AI 提效后，先把人推向客户。
图由 AI 生成
文 | 燕子
排版编辑 | 唐山惠
如果 AI 真的让研发、运营、服务效率一起提高，一家 SaaS 公司最先应该做什么？
做一个 agent？给 AI 单独定价？把线上岗位迅速压缩？
小鹅通创始人兼 CEO 鲍春健在现场给出的提醒很直接：先别急着问 agent 收多少钱，先想清楚生产力提高以后，你要把人和能力释放到哪里。没有新的市场和真实客户问题，AI 很容易只是在公司内部制造焦虑。
7 月 17 日，崔牛会「SaaS 企业 AI 转型」系列深度学习走进小鹅通。
现场当然也谈模型、智能体和原生应用，但真正反复出现的，是一些更贴近经营的问题：客户会发生什么变化，企业的核心能力还在哪里，组织里哪些人应该离客户更近，AI 到底该被放进哪条业务主流程。
小鹅通创始人兼 CEO 鲍春健、小鹅通 CTO 王铁波、小鹅通 AI 平台中心总监罗文、小鹅通 COO 樊晓星，分别从战略、研发、产品和运营四个角度，拆开了小鹅通这半年多的 AI 转型。
四个人讲的切口不同，但都落到同一个方向：AI 转型如果只追名词，很快会失焦。更接近本质的动作，是重新回答客户、组织、研发、产品和服务之间的关系。
01
先问 AI 不能做什么
鲍春健分享一开始，就把自己的状态讲得很真实。
春节前后，他对 AI 的态度发生了明显变化。
此前在公司内部，只要有人提 AI，他常常会追问：这个需求到底是什么？客户真正要解决的问题是什么？这种谨慎，来自一个产品人的本能。
客户都在要 AI，市场都在讲 AI，团队也希望自己成为一家 AI 公司，这种氛围越热，越容易做出看上去很时髦、实际却不够理性的产品。
所以他反复提到一句话：可以解放思想，但必须实事求是。
在他看来，很多企业讨论 AI 时，容易先问 "AI 能做什么 "。小鹅通在这轮思考里，反而开始追问 "AI 不能做什么 "。
因为 AI 能做的事，同行和大厂都会做得越来越好；AI 暂时不能替代的复杂场景、信任关系、线下服务、合规要求、行业规则，才可能成为一家垂直 SaaS 企业继续存在的空间。
这也是小鹅通重新看待自身业务的起点。
营销互动、内容运营、私域运营、客户服务，这些场景里，有大量环节可以被 AI 提效，但消费者真实的互动、客户对确定性的要求、商家对业务结果的期待，并不会因为 AI 出现就消失。
鲍春健的判断很克制：企业不应该因为 AI 焦虑，就急着做一个 agent 出来，再问它能收多少钱。更重要的是找到进攻方向，把 AI 带来的生产力释放到真实市场里。
他提到，小鹅通的增长逻辑正在从更标准化的线上产品，走向更深入的大客户服务、行业化服务和线下直销。
AI 提升内部生产效率后，组织不能只在内部消化效率提升，否则很容易变成 " 谁会被替代 " 的焦虑。企业需要把能力释放到客户那里，让更多问题暴露出来。
这句话很重要：唯有增长才能看见问题。
客户真正愿意付费的地方，往往不落在一个 "AI 功能 " 上，核心是企业能不能帮他解决更大的经营问题。大客户愿意给更多预算，前提是你能帮他创造更大的价值。
AI 在这里的作用，是让企业有能力更快响应、更深服务、更好交付，不给原本模糊的需求再套一个新名词。
02
组织要先动起来
小鹅通这轮 AI 转型，一个很明显的特点是：组织动作比产品口号更早发生。
鲍春健讲到，AI 带来生产效率变化之后，小鹅通开始重新分配研发、销售、运营、服务等岗位的关系。
研发从后端功能开发，更多被推到行业、客户和业务前线；线上可被工具提效的岗位开始收缩，线下直面客户、理解需求、完成服务和销售闭环的岗位被强化。
这里面有一个值得 ToB 企业讨论的判断：AI 提效之后，多出来的能力应该流向哪里？
如果企业只盯着内部降本，很容易让员工把 AI 理解成替代自己的工具。
小鹅通选择把一部分能力推向前线，让团队围绕大客户、行业解决方案和定制化需求展开工作。这样一来，AI 提升的效率，就被组织导向了客户价值和增长机会。
