WAIC之夜：Token堆不出“AI原生”組織

賬號設置我的關注我的收藏申請的報道退出登錄登錄搜索36氪Auto數字時氪未來消費智能湧現未來城市啟動Power on36氪出海36氪研究院潮生TIDE36氪企服點評36氪財經職場bonus36碳後浪研究所暗湧Waves硬氪氪睿研究院媒體品牌企業號企服點評36Kr研究院36Kr創新諮詢企業服務核心服務城市之窗政府服務創投發佈LP源計劃VClubVClub投資機構庫投資機構職位推介投資人認證投資人服務尋求報道36氪Pro創投氪堂企業入駐創業者服務創投平臺AI測評網 首頁快訊資訊推薦財經AI自助報道廣東最新創投汽車科技專精特新直播視頻專題活動搜索尋求報道我要入駐城市合作WAIC之夜：Token堆不出“AI原生”組織36氪的朋友們·2026年07月20日 21:09Tokenmaxing的終局與新序章 2026年上半年，AI行業最熱的兩個詞是Agent和Tokenmaxing。前者意味著模型開始從“回答問題”走向“完成任務”，後者希望通過更長上下文、更多推理步驟和更高的Token消耗，換取更復雜的任務能力。 但Tokenmaxing很快暴露出另一面。為了讓公司成為更“AI原生”的組織，一些企業把Token消耗量當作轉型指標，甚至納入團隊KPI。調用量不斷增長，實際產出、任務完成率和商業回報卻未必同步提升。行業由此開始重新討論：Token真正的價值，究竟來自消耗規模，還是來自它所進入的產品、工作流和組織系統？ 7月17日晚，在2026世界人工智能大會（WAIC）舉辦期間，由騰訊新聞、騰訊科技主辦，騰訊華東總部、騰訊雲智能特別支持的“騰訊WAIC之夜”在上海舉行。騰訊科技高級編輯、AI未來指北主理人郭曉靜主持首場圓桌，崑崙萬維董事長兼CEO方漢、出門問問創始人兼CEO李志飛、沐曦股份聯合創始人、CTO楊建，圍繞模型、產品與組織三個層面，討論了Tokenmaxing退潮後浮現出的新問題。 方漢認為，Token消耗量是最容易統計、也最容易失真的指標。崑崙萬維內部也觀察了員工的Token使用情況，但很快發現，為了完成指標，員工甚至可能把一本《紅樓夢》輸入模型，迅速消耗大量Token。Token可以證明員工“用了AI”，卻無法直接證明AI創造了多少價值。 在他看來，真正推動Token需求爆發的並非單純增加調用，而是Claude Code等Coding Agent建立起了更完整的Harness。模型獲得了長上下文、工具調用、代碼執行和持續反饋能力，才得以連續完成複雜任務。Coding也因此成為目前Token消耗最密集、商業化最清晰的場景之一。 所謂“Tokenmaxing已經失敗”，更準確地說，是把Token消耗本身當作能力增長、產品價值和組織轉型結果的簡單敘事已經失效。Token只有進入穩定的工程框架、明確的業務流程和可驗證的任務場景，才可能真正轉化為生產力。 李志飛認為，判斷一家公司是否真正成為AI原生組織，不應只看員工用了多少Token，更應該看Agent是否已經從輔助工具和“實習生”，變成組織中的正式員工。 過去一年，出門問問將員工規模從約300人調整至150人，同時推出兩款新產品。李志飛預計，公司今年的整體產出可能達到上一年的4倍。在他的實踐中，真正困難的並非讓每個人學會使用Agent，而是把AI“內化”為組織能力。 “一個人指揮一個Agent很簡單，一個人指揮多個Agent也不難，真正複雜的是多個人同時指揮多個Agent。”李志飛說。 這也是他區分“超級個體”和“超級組織”的核心。CEO或者工程師可以藉助AI大幅提高個人效率，但如果公司的排期、審批、協作和信息流仍沿用舊體系，個人生產力的提升不會自動變成組織生產力。 楊建把這種變化放在更長的時間尺度中。他認為，人類正在進入一個“知識生產和知識創造不再主要由人類完成”的時代。