作者 / 来源：中智凯灵 / AiDD

从快手技术沙龙第6期五场实践，看企业AI如何从“试验区”进入“主流程”

在OPPO一项研发数字人试点中，B端小需求的完成时间从16小时缩短到约1.8小时，AI代码采纳率从39%提升到83%。但比这组数字更值得注意的，是另一个判断：个人效率明显提升，组织效率却未见明显好转。

这几乎是当前企业AI落地最典型的矛盾。

麦肯锡的相关调查也反复指出，多数企业仍停留在点状试点阶段，真正实现规模化的比例并不高。第一个试点证明“能做”，换一个团队、换一类需求、换一套系统之后，这种结果还能不能出现？

快手技术沙龙第6期汇集了五场分享：沈浪谈企业AI生产力与组织跃迁，朱少民谈企业级智能体工程化，王东旭谈从OPC到臭鼬工厂，郝刚介绍OPPO互联网AI Native实践，吕冬冬讨论AI规模化应用中的智能评测。五场分享回答的是同一个问题：

一个成功的AI试点，怎样离开最初的能人和特殊环境，进入企业主流程，并被更多团队复制？

答案不是“把工具发给更多人”，而是建立一套完整的迁移机制。

一、先定义什么值得复制：不是使用人数，而是组织结果

一个团队里几个人用AI用得很好，和整个团队因为AI改变了工作方式，是两件完全不同的事。

快手企业智能体建设负责人、AI生产力专家沈浪在《快手企业AI生产力：从研发提效到组织跃迁》中，把企业AI的演进分成四个阶段：AI×工程师、AI×所有员工、AI×团队、AI×组织。

这四个阶段的区别，不只是使用范围越来越大。

在“AI×工程师”阶段，企业最容易看到的是代码生成、需求拆解、测试辅助等局部效率；进入“AI×所有员工”，重点变成使用习惯、认知与技能扩散；但到了“AI×团队”，问题已经不是每个人有没有一个Agent，而是团队的知识、工具、流程和数字员工能否共享；再往“AI×组织”走，还需要统一工作台、企业级AI基座和跨团队协同机制。

沈浪用“先蒸馏、再折叠”概括个人AI向团队AI的变化：先把个人摸索出来的技能、知识、工具和工作方法蒸馏出来，再把原本由不同角色接力完成的工作流，折叠进团队Agent与人机协作网络。

图 1：沈浪《快手企业 AI 生产力：从研发提效到组织跃迁》：个人 AI 向团队 AI 迁移，需要先蒸馏工作方法，再折叠为共享工作流（演讲 PPT 第 25 页）

这个判断给出了第一个筛选标准：值得复制的不是某个人“用AI很厉害”，而是一套能力能否脱离个人，成为团队可调用的公共能力。

如果成功仍然依赖某位骨干手工补上下文、临时改提示词、逐步纠错和最后兜底，那么它更像一门手艺，而不是组织生产力。

二、可迁移的最小单元，不是Agent，而是可验证的任务契约

为什么同一个Agent在原团队里有效，换一个团队就失灵？

往往不是模型突然变差，而是原团队没有意识到：成功背后还藏着大量没有被写下来的条件——业务目标、历史背景、系统边界、禁止事项、工具权限、验收方式，以及“出了问题谁来判断”。这些条件原本存在于人的经验里，换环境后就一起消失了。

更深一层的问题是：即使企业意识到要“把隐性条件写下来”，员工也未必有动力去写。有研究者把这种额外劳动称为“上下文税”——员工为AI准备上下文所付出的时间、经验和判断，在现行制度下往往得不到对等的回报与保障。如果迁移机制只要求“交出来”，却不回答“交出来之后我得到什么”，任务契约就很容易停留在纸面上。

《软件工程3.0》作者、同济大学特聘教授、 AiDD技术委员会成员朱少民在《基于第一性原理：企业级智能体工程化落地路径》中，把规约拆成五层：业务规约、系统规约、设计规约、实现规约和验证规约。每一层都要回答四件事：目标是什么、为什么做、有哪些约束、怎样验证。

