公司想要10倍增长，CEO先问问自己消耗了多少token |【经纬低调出品】

在AI时代创业，“勤奋”可能不再是褒义词，反而会掩盖企业问题的真相。

这个看似不符合常理的观点，自有底层逻辑。丹·苏利文（Dan Sullivan）和本杰明·哈迪（Benjamin Hardy）在合作出版的著作《10倍增长比2倍增长更容易：顶尖企业家如何通过少做事来实现更多目标》中提出一个概念：追求十倍增长比追求两倍增长更可行、更有效。

在他看来，2倍目标通常依赖于增加工作量和重复旧模式，而10倍速目标则强迫领导者进行思维方式的转型。

尤其在AI时代，“10倍增长比2倍增长更简单”的逻辑则更容易付诸实践。这个逻辑的核心是：利用AI作为极度杠杆，彻底剥离那80%的平庸任务，从而专注于挖掘和放大你的“独特能力（Unique Ability）”。

所以，很多公司的创始人开始焦虑，担心竞争对手已经开始用AI 重写组织结构，而自己的公司还停留在旧时代的人力模型。于是，几乎每家公司都在尝试用AI降本增效，Cursor、Claude Code、OpenClaw轮番上阵，公司也做了各种培训和改革，但实践的效果看起来没有那么好。

那么，如何用好AI这个工具呢？经纬创投举办的HR CLUB活动邀请了积加科技CTO陈敬敏，结合真实使用场景，从底层逻辑到落地实操深度拆解公司使用AICoding工具的心路历程。

积加科技addx.ai是一家面向全球市场的AI原生硬件公司，主要是将视频理解、视觉记忆Agent、视觉Token构建与压缩、垂直场景世界模型等核心技术，应用于自然观察、家庭智能、运动健康等场景，为全球数百万用户提供个性化并持续进化的产品与AI增值服务，积累了丰富的AI应用经验。

而正是基于这样的技术沉淀与业务需求，积加科技亲身实践发现，企业想要真正借助AI实现质的飞跃、达成10倍增长，并非一蹴而就，必须跨越三道核心鸿沟。

• 第一道鸿沟是人的思维和习惯：越资深的人，越被经验拖累。他们面对变化先问“确定可以这样吗？”，而正确的思维是 why not。

• 第二道鸿沟是工具的形态：企业内部工具几乎全是GUI，为人设计的点按钮、填表单。但 AI 只会调API。工具没有 API，AI 就无法操作，一半以上的部门就被排除在 AI 化之外。

• 第三道鸿沟是组织的结构：流水线式依赖，我做完给你，你做完给他，一个人卡住全链路停。而在AI时代，协作不是美德，是成本。

而三道鸿沟的根源是同一个：现有企业是为人与人协作设计的，不是为人与AI 协作、AI与AI协作设计的。那么，如何通过AI处理一切平庸的80%，让创始人和公司获得真正的“深层自由”呢？以下，Enjoy：

01

公司的AI化，如何一步步转变工作和思维方式?

在AI时代，企业要获得十倍增长（10X Growth），其核心逻辑并非通过AI“做得更多”，而是利用AI实现“做得更少但更好”的质变。

积加总结了一个核心公式，用来判断一家企业的AI 化走到了哪里：

企业AI 化程度 = 技术闭环 × 工具接口化 × 人才适配度 × 组织适配度

乘法意味着，任何一个维度为零，整体为零。大多数公司可能只做了技术层的一小部分，其他三层完全没动。而积加的做法是这四个维度同时推进，并分了四个阶段重构工作方式。

• 阶段一（2025 年 3-4 月）：Coding Copilot，人主导，AI 补

起步阶段，积加为30 名主力研发开通了 Cursor Enterprise 账号。

这个阶段的AI，本质上是一个更聪明的 IDE 插件。程序员打开AI，AI 帮你补全函数、生成单元测试、解释一段不熟悉的代码。代码是人想出来的，逻辑是人设计的，AI 只是帮着打字。

而人的位置还是主角。AI 是工具，人是执行者。效率有一定提升，但没有质变。本质上还是在用旧方式工作，只是跑得快了一点。

• 阶段二（2025 年 9 月）：Sonnet 4.5 发布，AI 主写，人负责Review

这个阶段发生了一个标志性事件是Claude Sonnet 4.5 上线。这一次模型能力的跃升，让陈敬敏和团队意识到 AI 写代码的能力已经超越了补全的范畴。

于是，他们的工作方式发生了根本转变：从“人写代码，AI 补全”变成“AI 写代码，人来 Review”。

人不再是从零产出代码的那个人，而是判断AI 产出是否正确的那个人。Review 的速度远快于手写代码。因为当你只负责判断对错，而不负责生成时，速度天生快一个量级。以前一天写 200 行，现在一天 Review 1000 行还游刃有余。

