作者 | 唐小引

出品 | CSDN（ID：CSDNnews）

個人提效≠組織提效。

在騰訊云 AI 產業應用大會的主論壇上，騰訊云副總裁、CodeBuddy&WorkBuddy 負責人劉毅站在臺上，用一句話給這兩年的企業 AI 熱潮潑了一盆冷水：「企業想要的，從來不是更聰明的個人工具，而是組織生產力。」

這句話不是在否定個人提效的價值，而是在點出一個更深的困境——過去一兩年，幾乎所有 AI 工具都在做同一件事：把個人變得更強。一批超級個體在企業里涌現，但組織整體的產出速度，并沒有同步提升。

「大量超級個體，不代表是超級團隊。」

這是劉毅反復強調的判斷，也是騰訊云這次大會想回答的一個核心問題。

爆發元年，三個信號同時亮了

劉毅在演講中給出了一個判斷：2026 年是企業 Agent 真正的爆發元年。支撐這個判斷的，是三件事在同一時間窗口里同時成熟。

模型成本一年降了 80%，Agent 跑得起來了。企業已經在驗證 Agent 可以脫管、可以進生產。用戶側的習慣也已形成，大家開始自然而然地讓 AI 代替自己完成工作。

「三件事同時發生，這才叫爆發元年，不是哪一項單獨到位。」

這個判斷背后有騰訊自己的數據支撐。WorkBuddy 火速風靡，發布以來是國內桌面端大模型產品第一，短短三個月內人均 Token 消耗量增長十倍，留存健康，用戶規模飛速增長。高價值場景集中在金融、文檔辦公、教育、法律。模型調用量最多的是混元，Hy3 preview 發布后表現很好；DeepSeek 增長非常快，「效果直達、成本控制力強」；GLM、Kimi、MiniMax 等國產模型各有擁躉。

但劉毅認為，這些還只是「超級個體」階段的數據。真正的組織級爆發，剛剛開始。

三層能力：從「會用 AI 的人」到「會用 AI 的組織」

WorkBuddy 這次給出的解法，是三層進階能力：專家、助理、團隊。每一層解決的問題不同，三層疊加，才構成從個人到組織的完整路徑。

• 第一層：專家

以往用 AI 時，每次都要重新向它解釋你是誰、背景是什么、用什么工具、輸出什么格式，既繁瑣，又無法復用。WorkBuddy 的「專家」把這套東西結構化了，用劉毅的話說，是「把崗位說明書寫進了 AI 產品里」。

專家背后有四大基石：Skill 教它怎么做，MCP 教它去哪里做，連接器讓它懂得該領域的知識和數據，Pipeline 是運行底座。對個人來說，這大幅降低了使用門檻；對企業來說，一個配置好的專家可以分享給整個團隊，變成可復用、可傳承的標準工作流入口。

一家知名游戲公司的案例被劉毅在臺上提到：他們在 WorkBuddy 里安裝了游戲引擎專家、策劃專家、全棧工程師專家、內容創作專家，覆蓋從策劃到生產到營銷的全流程，調用引擎專家完成 Unreal 代碼生產，通過內容創作專家生成分鏡視頻和營銷素材。「這樣的案例，現在在每個行業都在發生。」

第二層：助理

專家的問題是「一次性調用」，用完就停了。助理解決的是這個問題：把專家從本地搬到云端，變成 7×24 小時長駐的數字員工。

助理多端可訪問，有持久記憶，會記住你的習慣和要求，會把有效的流程自動生成標準化 Skill 存在云端專屬的技能庫里。劉毅描述的理想狀態是：「你喚起一支助理團隊，幫我準備明天客戶的拜訪，銷售、法務、數據、文案四個專家同時開工，異步運行，最后匯總交付。」

「助理是越用越懂你的，這是一個會學習、會進化的數字員工，不是工具。」

第三層：團隊

這是三層里最難，也是劉毅花筆墨最多的一層。

單個超級個體不會自動成為超級團隊，原因在于三個結構性問題：人類組織和 AI 組織之間沒有共同的協作空間；上下游之間不共享、不透明、無法持續沉淀；企業資產無法在人和 AI 之間自由流轉。

WorkBuddy 的團隊功能，是把人和助理裝進同一個項目空間，共享上下文，讓一個超級個體積累的技能和產物，沉淀為整個團隊可以復用的 AI 資產。

「一人產出，全盤受益。啟動、協作、交付、復用，每轉一圈，組織的 AI 資產就厚一層。」

這次大會同步發布 WorkBuddy Enterprise 企業版，將三層能力打包交付，支持 Agent 運行觀測、效果評估、AI 資產管理、成本管理和權限安全審計，支持 SaaS、VPC 獨占和私有化部署三種形態。

