使用 AI 与围绕它构建：界限在哪里？

我们使用 AI 这个词来描述各种不同的事物，从在浏览器中与 ChatGPT 对话到运营整个企业——如果没有语言模型，这些业务的运作将根本无法继续。使用 AI 自动化与 AI 成为企业核心之间的界限在哪里？在何时会出现根本性的转变？最重要的是，公司是否真的应该把 AI 放在舞台中心？

企业何时算作 AI 原生？

即使管理层从未宣布 AI 转型，如今员工仍在使用 Gemini 搜索信息、使用 ChatGPT 撰写邮件、使用 Grok 编写报告、使用 Claude 编写代码，等等。对大型语言模型工具的访问已经如此普及，以至于仅仅使用它们已无法说明公司本身的情况。

对我而言，有一个更简单的测试：如果关闭 AI，会发生什么？

以一家会计软件公司为例。其开发者可能使用 AI 编写功能或维护产品。若明天关闭这些工具，工程师的工作速度可能会变慢。但软件仍然存在，会计师仍会使用，客户仍会付费。AI 改善了公司的运营方式，但业务本身并不依赖于它。

现在想象一家银行呼叫中心，过去可能雇佣了一万名员工。该环境中的第一代 AI 几乎像坐在坐席旁的提示员：它倾听对话，理解问题，并建议答案。在许多情况下，这个提示员现在已经成为坐席本身。客户说他们被错误收费；系统检查记录，审阅相关数据，识别问题，有时在不涉及人工的情况下就能解决。只有在需要升级的情况下才会有人介入。

这与技术的关系截然不同。没有 AI 会计公司效率下降。呼叫中心可能需要重建其运营模式的大部分。这样的差异更接近我所说的 AI 原生，而不是公司拥有多少 AI 订阅或其主页上是否出现“AI”。

这种情况最明显的地方在哪里？

有些公司围绕帮助他人完成这一转型而构建了业务。Cohere是一个很好的例子：这家加拿大公司通过帮助企业从传统软件和工作流转向 AI，发展成为一家大型企业。然而在其他行业，AI 已经深度嵌入产品，几乎不可能将两者分离。

自动驾驶可能是最直观的例子。如果一辆汽车需要自行观察道路、识别物体、了解周围情况并自主决策，那么在不移除 AI 的情况下就无法去除该产品的核心概念。

医学和制药以不同的方式阐明了同样的观点，尤其是在药物发现领域。DeepMind 在蛋白质结构方面的工作就是最好的例子之一。

蛋白质数据银行（Protein Data Bank）创建于 1971 年，经过全球科学家数十年的努力，建立了大量实验确定的结构集合。数据库在 1993 年突破 1,000 种结构，约 2000 年左右突破 10,000 种，2014 年突破 100,000 种。到 2023 年 1 月，它已超过200,000种实验确定的生物分子结构。换句话说，经过大约六十年的结构生物学研究，研究人员累计了约二十万条实验确定的结构。

随后出现了 AlphaFold，DeepMind 用于根据氨基酸序列预测蛋白质三维结构的系统。2022 年，AlphaFold 提供了超过2亿个预测的蛋白质结构，几乎涵盖了当时科学界已记录的所有蛋白质。这并不意味着 AI “发现了所有存在的蛋白质”。这些结构是基于已知氨基酸序列的预测。但规模上的差异仍然巨大。

这一转变的重要性在 2024 年更加清晰，当时 Google DeepMind 的 Demis Hassabis 和 John Jumper 因“蛋白质结构预测”获得了化学诺贝尔奖的一半，另一半授予了因计算蛋白质设计而获奖的 David Baker。几年前看似令人印象深刻的 AI 突破，很快就被认定为现代生物学的根本性进展。

DeepMind 是全球引人注目的案例，但以 AI 为先的医疗初创公司已不再罕见。在我于 Keymakr 工作期间，我们的团队参与了项目，范围涵盖牙科、超声成像到介入心脏病学，在这些项目中，模型被训练用于在手术过程中检测心脏瓣膜、主动脉及其他结构。我们还参与了神经外科项目，模型学会区分脑组织、血管、手术器械以及手术区域。在所有这些案例中，AI 并非产品的额外功能，而是产品本身。

从蛋白质结构到冷邮件

同样的事情也正在更普通的业务领域发生。销售和营销可能是变化最快的例子：过去需要数小时的工作现在可以在几乎不增加额外努力的情况下重复数百甚至数千次。

CRM、活动、潜在客户开发和线索研究都是围绕语言模型构建的。我们已经远远超越了让ChatGPT写冷邮件的阶段。系统可以浏览某人的LinkedIn资料，了解他们的工作、关注点以及发布的内容，然后利用这些信息撰写出非常个人化的内容。

