10月31日，快手技术沙龙第六期在北京举办。本期沙龙以“从研发效能走向企业AI生产力”为主题，来自快手、OPPO及软件工程领域的多位技术专家，共同探讨AI如何从个人提效工具走向企业级生产力，并分享组织建设、智能体工程化、业务规模化提效与智能评测等一线实践。
沙龙现场，快手企业AI生产力副总裁王诩在致辞中表示，AI在带来研发生产力变革的同时，也面临Token费用持续上升、重复建设与安全风险等现实问题。大模型存在不确定性，需要通过工程手段保证安全、稳定与效果；企业AI生产力同样需要通过工程、组织与管理手段，让AI走进研发、业务场景乃至HR、财务等工作领域。他将快手AI在企业中的发展总结为实践、产品与工具推广、岗位职责调整、自上而下组织变革四个阶段，今年9月成立的企业AI生产力（iWork）组织，正是组织变革这一步的落地。
快手企业AI生产力副总裁 王诩
从工程师到全员、从团队到组织，快手iWork演进路径
快手企业智能体建设负责人、企业AI生产力专家沈浪介绍，快手的企业AI生产力实践最初是从工程师提效切入。2025年起，快手围绕本地AI Coding工具CodeFlicker和云端研发平台KATE，逐步把需求分析、代码评审、测试用例和线上监控等能力Agent化，并将研发范式分为由人主导AI辅助的L1，强调人机协同完成需求交付的L2，以及由AI承担更多自主开发、人负责审核的L3。沈浪透露，该阶段目标是在2026年底把快手所有线上交付需求的80%提升到L2水平，当前已超过70%。
沙龙活动现场
转折发生在2026年Q2，AI开始从服务工程师走向服务更多员工。大量非技术用户开始借助CodeFlicker做演示文稿、调研和数据分析，快手由此将编程助手与Work形态产品整合为通用Agent MyFlicker，面向全员开放，截至2026年7月，MyFlicker周活跃用户数较2025年末增加约2.5倍。
随着使用范围扩大，Token成本也成为企业规模化应用AI需要关注的问题。快手通过推行“Token积分制”，将预算折算成积分下发至员工，让员工自主选择如何使用；并通过“AI蹭饭研判官”“AI贪吃蛇大赛”“PDE集结令”等“全民AI”活动降低使用门槛，PDE集结令最终收到4000余个作品，验证了非技术人群构建工具的可能性。
年中复盘时，沈浪发现个体提效不等于组织提效，有两大问题制约组织效率，一是“孤岛区”，强AI能力员工的方法未沉淀，无法辐射团队；二是“空转区”，团队引入大量数字员工却因协作链路上下文不完整导致效率平平。
此后，快手将探索重点从个体推进到团队。沈浪将其核心规律概括为“先蒸馏，再折叠”，先把团队经验沉淀为AI可消费的知识、Skill和工作流，让AI进入真实工作，再招募数字员工在团队中独立完成重复性、确定性工作，最后再基于新的工作方式调整人与人之间的分工，让更多人聚焦到更多创造类、高价值工作上。基于这些实践，把MyFlicker升级到了2.0，可以为每个团队建设团队Agent。目前，团队AI已在快手内部规模化推广，约有500多个团队Agent、1000多个数字员工独立工作，几乎覆盖技术、销售、设计等所有团队。
到2026年Q4，快手的探索开始从团队走向组织。面对数百人规模的组织，单纯复制团队Agent无法解决复杂工作流与多系统协同问题。快手由此成立iWork，并探索MyFlicker 3.0，通过增加“AI工作台”，将原本分散的系统、流程和企业上下文转化为AI可调用的能力，建立企业级AI基座，推进全组织AI化。
从Demo走向生产，工程体系成为关键
沈浪用快手的实践印证了 "个体提效不等于组织提效"，《软件工程3.0》作者、同济大学特聘教授朱少民则从第一性原理出发，回答了“AI落地为什么需要工程体系”。他指出，企业AI落地需要警惕三个假象：生成不等于完成，个人效率不等于组织吞吐，Demo成功也不等于生产可靠。在此基础上，他提出一个生产力公式：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下降，企业生产力未必真正提高。
《软件工程3.0》作者、同济大学特聘教授 朱少民
“大模型决定了智能研发的天花板，而工程体系决定了我们能摸到多高。”朱少民认为，未来企业智能研发的竞争焦点将不再只是模型能力，也包括工程体系是否完善。为此，企业需要建立“规约工程、驾驭工程、质量门禁”三位一体的工程体系：用可验证的方式明确目标、上下文、禁止事项和验收标准；利用记忆、工具权限和Agent框架约束执行；在代码、测试、交付和运行阶段建立失败升级与回滚机制。
对于具体演进路径，朱少民提出可以分三步推进：首先进行架构清理和知识沉淀，为Agent参与研发打好基础；其次搭建Harness框架，为Agent自主执行任务提供工程环境；最后构建质量门禁和反馈闭环，让Agent在可验证、可治理的前提下逐步提高自主执行能力。
