AI成了同事，公司该怎么用人？｜Beating InSide 01 活动回顾

「Beating InSide」是动察Beating联合投资机构发起的系列AI主题活动栏目。

我们相信，重要的行业判断，很少诞生于公开舞台，而是在一次次面对面的交流中逐渐形成。每一期，我们围绕一个关键议题，邀请创业者、投资人和行业实践者走进同一个现场。让讨论先于共识，让连接与合作自由流动。

1914年1月5日，福特汽车宣布，将工人的日薪从2.34美元提高到5美元，工作时间却从9小时缩短到8小时。

第二天，约一万人涌到高地公园工厂门口。少干一个小时，工资几乎翻倍，这当然是一份无法拒绝的工作。

但「五美元工作日」并不只是福特的慷慨。移动装配线把 Model T 的装配时间从12个半小时压缩到93分钟，也把原本依赖手艺的工作拆成了枯燥、重复的动作。工人大量离开，人员流动率一度达到370%。

流水线降低了汽车价格，也迫使福特重新设计岗位、工时、薪酬和管理方式。

一百多年后，AI 走进办公室，企业又遇到了同样的问题。

7月30日，动察 Beating 联合高榕创投、Deel 举办「重绘 AI 人才地图」活动。所有讨论最后都落到一个问题：

当机器开始成为同事，公司究竟该怎么用人？

谈人才之前

开场时，高榕创投董事总经理常卓提出了一个问题：

如果今天从头创办一家公司，我们还会沿用原来的岗位、部门和汇报关系吗？

AI Native 的起点，是从任务重新设计工作。哪些事交给 Agent，哪些环节必须由人判断，双方如何交接，又由谁拍板。执行工作被 AI 接走后，管理者更重要的职责，是定义目标、建立标准，并提供准确的上下文。

问题也随之而来。把文档放进同一个文件夹，不代表 Agent 理解了公司。哪些材料已经过期，哪次讨论形成了共识，谁能看到什么，过去藏在经验和默契里的信息，如今都要被明确写进系统。

Deel初创生态负责人Chloe分享了Deel的组织形态和工作方式。作为一家从成立之初，就全远程的企业，Deel目前在全球110个国家有7000多名员工，没有任何实体办公室，很多同事从未在线下见过，员工之间的协作全部通过线上系统完成。

在AI的快速发展之下，越来越多企业在全球拥抱这种组织运营方式，除了充分的信任和自由，找到有自驱力的人才、设定目标、充分激励和赋能团队，建立一套可以长期高效运营的机制是关键。

动察 Beating 主编及主理人 Sleepy 则从内容行业谈起。AI 已经可以大量生产文字，内容机构真正稀缺的，越来越不是产量，而是判断什么重要、什么值得解释、什么话题需要让人们聚集到同一个现场继续讨论。

他把动察的角色理解为策展人。机器可以扩张供给，选择什么、舍弃什么，最后仍要由人负责。

「重绘 AI 人才地图」要画的也不只是一张人才名单。它更关心的是，当新工具进入公司，岗位、协作与人的价值将如何被重新安排。

一千万元买的，是对一次训练的影响力

AI 进入公司后，人的工资没有一起下降，差距反而越拉越大。

BOSS直聘 AI 赛道高级猎头专家胡旸把2026年的 AI 人才市场画成一座金字塔，底部的人越来越多，招聘注意力却几乎全部涌向塔尖。

胡旸是00后，2023年进入猎头行业，三年里接触了两万多名算法候选人。他入行的时间，恰好与国内大模型产业化的起点重合，几乎贴着这轮人才涨价一路走来。

目前，最密集的需求仍集中在基础模型、视觉生成和音频模型。技术路线每往前走一步，对应方向的人才就先涨一轮价。这些人的上游主要是高校和重点实验室。学术界有人，却缺算力；模型公司有卡，急着找到真正知道怎么用的人。

