8万公司如何用AI构建产品：产品即有机体、AI信任刻度盘与更多洞察

摘要

Asha Sharma 是微软 AI 平台首席副总裁（CVP），负责 overseeing AI 基础设施、基础模型与智能体工具链，同时领导应用工程、负责任 AI 与核心 AI 部门的增长工作。她此前曾担任 Instacart 首席运营官、Meta 副总裁（负责 Messenger、Instagram Direct 等产品），目前还担任家得宝（The Home Depot）和 Coupang 董事会成员。

在本期对话中，Asha 系统性地阐述了当前 AI 产品建设的核心趋势与底层逻辑。她提出"产品即有机体"（Product as Organism）的概念——产品不再是静态的交付物，而是持续学习、自我优化的生命体，其核心 KPI 是团队"代谢"数据与奖励信号的循环速度。她指出，成功的 AI 企业遵循三步路径：全员 AI 素养提升→流程 AI 化改造→以 AI 驱动增长拐点；而失败者则陷入"为 AI 而 AI"的陷阱。在界面层面，她预测图形用户界面（GUI）将让位于代码原生接口（Code-Native Interface），因为文本流与 LLM 的契合度远高于视觉画布。在组织层面，她展望"智能体社会"的到来——当优质输出的边际成本趋近于零，组织架构将从层级式"组织图"（Org Chart）演变为以任务为中心的"工作图"（Work Chart）。在方法论层面，她提出以"季节"而非固定周期来规划路线图，并断言后训练（Post-Training）将成为新的预训练——企业应将资源投向精调与强化学习，而非从零构建模型。最后，她分享了从 Satya Nadella 身上学到的领导力核心——"乐观是一种可再生资源"，以及她个人对 AI 改善医疗与生育问题的深切关注。

正文

一、产品即有机体：从静态交付物到持续进化的生命体

Asha 回忆，当她加入微软时，正值 OpenAI 和大型基础模型（Foundation Model）引发行业变革。此后，专有模型与开放前沿模型（Open Frontier Model）不断推动性能前沿，模型开始在特定领域展现出专业能力，更近期则获得了工具调用（Tool Calling）和函数调用（Function Calling）的能力，能够自主采取行动。

这一系列变化催生了一种全新的产品形态。产品不再是静态的"工艺品"（Artifact）——提出一个想法，解决一个问题，发布上线，再做个仪表盘来追踪。如今，核心 KPI 变成了一个产品团队"代谢"数据的速度：摄入数据，消化奖励模型（Rewards Model），产出某种结果。因为模型已经足够强大，团队可以针对特定结果进行调优——无论目标价格、性能还是质量。

Asha 的核心论点是：产品正在从"工艺品"变为"有机体"，它们随着交互次数的增加而持续进化。这是每一家公司新的知识产权（IP）——能够思考、存活与学习的产品。

Lenny 将这一概念与 Cursor CEO Michael Truell 的观点相印证——Cursor 最大的护城河正是用户使用过程中产生的数据：接受哪些建议、拒绝哪些建议。Asha 表示认同，并引用了 Nathan Lambert 的一项研究：当模型达到 300 亿参数后，继续投入巨额资本进行预训练在经济上已不再合理，在循环中优化（On-the-Loop Optimization）才是更优解。

她强调，利用自有数据是最优路径，但也可以合成生成数据。关键在于设计奖励模型（Rewards Design）、严谨地进行 A/B 测试、找到最匹配的任务场景（Job to Be Done）。这一过程绝非单一循环，而是多条并行运行的"流水线"。这一趋势不仅适用于模型公司——软件作为一种原语正在改变，模型将与软件组件一起成为产品内部的核心构件，所有软件产品都将成为"模型优先"（Model Forward）产品。

Asha 进一步展望：未来每个用户的体验将实时差异化——她的界面与你的不同。对于智能体（Agent）、高级用户和新手，界面也将各不相同。产品 UX 将根据使用方式自动演化，无需产品团队手动干预。

二、成功 AI 企业的三步路径与常见失败模式

Asha 观察 80,000 家在微软平台上构建 AI 产品的企业，总结出成功与失败的模式差异。

成功企业的三步路径：

1. 全员 AI 素养化：每位员工都在日常工作中使用某种 AI 助手或工具，消除恐惧感，理解 AI 如何提升各类技能和任务的上限与下限。
2. 流程 AI 化改造：找到已有流程，用 AI 加以改进——例如将客服欺诈处理周期从 15 天缩短到 10 天。完整走完"梳理流程→应用 AI→衡量影响→感受收益"的闭环。
3. 以 AI 驱动增长拐点：从流程改造走向增长驱动——改善客户体验以提升生命周期价值（LTV）和留存率，共创新的概念或品类，将嵌入式智能体（Embedded Agent）升级为具身式智能体（Embodied Agent），从而承担指数级增长的任务量。

