公司想要10倍增長，CEO先問問自己消耗了多少token |【經緯低調出品】

在AI時代創業，“勤奮”可能不再是褒義詞，反而會掩蓋企業問題的真相。

這個看似不符合常理的觀點，自有底層邏輯。丹·蘇利文（Dan Sullivan）和本杰明·哈迪（Benjamin Hardy）在合作出版的著作《10倍增長比2倍增長更容易：頂尖企業家如何通過少做事來實現更多目標》中提出一個概念：追求十倍增長比追求兩倍增長更可行、更有效。

在他看來，2倍目標通常依賴于增加工作量和重復舊模式，而10倍速目標則強迫領導者進行思維方式的轉型。

尤其在AI時代，“10倍增長比2倍增長更簡單”的邏輯則更容易付諸實踐。這個邏輯的核心是：利用AI作為極度杠桿，徹底剝離那80%的平庸任務，從而專注于挖掘和放大你的“獨特能力（Unique Ability）”。

所以，很多公司的創始人開始焦慮，擔心競爭對手已經開始用AI 重寫組織結構，而自己的公司還停留在舊時代的人力模型。于是，幾乎每家公司都在嘗試用AI降本增效，Cursor、Claude Code、OpenClaw輪番上陣，公司也做了各種培訓和改革，但實踐的效果看起來沒有那么好。

那么，如何用好AI這個工具呢？經緯創投舉辦的HR CLUB活動邀請了積加科技CTO陳敬敏，結合真實使用場景，從底層邏輯到落地實操深度拆解公司使用AICoding工具的心路歷程。

積加科技addx.ai是一家面向全球市場的AI原生硬件公司，主要是將視頻理解、視覺記憶Agent、視覺Token構建與壓縮、垂直場景世界模型等核心技術，應用于自然觀察、家庭智能、運動健康等場景，為全球數百萬用戶提供個性化并持續進化的產品與AI增值服務，積累了豐富的AI應用經驗。

而正是基于這樣的技術沉淀與業務需求，積加科技親身實踐發現，企業想要真正借助AI實現質的飛躍、達成10倍增長，并非一蹴而就，必須跨越三道核心鴻溝。

• 第一道鴻溝是人的思維和習慣：越資深的人，越被經驗拖累。他們面對變化先問“確定可以這樣嗎？”，而正確的思維是 why not。

• 第二道鴻溝是工具的形態：企業內部工具幾乎全是GUI，為人設計的點按鈕、填表單。但 AI 只會調API。工具沒有 API，AI 就無法操作，一半以上的部門就被排除在 AI 化之外。

• 第三道鴻溝是組織的結構：流水線式依賴，我做完給你，你做完給他，一個人卡住全鏈路停。而在AI時代，協作不是美德，是成本。

而三道鴻溝的根源是同一個：現有企業是為人與人協作設計的，不是為人與AI 協作、AI與AI協作設計的。那么，如何通過AI處理一切平庸的80%，讓創始人和公司獲得真正的“深層自由”呢？以下，Enjoy：

01

公司的AI化，如何一步步轉變工作和思維方式?

在AI時代，企業要獲得十倍增長（10X Growth），其核心邏輯并非通過AI“做得更多”，而是利用AI實現“做得更少但更好”的質變。

積加總結了一個核心公式，用來判斷一家企業的AI 化走到了哪里：

企業AI 化程度 = 技術閉環 × 工具接口化 × 人才適配度 × 組織適配度

乘法意味著，任何一個維度為零，整體為零。大多數公司可能只做了技術層的一小部分，其他三層完全沒動。而積加的做法是這四個維度同時推進，并分了四個階段重構工作方式。

• 階段一（2025 年 3-4 月）：Coding Copilot，人主導，AI 補

起步階段，積加為30 名主力研發開通了 Cursor Enterprise 賬號。

這個階段的AI，本質上是一個更聰明的 IDE 插件。程序員打開AI，AI 幫你補全函數、生成單元測試、解釋一段不熟悉的代碼。代碼是人想出來的，邏輯是人設計的，AI 只是幫著打字。

而人的位置還是主角。AI 是工具，人是執行者。效率有一定提升，但沒有質變。本質上還是在用舊方式工作，只是跑得快了一點。

• 階段二（2025 年 9 月）：Sonnet 4.5 發布，AI 主寫，人負責Review

這個階段發生了一個標志性事件是Claude Sonnet 4.5 上線。這一次模型能力的躍升，讓陳敬敏和團隊意識到 AI 寫代碼的能力已經超越了補全的范疇。

于是，他們的工作方式發生了根本轉變：從“人寫代碼，AI 補全”變成“AI 寫代碼，人來 Review”。

人不再是從零產出代碼的那個人，而是判斷AI 產出是否正確的那個人。Review 的速度遠快于手寫代碼。因為當你只負責判斷對錯，而不負責生成時，速度天生快一個量級。以前一天寫 200 行，現在一天 Review 1000 行還游刃有余。

