从个人提效到组织变革，快手重构企业AI生产力

沈浪没想到，他和团队推动为工程师打造的AI编程工具，却吸引了越来越多不写代码的同事使用。

作为快手企业智能体建设负责人、企业AI生产力专家，沈浪团队推动这套工具建设的出发点，是希望借助AI重构软件研发流程。2025年，快手围绕本地AI Coding工具CodeFlicker和云端研发平台KATE，将需求分析、CI/CD、Code Review、测试用例编写、线上监控等环节逐步Agent化，试图让AI从辅助编程走向独立承担部分研发任务。

但在工具逐步成熟的过程中，越来越多非技术员工也开始使用CodeFlicker来制作演示文稿、开展调研、分析数据，甚至完成一些与编程毫无关系的工作。

在他看来，这是员工用脚投票：相比传统工具，能够理解需求、调用能力并完成任务的交互方式，更符合同事们对AI的期待。

2026年3月，快手开始将编程助手与Work形态的产品整合，打造面向全员的通用Agent MyFlicker，并于5月正式发布。AI的应用边界由研发部门扩展至整个组织。

然而，让所有人都能用上AI，只是第一步。当使用规模迅速扩大，Token成本、员工使用习惯、岗位分工和组织协作方式等问题接踵而至。

10月31日，在快手技术沙龙第六期上，沈浪分享了快手通过建设AI生产力工具的全过程。从一个编程助手意外破圈，到一套企业级AI生产力体系逐渐成形，快手试图探索的，已经不只是如何让员工借助AI提升个人效率，而是如何让AI真正成为组织生产力的一部分。

快手开始意识到，企业AI生产力建设不能停留在工具层面，还需要一套与之匹配的成本机制、人才培养体系和组织架构。今年2月，快手将研发效能中心升级为AI生产力中心，将原本用于研发工具建设的资源大幅转向公共AI基础设施。

这背后，是企业AI应用正在经历的一次转变：当AI从少数人的效率工具变成全员都能调用的生产力，真正的考验就不再是工具本身有多强，而是企业能否建立一套新的运行机制，让分散在员工手中的AI能力转化为整个组织的效率。

快手的探索，也正是从这里开始深入。

从个体到团队：先蒸馏，再折叠

当产品服务的用户越来越多之后，成本问题立刻浮现。

沈浪并没有因为CodeFlicker的用户量大涨而感到高兴。按照传统的成本分摊机制，AI工具产生的Token费用需要摊给各个业务线。这意味着，工具建设团队不仅要负责把产品做好，还要不断向业务部门解释和分摊成本。“相当于我要把工具回头卖给每个业务线。”

快手最终选择用Token积分制解决这个问题：将AI预算折算成积分，下发给每一位员工，由员工自主决定如何使用AI。这样一来，工具建设团队不必再为成本分摊分心，可以专注于产品建设和员工培训；员工则第一次真正意识到，调用AI并不是没有成本的。

年初时，快手员工的习惯是哪怕问天气预报也要选最好的模型。积分制推行后，员工开始根据任务复杂程度选择模型和消耗额度。在他看来，这套机制是让企业AI生产力体系得以运行的看得见的手。

解决了成本问题，接下来要解决的是使用门槛。快手从一些鼓励员工探索AI应用的活动中找到了方法。

今年年中，快手连续举办了“AI蹭饭研判官”“AI贪吃蛇大赛”“PDE集结令”等多场活动。其中，不少非技术员工训练出来的AI贪吃蛇甚至击败了技术人员。今年8月，这些活动演化成了新人入职的必做的训练，考察的不是编程能力，而是员工能否真正驾驭AI。其中，PDE集结令最终收到4000余个作品，验证了非技术人群构建工具的可能性。

但当AI从个人工具走向全员普及，另一个问题也逐渐显现：个人效率提高了，并不意味着团队效率就会同步提升。

沈浪在年中复盘时发现，公司内部出现了两种现象。一种是孤岛区，即少数AI能力较强的员工已经探索出高效的工作方法，但经验停留在个人手中，无法复制给其他人；另一种是空转区，一些团队引入了大量数字员工，却因为上下游协作缺乏完整的业务上下文，数字员工之间难以有效配合，最终并没有带来预期的效率提升。

