Moka 的聯合創始人兼 CEO 李國興在發布會后來到 Founder Park 直播間分享經驗。
對大模型應用而言，SaaS 是個很特別的品類。
它意味著很多非常垂直、具體的場景和需求。
舉例而言，HR 領域，如何讓 AI 判斷面試者的簡歷價值，如何應對員工各式各樣的詢問，甚至層出不窮的各種招聘和細分行業術語該如何讓大模型做到自然語言理解？
6 月，HR SaaS 平臺 Moka 發布了基于大模型的新產品 Moka Eva。
Moka 的聯合創始人兼 CEO 李國興在發布會后來到 Founder Park 直播間，分享他們對于大模型在垂直領域 SaaS 產品中應用的經驗。
作為行業首個推出「AI 原生」產品的公司，Moka 在調用大模型能力，匹配具體業務場景方面有著自己的思考。
他提到，想讓大模型在SaaS產品中發揮更大的價值，要不斷挖掘自己的數據，讓模型能夠更高效地調用、更「自然」地理解數據，從而反過來為用戶提供價值。
在產品形態上，李國興認為自然語言能夠滿足低頻用戶的很多需求，補足了之前圖形交互學習成本的問題。軟件從業者應該更多思考大模型的「長板」如何能幫助補足、解決之前默認無法解決的用戶痛點。
而在這個過程中，最重要的是敏捷，快速嘗試，快速迭代，不斷地測試模型能力和產品需求之間的匹配。
這是堅定入局者的心態。
以下是對談全文，經 Founder Park 編輯。
訪談嘉賓：
張鵬 - 極客公園創始人 & 總裁
李國興 - Moka 聯合創始人 & CEO
01 AI + HR SaaS 產品背后的思考
張鵬：我們今天請來了國興，想深入地聊一聊在人力資源領域里，大模型會對這樣的垂直領域帶來什么樣的影響？
昨天 Moka 發布了基于大模型的新產品 Eva，能不能給我們介紹一下它的背后你有怎樣的思考？
李國興：我們昨天剛剛開了發布會，第一次跟廣大用戶朋友們介紹這個全新的產品。也是過去幾個月的時間，我自己投入比較多精力在跟的項目，連軸轉研發的產品。
因為我們做的是 HR 業務場景，所以更多的是圍繞這個業務場景，解決一些垂直的問題，背后應用到大模型的能力。
總的來說，我們對它的定位叫做「AI HR 伙伴」，EVA 這個名字其實也是一個擬人化的定位。我們希望它一方面，能夠去幫助我們把很多 HR 業務上的事情自動化掉，幫忙處理掉。另一方面，它也不僅僅是一個純粹的替代作用。更多的是怎么讓 HR 團隊和這個產品、技術更好地結合。
我們一直講一個關鍵詞，叫做10 倍地提升生產力（10x），這是我們的目標。所以我們在產品上會有很多不同的維度，因為 HR 也會有不同的角色。
我們重點介紹了 Eva 的三個能力維度。
第一個「懂數據」，幫忙把招聘和人事的數據，讓用戶通過自然語言問詢就能快速獲取和統計。這個其實解決了很多痛點。舉個例子，消費這種數據的一般是企業的管理者，他們可能會問，「這個季度開始了，我們的目標制定的進展如何？OKR 的進展如何？」Eva 就可以幫助對應（相關數據），它能理解我們的目標是什么，然后通過 API 去拉取相關數據，最后呈現給我一個按部門分類的完成進度情況。
再比如面試，（大型團隊）可能不一定能記住有哪些崗位在招聘，就會去問最近候選人的進展情況，Eva 會理解，面試候選人有哪些，是哪些職位的，招聘漏斗是怎樣，然后自動呈現一個圖表。
