AI Native：年轻比经验更值钱 互联网公司高层是塔尖的少数人，管理着数百人技术团队或在某项业务上做出过成就，职级高、口碑好、位置稳，得以远离 “35 岁诅咒”。 如今过去的经验失效了。一位曾在字节 Seed 的人士说，刚开始投入大模型时，字节延续惯例，让在业务上做出成就的 “大哥” 负责新业务。这样的负责人换过两三个，带来各自的核心研究员，但效果不如预期。后来更年轻的周畅加入，迅速推动了多模态能力的提升。 “这让我们意识到过去的用人策略不对。” 他说。 如果比资源，DeepSeek 不是动辄投入千亿级的大厂的对手。它的员工人数不到大厂 1/10 ，人均工作时间只有大厂一半，此前没拿过任何投资，但比中国头部互联网公司更早进入全球大模型第一梯队。我们曾梳理参与 Deepseek 三代模型的 172 名研究者中公开可见的 84 份履历，其中超过 70% 小于 30 岁。 字节研究 OpenAI、Anthropic、DeepSeek 3 家 “黑马” 公司后得出的结论之一是，AI 领域，真正决定一项业务进展的是关键研究员，过去的管理经验和业务成就没那么重要。“大哥” 不一定带不好研究员，但一定不会比研究员直接决定做什么更好，不如让聪明的年轻技术人才带队。 一位知情人士说，为了组建 Seed 团队，字节跳动将一位 TikTok 增长产品负责人调来负责 Seed 招聘。招聘逻辑只看投多少钱、有多少产出，招人也是，看给他多少钱、能给公司带来多大增益，过去的职级、薪酬没意义。“原来评级 3-1 的人大都是硕士毕业、工作 5 年左右，今天，校招生也能拿到同等甚至更高的职级。” 新的规则变成谁越 AI Native，谁越有机会。 几位研究员尝试解释这个在大厂招聘启事、融资计划书、创始人演讲中流行起来的概念。一位说，“思维模式和大模型的输入输出完全对齐，遇事先问 AI，且知道下一题该问什么”；另一位打比方，“为什么老年人用智能手机需要学习，小孩不用？因为小孩理解点击屏幕会出现什么。对大模型也一样。” 一位 AI 方向的投资人答得更简单，“年纪越小越好”。他们都是 00 后。 从 2022 年 OpenAI 让大语言模型成为主流，到模型具备多模态、深度推理和编程能力。行业几乎每隔一段时间就会出现新的技术。 不过四年。一位读博时选择报考热门方向 “计算机视觉” 的人，还没毕业，天就变了。如果转方向不够快，他也成了 “上一代”AI 人。 四年以上，工作越久越被动。一位大模型公司 HR 说，他们在 2024 年招 AIGC 文生图、生视频岗位，惯性去找有视觉算法经验的人，很快发现招来的人也有惯性，先用过去验证过的技术方式解决问题，效果好一些就直接用，但应届生、更 “AI Native” 的人不会抄过去的作业，换人后，效果翻了几倍。 “工作五六年的人也许能很快转过来，但公司何必赌？反正有更年轻的。” 十几份候选人简历被拒后，一位和大模型公司合作的猎头领悟了没明说的规矩，“33 岁大概率是上限”。 猎头们有一些筛选技巧。如果候选人问，公司营收怎么样——立刻认定为不够 AI Native。多数 AI 公司还没赚钱，他们更关心算力、模型、数据，营收被视为上一代公司的财务判断指标。 “‘天才’ 管理者只想招同类人。30 岁的技术负责人会想招比自己年龄大、技术差的人吗？” 一位和字节合作过的猎头反问。 她迅速举出几个例子，撑起字节多模态能力的周畅 30 多岁， 杨植麟创办 Kimi 时也才 30 ，阿里千问大模型前负责人林俊旸是 1993 年的，小米 MiMo 大模型负责人罗福莉 1995 年，腾讯混元大语言模型部负责人姚顺雨 1998 年。 何况大部分年轻人更能加班。一位 21 岁的 AI 实习生多数时候从 11 点工作到凌晨 1 点多，中间吃顿饭、转两圈，让头脑清醒，周末也 “干一会儿玩一会儿”。“这和公司没关系，是我对自己的要求。” 他补充，“不然很难在同龄人里突出”。另一位 22 岁的 AI 研究员不觉得这有什么特殊，他有时从晚上 9 点通宵工作到第二天中午，原因是更 “沉浸”。他们离照料家庭的责任和顾虑还很远。

