AI时代「10x个体」与「10x组织」的崛起与变革路径探讨

大型人工智能模型与智能代理的兴起正深刻重塑生产力基础逻辑。AI不仅大幅增强个人工作效率，更在重构组织协作与运营模式，催生“十倍效能团队”和“十倍效能员工”的全新形态。那么，如何解析AI落地实践中的路径选择、潜在陷阱与组织升级策略？又如何将少数善用AI的个体能力转化为团队整体实力？

近日，InfoQ《极客有约》联合AICon直播栏目特邀来也科技联合创始人兼首席技术官胡一川担任主持，与阿里巴巴高级前端技术专家汤威、美团产品经理邹明远、快手磁力引擎风控技术负责人王东旭共同，在AICon全球人工智能开发与应用大会2025北京站开幕前夕，深入探讨AI时代的“十倍效能个体”与“十倍效能组织”。

核心精彩观点摘要：

• 所谓“十倍效能个体”，关键不在于编程速度，而在于其是否主动思考、善于运用多元方法破解问题，不受“前端”或“后端”等角色限制。
• 新时代AI驱动下，组织形态应从“固态”转向“液态”，具备水流般的流动性、包容性与互补性，能力边界持续扩展。
• AI在某些情境难以替代人类，尤其涉及“人性化判断”“经验积累”或长期世界观评估的领域。但若人类恰当借助AI辅助决策，它仍可成为高效工具。

以下内容根据直播实录整理，经InfoQ精简编辑。

「十倍效能个体」的核心优势何在？

胡一川：在各位团队中，是否观察到所谓「十倍效能个体」？若存在，如何描述其典型特征？

汤威：或许没有严格意义的十倍效能个体，但存在五倍效能成员。以往高效同事常因编码迅速且质量优异而被认可，可承担多人工作量。但在当前AI阶段，许多代码无论复杂度，AI编程工具如Claude Code等往往能写出优于人类的代码，只要使用者正确操作。因此，现今“十倍效能个体”的核心并非编码速度，而在于其是否主动思考、擅长利用多种手段解决问题，不受限于特定角色边界。

这类个体会基于问题本质，灵活运用各类工具达成目标。由于AI已大幅降低执行层阻力，他们只需清晰表达需求，思考如何驱使工具实现目标，并协调多个智能代理完成整体效果。关键在于，他们不仅在开发层面出色，更在产品化思维上突出——从业务痛点出发，能明确规划方案、设计稿样、交互链路；产品上线后如何验证效果、证明问题解决，以及如何迭代优化。因此，当前“十倍效能个体”最显著的能力是：快速理解核心问题。

其次，他们精通各类工具应用，不受特定技术栈束缚，不认为“必须使用AI”或“必须采用某语言”。无论是JavaScript、Python或其他语言，对其而言仅是工具。更高要求层面，他们从产品构思、开发实现到验证上线，均保持清晰认知。这些能力正是当下成为“十倍效能个体”所需具备的。

胡一川：在传统研发体系中，个体严格按岗位分工协作，因工具支撑不足，能力边界清晰，团队常需五至十种不同岗位共同完成任务。如今，部分工程师即使主责开发，也能理解产品设计缘由、需求本质及用户使用方式，因新工具使其参与以往无法涉足的工作。您提及团队中或有“五倍效能个体”，通常从哪些维度量化或评估？

汤威：“十倍效能个体”在团队内部出现的前提是成员能力差异显著；若团队整体水准较高，则难以呈现十倍差距。但若将个体置于更广行业环境，我认为可能达成“十倍效能”。此处“十倍”非指其完成十倍工作量，而是其贡献与业务效果可达他人十倍。多数人误解“十倍”为“工作量十倍”，但实为“创造价值十倍”。

胡一川：以往“十倍”常局限于代码行数等指标。但在我看来，个体若能独立完成产品从零到一并推动商业化，原本需十人团队之力，由一人实现即为“十倍效能个体”。因此，讨论“十倍效能个体”不应仅关注岗位产出效率。因若纯论效率，借助AI编程，单人编码量或远超以往十倍，但关键在于代码是否产生实质价值。

邹明远：作为传统泛研发团队，我们正经历显著变化：角色边界持续模糊。例如，身为产品经理，我现可独立完成一些小型需求，并直接衔接PR流程；我们也见后端工程师开始编写前端代码，向全栈发展。