當機器逐漸接管解題，人類更重要的能力將轉向發現問題、定義問題和組織資源。 但在企業內部，他並不主張讓員工無邊界地使用AI。楊建強調，AI具有不可預測性，企業用AI，需要先把AI“關進籠子”：所有能力經過審核，所有操作通過沙箱隔離，數字員工的崗位、權限和職責也應由組織逐層規劃。 這場討論最終指向一個比Token消耗量更實際的問題，當模型能力開始進入生產系統，企業該如何重新設計產品、崗位與協作關係，並證明不斷增長的Token真正創造了價值？ 圖：方漢、李志飛、郭曉靜、楊建（從左至右） 以下為圓桌實錄，經編輯整理，有刪減。 01、AI編程率先引爆Token消耗，也開始改寫知識生產 郭曉靜：2026年上半年，AI領域幾乎每天都在變化。哪一項變化重要到影響了公司的產品、組織或者戰略？ 李志飛：對我影響最大的變化其實發生在去年五六月份。當時我重新開始使用Cursor編程。我以前是程序員，但已經有近十年沒有真正寫過程序。端午節期間，我連續寫了三天代碼，之後對公司的判斷髮生了根本變化。 第一，我認為公司不再需要那麼多人，可以大幅提效。 第二，很多原有業務的意義下降了。一部分業務繼續維持，一部分被砍掉，我們開始做兩個新產品：一個是錄音和知識管理產品TicNote，另一個是面向團隊協作的Coding Agent產品CodeBanana，並同步啟動組織AI化轉型實踐。這背後的組織思考與轉型實踐研究，沉澱為《超級組織》一書，首次系統提出了AI時代組織進化的方法論框架。 親自使用AI編程之後，我感覺這已經是兩家完全不同的公司。過去很多需要團隊協作數週完成的事情，現在一個人可能很快就能完成。 楊建：我們的變化更早一些。DeepSeek-V3出現以後，我們判斷模型開始進入接近可用的階段。 當時我們投入團隊研究如何用大模型優化GPU算子。有兩位從事人工智能工作的年輕員工，此前不會編寫算子，也不具備傳統意義上的底層編程經驗，但她們在三週內完成了一個算子庫的系統優化。 我們選取其中6個算子，與有多年經驗的工程師進行對比。結果顯示，人的平均表現大約只有大模型方案的85%。換句話說，大模型在這項具體任務上已經超過了工作多年的工程師。 後來，我們又嘗試用10個Agent完成數學庫和算子庫的大量工作。我通過24輪對話搭建了一個框架，自己沒有寫一行代碼，最終發現它能夠替代傳統流程中約90%的工作。 這個結果讓我重新思考，我們正在進入一個什麼樣的時代。 郭曉靜：您提出，人類可能不再是知識生產和知識創造的主要主體。為什麼會有這樣的判斷？ 楊建：如果站在50年或者100年後的視角回看，未來的人可能會認為，從這個階段開始，人類進入了一個知識生產和知識創造不再主要由人類完成的時代。 過去，無論碩士、博士還是企業員工，大多數人扮演的都是“解題者”。他們接受一個問題，然後尋找解決方案。 但當越來越多的解題工作可以交給大模型，人的核心價值將轉向發現問題和定義問題。未來真正重要的人，可能不再是最擅長解題的人，而是能夠提出關鍵問題、判斷問題價值並組織資源的人。 Cursor、Claude Code和Codex只是這一時代的一個縮影。未來，科學研究也會發生類似變化。 過去，一個研究團隊可能需要多年才能讀懂一篇複雜的數學論文。隨著模型能力提升，知識理解、驗證和創造的速度會大幅提高，人類將進入高速知識生產的階段。 對應到企業管理，我們不應該只向董事長或者CEO介紹Agent的技術能力。更容易被理解的表達是：公司需要使用數字員工，重新定義每一個崗位的職責，並進一步調整組織結構。 因此，我們從公司高層開始規劃數字員工體系，逐層明確每一個崗位可以交給AI的工作，以及人與AI之間的職責邊界。 郭曉靜：方漢怎麼看這個判斷？ 方漢：我很尊重楊老師的判斷，但對此有一些不同意見。 現在的大模型可以解決很多數學問題，但它往往是記住並組合了人類歷史上大量已有嘗試。