过去一年，AI 几乎进入了每一家公司的讨论清单。 但在卓普云，我们发生的变化并不是"多用了一些工具"，而是： 一整套业务执行逻辑，开始由 AI 协同运行。
这不是在写 Prompt，而是一个持续运转的执行闭环：
- 在前端与内容侧：
我们的官网和博客不再依赖传统的开发排期。页面结构由 AI 驱动生成，前端组件自动上线。
在传统流程中，一个页面上线意味着多个角色之间的协作与排期，需要经历：
文案 → 设计 → 前端开发 → 测试 → 发布，往往需要数天甚至数周时间。
而现在，从一个业务想法到上线，我们只需要在系统中完成一次定义，整个过程可以在数小时内完成。
这种能力并非天生，我们用了很长时间去反复调整这条链路，才让它稳定下来。
上图即为当前线上运行的官网页面，由 AI 完成设计与开发，并持续迭代。
- 在增长与获客侧： 系统在后台持续分析用户行为。它会识别潜在客户、完成画像（Profile）打分，并生成对应的话术与内容。这不是群发邮件，而是在同时进行成千上万场"一对一"的自动化沟通。
- 在销售与支撑侧： 每一位销售都拥有一个 AI 技术助理。从技术方案初稿到话术建议，再到报价生成，系统可以即时响应。销售不再需要排队等待技术支持，决策逻辑被固化在了系统内部。
- 在运维与稳定性侧： 异常由系统自动识别，并通过企业微信触发处理流程。当出现问题时，我们不再需要登录控制台或 SSH 服务器，而是在对话中直接触发构建、刷新与恢复。
在这套体系中，业务人员不再只是提出需求。
没有工程背景的增长负责人，通过 AI 完成了自己的第一条 Pull Request。如今，这套由非技术团队驱动的系统已稳定运行超过一年，支撑着数万客户的日常业务。目前，我们正将这套能力向更复杂的 SMB（中小企业）销售场景持续演进。
欢迎访问：www.aidroplet.com，查看这个稳定运行的案例。
直到这一刻，我们才意识到：我们不仅仅是在"使用 AI"。 我们是在用 AI 运行公司本身。
我们把这种形态，称为：AI Native Company
一、我们做的，是让"执行层消失"
一家公司，本质上就四件事：Build / Operate / Sell / Grow。
在传统公司，"需求"与"上线"之间，隔着一条沉重的组织链路：市场提需求 → 技术排期 → 多轮沟通 → 最终上线。 而在卓普云，这个过程没有"人"。
这套系统起初由 1 位业务定义者搭建原型，目前由极少数非技术成员驱动运行。这几位成员原本从事内容、增长与销售工作，并没有传统分工中的开发角色。这 3 人的市场团队，不再是系统的操作者，而是业务系统的定义者（System Architects）。 这不是简单的效率优化，而是执行层的消失。
很多人会说："这本质上还是需要极强的架构能力。" 我们完全同意。但这恰恰说明：技术门槛没有消失，而是发生了迁移。
- 过去： 技术 = 会不会写代码（How to code）
- 现在： 技术 = 能不能设计系统（What to build）
代码正在贬值，系统编排（Orchestration）能力正在成为新的通识能力。这 3 位成员不再操作系统，他们在定义业务的目标函数。AI 负责寻找最优解，人负责定义"什么是对的结果"。
二、重写 Execution Layer：Infra by Engineers, Execution by AI
我们把公司架构拆解为两层：
- 基础设施层 (Infra Layer)： 包括 GPU、Serverless 架构与底层平台。由专业工程团队负责，这是系统确定性的前提。
- 执行层 (Execution Layer)： 包括官网、内容、运维、销售支持与增长引擎。由 AI 驱动，由非技术团队定义。
我们不迷信 AI 能自动解决一切，而是重新定义了协作方式：
- 可标准化任务 → AI 执行
- 高价值决策 → 人负责
当前阶段：
- 市场与基础销售流程，已由 AI 主导执行
- 客户识别、初步沟通与方案生成，系统可自动完成
但在复杂交易环节，例如大客户落单、定制化方案与关键决策，仍然由人来完成。
在这些场景中，AI 不再是执行者，而是：
- 提供技术建议
- 生成话术与方案草稿
- 辅助判断与决策
