AI提效后,先把人推向客户。
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。
注:文/燕子,文章来源:牛透社(公众号ID:Neuters ),本文为作者独立观点,不代表亿邦动力立场。