企业AI生产力走向规模化落地：大厂开始集体探索从 "个人提效" 转向 "组织提效"

来源：财经网

企业AI生产力走向规模化落地：大厂开始集体探索从 "个人提效" 转向 "组织提效"

AI的快速发展，也让个人提效迈向了组织提效。

10月31日，快手技术沙龙第六期在北京举办。来自快手、OPPO及软件工程领域的多位技术专家，共同探讨AI如何从个人提效工具走向企业级生产力，并分享组织建设、智能体工程化、业务规模化提效与智能评测等一线实践。

“AI在带来研发生产力变革的同时，也面临Token费用持续上升、重复建设与安全风险等现实问题。大模型存在不确定性，需要通过工程手段保证安全、稳定与效果；企业AI生产力同样需要通过工程、组织与管理手段，让AI走进研发、业务场景乃至HR、财务等工作领域。”快手企业AI生产力副总裁王诩如是说。

其实早在2025年起，快手围绕本地AI Coding工具CodeFlicker和云端研发平台KATE，逐步把需求分析、代码评审、测试用例和线上监控等能力Agent化，并将研发范式分为由人主导AI辅助的L1，强调人机协同完成需求交付的L2，以及由AI承担更多自主开发、人负责审核的L3。

快手企业智能体建设负责人、企业AI生产力专家沈浪透露，该阶段目标是在2026年底把快手所有线上交付需求的80%提升到L2水平，当前已超过70%。

今年Q2开始，快手内部AI开始从服务工程师走向服务更多员工。大量非技术用户开始借助CodeFlicker做演示文稿、调研和数据分析，快手由此将编程助手与Work形态产品整合为通用Agent MyFlicker，面向全员开放，截至2026年7月，MyFlicker周活跃用户数较2025年末增加约2.5倍。

在这个过程中，沈浪发现个体提效不等于组织提效，有两大问题制约组织效率，一是“孤岛区”，强AI能力员工的方法未沉淀，无法辐射团队；二是“空转区”，团队引入大量数字员工却因协作链路上下文不完整导致效率平平。

此后，快手将探索重点从个体推进到团队。沈浪将其核心规律概括为“先蒸馏，再折叠”，先把团队经验沉淀为AI可消费的知识、Skill和工作流，让AI进入真实工作，再招募数字员工在团队中独立完成重复性、确定性工作，最后再基于新的工作方式调整人与人之间的分工，让更多人聚焦到更多创造类、高价值工作上。基于这些实践，把MyFlicker升级到了2.0，可以为每个团队建设团队Agent。目前，团队AI已在快手内部规模化推广，约有500多个团队Agent、1000多个数字员工独立工作，几乎覆盖技术、销售、设计等所有团队。

到2026年Q4，快手的探索开始从团队走向组织。面对数百人规模的组织，单纯复制团队Agent无法解决复杂工作流与多系统协同问题。快手由此成立iWork，并探索MyFlicker 3.0，通过增加“AI工作台”，将原本分散的系统、流程和企业上下文转化为AI可调用的能力，建立企业级AI基座，推进全组织AI化。

随着AI爆发式增长，算力紧缺也成为行业普遍问题。快手则通过推行“Token积分制”，将预算折算成积分下发至员工，让员工自主选择如何使用；并通过“AI蹭饭研判官”“AI贪吃蛇大赛”“PDE集结令”等“全民AI”活动降低使用门槛，PDE集结令最终收到4000余个作品，验证了非技术人群构建工具的可能性。

个人能力和平台能力具备之后，如何让AI真正改善端到端交付，成为下一道难题。快手磁力引擎风控技术负责人王东旭所在团队规模超百人，覆盖产品、运营、研发、算法和测试等职能，团队最初选择少数成员在真实业务中验证AI能否帮助个人跨越原有专业边界。例如，一名应用算法工程师独立完成AI深伪检测平台，另一名成员在25天内全栈交付反作弊洞察平台。