人仍然做最终判断，但不再从零开始。
下一步，我们正在探索：
让 AI 从"执行层"进一步向"决策支持层"延伸
特别是在 SMB 销售场景中，让更多决策可以被系统承接。
三、这不是工具组合，而是自动流转的"执行链"
很多人把 AI 理解为一组孤岛式的工具。但在 AI Native Company，这是一条自动流转的执行链 。
从用户进入页面，到画像识别、意向判断、方案生成，再到自动化触达。整个过程在系统内部毫秒级闭环。这不是在用工具，而是在管理一个"自动增长"的生命体。
四、关于"不确定性"：我们如何处理 AI 出错
这是最常见的问题：
AI 会不会出错？
答案是：会。
我们并不假设模型是可靠的，
而是从一开始，就把"出错"当作系统的一部分来处理。
在实际运行中，我们做了几件很简单但关键的事情：
- AI 的输出不会直接执行，而是作为"建议"进入流程
- 关键动作（例如对外沟通、报价）会有明确的触发条件
- 系统会记录每一步行为，并用于后续修正
换句话说：
我们不是在追求"AI 不出错"，
而是在设计：
即使出错，系统也不会失控
在这个过程中：
- AI 负责生成
- 系统负责约束
- 人负责最终判断
我们改变的不是"正确率"， 而是"出错的代价"
五、我们在做什么：卖"执行层的入口"
卓普云是一家提供 AI 基础设施的公司。我们当前提供的核心能力是：
- GPU 租赁
- Serverless Inference（无服务器推理服务）
这是我们业务的"产品形态"。但在过去一年的实践中，我们发现：算力本身，并不能直接转化为业务结果。
真正的难点在于：
如何把模型能力，变成可执行的业务系统
也正因为如此，我们在内部持续用 AI 运行公司本身：
- 官网与内容
- 运维
- 增长
- 销售支持
这套系统，已经在真实业务中稳定运行，并服务数万客户。
在这个基础上，我们开始重新理解"基础设施"的意义：
我们提供的，不只是算力资源， 而是让 AI 能够真正参与业务执行的基础环境。
所以更准确地说：
我们提供的是 GPU 与推理能力
但我们验证的是：
AI 可以成为公司运行的一部分
关于卓普云
卓普云是 DigitalOcean 在中国的独家战略合作伙伴，负责相关产品在中国市场的落地与服务支持。
我们所提供的 GPU 与推理服务，基于 DigitalOcean 的全球基础设施，并由本地团队提供对接、迁移与技术支持。
卓普云 AI Droplet 由 Access Technology Venture 组建。作为 DigitalOcean 的控股股东，Access Technology Venture 长期投资于科技企业（包括知乎、声网、PingCAP 等）。
这意味着：
我们不仅在内部实践 AI Native 的运行方式，也在基础设施层，为客户提供稳定、可持续的能力支撑。
六、关于"人"的位置
我们不是在让组织变冷酷，而是在让组织变敏捷。当 3 个人可以调度一个服务数万客户的增长系统时：
他们不再是执行的耗材，而是业务的定义者。但这并不意味着，这套系统"谁都可以使用"。
恰恰相反：
对人的要求变得更高了。
在这个体系中，人需要具备的是：
- 能理解业务本身
- 能把业务拆解为清晰的流程（workflow）
- 能判断 AI 与人的边界在哪里
不再是"会不会操作工具"，而是：
能不能定义系统应该如何运行
AI 是否会替代人，一直在被讨论。但在我们的实践中，更明显的变化是：AI 在演进，人的能力也在演进。两者之间的边界，并不是固定的。
它是在真实业务中，被不断试探和重新划分的。我们不是在减少人，我们是在改变"人应该做什么"
最后
AI 已经不算是一个新事物了。很多讨论还停留在：
- 哪个工具更好
- 哪些案例是真是假
但在我们这里，这些问题已经不再重要。我们用了一年的时间，把一套系统跑起来。踩过很多坑，也反复推翻过不少做法。现在回头看：
AI 是否能参与真实业务执行，其实不是一个需要讨论的问题。它是可以被做出来的。
更重要的是：
不是先想清楚一切，再开始。而是在运行中，慢慢把事情做清楚
如果有什么经验的话，那就是：
先动起来，比讨论更重要。
AI 协同声明
本文内容源于卓普云真实系统运行，由人定义目标，AI 辅助文字生成与润色。