本文整理自 2026世界人工智能大会WAIC · 搜狐AI前沿观察。

全文约15000字，阅读约40分钟。

主持&对话嘉宾

Monica

- 多家大型企业出海顾问，连续创业者，中英文自媒体全网上亿播放

- AGI Villa & bridgingChina发起人（3,000+ AI&科技创业者，20Ｗ+海外followers）

- 记者出身，15年间走访60国，科技出海的深度观察者和连接者

- 曾任AI编程、青少年教育、Web3、本地生活、社交电商独角兽CEO/CMO，创业项目累计融资超15亿元（红杉/线性/君联/创新工场等）

王若愚 Max

Workstream联合创始人，毕业于康奈尔大学和华中科技大学，福布斯全球华人精英Top 100.

Workstream 是一个为蓝领商业和人群设计的端到端人力资源管理平台。Workstream当前服务了汉堡王、赛百味、DQ、海底捞等著名品牌三万多家线下店，帮助他们数字化员工招聘、入职、团队管理、工资发放等流程，将过去每天需要数个小时的工作简化到数十分钟内完成。同时，Workstream已帮助五千多万蓝领人群接触潜在的优质工作机会，并快速找到工作、入职并开始工作、获得收入。Workstream的愿景是通过科技赋能，帮助北美8000万、全球27亿蓝领人群获得更好的工作和生活。为了达成这个愿景，Workstream在过去5年累计融资1.2亿美元，投资者包括Founders Fund), Coatue, Bond Capital, 高瓴, Zoom CEO Eric Yuan, Logitech CEO Bracken Darrell, Louis Vuitton 董事长Bernard Arnault等数百位全球顶尖的机构和个人。

Angela Xu

在美国本土拥有15年工作经验，深耕B2B市场，负责AI产品研发与企业战略。

曾在全球SaaS上市公司 (HubSpot)、AI独角兽(DataRobot)、以及咨询公司担任核心产品研发与战略角色。最近回国担任Atypica.AI产品顾问角色，致力于为所有企业打造专业的AI智能体研究角色。也在西安交大利物浦大学AI应用课程上担任客座讲师。

擅长从0到1打造AI平台与AI原生产品，推动复杂组织中的技术落地、业务 增长与组织迭代。长期与CEO、CPO、CTO及全球团队协作，具备国际视野与中国背景。麻省理工大学MBA，波士顿学院会计金融硕士，上海财经大学管理学学位。

序

先说第一个反直觉的真相：你越是为那些"离技术最远"的人做东西，价值反而越大。Max 给了一个第一性原理——你的产品能创造的价值，等于"产品创造的价值"减去"用户自己能创造的价值"。今天你搓一个很牛的 AI 工具，转头就被别人用 Codex 复刻，不是因为你不行，而是因为你的用户自己也能创造那个价值。所以他选择"用科技去拯救不懂科技的人"：三万多家肯德基、Burger King 这样的线下门店，蓝领的流动率高到离谱，工资连算都算不对——痛点写在用户脸上。

第二件事，是创始人最稀缺的能力：小样本学习。很多很厉害的人创不了业，是因为陷入了 analysis paralysis（分析瘫痪）——没有大数据就不敢做决策。但创业早期你只有 10 个、20 个、50 个数据点，你得在这时候就找到直觉、敢下注、然后快速调整。这就是 Lean Startup 的真意。

最扎心的一课，来自一台 IE8。Max 把前端工程师带到一位开了 6 家店、60 岁的泰国老太太面前，看着自己得意的产品在她那台戴尔笔记本上渲染了整整 10 秒、圆角全没、色块斑斓——而老太太还在夸"你们的软件真好"。工程师回去闭关一个月，把它优化到在 IE8 上也丝滑。只有让工程师亲眼看到用户有多"囧"，你才能做出用户愿意推荐的产品。

B 端这边，Angela 讲了 SaaS 到 AI 最大的变迁：所有的蓝海都变成了红海。以前你有了 product-market fit 能稳很多年，现在技术一出来第二天就有人会用、会 vibe coding、会抄你的 UI，产品看上去都差不多。找到真正有护城河（moat）的那个点，从"静态平衡"变成了"动态平衡"。而卖 AI 给一个年薪几百万美元的摩根士丹利 MD，靠的根本不是 AI——是一帮聪明人一次次上门，用我们的专业知识帮他诊断增长的短板，从而建立信任；先聊懂他的痛点，最后才聊到产品。人对人、将心比心，没有人会跟一个 AI 掏心掏肺。

那 AI 到底替代了什么？Angela 说得很实在：我 70% 的工作已经被 AI 赋能了——脑暴产品特点、扒竞品、做 deep research、发散方案、提炼客户反馈......这些工作通过AI我可以做得很快很高效。省下来的时间我可以花更多的精力跟客户建联，深挖他们的痛点，在对他们的深度理解中捕捉到他们下意识里没有说出来的痛点和需求。最后对客户需求的解读，和对商业的判断拍板，是AI替代不了的。Max 补了一句同样的话：算工资可以完全交给 AI，但"发工资"那个按钮不行，因为做所有服务的本质，是先搞清楚"谁背锅"。

最后，如果你要去北美，两位的第一步建议高度一致：去到现场，和你的用户混在一起（hang out with your users）。你要看到他上班时电脑屏幕上是哪个界面、他是不是在疯狂复制粘贴、他排班表是不是一张贴在墙上的纸。因为只有跟用户玩在一起，你才知道那些最细微的痛点，才知道你的推广渠道到底在哪儿。

