艾语智能张天乐：赚钱的 AI 产品，原生的 AI 组织

00:05我们在公司内部经常说一件事情，叫人类法则和AI法则。你首先要去去想清楚AI到底能干啥，不要让AI解决不恰当的事情。所以我们经常技术架构，然后到后来的讨论也不讨论了，不学习了。问一下收购人脉呢？就是他说干咱就干，他说不干咱就不干。

00:26就是一定要让公司减少无效的讨论。传统的人类习惯，对于AI来说，它不是不友好，它是一个灾难。你如果这个系统已经跑了好几年了，冗余数据一堆，数据的定义错误的一堆，冗余的功能一堆，它这个逻辑到底怎么回事？因为没文档嘛。就我们所谓的那些文档还不如没有。

00:54就每一个公司在去进步的时候的话，就是如何能让你的迭代速度更快，就是你迭代的速度足够快。在内部简单来说的话，所有公司的问题是AI来发现的，然后AI来解决的，然后人再去做解决过程中的判断。

02:57感谢任鑫老师的这个邀请，然后的话，我觉得也是一个很开心的一个机会，能跟大家再去做分享。而且我觉得其实我还挺珍惜每一次再去沟通的这个机会，因为我觉得每一次分享其实受益的人最大其实都是自己吧。所以也是因为要做这一次分享，也能让自己把这个思想或者想法这个再好好再沉淀一下。

03:19对。然后我快速介绍一下我自己，我在复旦读计算机，所以的话我算是一个标准的程序员出身，然后的话是纯技术出身。但我很早就来创业了，从大二开始创业，就是一直在创业，然后做公司也都成功地交易过。现在在做的公司叫爱与智能。

03:41然后爱与智能的话，我们是24年1月成立的。我们在成立的时候的话，我们一直想了很长时间我们自己的使命。我们给这家公司最新的这个公司的使命的话有两个方面。第一个的话，我们希望用AI解决一些更困难的社会的难题。很难得的一次智能涌现的机会，而且真正地看到了AI的泛化能力和未来的潜力。

04:04所以我们觉得说的话，确实是实实在在解决一些难题。然后第二个事情是，我做事的一些执念吧，我们给自己的要求是，我们希望给社会带来更多的善良和正义。因为我觉得技术的话，其实是一个两面性的，包括在AI的这个领域里面，我在公司一直在说，我觉得科技向善，

04:24AI向善。我们确实觉得有一些应用可能看起来是挣钱的，但是我们觉得它底色并不好。然后我觉得也是一个很难得的机会。所以我们希望说用技术真正解决一些社会上的一些难题，然后带来更多的善良和正义，是这么再去定位的。我们目前的话也比较幸运的话，就是我觉得也在找到了一些我们觉得可以长期投入的事情，而且在商业上面的话，

04:51其实也会有一个比较好的一个商业形态能出现。我们的第一个场景的话是帮助金融机构，然后对小额信贷的话批量地提起立案和调解的这样一个申请。然后这个场景的话其实很简单，就是我们在整个的过程里面。我们会遇到就是正常的五千到一万的这种消费信贷的这样的一个逾期的客户。

05:18传统的律师毕竟做不了这个生意，因为单金额太小了，然后的话完成不了。那我们就完全用AI，然后快速地提起这个司法的流程。那我们在借款人这一端的话，其实我们做的事情也很朴素，就是我们确实觉得生活都很困难。然后的话，我们也不期望说客户能一次性地拿出很多的这个家庭上面的负担能偿还这个事。

05:41然后的话，我们就主动地帮客户申请更长的分期，陪着客户在最难的时候陪他们一年、两年甚至三年的时间，然后走出这个困境。所以我们做的这个事的话就很朴素，太麻烦了，人干不了，传统律师干不了。然后的话就是在借款人这一端，我们其实也不威逼利诱，然后我们就拉上期限嘛，让机器能正常地完成这个跟进。

06:05然后的话就是按回款收取佣金。然后我们现在大概服务了六七十个金融机构吧，然后每个月大概提起立案是一到两万件。然后的话是大概是反正远超传统律所，就我们那个量级和传统的这个律所就完全不是一个规模上面。第二个场景的话是我们大概是今年初的时候的话，我们开始再去做打磨的。

06:29其实还是沿着法律的这个路径再去进行。然后我们看到的一个情况的话是在中国的会有很多的线上的侵权和盗版，比如说盗版书，然后盗版的视频，还有很多的搬运的这样的一个视频。而且我们觉得AI的出现了之后会让这些盗版的成本会更低。所以的话其实我们就做了一套Agent的体系，然后自动地在互联网上监测和爬取所有的这些盗版的内容，

06:57然后自动地固证，跟我们的侵权方然后再去做沟通，然后让他们下架。如果还是存在违规这种行为的话，我们也会提起一个司法的流程。就是帮客户实实在在完成这样一个打击。对。所以总的来说的话，就是我们用AI的话，确实是挑了市场里面可能传统律师很难完成的一些脏活和累活吧。

07:21反正也比较幸运，正好能把AI也用起来，然后我们在商业上也有一些闭环。对。大概是这么个情况。

08:00首先的话就是我还是比较关注于使命的，就是这个是我们在做事一个大前提。然后同样来说的话，就是我很喜欢总结，就是我们确实创业很长时间了，之前有好多段创业的经历，我们会给自己的话有一个创业上面方向的一个选择。我们自己的话是有三个条件是必须要满足的，是缺一不可的。

08:24然后我们这三个条件的第一个事情的话叫增量市场，就是我们一定要选一个增量市场。我们会觉得说在创业里面的话，就是增量代表了未来的这个希望，而且你创业就代表你是后进者嘛，所以只有在增量里面的话。我觉得成功的可能性才会存在一些，或者说稍微高一点点。

08:43然后第二个事情是源于我们自己的背景，就是我是学技术出身，所以的话我们会非常关注在技术的本身，所以我们内部提了一个叫新技术解决老问题。我们希望说能够用最新的，就是更新的AI的技术，我们再去解决。第三个事情的话叫做，我们会觉得第二曲线和第一曲线要有相关性，就是不要再做一件和原来完全无关的事。

09:08所以这个的话算是我们在创业上面的话有三个，然后必须要去成立的要素，能再去完成的。那在小信贷里面，我们当时2020年在做的时候就很自然的就能看到，它首先的话就是疫情之后，然后经济下行，银行是在收贷，在不良的在这个环节里面会越来越多。

09:30第二个事情的话叫新技术解决老问题。在那个时候我们其实会非常坚定的，我们就要去拥抱AI。但在拥抱AI的时候的话，实际上我们看到了一个情况，就是我们到底要选择然后什么样的领域，或者说的话什么样的PMF在切入。因为大家都知道ChatGPT 3.5出来了，然后我们关注的一个信息是啥呢，有点反认知。

09:56就是大家都在去学OpenAI嘛，但是我们发现说OpenAI 22年就投了Harvey，是一个法律的公司。然后那个的话，Harvey最早的时候其实就在用AI在去做合同的生成和整理。所以其实我们在早期的时候，其实会做的一个事儿呢，就啊，整个的一个合同的一个生成、整理和提交这个事儿，

10:16大幅地AI化。所以我们在那个时候也算是一个新技术，贴了一个传统的法律上面在整理材料这样很复杂的在这样的一个场景。第三个事儿的话，就是小额信贷。因为我们是在15、16年做了微博借钱，所以线上的信贷的话，实际上是我们早期切入的领域。

10:34然后那我们从贷前干到贷后，那我们也很知道客户是什么样子的，是遇到什么样的一些问题。所以在这三个点上面的话，实际上是决定了说我们会选择这样的一个方向，觉得我们是可以再去尝试的。

11:10首先来说的话，是我们让处理的能力大幅提升了。然后的话，您可以理解为，正常如果从银行的角度来说的话，它应该逾期了之后，再正常地进入了电话的催收，就是打电话让客户再去还钱。要走入立案流程的时候的话，传统的律所基本上服务不了，他们只做五十万到一百万的这样的一个用户吧，

11:33这样一个案例。所以的话，我们会让整个的处理的量会大幅地增加。然后第二个事情的话，其实我们会比传统的律师在去处理的时候，回款率也会更高。因为传统的人在去跟进的时候，他的特点是什么样的？它是在整个的环节里面的话，就是因为律师嘛，弄了半天，然后开庭判决，然后再去还钱，是这样的一个流程。

11:57我们其实在Day One的时候就在去看到这个事儿的不合理。其实我们这种客户和传统律师处理的那种企业类的客户是完全不一样的，它是很多个个体。而且我们觉得说，因为我们在信贷端其实对他们也很了解，在中国早期的时候实际上是有过度信贷的问题的，

