对大模型应用而言，SaaS 是个很特别的品类。

它意味着很多非常垂直、具体的场景和需求。

(相关资料图)

举例而言，HR 领域，如何让 AI 判断面试者的简历价值，如何应对员工各式各样的询问，甚至层出不穷的各种招聘和细分行业术语该如何让大模型做到自然语言理解？

6 月，HR SaaS 平台 Moka 发布了基于大模型的新产品 Moka Eva。

Moka 的联合创始人兼 CEO 李国兴在发布会后来到 Founder Park 直播间，分享他们对于大模型在垂直领域 SaaS 产品中应用的经验。

作为行业首个推出「AI 原生」产品的公司，Moka 在调用大模型能力，匹配具体业务场景方面有着自己的思考。

他提到，想让大模型在SaaS产品中发挥更大的价值，要不断挖掘自己的数据，让模型能够更高效地调用、更「自然」地理解数据，从而反过来为用户提供价值。

在产品形态上，李国兴认为自然语言能够满足低频用户的很多需求，补足了之前图形交互学习成本的问题。软件从业者应该更多思考大模型的「长板」如何能帮助补足、解决之前默认无法解决的用户痛点。

而在这个过程中，最重要的是敏捷，快速尝试，快速迭代，不断地测试模型能力和产品需求之间的匹配。

这是坚定入局者的心态。

以下是对谈全文，经 Founder Park 编辑。

访谈嘉宾：

张鹏 - 极客公园创始人 & 总裁

李国兴 - Moka 联合创始人 & CEO

01 AI+ HRSaaS产品背后的思考

张鹏：我们今天请来了国兴，想深入地聊一聊在人力资源领域里，大模型会对这样的垂直领域带来什么样的影响？

昨天 Moka 发布了基于大模型的新产品 Eva，能不能给我们介绍一下它的背后你有怎样的思考？

李国兴：我们昨天刚刚开了发布会，第一次跟广大用户朋友们介绍这个全新的产品。也是过去几个月的时间，我自己投入比较多精力在跟的项目，连轴转研发的产品。

因为我们做的是 HR 业务场景，所以更多的是围绕这个业务场景，解决一些垂直的问题，背后应用到大模型的能力。

总的来说，我们对它的定位叫做「AI HR 伙伴」，EVA 这个名字其实也是一个拟人化的定位。我们希望它一方面，能够去帮助我们把很多 HR 业务上的事情自动化掉，帮忙处理掉。另一方面，它也不仅仅是一个纯粹的替代作用。更多的是怎么让 HR 团队和这个产品、技术更好地结合。

我们一直讲一个关键词，叫做10 倍地提升生产力（10x），这是我们的目标。所以我们在产品上会有很多不同的维度，因为 HR 也会有不同的角色。

我们重点介绍了 Eva 的三个能力维度。

第一个「懂数据」，帮忙把招聘和人事的数据，让用户通过自然语言问询就能快速获取和统计。这个其实解决了很多痛点。举个例子，消费这种数据的一般是企业的管理者，他们可能会问，「这个季度开始了，我们的目标制定的进展如何？OKR 的进展如何？」Eva 就可以帮助对应（相关数据），它能理解我们的目标是什么，然后通过 API 去拉取相关数据，最后呈现给我一个按部门分类的完成进度情况。

再比如面试，（大型团队）可能不一定能记住有哪些岗位在招聘，就会去问最近候选人的进展情况，Eva 会理解，面试候选人有哪些，是哪些职位的，招聘漏斗是怎样，然后自动呈现一个图表。

