从工程师到全员,从个体到组织:快手企业 AI 生产力实践

1. 从工程师到全员,从个体到组织:快手企业 AI 生产力实践

[!abstract] 速览

  • 核心判断是如果组织层面不发生变化,个体提效的天花板依然很低。
  • 这意味着,AI 的下一阶段不再只是“每个人更会用”,而是组织能否形成可沉淀、可复用、可协作的 AI 生产力。
  • 从 4 月至今,累计完成 2000 多个任务,AI 一次任务率(一次完成且通过独立验收)超过 60%,80% 的任务两次内完成(一次 AI + 一次人工校准),这个指标还在持续改进。
  • 这背后的判断是:研发效能从来不是个体问题,而是组织协同问题。一个系统的效率,最终会被最慢的模块限制。

快手通过将 AI 嵌入研发流程、推广全民 AI、构建团队协作链,并最终成立企业 AI 生产力组织,实现了从个体提效到组织级生产力跃迁的完整路径。

1.1. 摘要

快手在 AI 生产力领域的探索经历了四个阶段:从将 AI 工具嵌入研发流程(阶段 1),到推广通用智能体实现全民 AI(阶段 2),再到构建团队知识库和多 Agent 协作链(阶段 3),最终成立企业 AI 生产力组织,统一底层语义框架和通用 Agent,实现组织级生产力跃迁(阶段 4)。

1.2. 主要内容

    1. AI x 工程师:将 AI 嵌进研发流程
      通过在产品、设计、编码、测试等环节引入 AI 工具,快手实现了从片段级到任务级、再到全链路自主开发的演进,显著提升了研发效率。
    1. AI x 所有员工:让 AI 从工程师走向所有员工
      通用智能体(MyFlicker)的推出,将 AI 能力扩展到 HR、行政等非技术部门,并通过 Token 积分体系鼓励高品质产品使用,实现了「全民 AI」的普及。
    1. AI x 团队:让 Agent 进入团队协作链
      通过建设团队知识库和封装公共 Skill,快手实现了多个 Agent 的协同工作,显著提升了任务完成率,并为内容运营等场景提供了专属工作台。
    1. AI x 组织:从分散实践走向企业 AI 生产力
      成立 iWork 组织,整合内部通信、文档、Agent 和信息系统,构建统一的语义框架,将 AI 从个人工具升级为组织级生产系统。
快手技术演讲封面:深色渐变背景与橙色光带曲线,主标题「快手企业 AI 生产力:从研发提效到组织跃迁」,上方标注 QEcon 2026 北京站

在 QECon 全球软件质量&效能大会上,快手科技副总裁、快手企业AI生产力负责人王诩在主论坛带来了《快手企业 AI 生产力:从研发提效到组织跃迁》主题分享,回顾快手过去两年用 AI 重构研发效能、推进"全民 AI",并进一步走向企业 AI 生产力(iWork)的实践路径。

从研发流程中的 AI 工具,到面向全员的通用 Agent,再到团队级知识库、多 Agent 协作链和企业语义框架,快手的核心判断是:AI 提效不能只停留在个体层面,真正的生产力跃迁来自组织协同。

王诩表示:"研发效能从来不是个体的事情,是各个协作部门和组织一起发力的结果。因为系统有很多模块,它一定会被最慢的那个模块限制。"这也是快手成立企业 AI 生产力(iWork)的初衷。

【演讲视频回顾】

以下内容整理自现场演讲,在保留原意的基础上略有删减。

研发效能从来不是一个孤立的话题:它和产品、设计、质量、行政、HR 等上下游群体紧密关联。2025 年初,我们把各条线的 CTO 聚在一起形成"CTO 效能"机制,以两周一次的频次密集探讨 AI 如何赋能研发效能,并形成了"三位一体"的策略:先有人持续做实践,再把实践中沉淀出来的先进能力固化,最后从组织自上而下推动转型。

演讲现场:王诩身穿白色短袖、佩戴工牌,手持话筒与翻页笔站在大屏前,屏幕上是 AI 协同开发与研发活动 AI 能力分级(M1–M4)的架构图

快手科技副总裁、快手企业AI生产力负责人王诩

这条路径已经走完了三个阶段,我们刚刚开启第四阶段的探索。

快手 AI 生产力四阶段演进图:阶段 1 AI x 工程师(2025 年–2026 年 Q1)、阶段 2 AI x 所有员工(2026 年 Q2)、阶段 3 AI x 团队(2026 年 Q3)、阶段 4 AI x 组织(2026 年 Q4 至今),按实践演进、能力演进、组织演进三行展开

