一家1800人的公司，为什么会有8000个AI员工？ - 骰宝大小规则

一家拥有1800名人类员工的企业，却配置了超过8000个AI角色。其中5000个是AI助手，3000个是AI专家，人与AI的比例达到了1:4——这是明略科技当前的团队结构。

“实际上，现在已经不存在真正的一线员工了，最基层的人员都变成了管理者，他们管理的是AI。”明略科技联合创始人、总裁兼CFO姜平向36氪表示。

这家以企业数据分析起家的B端公司，正利用其平台产品Octo进行一项试验：组织如何切实地与AI协同工作，以及这笔经济账该如何计算。

从数据挖掘迈向“组织智能”

明略科技成立于2006年，长期专注于企业级数据分析与数据挖掘。用姜平的话来说，明略科技一直在做的事情可以概括为“打造数据驱动的可信生产力”。

进入AI时代后，明略在企业AI领域已经历了四次迭代：第一代是小模型时代的企业微信大脑；第二代是Copilot；第三代是单体Agent；第四代，则是现在的Octo——组织智能。

Octo的产品形态与现有的企业级IM工具相似，但姜平认为其底层逻辑完全不同。“传统工具背负着历史包袱，人是其中的绝对主体。而我们构建的Octo平台，原生居民是AI。”姜平强调，明略做的并非办公软件，而是企业级服务。Octo更像“一个供AI工作的道场”——人向AI下达指令，共同推动业务落地。

△ 明略科技联合创始人、总裁兼CFO姜平

他将这套逻辑称为IoA（Internet of Agent）：让Agent之间构建协作网络，相互交换上下文信息，而人只需“提出需求，审核结果，并在AI之间制定一些协作规则”。就像互联网解决的不是“每人一台电脑”，而是电脑之间的互联问题，Octo要解决的，是Agent网络如何运转的问题。姜平表示，“给每人配备一个AI助手，只是最浅显的一层。”

一个出海营销案例清晰地阐释了这套逻辑。一家中国泳池机器人出海品牌，要在美国市场开展达人营销，全流程分为五步：消费者洞察策划、达人筛选、达人建联、状态管理，以及投放复盘。“以前需要4个人，花费一周时间来完成……大约是20人天（即20个工作日当量）。”姜平说，现在同样的流程，在Octo平台上由一个人带着多个AI分工完成，“我们目前已经能做到8.5个小时。”

明略科技自己的财务团队也是一个典型例子。AI使得穿透式数据治理成为可能，即从总收入出发，一层层向下穿透：收入→部门→销售→订单→PO→验收单→发票→回款→现金流，全链路可查询。“以前我以为横向把字段治理好就不错了，AI来了之后，我发现我的穿透能力不足。”数据打通后，AI问数和自动生成动态报表都成了日常操作。这套工作流程是财务团队以AI-Native的方式完成的，完全没有开发人员参与。

但这套流程要稳定运行，背后需要一层Infra作为支撑。

Agent时代的Infra是什么样

明略的基础设施，从PC时代、移动互联网时代到大数据时代，一直部署在腾讯云上。腾讯云也是明略的长期合作伙伴。

当被问及明略科技与腾讯云的长期合作时，姜平的解释很直接：“我们99.9%的云都在腾讯上，在移动互联网时代和大数据时代积累的历史资产，只有继续使用腾讯云，才能与当前时代的资产打通。”在他眼中，换云的成本几乎等同于放弃历史积累。

进入Agent时代，明略在基础设施层最核心的需求变成了——为每一个AI提供独立隔离的运行环境，相当于在云上为每个Agent分配一台电脑。Agent应用在执行深度推理任务时可能保持常驻状态——没有Infra层支撑，长任务根本无法稳定运行。腾讯云Agent Runtime底层自研沙箱正是为此而生：毫秒级启动，为每个AI提供独立隔离的运行空间，使长任务和实时响应能够同时实现。

