腾讯汤道生谈 AI 原生组织:创新不可规划,能力可以积累

- 作者
- 叶涛
- 栏目
- 案例拆解
8月26日,腾讯高级执行副总裁汤道生发了一篇长文。 题目叫《和AI一起长跑的这两年》。这是腾讯官方讲AI原生最具体的一次。
8月26日,腾讯高级执行副总裁汤道生发了一篇长文。
题目叫《和AI一起长跑的这两年》。(文末有原文链接)
这是腾讯官方讲AI原生最具体的一次。
这篇文章可能最开始吸引人关注的,是Workbuddy曾经是一个差点被砍掉的团队。
早些年,腾讯内部有一支做开发者工具的团队。最早是腾讯云收购的coding.net,做代码托管和CI/CD,后来又加上Web IDE、代码执行沙箱这些能力。
研发工具的商业模式不太好,这几个产品长期亏损,一直拖着腾讯云扭亏为盈的后腿。降本增效那几年,CSIG关掉了不少亏损的SaaS、PaaS产品,一度也要收缩对DevTools的投入。这个项目,差点就没了。
汤道生后来回看,说了四个字:幸好没砍。
后来,AI来了。
2021年微软发布GitHub Copilot,这支团队开始研究AI写代码,做出Coding Agent早期的代码模型和Harness。
2024年推出CodeBuddy,靠私有化部署拿到一些项目收入,让团队能继续往下做。
2025年底Claude Opus 4.5发布,司内由AI生成的代码比例突然快速攀升。
2026年初,在龙虾爆火出圈之际,团队基于CodeBuddy底座做出WorkBuddy,界面更简单,给产品经理写方案,给运营做数据报告,帮管理者处理邮件和会议。
后来腾讯文档团队调整到了CSIG。两个团队快速融合,正好补上了WorkBuddy急需的文档编辑能力,人机双写、资料库得以快速上线。
上线短短三个月,迭代了四十多个版本。
一个差点被砍掉的项目,最后长成了腾讯AI版图上最关键的一块。
这个故事里没有战略布局,没有提前卡位,用汤道生的原话:
创新不可规划,能力可以积累。
我从汤道生这篇文章里拆出来了几个关于AI原生组织的核心观点,对你的企业AI转型,应该有些启发。
一、创新不可规划,能力可以积累
汤道生在文章里先澄清了一个误解。
大家可能以为,CodeBuddy/WorkBuddy团队早就预料到办公智能体的机遇,提前做好布局,其实不是。
那它是怎么长出来的?
不是规划出来的,是一步一步长出来的。
大模型在编程场景里有天然优势:代码是高度结构化的语言,有明确的语法规则,也有丰富的开源语料;研发任务的输入输出边界相对清晰,模型生成的结果可以通过编译、测试、运行反馈快速验证。
所以研发成为大模型最早落地的场景。团队从这里切入,先积累代码模型和Harness,再积累产品,再积累用户。
到2025年底,模型能力一跃迁,他们手里的东西立刻就能接上。
这就是能力积累的意义。它不是为某一个确定的机会准备的,它是让机会出现时,你有东西可以押上去。
三个月,四十多个版本,几乎一天一小步地往前跑。汤道生写到:
过去做产品,往往要先写文档、评审、排期,再进入开发;而WorkBuddy团队是先让AI把东西做出来,大家围着一个能跑的原型看效果、提意见、再调整。整个过程中,代码基本上都是由AI生成的,人更多地转向做判断、调试和把关。
有了AI,Workbuddy团队的工作模式是这样的:
白天,人和AI一起想、一起改;晚上,AI接着跑长任务。
这不是某个咨询公司画出来的未来工作方式。这是一支真实团队正在工作的状态。
他还给了一个数字:过去要花好几个小时的工作,比如清洗一批数据、做一份经营分析、起草一份文书,现在只需要20分钟左右,就能打磨出一个像样的初稿。
所以,汤道生讲的第一个体会,就是:
创新不可规划,能力可以积累。
规划不了,不是因为能力不足,是因为AI变化太快,要做预测大师毕竟很难。
我在短视频里也给过类似的建议:AI时代,企业不要再做3年、5年规划,而是要做3个月、6个月的经营计划,规划要短,计划要实,高效执行,快速迭代,在奔跑中调整姿势,而不是纠结于规划、设计、方案。
