Company Tech Annual Opening keynote Saturday / onsite display

Benlai No Code Era 代码不再稀缺，交付才是稀缺；能一人成军的人正在重写组织形态。

$ midnight.confession --repeat wife_warning

最近总是被老婆骂：每天半夜只理 AI，不理她。系统日志显示，这个告警已经触发 x2。

一个老登终于觉得自己又可以了。
我真的强的可怕。

  1. 第一次听说 ChatGPT 3.5，旧世界开始松动。
  2. 订阅 ChatGPT Plus，开始动员团队学习。
  3. Benlai App 大部分图片开始用 AI 生成。
  4. 一代代模型迭代，保持狂热，持续追更。
  5. 进入 vibe coding，开始思考 FDE 组织。
  6. 布道数字孪生、数据治理、流程萃取、系统再造和 FDE。
  7. AI coding 生产力落地，HTML 成为主要工作工具。商机驾驶舱已上线：2万行代码，两周迭代50+版本；下一步计划手搓全套采购工作台和仪表盘。

00 / opening frame

The org chart is melting.

00 / 最重要的一条

未来几乎只有一种人：能一人成军，熟练使用 AI 工具，有自己擅长的业务和品类，并且能够独立产出结果的人。

01 / 一人公司

这种单干就是一人公司；这样的人在一起，就是扁平的新式公司。

02 / 科层消亡

科层制公司正在消亡，部门出身不再重要，可以来自技术部，也可以来自业务部。

03 / 共同赛跑

现在是所有人往这个方向赛跑的时代，决定了还能再吃几年饭，还是立刻没饭吃。

04 / 真成本

真正贵的东西转移为业务判断、品类理解、数据连接、架构、验证、安全和上线责任。

SATYA NADELLA / MICROSOFT
Evidence / enterprise baseline
20-30%

Microsoft 公开报道称约 20% 到 30% 代码由 AI 写成。

保守企业也已经进入 AI 代码生成阶段，这不是创业公司特例，而是企业级默认能力正在变化。

  • Satya Nadella
  • enterprise codebase
Key line: 组织基准线变了，个人能力基准线也会跟着变。
EvidenceSource link
SUNDAR PICHAI / GOOGLE
Evidence / big tech
75% / 6x

Google 官方称 75% 新代码由 AI 生成，并由工程师批准。

复杂迁移项目在 agents 与工程师协作下快 6 倍。重点不是“AI 会写代码”，而是大厂已经把代码生成、工程师批准和迁移验证放进同一个生产流程。

  • Sundar Pichai
  • 75% new code
  • 6x migration
Key line: 代码生成已经进入默认生产方式，批准和验证仍由人负责。
EvidenceSource link
GREG BROCKMAN / OPENAI
Evidence / agentic coding
80%

OpenAI 把 agentic coding 从“辅助写代码”推到“参与主要编码工作”。

从 20% 到 80% 的变化，说明 AI coding 正从补全工具变成生产线。演讲时这里可以强调：工具升级不够，真正要升级的是任务拆解、上下文喂给、测试反馈和上线责任。

  • Greg Brockman
  • agentic coding
  • major coding work
  • human review
Key line: AI coding 的位置正在从副驾驶变成生产线的一段。
Evidence / WorkflowSource link
DARIO AMODEI / ANTHROPIC
Evidence / frontier view
90%

Dario Amodei 曾预测 AI 短期内会写 90% 代码。

判断可以激进，但方向很清楚：代码本身会继续变便宜，贵的是定义问题、连接上下文、验收质量和承担责任。

  • Dario Amodei
  • frontier labs
Key line: 趋势判断可以激进，组织准备不能保守。
Evidence / ThesisSource link
YC
Evidence / startup workflow
95%

YC 报道称部分创业公司代码库几乎由 AI 生成。

创始人仍必须能读代码、找 bug、判断系统是否可靠。生成比例越高，验收能力越值钱。

  • W25 startups
  • founder verification
Key line: 业务一线可以直接构建产品，但验证能力不能丢。
Evidence / WorkflowSource link
GITHUB
Evidence / developer output
10x

GitHub 强调 AI 对开发者的 10x 放大。

真正聪明的公司不会简单减少技术人，而是要求技术人升级为更高产出的系统交付者。

  • Thomas Dohmke
  • developer upgrade
Key line: 不是减少技术人，而是淘汰不升级的工作方式。
Evidence / RoleSource link
DREW HOUSTON / DROPBOX
Evidence / leverage
100x

Dropbox CEO 提出懂 AI 的 10x engineer 可能变成 100x engineer。

AI 放大优秀技术人的能力，也会放大人与人之间的产出差距。

  • Drew Houston
  • 10x to 100x
Key line: 100 倍不是敲键盘速度，而是端到端杠杆。
Evidence / ThesisSource link
Benlai No Code Era
BENLAINO CODE ERA
业务品类判断AI 工具链调用原型 / PR / 交付
BENLAI / ONE PERSON CO.
Benlai thesis / new era
1-person co.

