对话ThinkingAI周津：当Agent开始干活，企业的组织方式和增长逻辑将如何质变？

效率起飞后，组织为什么反而更慢

Morketing：年初大家用Claude Code、WorkBuddy写东西，每个人都觉得效率在飞。但回到公司，效率反而没有真的变高，卡住的原因是什么？

周津：卡住的不是单点效率，是横向没有打通。每个人都在生产，每个人都在提效，有人用WorkBuddy，有人用豆包，但都是各自工作，信息没有拉通。我写了很多文档，同事要跟我对齐文档背后的目标，可能得开两三个小时的会。大量时间折损在信息流动和协同上，这是很多企业进流程时最大的一道坎。

Morketing：从整个市场趋势来看，您认为哪些条件已经相对成熟度，从而足够支撑在当下的时间节点谈“Agent进入组织”？

周津：现在一些条件确实比年初成熟了。第一是认知拉齐了，从企业一号位到一线工作者，没有人再问要不要用Agent。第二是大模型能力加强了，在Coding、多模态视频上的迭代，让Agent能处理的问题复杂度上了一个台阶。WorkBuddy、豆包、Cursor这些工具出来之后，易用性和Agent生态也慢慢建立起来了，企业内部至少人手一个。国内和海外的进度，我个人感觉没有太大差异，大概呈现全球同步的状态，日本可能稍微慢一些，跟文化和风险意识判断有关，但都在路径当中。

但工具顺手，不等于组织就准备好了。效率变快之后，你要解决的问题和目标有没有被定义清楚，关键人的判断能不能更快地流转，这些事不解决，个人提效只会在组织里堆出一层新的摩擦。

Morketing：所以真正的阻力不在工具，在目标本身。

周津：最大阻力还是效率变快之后，你要解决的问题和目标有没有定义清楚。比如，我开发一个游戏，但是我这款游戏真的做出来就能商业化、去变现吗？那商业化变现环节里，考验我的仅仅是把这游戏做出来吗？其实不是，最终考验的是发行买量的能力、考验的是你对于游戏的品味和审美。

卡点还是在一些关键节点上的判断力和决策力。一定要让关键的人的判断力和决策力更快速流转。以前他们把时间消耗在开会、获取信息，再去做决策、推进事情，这是最大的卡点。很多项目做了企业内部的尝试和落地，但最后只是尝试，后面又被放弃掉。

Morketing：所以部分企业，看别人在提速，他也想提速，但是是为了提速而提速，最后反而会迷失自己的目标，结果导致他其实看似很重视效率，实则偏离方向。

周津：还有一点，如果要Agent跑起来，还要把组织基建搭建好。

第一维度是组织力，大家虽然看到了Agent的重要性，但思维模式也需要随之发生变化。很多同学说一定要用Agent，这是一种共识，但用Agent时思考问题的角度和方式是不是变化了。比如研发岗，如果还是站在需求实现、代码框架角度思考，那就用不好Agent。要站在业务角度、结果导向去思考，再去考虑Agent能帮我干什么。

第二个维度是，各部门、每个同事的Agent之间信息要协同。Agentic Engine让每个人继续用顺手的Agent，背后读写同一份数据、同一套口径和同一个工作空间。分析得出的结论、准备修改的问题、已经做过的验证，都记在同一个事项里。接手的人用自己的Agent，就能从源头读到完整的背景，不用再层层转述。

Morketing：ThinkingAI之前叫ThinkingData，从“数据洞察”到“Agent自主执行”这个转变中，变化最深刻的点在哪里？

周津：4月22号，我在活动上分享时提到From Data to AI。现在回头看这句话，印象非常深，至少我敢笃定把企业AI做好，最核心的是数据。必须把数据体系搭建好，不然你都没办法做出客观判断。

