如何打造 AI-native 组织：5 个实践全拆解
本文整理自张咋啦Zara 在飞书绝活大会（北京）的分享《28 分钟完整版：如何打造 AI-native 组织（5 个实践）》（B站 BV1G2G369EZp，2026 年，播放 5.9 万、收藏 4158）。 讲者长期与创业者、CEO、管理者和开发者交流组织 AI 化转型。本文基于本地语音转写全文提炼，覆盖演讲全部观点。
核心命题：Agent Readable 组织
整场分享围绕一个概念展开——把公司变成 Agent Readable（对 Agent 可读）的组织：
- 模型已经足够强。Agent 落地效果不好，大概率不是智能问题，而是 context（上下文）问题——你的上下文没给够。只要 context 足够多、足够全，企业日常办公场景下大部分事情它已经能做得非常好。要从自己身上找问题：我到底有没有给它足够的 context？（00:29）
- Agent Readable 的含义：企业里的各种信息——沟通、会议、决策、流程——对 Agent 是可见、可读的。它看不到这些信息，就没有你的 context，表现就不会好。（01:27）
- 五个实践（会议、数据分析、招聘、团队 Agent、学习氛围）全部是这个概念的应用面。
实践一：AI-native 的会议
会议的三个 Level
| Level | 形态 | 状态 |
|---|---|---|
| 1 | AI 会议纪要，会后出总结和待办 | 大部分人在这里（飞书妙记等） |
| 2 | 开完会，Agent 自己把待办办了 | 今天就可实现 |
| 3 | Agent 入会，边开会边现场把待办办掉 | 讲者团队已在内测，"会还没开完，待办就办完了" |
Level 2 工作流（可直接照抄）
讲者自己的 Agent 工作流，每次开完会自动执行：
- 自动获取妙记（无需手动发送）
- 先产出个性化版本纪要（Agent 了解她的工作内容和关注点）
- 提炼出"我可以帮你做的 to-do"
- 她点名"你做一、你做二"，Agent 去执行
实现只需三句 prompt：有新纪要时给我——①个性化总结 ②我需要做的待办 ③你能干的待办直接去干。（04:50）
两个配套判断：
- 会议是给 Agent 最好的 context，远比文档和书面知识库丰富——绝大多数企业没有书面沟通习惯，多数人不擅长写文档，但说话的能力人人都有。（04:21）
- 建议：只要不是超敏感的会都录下来——录了不是给自己看的，是给 Agent 当 context。（04:21）
Level 3：Agent 入会的三大玩法
- 会中实时总结：见客户时客户提产品反馈，会还开着，直接问 Agent"刚才客户对这个产品有啥反馈"，它根据实时逐字稿现场总结——不用等散会。（05:19）
- 会中查数问信息：老板会上突然问"那个数谁拉一下"而没人知道时，有团队级 context 的 Agent 现场查数或查知识库——以前这种会可能直接卡住。（06:17）
- 参与 brainstorm：讨论创意方案时 Agent 直接参与、贡献 idea。（06:46）
价值判断与三个推论
- "压缩沟通和执行之间的距离"：以前开会=沟通、执行在会后；现在可以压缩到极短甚至为零，三个会可以压缩成一个会（很多会的结论就是"再约一个会"，低效）。（07:15）
- 工作方式三次演化：打字式工作 → 口喷式工作（语音输入，现场调查显示已近一半人在用）→ 聊天式工作（和同事随意聊，Agent 旁边听着，聊清楚的同时就干完了）——越来越贴近人类最自然的沟通方式。（07:44）
- 警惕一个坏现象：很多公司用 Agent 后人与人沟通变少了——大家只跟自己的 Codex 聊，同事之间反而不交流。讲者认为这并不完全好：人与人的创意碰撞、一对一交流仍值得保留——但要把 brainstorm 记录下来、对 Agent 可读。（08:42）
- 重新思考什么是 prompt：prompt 不一定是精心写的长文字。把 Agent 拉进群，聊天记录就是它的 PRD；拉进会，逐字稿就是它的 prompt；它看到你日历里明天的客户拜访，自己主动去 CRM 查客户信息、提前做好会前方案——这些场景不需要写任何 prompt，前提是信息对 Agent 可读。（09:40）