Anthropic团队也分享过一个相近的经验,叫Just in time,即时规划。
不是不规划,是把规划周期缩短到和变化速度匹配。
二、AI不仅是岗位提效,更是流程链条的重塑
这一条,是很多企业落地AI遇到的最难的问题。
以研发流程为例,汤道生说传统研发流程:
过去研发一款在线产品,基本是一条长长的流水线:产品经理写需求,设计师做交互界面,工程师写代码实现产品功能,前后端开发联调,测试工程师跑完所有测试用例,运维工程师部署到生产环境,流程一环扣一环。一个产品团队里必须有多个专业角色,分工较细,沟通成本较高,全流程走一遍也蛮花时间。
一环扣一环。
既是效率,也是枷锁。
因为任何一个环节慢了,整条线都得等。而更麻烦的是:
很多时候,需求不是一开始就能被完整定义出来,而是要实现出来后,边试用边调整,每次调整可能再重新走一遍。
走一遍,再走一遍。
传统研发最大的浪费,不是某个岗位慢,是每次调整都要让整条流水线重新跑一次。
那有了大模型之后呢?
有了大模型,产品经理可以更早搞个原型来验证想法,直接把交互界面设计了;开发也能用AI直接生成前后端代码,包括生成完整的测试用例;有些简单的产品功能,产品经理就能vibe code完成。整个产品研发过程被改造了,同样的事情只需要更少的人就能完成,研发时间也被大大缩短。
注意这里发生的变化。
不是产品经理用AI把PRD写得更快了。是产品经理可以直接把原型做出来。
不是开发用AI补全代码写得更快了。是前后端代码加测试用例,AI一次生成。
岗位还在,但岗位之间的接缝消失了。
这才是关键。
很多企业做AI,特别是大企业,做法是在旧流程上加装AI功能模块。
流程环节没有变化,工作职责没有变化,会议沟通仍然继续。
这不叫重塑,这只能叫岗位AI加速。
加速解决的是快一点,是岗位上的效率变革,重塑解决的流程对不对,组织要不要重新适配。是链条上的效率变革。
所以汤道生说到:
当AI能同时把多个环节都做好,原来角色边界变得模糊,大团队的流水线反而变得臃肿与低效。在一个AI原生组织里,跨界不只是员工的常态,更是小团队办大事的基础。
三、Co-Design:技术、产品、管理要重新连接
汤道生说:
在Agent时代,模型和产品的深度协同也变得非常重要,否则很容易造成灵魂与肉体的分离。
灵魂与肉体的分离。
这个比喻很准。模型是灵魂,产品是肉体。模型能力再强,落不到具体场景里,就是一堆跑分;产品体验做得再顺,模型能力跟不上,就是一具空壳。
那怎么协同?他给了定义:
产品与模型Co-Design就是指一起对齐优化目标、构造环境数据、加强模型后训练,再通过实验反复验证。
一起对齐目标,一起构造数据,一起做后训练,一起验证。
四个一起。
这里面最容易被忽略的,我觉得是构造环境数据。
汤道生举了一个例子,我觉得是整篇文章里信息密度最高的一段:
在Coding场景,模型需要的Context是代码、工程架构、数据结构等;而在PPT场景,需要的则是会议纪要、业务资料、市场状况、公司模板和表达风格等等。不同场景下,什么信息是有用的,如何喂给模型,需要模型和产品团队,从各自视角共同参与设计。
同一件事,换个场景,要喂的东西完全不一样。
写代码要知道工程架构,写PPT要知道公司模板和表达风格。
这件事,模型团队不知道,只有天天泡在场景里的人知道。
而场景里的人,又不知道模型到底吃什么。
所以必须坐在一张桌子上。
腾讯最近在做的另一件事,也是同一个逻辑:推动企业微信、腾讯文档、ima、腾讯会议、iwiki等产品与WorkBuddy打通,让模型在多个高频入口中,持续获得更多真实任务数据、用户交互反馈和场景化Context,再把反馈用于调优、能力补齐和体验优化。
我把这一条翻译成企业语言,是这样:
Co-Design的本质,是把Context当成资产来经营。
很多企业抱怨模型不好用。
但很少有人认真回答过一个问题:在我的业务场景里,什么信息对模型是有用的?