这种都是我们非常常见的，公司老板或者业务负责人甚至 HRD 等角色，可能偶尔会遇到的一些问题，那么他们只需要跟 Eva 三五轮对话就能获取到数据，以往可能比较痛苦，因为需要把数据需求给到 HR 团队，或者需要通过 BI 工具汇总和统计，这样门槛就比较高。过去客户有问题可能会找到我们的 CSM 团队帮忙配置，配置好了返回客户 HR，再反馈，再给老板看，可能会进一步想调整需求，比如补充一些数据，或者统计口径再调整，来回几次，可能需要几天到一两周的时间，链条会比较长。我们希望能够 cut 掉中间的这些链条，真正能够让终端用户非常简单地随手获取到想要的数据信息。

第二个「懂员工」。我们 People 产品的场景里比较常见的痛点，比如 HR 同事可能经常会被问到一些重复问题，比如请假、比如发薪日，薪酬怎么计算，一些人事的事务办理，开证明等等细节问题。

现在我们想通过 Eva 自动化地处理员工日常的这些咨询，最大程度减少人为介入。

这个比较有意思的地方是，它严格意义上并不是一个完全新的问题和领域，之前我们也能听说一些 chatbot（聊天机器人）解决这种问题，但如果详细了解过去的解决方式，就会发现有一些局限性。

比如，技术模式是问答配对，matching 的算法。你要设定很多员工会问的问题，你希望给到的答案，然后设置一些触发条件。一个很大的局限就是，你基本只能做单轮对话，如果员工追问就没法做。以及它只能回答一些通用的问题，不能根据员工自身情况给出回答。它的维护成本也比较重，需要不断地维护。

Eva 不需要太多的额外配置，员工手册里涵盖了大量的人事政策、福利待遇等等知识类信息，然后我们本身也会存储很多员工各种信息数据，包括假期情况，薪酬计算、考勤结果等等。员工在询问的时候，Eva 能够覆盖很多场景。比如我试用期什么时候结束？我需要提前准备什么工作？我的假期还有多少天？你可以追问说，我 7 月想请 5 天假，有什么要注意的？要提前多少天申请等等。

我们内部一些测试，认为 80%、90% 的问题是能够覆盖，能够被 Eva 解决的。这也是一个挺重要的突破。还有 GPT 这种大模型，它有很强的拟人化回答的能力，回答的内容我们可以调教得比较有温度，某种意义上跟人回答的其实差不多，甚至有些情况还能有更好的关怀。

它 100% 更好的地方，是 7*24 小时的，HR 很多时候可能不在电脑前或者在休息。

第三点，「懂招聘」，这个就比较深入了。

我们做了很多功能，自动化写 JD、简历的自动化评判初筛，面试阶段通过对需求的理解和候选人简历的阅读，自动生成一些面试问题供面试官参考等等。

张鹏：这个挺有意思的。可能有些经验丰富的面试官，能实时「生成」出好问题。但如果 HR 的知识、对面试的认知，能变成数据被学习、积累，在面试之前形成好问题的提醒，我觉得这个蛮有意思的。因为我也做很多面试，有时候来不及做预先准备的话，就要实时去提问，还要保证问题质量很高，相当于实时做一次咱俩这样的直播访谈，我们（直播）可都是要（预先）做提纲的。

你刚刚提到很重要的一点，把非结构化的数据自动地结构化地整理，变成有意义的数据，更加宽频地响应用户的需求，兼容性会更好。（AI）能对这些数据有自然的理解，反过来就能为人提供价值。这个大的思路，是国内还是硅谷，不管大公司小公司，都是特别值得注意的，是 AI native（原生）要思考考的。

02 最重要的是敏捷，要快

张鹏：我也很好奇，Moka 是国内 SaaS 领域里行动很快的公司。在大模型这波浪潮兴起之后，你心理发生过怎样的化学反应？最终怎么落到产品上？每个人可能都被震撼过，但震撼的方式不一样，分享一下你的情况。