随着Agent承担更多生成和执行任务，研发团队的能力结构也将发生变化。在朱少民看来，业务需求、系统架构和质量判断等能力将更加重要，产品经理、架构师与质量专家的价值也会进一步凸显。
从“超级个体”到“臭鼬工厂”，快手探索组织变革新模式
个人能力和平台能力具备之后，如何让AI真正改善端到端交付，成为下一道难题。快手磁力引擎风控技术负责人王东旭分享了所在团队从“OPC超级个体”走向“液态组织”，再到“臭鼬工厂”的探索过程。
快手磁力引擎风控技术负责人 王东旭
王东旭所在团队规模超百人，覆盖产品、运营、研发、算法和测试等职能，团队最初选择少数成员在真实业务中验证AI能否帮助个人跨越原有专业边界。例如，一名应用算法工程师独立完成AI深伪检测平台，另一名成员在25天内全栈交付反作弊洞察平台。
但超级个体的出现并没有自动解决排期等待和跨角色协作问题。团队随后推进算法与工程边界融合、技术让渡和前后端全栈转型，将部分Prompt配置与交互式运营能力交给更接近业务的运营人员，算法与工程人员则转向更复杂的算法和系统架构工作。
“全栈不是多做一份工，而是少等一个人。”王东旭表示。即使编码效率大幅提升，只要需求分析、协作、测试和发布等环节仍存在等待，局部提速就很难变成端到端收益。他借助阿姆达尔定律解释，如果编码环节只占端到端耗时的20%，即使将其压缩至接近零，整体交付速度增幅也只有约25%。“技术的天花板是数学题，组织的天花板是决策题。”
为进一步减少协调成本，团队借鉴洛克希德·马丁“臭鼬工厂”的组织思路，通过“绑目标、缩节点、搬工位”三类动作，让产品、运营、研发、算法和测试围绕同一目标集中协作，并将需求流转节点从12个缩减至6个，减少纯协调环节。在一项局部试点中，29名成员覆盖3个业务方向，需求吞吐率由36%升至84%，需求交付周期压缩至原来的五分之一，全栈交付需求数增至此前的9倍，并完成19个PDE需求。
王东旭同时强调，“臭鼬工厂”并非适用于所有场景。复杂存量核心系统、强跨团队依赖，以及无法保证人员集中投入或缺少合适负责人的场景，现阶段并不适合采用这一模式。在他看来，“一个臭鼬工厂是特例，一群臭鼬工厂才是能力”。
构建需求测试分级体系，让AI更好地测试AI
当研发速度被AI大幅拉快，质量如何守住？快手磁力引擎风控质量负责人吕冬冬给出了“需求测试分级、风险挖掘与Agentic AI Testing”的实践框架。
快手磁力引擎风控质量负责人 吕冬冬
吕冬冬指出，传统质量体系面临全量验证难以持续、人力无法线性扩张、过程指标难以代表真实质量等问题。快手相关大部门据此构建了基于“云帆”平台的智能分级体系，把是否涉及资金、主链路、历史故障和安全等判断注入Agent，形成高中低三类策略：高风险需求由人工主导、AI辅助；中风险需求采用人机协同；在其所在风控业务中，部分低风险需求由AI承担更多验证，人工负责抽检与异常升级。
更关键的是“AI测AI”的同源闭环问题：如果写代码、写用例和判质量均由Agent完成，测试通过可能只说明系统内部自洽，并不必然意味着结果正确。吕冬冬介绍，相关实践正在通过异源模型分工、固定评测集与黄金真值、差分及变异测试和人工校准等方式降低同源偏差，并坚持“依据证据而非结论”的门禁原则。他强调，未来质量团队的角色将从执行者转向质量规则制定者，在策略定义与最终准出上保留人的责任。
随着AI能力演进，吕冬冬指出，质量责任正在沿交付链路前移，从人工测试和工程自动化进一步走向AI与PDE协同。测试工程师的价值正从“做得快”转向“判断得准”，从执行者转变为规则制定者。
OPPO互联网的AI Native落地实践
OPPO产研提效产品负责人郝刚则分享了OPPO互联网业务在AI Native组织演进中的探索：从工具普及、个人提效，到组织提效，再进一步探索AI Native组织。
OPPO产研提效产品负责人 郝刚
在工具普及阶段，OPPO互联网业务将AI引入编程、测试、运营、审核、游戏和设计等日常工作，并通过AI README让项目代码和规范更容易被AI理解，同时逐步搭建研发数字人、模型广场、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CoMind智能体协同交付平台尝试组织需求、方案、研发与验证等环节的Agent协同，并在部分B端场景继续向发布链路延伸。郝刚同时指出，复杂C端及多端发布仍有较多人工参与，AI Native改造尚未完成。
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。
从研发提效到组织跃迁，从超级个体到臭鼬工厂，从人工验证到智能评测，本场沙龙五位嘉宾的分享指向同一判断：AI的价值不只取决于单点工具的提效幅度，更取决于组织能否把分散在个体身上的经验沉淀为可复用的团队资产，并进一步升级为面向组织的生产力基础设施。当模型能力逐渐成为通用基础能力，谁能率先完成知识、流程与协作方式的系统性重构，谁才更有可能把AI的技术红利转化为可持续的组织生产力。
