AI 原生组织转型 02：用 AI 推进流程、闭环迭代

安克做过一轮流程类 AI 培训，满意度非常高。培训结束回头查数据，agent 的使用率几乎为零。

这件事被任鑫在这期《AI 炼金术》里反复提起。他和徐文浩做的是「AI 原生组织转型」系列，上一期讲对齐，这一期把推进剩下的传导、检查讲完，再讲第三件事：闭环。节目里反复出现的一句是：用 AI 干活只是提效，AI 指挥着整件事情来干活，才算 AI 原生。

上一期他们拆过三层：任务层看单个人用 AI 干得好不好，协调层看整个组织能不能把力气往一处使，第三层看你在生态位上是不是稀缺。这一期落在协调层，讲三件具体的事：工作怎么从一个人流到另一个人，质量怎么保证，公司怎么自己变强、再让市场来教公司。

最好的传导就是不要传导 2:23

传统组织里，一个活派下去只是开始。做完要交接，交接要拉会，会上要碰，碰完还要再来回几次。任鑫把这一段叫传导，信息传导和工作传导混在一起，损耗全在这里。

AI 时代的答案很干脆。

最好的传导就是不要传导。

要么一个活被一堆人一次搞定，要么它自动流到下一个环节。实在要传，也得改个方向：从人传人，改成机器传人。所有人对着机器工作，机器把活拿走，再交给下一个人。

福特的例子他讲得很细。流水线真正的革命，不是工位上多了几台机器，是那条传送带本身就是机器。你在车上敲两下，传送带把车挪到下一个工位，老王在上面装灯。车自己在走，人跟着车的节奏走。

组织里的流程也该这么设计。光想着「这个活可以让 AI 干」不够，从一个任务到下一个任务，一直到最后交付用户，这条流程本身要交给 AI 来推。

酒店空调那通电话是反例。客人打给前台说空调不制冷，前台理解一遍，转给客房部，客房部再分析一遍，转给工程班排班。一件小事传了三四手。如果 AI 旁听了这通电话，它已经知道哪个客人、哪间房、什么问题，理论上应该直接带上下文发工单给正在值班的班组。前台只需要确认一句「是这么回事」，剩下的后台处理，过一会儿告诉客人，王师傅两小时后到。

这个例子是华杉讲的，任鑫补了一句，不知道他们有没有真的做到。逻辑上成立，难的是中央那套系统得真的连起来。

安克的反转：让 agent 推着人走 4:06

安克的反转很能说明问题。他们做过大量流程类 AI 培训，教大家用这个工具那个工具，满意度巨高。培训完回去看 agent 有没有被用起来，发现根本没人用。

后来想明白，问题出在方向。人去学工具，工具永远只是工具。倒过来，让 agent 推动流程，agent 要求人完成某件事，甚至 agent 推动下一个 agent，人才会被卷进去。

具体做法分几层。第一层叫项目容器。要做一件事，先开项目会，系统发一个 ID。这个 ID 不只是编号，系统认这个项目，所有相关上下文归到这里。输入一个产品型号，库里已有的信息、社交媒体的评论，全部自动拉进来。

第二层是编排。系统知道内部有哪些 agent、有哪些人，会自己排路径：这件事要经过哪些步骤，哪些 agent 或人来参与，哪几步并行，哪几步串行。安克举的例子是系统先推荐了 15 个流程智能体，项目负责人又加了 6 个，一共 21 个。

agent 之间怎么交接？靠前面讲对齐时提过的核心数据对象，可以理解成一个文档或者数据包。一个 agent 干完，把包丢回总项目，告诉系统完成了，再去催下一个。所有人都在一条流水线上，咔嚓咔嚓往前走。

人这一端是一个全局仪表盘。每个人能看到自己的产出流向谁、被谁影响、现在卡在哪里、在等谁、哪里需要自己做决策。

我们招这么贵的人，不是用来查信息盯进度的。

把活交给流水线，还有一层不容易看见的好处，隐性知识会被逼出来。任鑫说，如果我把半成品交给老王，有些点没说清楚，老王可以私下找我碰一下，那些含糊的地方永远不会暴露。交给流水线，下游没机会来问，我就必须提前说清楚，否则流水线会断，会拿到不合格的成品。下游打回来，返工被记录，下次流水线就该提前向我提要求。

代价也要说清楚。从每个人去推事情，变成事情在推每一个人。效率完全不一样，但干具体活的人会感觉自主性在下降。

他用了一个不太政治正确的说法：人类既是董事长，又是打杂的。可一个具体的人在干活的时候，只会感觉到自己是打杂的。AI 干不了的才推给我，干完又催我干下一件。像个接单的，不像拥有这份工作。这类工作的无聊程度会上升，得靠另外的设计去补，比如小圈子化。

