姚顺雨“化繁为简”，腾讯研发模式被AI重塑

AI会怎么改变一家科技公司的运行方式？在接受第一财经等媒体采访时，腾讯高级执行副总裁、云与智慧产业事业群CEO汤道生说，AI原生产品研发团队变得比以前扁平，而且团队还会越来越小，由更多“三五成群”的团队完成研发工作。

今年以来，腾讯的AI组织和AI产品研发经历了一些深刻变化。一边是姚顺雨担任首席AI科学家后对模型研发进行了梳理，并推出任上首款大模型HY3-Preview，更多“龙虾”类智能体也陆续面世。另一方面，以AI Coding（编程）为代表的生产力工具正在重塑这家公司的组织方式。

6月5日，第一财经记者采访了汤道生和CodeBuddy、WorkBuddy团队的负责人，聊了姚顺雨带来的改变、算力的问题和AI对组织的重塑。

谈算力、芯片、姚顺雨

加入腾讯后，姚顺雨推动了模型与C端应用元宝的co-design（联合设计），混元也从非常在意外部榜单排名变成以用户体验为目标。数据层面，以往大模型训练数据多但不够高质量，姚顺雨在HY3上线前砍掉了很多对模型训练无用的数据，着重提升数据质量。

“AI原生这一代（人）的认知跟我们过去有很多不一样。他做了很多化繁为简的工作。HY3相比过去也有很大进步。”汤道生说。目前在元宝上，80%的用户在使用HY3。

今年以来腾讯发布了多款智能体产品，拉动了token（词元）消耗。在今日的腾讯云AI产业应用大会上，腾讯公布了MaaS（模型即服务）平台升级为TokenHub后的一组数据：该平台上线3个月token消耗量每月翻倍，目前日均token消耗量突破5万亿。该公司还发布了WorkBuddy企业版和办公智能体套件Agent Suite等。

汤道生告诉记者，腾讯云对token业务非常重视，在给token业务找更多算力资源。但他也谈到，腾讯在算力资源方面仍处于不太够的状态，腾讯拿出来放到云上、服务各行业客户的裸GPU算力仍然有限，不足以满足大部分客户的需求。

就是否考虑通过芯片自研来保障算力供应，汤道生表示，自己做芯片设计不能解决产能问题。他与很多芯片厂商及合作伙伴都打过交道，今天还没有一家有足够的产能来满足市场需求。腾讯的做法还是与多家芯片厂商合作。

近期有国内C端AI应用开始探索收费引起广泛关注。汤道生在采访中则谈到，一些AI原生服务目前的运营成本、推理成本仍非常高，很难只通过广告模式负担用户免费使用。尤其是用户针对不同问题、不同任务的消耗不同，很难有稳定回报促使广告主为不确定的运营成本买单。他表示，业内友商在C端商业化上走得更靠前，而腾讯当前的目标还是做好产品体验。

AI促使组织扁平化

开发AI的同时，腾讯也正在被AI改变。

在与姚顺雨的对话中，汤道生谈到互联网时代做产品的方式像做 “预制菜”，让用户通过菜单选择功能，设计、研发、测试这样的瀑布式流程也十分清晰。而进入AI时代，AI产品开发流程要重新设计。现在大部分代码由AI生产，原本的各种岗位角色则要进行融合，大家都要做产品经理。

“再过一段时间，很多产品的研发会由‘想要什么结果’驱动，这也让‘一人公司’模式成为可能。只要有想法，就能与AI协作做出完整产品。”汤道生在采访中表示，腾讯内部管理正在适应新趋势，现在试点产品一般都会采用这种扁平模式。

腾讯桌面Agent工具Workbuddy的团队就是一个扁平组织。在接受第一财经等媒体采访时，CodeBuddy及WorkBuddy负责人刘毅说，他的团队里，部门除了组没有其他层级，业务模块、代码、用户反馈、工单等内容对整个团队而言都是透明化、共享的。开发方式变成人类提需求、AI在透明的上下文里工作。AI没有情感，不会因为人类组织建立的信息隔阂而变得低效。这种模式下，不会因为某个工程师离职，导致团队不知如何接手。

“扁平化的组织架构避免了人和人、人和层级之间的信息汇报或组织围墙带来的低效甚至信息失真。”刘毅说。

AI给研发人员的工作方式也带来巨大变化。刘毅回忆，2022年腾讯开始做AI Coding时，一开始只有不到30%的AI代码接受程度。到2025年底，腾讯大部分团队90%以上的代码都由AI生成。2026年开始，程序员使用Codebuddy都是在AI Coding同时开启多个任务、多个指令，就这样指挥4个助理完成4个模块的开发。现在，需求吞吐率成为了AI Coding的核心指标，代表组织的创新速度。

刘毅说，腾讯现阶段主要是鼓励员工用AI、用token，目前还未过分讲究token和产出之间的性价比，但投入几十亿的token带来的业务增长远远不止几十亿。

不过，当人类员工的能力被提炼成skill（技能包），AI成为“数字外包”，员工的价值将体现在哪里？CodeBuddy及WorkBuddy商业化负责人刘翔表示，任何一个流程都能让AI去做，但人才是流程的责任主体，作为最后的把关必不可少，员工的价值体现在责任上。

AI带来巨大的效率提升的同时，也带来了前所未有的挑战。

刘毅表示，当员工将经验嫁接到AI上，也许AI在3天、7天的任务周期内不能产出满意的结果，甚至因为AI幻觉，把风险带到生产环境，因此今年行业也更重视给AI添加约束。此外，当一个组织按以往10倍的速度飞快生产代码时，人类专家只能花费大量时间评审这些代码。有一些配套调整需要进行，包括用AI发现AI代码的错误、用AI自动进行代码测试。