這種都是我們非常常見的，公司老板或者業務負責人甚至 HRD 等角色，可能偶爾會遇到的一些問題，那么他們只需要跟 Eva 三五輪對話就能獲取到數據，以往可能比較痛苦，因為需要把數據需求給到 HR 團隊，或者需要通過 BI 工具匯總和統計，這樣門檻就比較高。過去客戶有問題可能會找到我們的 CSM 團隊幫忙配置，配置好了返回客戶 HR，再反饋，再給老板看，可能會進一步想調整需求，比如補充一些數據，或者統計口徑再調整，來回幾次，可能需要幾天到一兩周的時間，鏈條會比較長。我們希望能夠 cut 掉中間的這些鏈條，真正能夠讓終端用戶非常簡單地隨手獲取到想要的數據信息。
第二個「懂員工」。我們 People 產品的場景里比較常見的痛點，比如 HR 同事可能經常會被問到一些重復問題，比如請假、比如發薪日，薪酬怎么計算，一些人事的事務辦理，開證明等等細節問題。
現在我們想通過 Eva 自動化地處理員工日常的這些咨詢，最大程度減少人為介入。
這個比較有意思的地方是，它嚴格意義上并不是一個完全新的問題和領域，之前我們也能聽說一些 chatbot（聊天機器人）解決這種問題，但如果詳細了解過去的解決方式，就會發現有一些局限性。
比如，技術模式是問答配對，matching 的算法。你要設定很多員工會問的問題，你希望給到的答案，然后設置一些觸發條件。一個很大的局限就是，你基本只能做單輪對話，如果員工追問就沒法做。以及它只能回答一些通用的問題，不能根據員工自身情況給出回答。它的維護成本也比較重，需要不斷地維護。
Eva 不需要太多的額外配置，員工手冊里涵蓋了大量的人事政策、福利待遇等等知識類信息，然后我們本身也會存儲很多員工各種信息數據，包括假期情況，薪酬計算、考勤結果等等。員工在詢問的時候，Eva 能夠覆蓋很多場景。比如我試用期什么時候結束？我需要提前準備什么工作？我的假期還有多少天？你可以追問說，我 7 月想請 5 天假，有什么要注意的？要提前多少天申請等等。
我們內部一些測試，認為 80%、90% 的問題是能夠覆蓋，能夠被 Eva 解決的。這也是一個挺重要的突破。還有 GPT 這種大模型，它有很強的擬人化回答的能力，回答的內容我們可以調教得比較有溫度，某種意義上跟人回答的其實差不多，甚至有些情況還能有更好的關懷。
它 100% 更好的地方，是 7*24 小時的，HR 很多時候可能不在電腦前或者在休息。
第三點，「懂招聘」，這個就比較深入了。
我們做了很多功能，自動化寫 JD、簡歷的自動化評判初篩，面試階段通過對需求的理解和候選人簡歷的閱讀，自動生成一些面試問題供面試官參考等等。
張鵬：這個挺有意思的。可能有些經驗豐富的面試官，能實時「生成」出好問題。但如果 HR 的知識、對面試的認知，能變成數據被學習、積累，在面試之前形成好問題的提醒，我覺得這個蠻有意思的。因為我也做很多面試，有時候來不及做預先準備的話，就要實時去提問，還要保證問題質量很高，相當于實時做一次咱倆這樣的直播訪談，我們（直播）可都是要（預先）做提綱的。
你剛剛提到很重要的一點，把非結構化的數據自動地結構化地整理，變成有意義的數據，更加寬頻地響應用戶的需求，兼容性會更好。（AI）能對這些數據有自然的理解，反過來就能為人提供價值。這個大的思路，是國內還是硅谷，不管大公司小公司，都是特別值得注意的，是 AI native（原生）要思考考的。
02 最重要的是敏捷，要快
張鵬：我也很好奇，Moka 是國內 SaaS 領域里行動很快的公司。在大模型這波浪潮興起之后，你心理發生過怎樣的化學反應？最終怎么落到產品上？每個人可能都被震撼過，但震撼的方式不一樣，分享一下你的情況。
李國興：（笑）說實話，我接觸的時間比團隊還要晚一點，很慚愧，因為我其實是學 AI 相關的。
團隊大概去年底就注意到 ChatGPT，然后 1 月份就已經做出來自動寫 JD 的功能，很快我們就上線了。
