第六章：Klarna与Shopify——AI组织变革的AB面
第六章：Klarna与Shopify——AI组织变革的AB面
两家公司，两条路线，两种结局
如果你想理解AI对企业组织的影响，研究两家公司就够了：Klarna和Shopify。 它们代表了两条完全不同的路线——一个激进替代，一个全面重塑。它们的成败得失，比任何理论框架都更有说服力。 我选这两家不是因为它们最大或最有名，而是因为它们是仅有的两家CEO公开、透明、持续分享AI转型实践的上市公司。大多数公司的AI战略藏在PR话术里，你只能看到精心修饰过的数字。但Klarna的CEO Sebastian Siemiatkowski和Shopify的CEO Tobi Lutke，都在各种场合详细讲述了他们的实践——包括成功和失败。 一个前提：任何企业案例分析都受限于公开信息的完整性。我接下来的分析基于两位CEO的公开演讲、媒体采访、财报数据和行业报告。事实部分有据可查，推断部分我会标明。这也是上一章讲的"认识论诚实"的实践。
A面：Klarna——替代派的光荣与陷阱
起点：一家传统的金融科技公司 2022年12月，Klarna有5,527名员工。这家总部在斯德哥尔摩的"先买后付"金融科技公司，在全球40余个国家运营，官方声称超过1.5亿注册用户。 如果你在2022年看Klarna，你看到的是典型的增长型科技公司：烧钱换增长、人员快速扩张、组织日益臃肿。2021年估值456亿美元，2022年暴跌85%到67亿。 Sebastian面临巨大压力：投资人要求盈利，员工成本是最大支出项。ChatGPT在2022年11月上线。他后来在多次公开场合说过："当我看到ChatGPT，我立刻意识到这不是技术升级，这是人力成本结构的重塑。" 这句话暴露了他的核心思维框架：AI = 更便宜的人。 这个框架决定了Klarna后来所有的AI战略——它的辉煌和它的陷阱，都源自这个起点。 2023-2024：大规模引入AI Klarna是全球最早将ChatGPT企业版大规模部署的公司之一。策略非常直接：找到公司里所有可以被AI替代的工作，然后替代掉。 客服是第一个目标——每月数百万标准化用户咨询。内容生产是第二个——营销文案、产品描述、邮件模板。翻译是第三个——45个国家的本地化成本。 值得注意的是，这三个领域有一个共同特征：它们都是成本中心，不是利润中心。AI战略从一开始就锚定在"省钱"这个维度上。它从未认真回答过另一个问题：AI能帮我们赚更多钱吗？能帮我们做出更好的产品吗？ 这不是Siemiatkowski没想到。而是在估值暴跌85%的压力下，"省钱"比"赚钱"更紧迫。我理解这个选择。但这个选择决定了Klarna的AI叙事——从第一天起就是一个"减法"的故事。 到2024年中期，AI已经替代了853个全职等效岗位，主要集中在客服和内容领域。翻译团队缩减到几乎为零。Siemiatkowski成为了全球AI转型的代言人。 到2024年底，员工从5,527降到3,422——裁减40%。宣称AI客服系统带来约4,000万美元的年化利润改善。Klarna重新提交IPO，"AI驱动的精益组织"成为新叙事。 如果故事到这里结束，这是完美案例。但故事没有在这里结束。 转折：被隐藏的另一面 到2025年初，三个问题浮出水面。 第一，客服质量下滑。 AI大规模上线后初期数据不错——因为处理的大多是简单、标准化问题。但简单问题被消化后，剩下的越来越复杂。用户投诉"AI听不懂我的问题"、"反复给模板回复"、"问题被标记为已解决但实际没解决"。 Siemiatkowski坦承："我们在某些方面过度削减了。"他宣布重新招聘人类客服——但叫"AI协调员"，负责处理AI搞不定的复杂case。这是一个微妙但重要的承认：AI不是万能替代品。有些工作不只是"执行"，还包含"判断"——而判断是AI目前还替代不了的。 第二，品牌信任受损。 激进裁员的新闻引发广泛争议。雇主品牌受影响——谁愿意去一家随时可能被AI替掉的公司？不是致命伤，但增加了隐性成本。 第三，组织记忆丢失。 