一人成军，是新的组织起点。

代码不再稀缺之后，最稀缺的是懂业务、懂品类、能调用 AI 工具并独立交付的人。这个人可以来自技术部，也可以来自业务部；出身不重要，能否独立产出才重要。

  • 业务品类判断
  • AI 工具熟练度
  • 独立产出能力
Key line: 一个人能跑通业务、系统和交付，就是一人公司。
Thesis / Role
COST SHIFT / FIONA FUNG
Thesis / cost model
~0

代码边际成本下降后，旧工程方法论的底层假设变了。

Fiona Fung 在 Anthropic 大会 28 分钟演讲里，把时间线拉回 Visual Studio 2005：软件从 CD 刻盘、装盒、铺货，变成互联网在线分发，发布节奏已经被重写过一次。

现在轮到 AI。过去从瀑布到敏捷，都是围绕“写代码贵、写测试贵、重构贵”来分配稀缺资源。AI 改变的不是发行方式，而是“写代码”本身。

  • Visual Studio 2005
  • CD -> online -> AI
  • code / test / refactor cost
Key line: 过去管用的经验，现在未必继续管用。
Thesis / WorkflowSource link
ANDREW NG / JOBAPALOOZA
Evidence / labor market
jobapalooza

吴恩达：AI 失业末日是恐慌叙事，真正变化是岗位和技能重组。

他反对“AI 会引发大规模失业”的恐慌故事：工程师招聘仍然活跃，美国失业率约 4.3%。更值得警惕的是前沿公司营销、企业把裁员包装成 AI 提效、媒体偏爱恐慌标题。

  • jobpocalypse -> jobapalooza
  • AI 工程岗位增长
  • 非 AI 岗位技能重写
Key line: 不是岗位消失，而是不会用 AI 工具的人先失去竞争力。
Evidence / Role / BoundarySource link
Provocation / transition line
TEAMWORK?

低效接力式 teamwork，正在从协作美德变成组织摩擦。

不是否定协作，而是否定“把责任切碎、把问题转述给下一层、靠排期掩盖无主问题”的旧协作。

  • 少数人端到端拿结果
  • 多人协作只在关键边界发生
  • 责任不能在传话中丢失
Key line: 真协作是责任合流，不是层层转交。
Thesis / Workflow / Boundary
HANDOFF
Workflow / old process
loss

需求传一次，信息损失一次。

业务讲给产品，产品写 PRD，再讲给前后端、测试和架构。等系统出来，场景可能已经变了。

  • 旧流程问题
  • 链路压缩动机
Key line: 旧流程不是安全感，而是信息损耗和响应延迟。
Workflow / Boundary
PR READY
Workflow / field build
PR

业务一线不能只会提需求，未来必须能交原型和 PR。

最懂业务的人，应当能把问题变成流程、字段、测试样例和可运行原型。

  • 业务侧责任上移
  • 减少需求传递损耗
Key line: 懂业务的人要能把问题直接推到可验证状态。
Workflow / Role
ROLE
Roles / developer value
shift

开发者价值不再来自“亲手写了多少行代码”。

新的价值是定义问题、组织 AI、审查结果、稳定上线，并对交付质量负责。

  • 产品 / 前端 / 后端 / 测试 / 架构
  • 能力合并，责任上移
Key line: 出身不重要，谁能独立产出，谁就更接近未来岗位。
Role / Thesis
Benlai 商机驾驶舱线上全局管理者页截图
Benlai internal proof / live system
not demo

商机驾驶舱已经上线，证明业务问题可以被 AI 推到可运行系统。

线上入口是全局管理者页，不是静态样稿。源码以 master 分支为口径：约 24,284 行可读代码/文档、44 个核心源码与文档文件；两周按 50 个迭代口径推进。