騰訊內部的三年實驗

講組織轉型，騰訊自己就是一個已經跑了三年的樣本。

2022 年，騰訊開始在內部推行 AI Coding 服務。劉毅說，當時的代碼接受率只有 23%。三年之后，到 2025 年底，騰訊大部分研發團隊超過 90%的代碼由 AI 生成，程序員開始并行開啟多個任務，流水線全面提速。

從 23%到 90%，這條路并不平坦。

CSDN 向劉毅到了一個具體的問題：騰訊自己是怎么走完這條路的，經歷了哪些階段？

劉毅梳理了四步路徑。第一步，培養超級個體，讓優秀員工大量用 AI，在實戰中跑出一批效率標桿。第二步，把這些超級個體摸索出來的經驗，沉淀為 Skill、專家、AI 助理，讓它們可以被復用而不是困在某個人的電腦里。第三步，把這些超級專家和助理融入真實的生產流程——不只是研發，財務、行政、招聘、法務這些崗位都是落地場景。第四步，企業管理部門介入做 AI 治理，統一管理成本、安全、權限和風險。

「這四步缺一不可，跳過任何一步，轉型都會卡住。」

劉毅坦承踩過的坑：Token 成本是第一關，一開始放開用，賬單下來會讓人警覺，需要精細化的成本治理才能持續。AI 幻覺是第二關，Agent 跑出來的結果看起來沒問題，但細節里藏著錯誤，直接進了生產就會出事，真實案例有過。「2026 年整個行業在強調 harness，就是給 AI 更多約束、更快速的校驗迭代機制，這是從教訓里總結出來的。」

但他說，這些技術層面的坑，都不是最難的。

最難的坎，是人性

這是整場采訪里最令人印象深刻的一段話。

「員工不愿意把自己摸索出來的經驗分享給同事。這不是壞人，是人性。你辛辛苦苦搭出來的一套 AI 工作流，憑什么白送給團隊？」

騰訊內部推動這件事，靠的不是喊口號，是搭機制：技能大賽、專家大賽，把通道晉升和 AI 影響力掛鉤，讓一個人的 AI 能力可以影響多少同事、可以為組織沉淀多少資產，變成晉升通道上的激勵因子。

「這樣才推得動。」

這段話之所以值得關注，是因為它指出了大多數企業在做 AI 轉型時會踩的隱形陷阱——不是沒有技術，不是沒有工具，而是沒有解決人愿不愿意讓組織從自己身上「學習」這個根本問題。

AI 原生組織的樣子

騰訊自己的 AI 原生團隊，已經形成了一套具體的運轉方式。

組織結構極度扁平，只有組，沒有其他層級。所有上下文透明共享——代碼、需求、用戶反饋、工單、設計，全員可見。「AI 在透明充分的信息環境里工作，不會因為信息隔閡而低效，那些原本因信息壁壘而存在的管理層級，很多就沒有存在的必要了。」

代碼安全方面，劉毅提到三個硬約束：

• 資深專家負責架構，AI 不能大量改動架構，架構變動觸發告警；

• 引入 AI 做代碼評審，但生產代碼的 AI 和評審代碼的 AI 必須是不同的，「不能讓同一個 AI 自己檢查自己」；

• 質量左移，用 AI 大量生產自動化測試代碼，在 CI/CT 階段攔截風險，不讓問題進入生產環境。

對于沒有代碼背景的業務人員，劉毅的判斷是：小特性、低風險的改善型功能，產品經理完全可以獨立完成并灰度上線；核心模塊或大型特性，需要把設計師、架構師拉進同一個 session 協作——「把整個過程透明化，這就是 AI 團隊的協作方式。」

衡量轉型健康度的兩個指標

怎么知道一家企業的 AI 轉型是否真正有效？劉毅給出了兩個他認為比「效率提升 X 倍」更有參考價值的指標。

• 需求吞吐率，指一個組織在單位時間里能響應多少需求、把多少新想法落地上線。這是創新速度和市場響應能力的真實度量，可以橫向比較不同團隊，也可以縱向追蹤同一團隊的變化曲線。

• AI 平滑度，指端到端完成一個任務的順暢程度——具體表現在過程中有多少卡點，需要多少次系統權限申請、人工審批介入。卡點越少，AI 平滑度越高。這個指標背后，依賴 MCP 打通越來越多的系統和數據。