图 2：朱少民《基于第一性原理：企业级智能体工程化落地路径》：从业务目标到验收标准的五层规约体系（演讲 PPT 第 12 页）

这意味着，一个成功试点真正需要被迁移的，不只是Agent配置，更是一份可执行的任务契约：

• 它要交付什么结果；

• 在什么业务与技术上下文中工作；

• 哪些动作不能做；

• 能调用哪些工具、访问哪些数据；

• 什么证据能够证明任务完成；

• 失败之后如何回退、由谁接管。

规约的价值，不是把文档写得更长，而是让隐性条件显性化。只有这些条件能够被机器读取、被团队复用、被流程检查，试点能力才可能跨团队迁移。

否则，企业复制的只是一个“看起来相同”的Agent，丢掉的却是让它真正成功的环境。

三、为什么需要一块“试验区”：把高不确定性隔离在小单元里

有了任务契约，也不能立刻全员铺开。

快手磁力引擎风控技术负责人王东旭在《从OPC到臭鼬工厂：AI提效的规模化增长之路》中，展示了一条从超级个体、液态组织到臭鼬工厂的实践路径。

前两个阶段解决的是“谁先跑起来”和“角色边界怎样融合”。但当算法、前后端甚至测试都开始全栈化之后，新的瓶颈仍然存在：跨部门排期、层层交接、重复评审和决策等待。个人能力边界可以不断扩大，组织协调成本却不会自动消失。

王东旭在分享中用阿姆达尔定律做了一个很直观的类比：如果编码只占整个软件交付流程的20%，即便编码效率提升10倍，整体交付效率也只能提升约22%。剩下的78%，藏在交接、等待和协调里。这解释了为什么“人人用上AI”不等于“组织交付变快”。

王东旭把臭鼬工厂的组织本质概括为“消除协调”：让业务人员能够更直接地与Coding Agent协作生成应用，减少原来依靠多层角色翻译和排期的链路。

图 3：王东旭《从 OPC 到臭鼬工厂：AI 提效的规模化增长之路》：臭鼬工厂试图通过重塑协作框架，减少层层翻译和协调（演讲PPT 第 26 页）

在这项实践中，原Scrum流程的12个节点被压缩为6个：4个纯协调节点被去掉，2处交接被合并。需求对接、产品方案、PRD建设、研发、测试验收和上线仍然存在，但每个节点都被重新设计为人机协作，而不是简单把AI塞进旧流程。

图 4：王东旭《从 OPC 到臭鼬工厂：AI 提效的规模化增长之路》：试点把 12 个流程节点压缩为 6 个，并重构评审、交接与验证方式（演讲 PPT 第 32 页）

这里最值得借鉴的，不是“所有企业都应该照搬臭鼬工厂”，而是它承担了一个中间层角色：

先在范围可控的小型组织里，让真实需求、完整角色、AI工具链、责任边界和质量机制一起运行。

这块试验区既不同于单人Demo，也不同于全公司推广。它允许组织在不冲击主流程的前提下，暴露协作问题、沉淀标准资产，并验证哪些机制真的可以复制。

材料同时给出了边界提醒：臭鼬模式会放大团队差异；能力边界可以模糊，但责任边界必须清晰；并非所有场景都适合直接采用。小单元的目的不是永久成为“组织特区”，而是为主流程找到一套经过验证的改造样板。

四、真正困难的一跃：从试验区进入主流程

试验成功之后，最容易犯的错误，是把同一套方案原样推广到所有团队。

不同业务的系统约束、专业规则、数据权限、发布节奏和风险等级并不相同。复制不能等于拷贝，而应该同时完成三件事：把共性固化为标准资产，把差异留给业务适配，把运行问题持续回流。

OPPO产研提效产品负责人郝刚在《OPPO 互联网 AI Native 落地实践》中，把“特战队”定位为真实场景验证单元：选择真实存量需求，由 AI 承担可验证执行，人工负责关键判断与最终验收。

其中，需求负责人负责目标、范围、价值与验收条件；研发负责人负责技术风险、工程质量与发布判断；专业领域团队维护规则、评测集和专业能力；智能体生成交付件、执行检查并承担重复返工。外环由人负责目标、架构、取舍与责任，内环由 AI 完成生成、自检、修正和回归。

图 5：郝刚《OPPO 互联网 AI Native 落地实践》：特战队通过真实场景、明确责任和人机双环验证 AI 交付机制（演讲 PPT 第 17 页）

当机制得到验证后，OPPO的组织推广路径并不是“把特战队复制十遍”，而是沿着“标准资产—业务适配—持续运行”推进：把业务知识、专业Skill、Agent与流程模板沉淀下来，再结合B端、C端约束完成关键节点验证、门禁与评测，最后用运行度量、问题回流和版本迭代维持效果。

图 6：郝刚《OPPO 互联网 AI Native 落地实践》：组织推广需要把验证结果转成标准资产，再完成业务适配与持续运行（演讲 PPT 第 24 页）

这补上了“试点之后怎么办”的关键一环：

试点的产物不应只有一个应用，还应该包括知识、Skill、流程模板、评测集、门禁和运行指标。

只有这些资产一起进入主流程，新的团队才能在不依赖原试点成员的情况下接手；也只有问题能够持续回流，复制后的能力才不会迅速退化。

但资产进入主流程，不等于组织已经能接住它。如果没有人对AI应用的持续运营负责，没有岗位能力标准和权责口径来承接这些资产，复制出来的可能只是更多的“孤岛”和“空转”——Agent数量上去了，相互协调成本也上去了，反而在空耗Token。规模化真正考验的，是组织的承接力。