除个人能力边界变化外，更明显的是团队协作方式变革。以往各角色划分清晰，故需复杂协作流程，并产生额外沟通成本，如撰写大量交接文档、遵循各类规范。流程链路中信息传递常致损耗，使最终产出或与初衷偏差。现因角色边界弱化，协作链参与者减少，协作成本显著降低，效率明显提升。

第二视角是我们开发面向非研发人员的AI编程产品。某些场景下，我们确实观察到超越“十倍”的效率提升。例如一位业务同事，为团队一二百人构建业务图片审核系统，三五天即可搭建完成，支持月审30至50万张图片。此类成果以往难以想象，也是我认为部分场景效率提升超“十倍”之因。

王东旭：既然主题为“十倍效率”，我欲先回应此数字。我们团队近期一例恰合此数。我们过去进行模型微调与强化学习，每人各有方案。我上周询问团队能否将此能力线上化，他们与产品设计评估后排期30天。我认为竞争环境不容等待一月，故建议尝试AI编程辅助或Vibe编码方式。结果他们三天完成，30天对比3天，正为十倍效率提升。

我们以往协作属“固态组织”，分工明确、边界强、各自垂直深入。新时代AI驱动下，组织形态应从“固态”转向“液态”，似水流般流动、包容、互相补位，能力边界持续拓展。

从风控视角，我们见证的效率提升远超十倍。我们每日需审核超数亿短视频，另有数千审核员作为最后人工关口。我们持续推动通过大模型将人工审核AI化、线上化。因大模型具备强大多模态理解力，只要提供足够GPU资源，即可实现全天候不间断审查。故在我们场景中，AI带来的组织力与生产力提升已远超“十倍”。

胡一川：与两三年前相比，在此轮大模型或生成式AI浪潮下，您认为“优秀工程师、产品人或技术专家”的评价标准，有哪些最显著变化？

王东旭：首先是组织战略层面推进AI优先。此定调自上而下完成，整个技术体系贯彻此战略。

第二是我们设定衡量团队的指标，称“AI化率”。我管理多个子组织，关注各团队内及团队间AI化率差异。以算法团队为例，AI化率非指其完成传统CV或NLP小模型工作，而是衡量其从事大模型相关生产活动比例。

在数据团队，AI化率衡量方式不同。团队原以数据工程师为主，负责数据计算、数据引擎及BI类工作。今年BI结合AI火热，故我们观察数据同事参与“数据飞轮”“数据引擎”相关AI化工作比例。例如，原需人工完成的标注，现让数据同事研发智能标注工具。美国的Scale AI为典型代表，我们数据方向基本对标此类能力体系。

研发团队的AI化率衡量另有一套逻辑。团队规模不小，但以往工作方式偏传统：产品经理编写PRD，我们拆分任务按部就班执行，类似纯交付型研发。我们对研发同事的AI能力有两方面要求：第一，交付过程中使用编程辅助或Vibe编码生成代码比例；第二，除需求交付外，观察其是否创造性地运用大模型开发工具或小产品。故团队间进行AI化率比拼。“AI化率”可量化为具体数字，因此在组织与团队层面，我们均有明确可衡量的引导机制。

邹明远：我的团队主要为产品与运营，虽不直接带领研发团队，但双方合作紧密。研发团队亦如东旭老师所述，通过指标观察代码中AI生成比例，并自上而下宣导。至于产品与运营，因难以量化，我们更关注现象与能力边界变化。例如，现产品经理不仅能编写PRD，也能编码，甚至直接提交至代码仓库。

我希望团队成员能借助AI快速进入新领域，达至与研发同事顺畅沟通的基础水平。背景是我们以往开发DevOps工具，涉及多方向，例如代码仓库与发布系统间存在知识壁垒。过去人员流动或补位较困难，现我更强调利用AI快速学习，掌握某方向基本术语、流程与业务逻辑，从而更快上手。

因此，目前我们最关注团队是否能借助AI高效学习，并快速理解新方向基础知识，为跨领域合作奠定更稳底层能力。

汤威：若团队较年轻，如前端团队，我个人或不采用强推“AI化率”方式。因经验表明，类似ChatGPT初现时，不愿使用者即便强推也不会用，而愿用者能将工具用至深入。同样，AI编程类工具也如此。即使我们购买国外服务包月，仍有同事坚持“传统手工编码”。若其思路未转变，工具再佳也不会用。

回归“优秀工程师”评估标准，以往我们关注代码质量、需求完成度、技术沉淀等，核心是个体对团队与公司贡献。但现在，编码优质快速仅为基本要求，更重要的是其为业务带来多大贡献。例如原本需团队完成之事，若其一人能做好且质量高，此为我们推崇的能力。