Monica：今天我们直播间来了不少同学。所有出海同学最关注的第一站，就是北美这个大市场。我们请到了两位在北美一线实践多年、而且有非常成功经验的嘉宾——Max 和 Angela。与其我来介绍，不如请他们自己说。我们先从 Max 开始。

Max：谢谢 Monica。先介绍一下自己：我叫 Max，我们的公司叫 Workstream，从 2018 年 Day One 就扎在美国，解决的是整个北美小时工、蓝领的人力管理问题——这是一个特别深、特别本地化（local）的问题。我们服务了三万多家线下门店，比如大家熟悉的肯德基、Burger King 等大量线下店。

这些门店的痛点是：蓝领的流动率非常高。不像你招一位工程师，可能待一年、两年，甚至五年、十年；你招的蓝领可能两三个月就走了。而且他们的工资结构非常复杂——工时计算、本地劳动合同——经常连工资都算不对，于是就会扯皮。我们意识到，这其实是一个国家 GDP 最根本的核心：如果蓝领都不好好工作，那就没有人开心。所以我们一直用 SaaS 去解决它，过去几年又用 AI 做转型。目前是一家 B 轮公司。

Angela：非常感谢有这个机会来分享我的故事。我在美国有 16 年的工作经验：前半段做商业咨询，一直面向 toB、和 C-level 一起做 business decision；后来进入科技行业，做过教育平台。大概五年前开始做 toB 的 AI 落地。

我最早接触 AI 产品的时候还没有 GPT-3，大家用的还是比较经典的 machine learning。当时我们帮摩根士丹利、花旗银行（Citibank）、波士顿咨询（Boston Consulting Group）这样的大公司拿到 tens of millions 级别的 ROI 收益。我在美国的前一份工作是在 HubSpot——一家专门服务中小企业的软件公司，我负责代理他们的 AI 产品线。这两段经历给我最大的体会，是"在大企业落地"和"给小企业做 AI 工具"之间的差别。

我现在在国内特赞（Tezign）旗下的一款产品叫 Atypica.AI，把以前学到的很多知识用来帮产品升级。它已经有了很好的自然增长（natural adoption），是一款专门做消费者调研的 AI agent——它可以代表人的各种认知行为和思维方式，给真正做产品研发的人提供更精准的用户画像。希望我讲的"如何从小的 consumer 产品走到大的企业级产品"这段经验，对大家有帮助。

用科技去拯救不懂科技的人：发现"蓝领"市场

Monica：两位非常有代表性：一位服务 C 端，而且是非常本地化的蓝领群体；Angela 做的是 B 端，而且是大 B。我们就从 C 端、B 端一起，看北美市场的 full picture。先问 Max：你当时是怎么关注到"北美蓝领"这个市场的？

Max：挺有意思的，我们并不是创业第一天就发现这个点，大概过了六七个月才意识到，确实是跟很多用户聊出来的。而且不只是美国——一开始其实是在上海，我们跟星巴克、Hugo Boss、可口可乐的 HR 总监聊。一聊就发现星巴克的 HR 总监满脸是包：他们办公室的离职率——六个月就会离职，门店就更不用说了。而他们的招聘工具居然是 Excel。

后来我们去香港，跟 Uber 当时的负责人聊——他是我们的朋友。Uber 是顶尖科技公司，可他们管理司机的后台，居然像大学生的作品，用 Bootstrap 随便搓了个东西，样式都没对齐。当时我们就意识到：这么顶尖的公司，在蓝领管理上并没有投入多少精力，但这显然是一个巨大的用户群体。

后来我们来到美国，发现美国的问题更大——美国在 C 端体验上其实是落后于中国的，中国很早就有微信、钉钉。为什么后来选择这个赛道？第一，痛点太明晰了，你能看到用户脸上的焦虑。第二，我们意识到一个第一性原理：你的产品能创造的价值，等于"产品创造的价值"减去"用户自己能创造的价值"。今天大家焦虑——我搓了一个很牛的 AI 东西，为什么转头就被别人用 Codex 复刻了？因为你 build 错了：你创造的价值很高，但用户自己也能创造那个价值，所以你的东西就没什么价值。你的估值（valuation）其实来自这个"价值差"。

所以我们想：为什么不用科技去拯救这些不懂科技的人呢？这就是选择这个赛道的原因——一方面确实有痛点和焦虑，另一方面他们自己也确实无能为力。

Monica：这个痛点听起来真的很痛。

Max：很痛。

直接学滴滴：0 到 1 怎么找到用户

Monica：但这件事落地应该也很"重"。它有点像一个 O2O 平台，你要从线下去接触大量门店。哪怕在中国做 O2O，去接触这些微小的本地门店，都是非常重体量的事。你怎么有勇气在美国做这么重的事，又是怎么实现从 0 到 1 的突破的？

Max：其实没什么区别。当时我跟合伙人说，我们怎么搞？直接学滴滴。中国很多 O2O 公司早就把这条路趟出来了：如果你不知道用户在哪，直接去找他就好了。

我合伙人的太太在斯坦福读 MBA，我们就去斯坦福蹭课。然后从帕洛阿尔托的 University Avenue（那条主干道）选了一个点，不管你是工程师、设计师还是干别的，一家家敲门。我们给自己的任务是：每人每天收一摞名片和招聘表格回来，回来就打电话。