这意味着，企业AI生产力建设需要跨过一道新的门槛：从让员工各自用好AI，转向让AI真正融入团队协作。沈浪将快手在这一阶段摸索出的核心方法概括为“先蒸馏，再折叠”。

蒸馏是先把团队中优秀员工的经验、知识和工作方法沉淀下来，转化为AI能够理解和调用的知识库、Skill与工作流，让原本依赖个人经验的能力变成团队共享的资产。折叠则是在此基础上引入数字员工，接手团队中重复性、确定性较高的工作，重新组织人与AI之间的分工，让人更多聚焦于创造性和高价值任务。

这套思路也推动MyFlicker从个人助手向团队Agent升级。通过MyFlicker 2.0，员工可以围绕团队业务搭建专属Agent，让AI不再只是某个人的效率外挂，而是成为团队工作流程中的一员。

目前，快手内部已经有500多个团队Agent、1000多个数字员工在独立工作，覆盖技术、销售、设计等几乎所有团队。

然而，问题并没有就此结束。沈浪发现，这些Agent更像是散落在公司各处的卫星，各自在团队内部运转，却还没有真正连接成一张网络。要让AI从团队成员变成组织能力，快手还需要找到下一步的答案。

快手探索组织变革新模式

沈浪发现，当500多个团队Agent、1000多个数字员工开始在快手内部独立工作时，

团队内部的知识、工作流和工具可以被AI调用，一旦涉及跨团队协作，信息仍然分散在各自的系统里，原本需要人来协调的工作，并不会因为多了几个Agent就自动消失。

这让快手开始把视线从团队进一步推向组织。为此，快手在组织层面有了一个更为具体动作：成立企业AI生产力组织iWork，负责基础办公系统基座的稳定运行，统筹通用Agent、企业上下文体系和企业信息系统的统一建设。

快手企业AI生产力副总裁王诩在开场分享中，把AI进入企业的过程概括为四个阶段：先在部分领域鼓励实践，再把跑通的经验沉淀为产品和工具，进而调整岗位分工，最后自上而下推动组织变革。iWork的成立，正是第四阶段的落点。

在沈浪看来，组织本身也可以被看作一个更大规模的Agent。它和团队Agent的逻辑相似，只是涉及的业务范围更广、系统更多、协作关系也更复杂。

比如，一个销售组织或HR组织，内部不仅有大量岗位和人员，还连接着不同的业务系统、数据、文档和工作流程。要让AI真正进入这样的组织，就不能只给每个员工配置一个助手，而需要把整个组织的知识和工作流沉淀下来。

基于对组织关系更为深入的理解，快手进一步探索出了MyFlicker 3.0。相比此前的版本，MyFlicker 3.0增加了一个AI工作台。

在沈浪看来，当公司内部越来越多的系统被接入MyFlicker，传统的对话交互已经不足以承载复杂的组织工作。员工需要的不只是向AI提问，还需要AI能够理解企业上下文、调用不同系统，并在多个工作环节之间持续执行任务。

围绕这一目标，快手正在探索一套企业级AI架构：最底层是AgentOS，负责记忆、模型调度以及云端和本地引擎；上面是企业资产层，将行政、会议、研发等传统工具转化为Skill和CLI，让Agent能够直接调用；再往上，则是企业AI知识库，把代码、数据、流程和文档等分散的信息汇总起来，转化为AI能够理解和使用的结构化知识。

这套架构试图解决的，是组织规模扩大之后，AI如何获得完整的企业上下文，以及如何跨越不同系统和团队执行任务。

随着全新的产品和AI架构在快手各个业务应用，一些非常明显的变化正在具体业务团队内部发生。

王东旭是快手磁力引擎风控技术负责人，他所在的团队超过百人，涵盖产品、运营、研发、算法和测试等多个职能。

在AI带来的效率变化中，王东旭很快发现，超级个体并不能自动解决团队的协作问题。他所在团队开始推动岗位边界融合。部分Prompt配置、交互式运营等工作被交给更接近业务的运营人员，算法和工程人员则将精力转向复杂算法与系统架构。过去必须经过多个专业角色才能完成的工作，开始由一个人或一个小团队端到端推进。