模型看起來比人更強，並不意味著它已經能夠發明新的數學證明方法。 我認為，到目前為止，大模型仍然缺乏真正創造全新數學方法的能力。另外，Coding和Agent太熱，導致很多模型的訓練資源都在向編程任務集中。除少數模型以外，一些模型的數學能力甚至可能出現下降。 所以，知識生產的主體是否已經發生根本變化，還需要繼續觀察。 郭曉靜：過去一年，AI編程為什麼會快速推動Token消耗？ 方漢：崑崙萬維很早就開始使用Copilot和Cursor，但早期公司的Token消耗量一直沒有明顯增長。真正的變化出現在Claude Code一類產品出現之後。 他們建立了一套更完整的Harness，讓模型可以在長時間、長上下文中持續執行任務。Coding場景的Token消耗由此快速增長。 過去，中國大量高端顯卡主要用於圖像和視頻生成，用於Coding的比例並不高。但Claude Code出現以後，很多算力迅速轉向編程任務。現在，Coding很可能已經成為Token消耗最大的場景，視頻排在其後。 這也改善了模型公司的商業表現。Coding訂閱產品的收入快速增長，模型公司的經常性收入變得更好看。 這件事還說明，模型能力的發揮不只取決於算法。Anthropic比較早地給予工程和算法同樣重要的地位。一個好的Harness、一套好的工程設計，可以顯著釋放模型能力。 過去，大家經常認為模型能力主要由算法團隊決定。但現在可以看到，軟件工程、執行框架、上下文管理和工具調用同樣重要。 郭曉靜：除了Coding，還有哪些方向可能出現類似機會？ 方漢：AI for Science是非常值得關注的方向。 我最近也在幫助一些科學家使用Codex、Claude Code和各種Skills開展科研工作。大模型能夠調用和組合人類歷史上積累的大量研究方法，這會讓科學研究出現一種明顯的“高維打低維”效應。 很多過去成本很高、很難被系統探索的問題，可能成為新的低垂果實。 我們也在思考，音樂生成和視頻生成領域能不能建立類似Coding Agent的Harness。當前行業在這些領域仍然缺少足夠成熟的執行框架，這可能是一個值得投入的方向。 郭曉靜：外界過去認為崑崙萬維會把更多資源投入基礎模型，但今年大家看到的更多是AI原生平臺和應用。是什麼推動了這一戰略變化？ 方漢：這裡存在一個誤解。我們仍然在持續訓練模型，也會發布音樂模型、具身世界模型和遊戲世界模型。 我們堅定地認為，模型和算力仍然是一家AI公司長期立足的基礎。如果沒有自己的模型，公司未來會非常吃力。 隨著模型能力增強，一些今天需要外部Skills完成的工作，未來可能直接被模型內化。模型越強，外部工具和提示的複雜度反而可能越低。因此，Skills這個概念未來也可能發生變化，它不存在單獨的商業化價值。很多常見能力會逐漸進入模型內部。 做平臺和應用，並不意味著放棄模型。平臺、產品和模型之間需要形成閉環。 02、從超級個體到超級組織，難點不在“會不會用AI” 郭曉靜：很多公司都在談AI原生組織。怎樣判斷一家公司是否真正成為了AI原生組織？ 李志飛：我把它稱為“超級組織”。 它的核心假設是：AI已經成為組織中最主要的勞動力之一。AI不再只是輔助工具或者實習生，而是正式員工。當這個假設成立，過去的組織結構都需要重新思考，包括人的角色、人與AI的關係、AI與AI之間的關係，以及工作如何被分配。 我最早做的是“超級個體”實驗。那段時間我很少到公司開會，主要在家裡使用AI編程。有一次我在線聽團隊討論產品排期，他們還是以兩週、三週甚至一個月為單位安排工作。 但我判斷，他們討論的一些任務，我可能半個小時就能完成。 那一刻我意識到，我已經一隻腳進入了新的生產方式，但組織仍然停留在原來的工作節奏中。 CEO成為超級個體，只能改變CEO本人，無法自動改變整個組織。超級個體不等於超級組織。 後來我們開發CodeBanana，也是因為個人使用AI編程很容易，但團隊協作仍然很困難。