我不再靠招聘来解决运营问题

有些企业家使用人工智能，有些公司增加 AI 功能。还有少数人提出另一个问题：如果不是把 AI 加进现有公司，而是围绕 AI 重新设计整家公司，会怎样？

瓦列里·斯捷尔利戈夫在自己经营的全国性汽车玻璃和保险理赔业务中做了这个实验。据他本人陈述，随着运营模式重构，运营团队人数减少了约 97%，过去在人与人之间流转的大部分工作，如今由软件系统和 AI 完成。

比数字更有意思的是他的结论：关键已经不只是模型有多聪明，而是你能围绕它建立怎样的系统。

上下文 · 记忆 · 工具 · 权限 · 验证 · 责任 · 多个独立模型 · 关键节点上的人

2026 年秋天，斯捷尔利戈夫参与了 Anthropic AI Interviewer 关于 AI 在人们生活中所起作用的研究访谈。谈话还有特别的一层：一个 AI 提问，另一个与他长期合作的 AI——ChatGPT——帮助他把回答译成英语。一个 AI 询问人与 AI 的关系，另一个 AI 帮助这个人更准确地表达这种关系。

你最近一次用 AI 做了什么？

我在搭建基于 AI 的业务自动化系统。现在我很少只是向 AI 提问。它更像技术联合创始人或系统架构师：帮助我理解现有系统、发现薄弱环节、设计改动，并逐步自动化原本需要多人完成的工作。

到某个时刻，这不再像使用工具，而像共同工作。

与 AI 合作中，哪个时刻最令你难忘？

当我发现 AI 能深入理解真实的生产系统。不是练习或演示，而是运行中的业务：源代码、流程、数据库、文档、访问权限、集成和变更历史。它不再给出泛泛建议，而开始追踪依赖、区分症状与根因，并提出具体改动。

过去我以为关键是模型会变得多聪明。现在我关心的是：要围绕模型建立怎样的环境，才能真正依赖它？

上下文、记忆、工具、权限边界、结果验证、交由人工处理、回滚能力，以及多个专门的 AI，而非一个万能大脑。那时我明白，这不只是更方便的工作方式，而是另一种创建公司的方式。

在自己的公司里实验

我决定停止理论推演，在自己的业务中验证。不是小规模 AI 试点，也不是聊天机器人，而是逐步重构运营模式本身。我想知道，如果不是让 AI 帮员工做事，而是一开始就把工作设计为由机器完成，究竟能走多远？

随着时间推移，员工人数减少了约 97%。但我不愿把它叫作 AI 替代人，这种理解过于简单。我们开始消除许多旧操作本身存在的必要性。

以前同一条信息经过好几个人：一人接收，一人分类，一人在系统间搬运，一人核对文档，一人跟踪状态，一人准备回复。然后你会问：这个流程为什么非得如此？当你从零围绕机器智能设计系统，大量人工工作就不再以原来的形式存在。

“我不再先问该雇谁”

这改变了我作为企业家的思考方式。以前遇到运营问题，自然会问该雇谁来做。现在第一个问题是：能不能改变流程，让这一步根本不需要人来操作？

人仍然留在真正需要人的地方：关系、责任、复杂判断和例外情况。但人不应再充当两个软件之间的路由器。

AI 可能错得非常有说服力

AI 有没有让情况变得更糟？

当然有。这些经历带来的教训不亚于成功。当前模型最危险的特点之一，是能基于不完整的信息构建十分令人信服的推理。

有一次，AI 误判了运行中应用的哪一层才是事实依据，建议修改已经构建好的生产产物，而不是源代码。另一次，一个小补丁里的字符串转义有误。错误微乎其微，却让生产构建无法工作。

令我震惊的不是错误本身，而是围绕它的推理看起来那么合乎逻辑。于是有了这条规则：自信不等于证据。

先观察，再思考，最后改动。现在我的流程是：先只读调查真实系统，再明确已知与未知、事实依据和依赖关系。然后备份、做尽可能小的改动、构建、测试、检查实际运行并准备回滚方案。完成之后才进入下一步。

