关闭AI文档助手功能：拓展人类创造力的边界
2026-07-21 3415389
2026-07-21 0
2026年上半年，AI行业最热的两个词是Agent和Tokenmaxing。前者意味着模型开始从“回答问题”走向“完成任务”，后者希望通过更长上下文、更多推理步骤和更高的Token消耗，换取更复杂的任务能力。
但Tokenmaxing很快暴露出另一面。为了让公司成为更“AI原生”的组织，一些企业把Token消耗量当作转型指标，甚至纳入团队KPI。调用量不断增长，实际产出、任务完成率和商业回报却未必同步提升。行业由此开始重新讨论：Token真正的价值，究竟来自消耗规模，还是来自它所进入的产品、工作流和组织系统？
7月17日晚，在2026世界人工智能大会（WAIC）举办期间，由腾讯新闻、腾讯科技主办，腾讯华东总部、腾讯云智能特别支持的“腾讯WAIC之夜”在上海举行。腾讯科技高级编辑、AI未来指北主理人郭晓静主持首场圆桌，昆仑万维董事长兼CEO方汉、出门问问创始人兼CEO李志飞、沐曦股份联合创始人、CTO杨建，围绕模型、产品与组织三个层面，讨论了Tokenmaxing退潮后浮现出的新问题。
方汉认为，Token消耗量是最容易统计、也最容易失真的指标。昆仑万维内部也观察了员工的Token使用情况，但很快发现，为了完成指标，员工甚至可能把一本《红楼梦》输入模型，迅速消耗大量Token。Token可以证明员工“用了AI”，却无法直接证明AI创造了多少价值。
在他看来，真正推动Token需求爆发的并非单纯增加调用，而是Claude Code等Coding Agent建立起了更完整的Harness。模型获得了长上下文、工具调用、代码执行和持续反馈能力，才得以连续完成复杂任务。Coding也因此成为目前Token消耗最密集、商业化最清晰的场景之一。
所谓“Tokenmaxing已经失败”，更准确地说，是把Token消耗本身当作能力增长、产品价值和组织转型结果的简单叙事已经失效。Token只有进入稳定的工程框架、明确的业务流程和可验证的任务场景，才可能真正转化为生产力。
李志飞认为，判断一家公司是否真正成为AI原生组织，不应只看员工用了多少Token，更应该看Agent是否已经从辅助工具和“实习生”，变成组织中的正式员工。
过去一年，出门问问将员工规模从约300人调整至150人，同时推出两款新产品。李志飞预计，公司今年的整体产出可能达到上一年的4倍。在他的实践中，真正困难的并非让每个人学会使用Agent，而是把AI“内化”为组织能力。
“一个人指挥一个Agent很简单，一个人指挥多个Agent也不难，真正复杂的是多个人同时指挥多个Agent。”李志飞说。
这也是他区分“超级个体”和“超级组织”的核心。CEO或者工程师可以借助AI大幅提高个人效率，但如果公司的排期、审批、协作和信息流仍沿用旧体系，个人生产力的提升不会自动变成组织生产力。
杨建把这种变化放在更长的时间尺度中。他认为，人类正在进入一个“知识生产和知识创造不再主要由人类完成”的时代。当机器逐渐接管解题，人类更重要的能力将转向发现问题、定义问题和组织资源。
但在企业内部，他并不主张让员工无边界地使用AI。杨建强调，AI具有不可预测性，企业用AI，需要先把AI“关进笼子”：所有能力经过审核，所有操作通过沙箱隔离，数字员工的岗位、权限和职责也应由组织逐层规划。
这场讨论最终指向一个比Token消耗量更实际的问题，当模型能力开始进入生产系统，企业该如何重新设计产品、岗位与协作关系，并证明不断增长的Token真正创造了价值？
图：方汉、李志飞、郭晓静、杨建（从左至右）
以下为圆桌实录，经编辑整理，有删减。
郭晓静：2026年上半年，AI领域几乎每天都在变化。哪一项变化重要到影响了公司的产品、组织或者战略？