客户的历史沟通记录?产品的历史报价规则?审批的通过率分布?老师傅的判断依据?
这些东西不梳理,模型拿到的就只有一句干巴巴的指令。
你给它一碗水,它不可能给你一锅汤。
所以在AI原生组织里,技术、产品、管理这三件事,不能再分三段跑了。
技术负责选型,产品负责需求,管理负责进度,各管一摊,这在过去没问题。
现在不行。这三件事必须同时发生,因为Context的定义,横跨这三个角色。
四、团队要更扁平,目标要提前对齐
组织变小了,角色融合了,是不是管理就变少了?
恰恰相反。
它需要另一套更清晰的管理机制。
汤道生在文章最后写道:
这对我们的组织管理,也提出了更高的要求:团队要更扁平,目标要提前对齐,评测指标要清晰,实验与试错成为研发流程的一部分。很多过去放在后面的验证工作,现在要尽量前置;很多过去按角色分工完成的事情,现在需要产品、工程、算法、设计一起提前参与判断。
这段话里有四个动作:目标提前对齐、评测指标清晰、验证前置、多方提前参与判断。
四个动作,指向同一个方向:把管理动作,从事后挪到事前。
过去,需求做完了评审,开发做完了验收,上线了看数据。管理者大量时间花在协调执行、跟进任务、检查进度上。
那是因为过去执行很贵。一个东西做出来要几周,人盯得紧一点,就能少返工一次。
现在执行便宜了,这套逻辑失效了。
一个Agent几小时就能做出过去几周才能完成的东西。你再派人去盯执行进度,盯的那点时间,比做出来的时间还长。
所以管理重心必须前移。
移到哪里?移到方向、问题拆解、Context补充、评价标准定义、边界设置。
那为什么非得前移?
AI让执行变便宜以后,方向变得更贵。
执行快,能让正确的方向更快跑出来。
但执行快,同样能让错误的方向更快跑偏。
现在两天就能做出一堆看起来很像样的错误结果,然后在错误的基础上继续迭代,越跑越偏,
而且这种错误更难被发现。
因为它太像正确的了。
一份AI生成的经营分析,格式规范,数据完整,图表漂亮。唯一的问题是口径取错了,结论反了。
过去这种粗糙的东西,一眼就能看出有问题。现在它精致到,让人忽略去质疑。
这也是为什么汤道生反复强调评测指标要清晰。
因为当执行不再是瓶颈,评价就成了唯一剩下的闸门。
AI时代的扁平化,不是砍掉中层,而是把中层从监督执行,解放到定义正确。
AI时代的中层,只做上传下达和工作协调,一定是被淘汰的。
AI时代的中层,手里必须要拿着三样东西:对业务目标的理解,对评价标准的直觉,对什么能做、什么不能做的边界感。
这三样东西,是AI替代不了的。
写在最后:
而对于你的企业落地AI,我想给你一个三步走的建议:
第一步,工作AI化,对应的是经验积累。 先让AI进入日常工作,让20分钟出一份初稿变成团队常态。少数人用得深,胜过所有人用得浅。
第二步,业务AI化,对应的是流程重塑。 不是在某个节点加个AI,是找一条端到端的流程,真正重做一遍。
第三步,企业AI化,对应的是AI原生组织。 Context沉淀成资产,人机协作的原生组织形态,多个多边形作战团队,管理者从盯执行转向定义什么叫好。