随着内部运营的全面转型，Matias 发现，AI 不仅仅是提效，而是改变了公司增长的「Scalling Law」。Matias 提出了预测：「我认为我们的运营效率可以提升 5 到 10 倍」。

超 15000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。

邀请从业者、开发人员和创业者，飞书扫码加群： 

进群后，你有机会得到：

最新、最值得关注的 AI 新品资讯； 

不定期赠送热门新品的邀请码、会员码；

最精准的AI产品曝光渠道

01 

把内部 AI 工具当做正式产品来做

在 Brex，CTO James Reggio 经常思考一个问题：如何让 AI 把 Brex 自己「干掉」？

Reggio 认为，「最好的用户界面是让用户一刷即走的卡片」。

所以在产品 AI 方面的大部分投入，都是围绕一个理念：从用户的整体体验中彻底抹去 Brex 的存在感。最好的 AI 是你注意不到的 AI，因为它已经替你完成了工作。

为了实现这个目标，不仅要对面向客户的产品上发力，在公司内部也要进行调整。Reggio 发现，在大公司里推动 AI 落地，会遇到两个关键障碍：

反应太慢：你在 Twitter 上看到一个绝妙的新点子，想在公司里试试，但从想法到安全落地，可能要等上好几个月。
流程太繁琐：你想用一个新工具，但光是法务、采购、安全审批这一套流程走下来，新工具都快变成旧工具了。

为了解决这两个问题，Reggio 和团队摸索出了一套非常有效的方法，核心思路是：把内部工具，当成给客户用的产品来打磨。

给员工搭建一个 AI 内部平台

面对「反应太慢」的问题，Reggio 的做法不是去催促进度，是直接搭建了一个内部平台，能让所有员工安全、自由地构建、测试和部署 AI agents。

这个平台基于 Retool 构建，直接复用了 Brex 外部产品已经验证过的 AI 能力。

具体是怎么操作的？

把它当成真正的产品来运营：这个平台由约 25 人的系统工程团队维护，像对待外部产品一样，持续维护、迭代。Reggio 希望团队能探索技术前沿，用最大胆的方式去尝试用 AI 加速工作流程。目前，平台包括了 prompt 管理系统、多模型测试能力、评估框架，以及支持自动化工作流的 API 集成功能。
打通内外，形成「产品闭环」：内部平台和 Brex 对外产品的 AI 功能是完全同步的。每当产品团队为外部客户开发了一个新的 AI 工具，比如一个能识别文档的模块，这个模块会立刻出现在内部的『游乐场』里，所有员工马上就能用。

提前明确 AI 工具的使用标准

当团队习惯了用高标准来要求内部工具后，Reggio 发现不仅能提升效率，还能收获额外的「红利」。

一个例子是 Brex 还在开发中的「入职 Agent」。这个项目最初是为了解决内部运营的痛点问题：大客户的接入流程非常复杂，需要实施顾问投入大量时间通过电话来完成。为了提升顾问的效率，团队在后端构建了一个 AI Agent 工具。

随着这个内部工具的不断完善，团队意识到它的价值很高，完全有潜力直接嵌入到产品中，让客户能够自助完成大部分繁琐的入职工作。这样，一个用于内部效率提升的项目，最终变成了一个能够提升客户体验的潜在产品功能。

另一大障碍来自法务与采购流程。许多员工规模超过 1000 人的公司，在引入新工具时，往往要经历漫长的流程：RFP（招标）流程、供应商比选、试点运行，再经过复杂的授权与合同谈判。

Brex 改变了评估逻辑：我们不再问这个工具是谁家的？而是问我们的数据用这个工具，会发生什么？简单来说，关注的不再是供应商的品牌，而是工具本身的技术架构和数据安全特性。

基于这个新思路，Brex 做了两件事：

提前明确 AI 工具使用的标准：产品与法务团队共同建立了结构化实验机制，在预设的安全边界内开展创新。Brex 预先批准了几类符合特定安全条件的 AI 工具，标准包括：数据保留不能超过 30 天、用户输入的内容不能被拿去训练模型、数据必须隔离等等。只要某个新工具满足这些条件，员工就可以在预设的安全范围内自由实验，法务部门不会再介入。
自助分发 AI 工具：所有通过审批的 AI 工具，都接入了一个叫 ConductorOne 的统一管理平台。员工想用哪个工具，只需要在 Slack 里输入一个命令，比如 /c1，系统就会自动完成权限配置，立刻就能开始使用。