王铁波从研发侧补充了另一层。他说，AI 让个人编码速度提升，这一点大家都能感受到，但编码只是研发中的一段。真正的研发效率，取决于需求理解、业务背景补齐、协作沟通、验证发布、结果回流等一整条链路。
如果组织流程仍然是产品经理、设计、前端、后端、测试一段段接力，Coding Agent 再快，也只是把瓶颈推到下一个环节。
于是小鹅通做了组织调整：减少岗位接力，融合研发角色，让小团队对结果负责，把研发人力释放到业务一线。
如果只把这件事理解成 " 让 AI 写代码 "，就太窄了。
王铁波把 AI 看作研发体系里的一个新角色，它会改变人和工具之间的关系，也会改变人和人之间的协作关系。组织不改，AI 的局部提效很难自然变成整体提效。
03
真正难的是企业知识
王铁波的分享里，最值得反复看的部分，是他对知识的强调。
很多企业一开始使用 AI，都会从本地 Agent、代码生成、个人工具提效开始。小鹅通也经历了这个阶段。
但他们很快发现，本地 Agent 依附于个人电脑、个人权限、个人上下文，很难变成组织能力。于是他们尝试把 Agent 搬到云端，统一运行环境、授权、记录和审查。
可是云端 Agent 解决了运行基础，并没有解决业务认知。
AI 不知道什么是小鹅通的内容载体、线上互动场景、权益、店铺、续费、行业规则，也不知道历史上某个功能为什么这样设计。没有这些企业内部知识，它就很难稳定完成真实工作。
王铁波把小鹅通的研发实践概括为SES。它要组织好人、AI 和系统三类资产：人负责开放性的价值判断，AI 承担认知、推理和行动，系统负责确定性、可重复、低成本的执行。
在这个体系里，工作有两条闭环。
一条是工作闭环：从咨询、Bug 或需求进入，AI 组织上下文、查询日志和代码、定位原因，在授权和人工确认的边界内推进修复、验证、灰度、发布和关单。
另一条是演进闭环：这次工作留下来的知识、工具、测试和规则，要能改变下一次工作的能力。否则工作虽然完成了，组织能力并没有沉淀。
这对很多 SaaS 企业都有启发。知识库的价值不在规模，知识被保存下来也不等于形成复利。只有当知识在真实工作里被反复消费、验证、更新和淘汰，它才会让下一次工作更快、更准、更少依赖个人经验。
王铁波还提醒，通用工具、通用模型、通用工程能力会越来越强，也会逐渐变成行业标配。
企业自己的空间，更多藏在垂直业务知识、历史决策、客户边界、架构约束和发布规则里。这些东西离真实经营越近，越难被通用模型直接覆盖。
04
AI 产品不能只做一个对话框
罗文分享的是小鹅通面向客户的 AI 产品实践。他的切入口是产品，但核心问题仍然回到客户经营。
在传统 SaaS 里，用户使用工具，工具被动执行。功能越来越多，按钮、表单、工作流也越来越多。
AI 到来之后，Agent 产品开始主动拆解任务，交付内容从 " 可操作的功能 "，更接近业务结果。
但通用型 AI 工具很难直接闭合企业业务。它可以给方案，可以回答问题，却缺少企业自己的业务逻辑、实时经营数据和后台执行权限。
对一家 SaaS 企业来说，机会就在这里：把原生业务 AI 化，让 AI 出现在客户已经工作的地方，连接数据、权限、流程和行业经验。
罗文提到，小鹅通做 AI 产品时，看重三类能力：原生数据权、后台执行权、行业级 Harness。
所谓 Harness，可以理解为让 Agent 稳定工作的业务脚手架。
一个 Agent 能不能把任务做成，不只取决于模型本身，还取决于角色怎么定义、工作流怎么安排、哪些知识可用、哪些操作被限制、如何评审和记录。
这也是罗文从实践中得到的一个教训：做 AI 产品，不能只给客户一个空白对话框。客户打开一个对话框，如果不知道能问什么、能做什么，产品能力再强也很难被用起来。
小鹅通后来开始把 Agent 放回客户已经在使用的场景里，比如营销互动端、中控台、管理台，让 AI 在原有工作流中出现。
他的另一个判断也很有意思：AI 产品早期看使用深度，比看使用广度更重要。
传统产品常看 DAU、MAU、点击率，但 AI 产品的价值，可能更体现在对话轮次、工具调用、任务完成和 token 消耗上。真正用得深的客户，能暴露真实需求，也能帮助产品找到可复制的能力。
