作者 | 毕伟豪
编辑｜李水青
智东西 10 月 31 日报道，今天，快手在技术沙龙上结合企业级 AI 生产力平台 iWork 的实践，分享了AI 如何从辅助编程逐步走向团队协作与组织级提效，并沉淀为企业生产力基础设施。
快手企业智能体建设负责人、企业 AI 生产力专家沈浪复盘了快手过去两年 AI 生产力建设的四个阶段：从 AI 赋能工程师、全体员工，到 AI 赋能团队和组织。他特别提出，个人提效并不等于团队提效，企业需要将个人经验沉淀为可复用的数字员工、工作流和 Skill，进一步推动团队能力共享与组织级 Agent 协作。
《软件工程 3.0》作者、同济大学特聘教授朱少民则从工程方法论出发，分享了企业级智能体落地的关键路径，强调通过规约工程、驾驭工程和质量门禁，建立 Agent 可靠交付的工程体系。
快手磁力引擎风控技术负责人王东旭则从组织变革的角度，分享了快手从 " 超级个体 " 走向 " 液态组织 " 和 " 臭鼬工厂 " 的探索，尝试通过打破岗位边界、减少协作环节，让 AI 带来的技术效率真正转化为组织效率。
OPPO 产研提效产品负责人郝刚分享了 OPPO 内部的 AI Native 演进路径，介绍了从工具普及、个人提效到组织提效的实践，以及如何通过高质量知识库、AI 交付工作流和智能体协同交付平台 CoMind，推动 AI 融入完整研发流程。
快手磁力引擎风控质量负责人吕冬冬则聚焦 AI 规模化应用中的质量保障问题，他认为，AI 提升研发单兵产出速度的同时，也让验证能力成为新的瓶颈。
面对需求变更频繁、AI 生成用例可信度不足等挑战，团队正在探索需求测试智能分级、风险挖掘和智能体自主测试，并通过异源交叉、人工真值校准等方式，解决 "AI 测 AI" 过程中的可信度问题。
一、个人、团队再到组织，AI 重塑企业组织模式
当 AI 工具逐渐普及，企业面临问题，是如何将分散在员工个体身上的效率提升，转化为团队协作和组织能力。来自快手、OPPO 的三位嘉宾分享了企业 AI 转型从个人提效走向组织变革的不同路径。
1、沈浪：从个人到组织，快手 AI 生产力的四阶段演进
快手企业智能体建设负责人、企业 AI 生产力专家沈浪认为，企业 AI 转型需要经历从个人到团队、再到组织的逐步演进。快手将这一过程划分为四个阶段：AI 赋能工程师、AI 赋能全体员工、AI 赋能团队，以及 AI 赋能组织。
第一阶段，快手主要通过产品升级优化研发范式，让 AI 从代码辅助逐步走向 Agent 自主研发。第二阶段，快手将 AI 使用范围从工程师扩展到全体员工，让不同岗位的员工都能充分使用 AI。
第三阶段是快手实践中的一个重要转折点。 通过大量实践，快手将技术团队划分为四类：复杂业务开发团队、AI 友好开发团队、产研闭环交付团队和 AI 原生交付团队。
四类团队在 AI 研发流程中的参与程度和自主化程度各不相同，AI 也由辅助单项研发任务，逐步向承担完整研发交付流程演进。
在非技术团队中，快手则提出了 " 先蒸馏、再折叠 " 的提效思路：先将个人经验 AI 化，通过数字员工、可复用工作流等方式沉淀个人能力，再通过知识、Skill 和工具共享，将个人经验转化为团队可以共同调用的能力。
基于这一思路，快手推出 MyFlicker 2.0 团队 AI 产品形态。据沈浪介绍，目前快手园区已有 1000 多个团队 Agent 在运行。
第四阶段，快手开始探索从团队 AI 走向组织 AI。 沈浪指出，团队 AI 的规模和成熟度各不相同，而整个组织是一个全新的业态，虽然其运行逻辑与团队 AI 相似，但在协作方式和能力整合上存在本质区别。
