#职场生存开放麦[话题]# #howto用好AI[话题]# #人工智能[话题]# #AIChannel[话题]# #AI[话题]# #大模型[话题]# #AI[话题]#
## 口播字幕（官方 SRT）
嗨，我是a i,V一个产品经理用a i做出了新功能原型过去，这是一件值得庆祝的事 今天它也可能让公司突然卡住 原型用了哪些数据，能不能接近正式系统，谁来判断质量研发还要不要重新排期？ 如果方法很好，公司应该奖励这个人复制这套方法，还是先把它关进安全审查 一个可运行的demo像一块石头掉进公司 信息决策执行，人才激励和学习系统同时泛起波纹 每一条规则单独看都有理由合在一起，却接不住一个突然变强的人 许多公司以为自己遇到的是ai工具治理 问题更深处发生的是原来的公司操作系统开始失灵 Company os不是技术中台 也不只是知识库和agent平台，它是公司每天怎样运转的那套看不见的规则 信息怎样流动 谁拥有决定权 一个问题经过哪些人 什么样的人被招聘和晋升，什么行为得到奖励，一次成功怎样留在组织里？ 过去二十年，许多公司的系统建立在一个稳定前提上 人的专业能力有限，跨岗位协作成本很高，于是公司把复杂工作拆成岗位 把岗位接成流程，再用管理层传递信息，分配资源，检查结果 Ai松动了这个前提，产品经理开始写可运行的代码，设计师自己做视频和交互 运营搭业务工具，研究员调度多个agent，完成资料收集，分析写作和审查 人的能力没有变成无限 但它的边界正在快速移动 当能力从相对固定变成持续扩张，围绕固定岗位设计的系统就会不断报错 创始人要重写的不只是组织架构 而是一个真实问题，从进入公司到变成结果，沿途经过的每一个接口 第一个接口是信息传统信息系统解决的是人去哪里找资料 Ai进入工作流以后，真正的问题变成它能否理解项目为什么存在 过去做过哪些决定，哪些方案已经失败，用户真正抱怨什么，做到什么程度才算合格 一堆文档不会自动变成上下文 信息会过时，版本会冲突，关键判断会藏在人的脑子里，权限也可能过宽或过窄 Ai读得越快，这些问题被放大的速度也越快，所以信息系统要开始承担上下文工程 项目背景，历史决策，用户反馈，代码风险和验收标准 在工作发生时留下来 并且带着来源版本权限和有效期，文档依然给人读，也要让a i能持续调用 信息变多不会让决策自动发生 模型可以同时看到更多材料，却不会替公司承担选择的后果 方向，价值排序，风险边界和责任归属，仍然需要清楚的人，未来的决策系统 要把更多行动权送到现场，也要把责任矛得更清楚，每件事都等老板拍板 公司会堵在老板队列 所有人都能随意上线，速度又会变成风险授权边界，验收门和责任主体必须一起设计 第三个接口是执行过去一个产品需求，沿着产品设计前端后端测试和运营依次流转 任务切的足够细，每个人只处理自己擅长的一段，规模协作由此成立 但当一个人带着ai可以承接更大的任务，块切得太细会产生新的成本 每一次交接都要重新解释上下文 每个岗位都可能只优化自己的局部完整，问题在流水线里逐渐变形 Floor的少男做过一个很有代表性的改变 他要求产品经理在提需求以前先拿到代码库权限 在自己的分支上把想法跑通 再写p，R,D,有一次团队想做画版拖拽连线，用户真正想要的是看见笔
## 字幕/口播（火山ASR volcengine-bigmodel）
嗨，我是 AI 于依。一个产品经理用 AI 做出了新功能原型。过去这是一件值得庆祝的事，今天它也可能让公司突然卡住。连新用了哪些数据？能不能接近正式系统？谁来判断质量？研发还要不要重新排期？如果方法很好，公司应该奖励这个人，复制这套方法，还是先把他关进安全审查？一个可运行的 demo 像一块石头掉进公司，信息、决策、执行、人才、激励和学习系统同时泛起波纹。每一条规则单独看都有理由，合在一起却接不住一个突然变强的人。许多公司以为自己遇到的是 AI 工具治理问题，更深处发生的是原来的公司操作系统开始失灵。Company OS 不是技术中台，也不只是知识库和 Agent 的平台。它是公司每天怎样运转的那套看不见的规则。信息怎样流动？谁拥有决定权？一个问题经过哪些人？什么样的人被招聘和晋升？什么行为得到奖励？一次成功怎样留在组织里？过去20年，许多公司的系统建立在一个稳定前提上，人的专业能力有限，跨岗位协作成本很高。于是公司把复杂工作拆成岗位，把岗位接成流程，再用管理层传递信息、分配资源、检查结果。 AI 松动了这个前提。产品经理开始写可运行的代码，设计师自己做视频和交互，运营搭业务工具，研究员调度多个 agent 完成资料收集、分析、写作和审查。人的能力没有变成无限，但他的边界正在快速移动。当能力从相对固定变成持续扩张，围绕固定岗位设计的系统就会不断报错。创始人要重写的不只是组织架构，而是一个真实问题从进入公司到变成结果，沿途经过的每一个接口。第一个接口是信息，传统信息系统解决的是人去哪里找资料。AI进入工作流以后，真正的问题变成它能否理解项目为什么存在，过去做过哪些决定，哪些方案已经失败，用户真正抱怨什么，做到什么程度才算合格。一堆文档不会自动变成上下文，信息会过时，版本会冲突，关键判断会藏在人的脑子里，权限也可能过宽或过窄。 AI 读得越快，这些问题被放大的速度也越快。所以信息系统要开始承担上下文工程、项目背景、历史决策、用户反馈、代码风险和验收标准。在工作发生时留下来，并且带着来源、版本、权限和有效期。文档依然给人读，也要让 AI 能持续调用。信息变多不会让决策自动发生。模型可以同时看到更多材料，却不会替公司承担选择的后果。方向、价值排序、风险边界和责任归属仍然需要清楚的人。未来的决策系统，要把更多行动权送到现场，也要把责任锚得更清楚。每件事都等老板拍板，公司会堵在老板队列，所有人都能随意上线，速度又会变成风险。授权边界、验收门和责任主体必须一起设计。第三个接口是执行，过去一个产品需求沿着产品设计、前端、后端、测试和运营依次流转。任务切得足够细，每个人只处理自己擅长的一段，规模协作由此成立。但当一个人带着 AI 可以承接更大的任务块。切得太细会产生新的成本，每一次交接都要重新解释上下文，每个岗位都可能只优化自己的局部，完整问题在流水线里逐渐变形。 Romo 的少男做过一个很有代表性的改变。他要求产品经理在提需求以前，先拿到代码库权限，在自己的分支上把想法跑通，再写 PRD。 有一次团队想做画板拖拽连线，用户真正想要的是看见笔。