1.3. 阶段 1:AI x 工程师——把 AI 嵌进研发流程

2025 年全年到 2026 年 Q1,快手整体遵从经典的研发链路——从产品需求提出、拆解、设计、架构、编码、测试到运维——尝试在每个环节用 AI 工具做提升。

在实验中,团队发现个体差异巨大,于是我们总结出L1、L2、L3的分类:

层级 用法
L1 把代码片段贴给 AI,让它改完再拿回来嵌入代码库——经典的"片段级"用法
L2 以任务级粒度交给 AI,比如定义一张数据库表、给出完整语句——任务级
L3 把 PRD 或 Spec 直接丢给 AI,引导它完成自主的全链路开发(SDD 方式)。2025 年下半年到 2026 年 Q1 的时候,我们已经看到很多内部同学已经这样做了。
L1/L2/L3 分级图:L1 AI 辅助(Copilot)编码效率小幅提效 10%,L2 AI 协同(Agent)开发效率中幅提效 20–40%+,L3 AI 自主(Agentic)交付效率大幅提效 50%+;下方从需求交付与需求研发过程两个视角展示演进路径与 M1–M4 成熟度分级

我们没有把 L3 当作群体要求(当时基模和 Harness 能力还不够好)。于是,我们以L2 覆盖度作为度量指标,目标 2026 年底达到 80%。工具侧则用 Coding IDE、需求与 CR 管理、重度编码助手等产品串联各环节,把 AI 能力嵌进原有流程。

1.4. 阶段 2:AI x 所有员工——让 AI 从工程师走向所有员工

2026 年 Q2,当红的通用智能体产品"小龙虾"让团队意识到:门槛更低的通用智能体,才是更大的机会。快手把原来的 Coding Agent(CodeFlicker)转型封装成通用智能体(MyFlicker),插入大量领域知识和 Skill,服务的不再只是技术人员——HR 用它做招聘和人岗匹配,行政同学用它把全量服务透明化(订餐、班车、理发),普通员工也能直接享受 AI 化的服务。

「全民 AI」阶段的实践与基建图:上方为自上而下驱动与自下而上涌现(AI 布道师、AI 社团、AI School),以及蹭饭研判官、AI 贪吃蛇大作战、PDE 集结令三场活动;中部为 AI 基建(通用 AI 工作伙伴 MyFlicker、Skill 市场 MySkill、AgentOS、万擎);底部为 5 月 13 日上线的 Token 积分机制

面对“全民 AI”的浪潮,我们审慎地做了很多测算,这个阶段最关键的机制创新是我们提出了一套Token 积分体系。公司给员工发放积分,员工可在通用智能体上选择不同模型消费(每个模型有不同积分倍率),自行安排用度。这套体系有两个目标:一是让大家优先选择品质高的产品,二是规避重复建设——接入积分体系后,你的 AI 产品有没有人真正在用、消耗多少 Token,一目了然,相当于"用脚投票"。

数据验证了方向:MyFlicker 从去年年底的技术群体专属工具,到 Q2 “全民 AI”阶段爆发式增长。在推进全面 AI 的过程中,我们通过多场大型活动,帮助快手员工提升 AI 认知与实践技能。以下分享三个“全民 AI”的典型案例。这些活动分别对应了三类目标:降低 AI 使用门槛、提升全员 AI 技巧、验证非技术人群构建工具的可能性。

1.4.1. AI 蹭饭研判官——从工具到伙伴,能聊天、能干活

“全民 AI”最热闹的一次实践,是快手内部做的一场“免费午餐”活动。规则很简单:每天提供一批免费午餐名额,但你得先说服 Agent 请你吃饭。对话轮次越短,拿到午餐的概率越高;每天取前一两百名,持续一周。在相对轻量的投入下,这场活动吸引了五六千名员工参与。

对快手来说,这场活动既验证了员工参与 AI 的热情,也提前暴露了 AI 产品走向真实场景时绕不开的问题:权限边界、对抗式提示、防 hack 机制,都必须成为产品设计的一部分。

1.4.2. 司庆 AI 贪吃蛇大赛——用好AI需要提升个人认知和技巧,从各业务线 PK → 全员PK → 新人必会

“全民 AI”的另一个高光时刻,是快手司庆期间的一场“AI 贪吃蛇大赛”。规则并不复杂:官方提供贪吃蛇 PK 平台和公共接口,各业务线组队,用 Vibe Coding 构建自己的贪吃蛇程序,先在内部研究策略、相互对抗,再把最强版本带到决赛现场公开 PK。