以 HR 体系为例，组织级 AI 不仅需要处理招聘、绩效、员工服务等单项任务，还需要打通不同职能之间的知识、数据和业务流程。
为此，快手正在研发 MyFlicker 3.0，通过增加工作台功能，为组织 AI 提供稳定的 Agent 底座，推动 AI 从团队内部的能力复用进一步走向跨团队、跨业务的组织协作。
快手磁力引擎风控技术负责人王东旭认为，AI 对人的影响呈现出一条 " 微笑曲线 "：能力强的人借助 AI 进一步放大优势，能力相对弱的人则可能被拉开差距，马太效应愈发明显。
面对这一变化，快手探索了三个阶段：从打造 " 超级个体 "，到构建 " 液态组织 "，再到形成 " 臭鼬工厂 " 模式。
第一阶段，快手通过 IDE、浏览器 Vibe Coding 和 CLI Agent 等方式，不断放大个体能力。但超级个体并不能自动带来团队效率提升。
为此，快手推动算法与工程、前端与后端融合，让具备业务上下文的技术人员承担更多工作，也通过技术让渡，将部分提示词工程交给运营人员。
在前后端融合过程中，快手还建设了多仓全栈 Agent Harness。不过，即使实现 AI 全栈开发，组织效率仍有天花板。
王东旭指出，开发环节约占端到端交付流程的 20%，即使 AI 让代码开发效率提升 10 倍，整体交付效率也只能提升约 22%。
因此，快手最终选择了 " 消除 " 这条组织提效路线，通过绑定共同业务目标、减少流转节点、集中产运研决策等方式，消除不必要的协调成本，让小团队形成业务闭环，逐步形成 " 臭鼬工厂 " 模式。
据王东旭介绍，经过这套组织与工程方式的调整，团队需求吞吐率提高了 133%，交付周期缩短了 79%，全栈交付需求数提高了 800%，并获得快手内部领域级 AI 样板间的荣誉。
不过，臭鼬工厂模式也面临新的挑战：当小团队需要与大型组织协作时，外部流程和跨部门协调仍可能形成阻碍。
王东旭认为，这一瓶颈的打破需要更多臭鼬工厂的出现，通过多个具备自主交付能力的小团队协同，逐步打破大型组织中的协作壁垒。
OPPO 产研提效产品负责人郝刚分享了 OPPO 内部的 AI Native 演进路径：从工具普及、个人提效，到组织提效，最终走向 AI Native 组织。
在工具普及阶段，OPPO 将 AI 引入编程、测试、运营、审核、游戏和设计等日常工作，甚至曾要求员工达到一定的月度 Token 消耗量。同时，OPPO 通过 AI README，让项目文档和工作内容更容易被 AI 理解，并逐步搭建数字人研发、模型广场与知识库，以及 Skill 和 MCP 中心等平台能力。
随着 AI 工具逐渐普及，OPPO 也发现，个人效率提升并不意味着团队交付效率同步提高。为此，OPPO 开始提高研发流程中 AI 能够参与和掌控的环节占比，并重点推进两件事：建设高质量知识库，以及打造能够持续演进的 AI 交付工作流，以扩大 AI 协同交付的覆盖范围，减少重复交接和等待。
在组织层面，OPPO 先选择部分人员开展 AI 转型试验，再逐步推进业务流程重构、专业能力沉淀和平台底座建设。其内部的 CoMind 智能体协同交付平台，能够承接从想法、需求提出到最终上线交付的完整流程，为团队协作提供 AI 能力支持。
对于如何走向 AI Native，郝刚认为，需要自上而下与自下而上两条路径共同推进：管理者既要亲自上手，也要判断转型方向；员工则需要从超级个体走向协同的 " 蜂群 "，让判断、执行和经验彼此连接，形成团队复利。