李国兴：（笑）说实话，我接触的时间比团队还要晚一点，很惭愧，因为我其实是学 AI 相关的。

团队大概去年底就注意到 ChatGPT，然后 1 月份就已经做出来自动写 JD 的功能，很快我们就上线了。

我个人其实是 2 月左右。因为之前的感受是，「怎么又出来一个 chatbot？」Chatbot 是很多年一直都在做，有新东西出来，但感觉好像都是比较傻的 chatbot。后面慢慢注意到，自己也体验了一下，刚开始用的时候确实非常惊艳。

之前我传统认知的机器学习自然语言，还是偏非常特定的任务域的问题解决，不管是图像的人脸识别，还是 NLP 的一些问题，都是非常具体的任务，然后你通过设计模型和构造相关数据，把任务优化好。

ChatGPT 是一个能力极其泛化的模型，它也拥有大量的知识，两者都需要，因为没有知识，就没法做自然语言处理和理解。

（笑）当时我在想，我们之前做的很多 AI 的任务、NLP 的任务都白做了，很多研究领域可能都不需要做了。

还有，它能体现一些逻辑推理能力，这让我非常惊讶。因为想不到生成模型、预测模型会有逻辑推理能力。比如你问一道数学题，它可能计算数据会有偏差，但它知道怎么去计算的顺序，一步一步拆解、执行。

最开始坦白讲，是比较焦虑的。

张鹏：正常，都会焦虑，从一开始「怎么又来个 chatbot」到惊艳、焦虑，特别真实。

李国兴：当时在想，兴奋的点是技术突破一定会带来非常大的机会，但焦虑的点事，对我们的机会到底在哪？当时没想清楚，后来理了理思路，跟团队在内部很密集地做一些讨论。

思路慢慢清楚，对于我们这种 SaaS 软件如何改造，怎么一步一步发生，未来的形态会是什么样？有了一些更好的判断，内部达成了一些共识，就组建了一个项目组团队去推进。

我觉得最主要的是敏捷，快速地迭代。说白了大家都不知道这东西该怎么用，能达到什么效果。

所以我觉得最重要的是，我们需要快，需要敏捷，需要去尝试。

张鹏：我估计很多也会感兴趣，现在这么多大模型，你选择哪个大模型的逻辑是怎样的？做大模型的可能也想听。

李国兴：我觉得核心是，对于「我们怎么做」的角度来说，不能太绑死一家大模型，这可能会有一些风险。不管是政策性的风险，还是其他一些不可控因素。

因为在基于大模型开发的一些产品，很核心的价值链条和能力供给是来源于它，如果太被单一地绑定某个服务商，我觉得不是一个很好的事情。

在我们内部产品技术架构的设计上，肯定要把这个模块去独立出来，我们有一些测试框架，去快速地验证，比如不同场景使用不同模型，或者一个模型不同的 prompt，最后的效果有怎样的差异？

我们要快速验证它的能力，同时架构设计尽量解耦，能去接入不同的大模型。这是从自身要关注和做好的事。

肉眼可见的，GPT 肯定效果最好，其他的比如 Claude 等等。国内我听到业界比较有信心的判断，今年下半年应该很多都能达到 3.5 左右的水平，我相信大家追赶起来会挺快的。

过去几个月也看到开源社区的蓬勃发展，这也是完全超出我预期的，发展非常快，每天都有新东西出来，效果也还不错，我觉得是值得期待的。

中长期来看，大模型更类似云设施，是基础能力，要用它构建很多应用层，才能实现价值的最后一公里的交付。从这个角度来说，我个人判断后面会偏同质化。

张鹏：你提到开源，这就意味着要调自己的模型。

李国兴：我觉得能看到两个大模型的发展方向。

一个是，开源一定会有非常大的商业潜力。对我们这样 toB 的公司来说，很多时候需要一些私有数据，通过开源大模型，在内部 fine tuning 也好，去 host 一些模型，应用到场景里。

然后有一些偏通用的，场景泛化的，比较适合通过「云」的形式接入提供 API 的大模型。

我觉得这两种模式都会有很大的潜在价值和商业空间，我们自己也都在尝试，目前 demo 的能力是后者为主，通过商业化大模型的 API，怎么更好地结合我们系统的数据和 API 架构，这也是没有那么简单的改造过程。

