繁體
  • 简体中文
  • 繁體中文

熱門資訊> 正文

一家1800人的公司,為什麼會有8000個AI員工?

2026-10-29 12:01

  炒股就看金麒麟分析師研報,權威,專業,及時,全面,助您挖掘潛力主題機會!

(來源:36氪)

一家1800人的企業,卻有超過8000個AI員工。5000個AI助理,3000個AI專家,人與AI的比例達到1:4——這是明略科技今天的組織構成。

「其實現在就沒有真正的一線員工了,最一線的人已經都成為管理者了,他管的是AI。」明略科技聯合創始人、總裁兼CFO姜平告訴36氪。

這家以企業數據分析起家的B端公司,正在用自己的平臺產品Octo做一場實驗:組織如何真正地與AI一起工作,這筆賬到底怎麼算。

從數據挖掘到「組織智能」

明略科技成立於2006年,長期深耕企業級數據分析與數據挖掘,用姜平的話,明略科技一直在做的事可以歸納為「打造數據驅動的可信生產力」。

進入AI時代之后,在企業AI這件事上明略已歷經四次迭代:第一代是小模型時代的企業微信大腦;第二代是Copilot;第三代是單體Agent;第四代,是現在的Octo——組織智能。

Octo的產品形態跟現有的企業級IM工具類似,但姜平認為底層邏輯完全不同。「原有的工具它有歷史的負擔,人是里面的絕對的主體。但是我們構建了Octo平臺,我們原生居民是AI。」姜平強調,明略做的不是辦公軟件,是企業級服務,Octo更像「一個AI在里面工作的道場」——人給AI下指令,一起推動業務落地。

△明略科技聯合創始人、總裁兼CFO姜平

△明略科技聯合創始人、總裁兼CFO姜平

他把這套邏輯稱為IoA(Internet of Agent):讓Agent和Agent之間構成一個協作網絡,互相交換上下文,而人只需要「下需求,review結果,在AI和AI之間制定一些協作的規則」。就像互聯網解決的不是「每人一臺電腦」,而是電腦之間如何互聯,Octo要解決的,是Agent網絡如何運轉的問題。姜平説,「給每人配一個AI助理,只是最淺的一層。」

一個出海營銷案例把這套邏輯講得最清楚。有家中國泳池機器人出海品牌,要在美國市場做達人營銷,全流程分五步:消費者洞察策劃、達人篩選、達人建聯、狀態管理,以及投放覆盤。「以前需要4個人,一周來完成……大概是20人天(即20個工作日當量)。」姜平説,現在同樣的流程,在Octo平臺由一個人帶着多個AI分工完成,「我們現在已經做到8.5個小時。」

明略科技自己的財務團隊也是一個典型案例。AI讓穿透式數據治理成為可能,即從總收入出發,一層層向下穿透:收入→部門→銷售→訂單→PO→驗收單→發票→回款→現金流,全鏈路可查詢。「以前我以為橫向把字段治理好了就算不錯,AI來了之后,我發現我的穿透能力是不足的。」數據打通之后,AI問數和自動生成動態報表都成了日常操作,這套工作流程是財務團隊以AI-Native的方式去做的,完全沒有開發人員參與。

但這套流程要穩定運行,背后需要一層Infra託底。

Agent時代的Infra長什麼樣

明略的基礎設施,從PC時代、移動互聯網時代到大數據時代,一直部署在騰訊雲上。騰訊雲也是明略長期的合作伙伴。

在問及明略科技和騰訊雲的長期合作,姜平的解釋很直接:「我們99.9%的雲都在騰訊上,歷史在移動互聯網時代和大數據時代積累的資產,只有繼續用騰訊雲,才能跟現在這個時代的資產打通。」換雲的成本,在他眼里幾乎等於放棄歷史積累。

進入Agent時代,明略在基礎設施層最核心的需求變成了——給每一個AI提供獨立隔離的運行環境,相當於在雲上給每個Agent開一臺電腦。Agent應用去執行深度推理任務時可能維持常駐狀態——沒有Infra層託底,長任務根本無法穩定運行。騰訊雲Agent Runtime底層自研沙箱做的正是這件事:毫秒級啟動,給每個AI一個獨立隔離的運行空間,讓長任務和實時響應能同時跑通。