12:16就是借钱太容易了。所以我觉得其实没有那么多老赖，然后再去故意地再去对抗。但确实来去看的话，就是我们需要有一个更好的分期和还款的政策。所以我们在早期的时候的话，很注意跟银行的协同分期和还款的这个问题。我们在去处理的时候的话，那个还有一点的话，为啥比传统的律师的回款率会更高呢？

12:41是因为我们不是让客户非要一次性还，然后你可以是慢慢还。而且我们很鼓励客户的话，就是分十二期、二十四期。然后我们也会提供一些免费的法律援助。然后他有其他的这些问题的话，是我们可以提供一些免费的生成合同，但我们不代理哈，就生成合同，我们帮他再去提供一些法律的一些建议，

13:01我们再去完成。我们在整个的这个环节上面。就是从立案的数量和整个的立案的回款率上面都会提升。然后在数量上面的话，其实就是开始说到那三点，实际上还有一个契机是什么呢？就是疫情让线上立案通了。

13:19这个也是我们再去看到了很不一样的这样的一个拐点。在以前的时候，立案的话，要么在原告，要么在被告。然后在小额信贷的话，就是原告就是在金融机构嘛，金融机构都很集中在北上广深这样核心城市，被告的话都是在县城里面。所以的话，我们也很lucky吧，在线上立案通了。

13:38然后疫情让这些法院的话都能完整地走完线上立案的流程。其实我们和一起立案的法院也和传统法院也不一样。我们现在基本上是从中国的三千个法院来去立案。所以很多的传统律所来了之后，我们有个立案的大屏，就全国都是点点点点点，然后他们看完都很都很诡异。

13:56在这样的一个状态，我们在整个选择上面的话，觉得小贷这个场景不仅是说符合我们的价值观，然后也符合我们创业上面的三个判断。而且我们也很幸运，会看到一些行业的一些拐点也在去叠加。所以这个事儿的话，我们在去做的时候就会特别的坚决。

14:14就是和金融机构的这个合作，我们也没有采取惯常的方式，比如说搜个SaaS，或者帮他做个立案机器人，我们就直接交付结果。因为我觉得我们其实第一方面，我们会觉得AI的话提供价值会更好。第二，我对我们能完成这个事儿的话也很有信心。

14:37对对对。拿百分之三十左右。了解

14:55立案。我觉得是这样的，就是首先来去看的话，就我们在公司内部经常说一件事情叫人类法则和AI法则。你首先要去想清楚AI到底能干啥，不要让AI解决不恰当的事情。我们首先说我们的人类法则吧，就是线上立案通了，能让我们的立案数量会大幅地增加，对吧？

15:13你可以想象在一个法院立一千个案子，总归也很难。但中国有三千个法院，分到三千个法院，它一个法院还立不了一个，这个是一个人类法则再去解决的。但AI在我们刚做这个事儿的时候的话，其实AI能力也不强，包括像workflow，然后像Agent的这些概念其实都很不成熟。

15:31我们其实当时在去做的时候，非常的朴素，就是用AI再去整理材料，就是提交立案，然后再去做的这个自动化，这是我们最早的那个阶段。我们在整个的环节下面的话，慢慢随着我们业务再去开展下来的时候，我们会发现说我们处理的数量快速地增加，

15:50每个月可能从几百笔开始。上千笔、几千笔，然后一个月处理的量，我们委托的量可能就要过万笔。我们发现说这些体系里面再去运转的时候，就会面临巨大的问题。所以其实我们在那个时候也做了一个很关键的一个情况，就是我们并没有急于用AI去打一通电话。

16:11因为其实打电话这个环节看起来很简单，实际上你有方言的问题，对吧？你有很多沟通的问题，而且像我们这种的话，都是语气里面其实还挺有挑战的。尤其跟法官的这个沟通，你跟法官说，法官你能不能说普通话？他说我不能，呵呵呵，就是有很多tricky的一些事情。

16:29所以我们其实在那时候又做对了一件事儿是什么？就是AI给人下任务。所以每天的任务的话，实际上

16:36都是由人来去完成的。我们就先完成了一件事情的话，就是用一个小白人工代替了一个专业律师。但是为啥小白员工能把这个事儿做好呢？机器会告诉你，你每天要联系哪个法院，你要注意哪个法条。然后我们在案件里面是在什么样的事实是OK的，它历史在这个法院成功了多少笔。

16:55然后他能不能线上开庭，我们全部都告诉他，让他能照着这个事儿念，到这样的一个程度再去完成的。所以其实我们在AI的使用上面，其实我们确实有很多的反认知。我们并没有做那种所谓一上来就做那个端侧，而是一直在做AI再去规划任务。因为我们觉得其实很多时候的话，你把任务做对，然后的话再去规划好，这个事儿是非常关键的。

17:20我们在第二环节上面其实就是长期的规划，然后打到底要怎么沟通。它不是说我今天要跟谁打电话的问题，我的有很多的沟通的策略，然后要提前要准备好的一些材料，全部都会跟他准备好。那剩下来的话，其实就长期跟进了，对吧？就这个事儿就相对好理解了。

17:39我能够在主动的跟进过程中，然后的话通过AI的方式再去完成，然后一些电话，然后包括微信的沟通，还有一些短信。那其实这个事情就就很自然地再去协同下去了。包括我跟很多就是其他创始人也在去落地的时候，我们毕竟是一个B端产品，B端产品天生是有很强的复杂程度的。

18:00它并不是说一个Agent，或者像Mantis，或者像Genspark这样的，能马上给出这样一个结果，你可以把整个的流程设计得很简单。我们觉得在B端产品上面，它其实是一个长流程。我们在长流程里面的话，做对，然后的话再去规划任务。

Genspark

18:17我觉得这个事儿很关键。而且其实我觉得很多场景都是一个，就是一个调度问题，叫美团，就是这个调度问题。你可以简单地理解为的话，我们确实是先得有立案，然后大家才愿意跟你去谈沟通的调解和这个分歧。那我们又是大量的案件来了之后，我们用AI再去做好所有的任务的规划，然后让我们一线的人员可以有效地执行，

18:41大幅地降低我们执行人员的成本，是指他们的工资成本，还有培训的成本。长账龄的有很多的分期的客户呢，用AI再去很好地再去做跟进，还是这么个逻辑。就这

19:12彩。我们在做这个事儿的第一天，其实团队里面的话就是有很大的争议。然后的话就是大家会觉得打电话催收这个事儿非常自然，就是无论是商业模式，然后的话就是团队，然后大家在这个事儿上就极其自然，就是自然到简直了，就是不干电话、AI催收、AI电话，就这个事儿感觉就极其不合理。

19:35但这个事儿也也是我们一个反认知。因为我觉得本质上来说的话，你得承认一件事情的话，就是打电话其实施压的力度还是很低的，对吧？就我不还钱就不还钱了，所以会产生一个情况，叫劣币驱逐良币。然后因为它没有什么办法，所以你只能违规地打。

19:55再到后续的时候，那肯定会产生很多恶性的一些问题。在市场里面大家都看到很多，就是打三方。或者父母的这样一些情况。所以我们自己的话又再去参考了美国、日本，还有台湾。然后其实大家的终局还是通过一个立案之后的长分期。

20:13我们在Day One的时候的话，就是一直在坚持这个事儿。早期的时候确实很难，没有大律所愿意合作。我们我们想找京师大成、锦天成这样的全国性的律所，然后再再去立个案。五千块的关系。我觉得都是特别nice的来劝我。

20:29他说小张你别干这个事儿了，就是你们干的是个啥呀？在县城里面分个期，一万块钱分个期，然后的话两年还钱。就是我感觉他们的状态全是在劝我，你这个好像这个做技术也挺好的，干嘛要干这种不着调的事儿。对。

21:29里？在AI领域里面，核心竞争力最后就是商业模式上面的话，快速的在市场里面占更大的份额。我觉得本质上来说的话，就是在商业上面，就是你一定要用最快的速度，然后实现这样的一个结果，你的成本效率就会变得很高了。因为在中国，在整个它其实会有，在我们这个业务里面，包括IP侵权的业务都会有一个比较强的这个飞轮的效应。

21:55因为在中国的，包括侵权的盗版方，他们会从好多个平台盗版，然后我们的逾期的客户也从好几个银行借钱。对。所以其实再到后续的时候，会体现出成本效率上面的话极致的压缩。第二个事情是我们会更关注于我们自己如何能够快速到这个结果。然后的话，我们和其他公司可能也不太一样，就是我之前是学物理竞赛的，因为我觉得加速度最关键。