失败企业的典型特征：

• "为 AI 而 AI"——同时启动大量项目，缺乏蓝图来理解哪些有效、技术栈如何构成。
• 不将其视为真正的投资——缺乏测量、可观测性（Observability）和评估体系（Evals）。
• 在技术快速变化的局面下，面对去年发布的约 70,000 种企业 AI 工具，不知如何选择——Asha 的建议是：押注一个平台或应用服务层（App Server Layer），让你可以灵活替换组件，而不是被某一项技术或工具绑定，因为现实是——一切都会变。

要为斜率而构建，而非为快照而构建。

三、闭环而非车道：全栈建造者的复兴

Asha 认为，AI 时代正在催生"博学者"（Polymath）的回归，全栈建造者（Full-Stack Builder）正在经历复兴。

她算了一笔账：一个普通组织发布一款产品大约需要 10 个步骤（安全审查、需求规格、用户研究等），涉及 5-7 个职能，6-7 个管理层级——这意味着完成一次产品交付需要 500 个接触点。当每周出现 500 个新模型或新技术时，这种组织方式完全不可行。

全栈建造者的核心特质是跨职能的闭环能力。无论你身处哪个职能部门，都必须对产品的成本效率、奖励/系统设计、UI/UX 表现（无论面向智能体还是人类）保持高度关注。

Asha 将此概括为一句箴言：关注闭环（Loop），而非车道（Lane）。 这与"产品即有机体"的理念一脉相承——让产品持续进化的信号闭环，才是产品本身，才是 IP，才是每个组织的未来。反馈变得持续，可观测性成为文化，职能边界在未来的工作组织中逐渐模糊。

以微软的 Dragon AI 产品为例——这是一款面向医生的语音产品。团队使用合成数据微调时，字符接受率在 30%-60% 之间波动；当专家标注了 60 万条医患交互数据并持续优化后，接受率跃升至 83%。关键在于：一个小型跨职能团队，而非庞大组织，在闭环中快速迭代，消除了所有职能边界。

四、从图形界面到代码原生接口

Asha 指出，历史上每一次技术范式的迁移都遵循同一模式——界面从可视化走向文本化：数据库从桌面走向 SQL，云计算从控制台走向 Terraform。AI 领域正在重演这一模式，只是速度遵循摩尔定律般加速。

文本流与 LLM 的天然契合度远高于视觉画布。因此，未来产品的核心竞争力将在于可组合性（Composability）而非画布（Canvas）。产品建造者需要重新调整思维——不再花费大量时间打磨 UI，而是思考产品如何被组合、智能体如何读取、如何实现无限扩展、协作如何运作。

Lenny 追问：这是否意味着终端（Terminal）式体验（如 Claude Code）将是主导？Asha 认为两者并存——人类将继续以各种方式提交代码（IDE、GitHub Copilot 或新的开发环境），同时智能体之间也将以文本流方式交互并持续演化。

关于对话（Chat）是否将成为智能体的唯一接口，Asha 给出审慎判断：对话是强大的接口，但并非唯一的通信形式。 人们今天用邮件协作、用文档工作——全球有十亿人生活在文档和演示文稿等"工艺品"中，这些都可以成为可组合的重要拼图。聊天重要，但远远不够。

五、智能体社会：组织图让位于工作图

Asha 提出了"智能体社会"（Agentic Society）的概念框架：

核心前提：优质输出的边际成本正在趋近于零。当这一条件成立时，对生产力和产出的需求将呈指数级增长。而扩展到这一规模的唯一方式就是智能体——包括嵌入式智能体（作为工具和软件组件）和具身式智能体（Embodied Agent，可被分配具体任务，如将 Pull Request 指派给 Copilot，或创建智能体销售开发代表进行线索挖掘）。

组织结构的根本变化：当智能体具备足够能力、人类也能胜任更多任务时，组织将不再以层级思维运作，而是转向以任务为基础的向外辐射式协作。传统的"谁向谁汇报"的组织图将演变为"工作图"（Work Chart）——当新问题出现时，自动决定任务路由、分配执行者、监控执行质量、在偏离时进行微调。