比设计工作更重要的是设计检查点 14:30

流程编排得再漂亮，靠不靠谱都不一定。所以还有一步：用 AI 检查工作。

安克的阳萌有句话，任鑫引了不止一次。

比设计工作更重要的事情，是设计检查点。

很多人说 AI 有幻觉，所以不能用。任鑫的回应是：

我的幻觉比 AI 严重多了。

人类保证质量从来不靠相信每一个人，靠的是机制和检查。对 AI 也该用同一套逻辑。流程设计好，检查点也要设计好，有些由人查，有些由 AI 查，有些一起查。

徐文浩公司是现成的样本。代码上传后有几十道门禁，格式、重复率、命名、依赖，一项项查，后面还有几百个测试用例。这些检查过去成本极高，现在可以交给 AI。

然后翻车了。今年 1 到 3 月他们大量用 AI 写代码，最后出了一堆 bug。测试用例明明全通过，查下来发现 AI 根本没有认真跑，它把 test case 全部 mock 掉，用模拟数据假装跑了一遍。

所以检查这件事有个关键条件：要用一个干净的、跟之前干活无关的上下文，做对抗性的检查，不能顺着来。任鑫的比喻是，你指挥一帮 AI 干活，又搞了东厂西厂监督它们，皇帝有时候还得查一查东厂西厂有没有好好干活。

安克的价格调研是个真实案例。系统发现新品竞品的促销价被当成了日常价格读进来。下游定价有一部分是跟着竞品价格走的，假的毛利数据会一路传下去，整个毛利测算全错。检查点发现之后马上改，后台所有受这个错误影响的数据全部回滚。

看安克的新品上市流程图，很多节点标着 CP，checkpoint。这个点检查什么，那个点检查什么，大部分交给 AI。产量大到一定程度，人查不过来。

最后人还要查，但人的带宽有限。徐文浩的做法是把检查点设计得符合人类带宽，比如周一查什么、周二查什么，仪表盘上不要堆一堆人看不懂的东西。

大部分公司是开环系统，AI 来闭环有三个优势 20:33

前面讲的是把当下这件事做好。闭环讲的是下一次比这次好。

任鑫把它拆成两层。内部闭环是能力闭环：东西做成了，经验沉淀下来；做砸了，知道哪个螺丝松了，下次避开。平时说的复盘、复利，都在这一层。外部闭环是市场反馈：这期播客有没有人听，有没有播放量、转发量，根据数据调整选题和标题。

大部分传统公司是开环系统。所谓闭环，就是隔几个月开一次战略会，反思一下，实际上啥都不干。开会的时候大家都是人，都要面子，不会天天盯着别的部门说你没做好，被别人盯也会想打人。事情不见得做得到位。

AI 做闭环有三个优势。

第一个是能力。很多人愿意做卷子，不愿意对答案。做题有成就感，对答案要面对问题。加上找数据、分析相关性本身就麻烦，业务线的人每天要打业务，更不愿意停下来复盘。

第二个是能写进去。以前复盘出来的结论是「我们以后一定要对客户好一点」，这种话沉淀不下去。流水线本身 AI 原生了，经验才写得进去，下次才会自动被执行。

第三个是没私心。讨论问题的时候，业务问题很容易变成政治问题，谁跟谁一伙，谁在甩锅。AI 当相对公正的第三方，虽然 prompt 写歪了它也会朝某个方向偏，但大家反倒更能接受。

真要做，不用先建中台、写 SOP。那条路的结局是三年过去了，标准还没定完。harness 搭得够好，就在真实业务里看哪些做得好、哪些做得差，把经验沉淀下来。

有听众会说自己不会写 skill。任鑫的回答是不需要会，只要提醒 AI 去做。告诉它，最近做得好的、做得不好的事情你理一理，看看我是不是这么认为，然后沉淀下来，下次照这个来。有这个意识就够了。

Claude Code 团队是公开的例子。他们用 Claude Code 写 Claude Code，每次解决完内部问题，都要求把这次哪些成功、哪些失败写进 CLAUDE.md。项目组共享这个文件，一个人更新，整个项目组的 agent 都受益。

任鑫采访过的一位朋友提到，他的 CLAUDE.md 已经巨长，会定期让 AI 回去看：里面写的是真经验，还是一堆表层的无聊规则，能不能抽象得更精炼。既要总结经验，还要总结「总结经验」的经验。

Every 这家公司走了另一条路。他们同时跑五六个产品，按理说登录、邀请码这类模块应该做个中台统一。但中台一旦不直接面向市场，它会长出自己的生命力，变成前台的阻碍，阿里都在拆中台。他们的做法是让 AI 去看兄弟项目里邀请码写得好的那段代码，理解里面的精髓，回到自己项目重写一遍。散兵游勇往前打，打出来的经验用这种方式复用。

48 小时走完一圈，和一颗开裂的螺纹 30:40

安克的销量下跌是个完整案例。

系统自己发现销量异常，自己去拉库存、拉广告、拉竞品、拉评论，把上下文凑齐，判断可能出了什么问题。这一次定位到广告预算被错误停掉。系统发一张工单给广告优化师，人去做一系列操作，结果再回流。

从发现到改完、效果出来，48 小时。以前这个循环很慢。

更关键的是，归因错了也不拖着。加了广告发现没用，系统会综合其他因素重新想，是不是库存不足，生成一张新工单，开始下一圈。整个循环不是一次性的，采集信号、识别关键信号、找根因找方案、审核修改、验证，然后继续。