類似的變化，也正在全球AI Native 公司內部發生。微軟 CEO 納德拉曾提到，公司內部已有相當比例代碼由 AI 生成。越來越多工程師的核心工作，也開始從“寫代碼”轉向“審代碼”。

代碼生產的重心，第一次開始從“生成”轉向“判斷”。于是，人從執行者變成審核者，這是人與AI角色的第一次反轉。

• 階段三（2026 年 2 月）：Opus 4.6 + Claude Code，人說意圖，AI 做設計

GPT-4.6 發布和Claude Code 工具成熟，驅動著積加做了一個后來被反復提及的實驗：把之前被刪除的 1 萬行代碼的技術方案完整喂給 AI，讓 AI 基于方案重新實現。結果是，AI 生成的代碼質量比原來的更好。

這個結果讓陳敬敏意識到：AI 能做的，不只是寫代碼。與此同時，團隊的效率出現了質的躍升。主力研發一天成本$200-300，但一周可以產出 2 萬行代碼。積加團隊切換到 Claude Code，90% 的員工日常使用 Coding Agent，體感效率再升2-3 倍。

這時，工作方式發生了第二次質變：人不再寫代碼，也不再做架構設計。架構設計本身也可以交給AI 了。人只負責兩件事：告訴 AI 要做什么（表達意圖），review AI 的設計是否合理。

人從審核者變成設計者和決策者，AI 成為真正的執行者。這種趨勢，也正在 AI 行業內部迅速擴散。在 Cursor、Anthropic 等 AI Native 公司里，越來越多工程師已經不再把“寫代碼”視為核心競爭力，而是把“定義問題”“組織上下文”“構建約束條件”視為更重要的能力。

因為AI 正在快速降低“實現”的門檻，但“判斷”依然稀缺。

• 階段四（現狀）：Harness 體系就位，老代碼成為最大瓶頸

最近，新的Harness 基礎設施搭建完成——Skill 體系、TDD 閉環、CI/CD Pipeline、可觀測性全面到位。在這套體系下，AI Agent 能夠自主驗證、端到端交付，新代碼運行流暢，效率釋放徹底。

但與此同時，一個意想不到的瓶頸出現了：老代碼。

當積加試圖讓AI 介入老代碼的修改時，發現測試覆蓋不足，AI 改完無法自動化驗證。模塊邊界模糊，AI 改動一處可能引發多處連鎖反應。同時，接口不標準，AI 在上面跑不通閉環。結果就是，AI 的效率提升不僅沒有，還增加了風險。改得越多，隱患越大，老系統Bug 多、運行慢，與新體系形成降維對比。

這也是很多傳統企業正在面臨的共同問題。AI 并沒有消滅歷史包袱，反而因為生成速度太快，把舊系統的問題進一步暴露出來。

于是，積加決定用3-4 個月整體重寫老代碼庫，后端從 Java 轉向 Go。 老代碼庫任何變更的審批權收歸 CTO，默認不通過。

這不是技術潔癖，是業務剛需。公司沉淀的知識是資產，老代碼不是。把知識提煉成設計文檔，讓AI 從頭實現，比在爛代碼上打補丁更高效。

新項目則必須從AI 原生架構起步，模塊邊界清晰、接口標準、測試完整，這樣的代碼庫才是 AI 的游樂場。

這四個階段的每一次躍遷，人都往上移一層。從寫代碼到聊設計，從聊設計到聊意圖，從聊意圖到構建Harness。退到最后，人只做一件事：判斷和決策。

陳敬敏用一句話為整個路徑做了收尾。AI 能做的事，交給 AI。人只負責那些 AI 做不了、或者不該做的事。

這也說明了一個事情。AI的使用并不是工具升級，是工作方式的重構。每一步都是一次人與AI關系的重新定義。

02

非產研部門的AI 化，要學會改造工具的形態

過去一年，大量企業在推進AI 改造時，重點幾乎都放在產研和算法團隊，做模型優化、構建Agent 、搭建RAG 系統。但在真正的組織落地層面，非產研部門往往才是 AI 滲透最慢的一層，因為它們被“工具形態”卡住了。