我更鼓励团队成员拓展具体技能。例如团队中审美好的同事，我让其练习绘制草图、稿样、高保真界面，以便沟通更高效。擅长数据分析的同事，我让其结合AI进行SQL查询、多维下钻分析，为业务提供洞察，如国庆酒店房型为何增幅明显、背后原因，这些均可通过AI快速得出并向业务负责人提议。

此外，在AI平台与产品方面，我们也鼓励同事以业务为核心，在平台中实践，从零到上线再到迭代与效果达成，且达成非指上线即成功，而是指标满足业务需求，如准确率或回收率达95%方算完成。此过程带来大量成长。

技术门槛降低，但对人要求比以往更高。思维活跃但技术一般的同事反具优势，而技术佳但不愿探索者会吃亏。至于所谓“十倍效能工程师”，实为技术强、想法多、愿钻研之人，相当于为优秀个体配备强力团队，其自然呈现十倍效果。此也会带动团队主动对标、靠齐，因大家望工作更轻松，也望有成就感。我更愿带领团队朝此开放、内驱方向发展。当然，不同团队性质也有差异。安全与算法团队更强调严谨、准确率与安全系数，而我们偏工程团队更注重效率与效果。

胡一川：我近期与一朋友交流，其所在公司已将AI能力纳入全员考核，不仅是产品与工程，而是每人。我询其如何考核，他称与HR讨论后形成两维度：第一，此人在考核周期内是否完成以往做不到之事；第二，其是否能做到他人可做之事。无论其为销售、财务或工程师，均按此两指标评估。我听后觉甚有理，因这会促使每人扩展自身能力边界，从而使整个组织能力似流动之水般整体放大、融合，而非职责分明、割裂的结构。

汤威：愿探索的同事会主动钻研，但不愿探索者若看不到希望，仍保持原状。因此我们采取三做法。第一是去年Cursor火热时，团队中一些同事开始尝试此类工具，有人使用非常熟练。我们让这些同事编写高质量分享文档，在团队内部展示与演示，重点讲解其如何高效完成任务、如何利用MCP等能力实操。此能带动部分同事主动尝试。此阶段我们并不强制要求，仅强调把工作做好即可，故主要目的是让大家先感受价值。

第二做法是通过具体事务引导。例如在全球化项目中，我们需与Agoda、Booking等大型供应商合作，对方提供API文档，以往需大量研发工作才能完成对接。但利用AI，可将文档自动转为可解析协议，再通过我们统一标准对接，效率大幅提升。我们也将此能力产品化，构建平台，让正式员工专注能力打通，而后续再招聘偏执行的同事承担“填空式”工作，从而进一步提升整体效率。此过程本质为“漏斗”，明确哪些环节用AI，哪些由人完成，哪些需更强工程师介入。

第三是组织层面推动。公司从上至下强调AI优先，飞猪也如此。其实更早之前，业务中大量重复性、可SOP化任务就已开始由AI替代。但我认为组织要求仅为第一步，更关键是团队内部要求，包括考核标准与晋升标准均需调整。我也在思考，国内技术管理者是否应重新设计技术晋升路径。以阿里为例，AI出现后晋升标准仍在更新，但其实应更快。不同管理者对AI接受度不同，团队步调也需统一。因此团队的晋升体系、绩效标准本身即为重要引导机制，但最终仍要让同事看到希望：真能因此更高效、甚至更早下班。

邹明远：AI产品大致有两类。一类是应用场景明确的工具，如Cursor，其主要使用场景为工程师编码。对此类工具，团队中总会出现“用得好、爱探索”的同事，我们会将其树立为典型，通过激励带动更多人跟进。当然，其中也涉及大家对工具本身掌握程度的差异。

任何AI工具均会经历一阶段：首次使用时非常惊艳，似能解决全部问题，但真落地时往往仅50%至60%效果。如何将其提升至70%至80%，甚至达稳定可信水平？我认为需组织内部学习机制，也需从外部引入更佳实践或专家指导团队持续改进。

第二类是AI时代催生的新型产品，如Vibe编码或NoCode产品，主要面向非技术序列，用于生成应用。但它们常面临一问题：大家试用时觉很强，但不知在实际工作中该做什么。从产品数据也能看出此点：上线初期大家会尝试做小游戏或简单后台，但一月后使用量迅速下滑，因用户找不到合适应用场景。