这个流程不仅快，还带来了采购上的额外优势：在续约谈判中掌握议价主动权。Reggio 解释，因为所有人的使用情况都有记录，到了年底和供应商续约的时候，我们手里有数据，清楚地知道哪个工具大家最爱用、哪个工具根本没人碰，再也不用拍脑袋做决定，不仅省了钱，还把主动权牢牢抓在自己手里。」

重构运营团队的工作流

Brex 运营团队的方式和大多数金融公司一样：把任务拆得极细，每个环节都配上专家，需要信用专家、KYC 专家、支付专家等等。但人越多，基础设施就越复杂，速度反而越慢。

COO Camilla Matias 的解法是，把思维倒过来。不再是先想人怎么干，再看 AI 能帮什么忙。而是默认所有流程化的工作都由 AI Agent 来完成，人只在 AI 做不了或做不好的地方补位。

基于这个思路，Matias 重构了整个运营团队的工作流：采用平台化思路，让职能横向打通，覆盖所有产品线。

L1：过去是外包团队干的活，现在全扔给 AI。
有标准操作流程（SOP）的重复性工作，比如客户支持、文件审核，都直接交给 AI Agent 处理。 效果很不错。以客服为例，现在超过 50% 的案子，第一个接触客户的就是聊天机器人，而且直接解决了。这样做，能把十几名员工从琐碎的工作中解放出来，让他们去做更有挑战的 L2 的工作。
L2：从「管理人」变成「管理 AI Agents」。
这一层主要是处理 L1 没能解决的案例，过去是由经理和高级分析师处理。Matias 对他们提出了一个新要求：「L2 过去只管理人。现在，我期望他们也能管理 Agents。」 具体要做什么呢？Matias 打了个比方：「不再是给员工做绩效评估，而是给 AI 写的提示词『打分』。」核心工作变成了分析 AI 的表现，不断优化提示词和工作流，让 AI Agents 变得更聪明、更高效。这种角色转变也带来了新的技能要求，比如提示词工程和数据分析。既要理解如何为业务创造价值，也要掌握如何利用技术实现目标。
L3：从「解决问题」变成「设计系统」。
那顶层的专家干什么？他们成了「系统设计师」。比如合规专家，他们不是去处理某个具体的合规案件，而是负责设计规则和框架，确保下面整个由 AI 和人组成的 L1、L2 系统，在运行时不出乱子，始终符合监管要求。

为了让团队能适应这种转变，Matias 做了全员 AI 培训计划，要求所有人，无论职级高低，都必须参加。

培训内容分阶段推进：

基础阶段：学习提示词技巧，理解不同模型的区别、什么是 RAG（检索增强生成）、如何在提示中提供有效上下文、如何提出精准问题。
进阶阶段：针对具体岗位，拆解应使用的工具及使用方法。「比如如何用 Notebook LLM 生成会议纪要，或者用另一个模型产出知识管理型内容，」
高阶阶段：学习设计工作流、创建 AI agents。会按角色细分培训内容。例如，数据相关岗位的培训会教如何用 LLMs 处理数据。

课程结束后，员工会根据以下四个 AI 熟练度等级进行自评，同时提交具体案例辅助证明，评估结果会用于季度绩效面谈。

用户（User）：能使用现有 AI 工具辅助完成日常流程与职责，理解基础提示技巧和局限性。
倡导者（Advocate）：主动把 AI 融入个人或团队工作流，能设计或管理中小型「human-in-the-loop」的 AI 流程。
构建者（Builder）：能主动构建、设计、优化或管理可创造显著业务价值的 AI 解决方案或工具。
原生者（Native）：能为团队或部门制定 AI 愿景与战略，开创 AI 的全新应用场景。

招聘策略改变

当团队的工作方式改变后，Matias 发现，招聘策略也发生了变化：从青睐「专才」转向「通才」。

如何在面试中找到具备「AI 通才能力」的人？Matias 调整了招聘流程：

面试初筛阶段，询问平时是怎么用 AI 的
通过这个问题，以及后续关于常用工具、偏好模型的追问，能快速判断出，候选人是真的在用 AI 工作，还是只是把它当个时髦词汇。
提交使用 AI 的案例研究，评估 AI 应用能力
除了初级岗位，所有候选人都必须提交一份案例，展示他们具体是怎么用 AI 完成工作的。Matias 的想法法是：「我们要求看看他们是怎样提示的。输出并不重要，更多的是关于人们的思维方式。」
真实业务挑战
在后续面试中，会给候选人一个真实的、复杂的业务难题，比如为一笔高风险的交易制定定价策略，然后给几天时间去完成。 在这个过程中，面试观察的重点，是候选人能否主动、聪明地利用 AI 作为分析工具和思考伙伴，同时能清晰地阐述自己的决策逻辑。