对普通员工的影响：Asha 持乐观态度——每位员工都将拥有自己的智能体栈（Agent Stack），就像今天可以自带设备（BYOD）一样。她估算，如果全美约 2000 万知识工作者每人技能提升 20%，对 GDP 的影响将是指数级的。

关于如何管理大量智能体的工作质量，Asha 指出核心依然是前面讨论的闭环——微调、自愈（Self-Healing）、可观测性、高质量评估。好消息是，管理数十亿设备的策略、群组权限等系统已经存在，不需要重新发明轮子。

六、AI 时代的规划方法论：季节、季度与余量

面对 AI 领域的快速变化，Asha 分享了她的规划框架：

"季节"概念：公司历史上按学期（每六个月）规划，但在 AI 时代，六个月太长。她提出以"季节"为单位——一个季节由行业或客户侧的长期性变化（Secular Change）定义。第一季是 AI 原型期和早期 GPT 工作，第二季是模型与推理模型，当前是第三季：智能体的崛起。 一个季节可持续一年、六个月或三个月，但关键是让所有人就以下问题达成共识：长期性变化是什么？客户问题是什么？赢的标准是什么？

北极星指标：确立统一的北极星指标（North Star Metric），确保全团队方向一致。

宽松的季度 OKR：基于对季节的理解，设定下一季度需要推进的关键结果，而非过度精确的计划。

4-6 周的小队冲刺：团队以小队（Squad）形式，针对具体问题领域设定短期目标，逐步向上对齐。

系统余量：刻意在系统中留出余量（Slack），不仅为意外事件，更为技术斜率——持续思考如何颠覆自身平台、需要提前投资什么。

Asha 确认，当前正是"智能体崛起"的季节。当被问及下一季可能是什么时，她表示不确定，但强调目前 Azure 上已有超过 15,000 个客户构建了智能体（实际智能体数量达数百万），仍有关键构建块尚未完善——记忆（Memory）是核心缺口，Manus 在工具调用循环方面的突破表明智能体完成长时任务的能力仍需提升。在这些问题解决之前，不应急于进入下一季。

七、平台之道：看不见的工作才是真正的护城河

Asha 分享了一个贯穿她职业生涯的核心洞察：伟大平台的护城河不在像素，而在看不见的工作。

Porch Group（她作为第 7 号员工加入）：公司发明了房屋报告、家装管理、风格灵感等众多功能，但真正将公司带到 5 亿美元估值的核心 IP 是一个匹配平台——将 600 万专业人员、1,300 种服务类型、37,000 个邮编与北美所有业主进行精准匹配，持续优化以产生更高质量的线索。

WhatsApp（她在 Meta 负责消息产品时学到）：WhatsApp 不是因为贴纸、Stories 或暗色模式取胜——事实上它赢的时候这些功能都没有。它赢在三个基础设施层面：电话簿（你知道能联系到每个你关心的人）、可靠性与速度（给印度的祖母发消息，她一定能收到）、端到端加密（每天给最在意的四个人发 200 条消息，隐私至关重要）。

Instacart：用户喜爱的功能很多，但底层是每分钟更新 3,000 次的十亿级商品数据库，确保用户从心仪的商店买到想要的食品杂货。

微软 AI 平台：真正关键的不是功能列表，而是数据驻留（Data Residency）——德国的医院可以在本地安心微调模型，数据不会离开该区域；以及可用性、可靠性、企业所需工具的正确选择、知识的正确检索方式。这些才是平台的根基。

Asha 总结：人们往往低估平台领域的马斯洛底层需求——性能、可靠性、隐私、安全。这些"看不见的工作"才是真正的护城河。

八、从 Satya Nadella 学到的：乐观是一种可再生资源

Asha 分享了她从微软 CEO Satya Nadella 身上学到的最重要的领导力课程：

乐观是一种可再生资源（Optimism is a Renewable Resource）。 微软 50 年来有无数不成功的理由，即使在 AI 时代经历了早期成功、挑战与新的成功，空间发展如此之快——但 Satya 生成能量、用乐观更新每个人对使命的承诺的能力是令人难以置信的。这是文化中最重要的一部分。所有人都在谈成长型思维（Growth Mindset），这确实是文化的核心，但用乐观来每天更新每个人的承诺——在一个竞争激烈的人才市场中，这是非凡的。

有人将这种力量归结为"氛围"（Vibes）——不是具体的措辞，而是一种散发出的乐观与能量。Asha 引用了一位同事的话来解释其深层逻辑：我们每天都在选择关上孩子的房门去工作，所以你必须做那些深深打动你、你深信会让世界更美好的事情。 这就是为什么它是"氛围"——你必须追随并服务于一个超越自我的使命。