我個人其實是 2 月左右。因為之前的感受是，「怎么又出來一個 chatbot？」Chatbot 是很多年一直都在做，有新東西出來，但感覺好像都是比較傻的 chatbot。后面慢慢注意到，自己也體驗了一下，剛開始用的時候確實非常驚艷。
之前我傳統認知的機器學習自然語言，還是偏非常特定的任務域的問題解決，不管是圖像的人臉識別，還是 NLP 的一些問題，都是非常具體的任務，然后你通過設計模型和構造相關數據，把任務優化好。
ChatGPT 是一個能力極其泛化的模型，它也擁有大量的知識，兩者都需要，因為沒有知識，就沒法做自然語言處理和理解。
（笑）當時我在想，我們之前做的很多 AI 的任務、NLP 的任務都白做了，很多研究領域可能都不需要做了。
還有，它能體現一些邏輯推理能力，這讓我非常驚訝。因為想不到生成模型、預測模型會有邏輯推理能力。比如你問一道數學題，它可能計算數據會有偏差，但它知道怎么去計算的順序，一步一步拆解、執行。
最開始坦白講，是比較焦慮的。
張鵬：正常，都會焦慮，從一開始「怎么又來個 chatbot」到驚艷、焦慮，特別真實。
李國興：當時在想，興奮的點是技術突破一定會帶來非常大的機會，但焦慮的點事，對我們的機會到底在哪？當時沒想清楚，后來理了理思路，跟團隊在內部很密集地做一些討論。
思路慢慢清楚，對于我們這種 SaaS 軟件如何改造，怎么一步一步發生，未來的形態會是什么樣？有了一些更好的判斷，內部達成了一些共識，就組建了一個項目組團隊去推進。
我覺得最主要的是敏捷，快速地迭代。說白了大家都不知道這東西該怎么用，能達到什么效果。
所以我覺得最重要的是，我們需要快，需要敏捷，需要去嘗試。
張鵬：我估計很多也會感興趣，現在這么多大模型，你選擇哪個大模型的邏輯是怎樣的？做大模型的可能也想聽。
李國興：我覺得核心是，對于「我們怎么做」的角度來說，不能太綁死一家大模型，這可能會有一些風險。不管是政策性的風險，還是其他一些不可控因素。
因為在基于大模型開發的一些產品，很核心的價值鏈條和能力供給是來源于它，如果太被單一地綁定某個服務商，我覺得不是一個很好的事情。
在我們內部產品技術架構的設計上，肯定要把這個模塊去獨立出來，我們有一些測試框架，去快速地驗證，比如不同場景使用不同模型，或者一個模型不同的 prompt，最后的效果有怎樣的差異？
我們要快速驗證它的能力，同時架構設計盡量解耦，能去接入不同的大模型。這是從自身要關注和做好的事。
肉眼可見的，GPT 肯定效果最好，其他的比如 Claude 等等。國內我聽到業界比較有信心的判斷，今年下半年應該很多都能達到 3.5 左右的水平，我相信大家追趕起來會挺快的。
過去幾個月也看到開源社區的蓬勃發展，這也是完全超出我預期的，發展非常快，每天都有新東西出來，效果也還不錯，我覺得是值得期待的。
中長期來看，大模型更類似云設施，是基礎能力，要用它構建很多應用層，才能實現價值的最后一公里的交付。從這個角度來說，我個人判斷后面會偏同質化。
張鵬：你提到開源，這就意味著要調自己的模型。
李國興：我覺得能看到兩個大模型的發展方向。
一個是，開源一定會有非常大的商業潛力。對我們這樣 toB 的公司來說，很多時候需要一些私有數據，通過開源大模型，在內部 fine tuning 也好，去 host 一些模型，應用到場景里。
然后有一些偏通用的，場景泛化的，比較適合通過「云」的形式接入提供 API 的大模型。
我覺得這兩種模式都會有很大的潛在價值和商業空間，我們自己也都在嘗試，目前 demo 的能力是后者為主，通過商業化大模型的 API，怎么更好地結合我們系統的數據和 API 架構，這也是沒有那么簡單的改造過程。
