，使用拍照搜题功能的学生，考试成绩平均下降了4.2%。思考的肌肉萎缩了。 AI不是坏了，是被用错了。 今天企业界正在重演这个剧本。HR部门拿AI写周报，市场部拿AI生成海报，老板骄傲地说「人均效率提升30%」。但你的竞争对手也接入了同一个大模型，也提升了30%。你们之间的差距，一点也没变。更糟的是，你可能正在用AI加速一件本来就不该做的事。 这是一种更隐蔽的「拍照搜题」陷阱：AI被用来加速执行，却跳过了思考。
这本书想和你聊什么
市面上已经有太多书教你怎么写提示词、怎么搭工作流了。我不想再写一本。因为工具会过时——今天你学的所有prompt技巧，半年后可能就不需要了。 不会过时的是什么？是你对业务的理解，是你对组织的设计，是你判断「什么事该做、什么事不该做」的能力。 所以这本书聊的不是How，而是三个更根本的问题： 第一，为什么你的AI项目总是雷声大、雨点小？ 不是技术问题，是你的组织还停留在「前AI时代」。我会用三年Talkit的亲身教训——三个「不原生」——告诉你坑在哪里。 第二，AI到底该用在哪里？ 不是所有环节都值得AI化。关键区分是：你在用AI「雕花」还是「突破」？解决原来能解决的问题是雕花，解决原来不能解决的问题才是突破。我会用Klarna的失败和我们自己的成功，讲清楚这条线在哪里。 第三，你的组织需要什么样的人？ 答案藏在那个公式里：业务理解广度 × AI使用深度。 你的组织里，藏着多少被埋没的超级个体？又有多少被高估的「熟练工」？
读这本书之前，我有一个请求
请放下「我要学AI」的焦虑。 AI不是一门需要学的新技术。它是一面镜子。当你把AI引入组织，它会照出你公司所有的问题——流程的冗余、数据的割裂、决策的混乱、人才的错配。 与其说AI改变了你的公司，不如说AI逼你看清了你的公司。 如果你看完这本书，能回答四个问题，你就已经站在了绝大多数CEO前面：
- 你公司里最值钱的能力是什么？能不能被AI放大一百倍？
- 你公司里最大的瓶颈是什么？AI能不能打破它？
- 你的组织结构，是在帮AI发挥作用，还是在阻碍它？
- 你是在「师AI」，还是在「徒AI」？
让我们开始。 刘夜（Leo） 2026年4月，北京