先识别 AI 具有根本性优势的环节，再围绕这些优势重新设计工作流。

Reggio 有一个很关键的洞察：别把这事想得太复杂。如果你能把一个工作流拆解成人类能理解的 SOP，那么 LLMs 很可能也能很好地执行。剩下的就是基础的提示词工作。

这也改变了人们对于这个问题的思考方式：不是再问「这个任务 AI 能不能做？」，而是问「这个任务的 SOP 是什么？AI 如何能比人做得更好？」

具体从哪里下手？Matias 给了三个非常务实的标准来决定优先级：

同时，需要注意的一个点是：不要追求 100% 的自动化。如果你把目标定为 100% 自动化，而不是 40%，往往会投入大量资源却一无所获，因为结果是二元的，要么成功，要么失败。

Brex 的做法是，先从 AI 高度确信的案例开始自动化。比如反欺诈 Agent，会先自动处理掉那些它 100% 有把握的案例，然后把剩下的交给分析师复核，但同时会附上一份 AI 生成的分析结果。这样既能立刻享受到效率提升的好处，同时又非常安全。

分享几个在 Brex 内部，AI 表现出人意料地好的场景：

场景一：处理需要「主观判断」的模糊任务

最让人意外的是，AI 在需要人类主观判断的模糊任务上也表现得很出色。 比如 KYC 流程里有个环节叫「负面媒体识别（adverse media recognition）」，需要分析各种新闻报道，判断一家公司有没有黑料。这事有很多「灰色地带」。Brex 用内部平台搭了个 AI Agent 来做，结果它的准确率达到了 88%，比人类分析师的 85% 还要高一点。

另一个需要 AI 主观判断的案例的是个性化催收邮件，涉及到与没有按时还款客户的多次互动，包含一套完整 SOP：账户调研、多渠道触达、以及可能还需要制定还款计划。

过去都是员工在模板基础上微调邮件内容，结果发现，AI 写得比人好。它会分析客户的情况，生成几个不同语气和强硬程度的草稿，供催收团队选择。结果是，客户回复率确实提高了。

场景二：理解和应用极其复杂的规则

争议处理是 Brex 必须做对的关键流程。员工必须遵循一份 100 多页、而且频繁更新的规则指南，极其耗时。

Brex 的支付运营经理 Kyle Martin，直接把这本指南和团队的 SOP 一起「喂」给了内部的 Agent 构建平台，经过几次迭代，就训练出了一个专家级的 AI Agent。 效果非常好，原来需要三小时的流程，现在三秒钟就能搞定。而且 AI 提交的材料比外包团队更完整、理由更充分，甚至能找到一些过去根本没考虑到的论点。

场景三：在清晰的步骤上，实现规模化执行

对于那些能拆解成清晰步骤的流程，AI 是实现规模化执行的完美工具。 Brex 的 KYC 流程总共有 14 步，其中一步是确认客户填写的行业代码（NAICS code）是否准确。过去得靠团队手动搜索、交叉验证。 Brex 的解决办法是，把人类的 SOP「翻译」给 AI。运营负责人和工程师坐在一起，逐行拆解 SOP，把人类的每个决策和动作都变成 LLM 能听懂的指令。

Reggio 认为，越能把运营流程映射为人类会执行的一系列离散步骤，就越能直接将同样的 SOP（包括输入、账户详情等）交给 LLM，取得好的效果。 但是不要试图让 AI 一步处理完整个任务，比如直接从客户申请跳到「通过/拒绝」的结论。很多第三方公司这么干，但准确率太低。

Brex 的做法是，先让 LLM 完成 14 步中的 8 到 10 步，把人力从审核文件、核对余额等事务中解放出来，投入到真正能创造差异化价值的领域中。

随着内部运营的全面转型，Matias 发现，AI 不仅仅是提效，而是改变了公司增长的「Scalling Law」。

Matias 提出了预测：「我认为我们的运营效率可以提升 5 到 10 倍。」因为运营团队能完全自主实现流程自动化，不管是要启动新流程还是进入新市场，都不再需要工程或数据科学团队的支持。能够独立、快速地构建和部署解决方案。