5,527人减到3,422人，不只是减掉2,100个"工位"。每个离开的人带走了经验、关系网络、对业务的隐性理解。资深客服知道"这类投诉通常是因为流程设计不合理"，知道"这个市场的用户对响应时间特别敏感"。这些知识不在文档里，在人的脑子里。AI接管了工作，但不具备他们的隐性知识。 这是Klarna付出的最大隐性成本——丢失的不可量化的组织记忆。 Klarna的教训：深度分析 做对了什么？CEO亲自推动（这一点怎么强调都不过分）、执行力极强（从决策到落地几个月）、选择了正确切入点（标准化程度高的领域）。 做错了什么？核心问题只有一个但致命：把AI当"便宜的替代劳动力"，而不是"新的组织能力"。 什么意思？Klarna的逻辑是：客服的工作=回答用户问题。AI可以回答用户问题。所以AI可以替代客服。省人=省钱。 这个逻辑在简单场景下对。但它忽略了：客服不仅仅在回答问题，他们还在做判断。 当投诉涉及情绪化表达、模糊的情境描述、或者需要灵活变通的政策应用时，人类客服的判断力是不可替代的。 更深层的问题是：Klarna的AI客服是一个反应式系统——用户问，AI答。它没有建立任何"主动发现问题"的能力。它不会说"过去一周同类投诉增加了40%，可能是某个产品功能出了bug"。它只是回答问题，一个接一个。 用L级框架说：Klarna做的是L1——用AI替代人做同样的事。没有进入L2（用AI增强人的能力），更没有进入L3（用AI形成新的经营决策能力）。成本省了，但能力没建。你省的是钱，但你没有变得更聪明。 这是替代派的宿命。 一个思想实验：如果Siemiatkowski不是问"AI能替代多少人？"而是问"AI能让我们建立什么以前没有的能力？"他可能会发现：Klarna最大的机会不是省客服的钱，而是用AI建一个实时的用户风险感知系统。Klarna的核心业务是"先买后付"——本质上是短期信贷。信贷的核心能力是风控。AI驱动的风控提升，创造的价值远超4,000万客服成本。 但他选择了最简单最直接的路线：省人。在当时的压力下可能是理性选择，但确实错过了更大的机会——用AI建能力，而不只是省成本。
B面：Shopify——重塑派的智慧与耐心
一封改变科技行业的内部备忘录 2025年3月，Shopify CEO Tobi Lutke写了一封内部备忘录，随后对外公开。这封备忘录在科技行业引起巨大反响——不是因为宣布了惊人数字，而是因为它提出了一个简洁有力的原则： "先证明AI做不到，再申请加人。" 它不是在说"不要招人"。它是在说"每一个新增岗位都要经过新的审查：你有没有先考虑过让AI做？" 这和Klarna完全不同。Klarna是减法思维——5,527人，AI能替代多少，减掉。Shopify是乘法思维——我有这些人，AI能让每个人的产出乘以几倍？ Lutke做了什么？ 第一，全员AI素养。每个员工都要学AI工具，不是可选培训，是基本要求。AI素养纳入晋升评估标准。 第二，重新定义每个岗位。每个团队重新审视："AI在这个岗位能做什么？"不是要取消岗位，而是重新分配工作内容——AI能做的交给AI，人的时间释放出来做更高价值的事。 第三，CEO亲自示范。Lutke自己是重度AI用户——公开分享怎么用AI辅助编程、做产品决策、分析数据。员工看的不是你说了什么，而是你做了什么。Lutke的说服力来自于他能跟工程师讨论AI辅助编程的具体技巧，能展示自己用AI分析数据做出的决策。 第四，将AI嵌入组织流程。不只给个人工具，还把AI嵌入团队工作流程。产品评审会前AI自动准备竞品分析和用户数据摘要，代码审查中AI自动做初步检查。 结果：Shopify的数字 到2025年底：营收约115.6亿美元，同比增长约30%；人数基本持平（约8100人，此前已经历两轮裁员）；工程团队生产力提升约20%。 和Klarna对比：Klarna减40%的人，宣称利润改善4,000万。Shopify人数不变，营收增加约27亿美元。哪个更值钱？省4,000万，还是多赚27亿？ 当然，有人会说这个对比不公平——Shopify的30%营收增长不全是AI的功劳，还有电商行业增长、产品迭代等因素。