就是怎么調用我們的系統，怎么更好地理解用戶在我們業務場景里語境的問題，怎么能給 ta 真的想要的數據，從產品到技術都有挺多的挑戰要解決。做一個概念，單一場景里簡單的 demo 是比較容易的，但是真的能投入到 production use，讓客戶規模性地使用，還是挺有挑戰。
我們內部已經比較激進地在推進，最快可能也是 7 月，希望能開放個別的共創客戶，先試用產品，共創的狀態，還需要很多努力，不斷地打磨，才能達到真的滿足用戶場景預期的產品。
這是我們不斷努力的方向。開源我覺得能做的事很多，我們現在也是偏探索階段，后面有好的經驗會來跟大家分享一下。
張鵬：有道理。對 Moka，核心是源于對細分領域里場景的熟悉，數據如何被有效地 organize 起來，在大模型里形成對垂直領域更高效的能力，這不是大模型本身能給的，需要跟場景結合。
不管是云的形態，還是開源基礎上再訓練一個，都是要多關注自己要交付的價值，對場景的理解。
但我特別贊賞的是「入場」，投入心思，下決心，把東西做出來，想法明確了，再繼續調，小范圍地試，再大范圍地試，然后才有根本性的變化，我覺得這就是上場的過程，從熱身、上場、組織進攻，得分，最終贏下比賽，「play」的狀態是非常重要的。
03 成熟 SaaS 廠商應該盡快 All-in
張鵬：現在 SaaS 形態有了一個全新的生產力、技術的變化，接下來 SaaS 本身會發生什么變化嗎？你作為創始人、CEO 肯定天天在思考，SaaS 的商業模式、產品模式，解決用戶問題的模式，接下來會有什么變化？
李國興：從產品說起。很明確的一個點，是一定會改變產品的很多地方。
比如說交互形式，現在都還是 GUI（圖形界面）。自然語言的交互形式，我覺得不會替代 100% 的使用方式，但也許 30%、50% 甚至更多的場景，是可以通過自然語言的方式處理的。
尤其是面對非核心用戶。核心的用戶可能對系統非常熟悉，能操作很多功能，效率更高，準確性更高。
但非核心用戶，SaaS 這種產品，整個工作流里有不同角色參與其中，就會有一些不那么頻繁使用產品的用戶，ta 可能不太了解，「這么多功能我怎么用？」
那么怎么讓這些人更高地從產品中獲取最多的價值和體驗呢？其實很多可以通過自然語言交互形式幫助完成。這也是我們做 Eva 的時候在思考的方向。
還有大量文本的處理。比如我們現在的簡歷和職位的信息處理，對文本的信息數據的理解，如何讓模型有深度的理解？
針對不同場景，基于文本的理解，再做轉化處理，這也是一個大的方向。
如果從軟件從業者的角度，不同場景里，哪些文本量、知識量比較大？怎么能通過模型去幫助解決現在的一些痛點？
總的來說，從產品價值角度看，a16z 之前的 blog 提到過，不管你用 AI 還是其他方法，最核心的是要 own 客戶的 workflow，在客戶的業務場景、流程里，為它提供更多的價值。只要你能提供更多的價值，就能 own 更多（work）flow，就能獲得更多客戶側的正向反饋。
所以我覺得對我們這樣已經有產品、有客戶、有場景的SaaS廠商來說，應該比較「無腦地」all in 這個方向，AI 已經很明確地，能夠解決以前解決不了的高價值的問題。
對于新的（產品）來說，需要找一些更聚焦的場景，因為大的鏈條，對于已經存在的服務商來說，它們會更擅長。
張鵬：我在硅谷這邊交流，大家聊未來是不是很多角色交給 AI 做，都會說兩句話。
第一是why not。如果你的決策本身有科學性的邏輯，有基于數據的合理判斷，那么 AI 會比人更有原則、更能充分地理解信息，它做出的決策可能并不比人差。