我们现有两类应对方式。一是文化层面引导，通过考核或正向激励，让大家不断尝试，不要求必须与当前岗位直接关联，但要持续动手做。可能做千个项目，真能产生工作价值的仅十到二十个。另一路径是从具体场景向外扩散。例如A团队在数据采集场景做出很好实践，我们会横向推广至其他团队，让大家思考是否存在可借鉴场景。总之，就是尽一切方式让团队更多使用AI工具，理解其能力边界，并不断探索与自身工作结合点。

王东旭：首先，仍强调自上而下的AI优先战略方向，及与之配套的考核与晋升机制的重要性。

其次是横向推进。我们会组织许多AI小比赛，如最近技术部举办的AI编码大赛。另一例是上周五晚，一同事在群中分享一Vibe编码产品，结果大家纷纷跟帖展示自己作品，一晚分享近二十个，此类轻松横向氛围能自然推动大家投入。

第三是自底向上推动，每角色均应向价值链上游迁移。AI带来全新生产力，会改变产、研、运、测整个生产关系。举例来说，原本一些业务必须依靠运营人工审核，但多模态大模型出现后，部分人工审核可被替代。人处生产链上游，AI处下游，当下游能力增强，上游必然感压力，需转型。例如之前负责审核的运营同事必须学习提示词、RAG、工作流编排等能力，才能驾驭模型。

而运营会提示词后，反向也会对算法同事的工作内容形成挤压。例如早期提示词均算法同事在写，现运营能做这些后，算法就需继续上移，去做更高层能力构建，如生成自动化提示词工具、构建SMT或强化学习的自动化管道，为运营提供更强基础设施。

从「十倍效能个体」到「十倍效能组织」

胡一川：以往与现今，您与团队使用哪些AI赋能工具？

王东旭：在AI辅助编程方向，除Cursor，我们公司内部也有类似代码辅助工具，如Kwaipilot。此外，包括Vibe编码的各类能力，NoCode为其中一种，我们内部也有AutoCode产品。刚才提到的Lovable，我个人非常喜欢，还有诸如Figma、Bolt.New等工具，我也常浏览Product Hunt查看最新海内外产品。

从我们自身业务看，也有一些有趣尝试。第一，刚才多次提到，我们使用多模态大模型，并在业务场景中尝试训练垂直领域的预训练模型，用于辅助人工审核，甚至完全替代人工审核。其次，多模态大模型不仅在内容理解方面进步明显，在内容生成和内容编辑方面也非常强。我们在AI大赛中做一尝试：以往遇到夸大虚假宣传的视频，如“吃一粒药立刻怎样怎样”，模型通常直接拒绝。现通过多模态模型，我们可识别视频中具体违规点，再利用生成式AIGC技术对内容进行重新生成或编辑修改，使其在不违规前提下继续投放。原来审核会直接阻断，现可让内容继续运营，此在业界算一有意思的创新点。

胡一川：您提及团队中大家不断使用新工具，那在您团队或快手内部，对这些新工具的使用是鼓励开放自由，还是会有一些要求或限制？

王东旭：在Vibe编码领域，无论是国内外工具，或Product Hunt上的新产品，我均持续测试，此仍属早期探索阶段。回归公司内部具体业务场景，我们发现开源或公开工具在实际落地中与公司内部环境的适配度并不总是理想。例如Lovable，其前端代码生成能力非常优秀且界面美观，但后端能力存疑。然而若要打造可投入生产的产品，仅有前端显然不够，后端能力也必须完备，因此我们必须在工具选型上作长期权衡。

此外，每家公司内部都有自家的中间件团队，例如存储、计算等均有内部定制版本。开源或外部工具不一定能适配这些内部体系，因此中间件适配也是必须考虑的因素。未来工具选型一定是综合这些维度来决定。

对一些简单、面向移动端且无需大规模扩展能力的场景，可考虑使用Lovable、Figma等类似产品。但如果对前后端代码质量、以及前后端API的串联要求很高，我认为目前的产品仍有发展空间。同时，与每家公司内部中间件的适配也有较大的提升余地。

邹明远：首先，我个人认为NoCode这类产品未来不可能“一统江湖”，不能解决所有需求。从模型和工程能力看，目前还看不到那种彻底通用的可能性。此类工具适合特定场景，例如移动端、低流量压力的业务。其次，关于后端能力，我们内部当然也有自家版本，而内部与外部最大区别，在于与公司的中间件、基础设施、基础工具之间进行了深度集成与打通。