类似的变化，也正在全球AI Native 公司内部发生。微软 CEO 纳德拉曾提到，公司内部已有相当比例代码由 AI 生成。越来越多工程师的核心工作，也开始从“写代码”转向“审代码”。

代码生产的重心，第一次开始从“生成”转向“判断”。于是，人从执行者变成审核者，这是人与AI角色的第一次反转。

• 阶段三（2026 年 2 月）：Opus 4.6 + Claude Code，人说意图，AI 做设计

GPT-4.6 发布和Claude Code 工具成熟，驱动着积加做了一个后来被反复提及的实验：把之前被删除的 1 万行代码的技术方案完整喂给 AI，让 AI 基于方案重新实现。结果是，AI 生成的代码质量比原来的更好。

这个结果让陈敬敏意识到：AI 能做的，不只是写代码。与此同时，团队的效率出现了质的跃升。主力研发一天成本$200-300，但一周可以产出 2 万行代码。积加团队切换到 Claude Code，90% 的员工日常使用 Coding Agent，体感效率再升2-3 倍。

这时，工作方式发生了第二次质变：人不再写代码，也不再做架构设计。架构设计本身也可以交给AI 了。人只负责两件事：告诉 AI 要做什么（表达意图），review AI 的设计是否合理。

人从审核者变成设计者和决策者，AI 成为真正的执行者。这种趋势，也正在 AI 行业内部迅速扩散。在 Cursor、Anthropic 等 AI Native 公司里，越来越多工程师已经不再把“写代码”视为核心竞争力，而是把“定义问题”“组织上下文”“构建约束条件”视为更重要的能力。

因为AI 正在快速降低“实现”的门槛，但“判断”依然稀缺。

• 阶段四（现状）：Harness 体系就位，老代码成为最大瓶颈

最近，新的Harness 基础设施搭建完成——Skill 体系、TDD 闭环、CI/CD Pipeline、可观测性全面到位。在这套体系下，AI Agent 能够自主验证、端到端交付，新代码运行流畅，效率释放彻底。

但与此同时，一个意想不到的瓶颈出现了：老代码。

当积加试图让AI 介入老代码的修改时，发现测试覆盖不足，AI 改完无法自动化验证。模块边界模糊，AI 改动一处可能引发多处连锁反应。同时，接口不标准，AI 在上面跑不通闭环。结果就是，AI 的效率提升不仅没有，还增加了风险。改得越多，隐患越大，老系统Bug 多、运行慢，与新体系形成降维对比。

这也是很多传统企业正在面临的共同问题。AI 并没有消灭历史包袱，反而因为生成速度太快，把旧系统的问题进一步暴露出来。

于是，积加决定用3-4 个月整体重写老代码库，后端从 Java 转向 Go。 老代码库任何变更的审批权收归 CTO，默认不通过。

这不是技术洁癖，是业务刚需。公司沉淀的知识是资产，老代码不是。把知识提炼成设计文档，让AI 从头实现，比在烂代码上打补丁更高效。

新项目则必须从AI 原生架构起步，模块边界清晰、接口标准、测试完整，这样的代码库才是 AI 的游乐场。

这四个阶段的每一次跃迁，人都往上移一层。从写代码到聊设计，从聊设计到聊意图，从聊意图到构建Harness。退到最后，人只做一件事：判断和决策。

陈敬敏用一句话为整个路径做了收尾。AI 能做的事，交给 AI。人只负责那些 AI 做不了、或者不该做的事。

这也说明了一个事情。AI的使用并不是工具升级，是工作方式的重构。每一步都是一次人与AI关系的重新定义。

02

非产研部门的AI 化，要学会改造工具的形态

过去一年，大量企业在推进AI 改造时，重点几乎都放在产研和算法团队，做模型优化、构建Agent 、搭建RAG 系统。但在真正的组织落地层面，非产研部门往往才是 AI 渗透最慢的一层，因为它们被“工具形态”卡住了。