《AI Compatible 与 AI Native》 锚点： 很多人以为自己已经进入了 AI 时代，其实只是进入了“AI Compatible”时代。 最近我问了几个程序员岗位的同事： “除了 AI 帮你写代码，你的工作方式还有什么变化吗？” 答案几乎一致： “暂时没有。” 这让我突然意识到一件事。 AI 已经进入了大多数人的工作流程。 但并没有进入大多数人的工作结构。 这是两个完全不同的阶段。 什么是 AI Compatible？ AI Compatible，可以翻译成： 兼容 AI。 它的特点很简单： 工作流程保持不变。 只是把其中某一个环节换成了 AI。 例如程序员： 过去： 需求 ↓ 自己写代码 ↓ 提交 现在： 需求 ↓ AI 写代码 ↓ 提交 流程没有变化。 角色没有变化。 协作没有变化。 AI 只是变成了一个更快的编辑器。 于是： 周报还是自己写。 项目还是自己催。 聊天记录还是自己翻。 需求还是自己整理。 上下文还是自己拼。 唯一变化的是： 代码写得快了一点。 这就是 AI Compatible。 它提升的是效率。 没有改变系统。 什么是 AI Native？ AI Native，不是： AI 用得更多。 而是： 整个工作流程围绕 AI 重新设计。 工作的第一步，不再是： “AI 能帮我做什么？” 而变成： “这件事为什么一定要由人来做？” 于是整个流程开始重新拆解。 例如项目推进： 过去： 人： 翻聊天记录； 找负责人； 理解上下文； 催进度； 整理状态； 思考下一步。 现在： Agent： 自动读取聊天； 自动寻找干系人； 自动补全上下文； 自动发现阻塞； 自动推演下一步； 人只负责： 判断； 决策； 真人沟通； 承担责任。 工作的重心发生了迁移。 AI 不再是工具。 开始成为整个流程的一部分。 两者最大的区别 AI Compatible： 旧流程 ↓ AI 替代一个动作 ↓ 继续旧流程 AI Native： 重新设计流程 ↓ 重新划分人与 AI 的边界 ↓ 形成新的协作方式 很多公司今天喊着： AI First。 Agent。 智能工作流。 但实际上仍然停留在 AI Compatible。 他们只是： 让 AI 写代码。 让 AI 写周报。 让 AI 总结会议。 然后继续按照过去十几年的流程工作。 于是： 一周一个版本。 层层审批。 大量周报。 大量日报。 大量等待。 AI 写的是新时代的代码。 跑的却是旧时代的流程。 真正的变化发生在哪里？ 很多人认为： AI 最重要的是模型越来越聪明。 我反而觉得： 真正的变化在于： 组织开始重新定义“人应该做什么”。 未来的人类工作，不会因为 AI 消失。 但会不断收缩。 收缩到那些 AI 难以承担的部分。 例如： 判断。 责任。 价值取舍。 建立信任。 而那些： 重复。 查找。 同步。 整理。 跟进。 提醒。 越来越会交给 Agent。 AI Native 的标志 真正进入 AI Native 的组织，不会先问： “代码生成率是多少？” 而会问： “从发现问题，到改变现实，需要多久？” 因为 AI Native 的目标，不是写更多代码。 不是生成更多报告。 不是做更多网页。 而是： 缩短反馈周期。 减少组织摩擦。 让状态自动流动。 让上下文自动连接。 让人只做真正属于人的事情。 最后的分水岭 未来几年，组织会逐渐分成两类。 一类： 用 AI 做昨天的工作。 另一类： 用 AI 创造昨天根本不存在的工作方式。 前者，会获得几十个百分点的效率提升。 后者，会重新定义整个工作的形态。 AI Compatible，让昨天跑得更快。 AI Native，让昨天成为历史。

当 AI Native 公司的效率指数级碾压传统公司时，赚钱的业务就不仅仅是 to B，而是找到一种方法彻底替代他们。人脉，资源，信任会是门槛，但这些门槛一定会被效率击破。

要我说，AI native 时代最成功的创业者，应当实打实的参与到所有行业的所有工作中去，而不是试图用软件工程工作中的工具（比如 Git 和 notion 等）通过组合来完成其他领域的工作，知识工作有一定的相似性，但在知识工作之外，仍有大量的空间没有被梳理和信息化，我觉得所有人应该像 Elon 对 Terafab 那样重新思考芯片制造一样重新思考工作。