它不是单页看板，而是把商机、客户、SKU、异常、周会追问和权限范围先做成可运行的经营数字孪生切片。

50迭代口径 24,284行可读代码/文档 44核心源码与文档文件
Key line: 业务部门能用 AI 把现场问题推到系统上线，技术组织要升级到平台、治理、FDE 和交付标准。
Evidence / WorkflowSource link
Data proof / global cockpit
global

全局管理者首页先盯大区总，不先盯具体商机。

首页把业务周、本周新增、本周成交、上周新增和当前进行中总盘子放在同一屏；管理者先判断哪个大区盘子大、推进慢、需要追问，再继续穿透。

  • 100% 全额需求口径
  • 自然季度 / 业务周
  • 当前进行中商机总盘子
Key line: 专业不是图表多，而是每个数字都有可解释口径。
Evidence / Thesis
Data proof / SKU drilldown
SKU

SKU 穿透不是报表装饰，而是从商品直接打到商机。

商品编码、商品名称、采购、品类筛选和商机明细联动。管理者可以从全公司 SKU 分布一路下钻到负责人、阶段、金额和异常。

  • 商品清单上传
  • 全公司 SKU 穿透
  • 商品 -> 商机明细
Key line: 业务一线能直接构建产品，但验证能力不能丢。
Evidence / Workflow
Data proof / weekly risk
risk

周会驾驶舱把经营复盘和异常追问放在一起。

异常商机总数、需要立刻追问、已过履约期未关闭、14 天未更新进入同一张经营盯防清单；点击数字就能穿透到具体商机。

  • 周会指标
  • 异常清单
  • 直接穿透
Key line: 看板的价值是让追问更快发生，不是把图做满。
Evidence / Boundary
System profile / technical slice
route -> api

前端炫酷不是皮肤，而是工程链路能支撑真实业务。

React/Vite/ECharts 做可视化首屏，Node/Express 承接接口；统一登录、路由权限、组织同步、缓存、下钻明细和访问埋点一起进入上线口径。

  • route/v2/sales-management/global 按角色进入全局视角
  • api/api/dashboard/sales-manager / scope / product-analysis
  • scopeSSO、员工号、组织架构和销售管辖范围映射
  • cachecompact 首屏、短缓存、按需加载异常与明细
  • activity页面访问、停留心跳、板块热力和访问时段分析
Platform / Workflow
Provocation / internal proof
field proof

业务部门自己做系统，最可怕的不是会写页面，而是知道每个数字为什么要这么算。

这不是业务替代技术，而是业务把问题压到可运行系统；技术组织要接住更高阶的平台、治理、安全、FDE 和交付标准。

Key line: 会写页面只是开始，能解释口径、权限、异常和上线风险，才是系统能力。
Thesis / Evidence / Workflow
BENLAI / OPERATING TWIN
Digital twin / operating objects
callable company

经营数字孪生不是再做一张报表，而是让业务对象可被 AI 调用。

客户、商机、SKU、库存、供应商、订单、回款和异常，不再只是分散在系统里的记录，而要变成有口径、有权限、有动作边界的经营对象。

  • 客户 / 商机 / SKU / 库存
  • 供应商 / 订单 / 回款
  • 口径、权限和动作边界
Key line: AI 真正进入公司，不是先拥有聊天框，而是先拥有可调用的业务对象。
Thesis / Platform / Workflow
SEMANTIC BUS
Platform / semantic bus
bus

统一语义层与操作总线，是数字孪生的底座。

ERP、CRM、WMS、SRM、BI 不再各自孤岛。它们要被统一到业务动作、指标口径、身份权限和可审计操作里。

  • 指标口径统一
  • 动作边界统一
  • 跨系统协作回写
Key line: 没有统一语义，AI 只是在多个系统之间更快地产生误解。
Platform / Workflow
MINIMAL BUSINESS ARCH
Org model / operating stack
stack

极简业务架构模型，要把经营目标一路压到系统动作。

管理驾驶舱负责看清结果，流程 Agent 负责推动动作，岗位助手负责贴近角色，规则编排负责状态、事件、审批和权限。

  • 经营目标 -> 系统动作
  • 状态 / 事件 / 规则 / 权限
  • 数据与知识底座
Key line: 组织不是多一层系统，而是少一层转述。
Thesis / Workflow / Platform
BUSINESS FDE × TECH FDE
Role model / dual FDE
dual FDE