到了人才市场，普通候选人越来越多，真正能影响模型能力的人依旧稀缺。2026届毕业生进入基础模型团队，校招总包从接近百万元一路涨到千万元以上。

胡旸接触过一名候选人，博士毕业后只工作了一年，拿到了500万元 Offer。他问对方，怎么看那些已经工作了十年的人。

候选人回答：「那都是过去式了。」

这句话听起来很狂，现实逻辑不可忽视。在头部基础模型团队，六成以上的成本花在数据和算力上。一次训练可能烧掉巨额预算，一个人对数据配比、模型结构或训练方向的判断，足以决定后面整片算力是被放大，还是被浪费。

公司花几百万元甚至上千万元争抢一个人，赌的是他能不能在昂贵的训练开始前，看出方向有没有走偏。

胡旸把人才分成两类。经验型人才负责从1走到100，价值来自做成过什么、带过多大的组织；创新型人才被期待完成从0到1，公司买的是尚未兑现的可能性。

年轻不天然代表创新，十年经验也不会突然作废。但原创能力、落地速度和薪资成本，很难同时满足。既能提出新东西，又能快速把它做出来的人，本来就不会便宜。

更现实的问题是，公司花得起钱，也未必能招进来合适的人。

一家市值约200亿元的集团想招首席 AI 官，CEO 亲自参与面试。候选人第一轮聊得不错，见完核心业务负责人后却退出了。他看到的是多个 CTO、复杂的利益关系，以及谁都不愿真正交出的权限。公司希望一个外来者用技术解决积累十几年的组织问题，他判断自己做不到。

另一家出海游戏公司招算法一号位，候选人直接向 CEO 汇报，算力、预算、Headcount 和部门权限都提前说清楚。几位核心负责人给出的承诺也完全一致。人入职后，算法很快进入了业务。

人招不进来，有时确实因为市场太贵，有时则是公司根本没有为他留出做事的位置。

随后，BOSS直聘具身与自驾赛道猎头负责人刘红丹把人才地图从数据中心铺到了物理世界。

具身智能的人才来源更杂。传统机器人提供控制与本体经验，消费电子带来硬件、供应链和量产能力，整车厂熟悉质量与交付，高校和大模型团队则输入强化学习、多模态与世界模型人才。

自动驾驶人才成了迁移性很强的一支。他们既做过算法，也经历过工程化和量产。2015年至2022年，各行业人才大量涌入自动驾驶；2023年以后，水流开始反转。有人去了新能源整车厂，有人回到互联网和大模型，也有更多人转向具身机器人，相信这里会成为「下一个自动驾驶」。

地域也在塑造人才。北京聚集前沿算法与科研资源，深圳、广州擅长硬件和供应链，上海、苏州更熟悉整车、机器人整机与量产体系。公司招到的从来不只是一个抽象的「具身人才」，一个人的能力背后，往往站着一座城市十几年积累下来的产业结构。

具身人才的薪资同样高度分层。基座模型、运动控制、强化学习和灵巧手等方向最稀缺。刘红丹接触过一名灵巧手方向的应届博士，拿到了千万元年薪 Offer。

但千万年薪只能说明一个方向很热，无法替公司搭出一张好组织图。

三十人以内的团队，先补技术、工程和产品负责人；走到百人左右，再增加模块负责人、数据、运营和量产岗位；规模继续扩大，管理梯队和平台能力才成为硬需求。

公司处在哪个阶段，决定了它需要什么人。用一个明星科学家掩盖组织问题，或者把后期人才提前塞进早期团队，都可能花大价钱买回一场内耗。

高阶人才也很少只看工资。他们会判断问题值不值得做，授权到底是真是假，长期利益如何绑定。

一个人越贵，他做选择时，越像在分配自己未来几年的生命。

招聘开始绕过简历

茶歇之后，话题从「人才在哪里」转向了「怎么找到人」。

人越贵，公司越想确认，候选人到底有没有真本事。

DINQ 创始人高岱恒曾在阿里通义万相实验室做算法。他发现，很多厉害的人并不常更新简历，但做过的事情都留在网上。代码在 GitHub，模型和 Demo 在 Hugging Face，论文、引用和开源协作则散落在各个平台。