就是怎么调用我们的系统，怎么更好地理解用户在我们业务场景里语境的问题，怎么能给 ta 真的想要的数据，从产品到技术都有挺多的挑战要解决。做一个概念，单一场景里简单的 demo 是比较容易的，但是真的能投入到 production use，让客户规模性地使用，还是挺有挑战。

我们内部已经比较激进地在推进，最快可能也是 7 月，希望能开放个别的共创客户，先试用产品，共创的状态，还需要很多努力，不断地打磨，才能达到真的满足用户场景预期的产品。

这是我们不断努力的方向。开源我觉得能做的事很多，我们现在也是偏探索阶段，后面有好的经验会来跟大家分享一下。

张鹏：有道理。对 Moka，核心是源于对细分领域里场景的熟悉，数据如何被有效地 organize 起来，在大模型里形成对垂直领域更高效的能力，这不是大模型本身能给的，需要跟场景结合。

不管是云的形态，还是开源基础上再训练一个，都是要多关注自己要交付的价值，对场景的理解。

但我特别赞赏的是「入场」，投入心思，下决心，把东西做出来，想法明确了，再继续调，小范围地试，再大范围地试，然后才有根本性的变化，我觉得这就是上场的过程，从热身、上场、组织进攻，得分，最终赢下比赛，「play」的状态是非常重要的。

03 成熟SaaS厂商应该尽快 All-in

张鹏：现在 SaaS 形态有了一个全新的生产力、技术的变化，接下来 SaaS 本身会发生什么变化吗？你作为创始人、CEO 肯定天天在思考，SaaS 的商业模式、产品模式，解决用户问题的模式，接下来会有什么变化？

李国兴：从产品说起。很明确的一个点，是一定会改变产品的很多地方。

比如说交互形式，现在都还是 GUI（图形界面）。自然语言的交互形式，我觉得不会替代 100% 的使用方式，但也许 30%、50% 甚至更多的场景，是可以通过自然语言的方式处理的。

尤其是面对非核心用户。核心的用户可能对系统非常熟悉，能操作很多功能，效率更高，准确性更高。

但非核心用户，SaaS 这种产品，整个工作流里有不同角色参与其中，就会有一些不那么频繁使用产品的用户，ta 可能不太了解，「这么多功能我怎么用？」

那么怎么让这些人更高地从产品中获取最多的价值和体验呢？其实很多可以通过自然语言交互形式帮助完成。这也是我们做 Eva 的时候在思考的方向。

还有大量文本的处理。比如我们现在的简历和职位的信息处理，对文本的信息数据的理解，如何让模型有深度的理解？

针对不同场景，基于文本的理解，再做转化处理，这也是一个大的方向。

如果从软件从业者的角度，不同场景里，哪些文本量、知识量比较大？怎么能通过模型去帮助解决现在的一些痛点？

总的来说，从产品价值角度看，a16z 之前的 blog 提到过，不管你用 AI 还是其他方法，最核心的是要 own 客户的 workflow，在客户的业务场景、流程里，为它提供更多的价值。只要你能提供更多的价值，就能 own 更多（work）flow，就能获得更多客户侧的正向反馈。

所以我觉得对我们这样已经有产品、有客户、有场景的SaaS厂商来说，应该比较「无脑地」all in 这个方向，AI 已经很明确地，能够解决以前解决不了的高价值的问题。