人守入出口，中间交给Agent

Morketing：从员工用AI到企业具备Agent能力，怎样的企业才算真正具备Agent能力？

周津：AI其实很平权，不太存在会不会用AI的问题，只是有人用得好有人用得不好，它放大了人的内在能力，但最终考验也是人的内在能力。举个例子，之前逆向工程很火，游戏行业很多人做游戏逆向。我从小玩游戏，是《金庸群侠传》粉丝。后来，我把它逆向了，想做一个我想玩的小游戏，结果卡住了。虽然我是很资深的玩家，但我不知道该怎么让Agent生产出我想要玩的游戏。从技术层面看，通常的游戏策划大概率没我懂技术，但我发现我对游戏审美、玩法理解、世界框架怎么设计，认知太弱。所以Agent放大我的内在能力，也暴露了我的短板。

所以，Agent进入组织更加考验企业怎么把人用好。首先要思考企业里，每个人的内在能力是什么，关键能力的人在不在。先找到具备为业务目标负责、为目标推进的人，再把他摆到那个位置上去思考，这反而是企业把人用好的关键。如果你让一个人打螺丝，他永远只会打螺丝，大部分人是如此。

Morketing：结合ThinkingAI的实践案例来看，业务高手的隐性经验，是怎么变成一套可复用的Agent能力？从企业的组织层面和技术层面分别是怎样完成的？

周津：隐性经验一定发生在日常工作每一个环节，所以信息采集一定要无时无刻发生。很多人踩过一个坑、错过了，再回想复刻需要花费很大精力。

比如我们两个人聊天，可能一直在记录信息。信息可能有很多噪音，但记录下来之后可以通过提炼、蒸馏达到想要的完整信息。关键点是能不能完整还原这个过程。就像做游戏，先把玩家行为记录下来，如果没有记录，等问题发生再回溯很难。再比如，开会时的一个观点、在Agent里交互的trace、上下文，都应该记录下来。

记录下来之后，通过后续成功失败复盘，以知识库、skill或文档形式沉淀到系统里，就会变成你的能力。如果你觉得不擅长总结，先把它记录下来。

Agentic Engine里的Skills和知识库，本质上就是把这一步产品化。十年做数据服务攒下来的分析方法，留存怎么拆、渠道怎么比、实验怎么设计，被写成可调用、可修改的Skills。用团队确认过的口径写进知识库，Agent下一次分析会先按这套定义来算。

这样子，经验不再只装在某个业务高手的脑子里，它变成了系统里可以接着用的东西。

Morketing：也就是说，业务高手可能很懂业务，但不一定会总结。AI时代，对适应Agent的人能力要求更综合，这确实很残酷，也是很多企业和员工的焦虑。那么，在您看来人和AI的良性分工应该是怎样？

周津：第一，人是用来做判断和决策的，Agent去做执行。

第二，要定义一条工作流。先前的思路是，人作为AI的主体，分配AI去干活；新的方式应该是控制反转，由人定义好一条工作流，Agent在指挥人做决策。

比如，今天我可以跟我的Agent说，接下来的采访需要帮我实时做辅助，它会告诉我接下来该怎么回答。但我不可能让它直接回答问题，我必须按照我的判断来筛选。Agent甚至还会预测你下一步会问我什么，这背后是人对业务上下文的思考、对团队的理解，而不是通用进程。

所以，人一定要在关键时候出现。别指望以后有了Agent，人完全不出现，Agent to Agent直接搞定。如果没有关键人的判断和思考，很容易我拿着AI问你、你拿着AI回答我，变成两个AI对话，背离预期效果。

Morketing：您和您的团队是怎么定义哪些事交给人、哪些事交给Agent，这有没有分工原则或边界线？

周津：目前来说，没有完全确定性的定义和标准，但大体上人负责决策和判断，很多最终准出由人判断，也就是人要守住入口和出口。

入口是想法、idea，是“你要什么”。这件事说起来容易但其实很难，很多人不知道自己要什么。比如我做游戏后，不知道我要什么，因为我没法描述它。如果我说我要做一个更好玩的游戏，对Agent来说太抽象了。所以，什么叫更好玩，这个标注需要人来拆分需求。