李志飞：对我影响最大的变化其实发生在去年五六月份。当时我重新开始使用Cursor编程。我以前是程序员，但已经有近十年没有真正写过程序。端午节期间，我连续写了三天代码，之后对公司的判断发生了根本变化。
第一，我认为公司不再需要那么多人，可以大幅提效。
第二，很多原有业务的意义下降了。一部分业务继续维持，一部分被砍掉，我们开始做两个新产品：一个是录音和知识管理产品TicNote，另一个是面向团队协作的Coding Agent产品CodeBanana，并同步启动组织AI化转型实践。这背后的组织思考与转型实践研究，沉淀为《超级组织》一书，首次系统提出了AI时代组织进化的方法论框架。
亲自使用AI编程之后，我感觉这已经是两家完全不同的公司。过去很多需要团队协作数周完成的事情，现在一个人可能很快就能完成。
杨建：我们的变化更早一些。DeepSeek-V3出现以后，我们判断模型开始进入接近可用的阶段。
当时我们投入团队研究如何用大模型优化GPU算子。有两位从事人工智能工作的年轻员工，此前不会编写算子，也不具备传统意义上的底层编程经验，但她们在三周内完成了一个算子库的系统优化。
我们选取其中6个算子，与有多年经验的工程师进行对比。结果显示，人的平均表现大约只有大模型方案的85%。换句话说，大模型在这项具体任务上已经超过了工作多年的工程师。
后来，我们又尝试用10个Agent完成数学库和算子库的大量工作。我通过24轮对话搭建了一个框架，自己没有写一行代码，最终发现它能够替代传统流程中约90%的工作。
这个结果让我重新思考，我们正在进入一个什么样的时代。
郭晓静：您提出，人类可能不再是知识生产和知识创造的主要主体。为什么会有这样的判断？
杨建：如果站在50年或者100年后的视角回看，未来的人可能会认为，从这个阶段开始，人类进入了一个知识生产和知识创造不再主要由人类完成的时代。
过去，无论硕士、博士还是企业员工，大多数人扮演的都是“解题者”。他们接受一个问题，然后寻找解决方案。
但当越来越多的解题工作可以交给大模型，人的核心价值将转向发现问题和定义问题。未来真正重要的人，可能不再是最擅长解题的人，而是能够提出关键问题、判断问题价值并组织资源的人。
Cursor、Claude Code和Codex只是这一时代的一个缩影。未来，科学研究也会发生类似变化。
过去，一个研究团队可能需要多年才能读懂一篇复杂的数学论文。随着模型能力提升，知识理解、验证和创造的速度会大幅提高，人类将进入高速知识生产的阶段。
对应到企业管理，我们不应该只向董事长或者CEO介绍Agent的技术能力。更容易被理解的表达是：公司需要使用数字员工，重新定义每一个岗位的职责，并进一步调整组织结构。
因此，我们从公司高层开始规划数字员工体系，逐层明确每一个岗位可以交给AI的工作，以及人与AI之间的职责边界。
郭晓静：方汉怎么看这个判断？
方汉：我很尊重杨老师的判断，但对此有一些不同意见。
现在的大模型可以解决很多数学问题，但它往往是记住并组合了人类历史上大量已有尝试。模型看起来比人更强，并不意味着它已经能够发明新的数学证明方法。
我认为，到目前为止，大模型仍然缺乏真正创造全新数学方法的能力。另外，Coding和Agent太热，导致很多模型的训练资源都在向编程任务集中。除少数模型以外，一些模型的数学能力甚至可能出现下降。
所以，知识生产的主体是否已经发生根本变化，还需要继续观察。
郭晓静：过去一年，AI编程为什么会快速推动Token消耗？
方汉：昆仑万维很早就开始使用Copilot和Cursor，但早期公司的Token消耗量一直没有明显增长。真正的变化出现在Claude Code一类产品出现之后。
他们建立了一套更完整的Harness，让模型可以在长时间、长上下文中持续执行任务。Coding场景的Token消耗由此快速增长。
过去，中国大量高端显卡主要用于图像和视频生成，用于Coding的比例并不高。但Claude Code出现以后，很多算力迅速转向编程任务。现在，Coding很可能已经成为Token消耗最大的场景，视频排在其后。