打电话的方式很简单。第一句问："你们招人吗？我在找工作，我没什么钱。"如果对方说不招人，我就说："哦，我是斯坦福的学生，也想帮帮你们，看能不能把这件事变简单。"别人一听你是斯坦福学生，兴趣就来了，开始夸夸其谈。

通过这个方式收集到了非常多痛点。我觉得，选择一个你能跟用户共情、有 overlap 的环境很重要，能让对方快速接受你。如果一开始就选德州、或美国中部某地——美国餐饮业总部大多在中部，在 Georgia、Atlanta 这些地方——你去那儿可能达不到效果，别人会觉得你就是个 random person。但在硅谷，大家习惯了：又冒出来一帮想干点事的年轻人，就愿意跟你聊。

还有很多技巧。比如我们专挑下午两点以后去。因为采访 hourly worker、汉堡店员工时，你不能在 rush hour 去找他。但下午两点之后他们无所事事、就在玩手机，这时候去聊，他们会觉得"哇，好开心，有个聪明人跟我聊天"，甚至会给你看手机里的工资、在打什么游戏。所以有很多细节的小技巧，让我们快速接近了这些人。战略上有选择，战术上有很多细节。

小样本学习：创始人最难的能力

Monica：这个调研大概持续了多久？

Max：它是一直存在的。我一直讲一个观点：创始人最难的一点，是要有一种"小样本学习"的能力。机器学习需要很大样本量去训模型；但你会发现，很多很厉害的人为什么创不了业？因为他们陷入了 analysis paralysis（分析瘫痪）——没有大数据就不敢做决策。

道理很简单：假如你在可口可乐这样的公司工作，你拿到的数据量很清楚——我在这个渠道多投一点预算，revenue 会怎样变化。但创业早期不是这样。你需要在只有 10 个、20 个、50 个数据点的时候，就能快速找到直觉、敢下注，然后快速调整。这就是 Lean Startup 的意思：快速试、快速调整。为什么要快？一开始你有 50 个点，你以为 business model 是一条直线，但它可能是条抛物线。你不断拿到更多数据点、用户反馈，其实就是在快速校准商业模型。说白了：对愿景有信心、对直觉有信心，但要快速调整。

Monica：今天走到 B 轮了，这个"小样本调研"还在继续吗？

Max：依然在继续。你的 business model 其实来自产品、市场、渠道三个变量。你可以把开公司想象成解方程：Y 是商业模型，也就是你的单位经济学（unit economics），三个变量是产品、市场、渠道。做新产品时产品在变，你就要探索：市场和渠道能不能固定，还是要投向新的市场和渠道？

举个例子，做 SMB（中小企业），拿豆包和 Anthropic 对比：豆包满足不了 vibe coding，但情感陪伴是一绝；反过来，没有人会拿 Opus 去做情感陪伴。所以任何一个变量做调整时，你都要回去找用户，看看产品是否合适、渠道是否合适。这个过程一直存在，永远不停。

Monica：听起来你本身是联合创始人兼 CTO，却做了很多本该由 marketing、research 团队做的事。

Max：这是最好的状态。尤其在 AI 时代，最好的合伙关系是：每个人都能做所有的事，只是各自 focus 在最擅长的地方，最好不要有什么完全不懂的领域。因为在一个会议室里，只要有几个不懂的人坐在那儿指手画脚，这个决定就做不了。你最好让会议室里的人很少——就两三个人——但人人都是全才，只是各有侧重。这样决定通常比较容易对齐。

SaaS 到 AI：所有的蓝海都变成了红海

Monica： Angela，你在 HubSpot 和 DataRobot 的经历里，看到美国这么多年 B2B、SaaS 产业，有哪些变迁？

Angela：我讲两点。

第一点是从 SaaS 到 AI 的变迁——两者的商业模式很不一样。

当年做 SaaS，一款产品出现后、尤其你是头部，是可以稳住局面的。你想华人创始人做的 Zoom、或者 Slack，出来之后就占据了市场，稳定了很长一段时间。HubSpot 也是——我们以前做 CRM，给中小企业做获客和客户管理，出现后是十年稳定、不停增长。以前那是一片蓝海，你占住了就有持续增长。

但 AI 打断了这件事：所有的蓝海都变成了红海。以前你有了 product-market fit 能留存很久；现在有了 AI，你的 product-market fit 在不断改变。OpenAI 刚出来时大家觉得"可以写文本"，但现在哪个 AI 不能写文本？它通吃的那一段很快就通吃不了了；后来能做社媒文章、做图片，新鲜了一阵，很快也不行了。

所以 AI 公司很卷：一个技术出来，第二天就有很多人知道怎么用。如果你没找到一个真正有护城河（moat）的特点，就很快会被学走，而且大家都在 vibe coding、都在抄彼此的 UI，产品看上去都差不多。所以，找到真正的不同点、能持续为客户创造增长价值、并且站稳脚跟的那个点，越来越是一种动态平衡，而不是以前的静态平衡。

