过去一年，SaaS 行业经历了一轮集体性的身份焦虑。大模型能力飙升，Vibe Coding 让企业自己搓工具变得可行，Salesforce、Adobe 股价因为「AI 替代论」剧烈波动。
整个行业都在问同一个问题：如果通用智能足够强，垂直 SaaS 还有存在的必要吗？
AI 对 SaaS 的冲击，更准确的描述可能是「改命」而非「绝命」。产品形态会被重塑，交付方式会改变，但深入特定领域、跑通长链条业务闭环的能力，短期内不会被一个通用模型直接替代。
Moka 是国内 HR SaaS 领域最早拥抱大模型的公司之一。2023 年 ChatGPT 发布后几个月，他们就推出了基于大模型的产品 Moka Eva。两年后的今天，他们把 Eva 升级为三个 Agent（招聘 Eva、人事 Eva、BP Eva），以及一个底座「Moka AI Studio」，试图从「卖软件」转向「派同事」：让 AI 像一个新入职的 HR 同事一样，接手人事工作链条中除判断和决策外的几乎所有环节。
在 Moka CEO 李国兴与张鹏的这次对话里，他分享了 Moka 产品升级背后的技术逻辑，也聊到了更大的问题：AI 原生组织到底长什么样？中层为什么会消失？垂直 SaaS 公司的壁垒在这个时代还剩下什么？当 AI 开始重构组织的运作方式，HR 这件事本身的定义也正在改变。
以下为张鹏与李国兴的对话，经编辑整理。
01
三个 Agent 加一个底座：
Moka 这次发布了什么
张鹏：Moka 两年前就是 HR SaaS 领域里最早拥抱大模型的。最近又发了新产品，看起来比上次更成体系。先聊聊你这次发的新产品？
李国兴：对，上次聊还是 2023 年，那时候 ChatGPT 刚出来。我们整个团队看到之后特别兴奋，立刻成立了专项小组，开始在 HR 领域做基于大模型的场景研发，6 月份就推出了我们的产品「Moka Eva」。
过去两年我们一直在迭代，随着模型能力提升，一步步解锁新场景。这次我们在北京开了一场产品发布会，对 Eva 做了一次全面升级。
这次引入了一个核心概念——「新同事」。它对应的就是现在大家聊得很多的 Agent。过去一年大模型在 Agent 能力上的提升非常大，我觉得看到了一个机会点，兴奋程度跟当初看到 ChatGPT 出现时是一样的。
我们一共发布了三个 Agent：招聘 Eva、人事 Eva、BP Eva，分别对应 HR 的不同工种。除此之外还发布了一个底座能力「Moka AI Studio」（Moka AI 工坊）。这是我们定义的 AI 时代软件的新范式，跟传统的 SaaS 或 PaaS 都不太一样。因为 AI Coding 能力大幅提升，软件可以用极低的成本满足企业的个性化需求，AI Studio 就是支撑这些定制化需求的底座。
所以整体就是三个 Agent 加一个底座。
李国兴：我先讲人事 Eva 和招聘 Eva，这两个有些相似之处。
人事 HR 的工作还是非常事务性的，比如入离职流程、新人待办事项、档案手续、每月考勤核对、薪酬核算、算薪发薪等等，大量人事岗位的时间都花在这些重复性事务上。
人事 Eva 做的事情，是同时理解两端：一端是业务场景，比如入职流程里有哪些关键待办、需要收集哪些信息；另一端是系统，因为数据和流程制度最终还是要有系统来承载。
基于这两方面的理解，HR 只需要给 Eva 一两句话的任务，它就能按照配置好的规则，自主完成考勤核对、薪酬核算这些工作。
张鹏：招聘 Eva 呢？招聘的链条比人事长很多。