这说得对。但反过来也成立——Klarna的4,000万成本节省也不全是AI的功劳。 不管怎么归因，核心对比清晰：一家选择用AI做减法（减人减成本），省了千万级的钱。一家选择用AI做乘法（乘效率乘产出），增了十亿级的收入。方向不同，数量级就不同。 Shopify的局限 第一，文化宣言多，落地细节少。 备忘录写得好，但"先证明AI做不到再加人"在实操中意味着什么？有的团队真正重新设计了工作流程，有的只是象征性地"用一下AI"，然后该怎么申请headcount还怎么申请。 第二，主要还是"AI增强个人"，还没到AI经营班子。 它做的是L2（用AI增强每个人），还没到L3（用AI形成新的组织能力）。L3应该是"先让AI班子分析这个岗位的最优人机配比"——不是人证明AI做不到，而是AI分析什么样的人机协作模式能产出最大化。 第三，科技公司的特殊性。 Shopify的员工本身就是技术人员——学AI容易。但传统制造业、零售连锁、医疗机构——员工大多没有技术背景，Shopify模式能直接复制吗？ 一个做建材连锁的老板在CEO闭门会后找我，反应非常典型："Tobi Lutke说的都对。但你让我公司平均年龄45岁的仓库管理员学AI？他们连Excel都用不好。" 这就是为什么AI经营班子对中国传统企业可能比Shopify模式更适用。AI经营班子不需要全员学AI。它的用户不是所有员工，而是CEO和核心管理团队——可能就5到10个人。其他员工不需要直接使用AI系统——AI班子发现问题、调度人，人做他擅长的事。自上而下的决策层升级，而非自下而上的全员培训。
AB面对比
维度 Klarna（替代派） Shopify（重塑派） CEO角色 激进推动者 文化塑造者 核心策略 用AI替代人 用AI重新定义岗位 底层逻辑 减法——减掉AI能做的人 乘法——让每个人乘以AI 员工变化 -40%（5,527→3,422） 基本持平 财务效果 利润改善$4,000万 营收+30%，人均产出显著提升 AI成熟度 L1（替代低端任务） L2（增强所有岗位） 组织文化 恐惧——"我会被替掉" 激励——"我能用AI做更多" 缺失 判断力系统、经营记忆 L3经营化、Agent协同
这不是简单的"A错B对"。 Klarna做错了吗？不完全是。它在资本寒冬中快速削减成本、恢复盈利能力、重启IPO进程。站在短期生存的角度，Siemiatkowski的决策可能是正确的。 Shopify就完美了吗？也不是。它有30%的营收增长作为缓冲，可以承受能力建设的长期投入。如果Shopify也面临估值暴跌85%的生存压力，Lutke可能也会更激进。 商业决策永远是情境化的。 我们能做的不是简单评判对错，而是理解：在什么情境下，什么策略更合理？以及——有没有第三条路？ 核心洞察：Klarna和Shopify的对比揭示了一个规律：做减法（替代人）能省千万级的钱，做乘法（放大人）能增十亿级的收入。方向不同，数量级就不同。但两者都还不是终局——真正的跃迁是做"进化"，给组织长出新的决策能力。
更深一层：为什么两条路都不够？
Klarna的问题很明显：L1思维，只会替代不会建设。 Shopify的问题没那么明显。"先证明AI做不到再加人"，本质还是一个关于人的讨论——核心问题是"这个岗位要不要人"。 L3的思维方式完全不同。L3问的不是"要不要人"，而是"这个经营决策的最优生产方式是什么？" 也许最优方案是：一个AI Agent负责持续监控20个核心指标，自动检测异常并生成SCQR预警报告。一个人类分析师负责每周做深度分析——不需要自己拉数据画图表，AI已经准备好了，他只需加入业务判断和战略洞察。 这就是L3——重新设计人和AI的协作架构。 当组织重新设计，每个人都是合伙人 这个逻辑可以推向更激进的结论：全员合伙人。 推理链条清晰得近乎冷酷：如果你的角色不是如此独特重要和必不可少，你这个角色就不存在了——直接用AI。反过来说，既然AI替代不了你，你就非常重要，你就是一个合伙人。 当AI能做的事越来越多，留下来的每一个人都是因为他做的事AI做不了。