一直以來，大家都忽略了一個現實。過去二十年，企業軟件設計的核心邏輯是GUI（圖形界面），所有系統都是給“人”設計的，人會點按鈕、填表單、復制粘貼、截圖發群。但 AI 完全不會，它只會讀接口、調API、跑工作流。

所以，非產研部門AI化的真正瓶頸，并不是員工不會用 AI，而是工具本身“不具備 AI 可操作性”。這也是為什么很多企業即使上了幾十套AI工具，效率提升依然有限。這是因為，流程只是從“紙質搬到軟件”，沒有從“人驅動”變成“機器驅動”。

所以，積加開始嘗試把內部工具“skill 化”或 API 化，核心目的就是把 UI 層和執行層拆開，把內部幾十個系統逐一封裝成可調用能力。

積加做了一個較為極限的嘗試，陳敬敏花4 個小時，一個人做了一個 skill，讓 AI 自動完成了這件事。

最先變革的是積加的HR部門，把招聘系統變成 AI 可調用的接口。

篩簡歷、查候選人、打招呼，這些本來是HR 在各個平臺上手動操作的。經過改造后，AI 自動從 Boss 直聘拉取候選人數據，按 JD 匹配度打分，自動解析簡歷 PDF，篩選結果同步到飛書 Talent。HR 不再登錄任何后臺，AI 把結果送到飛書，HR 只做最終決策。

于是，原來篩100 份簡歷要大半天，現在 AI 跑完只需要幾分鐘，正確率比人工篩選更高。

這個變化的關鍵不是HR 學了什么新工具，而是招聘平臺有了 AI 能讀懂的接口。

行政則需要把搭建系統的過程變成AI 可執行的動作。以前行政想做固定資產管理系統，要找 IT 提需求，排期等待，兩周能上線算快的。

可是現在，他們只需要跟AI 說“幫我搭一個資產管理系統，支持設備錄入、借用歸還、維保提醒”，飛書多維表格 AI 自動生成表結構、字段類型、示例數據、看板視圖。十幾分鐘完成，上線可用。

最讓人頭痛的OCR 發票報銷，也是如此同樣。拍照上傳 AI，自動識別發票內容、分類報銷科目、寫入飛書報銷表，整個鏈條的關鍵不是行政學了什么工具，而是搭系統的過程變成了 AI 可執行的標準化流程。

工具形態轉變后，財務可以用AI 自動從數倉拉取支付流水和內部訂單數據，逐筆匹配，標注差異，生成對賬報告。財務月初第一天就能完成對賬；運維用AI 做日志分析、問題定位、修復步驟生成，然后飛書通知值班人員，人審批后 AI 執行變更。

這也告訴大家，工作中的每一個流程上的“人傳人”環節，都是一個潛在的阻塞點。所以，大家應該看清楚一個關鍵點：“協作”不是美德，協作是成本。

03

CEO 必須親自下場：

為什么第三道鴻溝的解法是自上而下

很多企業在AI 轉型過程中，最難的第三道鴻溝，本質不是模型能力的問題，而是組織問題。

過去二十年，企業數字化是一場“流程信息化”運動，工具往往是“自下而上擴散”的。IT 部門先上線系統，業務部門再逐步適配。本質上是在把人的動作搬進系統，依賴的是標準化流程、審批鏈條和層層匯報。

但AI 時代不同。AI本質是一個“能干活的新勞動力”，可以根據老板的指令直接參與分析、決策、執行與協同。過去的軟件只是幫助人完成工作，AI 則開始替人完成部分工作，甚至重構“誰來做、怎么做、為什么這樣做”的整個流程邏輯。

因此，企業轉型AI最重要就是，重寫組織協作邏輯。所以，這需要創始人親自下場才能落實，才能從認知層面改寫邏輯。

大家可以做個對比，CEO 每天用 AI，組織 AI 化速度會不會變快；如果CEO不親自下場， 只是開會喊口號，員工使用AI工具是不是停留在表面。

其實，不少已經推進AI Agent 或自動化流程的企業證明了這一點：創始人使用 AI 的頻率，往往決定了組織能走多遠。

所以，陳敬敏的觀點非常直接。他認為需要C 級別人物自己先把 AI 用熟，自上而下推動。CEO 用得熟，下屬才能用得好。

當CEO 親自用 AI 完成具體工作，他會發現兩件事：

第一，原來很多流程是多余的。以前沒有工具才需要那么多人簽字審批，有了AI 可以直接繞過。

第二，AI 化的真正阻力不是員工不愿意學，而是老板不愿意放棄舊的工作方式。

靠行政命令推AI 化，基層會用但不會用好。自上而下親自用，才是真正有效的路徑。

陳敬敏觀察到的另一個關鍵點是：阻礙AI 落地的最大障礙是過去的思維習慣。以往，領導需要靠人盯著流程，會覺得開會才能對齊顆粒度，才能更好的協作，但實際上，AI 需要的是閉環、API 和數據，不是會議紀要和審批流。