李国兴：招聘 Eva 的逻辑类似，但它没有那么多写死的规则和流程。一句话总结招聘，本质上「就是更快的招对人」。所以招聘 Eva 会围绕「更快」和「招对人」两个维度，协同 HR 和用人经理，主动推动招聘流程。。
招聘是一个很长的链条，简单岗位要好几周，复杂岗位要一两个月甚至更长，中间有 10 个以上的环节。我们希望做到的是：只有需要判断和决策的环节才需要人介入，其余全部由 Eva 推进。
举个具体的例子。招聘的起点是用人经理提需求，但这个环节本身就是一个问题。HR 很难完全理解用人经理的真实需求，信息一传话就容易出现很大的偏差。有时候甚至不能怪 HR，用人经理自己也没想清楚，或者描述不清楚。
现在 Eva 会直接跟用人经理对话，主动询问。比如我们自己招 AI 工程师，Eva 除了问基本信息（工作地点、薪酬范围、经验年限），还会追问子方向：「你要招大模型训练方向、多模态方向、Infra 方向，还是 Agent 落地方向？」这些信息它拿不到，就没法精准找人。
而且 Eva 还会换一个角度问：「这个人来了要做什么事？」因为让用人经理描述「要什么样的人」有时候说不清，但「招这个人来做什么」所有人都清楚。
通过这些引导，Eva 就像一个懂专业领域的 HR，一步步帮用人经理勾勒出正确的人才画像。
画像确定之后，Eva 自动生成 JD、发布到招聘平台、在平台上主动寻源和触达候选人、筛选主动投递的简历。
到了面试环节，Eva 会直接打电话联系候选人，做初步的信息沟通和确认，比如介绍公司和职位、了解候选人相关经历、确认面试时间。
我们也做了 AI 自动面试的能力，但目前大多数岗位还是需要人参与面试，去判断候选人的能力匹配、气场、价值观这些东西。最后的录用决策也是人来做。
所以整个链条里，其实只有需要人判断和决策的时候才需要去介入：提需求、面试、录用决策。其余环节全部由 Eva 主动推动。
而且 Eva 会主动优化过程。如果觉得职位进展慢了，它会在漏斗上层多找人、甚至建议拓展渠道；如果觉得画像不对，它会在过程中不断跟用人经理校准。
这个校准是一个持续学习的过程，会帮助招聘结果越来越准。举个我自己的例子，现在很多面试都是视频面试，Eva 会读取整个面试过程的内容。我下午刚面了一个海外增长岗位的候选人。这其实是我第一次面这个岗位的候选人，但基本上 Eva 读到面试信息之后，我就可以对候选人大致有了判断，包括我关注哪些能力维度、对哪些经验给了正面反馈、对哪些觉得不够。
比如这个候选人运营经验偏多、拉新经验偏少，在我们比较关注的渠道比如 Reddit 上没什么经验，以及英语口语也差一点意思。
这些判断 Eva 都会学到，然后反过来校准两件事：一是前端的简历筛选画像，二是后续跟候选人沟通时的确认重点。所以它是一个越用越聪明、越招越准的过程。
张鹏：我对 BP Eva 最感兴趣。HRBP 原来是大公司才有的「奢侈岗位」，现在你把它做成产品，意味着所有公司都能用。它到底能解决什么问题？
李国兴：BP Eva 确实是发布会之后客户问得最多的产品。你说得对，BP 是一个奢侈岗位。算薪、招聘每个公司都需要，但 BP 的职能是组织和人才建设，辅助业务部门负责人把团队建好、识别优秀人才、确保团队方向跟公司目标对齐。它承担的是管理职能，对人的要求很高。
我们做 BP Eva，一方面是想把这类能力民主化，让更多企业用上；另一方面，我们观察到在 AI 时代，人才管理本身需要一个质的变化。
现在企业常见的人才管理方式，已经跟不上这个时代的变化速度了。比如人才盘点，大多数公司最多半年一次，我们公司 400 人，每次也就盘二三十人，绝大部分人是不可见的——谁能力突出、谁成长快，对管理者来说完全是黑盒。而且盘点的结果也只是那个时间点的快照。