選騰訊雲的另一個理由,是規模。姜平舉了一個極端場景:一家10萬員工的車企,從零要建10萬個沙箱,同時這10萬人可能共用同一個「發票助手」——既要有廣度,又要有深度。這兩種需求對併發能力的要求完全不同,前者考驗規模化供給能力,后者考驗高併發訪問和會話級管理。對明略而言,騰訊雲最核心的價值在於:撐住了明略服務大量企業客户時的底線。用姜平的話説,「只有騰訊才保證給明略科技提供這麼大的併發量,能保證我自由地伸縮。」

到了Agent Online的時代,AI接入組織系統還帶出另一個問題:權限邊界。「人能訪問啥,AI就能訪問啥」——助理是人的分身,權限理應對等,但專家型AI只需解決固定問題,無需瞭解員工的私生活。這套權限隔離與管控的邏輯,需要在Infra層就設計清楚,否則安全與信任的問題會在大規模部署時集中爆發。

同時,姜平也認為騰訊在產品設計上有天然的優勢——「無感化」,讓用户察覺不到工具的存在,只感受到結果。感知不到它存在,是基礎設施最高的評價。姜平的回答很直接:「從PC時代、移動互聯網時代,到現在大數據時代,明略科技用騰訊這套Infra一直很穩定。」

這筆Infra的賬,屬於運營層面。企業真正繞不開的,是另一本賬:僱傭數字勞動力,到底值不值。

數字勞動力來了,這筆賬怎麼算

英偉達CEO黃仁勛近兩年曾將AI智能體描述為企業的「數字勞動力」,認為它們將與人類員工協同工作。他把勞動力分為三類:真實勞動力、數字勞動力(AI Agent)和物理勞動力(具身機器人)。姜平認為:「數字勞動力是真來了,就是Agent。物理勞動力,還都在表演階段。」

數字勞動力的商業化,目前已形成三種基本模式:月費制、Token費,以及FDE費。第三種模式正在被OpenAI、Anthropic、Palantir等公司推進。美國紅杉資本將這種趨勢概括為「軟件業向技術服務業轉型」——賣數字勞動力,不管是人做還是AI做,對結果負責。

明略選擇堅定走開源路線。「開源就代表這個錢收不着了。」License費用隨之捨棄,收入來源轉向Token費和FDE費,而FDE要深入客户企業部署,本質上是按結果付費。

但企業對FDE買不買賬,最終還是要看引入AI后的投入產出變化。對真正在意經濟價值的企業,姜平給出了一個ROI公式:1:1.5。人力成本加AI成本之和,對應的收入至少要達到1.5倍,才能基本打平。「我花了1000萬,我能掙1500萬的貨,大概就是平的。」這個公式在電商、短視頻、出海營銷、AI短劇等場景均適用——這些行業的主要成本是內容製作和投流,恰好是AI能大幅壓縮的部分。

還有一個現實問題:企業對僱傭「數字勞動力」ROI的理解,層次差別很大。還在追問「AI到底值不值」的企業,在姜平看來,是在用「古典思維」看這件事。

無論處於哪個層次,姜平的建議都是從L1開始推進,他稱之為Token Ready,先解決員工用上AI的成本問題。「你可以給他一個月700的報銷,至少買DeepSeek、買Kimi是足夠用的。」

L2叫Agent Online,把AI接入組織系統,解決權限問題——「人能訪問啥,AI就能訪問啥」,邏輯上順理成章,但實際落地牽涉到大量企業內部的安全與信任考量。往后是L3知識圖譜沉澱、L4 AI場景閉環、L5組織整體自運轉。「大部分企業先把L1解決了,然后再説L2。」

這條路走到底,組織結構本身也在變。「最大的變化是,沒有絕對的一線員工了。」無論高層還是普通員工,最基層管理的都是AI。與此同時,那些只負責上下級傳達信息的中間層,價值快速被稀釋。「沒有Know-How,沒有品味,在未來這個組織會很尷尬。」

1800個人類,8000個AI,也許未來這個比例還會變。明略自己正在走這條路,也在把這套邏輯傳遞給它的客户。

風險及免責提示:以上內容僅代表作者的個人立場和觀點,不代表華盛的任何立場,華盛亦無法證實上述內容的真實性、準確性和原創性。投資者在做出任何投資決定前,應結合自身情況,考慮投資產品的風險。必要時,請諮詢專業投資顧問的意見。華盛不提供任何投資建議,對此亦不做任何承諾和保證。