开源 Multica：专为 AI-native 团队设计的 Agent + 人的协作平台 为什么做 Multica？ Multica 最初是为了解决我们团队自己的问题： 1. 团队间的知识无法共享。 每个人都在用 coding agent，但产出的上下文全部散落在各自的 agent session 里。A 做完了一件事，B 不知道；agent 跑完了一轮，结果只有发起人看得到。团队知识变成了一座座孤岛。 2. 多人 + 多 Agent 的协作缺乏中枢。 当团队同时有多个 agent 在跑任务，谁在做什么、做到哪了、卡住了没有——没有一个地方能看到全貌。人和 agent 之间、agent 和 agent 之间，缺少一个共同的协作界面。 Multica 是什么？ 一句话：像 Linear 一样管理任务，但 AI agent 是一等公民。 你可以像分配任务给同事一样，把 issue 分配给 agent。agent 会自动领取任务、在你的本地机器上执行代码、提交结果、更新状态、发表评论——一切都发生在同一个看板里，所有人实时可见。 核心思路很简单：每个人把自己的 coding agent（Claude Code / Codex）注册到团队 workspace，之后就可以像分配任务给同事一样分配给 agent。agent 自动执行、更新状态、发表评论，所有人实时可见。 适合谁？ - 1-10 人的 AI-native 小团队 - 正在大量使用 coding agent 但缺少协作中枢的团队 - 希望让 agent 融入日常工作流而不是当作独立工具的团队 官网: 欢迎 star、试用、提 issue，也欢迎 PR。

最近我一直在参与企业 AI Native 提效和转型，接触了不少大型企业，其中很多都是规模很大的公司，市值几十亿美金的都有，也有规模较小的传统企业。 国内关于 FDE 的内容，特别是抖音小红书，常常就是说这是个风口，什么日薪一万叽里咕噜那些。把它包装成了一种万能解法：把几个懂 AI、会编程的工程师送进企业，就能帮助企业完成 AI Native 转型。 这里我要下个判断： FDE入企，绝对不能实现企业AI Native 企业规模越大，内部流程、部门协作、利益关系和管理机制就越复杂 FDE 可以开发原型、优化局部流程 但你一个空降兵，就算老板开明给你了很高权限，也很难同时承担组织诊断、业务理解和跨部门推动。 更大的问题是，很多企业并没有把自己的工作方式沉淀下来。 我接触过市值几十亿美元的企业，内部仍然缺少完整的知识库，大量业务规则、判断标准和协作方式，都存在员工的经验里，外部 FDE 看到的往往只是一小段流程，很难理解整个业务如何运转。 除非一个 FDE 本来就在这家公司工作，对业务和组织拥有长期积累，否则他很难仅靠几个月驻场完成这种理解 但现在这个的需求市场确实很大，在我接触的企业中，几乎每一家都有 AI 提效的需求。 区别在于，有些企业已经意识到了，有些企业还没有找到合适的表达方式，它们知道 AI 很重要，却说不清应该先改哪条流程，也不知道用什么结果验证投入是否有效（有些在询价时会特别关注“ROI”，但这个并不是能衡量ROI的东西，所以如何说服他们或者找到真正的目标客户也尤为重要） 所以现在很多企业容易把需求简化成购买工具、组织培训或者找几个工程师驻场，这就是为什么现在FDE炒的价格高，项目做出几个 Demo，内部展示一轮，然后逐渐失去后续推动力。 我观察到的一个挺好的方法，就是通常会让 FDE 和 FDPM 配合工作。 FDE 负责技术实现。有一个叫FDPM的配合 这里的 FDPM 需要具备深厚的行业经验。他熟悉行业的业务流程、决策逻辑和风险边界，能够判断哪些环节值得改，哪些问题不能只靠技术解决。 例如，帮助一家传统建材企业推进 AI Native 变革，FDPM 最好长期做过建材行业，本身就是行业专家，他先找到有价值、能落地的问题，再和 FDE 一起把行业经验转化成新的工作流和系统。 这套组合比单独派 FDE 更合理，但仍然不能保证变革成功 传统企业的很多问题牵涉管理机制和部门协作，外部团队很难代替企业完成这些改变。 我现在判断一家企业能否完成 AI Native 转型，会先观察创始人和高管。 他们是否愿意使用 AI 重做自己的信息获取和决策方式？是否愿意调整原有流程，给试点项目足够的资源，并推动部门配合？ 如果管理层自己不 AI Native，或者不愿意AI Native，员工很快就会把 AI 当成一项额外任务。外部团队再强，也只能完成几个局部提效项目，很难改变这家公司的运转方式。 传统企业的 AI Native 变革包含技术建设，也包含管理层自身的转变。后者没有发生，前者很难进入企业的核心业务