一直以来，大家都忽略了一个现实。过去二十年，企业软件设计的核心逻辑是GUI（图形界面），所有系统都是给“人”设计的，人会点按钮、填表单、复制粘贴、截图发群。但 AI 完全不会，它只会读接口、调API、跑工作流。

所以，非产研部门AI化的真正瓶颈，并不是员工不会用 AI，而是工具本身“不具备 AI 可操作性”。这也是为什么很多企业即使上了几十套AI工具，效率提升依然有限。这是因为，流程只是从“纸质搬到软件”，没有从“人驱动”变成“机器驱动”。

所以，积加开始尝试把内部工具“skill 化”或 API 化，核心目的就是把 UI 层和执行层拆开，把内部几十个系统逐一封装成可调用能力。

积加做了一个较为极限的尝试，陈敬敏花4 个小时，一个人做了一个 skill，让 AI 自动完成了这件事。

最先变革的是积加的HR部门，把招聘系统变成 AI 可调用的接口。

筛简历、查候选人、打招呼，这些本来是HR 在各个平台上手动操作的。经过改造后，AI 自动从 Boss 直聘拉取候选人数据，按 JD 匹配度打分，自动解析简历 PDF，筛选结果同步到飞书 Talent。HR 不再登录任何后台，AI 把结果送到飞书，HR 只做最终决策。

于是，原来筛100 份简历要大半天，现在 AI 跑完只需要几分钟，正确率比人工筛选更高。

这个变化的关键不是HR 学了什么新工具，而是招聘平台有了 AI 能读懂的接口。

行政则需要把搭建系统的过程变成AI 可执行的动作。以前行政想做固定资产管理系统，要找 IT 提需求，排期等待，两周能上线算快的。

可是现在，他们只需要跟AI 说“帮我搭一个资产管理系统，支持设备录入、借用归还、维保提醒”，飞书多维表格 AI 自动生成表结构、字段类型、示例数据、看板视图。十几分钟完成，上线可用。

最让人头痛的OCR 发票报销，也是如此同样。拍照上传 AI，自动识别发票内容、分类报销科目、写入飞书报销表，整个链条的关键不是行政学了什么工具，而是搭系统的过程变成了 AI 可执行的标准化流程。

工具形态转变后，财务可以用AI 自动从数仓拉取支付流水和内部订单数据，逐笔匹配，标注差异，生成对账报告。财务月初第一天就能完成对账；运维用AI 做日志分析、问题定位、修复步骤生成，然后飞书通知值班人员，人审批后 AI 执行变更。

这也告诉大家，工作中的每一个流程上的“人传人”环节，都是一个潜在的阻塞点。所以，大家应该看清楚一个关键点：“协作”不是美德，协作是成本。

03

CEO 必须亲自下场：

为什么第三道鸿沟的解法是自上而下

很多企业在AI 转型过程中，最难的第三道鸿沟，本质不是模型能力的问题，而是组织问题。

过去二十年，企业数字化是一场“流程信息化”运动，工具往往是“自下而上扩散”的。IT 部门先上线系统，业务部门再逐步适配。本质上是在把人的动作搬进系统，依赖的是标准化流程、审批链条和层层汇报。

但AI 时代不同。AI本质是一个“能干活的新劳动力”，可以根据老板的指令直接参与分析、决策、执行与协同。过去的软件只是帮助人完成工作，AI 则开始替人完成部分工作，甚至重构“谁来做、怎么做、为什么这样做”的整个流程逻辑。

因此，企业转型AI最重要就是，重写组织协作逻辑。所以，这需要创始人亲自下场才能落实，才能从认知层面改写逻辑。

大家可以做个对比，CEO 每天用 AI，组织 AI 化速度会不会变快；如果CEO不亲自下场， 只是开会喊口号，员工使用AI工具是不是停留在表面。

其实，不少已经推进AI Agent 或自动化流程的企业证明了这一点：创始人使用 AI 的频率，往往决定了组织能走多远。

所以，陈敬敏的观点非常直接。他认为需要C 级别人物自己先把 AI 用熟，自上而下推动。CEO 用得熟，下属才能用得好。

当CEO 亲自用 AI 完成具体工作，他会发现两件事：

第一，原来很多流程是多余的。以前没有工具才需要那么多人签字审批，有了AI 可以直接绕过。

第二，AI 化的真正阻力不是员工不愿意学，而是老板不愿意放弃旧的工作方式。

靠行政命令推AI 化，基层会用但不会用好。自上而下亲自用，才是真正有效的路径。

陈敬敏观察到的另一个关键点是：阻碍AI 落地的最大障碍是过去的思维习惯。以往，领导需要靠人盯着流程，会觉得开会才能对齐颗粒度，才能更好的协作，但实际上，AI 需要的是闭环、API 和数据，不是会议纪要和审批流。