第二点讲 AI 本身。我五年多前开始做 AI 产品，其实十年前就在做 AI。五年多前那会儿，AI 在大多数企业买主脑子里可能只是第二个重点。当时 CTO 脑子里的重点是什么？可能是企业数字化、上了几个 App；或者是 Cloud Migration，因为有些大厂还是自己的 server farm 在管数据，"云迁移"就是很重点的事了。当时给他们卖 AI，他们觉得可做可不做，你要花很长时间讲解为什么 AI 跟他们相关。

而且当时大家数据都不干净，没有哪家公司背后的数据是干净的。做 AI 最重要的一点就是数据要干净，否则就是 garbage in, garbage out。所以我们花很多时间给他们做——有点像企业数字化转型的咨询——帮领导做思维转变，他们才愿意跟我们做 AI 项目。

但自从 GPT-3 出来，完全变了，大家人手一个 AI。每个 CTO 脑子里都是："今天我不做 AI，老板就会觉得我没有与时俱进，我可能就要被 fire 了。"这是好事——你去推销 AI，大家都愿意听一听。但很快他们又疲惫了。

卖 AI 给"聪明人"

Angela：三个月过去，我们在 DataRobot 其实是对标微软的一些产品的，因为我们在这个细分行业里很有 reputation，大家愿意听。但所有人问的都是："你们跟那些做 OpenAI 套壳的有什么不一样？"这很难讲清楚——我们那套工程化的、可管理的、支撑长期运营的东西，要解释很久。

所以 AI 出现后还有一种"劣币驱逐良币"的感觉：真正有匠心、把产品打磨得很好的人，卖的时候反而说不清楚。如果客户贪便宜、图快、图好看，选择就会被很肤浅的因素影响。这是第二点：AI 变得很卷、很流行之后，聊起这个话题容易了，但真正被客户选中反而更难了。

Monica：有什么解法吗？做 toB 销售最常被问到的就是"你跟别人有什么不同""我为什么选你"，尤其是出海去一个陌生市场。这种时候你一般怎么回答客户？

Angela：其实这不是"怎么回答客户"的问题。我是做产品的人，我觉得这是一个产品思维的问题。就像 Max 说的——不管是创业从 0 到 1，还是在企业内部做产品从 0 到 1，都要抓准一个客户、一个客户画像，想清楚他的痛点，从痛点出发。而且这不是做一次就结束的。我们所有的产品 roadmap 都是这样，现在我在 Atypica 也是。

我们所有的产品想法都是一些假设。你可以想象：你是一个科学家，在做一系列实验。你对市场有观察，就会提出产品假设。活得快的公司，是能拿有限资源、合理分配到各个实验里去的。

比如我们做消费者调研的 AI agent。如果今天客户说"我要的就是快的答案"，那我可能判断他是个人用户，就把过程做得越简单越好。但我们也有像联合利华（Unilever）、宝洁（P&G）这样的客户，他们说："其实我们都有这些用户画像，但很久没更新了，也不知道准不准、反不反映现在年轻人的潮流。"所以我们要给他们做的，是一个更精准、更老练的用户 persona 库——我们现在就在打造这个。

Angela：一个好的品牌，需要的是专业的研究，这跟我自己做一次性研究不一样。所以要抓准不同用户、不同需求，真正从他的工作流出发，而不是"我今天外扣了一个很美的工具，你别管怎么工作、学我的就行"——用户都有自己的习惯，很多行业沉淀的习惯是有原因的。所以要不停跟客户磨、交流，天天给他看一个跟他有点像又不太一样的东西，拿到反馈——这个反馈是一辈子都没完的——然后把产品磨出来。也许其中一部分人会说："嗯，我可以给你掏点钱。"

决策链与真实反馈的杠杆

Monica：Workstream 有个很有趣的点：你们既要服务像汉堡王、赛百味（Subway）这样的大 B，又要面向他们的店长（小 B），甚至有点面向 C 端。它整个的决策链是怎样的？你们怎么推动合作？

Max：尤其作为一个华人去北美做销售，我们面对的大多是千奇百怪的人。我们后来发现，大客户几乎全在美国中部——真的是 American America，就是你想象中的那种美国人。跟硅谷完全不一样：在硅谷你卖数据给 AI 公司，面对的可能是另一个中国人。

你有可能创业做了三年、一分钱没赚到，但你很爽，因为每天都有人给你反馈。本质上，早期的 ICP（ideal customer profile，理想客户画像）愿意给你付钱、或者愿意把产品介绍给别人，这本身就是一个巨大的反馈。而这个反馈又能拿来迭代产品和融资。

因为你去融资时，投资人问的第一个问题也是"你的用户到底怎么感觉？"你去说服投资人，根本不用写长篇大论的 slides，只要说清楚几件事：第一，你的愿景；第二，你的产品；第三，团队；第四，如果你有种，直接列 20 个用户的电话，跟投资人说"你随便采访、随便聊"。你敢把这个放上去，融资基本没问题——只要市场没问题、产品合法。所以万法归宗：搞明白那个真正有价值的用户是谁，把产品做好，让他觉得爽、愿意推荐（refer），后面的 go-to-market 就有了杠杆。大客户其实就是听这种小 B 的真实反馈的。

FDE 与 IE8 老太太：让工程师看到用户有多"囧"

Monica：那整个 onboarding 流程是怎样的？是先抓小 B、让他们试用吗？

Max：今天为什么会有 FDE（Forward Deployed Engineer）这个角色？因为 AI 产品太硬核了。其实 FDE 早就存在。我们早期一定会把工程师直接带到用户面前——倒不是要工程师手把手教用户，而是让工程师看到用户此刻到底有多"囧"。