结果很有意思,前三名里有一个来自非技术团队,财务拿到了第三名。AI 把编码门槛降下来之后,决定胜负的不再只是“会不会写代码”,还有策略设计、问题理解和快速迭代能力。

因为参与度很高,这场比赛后来被转化为校招培养项目。新同学入职后,也会在使用 AI 工具的过程中参与类似比赛。更让团队惊喜的是,很多校招生做出的贪吃蛇,已经能够轻松打败公司里各领域专家构建的版本。

这背后传递出的信号很明确:在 AI 工具足够成熟的场景里,经验优势会被重新定义。谁更会使用 AI、更能快速试错和迭代,谁就可能做出更好的结果。

1.4.3. PDE 集结令:全员用 AI 完成日常工作

我们还做过一次更接近“能力转型”的实验:让非技术同学也成为 PDE(Product Design Engineer)。随着 AI 工具的发展,国内外不少公司都开始关注这类岗位,快手内部也在讨论:这种能力结构,是否会成为未来组织里的新常态?

于是,我们设计了一场活动:以一位日常工作繁忙的运营同学为原型,邀请大家为他构建 AI 工具,让他的工作变得更简单。活动面向非技术人群开放,既是一次 AI 工具使用训练,也是一场真实业务场景下的工具共创。最终,内部提交了 4000 多个作品。某种程度上,最先被“提效”的不是运营同学,而是评审团队——因为光是判卷就已经成了一项巨大工程。

这场实验说明,AI 带来的不只是效率提升,也在重新划分组织里的能力边界:过去只有工程师能做的工具,现在更多业务同学也可以参与构建;而真正优秀的作品,还有机会沉淀为公司内部可推广的 AI 工具。

1.5. 从个体提效到组织转型:AI 生产力的认知升级

但真正的转折点,并不是大家都开始用 AI,而是快手意识到:个体提效并不会自动带来组织提效。“全民 AI”的热潮之后,我们在 H1 做了一次冷静复盘。好消息是,AI 的使用已经被快速拉起来,认知初始化基本完成,内部也沉淀了大量 Skill。

但问题也随之暴露。

  1. Skill 良莠不齐,存在"Token 黑洞":Skill 数量不是关键指标,有同学写的一个 Skill 能消耗掉几千积分。AI 应用一旦规模化,成本、效率和治理都会变成真实问题。
  2. 个体的提效并没有带来端到端的效率提升:AI 能力在变强,但 Token 消耗大、成本对不齐;更核心的是,个体提效受限于原有工作流——PRD 以前写好几天、现在半天搞定,如果研发、设计、测试等协作链条没有同步变化,整体交付速度依然不会明显提升。
  3. 个体差异巨大:高手一两句话就能产出很好的东西,很多同学还在反复调教和试错阶段。如何把优秀实践变成公共知识和公共能力,是当时最棘手的问题。对组织来说,真正要解决的问题变成了:如何把高手经验沉淀为团队能力,把个体技巧变成公共资产。

[!warning] 「全民 AI」不是终点
这也是快手后来从“全民 AI”走向“组织级 AI 生产力”的关键转折点。

复盘数据看板:人员维度为全员 AI 活跃率 92%、人均每月用 AI 14 天;能力维度为累计上线 2025 个 Skill、官方精选 71 个、6 月周均调用量超 12 万次;成本维度为 6 月积分消耗 5031 万、环比增长 35%、MyFlicker + DataAgent 占总消耗 96%;下方为技术通道与非技术通道的效果指标

[!important] 核心判断
在年中复盘时,我们把问题进一步抽象成了一张“个体提效 × 组织提效”的坐标图。核心判断是如果组织层面不发生变化,个体提效的天花板依然很低。

「个体提效 × 组织提效」坐标图:纵轴为群体协作优化、横轴为个体能力提升,四象限为空转区、理想区(组织效率跃迁)、起步区、孤岛区,中部标注第一步夯实能力沉淀与泛化、第二步连接链路与协同、第三步 Agent 深度参与协作链路的演进路径,并标出当前主要位置

只有组织设计、个体能力跟不上,机制落不了地;只有一批“超级个体”,彼此之间没有连接和协作,也只是一个个效率孤岛。真正有价值的路径,是让个体能力和组织能力同步提升。