罗文还分享了一个客户选择上的经验。
AI 让很多需求听起来都很有想象力，但想象力不等于落地价值。真正值得陪跑的客户，往往不会只带着愿景来讨论。他们已经有清晰问题、有替代方案、有付费预算，也能说清楚 ROI。
这对 ToB 企业很关键。AI 产品落地，未必适合从最兴奋的客户开始。更稳的起点，是那些能把问题说清楚、愿意把业务流程打开的客户。
05
运营侧重新划分人与 AI 的边界
樊晓星从运营视角讲了小鹅通内部服务、续费、训练营和社群的 AI 提效。
她开篇提到一个关键词：边界。
小鹅通早些年为了服务大量线上化客户，曾经配置了较重的服务和运营团队。
那种通用化、无差别的服务，在业务高速增长期有它的价值，但发展到后期，也带来了岗位冗余、服务质量不稳定、人力成本上升、员工价值感下降等问题。
AI 出现后，服务、销售和运营的边界需要被重新划分。樊晓星的判断很清楚：重复型、确定型、线上型的工作，最适合先交给 AI；情感信任、线下连接、复杂经验判断，短期内仍然需要人来完成。
比如客服场景里，大量问题高度重复。小鹅通把多年服务客户的经验整理成知识库，用 AI 判断问题是标准化问题，还是需要人工介入的个性化问题。
训练营场景里，原来大量群通知、用户服务提醒、活动复盘等重复动作，可以由 AI 自动完成。
社群运营里，社群基础管理、用户触达答疑等常规工作，也可以被工具承接。
这些动作的意义，不止是少用人。更关键的是，人被释放出来以后，要去做更高价值的工作：识别价值客户，经营信任关系，做线下连接，理解行业场景，推动业务增长。
樊晓星把这种变化概括为从执行者到价值挖掘者。
对非产研团队来说，AI 的意义不止是 " 我终于不用重复干活了 "，还包括 " 我可以参与产品化、参与客户洞察、参与业务增长 "。
这也是小鹅通这场分享里很一致的一点：AI 的价值，落在重新分配人、AI、系统各自该做的事。
06
这次学习真正留下的问题
如果把四位嘉宾的分享放在一起看，小鹅通的 AI 转型走得并不轻松。
它有焦虑，也有反复；有激进的尝试，也有被现实拉回来的耐心；有组织压缩，也有业务前线的扩张；有产品想象，也有客户不愿意付费的冷水。
所以这篇笔记里，我们不是去看 " 小鹅通做对了什么 " 的标准答案（这都是小鹅通阶段性的实践）。更值得大家思考的是这几个问题：
第一，AI 到来之后，我们的客户到底会发生什么变化？他们哪些需求会被通用工具满足，哪些问题仍然需要垂直 SaaS 企业贴身解决？
第二，企业内部的 AI 提效，最终流向了哪里？是停留在降本焦虑里，还是被组织导向了客户价值、增长和更深的服务能力？
第三，我们有没有把企业知识当成资产来经营？那些散落在员工脑子里、工单里、客户现场里的经验，能不能在真实工作中被持续验证和复用？
第四，AI 产品到底是在创造新入口，还是进入客户已经工作的地方？客户愿不愿意用，很多时候取决于它是否真的嵌进了业务流程。
第五，人和 AI 的边界有没有说清楚？哪些事应该交给系统稳定执行，哪些事适合 AI 推理和行动，哪些判断必须由人承担责任？
这也是崔牛会持续组织深度学习的原因。很多企业的真实经验，只有走进去、听下来，才会发现几个标签远远不够。所谓学习一家企业，重点不在照搬它的组织架构、产品动作或工具清单。更重要的是回到自己的业务里，重新判断：我们的客户是谁，我们的主流程是什么，我们的知识资产在哪里，我们的人应该离什么问题更近。
小鹅通这一场，没有给出一个 "AI 转型模板 "。它更像是一组提醒：别被名词带着跑，先把问题找出来；别只看工具提效，要让组织跟上；别急着证明自己有 AI，要先证明自己能用 AI 帮客户创造价值。
学习现场
下一场学习 -8 月 7 日网易智企
报名，下滑⬇️⬇️戳左下角【阅读原文】
●17+ 小时，深聊 19 位实践者之后：FDE 在中国的落地路径，正在变得清晰
点击左下角 " 阅读原文 "，报名深度学习系列网易智企站
登录后才可以发布评论哦
打开小程序可以发布评论哦