Skip to content
全部文字

做 Causally 的底层逻辑

脑力第一次变成可复制、可扩展的生产资料。围绕这件事，组织、产品、市场都要重写。

何鸿恺 12 min read
  • #Causally
  • #AI
  • #创业
  • #组织

前言：很多人问我，为什么做 Causally。这里摘自我 2025 年 10 月 8 日的一份内部投资人备忘录，删去敏感部分，整理成一篇公开稿。

Causally 是什么

Causally 是一家 AI Studio，成立带有两重使命：

  1. 探索 AI 原生的组织形态，解锁百倍于现有技术开发管理的开发与迭代速度。
  2. 以 AI 原生产品能力系统性进入各垂直领域，重塑人与信息的交互方式与任务交付方式。

一、LLM 带来的根本性变化

第一，脑力（cognition）这一核心生产资料，由稀缺转为可复制、可扩展，类似电力与算力，且能力仍在稳步提升。

第二，AI 已经超越工具范畴，自身就可以执行工作并交付价值。换句话说，驱动流程的生产力——现在是脑力，未来具身还将提供物理世界交付——不再只源于人类。AI 就是劳动力本身。

由此产生一系列结果：

  • 大量执行性岗位将快速被技术替代，就像当年的纺织工、抄写员/打字员。人类不再需要掌握对应的操作细节（不必再具备精湛书写或大数心算能力）。
  • 传统组织形态和人力分工与 workflow 范式将被改写。这些范式发源于工业时代对人类劳动力的组织需求；关键生产要素的成本结构一变，围绕它构建的组织形式必然随之演进。
  • 软件生产门槛持续走低，趋近当今内容生产的难度。但如同内容产业：启动门槛越来越低，稳定高质量产出仍需要有组织力的团队——每个人都可以写文章发视频，也总会有优秀个体横空出世，但稳定产出的大 V 号仍以专业团队为主。
  • 传统的 ARR 与 PMF 逻辑可能不再持久。C 端部分软件会呈“快消品化”（今年 10M 销售，明年直接消失）；构筑开发之外的持续壁垒和客户粘性，将成为长期要务，也是选品之初就要考虑的因素。
  • 组织规模的衡量从“人数”转向“人均产值”（Revenue per employee, RPE）。使用 AI 是人力生产力的巨大杠杆。
  • 过去受限于人力与脑力的组织形态、商业模式与产品形态将变为可能。比如为千万级用户配备“专属销售”、面向普通人的“私人医生”、给千万级用户做“电话协商”等等。
  • AIGC 内容将爆炸式增长，占据互联网内容的绝对多数，个人可触达的信息量与种类再跃迁一个数量级以上。

二、相对变化缓慢的基本面

但有一些事情，在长期尺度上变化得很慢：

  1. 人类 IO 在长期尺度上变化缓慢——人在信息收发、工作流控制执行中仍是限速环节。
  2. 人性基本稳定，需求产生的场景也相对恒常（衣食住行、职场、情感、亲子、企业管理等）。
  3. 成熟组织难以围绕 AI 重组，短期内无法发挥 AI 最大效能。组织结构固化、惯性强大，利益相关方互相制约，阻碍重大变革。
  4. VC–startup 生态对“大投入、大市场”的叙事具有路径依赖与惯性。
  5. 技术使个体走向“超级个体”，但团队协作的价值依旧显著，只是组织形态发生变化——“组团的超人”仍优于“单个超人”。
  6. 众多非技术前沿领域存在真实需求与沿用已久的传统解决方案，但从业者不以技术驱动为先，大企业与 VC 支持的创业公司亦常忽视这类市场。
  7. 时间，仍是人类个体最底层的稀缺资源。一天只有 24 小时，人类成长和寿命有客观规律。人类工时是经济活动中最大的单一成本项，扩展性受限且缺乏弹性。