22:21所以其实我觉得就是每一个公司在去进步的时候的话，就是如何能让你的加速度更快，就是你迭代的速度足够快。这个就是最后我们要再去讲的，我们在组织上面的一些调整。就是我们在内部简单来说的话，所有公司的问题是AI来发现的，然后AI来解决的，然后人再去做解决过程中的判断。

22:42包括我们每一天开的会，我们其实的话也都是由AI再去帮我们来整理。就是你应该讨论什么样的一些问题，拉上我们高管，然后再去完成的。所以其实在我来看的话，就是在过程中我们要保证一个绝对快的迭代速度，最终体现在商业上面的壁垒，就是快速占到更多的市场。

23:22没有，我其实都不怎么见客户。我觉得这个事儿也是一个反认知。我们在Day One的时候，我们也定了一条，就是我们要在商业模式上面的话，设计得极其的平滑。比如说我们跟金融机构的合作，我们是没有前置费用的，我们是纯靠风险分佣。

23:38就是找我们再去合作，完全不用担心任何的事情。你不需要去考虑说，比如说你的SaaS里面有每个月要固定成本呀，采购，然后的话要那个叫什么来着，就是我要再去做核算，什么乱七八糟的这些事情。所以我们在金融机构这一侧，首先是商业模式上面的话，就是我们要做到足够的平滑。

24:01然后能够切进去，然后他只要付我佣金就行了。在这样一个事儿。所以其实我们在金融机构合作上，只有一个周期需要去考虑，采购周期。它不是一直采购，那我们找盯着一点时间就行了。第二个事情是你要极致的优化你的成本效率。

24:18就是你的效率其实在金融机构看来的时候，它就是回款。所以对于他们来说，这就是最重要的问题。而且现在其实大家对于合规，他们压力也很大，所以这个事儿正好又是他们最重要的这样的一个考核的在这样一个指标。所以我觉得话，我们极致的优化好这个事儿就行了。

24:37所以其实我也有合作里面。我几乎是不见金融机构的领导们的。对，有一方倒不是说我觉得不重要，有一方面是我觉得我们内部运营，包括AI上面问题会更多。所以我们就极致的做好这一端。那我们在商业模式上面又都非常的平滑。

24:54他反正签了我合作就行了，预期有很多，给你一百个、一千个再试试。我们这么多金融机构，我们只有三个同学负责跟金融机构的对接。对。所以严格意义上来说，把你的商业模式设计得极致的清晰，让它没有摩擦的成本，极致地做好你的交付。

25:22吗？首先我们自己的使命就是用AI解决社会的难题嘛。我们转到这个市场里面其实是有两个契机。第一个契机是我们一直用的都是语言模型生成材料，包括再去做策略，再去整理这个资料。那我们觉得说在去年年底的时候，Nano Banana出来之后，然后我们觉得视觉模型会变得非常的。

Nano Banana

25:46但是我们在整个业务里面，因为没有用到视觉模型，在整个环节上面就会变成我觉得就没有那种踩上风口的感觉，或者踩冲上浪的这个浪头的这个感觉。这让我就特别焦虑，我说哎呀。我说我们公司作为一个AI公司，居然没有AI应用公司，我们应该去抢最大的红利。

26:05所以在那个时候的话，看有没有办法在整个环节里面应用到视觉模型。啊，这个非常朴素在这个事儿。然后但用视觉模型的时候。

26:16是的是的。所以其实和大家用锤子找钉子底层是一样的，就是我要拿这把锤子先找个钉子。在我们比较lucky吧，整个过程里面，在整个环节里面再去看完的时候，但是我们和别人的可能认知也有点反共识吧，就是因为我觉得大家都在用视觉模型来生成。

26:35但其实大家忽略了一点是什么呢？就是有点像在在编解码一样，就encoding和decoding，就是视频理解也变好了。所以我们隐约会觉得说的话，其实在于视频理解里面看有没有一些好的一些场景或者应用能出来。这是第一个非常确定的事情的话。

26:53就是在视频的理解上面，我们再去做尝试。然后第二个事情的话，就是我们会觉得AIGC会变好嘛，就是你会生成很多的视频。然后生成视频最终的目的其实是你需要人能让他再去换注意力的，对吧？注意力体现出来是流量，总归他要有意思嘛。但有意思这个事的话，我们会觉得说一个好的故事变成有意思这个传递的成本太难了，所以我们会长期来去看的话，

27:20应该会有很多的侵权的行为。因为你只有盗版的一些画像、IP或者搬运在这个事情上。所以其实我们底层逻辑就特别简单，就是我就要用视频模型，然后但是这个事的话。可能会产生很多违法的在这样一些内容上面，然后我们就开始去跟各个机构开始聊了。

27:38然后聊的时候的话也比较幸运吧，就其实的话会有一些在线教育的一些品牌，基本上是一碰即合。但是因为传统的服务商实在是服务太烂。他传统的在这个行业里面服务商的话，要么是帮你投诉，就投诉下架。所以他们会报给这个客户，就是一个月投诉了一万笔或者五千笔。

28:00但是严格意义上你没有让他付出代价嘛，他下架再上就行了。所以其实的话在这个事上面，就很多时候的话就变成天天都在投诉，一个月投诉一万笔。但是整个的侵权和盗版的这种网盘，比如说拼多多或者闲鱼上面这些网盘，就天天都是，永远都在上边。

28:17你反正投我就下架，然后唯一能让他们付出代价其实就是立案嘛。那传统的律所呢，他基本上就是打大案，也和小白业务完全一样，因为成本算不过来，所以他基本上要等这个侵权的链接，比如说已经卖了

28:32五百个、一千个、一万个销量了，他才去立一个案子。但这个事对于客户来说已经产生了长期的损失了。所以其实我们在这个事一看，这个事还能这样，我说我们反正小案子也立，其实我们内部叫山多，就是反复侵权。在多个平台侵权，就是多个店铺侵权，我们就走立案的流程。

28:52反正就要让你付出代价，因为我觉得只有付出代价，他才能终止这个行为。不然的话就是我要是个盗版方，你反正就投了，我就换一个链接呗，我ROI还是很高。我们在行业里面是唯一一个提出来说的话，我们投诉和立案是一起做的，然后我们小案子也立，然后让所有人付出代价，

29:11然后我们就让他实实在在能看到侵权率往下降。所以其实我们还客户还出了一个侵权率的指标，就是前100条有多少是盗版。我们就让他指标降下来。对。所以其实客户就很满意，反正用了我们之后确实没了。

29:25然后我们好像也没有投诉那么多，对。但我们其实立案的量。你

29:30司。就是严格意义上来说，我觉得这个事儿算是和传统的律师再去很不一样的一点吧。我觉得法律在这个事情，我们越做越觉得，第一个场景用了法律温柔的一面。其实我们并不想非要去打击你，对吧？我们就是慢慢还钱，在这个事情就行了。

29:48我们总要挣下这个债务嘛。第二个事情，我们确实是完全就是利用法律锋利的一面。你你不能这么干，你要付出代价呀。不然的话，就是在整个行业里面的话，它其实是没有办法循环起来的。所以我们的逻辑也非常简单，确实是早期的时候就是拿着和市场上所有这个想做AI的，然后就开始去锤锤锤锤锤，

30:09找找找，就是解决我们在说这个事情上面的底层的逻辑还是一样。就你抽象再去看的话，我们还是那三个点：增量市场，AIGC来了，盗版一定会多，对吧？因为生成一个盗版变得很容易。那现在还有视频里面再去盗IP的那就更多了，在这个事儿。

30:26然后新技术解决老问题，就视觉模型，然后再去识别里面的。因为现在的盗版已经不在文字上写了，它会在图片上面写很多缩写的拼音，然后它有很多。那在视觉模型现在看来简直太简单了，你知道吗？就快速能识别下来，然后第二群跟第一群相关吧，就是反正都立案了，对吧？

30:45怎么都是这样，哐哐就是利益，反正现在公司里面就是也会有问题吧，就是一堆盗版书，一柜一柜子。

31:25我们其实比海外的那些商业模式，我觉得更有竞争力吧，因为我们就是交付结果。然后但我们确实没把交付结果写到我们的行文运营里面去，我觉得反正就比较符合我自己吧。头几点我觉得比较。

31:59首先我们确实不是找律师，因为律师都不跟我们玩。倒不是说不尊重行业的这个事，就是我们最开始想完这个这个事情上面之后的话，确实是没有人愿意愿意支持我们一把。所以逼着我们完成了第二个路径。我是理工科，逻辑正确现象一定发生嘛，就是李善友教授之前也一直在讲这句话，我觉得这句话他讲出来之后，

32:27然后符合了我内心的很多的在这个事。所以我我是一个就是逻辑要求很强的人。所以我们公司的人也挺崩溃的，就是你必须给我逻辑说清楚。然后所以我们基本的工作方式是定一个大方向，然后快速迭代。我们现在其实也在以一个训练AI的方式，然后的话再去经营公司。

