塔克拉玛干接连发洪水，沙漠基础设施怎么扛暴雨？
内容来源：2026 年 6 月 24 日 -26 日，条记侠在北京举办的【AI 十倍增长营】01 期课程中，影刀首创人十布分享的精华内容整理 。分享嘉宾：十布，影刀首创人兼 CEO 。责编? | 贾宁 ?排版? | 沐言第 9736 ?篇深度好文：6035字 | 17 分钟阅读AI 天演论条记君说：现在，AI 的智商已经凌驾了绝大部分人，你的企业还在只靠人做决策吗？今天这篇文章来自影刀首创人兼 CEO 十布，在条记侠 AI 十倍增长营 01 期上的分享 。永湔浸务了一万多家企业，累计融资两亿美金，投资方包括高瓴、高盛、腾讯 。但这家公司 " 不太正常 "，从不设营收目标，却连续多年坚持增长 。他在这篇文章里没有讲 AI 趋势预测，只讲已经落地的拭魅战经验：如何用 AI 驱动考勤治理、销售决策、面试招聘、客户评估和财务对账；如何把企业的决策系统从人切换到 AI；为什么 Token 要像钱一样被治理；以及一个焦点判断：未来的企业，人会酿成 AI 的子集，AI 才是组织的主体 。如果你是企业家或创颐魅者，无论你的公司现在是 10 个人照旧 1000 个人，这篇文章都值得你重新读到尾 。一、AI 时代的实质科学时代，人类造就了工具，工具最大的特点是准确、高效，流程和规则被界说得很是清晰 。AI 时代，人类造就的是 " 大脑 " 。虽然 AI 有幻觉，但人类大脑也有幻觉 。所以在 AI 时代，我们不应该因为 AI 有幻觉就不去用它，而应该思考如何用更好的要领让 AI 输出高质量的内容，就像人类有幻觉，但我们用流程来约束一样 。AI 是人类历史上最后一次技术革命，它不是业务的升级，而是文明的跃迁 。二、" 造塔 " 与 " 造船 "未来企业的组织形态会从 " 人驱动 " 走向 "AI 系统驱动 " 。原来的组织形态中，人是企业的主体，所有软件、流程、精力都效劳于人 。现在 AI 的智商已经凌驾了绝大部分人，它将成为企业的主导 。原来的企业主体是人，未来的企业主体是 AI，人会酿成 AI 的子集 。我把这种组织叫做 AI 原生组织，将组织的能力建在 AI 之上 。如果哪一天 AI 失效，组织也会失效 。这就好比工业化时代的企业必须建立在电力之上，信息化时代的企业必须建立在互联网之上，没有电、没有互联网，企业就无法运转 。同样的逻辑，如果今天一家企业没有 AI 还能正常运转，那它就不是 AI 原生组织 。AI 原生组织的界说是：AI 才是企业组织的主体，没有 AI，企业将不再保存 。海内有没有这样的企业？美团就是 。美团的骑手组织，每天去哪里取餐、什么路线配送、送到哪里，全由美团的 AI 调理系统决定 。AI 调理系统是主体，没有它，美团的骑手组织无法运转 。滴滴的司机组织、支付宝借呗的放款逻辑同理：AI 是主体，不是辅助，AI 自己就是组织 �；淖橹凼� " 能力建立在组织之上，组织建立在流程之上 " 。未来，AI 会重构这一逻辑，流程要建在 AI 之上 。我们已往的做法是什么？不绝学习、加入培训，实质上是 " 造塔 "，把自己的能力垒得越来越高 。但问题是，当更智慧的 AI 泛起时，塔垒得再高也会被淹没，因为塔终究是在地面上的 。在 AI 时代，我们应该 " 造船 "，把能力建在 AI 之上 。AI 变得越智慧，我们就水涨船高 。下面，我重点讲讲我们的实践经验 。三、影刀的 AI 应用实践1. 招乒亓实践我们公司之前的面试中保存许多问题：有些主管不喜欢招比自己强的员工，总是拒绝牛人，招进来的都是水平一般的；有些面试官没经验，纯靠感受，招了许多不对适的人 。所以我们决定，把面试的判断建在 AI 之上 。第一步：界说岗位目标和要害产出招聘一个人，最重要的事情是想清楚要招什么样的人，如果连这个都没想清楚，面试就无从谈起 。具体做法是：用一句可权衡的话描述这个岗位 6 到 12 个月的岗位目标 �；挂室桓鑫侍猓赫飧龈谖徊徽谢岜⑹裁�？