举个例子。我们早期开发了第一版的面试排期网站，自己觉得很得意，因为一个月内就做出了一个超复杂的功能，也确实有不少 killer feature。

直到有一天，我们把前端工程师带到了一家 Equator Coffee——它在美国开了 6 家店，总部就在 LinkedIn 总部楼下。老板是一位 60 岁的泰国老太太，一个人开 6 家店，很了不起。她说："哇，你们的东西太好了，awesome，我太喜欢了！"然后颤颤巍巍掏出一台很厚的戴尔笔记本，打开了 IE8——那个年代 IE8 已经过时了。用 IE8 打开我们的网站，光渲染 calendar 就转了整整 10 秒。用 Chrome 1.5 秒就打开了；IE8 要 10 秒，而且打开后所有圆角都没了、居中对齐也没了、各种色块斑斓错乱，非常尴尬。

那位老太太点了一个面试邀约，loading 又转了整整 5 秒，才显示出面试时间怎么安排。她 update 了一下，说："你看你们的软件真好，帮我解决了问题。"我们第一反应是特别羞愧——对我们这种老码农来说，It's a shame。但第二反应是很兴奋：这个用户用得这么痛苦，竟然还想用，说明痛点够痛。当场我们的工程师回去闭关一个月，把它优化到在 IE8 上也很丝滑。

就是因为我们以前没意识到用户有多"不 technical"，没意识到用户画像根本不是工程师，而是这样远道移民过来的老太太。后来我们发现，哪怕是在旧金山 Market Street 主路上开店的人，也可能是印尼移民过来的老人家，他的排班表就是一张纸贴在墙上、每天手动更新；他 onboard 一个员工，是把员工叫到店里、用自己的电脑手把手教对方填表格。所以只有让工程师亲眼看到这些，你才能真正打造出用户愿意推荐的产品，而不是想当然地以为"把 SOP 变成一堆表格、把增删改查（CRUD）做好就行了"。

大而全扭转不了，但要更早拿到反馈

Monica：我们有太多出海创业者是 technical 背景，很容易陷入你刚说的那种思维：我要做一个大而全的产品，做出来那一刻就觉得成功了。你觉得这种思维能扭转吗？

Max：扭转不了。今天让我再创业，我也想这么干。尤其你的 coding 能力越强——今天还有 AI coding——想法越多，就越容易做大而全。但这没问题。关键不在于做多还是做少，关键在于更早地接触用户、拿到真实反馈：你砍功能也好、更新功能也好，全都应该来自正反馈或负反馈。

为什么反馈这么重要？它奠定了几个基础：第一，证明你做的东西真的有价值；第二，铺垫了真实的铁杆用户，他们是你未来口碑和融资的核心；第三，未来你的 go-to-market 靠的就是这套东西。所以整件事的核心是"拿到反馈"。如果你要做更多才能拿到反馈，就做更多；如果做更少反馈更好，就做更少。

里程碑与 COVID：风口来了，但底子要先搭好

Monica：你刚讲到 IE8，那大概是哪一年？

Max：大概是 2017 年底。

Monica：那已经接近九年了。回过头看这么多年的增长，有哪些非常重要的里程碑？

Max：其实每天都是里程碑——真创业你会发现每天要做 100 个决定，可能 80 个是错的、第二天就推翻。

如果说真正的 milestone：第一个，是意识到这里有一个巨大痛点，并下决心去做。第二个，是真正拿下第一家愿意付费的客户，尤其那个软件还如此简陋——那是我和另一个工程师花一个月搓出来的 SaaS。第三个，是拿到第一笔融资，证明有人看懂了这个逻辑。尤其在 2018 年，所有人都在看 VR、看区块链、看早期的 machine learning——那时候很多人在追吴恩达，没有人会在意"蓝领招聘"这么不性感的东西。我记得第一次融资时，投资人问我："Max，machine learning 早晚会起来，你们早晚会被取代，你怎么看？"我当时的判断是：白领会先被取代，蓝领不会。现在看来应验了。

Max：后面还有一个很大的 milestone——COVID。疫情前我们增长没那么快，但疫情期间，我们从大概一百多万美元的年收入，一下增长到了两千万左右。当时一个很大的 learning 是：所谓"危机"，中文为什么把"危"和"机"放在一起？crisis and opportunity，真是绑在一起的。

Monica：为什么？

Max：事后总结，原理很简单。2020 年 1 月到 3 月我人在武汉，而美国还是歌舞升平。我住的地方就是武汉的 CBD，以前人山人海，那时候下面一个人都没有。我就想：如果这件事在美国发生，我们要怎么应对？于是提前两个月去问了很多投资人和客户。最后学到的一点是：2008 年金融危机、整个市场崩掉的时候，所有行业都崩了，但只有快餐这个行业还稍微往上涨了一点。

因为你不吃牛排、不吃 fine dining 了，但你还是要吃东西。所以炸鸡、汉堡这样的廉价食物反而成了选择。然后又叠加了几个因素：第一，2008 年的情形重演，贵的东西没人买，但炸鸡汉堡销量依然很好。第二，要"感谢"两位美国总统联手发力——先是特朗普第一任期，美股熔断五次，于是把美元利率改到了 0；零利率之后股票疯狂拉升，比特币也拉升。第三，后来又给老百姓发钱。你想，老百姓外面有新冠、手上又有政府发的钱、股票还一直涨，那大家就不愿意去打工了。