实践二：AI-native 的数据分析
- 可交互 HTML：把 Excel 发给 Agent 做网页时，重点是"可交互"——例①预算沙盘推演（拖动参数右侧实时联动，推演融资/投放情景）例②SaaS 报价配置器（拖动参数实时出定制报价）。（10:38）
- 讲者已把"Excel 转网页"做成 skill 并开源。（11:36）
- Agent 做归因，缺的是业务 context。数据分析师同事的实践：让 Agent 扫描飞书消息、文档、纪要、会议，每天自动更新一张"业务动作表"；分析数据时参考这张表做归因。例：某指标突然跌了，原因是"投放停了"——这个信息不在任何数据看板里，在群聊里、纪要里。当所有信息 readable，Agent 有了业务全局 context，就能把点连成线。（12:05）
实践三：AI-native 的招聘
招"懂业务的人"：从沟通记录提炼人才画像
- 让 Agent 扫描你与下属的一对一聊天记录、纪要——你日常经常提的反馈类型、看重的素质，它就能提炼出"你需要什么样的人"。（13:03）
- 具体产出链：人才画像 → 写 JD → 简历筛选标准 → 筛简历 → 出面试题。（13:32）
招"懂 AI 的人"：两轮面试法
痛点：懂业务的不懂 AI，懂 AI 的不懂业务，两个都懂的人难找。（14:30）
方法论：
- 看作品而不只是简历：会不会用 AI 在简历上难说明，做过的 skill、工作流能说明问题。
- 第一轮：不让用 AI——考察裸的专业能力、现场反应等基础素质。
- 第二轮：只能用 AI——现场给 Agent、给一个"没有 AI 根本完成不了的任务"、限时，且与 AI 的聊天记录留存——考察的不仅是任务结果，还有人与 AI 的互动过程，看这个人能否驾驭 AI。（14:59）
实践四：团队级 Agent
企业用 AI 的三个段位
| Level | 形态 | 问题 |
|---|---|---|
| 1 | 人与人协作 | — |
| 2 | 每人跟自己的 AI 协作 | 多数人在此；人际沟通在飞书、跟 AI 沟通在 Codex/本地，两边割裂，像上云前人人本地 Office，对信息安全也不友好 |
| 3 | AI 无缝融入人与人的协作 | 目标态 |
（15:57）
行业对标与产品
- Anthropic 把 Claude 无缝融入 Slack（讲者口中的行业最先进）：不是简单拉群，而是在 memory、context、权限上做了大量优化，让 Claude 基本相当于一个同事。趋势判断：未来 Agent 越来越像同事，必须融入日常协作。（16:55）
- 飞书已支持创建**"团队智能伙伴"**：设置角色定位和工作职责、拉进工作群自动获取权限、可切换模型、管理员可设可用范围保信息安全。（17:24）
团队 Agent 的五大独有价值
- 工作可接力：个人 Agent 割裂，成果交接要复制粘贴大量记录；团队 Agent 界面统一——Agent 拉了个数，数据分析师发现口径不对，直接在下面回复纠偏、继续做。（17:53）
- 潜移默化的 AI 培训：看到同事在群里怎么跟 Agent 互动——"还能这么用？"学到没想过的用法。（18:22）
- 参与多人 brainstorm：单聊 Agent，智慧上限是你自己头脑里的；群里共创时，"你跟同事一起创作一个给 Agent 的 prompt"，沟通痕迹成为指令，产出质量更高。（18:51）
- 全局视角：看到各种群、文档、会议，可做全局性工作——有的团队周报已由 Agent 写，不需要人写；可做项目管理，在群里问进度、推进事项。（19:20）
- 服务上下游：组织低效常来自团队间依赖（等下游排期）；Agent 连同 skill 开放给上下游用，效率高很多。（19:49）
注意：团队 Agent ≠ 简单拉群——背后要做权限设计、知识库设计、memory/context 优化；也要求组织改变工作方式：尽量在群里聊，让工作痕迹对 Agent 可见。（20:18）
实践五：组织内的 AI 学习氛围