如果招和不招结果一样，这个人就没须要招 。再界说要害产出：这个人做得好，半年后会留下什么？岗位目标和要害产出必须由人来界说，AI 不知道，因为只有企业自己才知道招这个人的目标是什么、要害产出是什么 。第二步：AI 推导能力和胜任力模型 。岗位目标和要害产出界说好之后，AI 很是擅长做逻辑推导，能准确判断完成这些要害产出需要什么能力，包括哪些是必须项、哪些是加分项 。能力项决定胜任力模型，胜任力模型也由 AI 推导出来 。第三步：基于胜任力模型建立评分体系 。好比 " 问题拆解 " 这个维度，AI 会给出界说：在信息不完整、目标模糊的情况下，将庞大问题拆解为实质性问题 。然后明确什么叫正例、什么叫负例，什么是 1 分、什么是 3 分、什么是 5 分，这些全部由 AI 界说 。评分体系很是重要，没有评分体系，就无法评判候选人是否及格 。许多 HR 用 AI 时，只是把录音和简历丢进去，问这个人合不对适 。没有参考系、没有评估体系，AI 很难给出有效谜底 。同样一个候选人，在这家公司合适，在另一家公司可能就不对适 。第四步：AI 构建面试流程和面试题 �；谑と瘟δＰ�，AI 会构建面试流程 。好比高级岗位需要四轮面试，AI 会清晰界说每轮面试的目标维度 。原来的面试是什么都问、重新问到尾，意味着面试没有目标，这很可怕 。有了明确的面试维度后，AI 会结合候选人简历，自动生成每轮的面试题 。第五步：面试执行与决策 。面试官拿到的是完整的面试卡 , 有评分体系、面试题、计时、录音、反响和追问功效 。因为建立了参考系和问题库，AI 能很是好地辅助面试 。最终决策分为：强推、推荐、中立、不推、强不推 。如果人和 AI 决策不同很大 , 好比人强推、AI 强不推 , 我们会把面试录音留到下一轮再做判断 。整个流程的焦点逻辑是：① 岗位目标和要害产出（人界说）② 能力项和加分项（AI 生成）③ 胜任力模型（AI 生成）④ 评分体系（AI 生成）⑤ 面试流程（AI 生成）⑥ 面试题（AI 生成）⑦ 追问与决策这里的要害启示是：构建 Agent（智能体，下同）时，必须把流程一层一层建构出来，在每一层写好思维链，这样才华做好一个 Agent 。这也是为什么市面上许多 HR 系统没法用的原因，这样的产品应该基于企业自身的个性化需求来自建 。2. 客户价值评估实践除了面试，销售事情也可以用 AI 辅助 。我们公司许多销售，特别是新销售，最大的问题是逮到客户就使劲跟 。但做销售最重要的是跟对客户，知道什么客户应该放弃，什么客户应该重点投入 。我们还发明一个有趣的现象：长得漂亮的销售往往业绩不太好 。因为客户总是不拒绝漂亮的女人，喜欢找她聊天 。销售在差池的客户身上花大宗时间，感受能成，其实客户只是找她聊天罢了 。所以我们建了一个客户价值评估系统，让 AI 来评估这个客户要不要跟、要不要放弃、怎么跟 。焦点设计思路是，做任何 Agent 或 skill（技术，下同），首先要界说目标：最终要输出什么？我们的目标是输出：这个客户是否值得投入、赢的概率是几多、怎么赢 。其次要界说输入结构 。AI 需要有输入才有好的输出，和 AI 招聘一样，先输入岗位目标和要害产出，再一层层推导 �？突Ъ壑灯拦赖氖淙氚男�？客户基础数据：行业、增长情况、是否理想客户、是否有自动化基� �；用户行为数据：是否录过工单、是否主动联系过、是否开过会：销售历程数据：信号数据等 。我们构建了多层判断模型：?第一层：是否是对的人？第二层：是否会买？第三层：是否能赢？?第四层：是否只做种草？如果是战略客户只做种草，非战略客户简单相同即可 。这个判断逻辑由业务人员构建和连续修改，让模型越来越强 。它能挪用工具、执行操作 。好比在 CRM 中自动写入客户评分和状态、自动生成飞书审批调取售前资源、自动生成打法建议给销售 。这套系统被接入 CRM 后，员工输入客户信息时，系统会自动显示：这个客户要不要跟、打法是什么、下一步行动计划是什么 。