第二句是not now。現在不行。它還是個「L2 的自動駕駛」，你信任它當「L5」，肯定要出事對吧？
就像蓋茨說的，「我們總是高估未來兩年的變化，低估未來 10 年的變革。」
剛剛國興分享的也是這樣，我們客觀看到了一些確定性的改變，已經開始發生了，回不去了，它是怎么一步一步發生的？要特別務實，到具象的場景里去，剛剛直播間有個大怒說的特別好，「扎入垂直場景里，大模型帶來化學反應才會足夠劇烈」，越垂直，越具象，越能定義好它在今天的能力。
所以我想追問國興，你把大模型放到產品里，有哪些特別明顯的變化？現在可能很多人還用不到，沒法體驗你們基于大模型的創新，但你們自己測試過程中明確感受到的變化有哪些？
李國興：比如數據，剛剛提到的 BI 報表。
比如 CSM 客戶成功經理幫客戶配置一些東西，就是一個比較有挑戰的工作。因為它一方面需要很深度地理解最終消費這個數據的用戶需求，ta 想看什么？它還需要非常懂這個系統的各種數據術語，比如 BI 模塊，我們也盡量讓它更用戶友好一些。
但始終還是有一些挑戰，需要有維度、指標的概念，不同數據，不同的指標，有不同的描述，直接看可能不一定能一下 get 到它到底是什么意思，那應該怎么去使用它？它是怎么計算出來的？
我們系統有成百上千種類似的信息，所以你可以想象，它還是需要有人，有這兩方面的很強的一些知識和理解的能力，再使用這個工具，才能把這個場景用得很好。
但是通過大模型，只要你能把這個數據其實梳理得比較清晰。舉個例子，比如招聘進展，有招聘進展的指標，這個指標里可能會包含一些不同的數。它的漏斗，可能會包含初篩進入的申請數，然后通過初篩，然后通過了一面，通過了終面，然后 offer 的數量、入職的數量這些。
大模型能夠理解不同的用戶問的一些問題，因為它有比較強的自然語言理解能力，然后我們再結合用戶的問題，再結合系統中幫忙梳理的數據，它就能很容易地去調用這些。相當于是一個被很好地訓練過的 CSM，又能 CSM，又能直接跟最終消費數據的用戶去對話。
這是我覺得一個挺典型的場景。能看出來大模型對兩邊的理解能力是很強的。一方面我們的數據和 API，一方面用戶的需求，把兩者串起來。我們構建這個系統的時候，大模型會扮演這樣一個角色。
架構層面也都是這種構建方式，不斷地擴充更多的場景，給它更多的 API，讓它去調用。
張鵬：你們是內部有一個團隊在做，還是整個團隊都在做這件事？
李國興：我們有一個專門的團隊，一個項目組在做這個事。
基本上就是把算法團隊，再加一些產品和研發，兩個產品線的同事加進來，然后形成這個項目組，快速地去推進這個事。我覺得還挺重要，是一個一把手工程，需要這個投入更多的精力和關注。
張鵬：就至少需要投入一個特種部隊，這個特種部隊要直接向 CEO 匯報。我在嘗試發現這個領域怎么去探索，你的模式是一個特種部隊，直接向這個總司令匯報，做深入性的探索，是不是可以這么總結？
李國興：對。我覺得速度很重要，另一個是團隊需要積累這個 know-how，還是需要理解這個東西應該怎么去構建，它其實也沒有想的那么簡單。
怎么真的能夠做出一個讓更多的客戶規模化使用的 ready 的產品，其實還是不容易的。這個過程中團隊需要試很多東西，需要積累很多東西。
張鵬：大模型真正要落到業務里，還涉及很多問題，包括 Infra（基礎設施）層面。你們在實踐，我很好奇，你會期待基礎設施層面有怎樣更好的演進和變化？有什么需求是你自己明確意識到的？
李國興：現在能看到的，如果有一些更好的 testing 的 framework 和 dataset，怎么能幫助我們更好地構建，測評、評測我們最終效果的東西，這一塊會很有幫助。