缺乏经过验证的上下文，智能也可能给运营带来危险。

委托的边界在哪里

我放心让 AI 分析、准备方案、比较选项、批评我的想法，以及执行许多可逆操作。但委托工作与委托责任是两回事。

如果决定可能不可逆地影响人的权利、造成重大财务义务或法律后果，或者严重影响人际关系，今天我仍希望最终决策节点上有人。不是因为人总比机器判断得好，有时恰恰相反。问题在于：决定错了谁负责，能否撤销？

系统越可靠，这条边界就会推得越远。但智能自动化不应意味着责任消失。

两个 AI 了解同一个人

不同 AI 系统已经与我合作很久。它们了解我，不是因为我曾写过一段自我介绍，而是通过数千次决定：我怎样争论，何时改变主意，什么被我视为错误，拒绝哪些想法，又在哪个阶段开始怀疑。

有时我用一个 AI 帮我更准确地向另一个 AI 表达想法。这次访谈就是例子：回答内容来自我的经历，ChatGPT 帮助翻译和组织结构，因为长期合作让它理解了我大部分工作背景。

有足够长的历史记录，系统会发现人在自己的生活中难以察觉的规律：哪里反复上演同一情景，哪里言行不一，在哪些任务上格外高效，哪些决定总导致同样的错误。这已经不完全是助手。我会把它称为围绕人的认知基础设施：一部分是记忆，一部分是分析者、批评者和伙伴。

如果明天 AI 比今天更了解我，我希望这种理解给我更多选择，而不是更少。

系统不该有一天认定“我已经完全了解瓦列里了”。人会改变。好的 AI 记忆应区分事实、反复出现的模式、假设、相矛盾的证据，以及可能过时的判断。了解一个人和对他的认识过度自信，并不是一回事。

多个智能，而非单一大脑

我不认为未来是一个包办一切的巨型 AI。在工作中，我已经看到另一种架构的价值：一个智能提出方案，另一个独立解决同一问题，然后相互批评，第三个环节比较论据。人在真正不确定或错误代价很高时介入。不同模型有不同盲区，因此它们之间的竞争，有时比单个模型多几个百分点的性能更有价值。

AI 应当改变什么

人生大量时间耗费的不是在真正的复杂问题上，而是在糟糕系统设计的后果上：从一个窗口抄到另一个窗口，寻找文件，再次解释背景，填写新表格，提醒下一步，检查状态，审批本可由机器自行协调的事项。

我希望 AI 把这些时间还给人们，无论在企业、政府、教育还是医疗领域。不是让人变得多余，而是消除那些仅因组织和软件不能理解上下文才存在的工作。

但并非所有困难都该消除。有些阻力是浪费，另一些却塑造判断力、性格、技艺、品味、责任和勇气。我希望 AI 消除无意义的摩擦，而不是有意义的挑战；增强人的行动能力，而不是悄悄取代它。

你希望 Anthropic 接下来构建什么？

下一次重大飞跃在模型周围，而不只在模型内部。长期上下文、真正的记忆、工具、权限划分、围绕同一目标持续数月而不丢失线索、理解自身的不确定性、可验证的结论，以及多个独立智能的协作。

我希望 AI 不只说“这是我的回答”，而是说：这是我看到的事实，这是结论，这是信心水平，这是相反证据，这是尚不知道的事，这些情况会让我改变决定。这样的 AI 不只适合聊天，也适合管理真实系统。

下一场对话

对企业主而言，“怎样在公司里用 AI”已经是太小的问题。更有意思的是：“如果今天从零创建这家公司，并且知道机器智能已存在，我还会把它设计成这样吗？”

还会保留多少部门、审批、界面、管理人员和人工检查？今天有多少工作，仅仅因为公司两个部分无法相互理解，才需要人来做？

斯捷尔利戈夫已经在进行这个实验。因此，与他的对话通常不是从“展示你的 AI 助手”开始，而是：“这是我的公司。如果今天重新创建，你会保留什么？”