快手由此把 AI 生产力的演进拆成几步:先完成冷启动,让员工愿意用、开始用;再把少数高手的使用经验沉淀为团队基线;进一步,把团队里的公共知识、业务资产和协作规则沉淀下来,让 Agent 可以快速消费;最终,让 Agent 在具备优秀实践和完整上下文后,成为独立工作单元,进入人与 Agent、Agent 与 Agent 的协作链。

这意味着,AI 的下一阶段不再只是“每个人更会用”,而是组织能否形成可沉淀、可复用、可协作的 AI 生产力。

1.6. 阶段 3:AI x 团队——让 Agent 进入团队协作链

Q3,我们把 AI 提效的重心从“个体”推进到“团队”。核心做法有两件事:

一是知识库建设。与业务共建并沉淀过往项目、代码和核心工作流,让 Agent 能直接消费团队上下文,放进公共基建平台。团队新成员一进来就有起点,过往项目、代码对 AI 透明可见。

二是把公共知识和 Skill 封装成能独立工作的 Agent,并让多个 Agent 形成协作链。基于开源项目构建了一个超级 Agent 做全局协调:产品经理、设计师、全栈开发等子 Agent 注册进 pipeline,需求输入后7×24 小时日不落迭代;同时设了安全闸门,遇到质量、权限、幻觉问题会唤醒人来介入。也正是在这一阶段,Agent 从“个人助手”进一步走向了“团队工作单元”。

从 4 月至今,累计完成 2000 多个任务,AI 一次任务率(一次完成且通过独立验收)超过 60%,80% 的任务两次内完成(一次 AI + 一次人工校准),这个指标还在持续改进。

团队类型矩阵:横轴为团队类型(研发团队→产研闭环团队),纵轴为交付类型(C1 需求 ≥50% / C2、C3 需求占比 ≥50%),四象限为复杂业务开发团队(Q1)、AI 友好开发团队(Q2)、产研闭环交付团队(Q3)、AI 原生交付团队(Q4),共列出六类实践

在非技术场景中,内容运营团队已经基于这套体系搭建了运营专属工作台。快手把运营同学的高频工作流 Skill 和相关知识库集成到 Flicker 背后,让他们可以直接完成热点拆解、内容分析等任务。目前,这一工作台已经沉淀为标准产品,并在内容运营线推广使用。这也说明,AI 的价值正在从“个人助手”走向“团队专属生产力工具”。

1.7. 阶段 4:AI x 组织——从分散实践走向企业 AI 生产力(iWork)

9 月,我们成立了企业 AI 生产力(iWork)组织,开始把分散在各团队里的 AI 实践,推进为公司级能力建设。

在前一阶段的探索中,越来越多优秀实践不断涌现,但也暴露出新的挑战:这些经验如何变成公司标准?如果每个团队都基于自己的业务出口和数据各自构建 AI 应用,短期看能快速解决问题,长期却容易造成重复建设、上下文割裂和安全风险。

因此,快手将企业内部通信平台、在线文档协同、通用 Agent 以及内部信息系统能力整合在一起。其核心思路有两个:

核心思路 具体内容
一个强大的通用 Agent 具备更强推理能力,同时做到安全、受控、可监测,并持续提升员工个体效率
统一的企业语义框架 把文档、数据、代码、流程状态、会议记录等分散信息组织成可被 Agent 理解和调用的上下文
iWork 能力全景图:自下而上为 01 稳健运行的系统基底、02 企业上下文(文档知识库、数据资产、代码、流程状态、系统集成点)、03 通用 Agent(Agent 产品矩阵、Agent OS、Agent 评测、Agent 生态、安全审计)、04 领域 AI 实践(内容、直播、商业化、海外、生服等),底部为价值、架构、提效三组度量指标

这样一来,Agent 不再只是在单点系统里完成任务,而是能够看见更完整的企业上下文;底层信息系统也会逐步开放可调用接口,让 AI 真正进入业务流程。基于这套能力,快手将继续以 FDE(Forward Deployed Engineer)的方式向业务赋能,内容运营、内容理解、安全、直播等场景都会是下一阶段重点探索方向。

这背后的判断是:研发效能从来不是个体问题,而是组织协同问题。一个系统的效率,最终会被最慢的模块限制。企业 AI 生产力(iWork)要解决的,正是如何让 AI 从个人工具,变成组织级生产系统。

如果希望进一步了解快手企业 AI 生产力(iWork)的技术实践,欢迎关注 10 月 31 日快手技术沙龙第 6 期。届时,我们将带来更完整的架构拆解与案例分享!