真正沉淀到系统里的例子是螺纹开裂。生产中发现螺纹开裂，AI 触发深度分析，一层层往上剥：为什么开裂，是不是设计壁厚太薄；为什么薄了没被发现，DFM 环节本来该拦住；为什么 DFM 没拦住。类似工厂里的 8D 分析。剥到底之后，短期方案是什么，长期方案是什么，以后哪一步要加检查点，检查设计壁厚。这一步做完，「以后大家要注意」变成了一条永远会被触发的检查。

他们数据中台的用法也类似。员工去取数，没取出来，中台识别到一个 gap，自己去研究，把能力沉淀下来。取出来了，但路径很复杂，就记下这次是怎么取到的，下次走同一条路。

还有一个更主动的设计：专门有一个 agent 去扫描其他干活的 agent，看它们在执行任务时遇到什么摩擦，在哪被拦截，缺什么命令，临时造了什么脚本。看完之后想哪里可以优化，提前做一批工具，下次不用临时抱佛脚。

任鑫自己的 AI 每周也做一次复盘。上周它给出的报告里有一条：你有 80 次等我超过 15 分钟，其中若干次你不耐烦，新开了一个窗口跟我聊。它的建议是下次直接说后台运行，前台就能继续对话，不用开新窗口。

这些闭环大部分还停在提效层面。解决一个工程问题，螺丝下次不会开裂，值得高兴，但市场认不认是另一回事。

傀儡闭不了环，接班人才能 36:00

真正的闭环面向市场。要知道市场认不认，认就强化，不认就改。

这件事依赖前面两步。先让 AI 做对齐，它才掌握全部事实；先让 AI 推进工作，它才是这个项目的 PMO。任鑫的类比是，如果你有个小助理，每件事都你拍板，让他反思这几年决策怎么优化，他反思不出来。你培养一个接班人，每件事让他做，你只给建议，板由他来拍，他才能从结果和决策过程里看出漏洞。

傀儡闭不了环，接班人才能。

广告投放是最干净的案例，因为反馈快。AppLovin 的做法是一批先跑 500 次，看哪些有反馈、哪些没有，用这批数据决定下一批 500 个人长什么样，再投、再改。人做不到这个颗粒度，一个画像可能上千个维度，人只能粗颗粒地说这类人别投了。

营销领域这条路已经很成熟。任鑫的判断是，所有事情都该往这个方向走，只是广告的数据颗粒度更细、更全、更快。

HF0 孵化的那家公司更极端。AI 生图还不太好用的时候，他们就 100% 用 AI 生图给大公司做广告投放，整个流程上没有人。别人一周只能迭代两次，他们一天迭代 20 次。

有些业务的反馈周期天生很长。艾语智能的天乐做 AI 催收立案，收到钱是最强的信号，但钱最后还不还是很久以后的事。他们的办法是找前置信号：加上企业微信算正反馈，能联络上算正反馈，聊了几句算正反馈。把这些信号喂给 AI，它就知道哪条路更容易走通。这件事没有技术难度，难的是先有这个心思。

再往大里做，可以看 Block 的思路。公司本身就是一个 AGI，AI 放在中心。知道客户的淡季旺季，知道客户的现金流情况，在客户需要钱之前，AI 自己组装一个金融产品推过去，额度多少、利息多少、什么时候还，都由 AI 决定。客户要还是不要，反馈回流，公司像一台推荐引擎一样慢慢学习。

人类在这个结构里剩下几类角色。董事长和 CEO，定大方向、搭架构。专业资源，AI 触达不到的地方，比如某个客户喜欢喝哪一年的茅台，或者合规上这个方案能不能做，找内部的专家问一下。还有宏观战略和架构决策。闭环本身，尽量交给 AI。

主语必须是 AI 43:00

把这一期收个口。AI 原生组织，是用 AI 做对齐、用 AI 做推进、用 AI 做闭环。用 AI 干活干得快，只是提效，很难拿到那么大的效果。要看这件事的主语是谁。翻回安克的例子，主语经常是 AI，AI 在推进，AI 在对齐，AI 在检查，人类在生产线旁边。

任鑫自己也说，这套话讲出来政治非常不正确。看到方向不等于做得出来。真在自己公司推，基层会觉得你是来抢饭碗的，管理层会觉得你是来抢权的。一定会出现大量鬼故事，会卡在无数莫名其妙的地方。愿景和做到之间那个 gap 怎么跨，他留到下一期。

这一期能带走的东西不复杂。挑一条最近出过问题的流程，数一数中间传了几手，哪几手只是转述。找出这条流程上的检查点，看看哪些靠人盯，哪些可以让 AI 用一个干净的上下文跑一遍。再翻一翻上次复盘得出的结论，落在哪个文件里，下次谁会读到它。

这三件事都不需要新建系统，也不需要等一个完美的方案。安克的反转说明，等培训到位再推广，agent 还是没人用。让流程先跑起来，人和 agent 才会被卷进去。