32:48比如说训练AI，从上一代神经网络到现在开始都叫奖励函数嘛，到最后其实我们也会觉得说，就是能快速发现，然后能快速就是证明哪些是错的，能记录下来调整会很关键。我们公司试的事情很少。就你别看我选了两个，但是大家就是讨论讨论的很多事情都被我毙了，然后就不干不干不干不干。

33:10就我说的最多的话就是不干不干不干不干。然后但是我们在正确的路径上面，我们要求迭代足够快。所以其实我每天想的事情是如何能让迭代更快。对，在这样一个事儿上面。然后在计算机的角度来看，比如说传统律师觉得三千个法院很多，但我觉得三千个不多呀。

33:29对，可枚举的东西都不多呀，这个行业也不多，真不多呀。你好好再去迭代，迭代就行了。但是我们在迭代的时候确实有很多的方法，比如说所有的电话录音，然后的话我们会主动地提炼很多的信息，比如说有些法院说我们周一的时候别打电话，然后我们在开党委会，然后其实我们系统都会记录下来。

33:50周一的时候别别给他打了，换一个时间再打。有很多细节的问题，包括材料或者什么样的。所以其实我们也在不断地在去做这个迭代。所以你抽象来去看的话，我们让公司发现问题或者暴露问题的速度越来越快，然后解决问题的速度越来越快，然后人来做判断。

34:50但反正咋说呢，就是这个场景跑出来了，但是最开始跑的时候确实压力也挺大的。你你干出来你咋说都对，最开始的时候确实是我们这个凡人之太多了，三千个法院一起立，然后的话又是这么小金额又没人干过，然后一上来分两一年两年，你也不知道他一年两年到底能不能还呀，这个现金流怎么搞。

35:22对。这这个事儿也是，就我们是全部都跑通了，因为我们大量的事情不需要法院干。就很多人其实没理解，就是让法院开庭判决，老觉得法院配合程度低或者什么样的。就是你要理解法官，就他如果要判决一个案件的话，他需要承担很大的压力，就是你的判决要写对，金额对不对。

35:42而且这有终身制的，你知道吧？那个确实是一个挺压力大的活。我们做的事特别朴素，就是我们提上去了，然后跟客户说我们已经提起立案了。你要是不立案，我们要一次性法院判决了之后赔付的金额也很多。然后我们现在提前帮你做减免，你把你的困难的情况，然后告诉我，我们跟甲方沟通一个长期分期的方案。

36:04然后客户愿意还钱了，我们跟法官说，你看我们他也愿意还了，我们就分期还，你做个司法确认。那法官一听高兴了，来来来，司法确认。然后我这个根

36:18你还是那句话，就是人类法则和AI法则。就是你首先的话，你要促成他跟你沟通，对吧？所以立案就是促成他跟你沟通，所以我们大部分的还款都是调解。哎这个

36:38这个我们所有的这个AI的坑全部踩了一遍。大模型刚出来的时候，GPT-3.5刚出来，然后那时候我就，我就我就崩溃了，你知道吗？就是我自诩为是做AI的，但是他刚出来之后，我说这玩意儿技术架构叫Transformer，是

36:57个啥？变形金刚吗？这个跟我...跟我...我一样的反应。对，对。我完全崩溃了，我说我这么快就落伍了吗？

37:05就我不是还天天的在在看嘛，我不是还跟他们每天所谓的混在一起嘛，然后我后来又自洽了。因为我发现周围人都不知道。就是那咋办呢？就学呗。我从公司就是拿了一千万，开了一张一千万的支票，然后去自辟蹊径，

37:23然后去第一句话讲，我要买你们模型。你把你的大模型的负责人，技术负责人叫出来跟我聊聊。在早期的时候确实，问题也比较有，比较可笑，我就问你们，你们为啥每个人都是榜一？

37:36你们这三个公司都在，为什么为什么每个人都是榜一？然后到底谁是最好的？我们建立了早期的一些模型的一些理解吧，所以我们觉得说，我们的第一个阶段的话是快速的完成。然后的话，对于大模型的基础的原理，然后能做什么和不能做什么的一些认知。

37:57装作我要去买模型，但最后确实没付钱，这个事，没付钱不是我要故意在那个事情上，我确实准备付了，但是那时候Llama开源了。这个得自己干呢。就反正你怎么想那个，你就钱就不想付了嘛。然后我们开始SFT，但那时候就特别的艰难，因为Llama最开始的时候的话，其实中英文都说不溜。

38:17就是你让他回复，经常回复出来一段英文，然后在那个时候。就千问1.5

38:25正就就坚持吧，因为我那时候又来了一个反认知，然后叫做哎呀我说差，差好，差你优化好了之后才不是我们就牛了嘛。然后那甚至那时候还在沿着SFT，我说我要不做一个快速SFT的公司吧，就是帮各行各业赶快SFT的去做好。实际上，

38:45我们就会觉得在整个的路径上面就还是沿着SFT然后再去走。然后千问1.5出来之后，确实觉得SFT出来还不错了，但是在那个时候的话，其实大家都在做垂直模型，对吧？然后的话就是都在各种训模型。其实训得最火的时候，我们有一套SFT的pipeline，就是一个模型进去，我们就让它pipeline主动的执行，

39:10大概你可以理解为主动执行SFT一百次，挑出一次最好的。那个效果其实还挺好。但我其实看到了一个模型就是迭代速度足够快。然后第二个事情是我们发现成本效率一定会倒挂。就是如果说你用线上的模型，它一定会比你线下便宜，因为它有服务器的集群，能做算子的优化，然后能做动态的调度。

39:33所以我觉得第一个模型变化足够快。然后你以SFT已经严重拖累了你对于模型的理解，然后成本效率又长期来看又没有优势。其实也源于我们第一个阶段，就是learning by number，我们想说一个更好的模型可以解决所有的事情。

39:50我们在SFT做得最好的时候主动地放弃了所有的SFT。然后买了很多的4090，然后后来那段时间就卖了，卖的时候还赚钱了，反正很意外的一个lucky吧，就是在这个事上面。有二十年的中型开始就放弃了所有的本地部署，然后全部给我拿掉，然后全部换成线上的模型，能再继续完成。

40:11所以我们基本上现在的状态的话，是我们比如说业务上面的话，最重要是千问的全系。然后我们跟千问还是联系得比较紧密一些。然后的话在开发上面的话，就Claude、Codex，然后的话包括现在的话就是K3。然后的话就是我又下午又体验那个DeepSeek V4，简直飞上天，那个速度太快了。

40:36虽然效果不是特别好。

40:39没有没有，我就是pro，pro，pro也很快。Codex更慢呀，Codex，Claude更慢呀，对吧？我们是那样过来的，已经快很多了。我们Claude的账号是刚被封不久嘛，就我们长期在Claude下。

41:00我我觉得呢，因为我们公司内的loop很多，我们很多loop都已经切过去了。V4我没想好，我觉得K3效果还是比V3、V4会好一点。V4确实质量稍微差一点，但是它属于那种真的太快了，然后嗖嗖的给你干完了，反正不对不对再改呗。

41:17再改两次。就是这种感觉，然后对它简直又爱又恨。对。那我觉得这一轮的话，大模型起来了之后，怎么说呢，就是我们是长期在Claude的架构下面。就是我们反正插一嘴的话，就是我们在去年十二月吧，还是今年的一二月份，反正就在那个那个节点上面，

41:39然后我们做了一个比较重要的调整，是全面对齐Claude。因为我们发现说的话，就是OpenClaw呀、Harness啊，这些包括这个Hermes、Claude，就是各种概念实在是太多了。然后的话，我们在那一轮的调整非常的关键，就是我们在那一轮在公司里面做了一个skill，叫Anthropic Mind。

OpenClawHHarnessHermes Agent

41:59这个skill到现在其实调用的频率还非常高。就是把蒸缩cloud里面的对于应用里面全部蒸馏了。他说怎么干我们就怎么干。

42:10然后所以就是去我们那个skill，就是定期的搜所有cloud里面的高管和这个核心的文章，然后包括说的话怎么样定这个架构。反正就是我们就是选对齐cloud的。

42:30对对对对对。他们其实非常……他的文章更新得很快，他持续更新好多，他的一致性非常强。就是他历史的更新文章也挺多的，因为我们在去蒸馏他的文章里面会过滤掉一些，比如说错误的或者矛盾的一些问题，我们过滤掉的东西非常少。实际上的话，就是他

42:53整个的在整个逻辑层面的话是非常一致的。比如说也是因为我们就是对齐了Anthropic之后，其实我们模型的调用量降低了。因为他告诉我们，简单的事情你做个脚本就行了，然后能不用workflow，不用workflow。能用LM一次性再解决就行了。