在 AI 行业，技能变化得比简历更快。一个人去年的标签今年可能已经过时；另一个人没有漂亮的职位，却刚刚为重要项目提交了关键代码。

简历可以修饰，真实贡献却很难临时编出来。提交过哪些 Pull Request，是不是论文一作，有多少真实引用，都比一句「深度参与项目」更接近事实。

招聘因此开始从听候选人如何介绍自己，转向看他在真实世界里留下了什么。

DINQ 聚合了500多个公开数据源，把分散的履历、论文、代码、模型和项目拼在一起。底层最麻烦的工作，是确认不同平台上的账号是否属于同一个人，再理解他真正研究什么、与谁合作。

这一步做不好，几个同名者的论文、代码和工作经历，就可能被拼成一个根本不存在的人。系统得先确认「他是谁」，才有资格判断「他会什么」。

企业随后可以用一段描述、一份 JD，甚至一张截图寻找候选人，并回到原始来源核验。

高岱恒也不认为通用 Agent 能解决一切。一届 ICML 就有数千篇论文，底层搜索一旦漏掉，模型理解得再好，答案也依然残缺。

搜索看似只是智能之前的一道工序，却决定了智能究竟能看见什么。

简历越来越会说话，招聘真正想找的，反而是那些不太会说谎的痕迹。

给 AI 办完入职，麻烦才刚开始

AI 成为团队成员后，组织得重新回答一组老问题：它归谁管，能看什么，能做什么，做完以后交给谁。

Moxt AI 联合创始人章明喆把团队使用 AI 分成四个阶段。最初是陪人思考的 Thought Partner，接着成为处理数据、整理材料的 Assistant；再往后，它成为团队共用的 Teammate，最后进入工作流，拥有固定职责，知道任务从哪里来，又该交给谁。

前两个阶段提升个人效率，后两个阶段考验组织能力。

AI 越能干，交接、审批和权限越容易成为新的堵点。过去产品经理一周写一份 PRD，如今 Agent 可以一周生成几十份，但团队不可能开几十场会。人省下了写作时间，却可能变成一个更忙的调度员。

要让 Agent 真正工作，得先给它一张「工位」。

Moxt 用 Markdown、CSV 和 HTML 搭建人和机器都能读写的 Workspace，把人的材料、Agent 的产出和后续操作放在同一个地方。团队里的 AI 也有明确的 Rules、Skills 和 Memory，对应做事原则、能力边界和历史经验。

但文件放在一起，不代表 Agent 理解了公司。

哪份文档仍然有效，哪次讨论形成了共识，哪个方案已经放弃，都需要被明确标注。过去留在老员工脑子里的前因后果，如今要整理成机器能够辨认的 Context。否则资料越多，AI 越可能理直气壮地拿旧结论指导新工作。

接下来是 Workflow。每件事都要有清晰的状态和负责人，负责人可以是人，也可以是 Agent。事情做到哪一步、卡在哪里、下一棒谁接，这些最传统的管理问题，一个都不会因为 AI 出现而消失。

速度越快，秩序越不能省。方向一旦错了，Agent 只会更快地产出一堆需要阅读和返工的东西。

「多少内容由 AI 生成」并不是一个有意义的指标。即使九成代码和文档都由 Agent 完成，人还在背后逐句指挥，组织节省的时间就是有限的。

章明喆更看重「审阅式协作」，Agent 先交一版，人负责批注、判断和验收，再由 Agent 自己修改。规则、证据和改进被留在系统里，下一次才不必从头来过。

Agent 可以批量创建，人的注意力却不能。每增加一个 Agent，组织就多出一份职责、权限和维护成本。长期无人管理的 AI 员工，和办公室里一张落满灰的空工位，没有太大区别。

超级个体会增多，公司却不会只剩下一个人

活动最后，Deel 的 Chloe、领创集团 CMO 李蜜，章明喆和高岱恒讨论了超级个体与未来组织。

领创集团已经创业十年，拥有上千名员工。李蜜不认为一家成熟公司可以突然宣布自己已经 AI Native。转变只能逐层发生，先让员工真正使用工具，再重做端到端工作流，最后才轮到岗位和组织结构。