九、后训练即新预训练：强化学习的下一个浪潮

Asha 在对话末尾强调了一个关键趋势：随着智能体的兴起和能够思考、行动、推理的产品的出现，将出现围绕强化学习（Reinforcement Learning, RL）的新浪潮，它将成为接下来数个季节最重要的产品技术之一。

核心判断：

• 后训练的投入将追平预训练，未来甚至会超过预训练。 Nathan Lambert 的研究表明，当模型达到 300 亿参数时，微调和优化更经济；调查显示 50% 的开发者已在进行微调。
• 创建基础模型需要巨额算力投入、顶级科学专长（科学家的市场价值急剧上升），而这些专长并非遍布全球——这是巨大的资本支出（CapEx）投资。而随着模型爆炸式增长，市场上已有大量不同领域的优质模型可供选择。
• 在经济杠杆和品味导向上，通过强化学习或微调来优化现成模型——针对价格、性能或质量——比从零构建更具优势。这与排序（Ranking）这一经典优化问题的工业逻辑一致：你不会直接使用通用框架，而是针对特定场景和人群定制体验。
• 数据来源可以是自有数据、购买的数据、合成数据或其他形式。越来越多企业和组织将思考"如何适配一个模型"，而非"如何原样使用现成产品"或"如何投入巨资自建模型"。

在模型策略上，Asha 坚定站在"模型系统"（Model System）阵营，而非"一个模型统治一切"：Claude Sonnet 4 在某些场景出色，GPT-5 在另一些场景不同；有时在乎延迟，有时容忍思考时间，有时只需快速检索。她倾向于使用一组可独立微调和部署的模型集成（Ensemble of Models），但坦言目前行业仍在快速演进，所有术语都还在被发明中。

十、驱动力：从医疗突破到人口未来

Asha 分享了她最深层的驱动力。

医疗方面：她的母亲患有癌症，她常想是否能在有生之年看到那种癌症被攻克——三年前她觉得绝无可能，现在她开始相信。伦敦一家医院已在使用 AI 匹配卵子和精子来提高妊娠率，同时降低成本；斯坦福大学是她所建平台的重要客户，正在用 AI 进行肿瘤评审。ChatGPT-5 发布当天展示的医疗应用案例令她深受触动。

人口方面：她每晚思考的问题不是 GPU，而是——她的儿子未来是否还会有同学？ 不是因为智能体会取代人类，而是生育率在持续下降。90 年代全球平均生育率约为 3，如今为 2.3，预计 2050 年将低于替代水平。AI 已经在产生影响，也可能在此问题上发挥巨大作用。

这些是她选择在微软——一家以"帮助每个人和每个组织成就更多"为信条的公司——建设 AI 平台的根本原因。

十一、快问快答

推荐书籍：工作中推荐《Thinking Machines》（核心观点是治因不治症——想解决交通问题，不是设减速带或限速，而是解决步行性和出行需求以及人们使用汽车的根本原因）；个人最爱《Tomorrow, and Tomorrow, and Tomorrow》，连续三年每年重读。

喜爱的影视：F1 赛车纪录片、科幻剧《For All Mankind》第四季（喜欢对太空竞赛替代历史的推演）。

近期发现的好产品：DEWALT 新款动力包（采用软包电池，重量减轻 50% 但功率不减，单手操作钻头不再沉重）；Brilliant 智能家居系统（4 英寸高分辨率中间件，连接所有设备——Asha 对智能家居技术碎片化已达到"极致不满"）。

家得宝董事会的收获：家得宝有一种"倒金字塔"文化——不是高管在顶端，而是员工在顶端，门店即总部，传统总部是支持部门。这种极致以客户为中心的文化令她深受启发，也让她走出科技圈、接触真实世界中人们对 AI 和技术的真实痛点与看法。

人生座右铭的演变：早期使用"最小化遗憾"（Minimize Regret）框架；成年后、有了家庭后转向"最大化期权价值"（Maximize Option Value）——学习、休息、健康、家庭、信任、关系都能在未来复利增值，无需与加班或牺牲家庭做零和博弈。愿景是：70 岁时不是回望数了几个遗憾，而是展望前方还有多少冒险——因为她已积累了技能、信任、人脉、家庭与影响力。

跆拳道黑带二段的启示：跆拳道更多是心智运动而非身体运动。它教会她心理清明（Mental Clarity）、勇气、以及坚持到底的雄心。这与产品工作如出一辙。人们想象中跆拳道是飞踢和跑墙，但真正的价值在于精神层面的追求。