敏捷双打：业务 FDE 和技术 BP/FDE 必须配合。

业务 FDE 负责熟悉业务规则、萃取流程、定义什么状态下谁能对什么对象做什么动作；技术 BP/FDE 负责 AI 代码、接口、权限、审计、安全和工程质量。

  • 业务 FDE：流程萃取 / 规则定义
  • 技术 BP/FDE：平台 / 治理 / 安全
  • 共同防止新的数据孤岛
Key line: FDE 不是一个人包打天下，而是把业务现场和技术底座贴到一起。
Role / Workflow / Platform
FIONA FUNG / OLD FLOW
Evidence / process pruning
流程极少会自然消亡

AI 改造第一步，是明确允许团队砍掉陈旧流程。

组织往往不会自动删除旧流程，只会一层层叠加 SLA、规章制度、评审和审批。Fiona Fung 的提醒很直接：AI 原生工程组织不是把 agent 塞进旧流程，而是授权团队清理旧流程。

  • SLA / rules / review
  • permission to remove
  • process pruning
Key line: 新流程不是叠上去的，是把旧流程砍出空间后长出来的。
Evidence / WorkflowSource link
PALANTIR / FDE
Evidence / field delivery
FDE

Forward Deployed AI Engineer 指向一线端到端交付。

技术角色直接面对客户和业务，负责 GenAI 策略、实现、工作流和生产落地。这更接近本来需要的角色：现场问题进来，FDE 型 AI 交付工程师介入，接入 MCP，用 AI 解决，再随时迭代。

  • forward deployed
  • GenAI strategy
  • production workflow
Key line: 最强的技术角色会更贴近业务现场。
Evidence / RoleSource link
MCP
Platform / foundation
MCP

技术底座要上移到数据治理、权限、MCP/API、日志、审计和 CI/CD。

MCP 是连接 AI 工具与数据治理、业务工具、开发环境的开放标准。没有底座，AI 开发会变成影子 IT。

  • 身份与权限
  • 评估与合规
  • 部署与审计
Key line: 底座不是更多页面，而是让 AI 安全调用真实业务能力。
PlatformSource link
ANDREW NG / AI TALENT
Evidence / talent
4 levels

吴恩达的人才四层：会 AI 的资深工程师位于最高层。

会 AI 的新人可能超过按 2022 年方式写代码的老工程师。这里不是“年轻人替代老人”，而是所有人都在往 AI 原生能力赛跑。

  • AI-native senior engineer
  • AI-native junior engineer
  • traditional engineer
Key line: 技术资历不再自动等于未来竞争力。
Evidence / RoleSource link
BRIAN CHESKY / AIRBNB
Evidence / management shift
2 types

AI 不会替代所有人，会替代两种人。

第一类是纯管人的管理者，只做会议、汇报、协调和审批；第二类是抗拒变化的人，拒绝学习 AI、固守旧工作流。

  • pure people managers
  • resist change
  • old workflow risk
Key line: AI 不是一定立刻替代你；当别人已经用 AI 获得 10 倍、50 倍、100 倍效率时，停在旧方式的人会逐渐失去竞争力。
Evidence / RoleSource link
AI LOOP
Platform / validation
test

测试、评审和修 bug 也应该大量 AI 化。

AI 生成用例、跑自动化、做静态扫描、定位 bug，再根据结果继续迭代。

  • 人负责验收标准
  • 人处理高风险例外
Key line: 测试不是旧流程的保护伞，而是 AI 工作流的反馈回路。
Platform / Workflow
AGENTS
Platform / agent loop
loop

Anthropic 指出 coding agents 有效，是因为代码可以被测试验证。

agent 可以根据自动化测试结果迭代，这让“写代码、跑测试、改 bug”变成闭环。

  • automated tests
  • agent iteration
  • verifiable work
Key line: 可验证的工作，最容易被 AI 工作流吞进去。
Platform / WorkflowSource link
CODEX
Platform / codex guide
E2E

OpenAI Codex 文档把 AI 工作覆盖到 planning、design、development、testing、review、deployment。

AI 不只写代码，也能参与规划、设计、测试、评审和部署前工作。

  • planning
  • testing
  • code review
  • deployment
Key line: 端到端链路都在被压缩，不只是 IDE 里多一个补全。
Platform / WorkflowSource link
ANTHROPIC
Evidence / org rewrite
org

Anthropic：AI 原生工程组织的难点不是工具，而是流程重写。

Code w/ Claude 2026 session 指向 review、ownership、hiring 等机制要随 agentic coding 重构。

  • Fiona Fung
  • Code w/ Claude
  • 组织机制
Key line: AI 原生不是买工具，而是重写协作方式。
Evidence / WorkflowSource link

02 / field delivery loop

From field problem to live iteration.