回归“我们会用哪些工具”此问题：除NoCode类Vibe编码工具外，我们还有团队负责构建相关基础设施工具，或与其他工具做集成。我们团队也有类似Cursor的产品，叫CatPaw，最近刚对外发布，此类产品作为核心能力，我们使用得非常频繁。其他常用工具，与大家差别不大，包括基础办公类的AI化工具。

现几乎所有工作场景均在经历AI化。例如即时通讯工具、文档工具、检索工具，它们可能不是纯粹的原生AI产品，但均在不断加入AI能力。我们的业务领域中，也面向特定行业做应用，例如为餐饮企业快速生成点餐小程序，其中不仅涉及NoCode，还包含图像素材生成、与微信生态的集成等流程。现几乎所有工作均在AI影响下变革，区别仅在于产品是原生AI，还是传统产品的AI改造。

汤威：我每月在AI工具上支出约100美元，其中20美元用于Claude Code，20美元用于ChatGPT的CodeX，约10美元用于GitHub Copilot CLI，还有一些用于xAI的API、推特订阅等。总体加起来约100美元，但这些主要用于个人学习、体验优秀产品，同时与公司内部工具作对比。阿里内部也有自研大模型，使用率非常高。

很多时候在做业务探索前，我会先使用最强的模型测试，以便了解能力上限，这样也能为团队制定更明确的“标杆”。我个人日常编码会优先使用Claude Code，其次是CodeX，然后GitHub Copilot，必要时购买xAI的API，但这些主要用于调研和技术研究。公司内部仍以遵循国内法律使用阿里自研工具为主。就个人而言，我强烈建议大家订阅一个ChatGPT Plus，它对工作与生活的帮助非常大。我过去一年基本很少再使用百度或谷歌搜索，通常直接与ChatGPT对话。

例如午休前我会让它做一项研究，我睡醒时它已完成。我习惯把AI工具“用到极致”。从个人角度看，我投入的费用值得，因使用效率远高于成本。

胡一川：若能深度使用这些AI工具，它们带来的价值远超订阅成本。我从上个季度开始订阅Claude Max，每月200美元。最初仅想试试其真正能力，但用一段时间后发现离不开。尤其是七八月份那两月，我几乎每天都会深度使用一到两小时。单从那段时间它为我生成的代码与产出内容看，花1400元每月绝对请不到能做到同样产出的“员工”。后来用于写代码、写文档、写对外内容，我也开始用Claude Code，它在架构上的灵活性使其已超出单纯编码代理的范畴。

我也跟公司同事说，此类工具不只适合研发团队，财务团队可用于数据分析，市场团队可用于生成内容。必须亲自试用，才能真正发现其价值。

AI落地实践中的路径选择、陷阱与边界

胡一川：若让您选一个近两三年里印象最深的AI应用实践，可不点公司名，单纯从“类型＋过程”简单讲一下吗？

王东旭：第一类是偏设计与创作工具，例如Lovable、Figma以及各类NoCode产品，这些工具已给我相当大的震撼。最近我们也准备一些PPT，我尝试了AI生成PPT的代理，能力确实很强，比如SkyWork、Claude Max。

第二类是与我们真实业务场景高度相关的工具。在开户与资质审核中，审核员需根据广告主提交的资质文件，去政府网站、企查查等多个平台查询资质信息是否合法有效。有的资质文件长达二十多页，且查验站点很多。

在此背景下，我们发现了一个叫GUI代理的能力。它可在Web、PC、原生应用等各端执行全自动化操作，且与早年简单的“按键精灵”不同，它是大模型原生智能化的版本，只需自然语言描述需求即可。例如我告诉它：“帮我核对广告主的某项资质，去十个网站对比真实性，并给我结果。”整个流程就能自动完成。

更令人惊讶的是它具备纠错能力。我让同事做了个实验：在App Store或安卓应用市场中搜索“微信”，我用的是拼音输入。GUI代理执行后发现路径不通，还会自己回退，就像代码的入栈、出栈逻辑一样。在回退后，它把拼音版的“weixin”改成中文“微信”，再继续搜索。这种智能化程度对我冲击非常大。

邹明远：过去半年基座大模型的能力并没有像早期那样出现翻天覆地的变化，因此更容易让人眼前一亮的反而是与日常场景结合得好的新产品。例如“猫箱”这类偏二次元的产品，我本来对二次元文化不熟，是听团队里年轻同事介绍的。传统小说是纯文本阅读或听书，而此类二次元产品会用模型构建带入式体验，图文结合、还能互动，提供完全不同的叙事方式。

