PureBlueAI清蓝150人样本：AI原生组织重新定义“人”

来源：市场资讯

（来源：牛透社）

文 | Alex

排版编辑 | 唐山惠

PureBlueAI 清蓝现在近150人。

这不是一个特别小的团队，也还没到大公司阶段。放在“AI原生组织”这个观察样本里，它刚好处在一个有意思的位置。

AI 已经大规模进入研发、交付和管理流程，但组织还没有完全摆脱传统软件公司的惯性。

清蓝联合创始人兼 CTO 王立新，清华大学博士后，曾在字节做算法，后来到投资机构做量化首席科学家。

2024年下半年，他在字节前同事、也同为清华校友的鲁扬的召唤下，加入清蓝创业。

PureblueAI清蓝做的是 GEO，生成式引擎优化。

过去两年，这个赛道里涌进很多玩家，不少公司脱胎于传统 SEO，做关键词、外链、官网权重和内容堆叠。

清蓝选择了一条更技术化的路径，他们用算法理解大模型的认知偏好，帮助品牌在大模型回答中取得更准确的认知位置。

王立新把它看成一个技术问题，而不只是营销问题。

01

从优化搜索引擎

到理解大模型的认知

在王立新看来，SEO 优化的是搜索引擎，GEO 优化的是大模型对世界的认知。

搜索引擎时代，很多优化靠经验、资源和人工执行，很难量化。

到了大模型时代，品牌内容能否被理解、被引用、被推荐，背后有新的因子结构。文章结构、内容密度、品牌信息呈现方式、证据链完整度，都会影响模型的判断。

这套思路和王立新的量化经历有关。

量化交易里要分析什么因子影响股价，
GEO 则要分析什么因子影响大模型的认知。

只是对象从市场价格换成了模型输出，从交易信号换成了品牌表达。

PureblueAI清蓝的技术路线经历过三个阶段。

• 早期靠经验驱动。鲁扬有二十余年市场营销经验，王立新有算法和量化背景，另一位联创邹郢路则是国内第一批营销Agent从业者。团队先用人的经验判断如何优化客户的品牌内容。

• 中期进入数据驱动，客户数据开始反哺人工判断。

• 现在，清蓝把方向进一步推到“模型驱动”，用模型学习不同平台的回答偏好，再根据平台变化动态调整。

王立新认为，经验驱动可以起步，但解决不了终局问题。GEO 研究的对象是大模型，而大模型本身在不断变化。靠人盯平台、看结果、改策略，速度跟不上。清蓝要做的是“用算法解密算法”。

这一技术路线很快改变了组织方式。

02

代码可以交给 AI

架构还得人来守

PureblueAI清蓝早期也沿用过传统软件公司的分工。产品经理写需求，前端做界面，后端搭接口，算法训练模型。

后来这套流程逐渐松动。

需求进来后，AI 先帮助整理成 PRD；前端可以用 AI 快速生成界面；后端可以用 AI 搭出接口。产品经理不再只是写文档的人，研发也不再只是接需求写代码的人。

王立新说，生产力变了，生产关系一定会变。瀑布流开发模式在今天的创业公司里已经不适用。

清蓝内部 AI Coding 的使用比例已经达到八成到九成。

这个数字看起来很高，但王立新并不认为代码都可以交给 AI。

AI 在单点功能上很强，尤其是生成代码、补齐逻辑、实现具体模块。但系统架构、模块耦合、稳定性设计、技术选型，仍然需要有经验的人来把关。

这也是清蓝保留中层管理者的原因。

中层并没有消失，只是工作重心变了。

过去，中层主要管排期、协调资源、盯交付进度。
现在，他们更多是在给 AI 划边界，判断哪些模块可以交给 AI 生成，哪些地方必须人工介入。一段代码能不能进主干，一个内容结果能不能交给客户，也要放回系统架构和质量标准里判断。