一個人寫完代碼後，部署、運維和後續修改需要在不同人員之間傳遞，上下文很容易丟失。 我們希望做一個類似在線文檔的協作環境，讓多個人和多個Agent共享同一份上下文。 現在，公司約150名員工，無論程序員、產品經理，還是人力資源、行政和財務人員，都可以指揮Coding Agent工作。人減少了一半，公司又推出了兩款新產品。我預計公司今年的整體產出可能達到去年的4倍。 郭曉靜：如果把AI原生組織的判斷標準再簡化一些，最重要的是什麼？ 李志飛：主要看兩點。第一，Agent在公司裡是不是主要生產力，是不是被當作正式員工。 很多公司仍然把AI當輔助工具，或者把它看成一個實習生。這遠遠不夠。 第二，公司能不能實現多人和多Agent協作。一個人指揮一個Agent很簡單，一個人指揮多個Agent也不難。真正複雜的是，多個人同時指揮多個Agent，在共享上下文中併發工作。未來的組織將是一個高度併發的人機協作系統。 除此之外，員工需要變得更加全棧，組織結構需要更加扁平。傳統的軟件開發流程通常是線性的：先調研，再設計，然後進行前端、後端和測試。 未來的工作流會更多圍繞原型展開。團隊先快速做出Prototype，再根據結果不斷迭代。 郭曉靜：從超級個體走向超級組織，中間肯定會遇到組織慣性。出門問問遇到過哪些坑？ 李志飛：最早的時候阻力非常大。我經常用一個比喻：我已經翻過一座山，看見了金礦，回來告訴員工山那邊有金子，但很多人無動於衷。 去年6月至10月，我們主要從研發團隊推動轉型。當時採取了一些非常激進的措施。 例如，我要求代碼必須由AI完成，不允許員工手寫代碼。這個要求挑戰了一些工程師對自身價值的理解，有人因此選擇離職。 我還要求工程師不要依賴自己記憶命令行，而是學會指揮AI完成操作。當時我給團隊一個月時間，原計劃重新考核所有工程師。我希望他們能夠在半小時內完成過去需要一週完成的工作。無法通過測試的人，可能需要離開團隊。 最終，一部分人主動離開，留下的人也逐漸完成了轉型。 現在，我們的產品經理可以直接修改和上線一些簡單代碼，設計師也具備更完整的產品開發能力。產研團隊無論是否是工程師，都在向全棧發展。 有意思的是，從產研部門向非產研部門推廣時，阻力反而更小。過去，市場、人力資源、財務和法務沒有研發能力，很多需求都需要請求工程師幫助。現在，他們發現自己可以直接指揮Coding Agent完成工作，因此學習意願很強。 程序員有時反而最不願意協作。他們習慣一個人完成任務，再交付結果。已經熟練使用Cursor或Claude Code的工程師，還可能認為團隊協作工具降低了自己的效率。 因此，AI原生組織的難點，不只是讓個人使用AI，還要重新建立人與人、人與Agent之間的協作方式。 03、激進、保守與中間路線：企業如何把AI真正裝進組織 郭曉靜：楊建總推動組織變化時，也是先成為超級個體，再帶動公司轉型嗎？ 楊建：我不能只做超級個體。如果我重新回到個人創造者的狀態，公司可能就無法正常運轉。 創業以前，我更像一個發明者或者創造者。創業以後，我們的員工來自300多家公司，我更重要的工作是協調組織，把不同背景的人整合在一起。 在AI原生時代，我非常強調安全。AI存在不可預測性，企業使用AI時，首先要把AI“關進籠子”。 這件事不能只從個人層面推動，需要從公司層面建立企業級解決方案。 我們的所有AI能力必須經過審核才能上線，所有操作要通過沙箱隔離，避免模型的錯誤操作影響公司系統。之後，再以組織為單位逐層推進。每個團隊先規劃自己的數字員工，明確職責和權限，通過審核後再投入使用。 AI也會讓一些員工展現出過去沒有被發現的能力。員工當前所在的崗位，不一定是最適合他的崗位。我們鼓勵員工跨團隊流轉，尋找更適合自己的位置。 當然，我們服務很多大型客戶，也需要持續履行商業合同，因此，安全和穩定是必須考慮的前提。 