我曾收到一条类似这样的信息：“Michael，飞行在4000英尺高空并透过玻璃向外看一定很惊人……”它提到了我在社交媒体上分享的航空故事。我的第一反应是有人真的仔细阅读了我的LinkedIn资料。当然，并没有人这么做。系统找到了信息并自动生成了这次联系。

这正是个性化经济性开始改变的地方。曾经需要人花很长时间的研究，如今可以借助扫描公开信息并识别相关细节的工具来辅助。随后由人来决定哪些信息真正有用、合适且值得纳入。

我在Keymakr也看到了同样的转变，尽管对我们而言，目标从未是自动化人类判断或人际关系。我一直鼓励大家审视日常工作中重复的部分，思考智能体可以在哪里节省时间、提升一致性，或帮助他们在更大规模上工作。

在Scryon，我们已经把这种逻辑内置于公司。大量的营销工作由多个智能体在文章、博客、LinkedIn和网站上处理。

有趣的是，他们最大的优势往往不是写作。比如你在网站上新增二十个页面。写新文章的人可能会添加几条内部链接。几乎没有人会回头检查八十篇或八百篇旧内容，去确认这些新页面应该链接到哪里。智能体可以做到。在这种工作中，智能体不需要比人更聪明。它只是不感到厌倦，而且对它而言，八十页和八百页的差别远不如我们在意。

但这正是自动化对我而言的极限。好的公关不能简单交给智能体然后置之不理。对观点文章也是如此，定位、受众理解以及决定该说什么的能力至关重要。

所以即使你构建了相当复杂的智能体系统，仍然需要有人来运行它。必须有人评估输出，判断哪些重要，并设定方向。

你能自动化创始人吗？

在早期创业公司，创始人往往同时兼具技术、运营和执行职能。因此自然会产生这样的想法：如果智能体可以为团队分担大量工作，为什么不让它们也承担部分创始人的职责呢？

我有一个连接到 Scryon Business 的独立智能体，对公司了解颇深。我可以问它类似‘我们下个月想要获得 5,000 名用户，这 realistic 吗，还是只是我随意想出的一个好听的数字？’

它可以抓取数据，观察市场，检查竞争对手和相关系统，然后回复说 5,000 可能太多，甚至 2,000 在这个阶段也算激进。这帮助我检验自己的想法。但智能体仍然是在提供建议。

决定权仍在我手中。经过所有数据和计算后，我有时仍需要走出办公室，去公园散步，决定公司未来的方向。

对我而言，真正的卸载开始于我能把某件事交给他人负责，比如说‘这件事交给你’，一个月后再回来看到它在没有我介入的情况下仍然正常运作。我在创始人角色上还没有看到这种情况。

同样的道理也适用于 C 级职位。他们的工作是设定方向：比如六个月后我们要进入汽车市场，或者让行业内的人认识我们的品牌。副总裁、部门主管和团队负责人随后将其转化为具体目标和工作。

AI 工具箱：个人与公司成本

我并不真的相信有唯一的‘最佳’模型。我更在乎哪一个模型最适合特定任务，以及在规模使用时的成本。我经常使用 Codex 编码，并根据当时需求在其中切换模型。有时我会尝试 Claude 来做设计，有时会切换到 ChatGPT 处理更多语言相关的任务，但这些选择会随月份甚至任务进行中而变化。

最终，大家会随着时间自行构建自己的技术栈，判断哪个模型对特定目标最优。如果你是亲自大量编码的技术创始人，我预计你每月在自己的栈上花费约 1,000 美元。但我也认识一些人每月花费 10,000–15,000 美元，因为他们的自动化程度更高。

一旦 AI 成为核心业务的一部分，数字会再次变化。以 Scryon 为例，我对这样一种想法感到放心：30%至40%的收入可能直接用于产品运行的基础设施和服务，甚至还未算上构建它的人员。

先确定业务目标，再选择技术

在自动化竞争和“AI 公司”标签的热潮中，我认为“我们应该实施哪种 AI？”这个问题本身就很危险。它是从错误的起点出发的。

我们最近为自己设定了一个相当常见的业务目标——降低成本。为此，我们创建了一个代理，赋予它对公司支出信息的访问权限，包括 Amazon、Google 以及其他服务，并让它定期查找异常，如果发现异常则发出警示。

仅在第一周，我们就将成本降低了约 30%，因为系统迅速显示出资金被花在我们几乎已忘记的项目上。该代理本身每月成本低至 50 美元，但节省的费用可达数万美元。

在 Keymakr，AI 主要是强化了人员和各个流程。而在 Scryon，AI 已经嵌入公司的架构中。对于自动驾驶来说，没有它产品就不存在；在药物发现领域，它则改变了探索的范围。

对我而言，关注根本目标远比渴望成为 AI 原生公司更为健康。首先，需要明确业务目标：赚取更多收入、加速扩张、降低成本、推出新产品，或彻底改变现有流程。只有在此之后，才有意义去探讨哪种技术能够实现这些目标。