AI 让功能开发变快了，也让问题更容易被快速放大。一个模块看起来能跑，不代表可以长期稳定运行。

尤其是 To B 产品，客户真正使用时，稳定性、可追溯性和工程质量都不能靠“差不多”来兜底。

PureblueAI清蓝为此搭了自己的工程体系。

这套体系主要解决三件事。

• 首先是目标对齐，AI 生成的内容是不是达到预期，不能只靠人看着顺不顺眼，而要让模型按照客观标准评判。

• 其次是评价标准，内容质量、品牌定位、模型可理解程度，都要尽量量化。

• 最后是可追溯机制。AI 输出用了哪些上下文，经过了哪些步骤，为什么给出这个结果，都要能查。

这套体系背后，是把 AI 从“黑盒”变成可管理工具。

人不用替 AI 写每一行代码，也不用替 AI 判断每一篇内容，但必须知道 AI 的边界在哪里，输出能不能复盘，出了问题能不能定位。

这也是清蓝没有简单照搬 FDE 模式的原因。

FDE 被很多人视为 AI 原生组织的标配，一个人同时做业务理解、产品定义和技术实现。

王立新认为，FDE在 GEO 这个领域不能照搬。GEO 同时面对客户业务和大模型平台算法两层变化，节奏都很快。一个人能做到垂类业务专家已经不容易，再要求他同时精通模型、算法、工程和客户交付，难度太高。

今天豆包更新，明天 DeepSeek 调整回答逻辑，后天客户所在行业又出现新的竞品动作。GEO 的变化不是单线条的，技术、平台和业务会一起动。

PureblueAI清蓝更倾向于小团队协作。

王立新认为，GEO 的业务和技术都在快速迭代，一个人很难同时成为业务专家和技术专家。更现实的做法，是让一部分人专注业务理解，一部分人专注技术实现，通过小团队快速响应整体需求。超级个体可以解决局部问题，但公司到了150人的规模，不能依赖超级个体维持运转。

03

按效果收费

倒逼出分钟级监控

RaaS 的商业模式，也倒逼了组织方式。

PureblueAI清蓝主要按效果后付费。达标才收费，效果掉了就要快速响应。

这和SaaS时代不一样，软件卖出去之后，客户用得好不好更多是续费问题；RaaS 把交付结果直接关联到当期收入上。

因此，清蓝做了分钟级监控。用户换一个问题，品牌在大模型回答里的呈现位置和推荐结果都可能变化。

清蓝要持续观察这些变化，一旦出现系统性波动，就能较快判断是竞品动作，还是平台算法发生了调整。

这是商业模式倒逼出来的工程能力。

ToB 交付里，人工仍然绕不过去。清蓝有一二十人的交付团队，负责客户沟通、材料确认、报告解释和异常反馈。

GEO 相比传统 CRM、ERP 交付更轻，但客户仍然需要有人在企业微信里随时沟通。AI 可以生成报告，系统可以监控数据，但信任关系还需要人承接。

PureblueAI清蓝的人才标准也在变化。

算法岗位的要求基本和字节拉齐，因为清蓝认为 GEO 的底座是算法能力。

与此同时，传统的前端、后端边界在弱化，公司更看重全栈意识。一个人不一定要覆盖所有能力，但要理解从需求到产品、从模型到交付的完整链条。

对其他岗位来说，AI 使用能力已经不是加分项，是底线。

王立新提到，今天一个工具升级，昨天的方法就可能失效。只会稳定执行的人，很难适应这种节奏。清蓝更看重创新意识、独立判断和主动使用 AI 的能力。

这家公司也还有明显的组织张力。

一方面，它已经大量使用 AI，研发、内容生成、数据分析和内部查询都在被 AI 改写。
另一方面，它没有完全去掉中层，没有完全去掉交付，也没有把所有岗位都改造成 FDE。

它更像一个过渡样本，从传统软件组织走向 AI 原生组织，中间保留了一部分旧结构，同时用 AI 改写流程和岗位边界。

这种状态反而更值得观察。

很多关于 AI 原生组织的讨论，容易停留在“小团队、超级个体、极致扁平”这些标签上。

但清蓝的案例说明，当一家 AI 公司进入150人规模、面对 ToB 客户、采用按效果付费模式后，组织不能只追求轻。它还要有交付，有工程约束，有客户沟通，有质量控制。

AI 带来的变化，不是把人从组织里拿掉，而是重新分配人的位置。

栏目介绍

本文为崔牛会「AI 原生组织研究」系列文章。更深层的问题，比如人在 AI 原生组织中如何重新定义价值，AI 输出如何被工程化约束，中层管理在新组织里会不会消失，将收录在崔牛会8月发布的《AI原生组织白皮书（2026）》中。