這個問題不容易但非常重要。它不是簡單地做一些功能然后自動化地測試或者認為測試就能上線的。
它有很多不同的能力，同樣的場景同樣的能力，可能用戶會有不同的交互形式，有些能成功，有些情況就會失敗。這是 AI（產品）的特點。
同時我們又希望能敏捷地迭代，所以它對我們研發的效率會非常有幫助。我們內部在做的時候，我跟團隊也一直在強調這一點，怎么構建一個比較穩定可靠的測試/測評方式。
04 HR SaaS 的用戶不止 HR
張鵬：Moka 最早可能是 HR 職業的用戶使用，但我剛才聽你說的一些場景，有很多 CEO、部門 leader 甚至員工都在使用。產品的人群會變化，我很好奇你的使命是什么，是給 HR 同學們提供一個好工具，還是演變成了新的東西？
李國興：鵬哥問了一個特別好的問題。Moka 有一句使命是「讓每個人的工作體驗更美好，讓每個人在組織中成就更多。」
我們也比較聚焦到公司里每一個不同的人和角色，產品的一個 slogan，「全員體驗更好的 HR SaaS」。我覺得它都是圍繞一個理念，傳統的軟件我們認為是有很多問題的，這也是我出發做 Moka 的原因。
傳統企業軟件，只是為了一些管理者、決策者去設計和服務的，更多是滿足管理上的需求，并沒有考慮終端不同的用戶角色，他們會怎么使用這個產品，怎么能夠幫助他們的工作？這是 20、30 年前一個很大的問題。
新一代的 SaaS 產品，肯定要解決公司管理的一些問題，另一方面也可以同時做到幫助更多的用戶角色去使用，讓他們的工作效率更高、體驗更好。
所以我們內部非常重視，一線使用最高頻的肯定是 HR，但我們還有比如招聘（場景）里的面試官，用人經理，候選人等等。這些都是我們在系統設計時很重要的一些角色，我們會考慮他們的場景，他們的用戶旅程是怎樣的，怎么為他們設計更好的產品和功能。
現在大模型技術，讓我們推出了 Eva 這個 AI 原生的產品，幫助我們把這個理念往上帶了一個高度，它能夠更好地去達到我們的愿景和設想。
張鵬：我再溯源一下，Moka 是 2015 年開始做的，當時也有不少 HR 數字化的工具。當時你建立 Moka 的時候，觀察到了怎樣的問題？
李國興：當時觀察到了一個很明確的痛點。很多國內公司的官網，「加入我們」的招聘頁面，15 年的時候大家做的都非常簡陋，是一些簡單、靜態的職位信息，如果要投遞的話，需要發簡歷到郵箱。
這和之前我們在美國看到的很不一樣。美國（公司）很注重這種「雇主品牌」，網站做得 fancy 一些就會更容易吸引大家的關注，尤其是科技類公司。
我們這種程序員，看你這個網站做得 fancy，可能會覺得你這家公司比較有意思有調性。
美國這些公司有在用一些招聘系統，比如 Application tracking system（招聘管理系統），當時 YC 也有一些公司去幫助搭建這種招聘的官網。所以帶著這樣的問題，我們去聊了很多公司的 HR，做調研采訪，了解他們的痛點，他們的招聘工作日常是怎么進行的。
我發現絕大多數都沒有這種招聘系統，來管理整個招聘過程，整個過程是非常手工、事務性的工作，要去不同的網站，下載簡歷，再做一個 Excel，記錄面試或者流程中候選人的情況。每一個候選人都需要來回地微信、電話溝通，面試之前要提醒面試官...... 是一個非常低效、傳統的模式。
我們就會提說，如果有這樣一個產品，幫你把所有手工做的事務性工作，全部線上化、自動化，你只要做一個招聘 HR 真正需要做的，判斷人合不合適，跟人做互動和溝通、建立信任，你會不會感興趣購買使用？