而AI做不了的——判断、创造、关系、文化——恰恰是最有价值的事。所以每个人都应该是合伙人——端到端负责结果，而不是执行被分配的任务。 硅谷创业圈已经呈现出这个趋势：最早是一个创始人带一群员工；后来是联合创始人团队；现在最前沿的AI原生公司，正在走向"全员创始人"模式。因为AI承担了大量执行性工作后，剩下的人类工作都是高认知、高判断、高创造性的。做这些工作的人，必须自己认领问题、自己定义解决方案、自己对结果负责。任务不再是"指派"的，而是"认领"的。 核心洞察：L3不仅是技术架构问题，更是组织哲学问题。它要求CEO重新思考：在你的组织里，人的角色到底是什么？如果答案还是"执行老板的决策"，你还停留在工业时代的逻辑里。
中国企业的第三条路
这是本章的核心论点：中国企业有机会走一条不同于Klarna和Shopify的第三条路。 第三条路 = AI经营班子模式。 不是Klarna式"用AI替人"——短期省钱，长期崩盘。也不只是Shopify式"用AI增强每个人"——文化宣言很好，落地太慢。而是：用多Agent协同重构经营决策层。人做判断，AI做分析和协调。 从Klarna学执行力——CEO亲自上阵的决心和速度。从Shopify学长期主义——把AI素养变成组织能力。然后跳到L3——多Agent协同、持续经营记忆、双向调度、静默治理。 中国企业的四个结构性优势： 第一，决策链短。 这是最大的优势。中国民营企业的决策链通常比西方上市公司短得多。CEO决定做AI转型，下个月就能开始执行。对比一下：Klarna每次裁员要面临北欧劳动法和工会谈判，Shopify也要考虑上市公司治理和公众舆论压力。在AI转型这个特定窗口期，决策速度本身就是竞争优势。 第二，数据基础设施领先。 中国在移动支付、电商、社交媒体等领域的数据基础设施全球领先。微信、支付宝、抖音、淘宝——积累了全球最丰富的消费者行为数据。AI经营班子需要数据作燃料，中国企业可能拥有全世界最好的数据燃料。 第三，CEO的"卷"文化。 中国的商业文化有一个独特特征——CEO极度勤奋，极度愿意尝试新事物。我认识的中国CEO，大多数每天工作12小时以上，周末也在想业务。当新技术出现时，他们不是等着看case study，而是自己先试。AI班子不是"安装完就行"的软件——它需要CEO持续投入时间来训练、调教、建立信任。那些愿意花时间"跟AI磨合"的CEO，会比"买完就等效果"的CEO获得远超预期的回报。 第四，本土AI能力崛起。 中国不缺大模型——DeepSeek、Moonshot AI、Zhipu AI、百度文心等。在Agent框架、多模态交互、企业级AI应用方面，中国公司迭代速度全球领先。AI经营班子不依赖某一个特定大模型，但需要一个活跃的AI生态。中国有这个生态。 中国企业的陷阱：太容易学Klarna了。 为什么？因为"省人"是最容易理解的价值主张。你跟一个CEO说"AI可以帮你省30%的人力成本"，他立刻能算出省多少钱。你跟他说"AI可以帮你建立新的经营决策能力"，他的第一反应是——"什么意思？能量化吗？" 省钱是确定的，能力是模糊的。人天然偏好确定性。 所以我看到很多中国企业的AI战略，本质上就是Klarna的中国版——找到可以被AI替代的岗位，替掉，省钱。我甚至见过更极端的——某些企业主把"AI裁员"当成资本故事来讲。"我们用AI替代了50%的客服团队"——在投资人面前很好听。但底层逻辑和Klarna完全一样。 这在短期内会有效。但当所有竞品都在用AI做客服做内容时，"省钱"变成行业标配，不再是竞争优势。真正的优势来自"你用AI做了别人做不到的事"——比如建立AI经营班子，比如实现双向调度，比如形成持续的经营记忆。 别学Klarna的战术，要学Klarna的勇气。别学Shopify的口号，要学Shopify的格局。然后跳过它们，直接做L3。 落地方法：不需要大动干戈。从一个足够小的切入点开始，证明价值，然后扩展。 比如，先建一个"核心指标异常检测"Agent——每天拉你关心的5到10个核心经营指标，和历史数据做对比，发现异常就推给你。这个Agent可能一周就能上线。然后一个月验证它的准确率和实用性。如果它确实帮你发现了没注意到的问题，就增加第二个Agent——比如竞品监控。然后第三个、第四个。 数据不完美不是障碍。AI班子不需要完美的数据仓库——它需要的是你现在已经在看的那些数据。你每天看的销售日报从哪来？大概率是从某个系统导出的Excel。那就够了。先跑起来，在跑的过程中逐渐优化数据质量。不要等数据完美了再开始——数据永远不会完美。