对于新的（产品）来说，需要找一些更聚焦的场景，因为大的链条，对于已经存在的服务商来说，它们会更擅长。

张鹏：我在硅谷这边交流，大家聊未来是不是很多角色交给 AI 做，都会说两句话。

第一是why not。如果你的决策本身有科学性的逻辑，有基于数据的合理判断，那么 AI 会比人更有原则、更能充分地理解信息，它做出的决策可能并不比人差。

第二句是not now。现在不行。它还是个「L2 的自动驾驶」，你信任它当「L5」，肯定要出事对吧？

就像盖茨说的，「我们总是高估未来两年的变化，低估未来 10 年的变革。」

刚刚国兴分享的也是这样，我们客观看到了一些确定性的改变，已经开始发生了，回不去了，它是怎么一步一步发生的？要特别务实，到具象的场景里去，刚刚直播间有个大怒说的特别好，「扎入垂直场景里，大模型带来化学反应才会足够剧烈」，越垂直，越具象，越能定义好它在今天的能力。

所以我想追问国兴，你把大模型放到产品里，有哪些特别明显的变化？现在可能很多人还用不到，没法体验你们基于大模型的创新，但你们自己测试过程中明确感受到的变化有哪些？

李国兴：比如数据，刚刚提到的 BI 报表。

比如 CSM 客户成功经理帮客户配置一些东西，就是一个比较有挑战的工作。因为它一方面需要很深度地理解最终消费这个数据的用户需求，ta 想看什么？它还需要非常懂这个系统的各种数据术语，比如 BI 模块，我们也尽量让它更用户友好一些。

但始终还是有一些挑战，需要有维度、指标的概念，不同数据，不同的指标，有不同的描述，直接看可能不一定能一下 get 到它到底是什么意思，那应该怎么去使用它？它是怎么计算来的？

我们系统有成百上千种类似的信息，所以你可以想象，它还是需要有人，有这两方面的很强的一些知识和理解的能力，再使用这个工具，才能把这个场景用得很好。

但是通过大模型，只要你能把这个数据其实梳理得比较清晰。举个例子，比如招聘进展，有招聘进展的指标，这个指标里可能会包含一些不同的数。它的漏斗，可能会包含初筛进入的申请数，然后通过初筛，然后通过了一面，通过了终面，然后 offer 的数量、入职的数量这些。

大模型能够理解不同的用户问的一些问题，因为它有比较强的自然语言理解能力，然后我们再结合用户的问题，再结合系统中帮忙梳理的数据，它就能很容易地去调用这些。相当于是一个被很好地训练过的 CSM，又能 CSM，又能直接跟最终消费数据的用户去对话。

这是我觉得一个挺典型的场景。能看出来大模型对两边的理解能力是很强的。一方面我们的数据和 API，一方面用户的需求，把两者串起来。我们构建这个系统的时候，大模型会扮演这样一个角色。

架构层面也都是这种构建方式，不断地扩充更多的场景，给它更多的 API，让它去调用。

张鹏：你们是内部有一个团队在做，还是整个团队都在做这件事？

李国兴：我们有一个专门的团队，一个项目组在做这个事。

基本上就是把算法团队，再加一些产品和研发，两个产品线的同事加进来，然后形成这个项目组，快速地去推进这个事。我觉得还挺重要，是一个一把手工程，需要这个投入更多的精力和关注。

张鹏：就至少需要投入一个特种部队，这个特种部队要直接向 CEO 汇报。我在尝试发现这个领域怎么去探索，你的模式是一个特种部队，直接向这个总司令汇报，做深入性的探索，是不是可以这么总结？

李国兴：对。我觉得速度很重要，另一个是团队需要积累这个 know-how，还是需要理解这个东西应该怎么去构建，它其实也没有想的那么简单。

怎么真的能够做出一个让更多的客户规模化使用的 ready 的产品，其实还是不容易的。这个过程中团队需要试很多东西，需要积累很多东西。

张鹏：大模型真正要落到业务里，还涉及很多问题，包括 Infra（基础设施）层面。你们在实践，我很好奇，你会期待基础设施层面有怎样更好的演进和变化？有什么需求是你自己明确意识到的？

