我们不能只升级模型，不升级人

AI 行业现在有一个多少有些尴尬的现实。

一边是模型能力快速增长，Token 的生产越来越便宜，供应越来越充足。另一边是这些 Token 到底该用在哪里，怎样稳定地产生真实价值，答案仍然不够多。能调用模型是一回事，能把调用转化为更高的收入、更低的成本或者更好的产品，是另一回事。

这也是为什么几乎所有厂商都在卷 AI Coding。

软件开发可以大规模消耗 Token，生成结果又相对容易验证。代码能不能编译，测试能不能通过，功能能不能运行，总有一些看得见的标准。程序员的人力成本也比较高，只要 AI 能提高一部分开发效率，商业上的账就有机会算得过来。

于是，编程成了 AI 最早大规模进入的行业之一，也成了人最早感受到寒意的地方之一。

当执行变得便宜

过去，写程序是一件昂贵的事。

培养一个熟悉技术、产品和业务的程序员需要时间。让他理解一套复杂系统，知道哪些地方能改，哪些地方不能碰，同样需要时间。因为执行很贵，替换一个人的代价也很高，公司自然会更在意人的感受。

管理者会想办法留住人。给更高的工资，发更多的奖金，提供更好的发展机会，也愿意花时间维护彼此之间的信任。一个优秀的程序员会被当作人才，因为公司清楚地知道，他一旦离开，留下来的工作并不是随便找个人坐到那个位置上就能接住。

AI 改变了这种力量关系。

当一段代码可以在几秒钟内生成，当一个 Agent 可以连续工作几个小时，当越来越多的管理者相信，一个熟练使用 AI 的程序员可以顶过去几个人时，执行在人们心里的价格迅速下降了。跟着一起下降的，还有一些公司对普通程序员的耐心。

现在，很多人听到的要求已经非常直接：希望你用 AI 做出更多东西，希望你一个人承担过去几个人的工作。如果做不到，公司就换一个愿意做、能够做的人。

并不是所有公司都这样。但一种令人不安的倾向已经出现：公司愿意为模型升级付费，却不愿意为人的升级等待。它们购买最新的模型，增加更多的算力，开放更多的 Token 配额，然后把效率增长的目标直接压到员工身上。

工具已经发给你了。你应该立即变快。

如果没有，就换人。

AI 时代的冷热两重天

这种变化让人觉得，AI 正在让人变得不再重要。

但事情并没有这么简单。

据第一财经获得的一份投资人交流会实录，DeepSeek 创始人梁文锋在谈到公司最重要的利益时，答案不是模型，不是算力，不是融资，也不是市场份额，而是团队稳定。

他说，DeepSeek “核心、唯一、无法退让的利益”就是保持团队稳定。只要最核心的人一直都在，公司就能继续往前走。钱和资源都可以想办法，真正无法轻易补回来的，是人。

DeepSeek 原本并不愿意接受外部融资。为了稳定团队，梁文锋最终改变了这个决定。其中一个重要目的，就是通过融资为员工期权提供明确的价格，让长期投入其中的人看到自己的回报。

据相关报道，DeepSeek 在筛选投资方时还提出了严格的人才保护要求，投资方不能挖走公司的核心研发人员，也不能推动团队成员离开公司独立创业。这个细节目前主要来自二手公开报道，DeepSeek 没有正式确认，但它和梁文锋反复强调的团队稳定逻辑是一致的。

这就形成了一个很有意思的对照。

同样是在 AI 时代，一些公司对普通程序员说，跟不上就换人，有的是人愿意做。另一家公司却为了留住人，改变融资策略，为期权寻找价格，甚至提前防范投资方可能带来的人才竞争。

一边觉得人随时可以替换，另一边觉得人是唯一无法退让的利益。

同一个 AI，照出了两种完全不同的人才观。

“懂 AI”和“不懂 AI”不是两种人

有人可能会说，这两件事并不矛盾。

DeepSeek 努力保留的是站在 AI 前沿的核心研究人员。其他公司正在淘汰的，是没有跟上变化、不会使用 AI 的普通员工。前者当然值得争夺，后者自然要为自己的落后负责。

