这是我发布在涛思数据内部的一篇博客，现公开出来，供众多的创业者、企业管理人员参考。AI在工作中不是加分项，而是必选项；不是局部优化，而是全局重构。如果一项工作需要跨人、跨部门完成，首先要思考的不是“找谁配合”，而是“我是否可以通过学习和借助AI自己完成”。
过去几个月，我一直在强调使用AI提效，但坦率地说，这件事情在涛思数据内部还没有真正上升到“生死攸关”的高度，也缺乏系统化、全局性的统筹安排。更多时候，它还停留在倡导层面，而不是制度、行为、乃至组织和评价体系的改变。最近两个月在与北京、硅谷两地不少创始人、CEO交流之后，我越来越清晰地意识到，如果我们仍然把AI当作一种“可选的效率工具”，而不是“必须掌握的基础能力”，那么我们在未来一定会被淘汰出局。因此，有必要在公司内部再次明确这一点：AI不是加分项，而是必选项；不是局部优化，而是全局重构。每个部门、每个人，都必须主动使用AI提升效率，并在此基础上形成新的工作方式、协作模式和组织架构。
从分工协作到“One Person Group”
过去，由于工作的专业性和复杂性，一项工作往往被拆分为多个环节，由不同角色分别完成。例如一个功能的研发，通常需要后端开发、前端开发、测试、文档撰写，甚至还包括设计等环节。这种分工在传统条件下是合理的，但它带来的问题同样明显：每增加一个人，就增加一次沟通成本和协调成本，整体效率会随之下降。当参与人数超过一定规模时，效率甚至会急剧衰减。
在AI时代，这种分工方式需要重新审视。借助AI，一个人的能力边界被极大拓展：学习新技能的成本显著降低，代码、文档、设计可以在很大程度上自动生成，测试也可以通过自动化手段完成。在这种情况下，一个人不仅可以完成后端开发，也可以承担前端、测试和文档工作，对一个功能的端到端交付负责。过去需要一个小团队完成的事情，现在越来越多地可以由一个人完成，人人都可以成为真正的全栈工程师。
当然，“One Person Company”在现实中仍然过于极端，公司在一定规模下仍然需要分工，例如产品、市场、销售和支持等角色依然必要。但更符合当前阶段的，是“One Person Group”的理念：一个人就是一个完整的小组，能够独立承担一块明确的职责边界。对于研发而言，这个边界可以是一个完整功能；对于业务部门，可以是一个客户或一个行业；对于市场，可以是一类内容或一个主题。
这也意味着，我们在日常工作中需要有意识地减少对他人的依赖。如果一项工作需要跨人、跨部门完成，首先要思考的不是“找谁配合”，而是“我是否可以通过学习和借助AI自己完成”。不会前端，可以学习基本的前端知识；不会后端，也可以快速补齐基础能力。对于销售，以前需要借助研发或售前搭建一个演示系统，现在自己就应该做到。客户的技术问题，销售自己就能借助AI直接回答。在AI时代，一个人的能力边界，很大程度上取决于他是否愿意尝试、是否愿意学习，以及是否能够熟练使用各种AI工具和Agent来辅助工作。
过去，团队规模决定产出规模。今天，一个人的产出，不再取决于他管理多少人，而取决于他能调动多少AI。
SKILL：从个人经验到公司资产
每家公司都会在长期实践中形成一套独特的方法论，包括技术规范、产品设计原则、营销策略以及管理流程等。过去，这些东西往往以文档或经验的形式存在，其执行效果高度依赖个人。
例如我们已经有明确的《日志编码规范》，有明确具体的《对前端开发的基本要求》以及《TDengine IDMP UX Design》等文档，但在实际执行中，仍然存在大量不遵守或执行不到位的情况，导致反复返工，效率低下。同样，市场部掌握的SEO/GEO规则，往往停留在个别人的经验中，难以沉淀为全公司的能力；很多同学制作的PPT，如果没有市场部的二次加工，很难达到对外展示的水平。