「這兩個指標是動態的，可以持續追蹤，比一次性的效率報告更能反映真實狀態。」

「產品功能層面，2025 年中以后沒什么差距了」

國內 AI Coding 工具與 Claude Code 之間的差距，是這個領域繞不開的問題。

劉毅的回答分兩層：模型層面，中國與硅谷確實有一定差距，算力還在追趕中，這一點不回避。但產品功能層面，「2025 年中以后已經沒有什么差距了。CodeBuddy 整個 harness 工程，用 SWE-bench 類的測試評測，得分不低于 Claude Code。」

他強調，跑分是參考，不是終點。「只要把用戶場景和業務流程鏈接好，能真實解決企業問題，這才是關鍵。」

WorkBuddy 能在競爭激烈的市場里跑出來，劉毅認為有三個原因：站在了大模型最擅長的代碼方向，起點選對了；兩年多時間打磨出了 Coding Agent 為基石的 Agent OS，使得 WorkBuddy 一誕生就有成熟的 harness core；騰訊的產品基因強調用戶體驗，「追求那種心流狀態，讓用戶用起來流暢不割裂」，這帶來了好的留存和復購。

競爭的制高點，他認為是生態。「在好的用戶體驗和用戶基礎上，連接行業數據 know-how 和人類專家，形成有商業回報的生態系統。這是通用智能體平臺未來競爭真正的制高點。」

商業化的邏輯：把決策權還給用戶

盡管并沒有給 Buddy 團隊設商業化目標，但 Buddy 團隊有著自己的努力與思考。

張翔負責 WorkBuddy 的商業化，他談到了一個具體的定價設計。

面對企業拿「每百萬 Token 多少錢」來橫向比較云廠商的做法，WorkBuddy 沒有直接對標。騰訊用統一的 credit 貨幣體系打通多個 SaaS 應用，用系數區分不同模型的價格，「讓用戶清楚知道每一筆消耗對應的是什么」。

不同任務的復雜度差異巨大，難以做平均成本對比。一個即將上線的功能回答了這個問題：提交任務前，系統會預估這次執行會消耗多少 credit，讓用戶自主決定值不值得跑。

「這個決策權應該在用戶手里。」

合作伙伴生態上，張翔提到三類：分銷渠道；基于平臺基建、結合垂直數據優勢打造行業 Agent 的內容創作伙伴；以及終端 IoT 硬件伙伴。

「人的價值在于責任」

員工把個人經驗貢獻給企業 AI 資產，會不會加速自己被替代？這是身為員工的我們，在擁抱 AI 時最擔心的問題。

張翔的回答落在了一個更底層的邏輯上：「人在 AI 時代的核心價值在于責任。人始終是流程的責任主體，負責 review AI 的產出，確保它符合企業的要求。AI 生產內容，但誰來為這個內容負責，是人。這個邊界不會消失。」

劉毅從考核角度補充：騰訊對員工的考核標準沒有因為 AI 而改變，還是崗位職責下的產出和擔責。判斷一個人用 AI 用得好不好，看的是最終產出里他擔了哪些責、添了哪些判斷、發布了哪些產品上線。「量化 AI 貢獻這件事，從來不是數 token 數，而是看這個人最終的影響力和產出。」

WorkBuddy 定位更長遠的問題，劉毅也在采訪中觸及。用戶用習慣了一個 AI 作為工作入口后，下班后也會繼續用——獲取資訊、處理生活事務。「AI 成為每個人的助理之后，用戶不想在不同場景下切換不同 AI。」WorkBuddy 的方向，是作為統一的 AI 入口，通過生態建設來滿足用戶多樣化的需求。

「生態多樣性，有利于產品和商業的共同繁榮。」

2026 年下半年，「企業級會出現快速增長、快速爆發、快速落地的階段」，在采訪中，劉毅如是說道，不是預測，而是他觀察到的客戶狀態。

從超級個體到超級團隊，騰訊云這套打法，是否能夠真正解決企業 AI 落地的真實困境？我們拭目以待。

開發者“神裝”補給站｜CSDN 6 月寵粉福利

不論你是想跑通最新的本地 LLM，還是想實測一套 Agent 自動化工作流，算力與補給，我們都為你備齊了！

立領三重進階大禮：

200 小時云端算力券免費領

瑞幸咖啡/肯德基早餐/下午茶任選其一

掃碼即刻領取，今日額度有限，手慢無！

領取地址：https://s.csdn.cn/4nPsOp