01现场问题

业务一线带着真实问题、数据、字段、异常样例进场，不再只交一份 PRD。

02FDE 介入

FDE 型 AI 交付工程师贴到现场，把业务语言拆成系统任务、上下文和验收口径。

03接入 MCP

连接数据治理、权限、业务工具、日志和接口，让 AI 能在真实业务上下文里工作。

04解决问题

AI 生成原型、代码和测试，FDE 校准业务规则、安全边界和上线风险。

05随时迭代

看反馈、看数据、看异常，现场改、现场测、现场上线，不等下一轮排期。

03 / closing thesis

Natural language is the new interface.

从二进制、汇编、C、.NET、Java、Python，到 vibe coding、AI coding，自然语言正在成为人和计算机交流的主语言。

AI coding 在大量常规开发任务上的产出，已经超过多数人类工程师的平均手写水平。扪心自问，如果不能借助 AI 稳定把产出推到高水准，只把自己定位成“专门手写代码的人”，价值会快速归零。请 All in AI coding。

窗口来自两边都没完全到位：很多懂业务的人还没有系统掌握 AI coding，很多工程师也还没有真正进入业务。工程师的机会，是迅速用 AI coding 抬高交付能力，同时潜心进入一个业务，成为业务专家，用系统能力提升业务。这个时间窗口有限。

代码边际成本趋近于 0 后，以节约 coding 工作量为核心目的的 PRD、层层评审和排期，会被重新定价。新的工作方式不是无标准乱上线，而是小步上线、现场运行、数据反馈、边跑边改。

短期看，人最稀缺的只剩两件事：认知和品味。认知决定问什么问题，品味决定什么结果配得上线。

delivery line

Make delivery the scarce skill.

来自业务部门的需求：技术人员从按部就班接需求、排期、写代码的协同人员，要转型成懂业务现场、能全栈落地的 FDE 型 AI 交付工程师。只能成为深入业务一线的系统交付尖兵，才能在市场多吃几年饭。否则，就没有然后了。

$ keynote.closing_lines
✓ 代码不再稀缺，交付才是稀缺。
✓ HTML 已经成为主要工作工具，页面就是工作台和交付物。
✓ 数字孪生让业务对象可调用，MCP 把数据治理、权限、工具和接口接进来。
✓ FDE 负责把现场问题推成系统闭环，而不是把问题丢进排期队列。
✓ 开发不能迷信手写代码，要会组织 AI 完成代码、测试、评审和修复。
! 人仍然负责验收标准、高风险例外和上线责任。

04 / reference index

Source links.

卡片右下角的 Source link 仍然可直接打开。这里把公开资料集中列出，方便活动结束后统一核对、转发和补充阅读。数字孪生与 FDE 章节吸收自内部 PPT《AI 时代的组织变革——技术部分享使用》，不放外链。

  1. Microsoft CEO says up to 30% of code was written by AIMicrosoft / enterprise baseline
  2. Google Cloud Next: Sundar Pichai on AI code generationGoogle / 75% new code / 6x migration
  3. OpenAI president on AI writing major portions of codeOpenAI / agentic coding
  4. Anthropic CEO Dario Amodei on AI writing codeAnthropic / frontier view
  5. YC startups with codebases almost entirely AI-generatedYC / startup workflow
  6. GitHub CEO on companies hiring more software engineersGitHub / developer output
  7. Dropbox CEO Drew Houston on AI skills and 100x engineersDropbox / leverage
  8. Andrew Ng: jobpocalypse vs jobapaloozaAndrew Ng / labor market
  9. Palantir Forward Deployed AI Engineer rolePalantir / FDE
  10. Anthropic Model Context Protocol announcementMCP / platform foundation
  11. Andrew Ng on AI engineering talent hierarchyAndrew Ng / AI talent
  12. Brian Chesky on AI, founder mode, and management changeAirbnb / management shift
  13. Anthropic research: building effective agentsAnthropic / agent loop
  14. OpenAI Codex guide: build an AI-native engineering teamOpenAI Codex / end-to-end workflow
  15. Fiona Fung: running an AI-native engineering orgAnthropic / process rewrite
  16. Benlai 商机驾驶舱线上全局管理者页Benlai internal proof / live cockpit
  17. 商机驾驶舱源码审计口径：master / 24,284 lines / 44 files / 50 iterationsLocal source audit / master branch