原来由人做的判断，酿成了 AI 来预测 。我在内部实践中的感受是：中层越来越没有价值 。中层原来的焦点价值是提供决策建议、告诉你下一步做什么，但现在 AI 比人更靠谱 。四、AI Agent 的焦点要素古板软件的实质是界说规则、界说流程、界说功效 。产品上线之前，你就知道这个软件长什么样、有什么流程、有什么功效，它是规则系统，高效精准 。但 AI Agent 完全差别，它是界说目标、界说上下文、界说评价体系 。什么叫好、什么叫欠好？接纳率、准确率是什么样的？里面的流程和规则是不清晰的 。AI Agent 是一个黑盒，做不到 100% 准确，它是一个概率系统，不是规则系统 。所以做 AI Agent 最重要的目标，就是让概率越来越高，如何用更好的要领让 AI 输出更高质量的内容 。AI Agent 有四个焦点要素：第一，高质量的上下文 。如果输入的内容无效，输出一定有问题 。就像 AI 招聘，如果只是把聊天纪录或简历丢给 AI 评判，结果一定有问题，因为前面缺少了岗位目标和要害产出的界说 。第二，有效的工具挪用 。大模型为什么能知道今天的天气？因为它挪用了互联网搜索 。所以，给予 Agent 更多挪用工具的能力，好比数据收罗、信息盘问等等，至关重要 。第三，Prompt（提示词） 。提示词是否连续进化、是否越来越好，也很是重要 。第四，评价体系 。这是被许多人忽略的要害点 。没有正确率、接纳率、业务结果等评价指标，AI 就永远停留在 demo（演示）阶段 。因为它是概率系统，必须评价什么是好、什么是欠好，才华连续进化 。评价体系的作用类似古板软件的测试用例 。好比客户价值评估系统，我们有许多人工验证过的客户案例，让 AI 重新跑一遍，看准确率是否变高 �；蛘呋桓瞿Ｐ�，从 Claude 换到 DeepSeek，看准确率是否还能维持 。当每次修改导致离目标越来越远时，可以回滚版本 。所以，Agent 最重要的不是目今好欠好用，而是能否连续进化，连续进化高质量的内容、连续进化工具挪用、连续进化算法 。我们原来的 agent 都是开发写的，但开发最大的问题是不懂业务逻辑 。并且 skill（技术）需要不绝 " 养 "，如果每次业务人员觉得输出结果欠好都要反响给开发去改，效率很低 。好的协作机制是这样的：治理者界说目标、最终输出结果和产出；IT 人员连接数据库、知识库、挪用工具，这是业务人员搞未必的；业务人员懂业务场景，连续优化规则，边用边改；一线使用人员建立反响机制，资助业务人员更好地优化 。好比我们公司用 AI 写邮件，AI 会在末尾写 " 此致敬礼 "，但实际各人写邮件都是写 " 谢谢 " 。发明这个问题后，我们调解规则，整个 AI 的输出就变了 。这就是业务人员在边用边改 。未来的 AI Agent 一定是企业自己搭建、自己连续完善和革新的，不是由开发公司写好规则直接交付使用的 。五、Token 治理与分层治理我原来给团队充了 10 万块钱的 Token（词元，下同），两天就用完了 。我都不知道用在哪里 �Ａ碛性惫の嘶惚ㄊ虑�，把文档转成 PPT，自动生成 PPT 很耗 token，造成了极大浪费 。Token 需要被治理，就像管钱一样 。钱是稀缺的，需要你选择怎么分派：哪个部分应该多给、哪个应该少给；哪个员工绩效好应该多激励；哪些 Agent 是高效的、哪些是低效的，高效的应该重点配置，低效的应该禁止 。我们需要有一个后台治理系统，知道哪些 Agent 正在被高效消耗、哪些流程在浪费、消耗的变革趋势是什么、是否有性价比更高的模型可选 。我前段时间看到一个新闻，亚马逊一个月收到 5 亿美金的 AI 账单 。我们现在用 Claude 大模型，开发人员随便用一天能用掉一两千块钱 。所以 Token 治理是企业级产品必须做的，不然没法合理正外地给员工更多 Token 资源 。企业级 AI 需要分层治理，我把它分成三层：第一层：企业级框 。就像国家先有宪法，再有党的指导目标，最后才是