一个工程师即使实现了100%的 AI Coding，公司的整体效率也未必提高多少。写代码只是其中一环，更多时间还耗在沟通、等待和跨部门协作上。一个人跑得再快，前面仍然排着长队。

所以，领创集团不按 Token 消耗量衡量员工是否「拥抱 AI」。用得多不等于用得对。公司更在意，员工有没有真正改造一条流程，或者找到一项新业务。

管理者也得亲自下场。李蜜曾把团队监测社交媒体、分发舆情问题的流程交给 Claude，再由技术同事补上信息抓取，一周左右做出了一套至今仍在运行的内部系统。

亲自把手弄脏，往往比发一封号召全员使用 AI 的邮件更有效。

高岱恒认为，AI 会让岗位边界变宽、管理层级减少，也会让高能动性的人更接近合伙人。但人的注意力没有因此扩容。会议纪要、文档、消息和 Agent 产出一起涌来，所谓超级个体，也可能很快被信息淹没。

DINQ 因此把 Agent 的能力做得很窄。一个监控数据源，一个盯云资源，一个追踪人才流动。职责越具体，越容易接进系统，出了问题也更容易替换。

一个什么都能做的对话框，对少数高手是百宝箱，对更多人则是另一道作业，到底该让它干什么。

章明喆认为，AI Native Team 的起点仍然是事情本身。管理者先确定目标，再组织合适的人和 Agent，最后设计双方共同工作的流程。

AI 可以把原本需要六个人的工作压缩到两个人，却很难让同一个人同时拥有所有领域的判断、经验和品味。超级个体会变多，一人公司也会出现，但只要不同的人仍然在不同事情上更有判断力，协作就不会消失。

三个人对 AI 的态度也并不完全相同。

章明喆更愿意先试，只要不能百分之百确认 AI 做不了，就可以先按它能做来设计。高岱恒则更警惕现实里的「锯齿」。网页会改字段，平台会加防火墙，权限确认也可能让 Agent 卡在第一步。没有流程闭环和业务闭环，所谓自动化很容易变成一个昂贵的玩具。

李蜜更关心 AI 释放出来的时间最终流向哪里。它不必只被用来减人。一家上千人的公司今天只能支撑三条业务线，未来也许可以同时尝试十条、二十条。

未来的组织可能由更小、更灵活的项目团队组成。有人提出目标，伙伴迅速加入，方向跑通后再获得更多资源；没有结果的尝试，则及时停下。

个人会越来越强，公司却不会因此消失。

它仍然要解决那个最老的问题，怎样让不同的人与机器一起把事情做成。

重写「人」的工作

1950年，控制论奠基人诺伯特·维纳出版《人有人的用处》。机器能做什么，人还剩下什么，并不是今天才有的问题。

只是过去的自动化发生在厂房里，今天的 AI 已经进入会议室、工作群和每个人的电脑。它会写 PRD、筛选候选人、整理会议，也会给 CEO 准备决策材料。白领工作正在像当年的流水线一样，被拆成更细的环节。

一边是可以批量创建的 Agent，一边是被公司用几百万元甚至上千万元争抢的人。文艺复兴时期，赞助者供养艺术家，购买的不只是颜料、画布和已经完成的作品，也是一个人从石头中看见雕像、从空白处发现可能的眼力。

今天的逻辑与之相似，算力和数据越来越容易获得，能够判断方向、定义问题，并为结果负责的人，反而变得更贵。

一百多年前，福特用流水线购买重复劳动的效率，也因此重新设计了工资、工时和管理方式。今天的公司同时面对两种选择，既要用 AI 获得流水线般的效率，也要像赞助者一样，识别那些尚未被证明、却可能创造新方向的人。

当可以标准化的工作被一层层接走，公司需要重新划分人的位置，也需要回答一个更根本的问题：它究竟只想成为一座效率更高的工厂，还是也愿意成为创造力的赞助者？

判断、信任、品味与责任，将在这个过程中被重新看见、重新组织，也被重新开价。