当 AI 深入团队协作和企业研发流程，如何让 Agent 在复杂业务环境中稳定执行任务，如何衡量交付质量，又如何防止效率提升带来新的风险，这些问题成为了新的挑战。两位嘉宾分别从方法论和实践两个层面分享了，企业该如何解决这些问题。
1、朱少民：企业级智能体落地，需要精密的工程体系
《软件工程 3.0》作者、同济大学特聘教授朱少民认为，企业级智能体落地不能只关注模型能力和代码生成速度，更需要建立一套可靠的工程体系。
企业生产力应当以可交付的客户价值衡量，即企业生产力 = 可交付客户价值 / 总投入。如果效率提升伴随着质量、可交付率和可治理性的下降，企业整体生产力反而可能降低。
他指出，生成不等于完成、个人提效不等于组织提效、Demo 不等于可靠生产，企业需要将关注点从生成速度转向交付速度，从个人效率转向组织吞吐量，从模型能力转向工程系统。
在具体落地方法上，朱少民重点介绍了规约工程与驾驭工程。规约工程旨在定义 Agent 的工作目标、上下文、约束和验收条件。驾驭工程（Harness Engineering）则通过系统化的工程控制，为 Agent 建立明确的执行边界和运行环境。
此外，企业还需要建立质量门禁。由于 Agent 的行为具有概率性，不能仅依赖其自身判断任务是否完成，而应通过分层质量检查，对产出进行验证、拦截和反馈，形成持续改进的闭环。
快手磁力引擎风控质量负责人吕冬冬认为，AI 正在显著提升研发单兵的交付速度，但代码生成能力的提升，并不意味着质量保障能力同步增长。
当需求变更更加频繁、代码产出更加细碎，甚至出现一些表面正确、实际语义错误的隐性缺陷时，验证能力就可能成为新的瓶颈。
这一变化也带来了新的质量风险：测试速度跟不上研发节奏，项目容易堆积在质量验证环节；AI 生成的测试用例和结论缺乏足够的可信度；重复代码增多、代码腐化加速，也让质量审核更加困难。
此外，团队对 AI 提效的主观感受可能强于实际产出，容易造成过于乐观的判断。
针对这些问题，吕冬冬分享了快手团队正在探索的需求测试智能分级体系。其团队将人工判断经验与 AI 分析能力结合，建立智能分级流程，把需求划分为高、中、低三个风险等级，并匹配不同的测试策略：高风险需求由人工主导、AI 辅助；中风险需求由 AI 与人工协同；低风险需求则更多交由 AI 主导。
分级过程中还引入了包含 12 类检测项的风险挖掘体系，覆盖核心业务链路改动、数据安全与合规、上下文依赖及复杂度等因素，同时保留人工最高决策权限。
随着 AI 逐渐承担更多测试工作，质量团队也需要重新划分职责边界。吕冬冬提出，智能测试要让 Agent 逐步参与决定 " 测什么、怎么测、测多深 "，通过策略决策模型，根据风险匹配测试组合，并给出可解释的策略依据，最终形成结构化测试计划。
在测试执行环节，则需要进一步实现多工具协同、自主执行、稳定可靠和降本提效，让测试从人工操作逐步走向智能体驱动。
不过，让 AI 参与测试，并不意味着可以直接相信 AI 给出的结论。尤其在 "AI 测 AI" 的场景中，被测对象本身具有不确定性，测试工具的判断也可能存在偏差。
为此，快手团队探索了几种可信度保障方法：通过异源交叉验证降低单一模型偏差，以变异测试检验测试能力，用人工真值校准 AI 判断，并坚持依据证据而非结论做质量决策。
从个人使用 AI 编写代码，到团队借助智能体协同交付，再到企业重新设计组织和研发流程，AI 带来的变化正在从单点工具提效，深入到企业生产力体系的重构。
企业引入 AI，最终要看的不只是代码写得有多快、单个员工效率提升多少，更要看能否让团队协作更顺畅、交付更加可靠，并将个人经验沉淀为组织可以持续复用的能力。
