Scott Ernst，Vyond 首席执行官——访谈系列

你曾多次带领科技公司经历重大转型：从帮助 Compete 在早期阶段实现规模化并最终被收购，到带领 Macromill 完成首次公开募股，再到后来围绕人工智能重新定位 Drift，直至其被 Salesloft 收购。如今，你在又一次重大技术变革期间执掌 Vyond。过往这些经历带来的哪些启示，正在影响你应对人工智能时代的方式？

我在每一次转型中都看到同一种情况：技术变革本身往往不是最难的部分，真正困难的是，当变革已显而易见时，如何让整个组织齐心协力。在 Compete，关键启示是保持纪律性：要从小规模起步，打造品类领军企业，就必须始终专注于真正推动业务发展的少数关键事项，而不是追逐每一个机会。在 Macromill，推动公司实现全球化规模发展并上市让我明白，缺乏严谨运营的增长终究会出问题……你需要完善的报告、预测和治理机制，才能让运营能力与业务同步扩张。

在我看来，Drift 的经历与眼下的情况最为相似。ChatGPT 发布时，我们已经打造了自己的专有人工智能产品，本能地想要保护它。但我们最终做出了更艰难的决定：开放业务，并围绕生成式人工智能重新定位整个公司，因为我们相信，市场变化的速度已经超过了自身护城河所能抵御的速度。这不是一项产品决策，而是关乎信念与时机的领导力决策。

我从那段经历中带到 Vyond 的启示是，在真正的平台变革时期，胜出的公司既不是最谨慎的，也不是最鲁莽的，而是能够迅速让整个组织围绕清晰的判断达成共识，并以十足紧迫感付诸行动的公司。这正是我们现在所采取的做法：弄清当下的真实情况，对市场走向形成坚定判断，并在机会窗口关闭之前，让整个公司朝着同一方向前进。

生成式人工智能大幅降低了企业制作内容的难度，但你曾指出，如今更大的挑战在于如何让知识在运营中真正发挥作用。这在实际工作中意味着什么？你为什么认为，仅靠内容生成只能解决问题的一小部分？

生成式人工智能解决了内容创作长期以来最棘手的瓶颈：过去，创作内容需要专业人员、制作流程和充足的提前准备时间。如今，组织中几乎任何人都能在几分钟内制作出内容。这无疑释放了巨大的可能性，但也意味着市场营销、人力资源、销售、IT 以及学习与发展等各个职能部门如今都在独立创作内容，往往围绕同一套底层知识，使用不同工具，却没有共享的权威信息源。

让知识在运营中真正发挥作用，重点不在于生成更多内容，而在于确保人们能够找到并使用正确的信息：知道可信且最新的版本存放在哪里、由谁负责、是否已获批准，以及如何将其纳入人们实际需要使用的工作流程，例如学习管理系统（LMS）、客户关系管理系统（CRM）、入职清单和合规跟踪工具。缺少这一层，就会出现我所说的“沟通混乱”：内容重复，品牌标准逐渐偏离，团队重新制作已有成果，而且没人能够确定哪个版本才是准确版本。很多混乱的出现时间比人们意识到的还要早，甚至早在制作任何素材之前就已开始：提出需求时，没人真正确认目标受众、目标，或该需求本应依据的源材料。

内容生成回答的是“我们能不能快速制作出来？”这个问题，而这确实是人工智能在很大程度上已经解决的问题。让知识在运营中真正发挥作用，回答的则是“在需要的时候，正确的人能否在自己正在使用的工具中找到正确且可信的版本？”这个问题更为重大，涉及更深层的结构性因素，而且整个行业至今远未解决。这正是摆在我们面前的真正机遇。

企业正在积累海量文档、数据、AI 生成的摘要和机构知识。在您看来，从能够获取这些信息到以员工能够理解并据此采取行动的方式传达信息，这一过程中最大的断层出在哪里？

问题不在于获取信息……大多数企业掌握的信息已经多到任何一个人都无法全部处理。真正的问题在于转化和信任。知识往往存在于内容密集、静态的格式中，例如 PDF、演示文稿、维基页面和政策文件；这些形式是为存储和检索而设计的，并不便于人们快速理解。要把这些内容转化为人们真正能够吸收并据此采取行动的信息，需要一个转化环节，而大多数组织并未有计划地投入资源来做好这件事。

我曾在与一家《财富》100 强科技公司的客户——企业营销技术副总裁——交谈时，清楚地看到这一点。他的问题并非信息不足，而是一个规模庞大的组织中，不同部门各自以孤立且不一致的方式解决相同的沟通问题，导致公司内部某处已有的知识，始终无法可靠地传达到真正需要它的人手中，也无法以他们能够使用的形式呈现。正如他所说，在这么大的公司里，左手和右手根本不沟通。

这才是真正的差距：企业数据充足，洞见却不足。解决办法不是增加更多内容或存储空间，而是建立一套方法，并且日益需要借助一套系统，将机构原始知识转化为清晰、可视化且可信的信息，再将其送入实际进行决策的工作流程。