郭曉靜：方漢怎麼看這兩種組織轉型方式？ 方漢：楊建的方式相對保守，李志飛的方式相對激進。崑崙萬維選擇了一條中間路線。 我們的管理層已經形成共識：員工如果不適應AI，公司也會被淘汰。 但現在很多程序員都很恐懼，擔心自己最先被AI替代。我們向他們傳遞的判斷是，雖然程序員可能受到較大沖擊，但目前對AI掌握得最好的群體仍然是程序員。 把AI學好，程序員依然會有很大的發展空間。我們的轉型從上到下推進，先考核中層研發管理者。我親自設計了AI編程題，現場考試。結果並不理想，90分以上的只有一人，相當一部分人的成績低於60分。 中層幹部是連接管理層和普通員工的關鍵。管理層形成共識後，需要通過中層把AI工作流真正帶進團隊。 我自己也會大量使用模型。今年以來，我個人消耗了約290億Token，主要用於寫PPT、研究文檔和技術探索。 自己使用模型的目的，是理解它能夠做什麼，然後與中層管理者討論，怎樣把合適的AI流程引入具體團隊。 郭曉靜：崑崙萬維在組織層面有哪些比較有效的方法？ 方漢：我們有兩個相對有效的方法。 第一，在所有工作群裡加入一個學習型Agent。 開始時，不需要急著把它包裝成能力很強的“數字員工”。可以先把它當成一個秘書，記錄群裡的討論，整理成組織記憶。隨著記憶積累，再根據工作群的實際需求逐步增加功能。團隊需要什麼能力，就讓這個Agent繼續學習什麼能力。 第二，用工程化方法管理群體記憶。 每個開發組共享一套編程記憶系統。團隊負責人先確定知識結構，成員不斷補充項目規範、AI編程經驗、代碼提交要求、容易踩的坑和統一風格。系統每天自動總結，同時清理過時記憶，保證整個開發組共享一致的上下文。 這種組織記憶非常重要。AI原生化不能只依賴員工個人的提示詞和使用習慣，需要把經驗沉澱成公司可以複用的基礎設施。 郭曉靜：Token消耗量可以用來衡量組織的AI轉型程度嗎？ 方漢：Token消耗量是一個最簡單的參考指標，但不能完全依賴它。 我們希望研發團隊增加Token使用量，非研發團隊也要大量使用AI。不過，員工為了完成指標，可能會做出很多沒有意義的操作，例如向模型輸入一本很長的書，迅速消耗大量Token。 因此，Token使用量只能說明員工是否開始使用AI，不能直接代表生產力。真正的組織改造非常複雜。對於多數中國公司來說，更現實的方式仍然是從管理層開始，經由中層幹部，再逐步推廣到普通員工。 郭曉靜：AI編程帶來效率提升後，還需要高級程序員或者架構師手寫高質量代碼嗎？ 李志飛：不一定需要手寫，但一定要看代碼。 員工不能把任務交給AI之後完全不檢查結果。現在有一種Vibe Coding的方式，只看功能能不能運行，不關心代碼本身。我認為這種方式存在很大問題。 人可以不親自敲每一行代碼，但需要理解代碼，並對AI生成的結果負責。 方漢：我認為AI編程會帶來嚴重的技術債。 產能肯定會上升，但代碼質量可能下降。因為AI生成代碼導致的生產事故，我們觀察到的增幅可能達到數倍。因此，AI原生組織不能只追求生產速度。代碼審查、測試、權限、沙箱和責任機制都需要同步加強。 04、模型、產品還是組織，AI公司下一步該把資源投向哪裡？ 郭曉靜：最後一個問題。未來最值得投入資源的是什麼？算力、產品還是組織，只能選擇一個。 楊建：我選擇產品。 算力對我們來說並不是最缺的，組織也在持續調整。最終，技術和組織能力都需要通過產品形成價值，所以產品排在第一位。 郭曉靜：國產算力已經能夠支持萬卡集群訓練，這是否意味著國產芯片在訓練領域也有很大潛力？ 楊建：國產算力在訓練領域取得進展，並不是最近才發生的事情。兩年前，一些國產芯片已經能夠較好地支持特定訓練任務，只是外界瞭解得不多。 在千億參數模型、多模態、具身智能和自動駕駛等場景中，國產卡已經積累了不少訓練經驗。 過去國產卡做推理很難形成經濟性，部分原因是當時主要場景還是短對話。