这话听起来很有道理，却暗中完成了一次过于草率的分类：有些人是 AI 人才，有些人不是；有些人属于未来，有些人已经留在过去。

可“懂 AI”和“不懂 AI”从来不是两种人，只是同一个人处在不同的阶段。

几千年来，人的物理结构并没有发生足以解释文明巨变的变化。今天的人没有比古人多长出一个大脑，也没有多出一双手。可同样结构的人，曾经只能依靠经验观察天气和耕种土地，后来能够建造城市、制造芯片、登上月球，现在又训练出了可以生成语言、图像和代码的大模型。

变的不是人的硬件，变的是人掌握的知识、使用的工具、接受的训练，以及人们组织在一起的方式。

人类本身就是一个不断升级的系统。

我们今天却很容易把一个人的当前状态，当成他的最终版本。一个人还不会熟练地使用 Agent，就被判断为不适合 AI 时代；一个人的工作流程还没有完成转型，就被归入即将淘汰的一类。

“不懂 AI”描述的是一个人此刻在哪里，不是这个人最终能够走到哪里。

模型的能力不够，我们想到的是继续训练。人的能力暂时没有跟上，我们想到的却常常是替换。

这是一种奇怪的双重标准。

外来的和尚未必会念经

管理层在推动转型时，常常会有一种很自然的冲动：内部的人动作太慢，那就从外面请人。

最好请来一两个所谓的大牛，给足够高的职位和权力，让他们带着整个团队完成升级。这条路看起来比培养内部员工更快，也更容易向上汇报。请来了什么人，成立了什么部门，调整了什么架构，这些都是看得见的动作。

但看得见的动作，不一定带来真正的变化。

AI 仍然是一个高速发展、鱼龙混杂的领域。许多概念刚刚出现，还没有经过足够长时间的实践检验。一个人会讲 Agent、模型和组织转型，不代表他真的在复杂业务里做成过。演讲、包装和几个漂亮的 Demo，远比建立一套长期可用的生产体系容易。

更危险的是，公司原来的管理层往往也不真正了解 AI，因此很难判断请来的“大牛”究竟有没有真本事。

一旦这个人身处高位，又获得了“推动转型”的授权，他就必须做出一些变化来证明自己的价值。于是，组织架构被重新调整，原来的系统被推倒重来，团队开始追逐一批最新的概念。至于这些改动解决了什么问题，谁也说不太清楚。领导因为不懂，很难提出有效质疑；下面的人即使看见问题，也未必有足够的话语权。

最后，AI 没有真正落地，公司却被折腾得鸡飞狗跳。

问题不在于公司不能引进外部人才。外部经验当然有价值，真正做成过事情的人也值得重用。问题在于，管理者太容易把“外面来的人”误认为“更懂未来的人”，又把“内部的人”看成需要被改造的旧势力。

外来的和尚也许会念经，也许只是声音比较大。一个人的来历，不能替代对能力和结果的判断。

管理者要先躬身入局

面对 AI 转型，管理者最容易犯的错误，是自己没有真正用过，却急着给下面的人制定方法。

今天开会讲 Agent，明天要求所有人使用某个工具，后天开始统计 Token 消耗和代码产量。再请来几个外部专家，画一张宏大的转型路线图，仿佛组织只要照着执行，就能从旧世界走进新世界。

这些动作不一定完全没用。但如果管理者自己没有躬身入局，就很难分辨哪些是进展，哪些只是热闹。

你有没有真正把一项复杂任务交给 Agent？有没有经历过它信心十足地做错？有没有为了补充上下文反复修改指令？有没有发现任务拆得太细，人反而成了机器的搬运工？有没有尝试让几个 Agent 并行工作，最后却花了更多时间处理它们制造出来的冲突？

如果没有经历过这些，仅凭几场演示和几篇报告，很难对 AI 转型作出可靠判断。

管理者不需要成为最强的 AI 使用者，也不应该越过专业团队，直接指挥每一个 Prompt 怎么写。但他至少要亲自做过一些真实工作，理解能力和幻觉同时存在是什么感觉，理解一次成功的 Demo 距离稳定生产还有多远，也理解所谓“效率提高十倍”究竟省掉了什么，又把哪些成本转移到了别处。