43:10比如说我们有很多的甲方的政策，我们以前用一个大模型再去提，他说不就if else嘛，写了三百个if else。我做完的时候我觉得好自洽。对。在这样的一个事情上，我觉得他对于AI也好的话，在这个事情上理解非常的

43:27本质，包括他说Agent，Agent应该去解决一些不确定的问题，就可左可右的一些问题。这个这个话说太有水平，它不是复杂问题。如果只是if else多呢，其实你加if else就行了，对吧？AI写if else也很快，所以它不是复杂问题，它是不确定的。

43:44然后的话是有很多的，它有偏差的。在这样一些问题上，我觉得它很多事情都是做得非常的本质。所以我们经常技术架构，然后到后来的讨论也不讨论了，也不学习了，问一下Anthropic Mind。就是他说干咱就干，他说不干咱就不干，就是一定要让公司减少无效的讨论。

44:03对。只要定好这个方向，就是干，有问题改。我觉得

44:21们比我们这可对太多了。我就全信他。对对对对对，就就是这样的。所以其实我们的底层逻辑是完全一样的，就我就关注公司如何解决问题更快。就我们发现说讨论出来了，然后的话那我们就定这个事儿再去。

44:37然后包括AI在应用上面，我们对AI的应用是所有人都要用一样的框架和一样的工艺，不是说我想用这个，然后他也想用那个，然后我们也说你这样也行，那样也行，我觉得是完全不负责任的。我们就这么干，有问题改，再继续干。但现在稍微那个啥一点，你要是播客再两早两周，我们还清一色Claude，现在已经有点Claude。

45:02然后Codex，然后K3了，现在还是变成fashion一点了。以前就清一色Claude。我有段时间不允许大家用那个什么，就是桌面的。就我只允许大家用CLI。我觉得最本质，就你不应该关注到，你应该把你所有东西都过滤掉，去关注在这个事上。

45:22对。就你的context。

45:35吗？客观来说的话，我觉得从爱与创立的那一天起，我们就试图在做这个事儿。整个组织就是AI native这个事儿出来之后嘛，就是我们也想了很多，然后大家都发朋友圈，我们都AI native。就我也想follow，但我觉得太二了，你知道吗？

45:52就我们在想，就是这个事儿，你AI那个我也AI native。就是我们在去思考说的话，就是到底什么样才算AI native。我们有几个逻辑，然后第一个逻辑的话，就是人和AI的关系。我觉得如果AI变得足够的聪明，那人不应该服务AI，应该是人配合AI再去做一些判断，因为它确实有很多不接地气儿的地方，

46:15对吧？其实严格意义上都是很多不接地气儿，就包括还有一些弄号，就包括法院的这些东西。其实不是因为AI不聪明，是它不知道，所以我们其实就是配合AI再去补充完。所以的话，某种程度来说，人应该是AI的一个手和脚，就是把很多的know-how再补充下来。

46:33我们的第一个逻辑不是人服务AI，不是AI服务人，而是人服务AI。这是我们人是

46:41所以其实我们最开始做的时候，我们有好多反认知，你知道吗？就老说反认知，我说我们公司问题是反认知太多了，全是反认知。第二个事情是我们觉得说，组织会发生什么样的变化呢？就是机器给人下任务。

46:55我们说人服AI还是AI服人啊，对吧？就是如果是AI服务人，是你给AI下任务嘛。第二个是机器给你下任务，所以我们一直在去推，然后机器给人下任务，包括说你要怎么跟法院沟通，这些东西其实都是任务嘛。然后第三个事儿的话，就是我们再去做自由化，然后的话能再去做完。

47:15因为所有做AI人的话，都有一个长期理想，就是AI优化自己，对吧？所以我们也提出来了。但是客观来说的话，就是我们这三点提出来之后的话，都太难落地了。

47:26然后基本上公司看完之后，老板在说什么？这个事先整理个材料，先生成个合同就得了，你整那么多没用的东西。其实我们定下来这个事情上，其实在每一个环节上面，我觉得做得都不够好。比较大的变化的话，是在今年大概是三四个月之前，不止了，应该是今年年初的时候。

47:51我觉得我们又开始重新思考AI native的组织，AI native的系统，能再去做。你越觉得这个事儿的话，实际上是因为啥呢？就是发现我自己能coding了。以前的时候的话，就是这个，就是他们改一个东西太慢了，老板说的东西都可以自己来实践了。

48:07我觉得这个也是一个非常大的一个契机，啊就调动起了我的极高的这个热情。但是确实，我觉得AI native，包括现在AI native系统长成什么样子，大家都不好说。我们试图再去寻找一些不变的东西，比如说AI给人下任务是什么样，其实是放大了AI的判断的能力，

48:26而不是执行的能力。沿着这个逻辑再去推演下去，那它怎么才能判断？第一个你要对于数据要极其的清晰。首先你需要把底层的原有的业务，那我都说的是一个现有业务，现有业务里面要把数据全部梳理一遍。不然你会发现说传统的人类系统对于AI来说它不是不友好，它是一个灾难。

48:49你如果这个系统已经跑了好几年了，冗余数据一堆，数据的定义错误的一堆，冗余的功能一堆。它这个逻辑到底怎么回事，因为没文档嘛。就我们所谓的那些文档还不如没有。因为我都看完我们那个系统，我说这什么破文档，根本不是这回事。那文档说的是啥都不知道，是什么什么东西。

49:08所以对于AI来说，是一个极致的灾难。所以我们其实就干的第一个事情是梳理所有的数据，就是让其实和Palantir干的事儿是一样的，他提的叫是本体outgo的那个概念。其实严格意义上来说，我们都是要让整个的数据清晰地暴露给

49:29AI。所以其实我们花了比我想象的代价大。那时候我觉得我靠，coding这么牛逼，在这个事儿上，那那应该很快就可以完成，结果花了应该是三四周吧。因为我一想，很快的事儿。

49:44那也很快。因为我的计划是三天，我完全崩溃了。我说我们破系统这么多问题吗？完成了数据的清洗，把数据库表完全重构，要求说没有冗余字段，没有交叉矩阵，反正各种数据服务的规范再去做起来了。所以我们干完的第一件事情是先让数据清晰，AI能理解。

50:05那第二个事情，我们极致地整理所有的是我们自己的经验，就包括什么时候打电话，很多的作业的策略。在这个事情上，我们就要求我们做了各种scale，让在做之前开始写文档，整个再去梳理。所以我们在这两件事情，我们觉得积累的会比其他的公司会高很多。

50:27我们其实有一个比较明显的argument，是在4.8出了之后，我觉得那可能也是因为我们可能认知慢慢提升了一点。我觉得整个AI native的环境其实就是Claude Code，就是Harness的系统。其实就是Claude Code和你的整个系统再去做结合。

50:47所以我们在那个时候干的一件事情是，我们自己在年初实际上是让所有的团队每个人开始用Vibe Coding，coding出了很多的系统。我们把那些东西全部废掉，整合到我们的主系统中，把所有的东西又底层的再去梳理它的所有的数据的环节，

51:06再上层的行业的know-how，做了很多skill，自动地再去维护这个knowledge，就是一堆的markdown的一些文档。所以其实我们在整个Claude Code的这个环境里面，我们做了非常多的限制，有很多自动化的脚本，然后提交之前的审核，然后自优化文档。

51:25所以其实我们梳理的一整套，就行业know-how的呈现形式。以前的时候，我们觉得所有的这些东西可能是像一个zoo一样。所以我们其实有篇paper想要去发，就是key和value，就遇到什么事儿该怎么干。我们把所有的行业的经验拆分成遇到什么事儿该跟怎么干，无数条，一万多条。

51:45但我们现在觉得说它的收音效率会有很大的问题，当时也遇到这个问题，所以我们其实也没法给这种效果去跑。我们现在觉得说，其实Harness环境里面，Claude Code定义了一整套如何再去fetch你的这些know-how的一些逻辑，就是从Cloud开始，然后怎么再根据文档的梳理，渐进式的披露，怎么再去跟进到你的文档，怎么跟进到你的skill，

52:09再去完成。我们就是沿着Claude Code的这套路径，就着它里面有什么样的东西。把我们的行业经验给扔进去，让整个系统里面可以主动地再去做运行。所以现在的状态你可以理解为，严格意义上来说就一直在去搭整个的作业的环境，但是作业环境是强依赖在Claude Code里面的。

52:31就是Codex当然也OK，但是它里面还是有一些僵性的一些问题。我们觉得比较理想的方式是左边是作业系统，呈现数据的，右边其实你大部分的工作应该在Claude Code里面完成，很多的skill，要什么数据你直接问AI就行，然后上个月回了多少钱，我们每个甲方都有啥问题，