進入Agent和AI編程階段後，單次任務持續時間更長，Token消耗量更大，國產算力的利用方式也發生了變化。 某種程度上，國產卡在部分訓練場景中的探索，比在通用推理場景中更早。 李志飛：我也選擇產品。 我們的組織已經非常激進，不能無限激進，再繼續加速可能會帶來新的風險。不過，今天做應用產品的邏輯與過去不同。以前，應用產品更強調規模效應，需要通過品牌和用戶規模建立壁壘。 現在，一個高價值Coding用戶創造的收入，可能相當於大量普通聊天用戶。應用不一定只追求最大的用戶規模。 未來更重要的是兩種壁壘。 第一是數據壁壘。用戶的錄音、知識、代碼和工作上下文沉澱在產品中，形成持續積累的數據資產。 第二是網絡效應。以多人協作的Coding Agent為例，使用的人越多，組織內部建立的協作關係越複雜，遷移到其他產品的成本也越高。 規模效應的重要性可能下降，數據壁壘和網絡效應的重要性會上升。 方漢：我仍然選擇模型。 模型Scaling的紅利在很多領域仍然有巨大空間，包括具身世界模型、視頻模型、音頻模型，甚至文本模型。中國AI公司這一輪的發展，很大程度上也來自模型Scaling帶來的能力提升。 Coding是目前最成熟的方向之一，但它不會是唯一方向。在Coding之外，還有大量新大陸等待探索。模型能力繼續提升，才會產生新的產品形態、新的Token需求和新的產業機會。 本文來自微信公眾號“騰訊科技”，作者：曉靜，36氪經授權發佈。 該文觀點僅代表作者本人，36氪平臺僅提供信息存儲空間服務。+15好文章，需要你的鼓勵36氪的朋友們特邀作者0收 藏+10評 論打開微信“掃一掃”，打開網頁後點擊屏幕右上角分享按鈕微 博沉浸閱讀返回頂部舉報參與評論評論千萬條，友善第一條登錄後參與討論提交評論0/1000你可能也喜歡這些文章基於超1萬腫瘤樣本訓練，哈佛醫學院等提出泛癌症基礎模型COMPASS，平均性能優於22種現有方法Linus一句話說透AI侷限：代碼不能直接用，bug只能創可貼式地修李飛飛第一篇「觸覺」論文：機器人會盲摸麻將了AI巨頭正在爭奪人類的錯題本三年AI牛市，洗了三波普通人關於面壁智能，聊聊我的一些新思考Token收費，不再“天經地義”？AI短劇主角都長著同一張臉，是雙向奔赴的結果AI領走埃爾德什100美元賞金，44頁頂刊沒解的題，它一頁紙答出36氪的朋友們特邀作者TA沒有寫簡介，但內斂也是一種表達發表文章49782篇最近內容WAIC之夜：Token堆不出“AI原生”組織20分鐘前何超瓊清倉套現9.5億，“美高梅”要賣了39分鐘前「VAR沉默、芯片撒謊？」為什麼世界盃越精準，球迷越憤怒？1小時前閱讀更多內容，狠戳這裡查看AI測評DeepSeek選靠譜AI，看真實評測查看36氪AI測評官方交流社區加入諮詢報道審核和入駐聯繫36氪尋求報道訂閱號關注下一篇基於超1萬腫瘤樣本訓練，哈佛醫學院等提出泛癌症基礎模型COMPASS，平均性能優於22種現有方法在不同隊列中平均將預測準確率提升了 8.5%21分鐘前關於36氪城市合作尋求報道我要入駐投資者關係商務合作關於我們聯繫我們加入我們36氪歐洲站36氪歐洲站36氪歐洲站Ai產品日報網絡謠言信息舉報入口熱門推薦熱門資訊熱門產品文章標籤快訊標籤合作伙伴36氪APP下載iOS & Android本站由 阿里雲 提供計算與安全服務 違法和不良信息、未成年人保護舉報電話：010-89650707 舉報郵箱：[email protected] 網上有害信息舉報© 2011~2026 北京多氪信息科技有限公司 | 京ICP備12031756號-6 | 京ICP證150143號 | 京公網安備11010502057322號意見反饋36氪APP讓一部分人先看到未來36氪鯨準氪空間推送和解讀前沿、有料的科技創投資訊一級市場金融信息和系統服務提供商聚焦全球優秀創業者，項目融資率接近97%，領跑行業