不躬身入局的管理者，很容易在两种极端之间摇摆。一会儿把 AI 当成无所不能的神，一会儿因为几次失败又认定它不过是玩具。两种判断都来自同一个问题：没有足够的一手经验。

少讲一点假大空，先亲手做几个任务。用过，失败过，返工过，再去谈应该怎样改变组织。

允许一段时间的混乱

AI 转型不会像传统软件升级一样，选定一个版本，培训一遍，然后所有人切换到同一套标准流程。

它更像一场大规模的探索。

有人擅长用 AI 写代码，有人善于让它分析资料，有人把它接进自己的命令行，有人只在一个很窄的环节里使用。即使是同一个岗位，不同人的工作习惯、知识结构和判断方式也不一样，最后形成的方案很可能完全不同。

这就是 AI 转型的异构性。

过去的数字化转型经常追求统一：统一平台、统一流程、统一入口、统一指标。但 AI 直接作用于人的思考和工作方式，很难一开始就统一。对一个人有效的 Prompt，对另一个人可能毫无帮助；一个团队适合多 Agent 并行，另一个团队可能只需要一个稳定的自动化脚本；有人靠自然语言组织工作，有人必须把流程写成代码，才能获得足够的确定性。

现在还没有一条普世大道。

管理者如果过早指定唯一工具、唯一流程和唯一衡量标准，表面上减少了混乱，实际上也可能把刚刚冒出来的探索一起压死。真正有效的方法还没有长出来，标准化已经先到了。

所以，转型初期需要允许一定程度的混乱。

有人会刷掉很多 Token，却没有立刻产生与成本相称的结果；有人会做出看起来很幼稚的工具；有人会反复尝试同一个问题；也有人会走一段弯路，最后才发现 Agent 根本不适合那个场景。

只要成本处在可以承受的范围内，这些都不一定是浪费。它们是组织学习 AI 所必须支付的学费。

当然，允许刷 Token，不是把 Token 消耗量当作业绩。烧掉多少 Token 既不能证明一个人先进，也不能证明转型成功。这里需要容忍的是探索成本，而不是制造新的形式主义指标。

早期真正应该观察的是：这个人学到了什么？原来的工作方式发生了什么变化？哪些任务适合交给机器，哪些不适合？失败能不能被其他人复用，从而少踩一次相同的坑？

转型的第一阶段，不必急着整齐。先让不同的方法活下来，让实践繁荣起来，再从真实结果中寻找可以推广的部分。

不是先修一条所有人必须走的大路，而是先允许大家把路走出来。

不要急着“蒸馏人”

AI 时代还有一种看起来很聪明、实际上很危险的管理思路：把员工的知识提取出来，交给模型和 Agent，然后认为这个人就不再重要了。

让资深员工整理文档，录下工作流程，把经验变成知识库，再用这些材料训练 AI。从技术上看，这叫知识沉淀；从一些管理者的角度看，它可能悄悄变成了“蒸馏人”。

知识留下，人可以走了。

这种想法低估了知识的性质。

真正有价值的经验，很少是一套写完就不会再变的标准答案。它包含大量对环境的感知：什么时候应该遵守流程，什么时候必须例外；一个客户嘴上说的要求和真正关心的事情有什么差别；一段代码为什么看起来可以修改，实际上牵动着过去几年积累下来的隐性约束。

这些东西很难一次性抽取干净。即使能够写进知识库，也会随着产品、客户和组织的变化迅速过期。

人并不只是知识的容器。人还在持续观察、修正和创造知识。

把一个人的经验蒸馏进系统，然后把这个人移走，就像为了保存一棵树过去结出的果实，而砍掉这棵还在生长的树。你也许保住了一批静态答案，却失去了未来继续产生答案的能力。

更合理的方式，是让 AI 放大人的经验，而不是在抽取经验之后替换人。让熟悉业务的人参与设计 Agent，观察它在哪里做错，更新它的上下文和边界，再把新的经验带回系统。

AI 与人之间应该是一个持续循环，不是一次知识交割。

让内部实践被看见

很多公司内部已经有人在认真使用 AI，只是他们的实践没有被管理层看见。

有些人自己搭了工具，有些人重写了日常流程，有些人已经在小范围内让 Agent 承担真实工作。他们未必把这些事情包装成转型项目，也没有精力做漂亮的汇报。方法可能粗糙，代码可能不好看，甚至连他们自己都不确定这套方案能不能推广。