出口则是判断哪个好、哪个坏，人要有判断力。中间的执行过程，被Agent像虫洞一样直接折叠过来，工作流中间进程的缩短非常明显、效率提升也主要是在这里。

Morketing：麦肯锡的报告提到，AI对人的提升、对企业效率提升已经很高，但不会自动转化成企业利润增长。Agent业务如果要验证，应该用什么指标衡量回报率？

周津：以前内部做研发，每个人可能都会配Agent、配token。但总的来说，要分阶段看，不能直接拉到最后业务产出——要看研发效率提升多少、产出迭代效率、用户故事燃尽率比以前快多少、bug数是不是上升、token消耗是什么样子，这些指标要先度量下来。背后可能需要有一个北极星指标直接映射到最后经营好坏，不过当下更多还是一号位怎么判断后续短期和长期的价值。

现在的数据过程是透明的，人对它进行判断。比如，我们现在没有要求下个月就考核KPI、要盈利，对于新项目来说也不太可能。所以要阶段性看，这个阶段token在增长，bug数也增长，我认为可接受；下一个阶段是不是做对应修正，所以它是一个过程。

Morketing：我们注意到，ThinkingAI一直强调私有化部署，让Agent跑到客户自己的基建上。这个技术路线选择背后的核心考量是什么？或者说，企业真正允许Agent自主执行的前提是什么？为什么会信任Agent放到自己的组织和工作流里跑？

周津：其实就现状而言，当下大家对Agent还不是完全信任的。凡涉及业务核心路径，还是需要人确认，这是第一；第二是建立可信边界范围，把边界拦住，就算出问题也不会有太大影响，比如沙箱机制把权限拦住；第三是证据可追溯，在可信边界下，企业可以让Agent自主完成一件事，同时这个结果和过程的数据都可被追溯、可被验证，因为只有这样你才会迭代，否则就是黑箱，永远不知道Agent在跑什么。

私有化部署在这个过程里不是一句技术口号，Agent要触碰的是企业最核心的业务数据、口径和上下文，只有跑在客户自己的基础设施上，数据不出环境，权限和追溯才有地方落地。Agentic Engine继续提供完整的私有化承载能力，团队知识、Skills和事项也有完整的权限与版本管理，新内容的写入会经过负责人审核。企业敢不敢让Agent自主执行，前提是这些底子先铺好。

Morketing：如果Agent自主执行出错应该谁来负责，因为很多企业会担心担责和治理风险的隐患。

周津：首先肯定人负责，不可能让AI担责。比如做一套系统，通过AI原生化重构，系统本身好坏肯定有业务系统负责人承担最后结果。往下拆，每个人负责系统某一小块。现在这个时代，人的工作考核是多维度的，不但要用Agent提绩效，还得做判断，还得为结果负责。

游戏行业不是包袱，是武器

Morketing：ThinkingAI早期在游戏行业深耕多年，您也是资深游戏玩家，您可以分享一下深耕游戏这个领域给你们带来了哪些优势？

周津：我们其实一直在思考，总结了以下几点。

游戏行业的第一个特点，让我们的关注点回归业务、回归问题。简单来说，我们不是为了看数据而看数据。以前做BI，把仪表盘、大屏挂在墙上，看起来很漂亮，但大屏真的影响业务、真正有助于决策了吗？如果业务非常稳定时，看大屏没问题，但现在变化太快。

所以对数据应用的诉求一定要到业务问题当中去。数据分析一定是围绕一个问题去解决，这个趋势很明显。比如财务不只是拉报表，还要做经营分析、判断财务决策，钱要流向哪个业务、解决哪个问题。这对数据应用的要求更深，对我们面向其他行业有思路上的启发。

第二个特点，是游戏行业迭代快、变化快。变化快意味着产品适应变化能力很重要，产品是否足够灵活、足够适配开放性。游戏业务数据是一直波动的，系统能不能支持动态、弹性扩缩容。