52:48哪个做得好，哪个做得做得不好。我们要让更多的人进入到整个系统里面去做作业，所以我们搭建了一套很鲁棒性很强的作业的系统。我们刚刚让一线的很多小白的员工也回来做了培训，让他们都能开，我们向他们开放了我们所有的数据库的权限，代码的权限，让他们自己可以改。

53:13所以我们让一线的这些，就很多大专生，突然可以自己改系统了，他们现在特别兴奋。对。在这样一个事情上面，所以其实我们研发同学其实离开了一些，但是我们写代码的同学和贡献的数量，然后会大幅的增加了。

53:47我觉得两个方面，比如说幻觉或者什么样，是材料生成在这样的一些事情上面。你有很多方法可以做校验，生成完了再检查一遍，我觉得我们都不讨论了，有各种工程的方法或者换好一点的模型，我们能再去做完，可以加一些规则，然后再去做。我说说我们怎么解决团队内的这样的一些问题。

54:07首先来说，第一个你需要比较虎，你想好了就这个事儿。因为我们的逻辑非常简单，华为的那句话就是一线能互换炮火。因为我们发现说，你如果想还是那个逻辑，如果想让系统迭代足够快，那就应该是用这个系统的人。

54:23比如说因为正常一个系统在做完，大家很少出一个to C的产品。那么简单，to C产品其实真的很简单。在我们的功能里面，页面几百个，你说它在这个页面，我举个特别简单的功能，那个被告，有名字有生僻字，他想加个拼音。那你其实你这一线这块觉得有拼音就应该马上就干了，等着你再找需求，然后那时候都太乱。

54:46所以严格意义上来说，如果你想让团队足够的迭代足够快，在这个事情上面就应该让一线能够直接的反馈。所以这个是我们跟团队说的第一件事情，就必须得干。我给大家定了个调，就必须得让他们干，我可以接受。好。我们一线比如说几十号人，我可以接受先从五个人十个人开始，但是我不能接受说不让他们参与。

55:07第二个事情是你还是要用好你的Claude Code的环境。我们觉得AI用的，你要把AI效率提升，大家只看到了模型，我觉得是远远不够的。你还需要有你的上下文，你的context，你行业的know-how，还有你在工具上面的很多的技巧。

55:25比如说你可以在给Claude Code里面做很多的，就是在提交之前做很多的proof hooks，就是他在提交的时候做很多的限制，他提前要做代码的检查，针对于什么样的提交我可以拒绝。就直接就可以让你的Claude Code的，我就帮你去选。

55:43所以那样对于我们来说也是复利的，就我们定义好大家的一些权限或者能做的一些事情，让AI再去解决AI的事情。他提交东西反正AI写的，最后还有一个AI再去帮你做检查，在这个事儿上面就行了。反正总的来说，这事儿必须得干。我的核心职责是解决必须得干，别跟我废话。

56:05大家再想想怎么干。容易受累。你就接受错嘛。对。我们现在挺夸张，我们一天上线两三百次。

56:11就反正确实也迭代很快，也没有人检查了。我们早就把那我们第一个裁掉的岗位就是测试，因为我觉得实在是太拖累我们的速度了。

56:23对。那那我根本测不完，都不知道改啥了，他还能测啥。

56:37我觉得需要看一眼，那需要有一个AI再去看一眼，而不是人看一眼。

56:45看一眼了。我们做什么都不知道了。我们现在的系统是这样的，我还是底层逻辑。哦，人只需要做判断。我们现在搭建了三个loop。

56:55第一个loop是发现问题。你可以理解为有一个loop，各种发现问题。比如说，我们因为涉及到电话短信什么的，比如说短信通道坏了或者打电话这个不通了，这个人的接通率低，全是问题。反正就给我报，海量的报。

57:11报完了怎么干，他不管。反正给我报问题。对。第二个路就是解决问题。他去发现这个事儿要解决，他解决的只有一个标准，叫我有没有一个评价机制能够解决这个问题。

57:26如果没有一个评价机制，或者说整个的解决的逻辑不够，那找一个人进来把这个逻辑补齐，再继续解决。对。我们在内部也做了，

57:37叫四象限嘛，那个叫什么，叫艾森豪威尔象限，就反正AI自己来估的。我觉得也挺酷的。就是重要，紧急重要。对对对对。那破玩意儿，再去解决。

57:47所以其实我真的不知道，因为他一线可能也报一些问题，有可能手机不通了，我也不是凡尔赛，在那个事儿上面。但我们现在还在做一个loop。我给公司定了一个启明星指标，比如说还多少钱。对。在这个事情上，我们会让AI定期的组织一些会议，就是准备一个会议的目标，我们在这个会上可能就是要讨论什么问题，

58:11比如说，他现在总结出来我们有几个批次，因为金额很大，单笔金额比较大的那种，我们做的不够好。那可能就是你这几个批次为啥不够好，你给我准备一个主题来去干。我们的所有的底层的逻辑都是把判断交给AI，然后让AI驱动整个组织做更多的事情。

58:33对。因为我觉得这个事才能让我们迭代足够快。在这样一个事情上面，最终形成商业上面的胜率可能会更大一些。

59:18也没广告投放那么快的这个事儿，你还是要找一些前置的一些信号。对。因为比如说立项案，他最后还完钱可能还有，比如说一年或者两年的时间，你要可以提前找一些信号在这个事儿。

59:37从商业上来说，你肯定是还完钱才收完所有的钱。但是我们内部的信号确实是，他比如说加上企微了，我都认为说你是一个正信号，我们就可以再再出发一点来去做。我只是想说，其实大家都可以多找一些前置的正反馈的信号，其实还挺好找的。我觉得没那么复杂。

59:56第二个事情是我跟团队一直在说一件事情叫借假修真。其实我们会更关注于我们底层。整个的一个作业的体系，包括我们两个系统，其实如果你看我们系统两个都一样，左侧都叫知识中枢，然后一堆文档，在这个事儿上，俩人能再去完成，都是机器人下任务，人再去完成任务，或者机器完成一些任务，底层逻辑全是一样的。

1:00:19所以其实我们会很关注于底层逻辑的这种一致性，能再去完成。我觉得它其实可借鉴的领域是非常多的，对，只不过我们挑了这个事儿上面能再去跑就行了。但是我还是挺坚持，必须得有两个以上的，在这样的一个场景你才能跑，确保说你这个底层的逻辑是通的，

1:00:43你知道吗？是在一个上面，是，总归还是有一些局限性。我觉得很多公司都能用，比如说我们同学里面有做什么美妆的，开奶茶店的，我觉得那不都一个事儿吗？密集

1:00:54循环，我觉得你这个最好做。我觉得他们数据也挺快的，就你说卖奶茶，不是数据量更大更快。

1:01:18我们实际上我们分为作业中心和我们正常公司的作业中心。当然我们现在作业中心也开始用AI。作业中心就是在山西，就是小几千块钱的一个普通的员工，大部分是大专学历，那部分应该是大几十号人，我有点记不清了。我们公司现在的人数更少一些了，应该是三十几个，然后然后物流运营。

1:01:42但是我们现在研发的人数大幅的降低了。对。之前二十个人降低到个位数。对。在这样的一个情况，但是我我说说我淘汰的标准，我觉得还是得勇于的尝试。

1:02:00因为我确实觉得有很多的研发是现在老的这套思维框架里面，我觉得确实会有一些问题。第二个，它不能阻碍新人的成长。我们有一些新的同学想法比较好，在这个事情上面，它不能成为一个瓶颈。第三个事情要对业务有热情。因为我觉得长期来看，现在可能大家真的搭建一个AI native的环境还是有不少技巧的。

1:02:25但是在我们公司，悲惨的事情是老板也挺懂的，他有很多技巧。毕竟有我那什么在这个上，所以他他需要对业务有热情。所以这样去考察的时候，其实我们qualified的人并不是很多。所以我觉得这个时代其实最悲惨的是研发的同学，确实挑战挺大的。

1:02:43但我们贡献代码的人很多。我们原则上来说的话，是要求是人人都要web coding的。包括我司机都web coding了一个帮我垫钱的系统。对。在这事上面。

1:02:56但是我们最近的调整是，以前是大家coding很多系统都是零散的，我们现在把大部分的系统都做废了，都是在一套更AI native的环境中再去完成了。但是对于大家去web coding，在这个事情上面，确实我们提了完全不一样的要求。

1:03:12我们公司是这样的，我们经常不允许，一会儿允许一会儿不允许。就我们词儿就叫不允许。比如说谁一建很多的环境，最近也不那个什么，就在一套环境里面能再去完成，统一都要求用Claude Code。