而我们客户的用工需求很旺。你做一个 marketplace，当需求很旺、供给很低的时候，增长就很快。这是外部因素，就是雷军说的"风口来了、猪就飞起来了"。但我想说的是：风口固然重要，更重要的是我们在两年前就花了两年时间，把 prosumer 的底子搭好了。所以当风口来的时候，你才飞得起来。

机器人会取代蓝领吗？回到"人的价值"

Monica：蓝领当然会被替代得慢一点。但你看今天在 WAIC 现场，那么多机器人——清洁的、送餐的、炒菜的。你预计什么时候可能迎来一个转折点，让机器人替代蓝领？

Max：不好预测。但回到第一性原理：人的价值在什么地方？

今天的模型其实收口到了几个变量——文本、语音、图像（视频其实也是图像）。在这三件事的服务上，它做得已经很完美了。但人和人之间——我为什么还要做直播？为什么不用一个 Max 的数字人把讲稿念一遍？——因为人和人之间的 interaction、那种交互是不一样的。就像所谓的"量子纠缠"，是很底层的东西。你判断一个人好不好，不只是通过建模和说话，还有很多很隐性的东西。所以你去一个很高级的酒店或餐厅，有个人过来服务，那种感觉是不一样的。

再比如中餐和西餐：西餐早就机械化了，麦当劳几乎全是机器做的；但中餐不太容易，你还是觉得那个"味"、那个掂勺的锅气不一样。所以我的判断是：那些不那么依赖人与人之间 connection 和微妙感觉的东西，可能会被大规模机器替代；但一旦里面有大量人与人之间的变量，机器就不那么容易替代。你可以有一个 AI sales 去大规模 generate leads、去 reach out，但最终做重大决定时，对方还是要说"我信任你这个人"。不然公司连 CEO 都不用了——用个 AI 去卖不就完了？但那其实不可能。

摩根士丹利的一千万美元：什么不能被 AI 替代

Monica：既然讲到"人"，我想问 Angela：你做了这么多年战略、增长、营销，你觉得这份工作未来有可能被越来越强的 AI 替代吗？

Angela：坦白说，我觉得营销是最不好被替代的，尤其大客户营销。我讲一个以前的故事，你就明白为什么。

我们当时把一份每年一百多万美元的合同，卖成了一份三年一千多万美元的合同，客户是摩根士丹利。这是一次非常难的 team effort，跟做咨询、做产品都相关。我们的客户画像跟 Max 的不太一样：他的客户是那种非常接地气的美国人，你需要看脸、跟人打得火热，人家才信任你。而我们这个团队做的产品，是给摩根士丹利做固定收益（fixed income）交易的一位MD的团队用的，他的年收入绝对是几百万美元级别。我们一家创业公司跑过去，凭什么去教他怎么做交易？那我们是怎么建立信任、让他心甘情愿掏一千万美元的？

从签上一年的合同到下一年的合同，我们无数次跑到他办公室。这种层级的人，真正给别人亮底牌的机会很少，压力也很大——能帮他给大银行部门赚更多钱的人很少，而且不在他的银行里（他银行里都是 competitor）。所以他并不是跑来单纯买一个软件；而且如果他清楚自己需要什么，也就不会来找我们了。

他来找我们，找的是一帮聪明人，能真正聆听他的问题和痛点。这件事跟 AI 一点关系都没有。最开始我们这么聊："你们部门是做什么的？""做量化交易的。""那你们量化交易究竟怎么卷得过别人？"做金融的人很容易就说"这是秘密，我不能告诉你"。但经过很多次接触——不是吃饭喝酒，这样的人时间很宝贵，每一次接触都必须对他有价值——我们做的 automated machine learning 能让他们快速测试大量信号、很快把 AI 模型建出来。其实很多时候一个好的 trading idea 不是坐着想出来的，而是大量试错、大量 data mining 试出来的。

我每次去都是三个人上会：我、一个 data scientist，还有一位我们公司从华尔街挖来的大佬。跑到他办公室，不停跟他磨："你最近在想什么？你团队在想什么？你招的这些哈佛 PhD 都在干什么？"他才会说："你们讲的好像很在理。我们 PhD 建模一个月建一个，在银行里再走流程 approve 下来很慢。"我们天天跑去时代广场（Times Square）摩根士丹利的 office 刷脸，还给他们的人做 training。而我们的 training 很多时候并不"自私"——100% 的时间都在讲："作为一个好的量化交易员，你应该看什么样的 signal？怎么建模？建一个时间序列模型有哪些方法？"把所有 technique 讲完，完全是一场咨询，最后才带入"用我们的产品可以更快地做到这些"。

所以你说这怎么用 AI 替代？其一，卖 AI 的时候，你没法拿 AI 去采访一个用户需求——对你来说很 easy、省了时间，但没有哪个客户愿意跟 AI 掏心掏肺，人对人是将心比心。其二，AI 再聪明，人的聪明之处在于我们能临时捕捉到对方的需求、临时话锋一转去挖更值得挖的东西，这是 AI 看不到的。当时用 AI 去教这些工资比我们高、比我们聪明、拿着名校学历的人怎么把工作做得更好，听上去是件 impossible 的事。但通过 build trust、通过在行业里跟各个客户聊，我做的所有产品 somehow 总有一些"可以教客户"的东西。而且这种"教"，不是第一天就 show up 说"我是来教你怎么用 AI 的"，而是一定要从他的角度出发、聊到他的痛点，最后自然而然聊到 AI 上，生意才做成。