李国兴：现在能看到的，如果有一些更好的 testing 的 framework 和 dataset，怎么能帮助我们更好地构建，测评、评测我们最终效果的东西，这一块会很有帮助。

这个问题不容易但非常重要。它不是简单地做一些功能然后自动化地测试或者认为测试就能上线的。

它有很多不同的能力，同样的场景同样的能力，可能用户会有不同的交互形式，有些能成功，有些情况就会失败。这是 AI（产品）的特点。

同时我们又希望能敏捷地迭代，所以它对我们研发的效率会非常有帮助。我们内部在做的时候，我跟团队也一直在强调这一点，怎么构建一个比较稳定可靠的测试/测评方式。

04 HRSaaS的用户不止 HR

张鹏：Moka 最早可能是 HR 职业的用户使用，但我刚才听你说的一些场景，有很多 CEO、部门 leader 甚至员工都在使用。产品的人群会变化，我很好奇你的使命是什么，是给 HR 同学们提供一个好工具，还是演变成了新的东西？

李国兴：鹏哥问了一个特别好的问题。Moka 有一句使命是「让每个人的工作体验更美好，让每个人在组织中成就更多。」

我们也比较聚焦到公司里每一个不同的人和角色，产品的一个 slogan，「全员体验更好的 HR SaaS」。我觉得它都是围绕一个理念，传统的软件我们认为是有很多问题的，这也是我出发做 Moka 的原因。

传统企业软件，只是为了一些管理者、决策者去设计和服务的，更多是满足管理上的需求，并没有考虑终端不同的用户角色，他们会怎么使用这个产品，怎么能够帮助他们的工作？这是 20、30 年前一个很大的问题。

新一代的 SaaS 产品，肯定要解决公司管理的一些问题，另一方面也可以同时做到帮助更多的用户角色去使用，让他们的工作效率更高、体验更好。

所以我们内部非常重视，一线使用最高频的肯定是 HR，但我们还有比如招聘（场景）里的面试官，用人经理，候选人等等。这些都是我们在系统设计时很重要的一些角色，我们会考虑他们的场景，他们的用户旅程是怎样的，怎么为他们设计更好的产品和功能。

现在大模型技术，让我们推出了 Eva 这个 AI 原生的产品，帮助我们把这个理念往上带了一个高度，它能够更好地去达到我们的愿景和设想。

张鹏：我再溯源一下，Moka 是 2015 年开始做的，当时也有不少 HR 数字化的工具。当时你建立 Moka 的时候，观察到了怎样的问题？

李国兴：当时观察到了一个很明确的痛点。很多国内公司的官网，「加入我们」的招聘页面，15 年的时候大家做的都非常简陋，是一些简单、静态的职位信息，如果要投递的话，需要发简历到邮箱。

这和之前我们在美国看到的很不一样。美国（公司）很注重这种「雇主品牌」，网站做得 fancy 一些就会更容易吸引大家的关注，尤其是科技类公司。

我们这种程序员，看你这个网站做得 fancy，可能会觉得你这家公司比较有意思有调性。

美国这些公司有在用一些招聘系统，比如 Application tracking system（招聘管理系统），当时 YC 也有一些公司去帮助搭建这种招聘的官网。所以带着这样的问题，我们去聊了很多公司的 HR，做调研采访，了解他们的痛点，他们的招聘工作日常是怎么进行的。

我发现绝大多数都没有这种招聘系统，来管理整个招聘过程，整个过程是非常手工、事务性的工作，要去不同的网站，下载简历，再做一个 Excel，记录面试或者流程中候选人的情况。每一个候选人都需要来回地微信、电话沟通，面试之前要提醒面试官...... 是一个非常低效、传统的模式。

我们就会提说，如果有这样一个产品，帮你把所有手工做的事务性工作，全部线上化、自动化，你只要做一个招聘 HR 真正需要做的，判断人合不合适，跟人做互动和沟通、建立信任，你会不会感兴趣购买使用？