这也改善了模型公司的商业表现。Coding订阅产品的收入快速增长，模型公司的经常性收入变得更好看。
这件事还说明，模型能力的发挥不只取决于算法。Anthropic比较早地给予工程和算法同样重要的地位。一个好的Harness、一套好的工程设计，可以显著释放模型能力。
过去，大家经常认为模型能力主要由算法团队决定。但现在可以看到，软件工程、执行框架、上下文管理和工具调用同样重要。
郭晓静：除了Coding，还有哪些方向可能出现类似机会？
方汉：AI for Science是非常值得关注的方向。
我最近也在帮助一些科学家使用Codex、Claude Code和各种Skills开展科研工作。大模型能够调用和组合人类历史上积累的大量研究方法，这会让科学研究出现一种明显的“高维打低维”效应。
很多过去成本很高、很难被系统探索的问题，可能成为新的低垂果实。
我们也在思考，音乐生成和视频生成领域能不能建立类似Coding Agent的Harness。当前行业在这些领域仍然缺少足够成熟的执行框架，这可能是一个值得投入的方向。
郭晓静：外界过去认为昆仑万维会把更多资源投入基础模型，但今年大家看到的更多是AI原生平台和应用。是什么推动了这一战略变化？
方汉：这里存在一个误解。我们仍然在持续训练模型，也会发布音乐模型、具身世界模型和游戏世界模型。
我们坚定地认为，模型和算力仍然是一家AI公司长期立足的基础。如果没有自己的模型，公司未来会非常吃力。
随着模型能力增强，一些今天需要外部Skills完成的工作，未来可能直接被模型内化。模型越强，外部工具和提示的复杂度反而可能越低。因此，Skills这个概念未来也可能发生变化，它不存在单独的商业化价值。很多常见能力会逐渐进入模型内部。
做平台和应用，并不意味着放弃模型。平台、产品和模型之间需要形成闭环。
郭晓静：很多公司都在谈AI原生组织。怎样判断一家公司是否真正成为了AI原生组织？
李志飞：我把它称为“超级组织”。
它的核心假设是：AI已经成为组织中最主要的劳动力之一。AI不再只是辅助工具或者实习生，而是正式员工。当这个假设成立，过去的组织结构都需要重新思考，包括人的角色、人与AI的关系、AI与AI之间的关系，以及工作如何被分配。
我最早做的是“超级个体”实验。那段时间我很少到公司开会，主要在家里使用AI编程。有一次我在线听团队讨论产品排期，他们还是以两周、三周甚至一个月为单位安排工作。
但我判断，他们讨论的一些任务，我可能半个小时就能完成。
那一刻我意识到，我已经一只脚进入了新的生产方式，但组织仍然停留在原来的工作节奏中。
CEO成为超级个体，只能改变CEO本人，无法自动改变整个组织。超级个体不等于超级组织。
后来我们开发CodeBanana，也是因为个人使用AI编程很容易，但团队协作仍然很困难。一个人写完代码后，部署、运维和后续修改需要在不同人员之间传递，上下文很容易丢失。
我们希望做一个类似在线文档的协作环境，让多个人和多个Agent共享同一份上下文。
现在，公司约150名员工，无论程序员、产品经理，还是人力资源、行政和财务人员，都可以指挥Coding Agent工作。人减少了一半，公司又推出了两款新产品。我预计公司今年的整体产出可能达到去年的4倍。
郭晓静：如果把AI原生组织的判断标准再简化一些，最重要的是什么？
李志飞：主要看两点。第一，Agent在公司里是不是主要生产力，是不是被当作正式员工。
很多公司仍然把AI当辅助工具，或者把它看成一个实习生。这远远不够。
第二，公司能不能实现多人和多Agent协作。一个人指挥一个Agent很简单，一个人指挥多个Agent也不难。真正复杂的是，多个人同时指挥多个Agent，在共享上下文中并发工作。未来的组织将是一个高度并发的人机协作系统。
除此之外，员工需要变得更加全栈，组织结构需要更加扁平。传统的软件开发流程通常是线性的：先调研，再设计，然后进行前端、后端和测试。