这些问题的本质，是知识没有被结构化、工具化，也无法被强制执行。而在AI时代，这正是可以被彻底改变的地方。通过将流程、规范和经验沉淀为可调用的SKILL，我们可以让AI参与到执行过程中，对结果进行检查、纠偏甚至自动生成。例如，对于TDengine IDMP的前端页面，我们就有了可以强制《UI设计的规范》, AI会帮我们做详细检查，看到问题，就会指出。而且通过把一些技能封装进SKILL，让复杂工作变的简单，比如王喆做的《SKILL 介绍：IDMP EasyUse 通过自然语言一键式搭建 IDMP Demo》，简单的一句话，就可以帮你搭建出整个演示系统，更不需要懂IDMP的配置文件。
从更长远来看，这意味着一个根本性的变化：代码、文案、设计本身正在变得越来越容易获取，其稀缺性在下降，而真正有价值的，是那些经过验证、可复用、可持续优化的SKILL。因此，我们需要像对待代码一样对待SKILL：进行版本管理、审查和持续迭代。为此公司设立了《Agent Skills 管理规范》《AI 工具使用安全规范》，为便于版本管理，在公司内部搭建了GitLab 《GitHub 的使用（非技术同学）》
公司还将逐步完善相应的管理规范，并从SKILL的数量、使用频次等维度，对个人和团队的贡献进行评价。未来，公司之间的差距，本质上不是人力差距，而是SKILL体系的差距。
“一切代码化”
从公司成立之初，我们就强调公司内部信息的在线化和可追溯性，使用Confluence、JIRA等工具记录研发活动，一方面是践行公司提倡的“实事求是”，另一方面是便于交流协作。近年来，我们进一步引入飞书、CRM以及财务、人事等系统，使信息共享和协作效率在公司规模增大后还能相对保持。同时，在研发体系中，我们持续推动“一切代码化”《提升研发的效率和质量：一切都要代码化》：不仅是产品代码，还包括测试、CI/CD流程、设计文档以及部署配置等，全部纳入版本控制体系。
这些看似基础的工作，在AI时代的价值被进一步放大。AI能够发挥作用的前提，是能够访问、理解并处理相关信息。如果知识只存在于个人脑中或零散的本地文件中，就无法被AI利用，也无法在组织内部复用，从而形成信息孤岛。相反，当信息被系统化、结构化并集中管理时，AI就可以参与到分析、总结和决策支持中，帮助我们发现问题、提取洞察，从而提升个人以及整个公司的竞争力。
因此，下一步我们需要做的，是让更多的信息进入公司统一的知识与数据体系，例如逐步将文档迁移至GitLab，并通过接口打通飞书、CRM等系统，使AI Agent能够访问这些数据。目标只有一个：让所有有价值的信息都“对AI可见、可用”，从而真正转化为生产力。比如，平台组刚刚推出的研发工作周报，由AI基于GitHub以及GitLab的递交自动生成，给出工作量和质量的评价，它不仅减轻了大家的工作量，而且让一切基于事实说话，给出更客观的工作评价。
不在线、不结构化、不能被AI访问的数据，本质上等同于不存在，你的工作量和贡献就是零。
AI时代的分工重构
当越来越多的执行性工作可以由AI完成时，一个自然的问题是：我们还需要做什么？历史上，每一次技术革命都会带来类似的焦虑。蒸汽机的出现曾引发对失业的恐惧，但最终改变的不是“是否需要人”，而是“需要什么样的人”。
在AI时代，这种变化同样正在发生。对于研发人员而言，写代码的能力仍然重要，但更重要的是如何进行系统设计、如何拆解复杂问题，以及如何从用户的模糊描述中抽象出清晰的需求。我们需要更多具备架构能力和抽象能力的工程师，而不是仅仅会编码的初级程序员。
对于售前和销售而言，借助AI快速构建Demo、生成方案甚至完成原型验证，直接回答客户产品或技术问题，将成为基本能力；对于客户成功团队，服务客户的数量和质量都应显著提升；对于市场团队，内容生产和渠道触达能力都应成倍增长；对于职能部门，大量重复性工作可以通过自动化方式完成，从而将精力释放到更有价值的事务上。