绝大多数（调研）都得到了比较正向的反馈，所以我们就决定做这个方向。一方面是看到了客户的确需要，underserved market，存在没有被很好满足的市场需求。

另一方面，对我们来说，招聘和人才这个事是非常重要的，也能够让我比较有共鸣。怎么通过更好的产品，帮助更多的客户在获取人才方面做得更好，更有竞争力，我觉得是价值很大的事。

我们 Moka 这个名字也跟这个有点关系。就是咖啡的摩卡，它是一种比较甜的咖啡，我们希望给 HR 的工作带来一些「甜」，这跟我们的使命，让每个人的工作体验更美好也有关系。

所以围绕这一点我们做了很多事，在产品方面，过往几年快速发展的增长，很大程度上源于客户的口口相传，我们的用户，一些 HR 会很认可，他们就会互相去传播，甚至人员流动的时候，会把我们的产品带到新的公司，这其实是之前我们增长一个很大的动力。

05 员工不可或缺的能力和价值

张鹏：最近 AI 带来了一些失业恐慌，你们怎么看这件事？因为这可能会影响你们业务啊（笑）。

李国兴：确实能看到 AI 技术的进步，本身是智力生产力，对我们的工作肯定会带来一些变化和影响。

我们发布会也提到，HR 的一些工作在未来五年也会发生变化。基础的、初级的智力型工作，我觉得很有机会通过 AI 完全 automate（自动化）掉了。

但 HR 这种工作，有一些很特别的点，它是围绕人的工作。只要一个组织还存在，HR 肯定有存在的价值和意义，它是不可或缺的一块，是人与人之间信任和连接的建立。我觉得这就是比较 human 的部分，很难被什么机器替代，它需要很多人与人之间接触、相处。

很典型的例子。比如我们看远程办公，相比大家在办公室日常能够见到有接触，感受还是挺不一样的。

组织，某种程度上，虽然说它有明确的目标，它需要是一个效率的整体，但它也需要人与人之间很强的连接、信任，才能够把组织的力量发挥到更大。这是我觉得 HR 不可或缺的能力和价值。

围绕这种业务视角的 HR，他们的专业性的思考、战略性的思维，在未来三到五年也很难被替代。他们的所有这些人才的工作，建设的工作，一方面要对业务非常理解，而且是最顶层的战略的、业务优势的、主打客户群体的、竞争态势的、未来变化趋势的综合型的理解，然后结合 HR 本身的专业性，怎么设计激励，怎么设计人才结构，这些顶层设计的东西，很难想象被AI轻易替代。

还有，如果这些东西都能做了，那我觉得 CEO 也没什么存在的意义了（笑），对吧？

很多时候这种比较复杂的、顶层的设计和决策，还是需要有很多思考，很深的对未来的判断，各种方面的经验和一些 know-how 的综合性的了解，才能够做出的决策。

这个也是我觉得会越来越重要，越来越不可或缺的一些能力维度。

关于未来的组织结构。我的判断是会有更多的小组织出现。

可能之前经济上算不过来，比如做公司，前期投入，融资，业务转起来，花很长时间构建产品和服务，最终把它变成一个商业化的组织，可以生存的公司。商业形态达到一定规模，才能让前期投入得到回报。从一个 Founder 的角度来说，可能会有一个心理预期，多长时间，多少 effort，能得到怎样的成就，怎样的 impact。

但如果生产成本大幅降低，很多东西就会发生变化，可能会有更多细分的市场需求，是现在的生产力成本和模式完全无法实现的。没有人愿意做，没有人愿意投资的事。很多所谓的 Niche market（小众市场）的需求，有可能能得到更好的满足，而且可能就是一两个人，两三个人就能完成的，而且很快就能达到，然后利润上有回报，公司能生存。

这是 AI 这波浪潮里，最让人兴奋的机遇方向。

关键词：