AI 取代了我 70% 的工作，剩下的更值钱

Angela：扣一下题：我现在做产品的工作，70% 的工作已经被 AI 赋能了——……提炼客户反馈……这些工作通过 AI 我可以做得很快很高效。省下来的时间我可以花更多的精力跟客户建联，深挖他们的痛点……最后对客户需求的解读，和对商业的判断拍板，是 AI 替代不了的。

70% 的确已经被 AI 取代了。产品经理做什么？一部分是做客户调研，也就是 voice of the customer。我说的不是取代我跟客户深挖的过程，而是 AI 可以帮我脑暴——我的产品特点是什么？客户画像是什么？它能把客户画像、他们在用的产品、他们的工作流挖得清清楚楚。然后我用行业经验判断：这个人适合试我们的产品，那个人可能没戏。这一下就把事情变简单了。

我也可以让 AI 做 deep research：这个行业有哪些公司、有什么竞品、竞品网页上放的是什么客户、什么 logo、做决策的是哪些人，帮我找这些人的 profile。这种事以前我手工做要花很长时间，现在很快。做产品本身是 art and science：就算我知道了用户需求、要满足他形成一个工作流，但通往罗马的路有很多条，我可能只能想到三条。AI 是很好的发散工具，能帮我想到十几条，还能把 trade-off、technical feasibility 想清楚。

Monica：它还会反问你。

Angela：对。这些不一定全对，但能给到 80% 的答案。它帮我省下写文档的时间——以前写完 PRD 还要交给 designer，跟他说"你理解的是这样、其实我想的是那样"，他做出 Figma，我 comment 一大堆，他再改，非常费事。现在我甚至可以让 ChatGPT 把所有竞品的 design primitive 都找出来，帮我总结有哪些对话型、interactive 型、voice 型的 pattern，我再选一选、做出很多 prototype 拿给客户看，看他们哪个理解、哪个不理解。这又回到我们产品atypica.AI要做的一件事：把所有客户反馈用 AI 提炼出来。这样你拿到一份报告，又有用户的 voice of customer，说服内部团队时非常有理有据，而不是"我聊了 5 个人，好像那个人想这样做，你就听我 PM 的吧"——那样内部很难 buy in。

所以剩下更多的时间可以做什么？跟进 AI 行业动态、看大家又出了什么新东西对我的产品有没有用；更多的时间还是去跟摩根士丹利、或者未来的 consumer brand 这样的客户真正去聊，挖掘痛点。比如前段时间我在新加坡 Super AI 大会上见到咨询公司安永（Ernst & Young），他们看到我在手机上 demo 的 Atypica.AI 的 research 能力就惊艳了，说"我们走一走流程"，我说"别走流程，我就在新加坡，下周就能去你 office demo"。然后我下周就跑去，给两位 partner 看了，他们就开始试用。这种人和人的接触是不可取代的——过程很累，但你能捕捉到的东西，比隔着屏幕、隔着纸面、或靠 AI research 到的多得多。

vibe interview：Workstream 里 AI 做什么、人做什么

Monica：Max，在 Workstream 里，哪些不可被取代？哪些是你们已经用 AI 提效做得很好的？

Max：我们俩讲的东西很有共鸣。刚才 Angela 说的就是 prosumer——那位摩根士丹利的 MD 就是个 prosumer。当你真要卖给一个 prosumer 时，不可能用很机械的、纯 AI 的方式，因为那时候你压根还没搞清楚痛点。这时候你需要大量的人投入进去找到那个点。等你能用 AI 大规模替代人的时候，其实产品也 ready 了、口碑也 ready 了——你只是需要在那个时候被 trigger 一下：那个人本来没想到你，突然有个电话打来，"哦对呀，还有这么一个产品"。

不可被取代的产品点，还是要回到用户的场景。拿招聘举例——我经常把我们用户的招聘叫做 vibe interview。店长招员工，看的不是你多硬核、技能多好，而是一种感觉。

Monica：对，gut feeling。

Max："这哥们不错，我想跟他一起工作。"那 AI 解决什么问题呢？第一，当你要应对大量的人时，你不可能把 30 个人全面完，可能会错过一些人，所以我们帮店长先把这 30 个人过一遍。无论电话 AI 还是视频 AI，帮他解决几件事：其一，"聊过了"——今天你去打零工，第一反应是希望店长尽快回应我，回应越快我越可能早点来上班。其二，你需要知道的不只是"我送过外卖""我做过汉堡"，你更需要知道这个人看起来是不是个好人。你想象一下，在咖啡厅给你做咖啡的人，如果看起来很和善、很容易亲近，你就更愿意买他的咖啡——因为咖啡机都是一样的。所以面试时，这部分恰恰是 AI 特别容易捕捉信号的部分。

Monica：对，我想起你说的那个咖啡厅的例子。

Max：对。这个人讲话好不好听？做蓝领的人有时候讲话比较冲，你不希望招一个对你的用户很冲的人。所以 AI 是一个很好的媒介：搞定语言、搞定这个人的状态、搞定他是不是一个 nice 的人、是不是你店里想要的那类人，并且 cover 足够多的人。