选择腾讯云的另一个原因，是规模。姜平举了一个极端场景：一家拥有10万员工的车企，需要从零建立10万个沙箱，同时这10万人可能共用同一个“发票助手”——既要有广度，又要有深度。这两种需求对并发能力的要求截然不同，前者考验规模化供给能力，后者考验高并发访问和会话级管理。对明略而言，腾讯云最核心的价值在于：支撑了明略服务大量企业客户时的底线。用姜平的话说，“只有腾讯才能保证为明略科技提供如此大的并发量，能保证我自由地伸缩。”

到了Agent Online的时代，AI接入组织系统还引出了另一个问题：权限边界。“人能访问什么，AI就能访问什么”——助手是人的分身，权限应对等，但专家型AI只需解决固定问题，无需了解员工的私生活。这套权限隔离与管控的逻辑，需要在Infra层就设计清楚，否则安全与信任问题会在大规模部署时集中爆发。

同时，姜平也认为腾讯在产品设计上具有天然优势——“无感化”，让用户察觉不到工具的存在，只感受到结果。感受不到它的存在，是对基础设施的最高评价。姜平的回答很直接：“从PC时代、移动互联网时代，到现在大数据时代，明略科技使用腾讯这套Infra一直很稳定。”

这笔Infra的账，属于运营层面。企业真正绕不开的，是另一本账：雇佣数字劳动力，到底值不值。

数字劳动力来了，这笔账怎么算

英伟达CEO黄仁勋近两年曾将AI智能体描述为企业的“数字劳动力”，认为它们将与人类员工协同工作。他将劳动力分为三类：真实劳动力、数字劳动力（AI Agent）和物理劳动力（具身机器人）。姜平认为：“数字劳动力确实来了，就是Agent。物理劳动力，还都停留在表演阶段。”

数字劳动力的商业化，目前已形成三种基本模式：月费制、Token费，以及FDE费。第三种模式正在被OpenAI、Anthropic、Palantir等公司推进。美国红杉资本将这种趋势概括为“软件业向技术服务业转型”——销售数字劳动力，无论是人做还是AI做，都对结果负责。

明略选择坚定走开源路线。“开源就意味着这笔钱收不到了。”License费用随之舍弃，收入来源转向Token费和FDE费，而FDE需要深入客户企业部署，本质上是按结果付费。

但企业对FDE是否买账，最终还是要看引入AI后的投入产出变化。对于真正关注经济价值的企业，姜平给出了一个ROI公式：1:1.5。人力成本加上AI成本的总和，对应的收入至少要达到1.5倍，才能基本持平。“我花了1000万，我能挣1500万的货，大致就是平的。”这个公式在电商、短视频、出海营销、AI短剧等场景均适用——这些行业的主要成本是内容制作和投流，恰好是AI能大幅压缩的部分。

还有一个现实问题：企业对雇佣“数字劳动力”ROI的理解，层次差别很大。还在追问“AI到底值不值”的企业，在姜平看来，是在用“古典思维”看待这件事。

无论处于哪个层次，姜平的建议都是从L1开始推进，他称之为Token Ready，先解决员工使用AI的成本问题。“你可以给他每月700的报销，至少购买DeepSeek、购买Kimi是足够用的。”

L2叫Agent Online，将AI接入组织系统，解决权限问题——“人能访问什么，AI就能访问什么”，逻辑上顺理成章，但实际落地涉及大量企业内部的安全与信任考量。往后是L3知识图谱沉淀、L4 AI场景闭环、L5组织整体自运转。“大部分企业先把L1解决了，然后再谈L2。”

这条路走到底，组织结构本身也在变化。“最大的变化是，没有绝对的一线员工了。”无论高层还是普通员工，最基层管理的都是AI。与此同时，那些只负责上下级传达信息的中间层，价值迅速被稀释。“没有Know-How，没有品味，在未来这个组织会很尴尬。”

1800个人类，8000个AI，也许未来这个比例还会变化。明略自己正在走这条路，也把这套逻辑传递给它的客户。