整体来看，AI正在将人从大量重复性执行的工作中解放出来，使我们可以把更多精力投入到创新、探索以及人与人之间的沟通与决策中。这些，仍然是AI难以完全替代的部分，至少看得到的一段时期之内。
我们需要做的是重构公司组织结构，让AI成为团队重要的一部分。因此公司将在未来的两个月，根据具体情况，将对公司组织架构进行调整，涛思数据要成为一个AI Native Ogranization。
涛思数据研发的是AI原生的工业数据基座，现在公司组织架构上也必须AI原生
提出需求的能力，正在成为最重要的能力
在AI时代，还有一个正在迅速凸显但容易被忽视的能力，就是提出需求的能力。过去，我们更强调执行能力和专业技能，一个人是否优秀，很大程度上取决于他能否把一件事情“做出来”。但今天，随着AI可以承担越来越多的具体执行工作，问题的关键正在发生转移：决定结果质量的，不再只是“做得怎么样”，而是“你一开始想让它做什么”。
从实际情况来看，同样一个AI工具，在不同人手里产生的结果差异非常大，其根本原因并不在工具本身，而在于人是否能够清晰地表达问题、是否能够将模糊的想法转化为结构化的需求。很多人觉得AI“不好用”，往往不是因为AI能力不足，而是因为给出的指令过于模糊、目标不明确，或者缺乏必要的上下文。相反，那些能够把需求拆解清楚、不断迭代指令、逐步逼近目标的人，往往可以用同样的工具获得远超平均水平的结果。
因此，提出需求本身，正在从一种“沟通能力”，转变为一种“生产力能力”。这不仅体现在与AI的交互中，也体现在人与人之间的协作中。一个人是否能够准确理解业务目标、抽象问题本质，并用清晰、结构化的方式表达出来，将直接决定AI能否发挥作用，也决定了整个工作的效率和质量。
对于研发而言，如果有全球排名第一的对标的产品，那需求就变的极为简单。把对方产品的用户手册、所有公开的资料喂给AI，让他把功能整理出来，就成了你开发的需求。我们是以开源打开市场的，现在开源项目都成为极为危险的项目，因为任何人都可以让AI基于你GitHub仓库整理出所有的API、对外接口，然后用AI直接生成。对于销售而言，只要你把当前的进展，以及下一步的目标告诉AI，它一定能成为你最好的军师。
这对我们每个人提出了新的要求：不仅要会做事，更要会定义问题；不仅要能执行，更要能思考“要做什么、为什么做、做到什么程度”。在AI时代，能够提出高质量需求的人，实际上是在“编排生产力”；而无法清晰表达需求的人，即使拥有再强的工具，也很难获得理想的结果。AI时代，生产力的上限，不再由执行能力决定，而由你提出问题的能力决定。
结语
如果我们只是一家纯应用软件公司，那么在AI时代，我们将面临极大的压力，甚至需要大幅压缩成本。但幸运的是，我们是一家提供工业数据基础设施的公司，有一定的市场影响力，而且正在努力打造AI原生的工业数据基座，这是AI无法取代的。相反，AI给我们带来更大的机会，只是我们需要利用AI进一步提效，构建更高的竞争壁垒。
最后，需要指出的是：要做到彻底拥抱AI，首先要改变自己的认知，完全承认自己就是没有AI的能力强，必须拥有一支AI团队来帮助自己的工作，管理好他们。在很多情况下，token消耗少并不代表你工作效率高，反而可能意味着你没有充分利用AI能力。
AI不会简单地“取代人”，但它会重塑竞争的规则。在新的规则下，是否能够有效使用和管理AI，将直接决定个人和公司的发展空间。对我们而言，AI不是一个可选工具，而必须成为每个人日常工作的组成部分，是你的合伙人，是你无所不通的超级顾问。只有当AI真正融入工作方式，我们才能在效率、质量和创新能力上建立起持续的优势，我们才能在AI时代生存下来，而不是被淘汰出局。
陶建辉
涛思数据创始人CEO
2026年3月22日