譬如，電商巨頭Shopify CEO Tobi Lütke也是自己建了一套“Tobi Eval”，這是一個裝滿自己設計的問題和預期答案的prompt文件夾。每當新模型發布，他都根據Tobi Eval親自跑一遍，用AI提供的結果做決策。

2025年4月，他給全員發了一封后來震動整個科技界的內部信，只說了一件事：“申請增加人手或資源之前，團隊必須先證明為什么AI做不了這件事。”后來，Shopify員工規模從8300縮減到8100，并且公司新崗位要先證明AI做不到，才能批。這一套之后，Meta、微軟、谷歌陸續跟進，采用相似標準。

所以，當CEO 把 AI 用熟，他會自然地減少不必要的審批流、縮短協作鏈條、讓數據流動起來，這些都是第三道鴻溝“組織結構”的根本解法。

由此可以看出，CEO 親自下場，才能真正打穿這三道鴻溝。第一，CEO 帶頭用 AI，組織才有 why not 的氛圍；第二，CEO才有權力推動內部工具接口化改造；第三也是最重要的一點，CEO真正了解AI的變革后，才能知道如何重新定義考核方式和協作流程。

這也意味著，企業的AI 轉型不只是技術的轉型，是人才的轉型，組織結構的迭代升級。

為了配合組織的變革，積加也在嘗試著建立一個新的人才標準：超級個體。本質上就是AI 時代的人才模型：某個人可能不是天生特別厲害，而是借助 AI 后，一個人的產出接近過去一個小團隊。

而這種超級個體，往往具備六種核心能力：

• 產品思維。拿到需求先問為什么，不該做的就不做。AI 時代最貴的不是算力，是人的注意力。把注意力放在真正重要的事上，才是把 AI 用對的前提。很多人拿到需求直接寫代碼，不問這個功能解決了什么問題、為什么用戶需要它。這種習慣在 AI 時代會被放大 10 倍，導致引入大量不必要的依賴和代碼債務。

• 結構化思維。先設計再寫代碼。分解優于實踐，約束優于方案。架構能力是AI 時代最稀缺的能力。因為 AI 能寫代碼，但不能替你決定做什么、不做什么，以及用什么方式做。積加的標準是：Make it right 比 Make it fast 更快。 想清楚再行動，花的時間遠小于沒想清楚就快速上線然后返工。

• 跨棧成長。自我設限是AI 時代最大的效率殺手。一個把自己定義為后端 Java 工程師的人，會拒絕用 AI 寫 Python 腳本、寫前端頁面、寫 Shell 運維腳本。AI 能彌補技術的短板，不能彌補認知的短板。突破自我定義的邊界，才能充分釋放 AI 的能力。

• AI 協同。 會用自然語言調度 AI，理解 AI 能做什么、不能做什么，能給 AI 足夠清晰的上下文，能判斷 AI 輸出的質量。能與 AI 協作完成端到端的任務交付，而不是依賴人肉傳遞。

• 閉環交付。功能開發+ 自動化測試，上線即交付。不是等人來測，是自己保證質量。AI 時代對“一個人完成一件事”的要求更高了，半成品交付在 AI 時代是沒有容身之地的。

• 標準與品味。追求設計優雅，改變思維習慣。避免用戰術上的勤奮掩蓋戰略上的懶惰。AI 時代勤奮的門檻更低了，方向的重要性更高了。一個有品味的人寫出來的 prompt、做出來的設計、搭出來的系統，會比沒有品味的人好一個量級。如今，這個差距在 AI 時代會被進一步放大。

其實，AI 轉型真正的門檻從來不是工具，是改造自己的意愿。

把工具買回來讓人用，是最省力的做法，也是最沒用的做法。真正有效的路徑是把業務流程重新設計、把數據打通、把閉環建好、把組織協作方式改掉，然后讓AI 接管那些本來就不該由人來做的事。

積加的經驗可能不是最完美、最適配每家公司的完美模板，但核心邏輯是可遷移的。我們也要清楚，AI 是放大器。它不會自動讓一家企業變優秀，只會放大企業原本的組織能力。方向對了，AI 會把組織效率放大十倍。方向錯了，AI 也會把混亂放大十倍。

所以AI 轉型從來沒有捷徑。真正的答案，不在 PPT 里，而在 CEO 是否愿意親自下場。