未来的工作流会更多围绕原型展开。团队先快速做出Prototype，再根据结果不断迭代。
郭晓静：从超级个体走向超级组织，中间肯定会遇到组织惯性。出门问问遇到过哪些坑？
李志飞：最早的时候阻力非常大。我经常用一个比喻：我已经翻过一座山，看见了金矿，回来告诉员工山那边有金子，但很多人无动于衷。
去年6月至10月，我们主要从研发团队推动转型。当时采取了一些非常激进的措施。
例如，我要求代码必须由AI完成，不允许员工手写代码。这个要求挑战了一些工程师对自身价值的理解，有人因此选择离职。
我还要求工程师不要依赖自己记忆命令行，而是学会指挥AI完成操作。当时我给团队一个月时间，原计划重新考核所有工程师。我希望他们能够在半小时内完成过去需要一周完成的工作。无法通过测试的人，可能需要离开团队。
最终，一部分人主动离开，留下的人也逐渐完成了转型。
现在，我们的产品经理可以直接修改和上线一些简单代码，设计师也具备更完整的产品开发能力。产研团队无论是否是工程师，都在向全栈发展。
有意思的是，从产研部门向非产研部门推广时，阻力反而更小。过去，市场、人力资源、财务和法务没有研发能力，很多需求都需要请求工程师帮助。现在，他们发现自己可以直接指挥Coding Agent完成工作，因此学习意愿很强。
程序员有时反而最不愿意协作。他们习惯一个人完成任务，再交付结果。已经熟练使用Cursor或Claude Code的工程师，还可能认为团队协作工具降低了自己的效率。
因此，AI原生组织的难点，不只是让个人使用AI，还要重新建立人与人、人与Agent之间的协作方式。
郭晓静：杨建总推动组织变化时，也是先成为超级个体，再带动公司转型吗？
杨建：我不能只做超级个体。如果我重新回到个人创造者的状态，公司可能就无法正常运转。
创业以前，我更像一个发明者或者创造者。创业以后，我们的员工来自300多家公司，我更重要的工作是协调组织，把不同背景的人整合在一起。
在AI原生时代，我非常强调安全。AI存在不可预测性，企业使用AI时，首先要把AI“关进笼子”。
这件事不能只从个人层面推动，需要从公司层面建立企业级解决方案。
我们的所有AI能力必须经过审核才能上线，所有操作要通过沙箱隔离，避免模型的错误操作影响公司系统。之后，再以组织为单位逐层推进。每个团队先规划自己的数字员工，明确职责和权限，通过审核后再投入使用。
AI也会让一些员工展现出过去没有被发现的能力。员工当前所在的岗位，不一定是最适合他的岗位。我们鼓励员工跨团队流转，寻找更适合自己的位置。
当然，我们服务很多大型客户，也需要持续履行商业合同，因此，安全和稳定是必须考虑的前提。
郭晓静：方汉怎么看这两种组织转型方式？
方汉：杨建的方式相对保守，李志飞的方式相对激进。昆仑万维选择了一条中间路线。
我们的管理层已经形成共识：员工如果不适应AI，公司也会被淘汰。
但现在很多程序员都很恐惧，担心自己最先被AI替代。我们向他们传递的判断是，虽然程序员可能受到较大冲击，但目前对AI掌握得最好的群体仍然是程序员。
把AI学好，程序员依然会有很大的发展空间。我们的转型从上到下推进，先考核中层研发管理者。我亲自设计了AI编程题，现场考试。结果并不理想，90分以上的只有一人，相当一部分人的成绩低于60分。
中层干部是连接管理层和普通员工的关键。管理层形成共识后，需要通过中层把AI工作流真正带进团队。
我自己也会大量使用模型。今年以来，我个人消耗了约290亿Token，主要用于写PPT、研究文档和技术探索。
自己使用模型的目的，是理解它能够做什么，然后与中层管理者讨论，怎样把合适的AI流程引入具体团队。
郭晓静：昆仑万维在组织层面有哪些比较有效的方法？
方汉：我们有两个相对有效的方法。
第一，在所有工作群里加入一个学习型Agent。