管理层真正该做的，不是先派人把这些实践收编成统一平台，而是鼓励它们被分享出来。

让使用者讲清楚：他原来在做什么，为什么觉得 AI 可以帮忙，具体怎么做，哪些地方成功了，哪些地方失败了，花了多少 Token 和时间，最后省下了什么，或者学到了什么。

分享不应该只是成功案例展览。只讲“效率提升百分之多少”，很快就会变成新的表演。失败的方案、无效的 Prompt、不适合 Agent 的任务，同样有价值。它们可以帮助组织建立真实的边界感。

更重要的是，不要急着把实践者手里的东西拿走。

一个内部工具刚刚显示出价值，组织常见的反应是立刻成立项目、指定统一负责人、要求服务所有团队。原来的实践者反而失去主导权，工具也背上了尚未准备好的平台责任。

这会迅速杀死探索。

早期的内部 AI 实践需要的是社区，不是中央集权。让愿意尝试的人互相看见，交流工作流，复制有用的部分，也允许他们保留自己的差异。等某些方法在多个场景中自然重复出现，再考虑平台化和标准化。

先让花长出来，再考虑怎样整理花园。不要看到第一朵花，就急着把它摘下来做成标本。

先用内部工具打小怪

AI 转型还有一个常见误区：一开始就瞄准公司的核心业务。

管理层希望证明决心，于是直接选择最大、最重要、最复杂的系统，试图用 AI 对它进行彻底改造。仿佛只有打败主业务这个“大 Boss”，才算真正完成转型。

这通常不是一个好起点。

核心业务之所以重要，往往也意味着它牵涉最多的客户、责任、历史包袱和系统依赖。在组织还不知道怎样管理 Agent、怎样验证结果、怎样处理失败的时候，直接进入核心业务，任何一次错误都会被放大。

更麻烦的是，核心业务容错空间太小。团队为了确保安全，只能给 AI 加上层层限制。最后不是 Agent 无法发挥，就是人花费大量时间监督，得出“AI 效率也不过如此”的结论。

游戏刚开始，就去挑战最终 Boss，大概率不是勇敢，而是没有练级。

更好的路径，是先从内部工具和边缘流程开始。

整理资料、生成测试、分析日志、迁移代码、处理重复工单、建立内部知识索引、辅助代码审查。这些工作足够真实，可以产生价值，又不会因为一次失败直接伤害客户和核心收入。

团队可以在这些“小怪”身上学习怎样拆任务，怎样提供上下文，怎样建立验证，怎样让 Agent 失败后恢复，也可以逐渐看清人的角色应该放在哪里。

经验不是培训出来的，是一场一场打出来的。

等组织积累了足够的经验，内部工具跑稳了，责任边界清楚了，再让 AI 一步步靠近核心业务。那时进入主战场的，不是一个带着漂亮 Demo 的空降专家，而是一群已经共同打过很多场仗、知道机器能做什么，也知道机器会怎样犯错的人。

建立三层循环

AI 转型最终能不能产生真实价值，取决于三个反馈循环能不能同时转起来。

第一层，是 Agent 自己的执行循环。

Agent 接到目标，拆解任务，调用工具，生成结果，再通过测试、数据和环境反馈检查自己。做错了就修正，遇到阻塞就调整路径。这个循环越完整，人越不需要盯着每一步操作。

如果 Agent 只能生成，不能验证，它就只是一个速度很快的实习生。真正有用的自动化，必须包含执行、检查、纠错和再次执行。

这一层解决的是：事情怎样被做出来。

第二层，是 Agent 管理者的人际沟通循环。

Agent 管理者未必是传统意义上的经理，也可能是负责一组 Agent 的工程师或业务人员。他的工作不只是写 Prompt，而是在人和机器之间组织上下文，在人与人之间协调目标。

他要把业务意图转化为 Agent 可以执行的任务，把机器产出的风险和限制讲给其他人，也要收集同事的反馈，调整工作流。很多问题不是 Agent 自己能解决的，因为它们涉及优先级、责任、信任和跨团队协作。