再比如绩效管理，目标设了之后要隔半年才知道结果好不好，反馈给得太晚，结果都已经出来了。最理想的状态应该是及时发现偏差、及时反馈、及时校准。
还有职位体系，大公司花大价钱梳理出来，最后很难落地，因为那是一个非常静态的东西，而现在岗位能力画像可能一个月就变了。
这些问题我们一直想解决但没找到好办法。AI 带来了一个全新的解法。经过这几年推软件、推 SaaS、推线上化，大部分企业的工作已经搬到线上了。员工每天在做什么，日历、文档、会议纪要、销售的 CRM 拜访记录、工程师的代码提交，这些数据都在线上。AI 可以大量读取和分析这些数据，对每个人的工作做持续的、客观的评估。
举个具体的例子。我们公司有一条价值观叫「真诚直接」，定义是不卑不亢地表达自己真实的观点，即便跟别人有冲突。
这个东西以前怎么评估？很虚。但现在，如果一个员工在好几场会议里都提出了挑战性的观点，AI 就能识别到，给他打上一个标签，那之后公司想寻求一些建议就可以重点问一下这类员工。「真诚直接」这个词就不再是虚的，变成了可以被量化、被行为数据印证的东西。
也有更实的维度。比如我们现在全员推 AI，工程师最看重的是 AI Coding。我们内部做了一个小工具统计每个工程师的 AI Token 消耗量，消耗高的同事往往就是 AI Coding 的先锋，我们会邀请他们做分享、给他们更多新项目的机会。
这些能力的变化，不管软性还是硬性，都渗透在每天的工作里。数据已经在线上了，现在被 AI 解锁了。
所以 BP Eva 要解决的核心问题就是两个：一是不用等半年一次的盘点，每个人的能力亮点和强项能被持续识别出来；二是如果员工的工作跟目标有偏差，管理者能第一时间知道，及时校准。
张鹏：所以 BP Eva 能成立，前提是过去几年企业数字化协同的渗透率够高了，线上数据足够多，才能支撑 Agent 扮演 BP 的角色？
李国兴：对，BP Eva 能发挥最大价值的前提就是有足够多的线上数据喂给 AI。这是一个不可逆的趋势，只是企业之间会有快慢之分，有点像「跨越鸿沟」理论——有些公司是先行者，有些是 laggard（落后者）。最领先的公司甚至在刻意推动整个组织把更多的行为和产出线上化，然后交给 AI 做分析。
我们切的是组织和人的场景，但业务侧也是一样的逻辑：更多线上化、更多数据化，AI 就能在决策和发现问题上发挥更多价值。我们看到最 AI 原生的那些公司，已经在以 AI 和 Agent 为核心去构建组织的运作方式了。
中层消失、组织拍扁：
AI 原生组织到底长什么样
张鹏：你接触这么多客户，如果按对 AI 的推进程度从 0 到 10 打分，你见过的最高分是多少？客户的中位数大概在哪？
李国兴：说实话 9 分、10 分的我没实际见过，但从一些创始人的采访和报道里能看到一些影子，这个后面可以展开。
我实际聊过的客户里，有一些能做到 6、7 分。
分享两个案例。第一个是国内最大的连锁餐饮企业之一，整个公司推 AI 非常坚决。他们的痛点是门店招聘量极大，流动量非常高，新店又不断在开，HR 根本覆盖不过来，大量招聘工作压在店长身上。
过去两年他们在招聘环节大量推 AI，一步步演进到现在有一个叫「面试直通」的模式。从筛简历、安排面试到实际面试，全程不需要店长参与，AI 面完给出评分，店长看一下结果没问题就直接让人来报到试工。
这个模式现在已经覆盖了 40% 多的招聘量，今年目标是超过 50%。他们每年招好几万人，也就是说有小几万人是通过这个方式加入这家公司的，你可以想象这省下来的时间有多大。