但最后一轮不能被替代：我作为老板要来做决定，看完所有反馈后挑出最好的人、pass 掉明显不会招的人，然后亲自跟他聊。第二个是算工资：这个过程本身可以被 AI 替代——上游无非是一堆 POS 机的打卡数据、一堆 Excel，你要根据工时、每小时工资算出要不要扣除什么、小费怎么算，非常耗时，应该用 AI 完美替代。但你不能替代最后一步——"发工资"那个点按钮的动作。因为这是要承担责任的：作为老板你要 review 一下，如果工资真发错了，老板要担责。美国市场还好；澳大利亚市场，wage theft（欠薪）是要坐牢的。所以哪怕你的 AI 再厉害，也不该替老板做这个决定——出了事算谁的？

我们经常开玩笑：做所有服务的本质，是先搞清楚"谁背锅"。所谓 compliance（合规），本质就是先厘清谁背锅。你最好把"背锅"和用户的责权利对齐——用户说"我愿意背这个锅，因为我既不想亏欠员工工资，也不想多发钱"。一旦目标对齐了，你就清晰地知道：哪些战术层面的东西该用 agent 替代，哪些战略层面的东西让用户自己来决定。

Monica：所以我听懂两位的意思了：能产生化学反应、能建立信任的过程，是不能被 AI 替代的；还有需要负责任、需要有人"背锅"的地方——就像 SLA 那个层面，总要有人去 take 这个 responsibility。而能提效的地方也非常明显。

给出海北美创始人的第一步建议

Monica：最后一个问题：如果屏幕前今天的 AI 创始人想去北美市场，你建议他第一步做什么？

Angela：一定要去到北美，一定要亲眼看到——physically。我们讲的所有东西，为什么"人不可被取代"？如果隔着一个屏幕，你可能就会被数字人取代。你一定要去观察：做产品、做生意的过程，就是跟别人共情、观察到别人的痛点，而这首先要观察到别人的生活方式。

我回国这半年跟一些 startup 接触，觉得中国人都非常努力，技术也很好，也能把 competitor 的 feature 大卸八块——竞品有的我们都知道、都能做出来。但我们最后可能缺失的一点是：这个产品究竟打动的是哪些人？打动他生活中的哪个点、工作中的哪个点？这件事，除非你去到现场，看到他上班时电脑上是哪个界面、他是怎么操作的，你才能看到——他是不是在很多时候做了大量复制粘贴（这是痛点）？是不是有个产品他用不起来、只能手工搞（这也是痛点）？如果是更偏线下的场景，可能你要真的看到他在工厂里怎么工作。

Angela：找到痛点只是一方面。真正跑起来的时候，我们可以扬长避短：中国人去海外，我在海外这么多年都是一张中国脸，语言可能不是我们的长项，但真诚可能是。而且我们进入一个行业，肯定有行业洞察和背景。我们可以用擅长的东西，给客户一些真诚的、早期的、思想层面的碰撞或交换，这也是建立信任的方式。以后不管你在哪里 run 这个 business，每当你 launch 一个新产品、想定价的时候，都可以一次次回到这些客户身边，让他给你真诚的建议——这时候你才能真正把产品打磨出来。这样当你花很多钱在增长、市场、销售上时，你知道自己推广的是一个真正 solid 的东西。而不要太早在离市场很远的时候就花很多钱打广告——人进来了、却留存不住，你还不知道为什么。这是大家需要注意的一个误区。

Monica：谢谢。Max？

Max：跟 Angela 很相似。我想起当年很火的"商业画布"（Business Model Canvas），里面有一个特别容易被忽略的问题，叫做 "Where do your users hang out?"——你的用户在哪里混？这个问题很多人回答不出来。所以我唯一想说的一点是：无论你是肉身在北美，还是远程，whatever，最关键的是你要和你的用户"混在一起"。

混在一起有几个原因。还是回到第一性原理——搞定产品、市场和渠道。第一，只有跟他们混在一起，你才能从那些很微小的点上找到真正细微的痛点。我们常说要去办公室工作，为什么？因为你和同事在茶水间聊天时，会莫名其妙聊出一个点。你跟用户也要有这样的东西——你不能每次都是很严肃的交谈，那样对方只会说场面话。你必须跟他玩在一起，才能看到那些真正细节的点。第二，你才能真正知道你的市场是什么特性。

Max：最后还有一个很容易被忽略的点：跟用户混在一起，对你的 go-to-market 是决定性的。因为只有跟这帮人一起玩，你才知道推广渠道是什么。举个例子：如果你的用户是一帮很精英、搞 AI 的华人高材生，那渠道很可能是高校、或华人微信群；但像我们做 Workstream，我们的"朋友圈"是一群各种肤色、各种语言的人，你 handle 他们的渠道完全不一样——你要会讲他们的语言，知道他们玩什么游戏、在什么群组里。那种高大上的群组是不存在的，email 人家也不看。所以我唯一的建议就是：无论你的用户在什么市场，hang out with your users，用任何方式跟他们混在一起。这样你才能慢慢感觉到那些很细微的点，才能做出真正的 killer feature。

Monica：说得太好了。感谢两位！我们今天北美主题的直播就到此结束，谢谢两位。

嘉宾：

Max（Workstream）

Angela（Atypica.AI）

访谈：Monica

制作：Aniya