五、智能评测不是最后验收，而是扩大范围的许可证

当AI开始承担更多任务，人工逐项验证很快会成为新的瓶颈。但减少人工，不等于把质量判断全部交给另一个模型。

快手磁力引擎风控质量负责人吕冬冬在《从人工验证到智能评测：AI规模化应用中的质量保障实践》中，展示了测试智能分级体系：高风险需求由人工主导、AI辅助；中风险需求采用人机协同；低风险需求可以由AI主导、人工辅助。

图 7：吕冬冬《从人工验证到智能评测：AI 规模化应用中的质量保障实践》：根据风险等级分配人工与 AI 的质量责任（演讲 PPT 第11 页）

这种分级的意义，是把“是否扩大”从主观信心变成可审查的准入决策。企业不需要先回答“AI能不能完全替代测试”，而应该先回答：

• 哪些任务风险足够低，可以扩大AI自主执行范围；

• 哪些任务需要人工校准或双重验证；

• 哪些高风险判断必须保留明确责任人；

• 扩大之后，失败样本如何回到规则、知识和评测集。

吕冬冬还把质量交付权的变化拆成三个阶段：从人工判定，到工具辅助，再到AI自主判定；与此同时，质量职能从测试专属逐步向研发自测和产品前置移动。在PDE模式下，产品定义质量标准与风险边界，研发生成和自验，测试转向规则制定、标准构建、校准与兜底，AI承担执行与初判。

图 8：吕冬冬《从人工验证到智能评测：AI 规模化应用中的质量保障实践》：质量交付权沿链路前移，但判断依据、人工校准与责任边界仍需保留（演讲 PPT 第 22 页）

这里的关键不是“把测试交给AI”，而是把质量判断做成一套可以分级、校准、追溯和回退的系统。评测因此不再只是上线前的最后一道检查，而是决定一个试点能否进入更多团队、扩大到更高风险任务的许可证。

这张“许可证”决定的，不只是“能不能扩大”，还包括“扩大之后谁来接、出了问题谁兜底”。否则，评测很容易变成一次性的上线检查，而不是持续治理的入口。

六、五场实践拼出的，不是工具栈，而是一条迁移链

把五场分享放在一起，可以看到企业AI从试验走向规模化，需要连续完成五个动作：

第一，定义可放大的结果。不只看多少人使用、生成了多少代码，而要看端到端交付、质量、等待时间和组织吞吐有没有改变。

第二，拆出可迁移的工程单元。把目标、上下文、约束、工具、权限、验收和回退写进任务契约，而不是留在少数专家脑中。

第三，在小型试验组织里形成稳定样板。用真实需求验证人机分工、协作流程和责任边界，先暴露问题，再谈推广。

第四，把验证结果变成主流程资产。知识、Skill、Agent、流程模板、评测集、门禁和度量机制，要随能力一起迁移。

第五，用质量证据决定自主范围。按风险分级扩大AI权限，持续回收Bad Case，并保留高风险节点的人工判断与责任。

王东旭把复制节奏归纳为“试—推—升”：先建立局部特区，再用新老机制双轨运行、重塑SOP，最后才进入更全面的组织升级。

图 9：王东旭《从 OPC 到臭鼬工厂：AI 提效的规模化增长之路》：能力复制需要经历“试—推—升”，而不是从单点成功直接跳到全面推广（演讲 PPT 第 42 页）

这条路径看起来比“一键推广Agent”慢，却更接近真正的规模化。因为它迁移的不是一个账号、一段Prompt或一套工具，而是一个能够在新环境里重新成立的生产单元。

结语：规模化的本质，是迁移能力

企业AI最容易被高估的，是第一个成功案例；最容易被低估的，是第二个团队接手时消失的那些隐性条件。

一个试点只有在换人、换团队、换业务环境之后，仍然能够在清晰边界内交付，才开始具备组织价值。

这也是快手技术沙龙五场分享共同指向的变化：企业正在把关注点从“模型能做什么”，转向“能力如何被定义、验证、接入、复制和治理”。

因此，企业AI规模化不是把一个成功Agent发给更多人，而是把可验证的任务单元、工程机制、流程接口、责任边界和质量证据一起迁移。

第一个试点证明的是可能性。

第二个团队能够独立跑起来，证明的才是组织能力。