除此之外他们还自己搭了内部服务机器人，面向店长和员工解答门店业务的各种问题。这家我觉得在 HR 场景能做到 6 分左右。
第二个是国内最大的智能硬件公司之一，大概五六千人。他们的 CEO 推 AI 非常极端，内部公开讲每个部门、每个职位都应该用 AI 代替大部分重复性工作。
省下来的人力成本不是老板留着，而是变成激励包分给员工。因为他们公司加班比较多，老板希望是让大家不加班、赚更多的钱。现在离那个目标还有距离，但全公司都在以非常高的强度思考和推进怎么让 AI 把工作做掉。
这种大组织的变革很难，CEO 必须用比较强硬的手段推动，但从我们侧面观察到的效果来看，确实非常不错。这家我觉得能到 6 到 7 分之间。
张鹏：你怎么定义「AI 原生组织」？它跟传统组织本质上不一样的地方在哪？
李国兴：我们前两天发布会上尝试做了一个定义。
首先，最基础的一层是每个个体都擅长使用 AI，是超级个体。如果能做到这一点，大概能打个 5、6 分。但我观察到的大多数企业连这个门槛都还没过，整体不及格。
更深一层的变化是组织形态。现在大量的组织运作、信息协作都已经线上化了，每天在产生海量数据，几乎涵盖了公司和每个人所做的所有事情。如果把 AI 作为中枢去消化这些信息，提炼关键内容输出给关键的人，整个组织的构建形态就会改变。
最直接的一个变化是中层的价值会大幅削弱，组织会变得极度扁平。传统管理的「最佳实践」是一个人管七到十个下属，基于这个限制，公司一扩张就必然增加层级。
但在我看来，组织的两大原罪，一个是人多，一个就是层级多。而且这两个往往是结合在一起的，会让效率指数级地下降。
很多中层的核心职责其实就是上传下达：把公司战略拆解到部门、再到团队、再到个人，盯着大家执行，给反馈、给情绪价值。
但由于 AI 的出现，如果越来越多的企业开始以我们刚才讨论的这种模式去运作的话，中层就没有那么大的价值，公司会越来越扁平化。
举个例子，我们公司有 400 人，大多数人的工作我是完全看不见的。公司的运作很大程度在于我信赖一线的同事在做正确的事，以及中层的管理者也在发挥他们的价值，确保大家一起在做正确的事。
但如果 AI 能实时收集每个人的工作信息，比如他这周在做什么、产出结果如何、与客户和候选人的交互内容等等，那 CEO 不需要通过中层就能看到全局，判断哪个团队跑偏了、哪些人做得特别好。
张鹏：有没有你看到的案例，已经比较接近这个形态了？
李国兴：有一个公司我觉得如果他们做到了声称的程度，可能能到 8、9 分，就是 Block（前身为 Square）。这家公司价值 400 亿美元 左右，创始人 Jack Dorsey 也是推特的创始人。
今年 2 月曝出的新闻，他们从一万人精简到六千人，核心思路就是用 AI 重构组织运作模式。Dorsey 在采访里提到了两个「世界模型」的概念：一个是客户世界模型，围绕所有客户业务做信息收集和实时判断；另一个是企业信息世界模型，就是我们刚才聊的那套东西。
他设想的未来组织只有三个角色：第一是一线任务执行者，当然都用 AI 和 Agent 协同完成工作；第二是 DRI（直接责任人），类似现在的部门负责人或高管，负责制定目标、协调执行者完成结果；第三是 Coach，帮大家适应新模式，这个角色可能后面也会越来越弱。
而且组织精简之外，这种模式还能解决一个企业管理的本质矛盾。企业希望工作标准化，但人天然是非标的。过去大量管理工作都在对抗这个矛盾。AI 特别擅长解决这个问题。
比如我们是 ToB 公司，销售做 pipeline review 的时候，很核心的一个点是怎么判断一个客户算不算商机？