1:03:28大家也用CodeX。原来的时候我们鼓励大家提交很多代码。我们现在发现说大家过了那段瓶颈期，我们要求想清楚，少提交，不要瞎提交，不然公司出了一堆指标。我们原来那个业务里面出了，我一下给我蹦出来一百多个指标，我说怎么这么多指标，根本看不过来了，

1:03:45所以做了很多无用的功能。所以我们现在要求判断力，不要瞎提交，不太一样。

1:03:59严格意义上来说啊，我只要有电脑在身边，全部。对，我很早就做了一个就是叫爱与CEO，有个folder把我的所有想法全扔在里边，我非常急切地想让我脱离日常的在事情上面。有很多的loop开始跑，我还是非常认同开复老师最近那本书名，就叫AI时代，我忘了，在那个事上面。

1:04:24我确实觉得我们有一个很大的优势是因为一把手天生爱干这个事。对，我觉得很幸运，就学了计算机，正好我喜欢。其实说实话。真的也，我我就喜欢，我搞也没有那么伟大的想法说，一把手一定要干，我逼着自己什么，没有。就是喜欢，喜欢这个事情。

1:04:47因为你做了之后，你有很多的认知，对。它是书本上或者说朋友圈是看不来的。有很多工具的一些变化，模型的一些细微的变化，你能做的事情。而且很多的认知是你在过程中要再去调整的。如果说你只是跟你的

1:05:07CTO给你报这个事，其实很难。比如说你CTO如果跟你说，天乐，我们要把所有公司的数系统全部重构一遍。那我肯定问你重构之后会带来啥变化？没变化。那大概率我肯定不同意啊，在这个事上。

1:05:20但是你自己干了之后，你就会主动跟他说，你为啥还不重构？就这破玩意儿，你你怎么搞呀？我觉得会有非常本质的这种变化和差异的。我还是挺建议一把手。现在

1:05:52我们现在的状态是，能人不批就人不批，能用skill就skill。但我觉得现在skill还不够多。我们各种要skill，而且你会发现说，就真的很容易，比如说我们在面试的时候，我们很早有一个面试人员筛选的这个skill。我们其实有一套发现他得有GitHub项目。

1:06:15然后突然发现GitHub项目也分好坏，有几个态势，你知道吗？然后在那个事儿上，我们立刻就改了那个skill，然后要把它GitHub下载下来，再做源码的分析，有多少是抄的代码，有多少是自己贡献的，文档结构会怎么样，就瞬间就解决掉了。

1:06:30我们HR就可以无缝的再去衔接。我觉得我们在整个环节上面第一个变化是，反正以前的时候老说自动化，我觉得现在非常明确skill。能再说的，你增加skill就增加skill，会非常容易务实的落下去，因为说其实每个部门的负责人都能写，

1:06:49写个skill太简单了。我们公司有一套检测它的规范在这个事上。第二个变化是，当然我们现在这个实验，我不确定是成功的。我有意的，比如说我们不少的研发离职了之后，我们就没有补人。我觉得一定要让我们的研发的同学变成一个极致的资源稀缺，他才能把整个的环境。

1:07:13比如说什么运维的agent的这些东西才能搞好。第二个事情是我们让越来越多的纯一线的同学再去做web coding。我们本质上公司已经没有传统意义上的中层或者高层在这个事上，因为我们的负责人都是在那个团队里面coding代码贡献最多的人了，

1:07:34他们其实已经不是传统那种管理的职责了，但我们确实还有这种管，都是builder的，但我们确实还有这种管理层级在。反正人也更少了吧。但我们确实也面临一些问题，比如说我们公司最近的就是因为离职嘛，然后就是无论是压力也好的话，

1:07:52或者我对某些同学可能不是很满意也好的话，就是离职的会比较多，所以我觉得我们公司最近的状态还需要再再积极一点。所以我现在也觉得说的话，就是团结好一些更多一线的一些人，然后的话还是要适度的给他们一些AI工具上面的一些支持。然后更重要的事情让他在一个有效的能执行的环境里面，他能改完之后立刻生效，然后有这样的一些正反馈，

1:08:20然后让更多的人可以参与到builder的这个过程里面去。所以我现在其实关注的，以前我是关注比如说代码提交的数量或者是什么样，因为现在有AI了，它其实提交量已经很大了，我更关注于多少人贡献了代码。在我们系统里面，人数我觉得比那个就是一个人提交一天比如说提交三四十次，比他更有意义吧。

1:08:42但我不确定这事是对的。现在

1:08:56就是我们Day One就是人辅助AI，不是AI辅助人。然后就是要做机器人下任务，然后要做自优化。我觉得好像没有什么特别大的这个变化，我唯一有的变化是那个什么，就是行业的know how该怎么组织的问题。我觉得这个可能算是，我以前觉得说结构化的像一个zoo那样，我之前咱俩也聊过，就是trigger和action对吧。

1:09:19遇到什么事该怎么干，然后现在的话其实会利用Claude Code里面的从Claude Code点Cloud点MD，然后到Markdown再到Sculpt的这些这些变化上，可能就是实现的方法上面，但我觉得那个太小了。了解，

1:09:33变化。我觉得

1:09:42但是我的烦恼在于之前就定了这三个方向，然后最后在落地的时候都觉得很困难。

1:10:02我觉得商业机会非常明确。就是第一来说的话，大家喜欢去找那种本质的变化，就是特别特别显性的那种变化。啊，我举个例子，比如说手机来了，对吧？比如从PC，然后到移动，我觉得是一个线性的在这样一个变化。然后以前从货架电商变成直播，然后一个显性的一个变化。

1:10:25我觉得未来我其实没看到那么多显性的变化，可能是获取信息的方式变成都问AI了，对吧？就是打开手机，打开豆包。我觉得说这一点吧，包括生成视频或者是什么样，反正就是非常共识的一些显性的一些变化。但是我觉得

1:10:44大家没感受到，或者说的话，包括投资人的话也没有认识到的一点，是组织的这种变化带来的价值。我觉得基本上可以去看看什么样的行业会好呢？假设你的后台的人员非常多，在我来看的话，几乎是可以百分之八九十的维度再去干掉的。如果你的从头周转率，就是你的耗损很大的时候的话，实际上也可以通过更多的调度再去完成。

1:11:13对，所以其实从这个角度来看，就是你有极大的利润的调整的空间。第二个事情是我们比如说能够打造出一套组织迭代的更快的方式，AI发现问题，AI解决问题，人来做判断。其实每一件事情都是复利，人做的每个判断都要留存成马可·邓勒。其实这个事儿你会发现说你的迭代速度会越来越快，所以你会实现到一个绝对快的迭代速度和绝对

1:11:42打平掉的这样的一个成本的一个形态。所以我觉得应该会有一些公司能快速地成为行业里面竞争力最强。能快速占到行业里面更多的市场。我们其实对这件事情看得会更加的清晰，方法论也会越来越明确。我觉得不成熟，有一些东西真的也不成熟，我觉得反正就能看到一些方向更大一些。

1:12:06所以其实我反而是觉得说大家再去找太多显性的这些变化，第一比较有限，第二来说我觉得没有那么多。但是内生的一些变化，可能大家没有看到它的价值。那这样，

1:13:16这里面有很多机会。

1:13:49那这一套思维框架是有很强的局限性的。你想，我们那三点是都要满足：增量市场、新技术解决老问题。然后第二点，

1:13:59在这个事情上面，所以其实我们也是力大出奇迹，脑子里面预想了很多，漏出来了几个在这个事情上，但是确实有可能会miss掉很多的机会。其实在这个事情上面，我也不确定说是不是应该建议大家按照这个思维框架能再去走完。比如说张雪机车，是吧？

1:14:21那个事儿怎么看都不像是一个好生意，摩托车在各种受限。这个基础上你又没觉得你又怎么着的，但人家就坚持就跑出来了嘛。所以我我觉得，事情上呢，我觉得我们只能说用这套框架给大家再去做借鉴。你可以沿着我们这套思维框架再去思考，能再做判断，这是第一个。

1:14:41第二个，我们实际上还有一个逻辑在于找变量，我们喜欢去找一些行业里面的变量。我觉得技术的变量不是变量，因为技术变量是个明牌。所以其实我们小单那个业务咋说，因为线上立案通了，疫情之后很多IP的业务，我们看到AIGC太容易了。

1:15:02所以大家为了让你的事情获得流量，所以你一定得套点东西上去嘛。所以找一些变量我觉得会很关键，就是你不要从众。如果说的话，你看别人做了，然后你也要在一样的方式再去做，我觉得你大概率找不到机会。就要去找一些不太一样的做的做的方式，强迫自己不太一样的方式，然后再去做。