絕大多數（調研）都得到了比較正向的反饋，所以我們就決定做這個方向。一方面是看到了客戶的確需要，underserved market，存在沒有被很好滿足的市場需求。
另一方面，對我們來說，招聘和人才這個事是非常重要的，也能夠讓我比較有共鳴。怎么通過更好的產品，幫助更多的客戶在獲取人才方面做得更好，更有競爭力，我覺得是價值很大的事。
我們 Moka 這個名字也跟這個有點關系。就是咖啡的摩卡，它是一種比較甜的咖啡，我們希望給 HR 的工作帶來一些「甜」，這跟我們的使命，讓每個人的工作體驗更美好也有關系。
所以圍繞這一點我們做了很多事，在產品方面，過往幾年快速發展的增長，很大程度上源于客戶的口口相傳，我們的用戶，一些 HR 會很認可，他們就會互相去傳播，甚至人員流動的時候，會把我們的產品帶到新的公司，這其實是之前我們增長一個很大的動力。
05 員工不可或缺的能力和價值
張鵬：最近 AI 帶來了一些失業恐慌，你們怎么看這件事？因為這可能會影響你們業務啊（笑）。
李國興：確實能看到 AI 技術的進步，本身是智力生產力，對我們的工作肯定會帶來一些變化和影響。
我們發布會也提到，HR 的一些工作在未來五年也會發生變化。基礎的、初級的智力型工作，我覺得很有機會通過 AI 完全 automate（自動化）掉了。
但 HR 這種工作，有一些很特別的點，它是圍繞人的工作。只要一個組織還存在，HR 肯定有存在的價值和意義，它是不可或缺的一塊，是人與人之間信任和連接的建立。我覺得這就是比較 human 的部分，很難被什么機器替代，它需要很多人與人之間接觸、相處。
很典型的例子。比如我們看遠程辦公，相比大家在辦公室日常能夠見到有接觸，感受還是挺不一樣的。
組織，某種程度上，雖然說它有明確的目標，它需要是一個效率的整體，但它也需要人與人之間很強的連接、信任，才能夠把組織的力量發揮到更大。這是我覺得 HR 不可或缺的能力和價值。
圍繞這種業務視角的 HR，他們的專業性的思考、戰略性的思維，在未來三到五年也很難被替代。他們的所有這些人才的工作，建設的工作，一方面要對業務非常理解，而且是最頂層的戰略的、業務優勢的、主打客戶群體的、競爭態勢的、未來變化趨勢的綜合型的理解，然后結合 HR 本身的專業性，怎么設計激勵，怎么設計人才結構，這些頂層設計的東西，很難想象被AI輕易替代。
還有，如果這些東西都能做了，那我覺得 CEO 也沒什么存在的意義了（笑），對吧？
很多時候這種比較復雜的、頂層的設計和決策，還是需要有很多思考，很深的對未來的判斷，各種方面的經驗和一些 know-how 的綜合性的了解，才能夠做出的決策。
這個也是我覺得會越來越重要，越來越不可或缺的一些能力維度。
關于未來的組織結構。我的判斷是會有更多的小組織出現。
可能之前經濟上算不過來，比如做公司，前期投入，融資，業務轉起來，花很長時間構建產品和服務，最終把它變成一個商業化的組織，可以生存的公司。商業形態達到一定規模，才能讓前期投入得到回報。從一個 Founder 的角度來說，可能會有一個心理預期，多長時間，多少 effort，能得到怎樣的成就，怎樣的 impact。
但如果生產成本大幅降低，很多東西就會發生變化，可能會有更多細分的市場需求，是現在的生產力成本和模式完全無法實現的。沒有人愿意做，沒有人愿意投資的事。很多所謂的 Niche market（小眾市場）的需求，有可能能得到更好的滿足，而且可能就是一兩個人，兩三個人就能完成的，而且很快就能達到，然后利潤上有回報，公司能生存。
這是 AI 這波浪潮里，最讓人興奮的機遇方向。