企业当然希望标准统一，但每个销售的判断都不一样，甚至会美化，跟领导说这周创建了三个新商机、客户都特别靠谱，实际情况可能完全不是这样。但如果所有跟客户的沟通记录都在线上，把企业的商机判断标准植入给 AI，让 AI 来做判断，产出的结果就是标准的、符合企业要求的，不再依赖每个销售个人的主观判断。
我觉得这类场景在企业里还有非常非常多。
张鹏：组织越来越小，AI 做掉大量事务性工作，HR 这件事在 AI 原生时代是更重要了还是更不重要了？
李国兴：特别好的一个问题，这也是我们一直在思考的。我们的答案是组织可能会变小，但人在里面反而越来越重要。
因为常规工作被 AI 做掉之后，他要做的事情是更具挑战性的。所以留下来的就不只是「员工」，而是「人才」。要怎么人尽其用、怎么确保协作顺畅，这些问题的权重反而上升了。
而且我比较期待一个理想化的变化。现在很多人做的工作，其实他并不喜欢，就是打一份工拿一份工资，所谓「上班如上坟」。如果 AI 能做掉人不喜欢做的那些工作，让人有机会去找到自己真正热爱的事，员工才能在岗位上发挥最大价值。人只有真的热爱一件事，才有机会做到出色，而不是敷衍了事。怎么让人匹配到更合适的职位上，这也是我们特别希望能出一份力的方向。
张鹏：所以组织变小之后，留下的人反而是蒸馏到最后的精华，这时候不是要有人「管」他们，而是要有人去理解他们、把他们更好地组合起来。但知人善任是极高阶的能力，天生自带这个能力的人基本都写在历史书里了。所以 BP 这个事特别有意思，未来很可能不是每个部门配一个 BP，而是每个人都有一个 BP，它变成组织里一个普惠的、稳定的常量能力。
李国兴：对，这个是关键。
03
不是绝命，是改命：
垂直 SaaS 在 AI 时代怎么活
张鹏：现在人人都能用 Vibe Coding 自己搓工具，HR 自己都在搓东西了。那 Moka 这种垂直领域的专业 Agent，跟企业自己 DIY 比，差距在哪？
李国兴：我们也想过这个问题。这其实也跟过去半年「SaaS 还有没有存在价值」的恐慌有关。大模型越来越强，Coding 能力越来越好，专业厂商做的东西跟企业自己搓的，到底能拉开多大差距？
我实际看到的情况是：用 Vibe Coding 搓一个 Agent 或软件出来确实能做，但要真正投入生产、解决复杂业务问题、跑通长链条的工作，远不是随便搓出来就行的。
拿招聘举例。你当然可以自己搓一个招聘 Agent，让 AI 生成个 JD，现在随便问哪个大模型都能做。但招聘涉及大量跟现实世界的交互，比如跟候选人沟通、跟不同招聘渠道对接，这些都不是轻松能处理的。
更重要的是，你要让 Agent 持续理解用人需求、校准人才画像、在过程中不断总结提炼形成闭环，这需要非常强的技术能力和业务理解，很难从客户自己的团队身上获取。
人事场景也一样。假期考勤、算薪背后有非常复杂的专业知识和公式，出错的场景很多，我们的 Agent 是基于大量经验去理解这些出错可能性并修正的，这需要投入大量时间和精力才能做到真正可用。
逻辑上其实跟 SaaS 时代类似：绝大部分企业都会购买，只有极少数不在乎成本、有能力也有时间的企业会自研。而且招聘、人事这些场景是通用的，不跟你的业务强绑定，有最佳实践、有最佳模板，没必要非得自己从头做。企业应该把精力和资源投入到自己的主营业务上，而不是重复造这些轮子。
张鹏：大模型能力在不断成长，通用智能越来越强。垂直领域的 SaaS 或者垂直 Agent，长期真正有意义的壁垒在哪？
李国兴：我尝试回答一下，我觉得这个东西很难有一个特别精准的答案，因为变化太快了。说实话，如果大胆讲，没有什么护城河是一定存在的。你设想一下终局，如果真的 AGI 了，AI 做什么都比人强，很多事情都没有存在的必要，整个社会运转都会有巨大变化。