1:15:24第三个就是，我是反对就是尝试的。我觉得其实很多事情是在脑子里面可以过完，就是用你的逻辑框架，然后再去再去做，不要盲目的试错。不然的话就是你就试出来就是真错，那也意义不大。对。

1:15:42在这个时候，我们其实试的很少，就过程不断的调调整。我也不知道咋改，我我觉得就命好，遇到了一些。

1:15:59对啊，这个我们，我，你也是，你也是，你也是。对，疫情来了，让这个线上练通了，你说这事和我的努力有啥关系？完全没有关系。有道理。

1:17:01第一个的话，我觉得公司的一把手其实要建立判断能力。自己搞。就是核心是要建立判断能力，但是自己搞，就是下场搞一下才能让你建立判断能力。就是你的判断能力不在于说你的指标上面体现出来了，比如说你是变好了还是变差。就包括我们最开始做数据白表的时候，那那一个月业绩跌了好多，因为会遇到各种问题嘛。

1:17:26我觉得第一个事情的话，就是一把手一定要建立判断能力。就是不然的话，下面的同学做对了，你都不知道。我觉得这个事是最可怕的，在这样的一个一个事情上面。这是第一个认知。第二个事情的话就是，我觉得AI native系统或者AI native的组织，我们有一些实践上面的结果让我们感受到它是对的，

1:17:50但是我们也不能确定它是对的。那我们就做确定性对的事儿。我觉得有两点，第一个是数据清洗，就是让AI能拿到完整的数据，就是Palantir干的第一件事情，对吧？都是把数据全部都再去梳理。

1:18:06一定对的是。但是这个事没有价值，你知道吗？就是你梳理了半天，然后所以我就又回过来说的话，就是一把手要有判断能力。第二个事情是，你要关注于你们业务里面的know-how能不能沉淀下来。就所有的know-how能不能沉淀下来，就是沉淀成Markdown的文档。

1:18:23我觉得这件事情也是绝对正确的，对吧？所以经常网上会有说增流同事或者怎么样。我后来跟公司人说，我说我从来没想过增流你们。为啥不增流你们呢？因为你们的观点未必是对的。

1:18:35增流了半天，增流出来可能是个错的。所以严格意义上来说，你应该是增流的是业务的know-how，对吧？他只是说这个同学，然后他在业务中的一环，然后他掌握了一些know-how。严格意义上来说，你只是业务的know-how，所以你就关注于说我业务的know-how能不能用Markdown全部都呈现出来。

1:18:52所以我给他们有一个叫脑中模拟的公式的话，就是你看公司的文档能不能把你们公司重构出来。如果能重构出来，你就成功了，是吧？就是一个简单的方式，所以我们觉得说的话，就是这两点的话是确定正确的事情。然后第三个的话就是关注于我们公司的迭代速度是不是足够快。

1:19:16我其实有很多，我觉得在做AI改革的时候不应该关注于显性的指标，比如说利润增加了多少，然后效率增加了多少或者怎么样，我觉得不应该关注这个这样一个事情。因为你前置的这个矛盾太多了，你知道吗？就人类的系统根本没有办法做AI，就AI化，所以的话就是你你应该关注一些就是更抽象的一些变量，

1:19:39能再去做。

1:19:57对，就大概率你的AI系统的改造完了之后会比原来的效率低。因为你没有办法，就是涵盖所有的这些环节，我觉得是个大问题。我们公司就非常明显嘛，我们两个系统都都重新重构了一次，重构完了之后都比原来就是出了爆多的问题，非常多的问题。

1:20:18但是加速度快，它迭代的快，修的快，肯定会超过去。

1:20:29吗？它是这样的，它有很多的问题。就比如说你在做系统迁移的时候，我们小贷那个系统，你发现你功能没迁移完，没迁移全，就零零散散的有有有一些，还有很多的小bug，对吧？有些小bug很影响作业，比如说，就是那个叫什么来着，就是借款人那个拼音的那个事儿，我们做那个功能就没签。

1:20:54然后我们一线的人打电话不知道人叫啥，这个事情上就是，它有非常多零零碎碎的事情，因为一个怎么说呢，成熟业务它都有海量数据的，然后它有非常多的功能的，就是人类很难判断全的。所以都还不是说，就是那么宏观上面都说一个scale能完成是不是足够好，那那确实也会有这样问题，

1:21:14就是你发现说非常非常多的问题，这个事儿上面。所以，我为啥把老板有判断力放在第一个呢，就是你有判断力，你才能坚定，对吧？啊，这个事儿，但你别干一天，然后你就说你这什么破玩意儿，刚出来，这是个破玩意儿，你得相信他嘛，对吧？然后他改得足够快，这个事儿再去。

1:21:50首先来说的话，比如说以前我们就说两套系统，然后以前那里面的话是数据数据非常混乱，然后功能也很混乱，有正确的有错误的揉在一起，我要开发一个新功能的时候，AI是做不了的。我之前在讲的提到一点的话，就是传统的人类的系统对于AI来说是个灾难。

1:22:10比如说人经常干的一件事儿，有些功能它做一半，对吧？我觉得这个页面写了半天，挺复杂，我留在这儿。大家都知道那个页面没用了，然后AI一进去看，啊，原来这个功能是这样的，然后开始干干干，干完发现是是个错的。对吧？就这个这个这样一个很生动的一个例子，我相信每个公司都有。

1:22:29然后的话，比如

1:22:32对。其实你给一个AI的指令，在传统的复杂系统里面，它都没有办法有效的上线。所以其实你看所有AI在去做的所有事情，要么是从头搭一套，要么做个demo。

1:22:44但是对于绝大部分公司来说呢，你从头搭一套，开玩笑呢，对吧？我这么多供应链，我这么多客户，这么多数据。所以的话就是那个挑战是非常大的。所以其实我们现在我们为啥能做到说，然后我们也不知道AI修了啥，那是因为我们整个系统的边界要做什么不做什么，

1:23:04然后校验机制，然后上线的时候的自测的机制非常完善，所以它修就行了。就是但原来系统根本做不到这样。然后的话你想原来的系统一天上线两三百次，不可能。

1:23:19好。我觉得这是第一步，就数据先让先让能让AI那个那个理解了，然后的话就是在在那个什么系统功能层面的话再让AI能理解。这其实你看在整个事情上面，我我其实一直反对说AI要和你的比如说收入或什么样再去挂钩，包括开复老师那本书里面好像也提到了一点的话，就是要让它能显性的体现出来，并且一定要在财务报表上体现出来。

1:23:48我都不认同，我都我完全认同这个事情上面，我觉得它就是一个厚积薄发的时候，但是它薄发的速度很快，它一直在蹦，每天在蹦蹦蹦蹦。我觉

1:24:12这个很关键，所以想想哪些东西不变，我觉得挺关键的，对。提前把不变的事做了。

1:24:39我觉得就是在行业里面，在AI的整个行业里面，第一大家有点浮躁。就是经常大家说一点，比如说你的公司的目标要和AI能力再去做正交，对吧？就是类似于那种就好了之后才能好很多，在这样一个事情上面，我觉得咋说呢，这样这样的一些事情比较少。

1:24:59比如说的话，A或者像是像是这样一块算是正交的，然后呃就Menas那样的一些框架是正交的，但是我觉得没有那么多，能那么完美的再去做正交。我觉得在AI在这个上，它能解决很多事情，但是让大家变得很浮躁。就是一下就能看到财务上的变化或者是什么样的，在这个事情上面，我觉得就是你这么来去想，

1:25:26即便说我的公司非常不性感。我就是个卖奶茶的，我卖的多，对吧？咱们那个是，我一会儿也是。然后的话，那我整个的供应链的系统或者业务作业的系统迭代足够快，我人足够少。那其实也是一个很大的价值嘛。

1:25:44但是我觉得在时代里面的话，对这些很朴素的这样的一些需要，然后的话，大家就显得就特别的平庸，甚至不好意思说出来。然后的话，就是我有段时间也不好意思说出来，你知道吗？我觉得我们得搞搞个大的呀。现在自洽了。

1:26:00自洽是什么，也没想出怎么搞个大的。我也干不出来克劳科的这个这个事，能力也有限，是吧，自己说说好，我们就多传播善良和正义就好了。我觉得这个事让我自洽。我们其实还是在组织里面的话，比如把数据做清晰，功能做清晰，然后把整个的作业的一些know how写下来，

1:26:22把它当存下来，我觉得这个东西肯定是对的嘛。我就先干这个呗。很

1:27:02没事没事没事。希望你播客越做越好。对。没有那么复杂。谢谢。

1:27:07希望不要让你掉粉。这个就非常

1:27:37还有