再往后，团队又尝试引入洛克希德·马丁著名的“臭鼬工厂”模式，将产品、运营、研发、算法和测试人员围绕同一个业务目标集中起来，通过缩短协作链条减少等待。他们将需求流转节点从12个压缩至6个。在一项局部试点中，29名成员覆盖3个业务方向，需求吞吐率从36%提升至84%，需求交付周期缩短至原来的五分之一。

他用阿姆达尔定律解释这一现象：如果编码只占端到端交付时间的20%，即使编码效率提升到极致，整个交付周期的改善也十分有限。“全栈不是多做一份工，而是少等一个人。”

但这种模式也有边界。王东旭特别提醒，臭鼬工厂并不适合所有场景，尤其是涉及复杂存量系统、强跨团队依赖的业务。当一个团队需要依赖大量外部部门才能完成交付时，原本被压缩的内部流程，可能又会被外部依赖堵住。

这也说明，AI带来的组织变革并不是简单地把人变成全栈工程师，或者把所有工作交给Agent，而是重新审视工作如何分配、经验如何流动，以及不同团队之间如何协作。

从个人能力的释放，到团队工作流的重组，再到企业级知识、系统和组织架构的整合，快手正在尝试把AI从一个个独立的效率工具，变成能够参与组织运转的基础设施。

沈浪表示，快手的组织提效模式还不是一套已经完全成熟的解决方案，公司还将进一步探索。

AI大规模应用，质量由谁来守？

当AI开始大规模参与代码编写，还有一些新的问题接踵而至。

其中，各个业务团队面临的一个共性问题就是，代码可以由AI生成，测试用例可以由AI编写，甚至质量评估也可以交给AI，谁来保证最终交付的东西是对的？

在传统研发流程中，测试产能高度依赖人力，人工回归和个人经验是质量保障的重要支撑。但AI让代码产出速度大幅提升后，质量验证却没有同步跟上。更棘手的是，AI生成的缺陷不一定表现为明显的错误，有些结果看起来正确，却在业务语义上存在问题。

为此，快手开始重新设计质量体系。快手磁力引擎风控质量负责人吕冬冬在沙龙现场分享时表示，其所在团队将需求按照风险分为高、中、低三个等级：涉及资金、安全和核心业务链路的高风险需求，仍由人工主导验收；中风险需求采用人机协同；而在风控业务中约六成的低风险需求，则交由AI承担更多验证工作，人工只负责抽检和异常升级。

但当测试也交给AI，另一个更棘手的问题出现了：如果写代码、写测试用例、判断测试结果的都是Agent，测试通过究竟意味着产品真的没有问题，还是AI只是在用自己的逻辑证明自己正确？

吕冬冬将其称为“AI测AI”的同源风险。为此，团队开始引入不同模型分工，建立来自真实业务的固定评测集和黄金真值，并把测试推理过程拆成结构化步骤，确保出现问题时能够追溯和纠偏。

这也改变了测试工程师的工作重心。过去，他们更多承担用例编写、测试执行和缺陷归因。未来，这些工作将逐步由Agent接手，而人需要负责制定质量规则、判断业务风险，并对最终发版承担责任。

质量岗位的变化，只是AI重塑软件工程师职业分工的一个缩影。软件工程学者朱少民认为，只会写代码的码农可能逐渐失去竞争力，但软件工程师不会消失，业务理解、架构设计和质量判断等能力反而更加重要。王东旭则提醒，AI可能带来职业阶梯的中空化：既缺乏领域经验、又没有足够学习动力的人，可能受到更大冲击。

沈浪分享了一个设计团队的案例：一名负责人将团队的设计经验全部沉淀为Skill，原本需要大量人力完成的工作，后来只需要5%至10%的人力维护。但团队并没有因此缩编，其他成员转而投入多模态模型美学评估、公司级设计基础设施建设，甚至开始自己设计产品、编写代码。

几位嘉宾的共识是，AI替代了一部分工作，却也让同一批人有机会承担更多新的工作。

这也是快手这场组织变革最终要回答的问题：当AI不断接管执行环节，人和组织真正需要建立的，不是与机器竞争的速度，而是持续重新定义自身价值的能力。

正如王东旭在分享中所说，大模型正在重新定义软件，人也正在重新定义自己，“AI时代，职场人唯一的护城河，是你和你的组织进化的速度”。