所以我就不讲太长远的话，只讲我能看到的。从我们自己能做的事情出发，我觉得需要构建两个核心壁垒。
第一是速度。你是不是第一个把一个新场景的 PMF 跑通的？这会决定很多事情：更快构建网络效应、更早吸引资源和客户、客户积累带来数据积累和产品反馈，形成飞轮。
我们观察到很多领域里，领先的人往往会一直领先，除非下一个范式变化打破之前的积累。所以速度在这个时代再怎么强调都不为过。
第二是 AI 人才密度。注意我说的不是团队规模，而是密度。现在做很多事情不需要很多人，关键是团队是否善于使用 AI，是否有能力想清楚该做什么、并且有执行力和 taste 把它做到极致。
在这两个前提之上，从商业角度讲，客户和品牌依然非常重要，这可能是不变的东西。你看 To B 软件领域，Oracle、SAP 跨越了好几个科技革命周期，云战略肯定落后于新的 SaaS 企业，但凭借客户粘性和品牌优势，依然维持了很高的市场份额。
如果再加一条 AI 时代特有的壁垒，我认为是数据。数据会成为企业非常核心的资产。我们通过产品积累的客户数据和人才数据，在合规前提下，可以反哺给企业，更懂每一家企业的招聘方式，更懂里面每一个人。我们还可以从中提取脱敏的最佳实践，赋能给更多企业。客户越多、越优质，数据越多，这个优势就越大。
举个具体的例子：如果 AI 人才越来越重要，要怎么识别一个 AI 人才？
过去是看简历、看技术栈，比如我是安卓工程师，精通 Java。但这些经验现在没那么重要了，因为 AI Coding 本身就擅长处理不同编程语言和技术栈。
真正重要的是作品，是他实际做的项目和产出，是他是否善于用 AI。这跟过往看简历、问常规面试题是完全不同的识别方式。
那在这里面基于我们对未来的一些判断，加上这类基于实践沉淀出来的数据，就是未来比较好的一个壁垒。
张鹏：从一个 15 年的维度来看，5 年前你是怎么定义 Moka 的？现在是什么状态？再往后 3 到 5 年，你希望它变成什么？
李国兴：5 年前大模型还没来，我们就是专注做 HR SaaS，不断丰富场景和模块，覆盖 HR 的各种业务和不同类型的客户。
我们一直围绕一个理念：做真正让用户喜欢的产品，而不是只让决策者觉得好。这是之前软件行业被诟病最多的问题，决策者拍脑门买了一个东西，自己也不用，一线用的人天天怨声载道，最后达不到效果。我们非常强调用户使用体验和满意度，这也是 Moka 在行业里比较被认可的一个点。
现在我们正式把品牌从「Moka HR SaaS」升级为「Moka AI」，整个产品架构分三层。
底层是能力层，就是 Moka AI Studio。本质上是 AI Coding 能力，用来满足客户的个性化需求。比如某家企业特殊的排班规则或薪酬制度，最终目标是让 HR 用业务语言描述就能实现定制化。现在还没完全到那一步，暂时是我们的实施人员通过这个平台帮企业实现。
中间是系统层，就是大家熟悉的 Moka 招聘、Moka People 这些产品，承载企业的数据流转和流程制度，确保数据准确。
最上层是智能层，就是这次发布的三个 Agent，调用系统层的数据完成关键任务，越来越懂企业、越来越懂每个人。整个架构都是以 AI 为核心在演进。
再往后 5 年，Moka 的双战略是 AI 乘以全球化。过去两年我们在香港、新加坡、马来西亚都建了团队，海外营收去年涨了 3 倍多，今年到目前也是 3 倍左右的增长。我们还在推全新的以 AI 为核心的海外产品。