随着 AI 代理能够自主将企业知识转化为培训、销售赋能、合规内容或内部沟通材料，哪些环节应继续由人类掌控？企业又可以在哪些方面安全地允许代理独立运作？

我的基本原则是，代理负责执行工作，人类负责作出判断，尤其是在出错会造成实际后果的情况下。对于风险较低、工作量大且重复性强的任务，例如撰写初稿、将知识整理成新格式、将现有的已批准内容改编成另一种语言或适用于其他地区，或者在源文件更新后刷新培训模块，代理不仅可以，而且应该拥有很大的自主权。这类工作如今恰恰耗费了大量时间，却几乎没有多少战略价值。

凡是涉及法律、监管、安全或品牌风险的内容，都必须继续由人类严格把控。在这些情况下，任何内容正式发布前都需要由人类进行最终审核，而且必须能够完整追溯其底层来源材料。

我们的一家国防领域客户就直接经历了这种情况。鉴于其工作内容高度敏感，客户的安全团队起初完全不批准在工作流程中使用 AI。解决办法不是赋予代理更多自主权，而是建立适当的防护措施：签订定制协议，保证客户数据绝不会用于训练外部模型；同时设置明确的审核节点，由客户自己的团队保留批准权。这就是我认为可以推广的模式：任务越容易撤销、风险越低，代理就可以拥有越大的自主权；需要人类控制的程度，则取决于所面临的信任、合规或品牌风险有多大。

当内容可以自动生成数以千计时，品牌治理会变得复杂得多。企业需要哪些技术和组织层面的防护措施，才能确保 AI 生成的沟通内容准确、一致，并符合公司政策？

从技术层面看，最重要的防护措施是确保 AI 生成的内容以公司自身批准的来源材料和品牌体系为依据，而不是任由它自由生成。平台本身必须强制执行风格指南、品牌资产和定制化防护规则，不能把这些要求留给每位用户自行记住。这意味着，获批的徽标、颜色、模板和参考视频素材都必须存放在平台内，让每一份生成内容都取自同一来源，而不是取决于某人那一周恰好放在桌面上的版本。版本控制和审计追踪同样重要：如果内容经过生成、编辑或批准，企业就必须能够追溯是谁提出请求、内容依据了什么来源，以及由谁签字批准。这还意味着，除了实际操作工具的人之外，也要让审核者和相关利益方能够在同一工作流程中发表评论并签字批准，避免审批转移到独立的电子邮件对话中，从而破坏原本要建立的审计追踪。

从组织层面看，关键的防护措施是明确权责。与我们合作且治理工作做得好的企业，已经不再让每个团队各自采用工具和流程，而是把沟通平台视为权威记录系统来管理……有意地授予访问权限，在总体层面监控使用情况，并设立一个小型治理职能，负责制定所有团队共同遵循的标准。我们看到，一些大型组织会明确评估某个平台能否成为公司范围内的标准系统，原因就在于此：只有这样，才能实现大规模的一致性，而不是产生数以千计各自“还算不错”、彼此却并不一致的内容。

根本原则与品牌治理一贯遵循的原则相同，只是如今运作的规模和速度都大幅提高了。这意味着，防护措施必须内置于系统之中，而不是事后才加以落实。

聊天机器人出现幻觉固然令人担忧，但如果错误信息被制作成看似权威的培训视频或合规视频，后果可能严重得多。随着 AI 生成的沟通内容越来越自动化，企业应如何看待依据可靠信息生成内容、核验和溯源？

你说得对，利害关系确实不同。聊天窗口里出现幻觉式回答，人们会当场提出质疑。而嵌入制作精良、专业出品的合规视频中的幻觉信息，则会带有一种权威感，让人们更不容易质疑；这恰恰与我们最应该保持高度审查的方向背道而驰。

首要原则必须是以可靠信息为依据：AI 生成的沟通内容应受到限制，只能基于企业实际提供的源材料……企业自己的文件、政策和经批准的数据，而不是模型的一般知识。

第二是溯源：每一项生成内容都应能够追溯到其所依据的具体来源。这样一来，如果内容有误，就能准确查明其出处，并从源头修正，而不只是修补输出结果。

第三是核验：在工作流程中内置检查节点，而不是事后再强行补上。人工审核者应能看到中间步骤，而不只是最终制作精良的视频，因为正是这种精良感让错误更难被发现。实际操作中，这意味着在决定制作最终成本更高的渲染版本之前，先逐个场景审核完整大纲或剪辑初稿，以便趁着纠正错误事实或不符合品牌规范的说法仍然成本低、易于处理时及时发现问题。企业在这一领域保持谨慎是有道理的；这也是为什么能够赢得企业信任的平台，不会是速度最快的平台，而会是那些将可靠依据、可追溯性和审核机制作为系统运行的结构性组成部分，而非可选设置的平台

第四个层面是持续评估，而不只是最终审核。在智能体系统中，仅仅检查成片是不够的。我们希望了解智能体是如何得出结果的。我们会持续监控智能体的输出及其一路作出的决策，核查这些内容是否始终与客户的源文件、知识库和原始意图保持一致。这样，我们就能在视频仍在生成时发现偏离或质量下降，而不是等视频完成后才发现问题。