但超级个体的出现并没有自动解决排期等待和跨角色协作问题。团队随后推进算法与工程边界融合、技术让渡和前后端全栈转型，将部分Prompt配置与交互式运营能力交给更接近业务的运营人员，算法与工程人员则转向更复杂的算法和系统架构工作。

“全栈不是多做一份工，而是少等一个人。”王东旭表示。即使编码效率大幅提升，只要需求分析、协作、测试和发布等环节仍存在等待，局部提速就很难变成端到端收益。他借助阿姆达尔定律解释，如果编码环节只占端到端耗时的20%，即使将其压缩至接近零，整体交付速度增幅也只有约25%。“技术的天花板是数学题，组织的天花板是决策题。”

为进一步减少协调成本，团队借鉴洛克希德·马丁“臭鼬工厂”的组织思路，通过“绑目标、缩节点、搬工位”三类动作，让产品、运营、研发、算法和测试围绕同一目标集中协作，并将需求流转节点从12个缩减至6个，减少纯协调环节。在一项局部试点中，29名成员覆盖3个业务方向，需求吞吐率由36%升至84%，需求交付周期压缩至原来的五分之一，全栈交付需求数增至此前的9倍，并完成19个PDE需求。

王东旭同时强调，“臭鼬工厂”并非适用于所有场景。复杂存量核心系统、强跨团队依赖，以及无法保证人员集中投入或缺少合适负责人的场景，现阶段并不适合采用这一模式。在他看来，“一个臭鼬工厂是特例，一群臭鼬工厂才是能力”。

快手磁力引擎风控质量负责人吕冬冬分享了需求测试分级、风险挖掘与Agentic AI Testing”的实践框架。

他指出，传统质量体系面临全量验证难以持续、人力无法线性扩张、过程指标难以代表真实质量等问题。快手相关大部门据此构建了基于“云帆”平台的智能分级体系，把是否涉及资金、主链路、历史故障和安全等判断注入Agent，形成高中低三类策略：高风险需求由人工主导、AI辅助；中风险需求采用人机协同；在其所在风控业务中，部分低风险需求由AI承担更多验证，人工负责抽检与异常升级。

更关键的是“AI测AI”的同源闭环问题：如果写代码、写用例和判质量均由Agent完成，测试通过可能只说明系统内部自洽，并不必然意味着结果正确。吕冬冬介绍，相关实践正在通过异源模型分工、固定评测集与黄金真值、差分及变异测试和人工校准等方式降低同源偏差，并坚持“依据证据而非结论”的门禁原则。他强调，未来质量团队的角色将从执行者转向质量规则制定者，在策略定义与最终准出上保留人的责任。

AI已经深入到企业的各个生产环节，不过《软件工程3.0》作者、同济大学特聘教授朱少民指出，企业AI落地需要警惕三个假象：生成不等于完成，个人效率不等于组织吞吐，Demo成功也不等于生产可靠。在此基础上，他提出一个生产力公式：企业生产力＝可交付客户价值÷总投入。如果效率提升伴随着质量、可交付率和可治理性下降，企业生产力未必真正提高。

“大模型决定了智能研发的天花板，而工程体系决定了我们能摸到多高。”朱少民认为，未来企业智能研发的竞争焦点将不再只是模型能力，也包括工程体系是否完善。为此，企业需要建立“规约工程、驾驭工程、质量门禁”三位一体的工程体系：用可验证的方式明确目标、上下文、禁止事项和验收标准；利用记忆、工具权限和Agent框架约束执行；在代码、测试、交付和运行阶段建立失败升级与回滚机制。

对于具体演进路径，朱少民提出可以分三步推进：首先进行架构清理和知识沉淀，为Agent参与研发打好基础；其次搭建Harness框架，为Agent自主执行任务提供工程环境；最后构建质量门禁和反馈闭环，让Agent在可验证、可治理的前提下逐步提高自主执行能力。