- 干中学、玩中学：最好的学习不是上课和正式培训，是直接落地场景/项目/工作流——先做出来，"不管它怎么做出来的"，做完再问 Agent"你是怎么做出来的"。（20:47）
- 认知反转：传统教育是"先学后干"（先打理论基础，学多年才能应用）；AI 时代应该反过来——先干后学。关键是让学 AI 变成轻松愉悦的事，而不是任务、作业、负担。（21:16）
- 渗透式学习（Shopify 案例）：Shopify 几千人，内部 Agent 在 Slack 工作但不跟人私聊、只在群聊里干；CEO 发现大家开始互相学习怎么用 AI——不需要课程表、培训计划，所有人都在向所有人学习。（22:14）
- 团队里只有高管和技术同学用得溜、其他人提不起兴趣是常见问题；硬压着学没用，好的方式是潜移默化地感染。（22:43）
- 让懂业务的人和懂 AI 的人碰撞：企业落地最大难点是两种人不懂彼此；要创造场域让两类人坐一起——内部活动、FDE 项目（懂 AI 的人驻扎到业务部门观察工作流、做工具）。（23:12）
- 强烈推荐"装机活动"：很多非技术部门用不起来 AI 就卡在装机这一步。办全员装机活动：现场一两个小时，工作人员给所有人装好，确保每个人离开时电脑上都有一个能运行的 Agent——装上之后不难，纯聊天就行，但大部分人就卡在这一步。（24:10）
三个感想
- AI-native 组织没有标准答案：别指望抄硅谷最先进实践或套模板——全球最领先的组织也没有标准答案；Coding Agent 出现才半年，组织进化需要很长时间，每个组织的业态、文化、工作方式都不同——走出自己的路，大胆实验。（24:39）
- AI 落地场景不是规划出来的，是长出来的：很难先想终局理想态再倒推——行业和技术变化太快（"让我预测下半年模型会怎样我也预测不了"）；只能大胆尝试落地实践，在敢于探索的文化里，场景自己会长出来。（25:37）
- 不能急于求成——生产力 J 曲线：历史上每次技术革命短期都不带来提升、甚至降低效率——需要时间学习、磨合、试错、改造流程、组织文化和培训；短期看不到效果非常正常，长期一定有巨大提升；也不要指望"用了飞书用了 Agent 效率就自动上去"，要重新思考工作方式、流程、招聘标准、文化。（26:06）
一句话总结
"实践是打造 AI-native 组织的唯一方法。"——没法靠上课和方法论获得，每个人、每个公司都会走出自己的道路，最好的建议就是大胆尝试。（27:33）
附录：金句速览
| 时间 | 金句 |
|---|---|
| 00:29 | Agent 表现不好大概率不是它的问题是你的问题——是 context 的问题 |
| 01:27 | 把整个公司变成一个 Agent Readable 的组织 |
| 04:21 | 会议是给 Agent 最好的 context，它远比文档和书面知识库丰富 |
| 04:21 | 会议的结束是工作的开始 |
| 04:50 | 开会是未来的 prompt——不用精心写，会上聊清楚、把纪要发它就行 |
| 06:46 | 压缩沟通和执行之间的距离，三个会可以压缩成一个会 |
| 08:13 | 打字式 → 口喷式 → 聊天式：工作方式的三次演化 |
| 09:40 | 聊天记录就是它的 PRD，逐字稿就是它的 prompt |
| 12:05 | 当所有信息 readable，Agent 就能把点连成线 |
| 18:51 | 你跟同事一起创作一个给 Agent 的 prompt |
| 21:16 | 从先学后干，变成先干后学 |
| 22:14 | 不需要课程表和培训计划，所有人都在向所有人学习 |
| 24:10 | 大部分人不是不会用 AI，是卡在装机这一步 |
| 25:37 | AI 落地场景不是规划出来的，是长出来的 |
| 27:33 | 实践是打造 AI-native 组织的唯一方法 |
整理日期：2026-10-06。素材：B 站视频音频本地转写（faster-whisper small，59 段全文），明显识别误差已依上下文修正；逐字稿原文与 PPT 可在讲者飞书粉丝群领取（zarazhang.com/group）。