第三，游戏行业是天然“云原生”的，现在可以说是AI原生。游戏不讲空中楼阁，而是要解决问题——投放能不能拉高、有没有智能投放AI Agent、智能客服能不能缩减、客户成本能不能降下来、玩家体验能不能更好。

第四点也非常重要，游戏的业务特征是非线性的。玩家行为路径不可预测，有人喜欢PVP，有人喜欢PVE，有人喜欢抽卡，有人喜欢收集，每个人诉求不一样。非线性代表玩家诉求不一样，对洞察复杂度要求很高，产品一直要满足客户的需求。

所以游戏行业我不觉得是包袱，是武器。本质来讲，游戏就是一个虚拟世界，像黑客帝国，里面是一套经济、一套社交、一套系统。换到整个业务范式里也是这样。游戏甚至就是个AGI，有些游戏你会沉浸进去。所以我们对游戏之外的行业也有比较不错的延展能力。

Morketing：Agent在不同行业落地方式不同。能不能举一些案例，帮读者理解Agent进业务不是一套模板打天下？

周津：Agent与Agent之间的差别很大。

第一，不同业务需要的工具不一样。工具是有场景适应性的，比如装修是这个风格，需要一套装修工具；对文字工作者来讲，不一定需要Claude Code，有时候反而过拟合。

第二，不同Agent需要对应的“施工图纸”。装修成什么样、该从哪里下锤、先敲哪里，都有讲究，这需要不同skill配合。

第三，核心点是审美，这跟Agent无关，是人怎么赋予Agent审美。比如某个风格是我喜欢的，我的Agent里可能已经存在，先前我跟它交互的、我认为美好的东西，包括我对美好的理解、为什么认为它美好，这些已经沉淀在Agent的上下文、知识库里，这就是它的审美。

比如我说一瓶水好喝，你很难描述口感、PH值，它是一种感受。但告诉Agent这瓶水好喝，它可能基于概率找到相近的，这是科学意义上审美的具象化表现。

Morketing：所以，在业务高手的隐性经验里，审美是极难被标准化的一部分，而它恰恰融在工作流里，是Agent能不能做出对的东西的关键。

AI原生组织，人很少，组织很小

Morketing：这次大会主题是“组织跃迁，增长跃升”，ThinkingAI也强调从人人用AI到人人拥有Agent。您最希望与会者获得的最重要核心观念是什么？

周津：我最希望他们获得的核心观念是，要把Agent用好，一定要把数据体系搭建好、内部知识体系搭建好。我跟很多人聊过，用WorkBuddy、用Cursor开发，非常好用、顺手，但本质上这其实是很常见的能力，并不重要，深层次的能力是数据运用。

Morketing：最后，想请您想象一下，一个企业真正成为AI原生组织，大概是什么样子，有没有具体画面？

周津：首先，人肯定很少，企业可以很大，但组织肯定很小。一个企业可以有很多组织，传统意义上的公司要有流水线、分工，我认为会削弱。组织一定小，绝对不能多，因为限制Agent发挥的很多时候是人员之间信息沟通成本太高、传递成本太高。所以人不能多。

然后，工作范式变成Agent驱动人去做判断和决策。大家互相之间完全对齐同样的目标，业务上下文背景拉齐，只是每个人责任不一样，共同解决问题。每个人互相之间的交流、沟通、交互完全由Agent驱动，而不是由人驱动。同时，每个同事之间交接的不只是一个需求，他要思考为什么要给我这个需求、想解决什么问题，对AI原生组织来说，这些应该完全透明。

最后，到人决策那一步时，信息质量也变高了。这需要信息要足够透明、足够共享、足够对齐，才能高效。

过去十年，ThinkingAI帮企业把数据用好。接下来，我们希望让每个Agent都拥有业务增长的能力，把数据与增长的能力交到产品、运营、分析、增长人员和开发者手里。