这一层不能被自动化吞掉。AI 产出越多，人与人之间越需要对目标和责任形成清楚的共识。

这一层解决的是：大家为什么做这件事，以及怎样一起把它做好。

第三层，是高级管理者面对产品、客户和盈利的循环。

高级管理者不应该下场规定每个 Agent 用哪个模型，也不必统一每个人的 Prompt。他们真正需要盯住的是外部结果：产品有没有变好，客户是否愿意使用，收入有没有增长，成本是否真正下降，组织承担了哪些新风险。

客户反馈回来，产品方向随之调整；产品进入市场，盈利和成本给出新的信号；这些信号再向下改变任务和资源配置。只有这一层循环成立，前面消耗的 Token、生成的代码和节省的工时，才可能转化为商业价值。

这一层解决的是：我们做出的东西，究竟有没有人需要。

这三层各司其职：Agent 对执行结果负责；Agent 管理者对上下文、人际协作和交付质量负责；高级管理者对产品方向、客户反馈和商业闭环负责。

最糟糕的情况，是三层互相越位。

高级管理者热衷于指导 Prompt，却不愿面对客户；中层管理者只统计 Token 和代码量，却不再组织人与人之间的协作；一线使用者被迫为每个 Agent 的微小动作负责，又没有权限改变目标和流程。

最后所有人都很忙，模型也调用了很多次，却没有形成一个完整的循环。

AI 不会自动消除管理。它只会淘汰那些无法为系统提供反馈的管理动作。

AI 转型，首先是一场人的转型

AI 转型表面上是模型、算力和工具的升级，最后考验的却是组织怎样理解人。

管理者是否愿意放下答案，先亲自进入现场；是否允许不同的人长出不同的方法；是否能容忍探索阶段不够整齐，甚至浪费一些 Token；是否愿意让内部实践者获得位置，而不是先把他们的经验蒸馏出来，再把人丢掉。

这些选择决定的，不只是 AI 项目的成败，也决定一家企业最后会变成什么样的组织。

它可以把 AI 变成一套自上而下的压力系统。上面设定一个模糊的效率目标，中间统计 Token、代码和人效，下面的人一边摸索，一边担心自己的每次分享都在为替代自己准备材料。

这样的组织也许能在短期内跑出一些数字，但它很难产生真正的繁荣。没有人愿意公开失败，没有人愿意分享最有价值的方法，也没有人愿意把自己的经验完整交出来。因为每个人都知道，自己教会系统的那一天，也可能是自己失去位置的那一天。

另一条路，是让 AI 成为组织重新发现人的机会。

让每个人都可以尝试，让不同的方法竞争，让成功和失败都能被分享。让 Agent 在执行循环中越来越可靠，让 Agent 管理者把机器能力接入真实的人际协作，让高级管理者回到产品、客户和盈利，判断这一切究竟创造了什么价值。

在这样的组织里，人不会因为分享经验而被蒸馏掉，反而会因为帮助更多人掌握 AI 而获得更大的责任和位置。技术进步不再意味着谁必须离场，而意味着谁能够带着更多人一起前进。

一位伟人说过：“人民，只有人民，才是创造世界历史的动力。”

AI 不会改变这个道理。

模型能够生成越来越多的 Token，Agent 能够执行越来越复杂的任务，但繁荣不是一个模型独自生成的。繁荣来自无数人带着不同的经验和方法进入现场，允许他们试，允许他们错，也允许他们把走出来的路告诉别人。

真正的 AI 革命，不该是一小群人驾驭机器，把更多人赶出生产过程。它应该让过去只能服从流程的人开始设计流程，让过去只能使用工具的人开始创造工具，让一个个原本普通的人获得更大的行动能力。

机器的进化可以靠扩大参数和算力，人类社会的进步却从来不靠“蒸馏”掉大多数人。

它靠的是让更多人进入循环，让更多经验能够流动，让更多微小的探索长成新的生产力。

所以，我们不能只升级模型，不升级人。

因为模型每升级一次，只是世界多了一种能力。

而当一个人完成升级，这种能力才真正进入现实；当一群人都能借助 AI 学习、创造、协作，并把经验传递给更多人时，我们得到的才不只是一个更强的模型，而是一个更有力量的社会。