譬如，电商巨头Shopify CEO Tobi Lütke也是自己建了一套“Tobi Eval”，这是一个装满自己设计的问题和预期答案的prompt文件夹。每当新模型发布，他都根据Tobi Eval亲自跑一遍，用AI提供的结果做决策。

2025年4月，他给全员发了一封后来震动整个科技界的内部信，只说了一件事：“申请增加人手或资源之前，团队必须先证明为什么AI做不了这件事。”后来，Shopify员工规模从8300缩减到8100，并且公司新岗位要先证明AI做不到，才能批。这一套之后，Meta、微软、谷歌陆续跟进，采用相似标准。

所以，当CEO 把 AI 用熟，他会自然地减少不必要的审批流、缩短协作链条、让数据流动起来，这些都是第三道鸿沟“组织结构”的根本解法。

由此可以看出，CEO 亲自下场，才能真正打穿这三道鸿沟。第一，CEO 带头用 AI，组织才有 why not 的氛围；第二，CEO才有权力推动内部工具接口化改造；第三也是最重要的一点，CEO真正了解AI的变革后，才能知道如何重新定义考核方式和协作流程。

这也意味着，企业的AI 转型不只是技术的转型，是人才的转型，组织结构的迭代升级。

为了配合组织的变革，积加也在尝试着建立一个新的人才标准：超级个体。本质上就是AI 时代的人才模型：某个人可能不是天生特别厉害，而是借助 AI 后，一个人的产出接近过去一个小团队。

而这种超级个体，往往具备六种核心能力：

• 产品思维。拿到需求先问为什么，不该做的就不做。AI 时代最贵的不是算力，是人的注意力。把注意力放在真正重要的事上，才是把 AI 用对的前提。很多人拿到需求直接写代码，不问这个功能解决了什么问题、为什么用户需要它。这种习惯在 AI 时代会被放大 10 倍，导致引入大量不必要的依赖和代码债务。

• 结构化思维。先设计再写代码。分解优于实践，约束优于方案。架构能力是AI 时代最稀缺的能力。因为 AI 能写代码，但不能替你决定做什么、不做什么，以及用什么方式做。积加的标准是：Make it right 比 Make it fast 更快。 想清楚再行动，花的时间远小于没想清楚就快速上线然后返工。

• 跨栈成长。自我设限是AI 时代最大的效率杀手。一个把自己定义为后端 Java 工程师的人，会拒绝用 AI 写 Python 脚本、写前端页面、写 Shell 运维脚本。AI 能弥补技术的短板，不能弥补认知的短板。突破自我定义的边界，才能充分释放 AI 的能力。

• AI 协同。 会用自然语言调度 AI，理解 AI 能做什么、不能做什么，能给 AI 足够清晰的上下文，能判断 AI 输出的质量。能与 AI 协作完成端到端的任务交付，而不是依赖人肉传递。

• 闭环交付。功能开发+ 自动化测试，上线即交付。不是等人来测，是自己保证质量。AI 时代对“一个人完成一件事”的要求更高了，半成品交付在 AI 时代是没有容身之地的。

• 标准与品味。追求设计优雅，改变思维习惯。避免用战术上的勤奋掩盖战略上的懒惰。AI 时代勤奋的门槛更低了，方向的重要性更高了。一个有品味的人写出来的 prompt、做出来的设计、搭出来的系统，会比没有品味的人好一个量级。如今，这个差距在 AI 时代会被进一步放大。

其实，AI 转型真正的门槛从来不是工具，是改造自己的意愿。

把工具买回来让人用，是最省力的做法，也是最没用的做法。真正有效的路径是把业务流程重新设计、把数据打通、把闭环建好、把组织协作方式改掉，然后让AI 接管那些本来就不该由人来做的事。

积加的经验可能不是最完美、最适配每家公司的完美模板，但核心逻辑是可迁移的。我们也要清楚，AI 是放大器。它不会自动让一家企业变优秀，只会放大企业原本的组织能力。方向对了，AI 会把组织效率放大十倍。方向错了，AI 也会把混乱放大十倍。

所以AI 转型从来没有捷径。真正的答案，不在 PPT 里，而在 CEO 是否愿意亲自下场。