开始时，不需要急着把它包装成能力很强的“数字员工”。可以先把它当成一个秘书，记录群里的讨论，整理成组织记忆。随着记忆积累，再根据工作群的实际需求逐步增加功能。团队需要什么能力，就让这个Agent继续学习什么能力。
第二，用工程化方法管理群体记忆。
每个开发组共享一套编程记忆系统。团队负责人先确定知识结构，成员不断补充项目规范、AI编程经验、代码提交要求、容易踩的坑和统一风格。系统每天自动总结，同时清理过时记忆，保证整个开发组共享一致的上下文。
这种组织记忆非常重要。AI原生化不能只依赖员工个人的提示词和使用习惯，需要把经验沉淀成公司可以复用的基础设施。
郭晓静：Token消耗量可以用来衡量组织的AI转型程度吗？
方汉：Token消耗量是一个最简单的参考指标，但不能完全依赖它。
我们希望研发团队增加Token使用量，非研发团队也要大量使用AI。不过，员工为了完成指标，可能会做出很多没有意义的操作，例如向模型输入一本很长的书，迅速消耗大量Token。
因此，Token使用量只能说明员工是否开始使用AI，不能直接代表生产力。真正的组织改造非常复杂。对于多数中国公司来说，更现实的方式仍然是从管理层开始，经由中层干部，再逐步推广到普通员工。
郭晓静：AI编程带来效率提升后，还需要高级程序员或者架构师手写高质量代码吗？
李志飞：不一定需要手写，但一定要看代码。
员工不能把任务交给AI之后完全不检查结果。现在有一种Vibe Coding的方式，只看功能能不能运行，不关心代码本身。我认为这种方式存在很大问题。
人可以不亲自敲每一行代码，但需要理解代码，并对AI生成的结果负责。
方汉：我认为AI编程会带来严重的技术债。
产能肯定会上升，但代码质量可能下降。因为AI生成代码导致的生产事故，我们观察到的增幅可能达到数倍。因此，AI原生组织不能只追求生产速度。代码审查、测试、权限、沙箱和责任机制都需要同步加强。
郭晓静：最后一个问题。未来最值得投入资源的是什么？算力、产品还是组织，只能选择一个。
杨建：我选择产品。
算力对我们来说并不是最缺的，组织也在持续调整。最终，技术和组织能力都需要通过产品形成价值，所以产品排在第一位。
郭晓静：国产算力已经能够支持万卡集群训练，这是否意味着国产芯片在训练领域也有很大潜力？
杨建：国产算力在训练领域取得进展，并不是最近才发生的事情。两年前，一些国产芯片已经能够较好地支持特定训练任务，只是外界了解得不多。
在千亿参数模型、多模态、具身智能和自动驾驶等场景中，国产卡已经积累了不少训练经验。
过去国产卡做推理很难形成经济性，部分原因是当时主要场景还是短对话。进入Agent和AI编程阶段后，单次任务持续时间更长，Token消耗量更大，国产算力的利用方式也发生了变化。
某种程度上，国产卡在部分训练场景中的探索，比在通用推理场景中更早。
李志飞：我也选择产品。
我们的组织已经非常激进，不能无限激进，再继续加速可能会带来新的风险。不过，今天做应用产品的逻辑与过去不同。以前，应用产品更强调规模效应，需要通过品牌和用户规模建立壁垒。
现在，一个高价值Coding用户创造的收入，可能相当于大量普通聊天用户。应用不一定只追求最大的用户规模。
未来更重要的是两种壁垒。
第一是数据壁垒。用户的录音、知识、代码和工作上下文沉淀在产品中，形成持续积累的数据资产。
第二是网络效应。以多人协作的Coding Agent为例，使用的人越多，组织内部建立的协作关系越复杂，迁移到其他产品的成本也越高。
规模效应的重要性可能下降，数据壁垒和网络效应的重要性会上升。
方汉：我仍然选择模型。
模型Scaling的红利在很多领域仍然有巨大空间，包括具身世界模型、视频模型、音频模型，甚至文本模型。中国AI公司这一轮的发展，很大程度上也来自模型Scaling带来的能力提升。
Coding是目前最成熟的方向之一，但它不会是唯一方向。在Coding之外，还有大量新大陆等待探索。模型能力继续提升，才会产生新的产品形态、新的Token需求和新的产业机会。