AI 让全球化出现了很多新的 PMF 和机会，结合我们公司的能力，我们希望把 Moka 打造成 AI 原生的全球化领先企业，这是我们的一个小目标。
04
摸过天花板的人先看到机会
张鹏：从 2023 年大模型出来到现在，作为一个 SaaS 公司的 CEO，你这几年焦虑吗？
李国兴：做 CEO 应该是时刻都焦虑的，但反而是 AI 没出现的时候最焦虑。那时候有疫情，资本市场也不好，SaaS 企业的状态都挺有挑战。
AI 出来之后，我觉得是兴奋，不是焦虑，因为看到了很多机会。2023 年我们聊的时候，那个感觉就是在迷茫中看到了一束光，然后带着团队就奔着那个方向去了。
这几年大模型迭代很快，我们不断把一个个想法通过最新的模型能力落地下去，团队一直很有斗志。现在更是如此，Agent 能力和 Coding 能力的大幅提升解锁了更多可能性和商业化机会，海外市场也有不错的进展。
而且我们没上市，不像 Salesforce 那些公司，AI 恐慌一来股价蹭蹭跌，他们很难马上影响市场情绪。我们作为私有公司很简单，就是做正确的事情，看到的都是机会，没有这些情绪干扰。做了正确的事情，得到好的反馈，就更坚定地往前走。这几年基本就是这样一个过程。
张鹏：过去几年模型技术变化很快，有哪几个关键的技术节点对你们产生了实际影响？你们在那些时刻做了什么决策？
李国兴：我觉得有三个比较清晰的节点。
第一个是上下文窗口拉长到百万 Token 级别。这个能力释放了一系列场景，最大的就是会议纪要。你能看到各种硬件和软件都迅速有了这个能力。我们切的是面试纪要这个细分场景，也成了最受客户欢迎的功能之一。
第二个是 2024 年下半年，大模型的逻辑推理能力有了一个大幅突破。这解锁了人岗匹配场景。比如一个职位要求「AI 领域 3 年以上经验」，模型不只是看你总共工作了多少年，它能分析你的履历：在这家公司做了一年多 AI，中间跳去别的行业，后来又回到 AI 领域做了一年多，加起来确实有 3 年。
这种复杂的条件推理能力突破之后，人岗匹配这个问题基本上就完全解决了。
这也解锁了自动寻聘的场景，海外像 Juicebox 就是一个典型案例，去年 9 月我在美国看到他们的时候有个大几百万美收，今年 3 月又融了一轮，说是半年不到增长了 3 倍，速度非常快。
第三个就是最近半年，Agent 和 Coding 能力的大幅提升。这就是我们这次发布三个 HR Agent 的技术基础，让 AI 能像同事一样跟客户协同工作。
每一次关键的模型能力突破，都解锁了新的场景和 PMF。
张鹏：所以关键是在模型能力还没到的时候，你已经摸过了天花板，等它突破的那一瞬间你就是第一个看到机会的人。
李国兴：非常同意。能第一时间识别到大模型最前沿的能力突破，可能是最关键的一点。它让你的组织更早有认知、更早行动、更快产出 PMF 的产品。
你回顾过去一两年做得好的 AI 应用公司，它们创立或产品爆发的时间节点，跟大模型某个能力提升的时间点是高度相关的。某个能力在某个月突破了，一两个月后就会有很好的产品出来。
反过来思考，创业者需要做两件事：一是紧盯每一次大模型的关键能力提升，判断它能结合什么场景；二是先设想模型如果是万能的，我们这个领域应该能做成什么样，用这个终局思考去引导自己关注哪些能力突破会解锁哪些场景。
张鹏：有想过突破 HR 赛道，往别的方向走吗？
李国兴：不是不可能。我对自己有一个要求就是不要随便设限，对公司也一样。AI 时代变化太多，很多都是未知的，各种机会都有可能。先不着急给自己扣一个天花板。
*头图来源：Moka
本文为极客公园原创文章，转载请联系极客君微信 geekparkGO
