最近，我看到三个关于AI的故事，它们像三面镜子，分别照出了我们正处于AI转型浪潮中的三个关键问题：AI的认知边界、AI的生产力潜能、以及AI化组织的重塑路径。
一、来自AGI-Next闭门会的四个“反直觉真相”
第一个故事来自腾讯首席科学家姚顺雨，他在北京AGI-Next闭门会上揭露了AI下半场的四个颠覆性观点。
- 关于赛道：ToC要像人，ToB要像神。 在C端（ToC）市场，AI对用户而言不过是升级版搜索引擎——再聪明，如果不能理解用户的场景和上下文，依旧难以产生真正的价值。AI若想走向高层次认知，就该把“高智商”投向B端（ToB）市场。企业愿意为“绝对正确”的模型付费，而不是为“像人一样聪明”的聊天机器人掏钱。
- 关于自我学习：AI已经在“自我进化”。 在Claude模型的开发项目中，约有95%的代码是AI自己编写的。换句话说，当AI用自己的数据训练和优化自己时，“自学习”的概念不再只是幻想，而正在发生。
- 关于智能体替代人：问题不是技术，而是教育。 很多人以为2026年的智能体将大规模取代人类工作，但姚顺雨提出的“暴论”更接地气：即使模型技术今天停止进步，只要把AI充分应用到各行各业，社会生产力依然能提升10倍、100倍。真正的卡点不是技术，而是教育——我们能否教会员工去指挥AI干活。未来人与人的差距，不在于谁更聪明，而在于谁更会用AI。
- 关于中国AI的未来：短板在“敢不敢冒险”。 未来三五年最强的AI公司会在中国吗？姚顺雨的判断并不乐观。中国有强大的工程能力、电力成本优势，但欠缺“敢当第一个吃螃蟹的勇气”。我们太习惯确定性，太少去探索新范式。AI下半场是一场关于想象力与勇气的竞赛。
这些观点让我重新思考了一个问题：当AI的能力边界不断扩张，组织是否也该随之重构？
二、Boris Cherny与AI编程的“效率极限”
第二个故事来自Claude Code之父 Boris Cherny。他在社交媒体上分享了自己的AI编程工作流：一个月内提交259个PR，生成4万行高质量代码——并且每一行都是AI写的。Boris并非“手速快”的程序员，而是一个懂得如何指挥AI的“协调者”。他定义了13个流程，构建了一个高效、可扩展的AI协作体系。
这让我想起我们公司当前的状况。我们是比较早引入AI Coding工具的一批企业，但账号普及率不到50%，AI产出代码和方案的占比更低，质量也参差不齐。新技术的出现本应带来跃迁式提升，但若靠“自发转变”，那一跃往往会被旧习惯的惯性稀释殆尽。变革，从来不是自然而然的过程，而需要刻意的组织设计与教育。三、唯医骨科的启示：AI型组织的四步重构
第三个故事来自唯医骨科创始人刘峥嵘。她讲述公司如何借助AI，从500人“重做到”29人。这不只是成本效率的故事，更是一场组织结构和思维方式的重塑。
第一步：从管理思维开始，对齐颗粒度。 所有决策配套OKR、所有项目记录流程、所有成本精准核算、所有知识沉淀文档。这套体系看似笨重，却是AI介入的前提——AI无法接管混乱，只有结构化、标准化、可描述的业务才能被智能化重构。
第二步：用AI重构核心资产，让机器理解业务。 他们召开内部AI工作坊，每位员工都需展示自己如何用AI解决问题。通过这种“强制通晒”，团队形成了一个新的认知：AI不是工具，而是协作者。 最懂业务的人负责定义标准，AI则在这些标准下规模化执行。
第三步：重塑生产与运营，让人成为决策者。 专家从繁重的生产者，转变为高效的决策者。AI负责大规模执行，人负责判断与校验。当知识的复制成本趋近于零，企业的增长才真正具备指数级的潜力。
第四步：建立智能中枢，让数据驱动一切。 数字化使工作可描述、AI化让任务自动化、数据化让优化可迭代，从而形成完整的AI闭环。
我从这个故事中看到了一个新概念——AIBP（AI Business Partner）。这群人不再是传统的技术支持者，而是懂AI、懂业务、能推动AI系统融入业务的真正伙伴。
四、从故事到行动：我的思考
这三个故事对我触动很大，也成为我思考我们公司AI化转型的起点。我们是一家做智能座舱的企业，涵盖设计、研发、制造、销售等环节。制造和销售的AI化已有不少先驱探索，未来“具身智能”进入工厂后，机器人或将全面接管制造环节，开启下一场工业革命。
而我更熟悉的，是软件设计与研发。AI在这里的潜力同样巨大，但现实状况却让人惋惜：
- 引入AI编码工具多年，普及度仍然偏低；
- 真正能利用AI显著提升产出的开发者不多；
- 许多人仍把AI当“代码补全”工具，而非“智力外部化的协作体”。
这让我更加坚信，AI转型的核心不是部署工具，而是改变人。 教育、激励、流程、标准、认知，全都要随之升级。
我特别佩服刘峥嵘的勇气——在AI势头初现时就敢于激进重构。改革确实会痛苦，但求安稳终会随旧船沉没，错过驶离的快艇。当别人的团队一个月能产出4万行高质量代码时，我们还在用AI做自动补全，那效率差距已不是“倍数”，而是时代的界线。
所以，我更倾向于相信：真正AI化的组织，不一定是技术最强的组织，而是最懂“教育”“协作”“结构”的组织。
在软件研发中，AI的应用场景仍有很大挖掘空间。一个常见误区是过度追求“自研”，而忽视那些成熟的商业AI工具。过往的研发效能准则在AI时代依然有用：
- 能买现成的就不要自研。 自研的成本高、周期长，投入产出比低；
- 即使要自研，也要基于现有工具搭建。 精简步骤，快速验证，让AI的价值在最短路径里显现。
作者简介: 多年Android系统开发经验,同时持续在研发流程、质量、效能管理，AI提效有大量的思考和实践