第二个例子是我想为我们公司打个小广告：以往大家常说“大模型能不能帮你点外卖？”美团推出“小美”后，我第一时间测试，让它帮我点了一份外卖，最后我真的收到了。它既与生活贴近，又能影响到物理世界，感觉与过去的AI产品很不同，像是确实在改变现实世界。

汤威：前段时间有一个“AI炒币”实验，他们使用ChatGPT、Claude、千问等模型，给AI十万美元让它交易。ChatGPT会用一些激进策略反复买卖，而中国模型甚至直接十倍杠杆做多比特币。这种差异其实与模型内化的价值观、知识和训练策略密切相关。随后又有人做了“AI炒股”，让模型分析英伟达、特斯拉等公司的行为模式。我发现AI在某些场景无法替代人类，特别是需要“人性化”“经验积累”或长期世界观判断的领域。但如果人类能恰当地利用AI辅助决策，它仍然可以成为有效工具。

相较于文本、图像、视频等“平面世界”的数据，物理世界的复杂度要高得多，李飞飞前几天也发布了一项与3D物理AI相关的内容。我认为未来更大的发展空间在物理世界AI，因为它拥有持续变化的环境和不断产生的新知识。平面世界的高质量文本数据基本已被模型吃得差不多，新数据很多是AI自己产出的，有一定枯竭趋势，而物理世界不会“耗尽”。

观众：使用这些AI工具时，公司或团队在信息与数据安全方面是否有要求？尤其是代码上传会不会有风险？

王东旭：有，且管控非常严格，大型企业通常要求使用自家提供的大模型辅助生成工具。

胡一川：所以平时我们使用这些工具更多是做快速原型，从零到一的探索，而不是用在团队生产环境的代码上。

观众：如何客观量化AI为组织带来的效率提升？

汤威：AI带来的主要是“增效”，而非直接“降本”。降本的前提通常是增效带来的资源重新分配。例如审核场景，以往图片或视频审核需要上千人，用了AI后，原团队还在，但可处理更多任务。原来需百人的审核团队，使用AI后只需要五十人，另外五十人可去做更复杂的工作。可用一“分层漏斗”理解：哪些交给AI、哪些交给普通人、哪些交给更专业的人。

衡量方式很简单：比较个人或团队原本的工作量与引入AI后的工作量差异，特别是计件类岗位，包括工程师也类似。举例来说，一个需求有长有短，但一年下来可被拉平；因此用需求数量、需求完成率等指标，以年度对比，就能明显看出差异。短期很难判断，但把时间拉长、人数放大，效果就很清晰。

胡一川：对于想要在组织内部推动AI落地的团队负责人，有什么建议？

邹明远：首先在文化层面，需要鼓励并倡导大家积极使用AI。短期内可能看不出直接收益，但这是组织文化建设的重要部分。第二，我觉得要把行业内、业界中的优秀实践更快地在组织内部传播和扩散，让团队看到具体可参考的案例和可达到的水平。第三，有些团队可能会担心AI的引入意味着人员调整，因此管理者需要正确看待和评估AI对组织的价值，想清楚它究竟能带来什么、目标是什么，这些都是非常本质的问题。

王东旭：我用八个字总结：瞻前顾后，眼高手低。听起来像贬义词，但放在管理者视角就是褒义词。“瞻前”指一线管理者如果要推动AI，一定要主动掌握前沿的技能与知识，每月至少花点钱亲自体验先进的工具。“顾后”指要深刻理解自己的业务现状和历史脉络，不能盲目地为用AI而用AI，要明确业务痛点。“眼高”是要了解行业整体水平，不只关注自己的业务或技术，要知道同行、竞品的状态和极限在哪里。“手低”则是管理者不能放养式管理，还是要亲自下场推动具体工作。

汤威：组织的管理方式本身需要因AI而改变。以往的组织像一根层级繁多的大水管，每个员工都是接在水管上的分支，但由于层级多、流程复杂，信息经常会失真。现在AI已经能够很好地执行确定性任务，真正的瓶颈不在执行本身，而在信息传递是否通畅。因此这根“管道”应该尽可能顺畅，让每个链接其上的人都能清楚理解业务痛点、优先级和目标。

这意味着组织内部需要确保上下文信息在团队之间能够精准、透明地共享，规则、沉淀、要求都要清晰一致。技术管理者最需要做的，是让这根信息管道保持畅通，让知识和上下文能被精炼、标准化并有效传递。只有这样，整个组织才能真正借助AI提升效率。