AI 系统正越来越多地直接接入企业知识库和业务工作流。你认为，下一代沟通平台会成为企业数据、AI 智能体与员工之间的接口，而不再只是内容创作工具吗？

是的，我认为这种转变已经开始。内容创作是 AI 最先着手解决、也最显而易见的问题，因为它是最突出的瓶颈。但一旦创作不再构成制约，更有价值的定位就是置身于企业知识与需要运用这些知识的人之间……这些知识存在于企业的 CRM、LMS、政策系统和内部维基中，需要转化为人们能够真正使用的内容。

这与创作工具扮演的角色有实质区别。创作工具会等着有人提出需求。接口层则嵌入知识已经流动的工作流程，了解发生了哪些变化，并帮助将恰当的沟通内容传达给合适的人，而不需要每次都由某个人主动发起。

我们已经看到一些早期迹象，表明企业确实想要这样的解决方案。大型客户越来越不只是要求我们为某个团队提供视频工具，而是在询问我们能否成为整个组织的标准系统。将机构知识转化为沟通内容，可以让核心创意团队之外的员工参与其中，包括法务、合规、区域团队和一线经理，而且不需要他们获得完整许可证或经历陡峭的学习过程。

MCP 和 A2A 等新兴开放协议也在加速这一转变。MCP 为 AI 智能体提供了一种标准化方式，使其能够从企业自己的工具和记录系统中提取可信背景信息；A2A 则让来自不同平台的专业智能体能够协同工作。具体而言，这意味着像我们这样的平台无需掌控每一项工作流程或每一份企业数据，也能发挥作用。它可以接入公司已经信任的系统，在合适的情况下与其他智能体协作，并专注于发挥自身所长：将这些背景信息转化为人们能够真正理解并据以行动的沟通内容。这标志着从内容创作走向沟通基础设施，而我预计整个行业都会朝这个方向发展。

Vyond 已为学习与发展、人力资源、销售赋能、合规和内部沟通领域的组织提供服务。你认为，这些领域中哪一个将受到智能体式 AI 最显著的变革？随着智能体能力不断增强，这些领域的工作流程可能会是什么样？

我认为，合规以及学习与发展是最有可能发生改变的两个领域，正是因为它们如今最容易受到内容陈旧问题的影响。合规培训通常只制作一次，之后按缓慢的年度或半年度周期更新，尽管政策、法规和风险始终在变化。一旦智能体能够可靠地监控原始政策文件并理解其中的变化，合规内容就能从定期开展的制作项目转变为持续保持最新的内容；这不仅能提升效率，还能切实降低企业风险。越来越多的情况下，这也意味着内容本身需要附有清晰、可审计的记录，说明其中使用了 AI 辅助，因为监管机构和企业买家都开始期待这类披露成为标准做法，而不是事后补充。

学习与发展（L&D）也面临类似情况，但这里的机会在于个性化，而不只是保持内容最新：智能体可以帮助根据不同岗位和个人的需求，调整学习节奏、示例，甚至内容形式，而内容仍以同一套经批准的材料和教学设计标准为依据。对于全球化组织而言，这也越来越包括语言和语音，让同一套培训以真正贴近当地的形式触达巴西的工厂一线或日本的销售团队，而不只是配上字幕。

销售赋能和内部沟通也会发生变化，但我认为这种变化更多体现在速度和相关性上，而非结构性转型……也就是更快地将合适的信息，以符合实际接收习惯的形式，传达给合适的销售代表或团队。这些领域有一个共同点：智能体 AI 不只是让各项工作提速，还能让它们持续保持最新，而这在如今依靠人工制作的周期中根本不现实。

展望更远的未来，如果企业能够持续将内部知识转化为面向每位员工的个性化、及时沟通内容，这会如何改变组织培训员工、分享专业知识并最终开展运营的方式？

如果这成为现实——我相信它会——改变的将是公司的运营节奏，而不仅仅是培训职能。如今，大多数组织都以批次方式进行沟通：每年一次的合规培训周期、每季度一次的全员会议，以及制作一次后沿用多年的入职资料包。这种做法源于沟通内容过去制作成本高、耗时长，而不是因为业务实际变化得不够快。

在一个知识能够持续转化为面向每位员工的个性化、最新沟通内容的世界里，培训将不再是一次性活动，而会成为持续、灵活调整的信息流……员工会在信息与自身相关的那一刻收到更新，内容的形式和深度也恰好适合其岗位，而不是几个月后才通过批次安排收到。专业知识也不再局限于恰好掌握它的个人，而会成为组织能够系统化传递并持续更新的资源。

我反复想到的结果是时间。组织如今花在寻找正确信息、重复制作已有内容，或纠正已经过时或前后不一致的信息上的每一分钟，都意味着没能把时间用于执行。如果企业能够持续、大规模地真正弥合知识与理解之间的差距，那么率先做到这一点的组织不仅沟通得更好，也会比仍以批次方式运作的组织行动得更快。

感谢这次精彩的访谈。读者如想了解更多，请访问 Vyond。