三、由此形成的机会窗口

把上面两组事实摆在一起，机会窗口就出来了。

  1. 充分发挥 AI 生产力的组织形态极具探索价值，且正开始涌现。AI-Native 组织有望以 100x 效率与高度灵活性碾压传统团队，并以“人类团队协同无数 AI”的方式胜出个人开发者。

  2. 在这种团队里，分工将由 skillset（如掌握 Python 和 iOS 开发，或熟练使用 Photoshop）转向 mindset 与任务负责制：每个体皆为 AI 的管理者与合作者，能招募并协同多种 AI 端到端完成所负责任务。

  3. AI 工具会持续高速进化，AI-Native 组织必须与之共进化。

  4. AI 加速迭代使“边想边造”成为现实，试错反而成为优势：小应用两周、大应用一月，RL 式“实现 → 反馈 → 改进 → 再部署”可短至一两天。迭代效率将极大提高好产品的产出率——而不是传统软件工程那种“长期调研 + 长期开发”的模式。

  5. 在信息爆炸与技术赋能并存的背景下，人与信息的交互范式不断演进。纵观技术发展史，我们已经经历了三个范式：

    分类目录（图书馆、Yahoo、新浪）→ 搜索（Google、LinkedIn）→ 推荐/匹配（字节、Uber）

    当前，AI 正推动我们无可避免地走向第四范式——助理范式（assistant / curator）：

    • 意图理解
    • 上下文感知
    • 自主性
    • 结果/信息灵活交付

  6. 过去被认为“市场太小”的垂直应用因成本骤降而具备可观利润空间；过去被认为不可行的业务模式因 AI 底座而转为可行（如要求大量人类交互、客单价不高、但总体量不小的应用）。

  7. 错位竞争：对以搜索或推荐为内核的 2B/2C 细分应用，可评估以第四范式重做的价值，尤其是大公司与 VC 视为“不够大不够性感”的场景。

  8. 去人化：对高净值用户已雇佣人工完成、且可在虚拟世界交付的任务（安排旅行、安排会议、整理个人日程表待办、与他人沟通跟进工作、管家、私人健康顾问、家庭安排等个人助理场景），都可评估以第四范式 AI 重做的价值。

  9. 竞争驱逐：针对昂贵的细分企业级应用（> $1000/月）或 TAM 不高的 legacy 赛道，可用更优版本以 1/10 至 1/100 价格平替，主动缩小 TAM 以驱逐对手（资本不倾向投资一个 TAM 正在缩小的单一应用场景）；或由 AI 直接完成工作而非按坐席售卖工具，以同价位交付，但把人类执行者及其成本排除。

  10. 计费范式转变：软件从“基于使用的工具订阅”转向“基于结果的生产力定价”，争夺的不再仅是软件预算，而是劳动力雇佣支出。

四、执行思路

  1. 在中国组建 3–5 人初始团队，早期承接部分 B 端定制项目，以打磨管理模型与团队配合，并试作 2–3 款有望形成稳定现金流的应用；同步积累通用组件（注册、付费、投放、客服等），探索需求导入与验证机制。
  2. 视实际情况培养或招募合伙人级别能力补位——当前重点寻找擅长 AI 原生销售/投放的 co-founder。
  3. 严格来说，这个 AI 原生团队本身，即为 Causally 要打造的第一款产品。
  4. 模式稳定后，以每年 10–20 款产品（软件为主，可能包含少量智能硬件）的频率投放美国市场；基于数据反馈决定具体产品是继续加深还是快速关闭。
  5. 单款产品按现实表现决定去留：跑得稳的，继续维持；增长潜力大的，重点投入并组建专属团队；体量足够独立的，可考虑拆分独立融资。

五、本质上是一场组织实验

Causally 的运行理念本质上是现实版强化学习，一场组织实验：以现实为评价函数，进行快速迭代。

在这场变革之初，我们正走在一条大家都刚开始探索的路上，必然会面临众多未知和意外。很可能一年后，本文中的大部分假设和观点都将被推翻或修正——我们应当保持这种开放的态度。

不是预测，是一次实验。