一个真实的第三条路案例
假设你是一家年营收5亿的消费品公司CEO。300个员工，包括销售、市场、财务、供应链等部门。 走Klarna的路：找每个部门的标准化工作让AI替代。客服省20人，财务省5人，HR省3人，年省400万。第一年很好，第二年客服投诉增加，财务出了几次数据错误没人及时发现。 走Shopify的路：全员信宣布AI是战略优先级，每个部门配AI工具。方向对但落地参差不齐——年轻人多的部门用起来了，传统部门只是应付。一年后整体效率提升15-20%，远没达到变革效果。 走第三条路：不是在每个部门塞AI工具，而是在公司经营决策层建一个AI班子。数据监控Agent 24小时盯核心指标，竞品分析Agent跟踪TOP5竞品动态，财务分析Agent每周生成财务健康度报告，市场洞察Agent提炼客户反馈和行业趋势。 这些Agent不是替代你的任何一个员工，而是给你建了一个"虚拟经营分析部"——以前你没有的部门，以前你请不起的能力。300人一个不裁，但每个人的工作方式会改变——销售总监不再需要自己做数据分析，AI班子已经准备好了，他只需做判断和决策。 用球队比喻：Klarna把4个球员换成AI，球队人少了灵活性不够。Shopify给每个球员配AI教练，技术提升但战术没变。第三条路是在球队之上增加一个AI战术分析中心——实时分析局势、对手弱点、球员状态。10个人一个不少，但战术水平上了一个量级。
从AB面到第三面
三条路的本质区别在于对AI的认知不同。 Klarna认为：AI是便宜的劳动力。工具思维——工具越便宜越好。 Shopify认为：AI是每个人的超能力。放大思维——放大人的能力。 第三条路认为：AI是新的组织器官。持续的经营分析、主动的异常检测、结构化的决策辅助。系统思维——AI已经成为组织架构的一部分。 如果你用一个人体的比喻：
- Klarna是换义肢——用假肢替代一条腿，便宜一点
- Shopify是健身——给每块肌肉装上增强器，每块都变强
- 第三条路是进化——长出一个新的器官，拥有以前没有的能力
进化有一个特征：它是不可逆的。一旦你的组织长出了AI经营班子这个"新器官"，你的决策流程、信息传递方式、注意力分配机制，都会围绕它重新组织。竞争对手很难复制——因为AI经营班子需要时间培养，它和你的业务深度耦合。底层的大模型可以换、Agent框架可以升级，但"AI帮CEO盯盘、分析、调度"这个范式不会过时。 核心洞察：第三条路 = 替代派的执行力 + 重塑派的长期主义 + AI经营班子的系统化。中国企业的优势在于决策链短，能快速推动落地；风险在于容易学Klarna式裁员而忽略真正的组织升级。
时间窗口：为什么别等了
AI经营班子有很强的先发优势效应——越早开始，积累的经营记忆越多，AI班子的判断越准，和CEO团队的协作越默契。这些都是时间壁垒，后来者无法速成。 2026年开始的企业，到2027年AI班子已经是训练有素的"老兵"。2027年才开始的企业，面对的是一年经营记忆的差距——无法靠砸钱追回。技术可以买到，但经验和信任买不到。
CEO明天就能做的一件事
问自己两个问题： 第一：我现在更像Klarna还是Shopify？ 用AI省人省钱（Klarna），还是用AI增强人、重定义岗位（Shopify）？如果两个都没做——你落后了。 第二：我有没有任何一个AI系统在"帮我做决策"而不只是"帮我做执行"？ 有没有AI会主动告诉你"这个数据有异常，你需要关注"？如果答案是没有——你所有AI应用都停留在执行层（L1/L2），没有进入决策层（L3）。 如果两个答案都让你不满意，从一个小切入点开始——让AI Agent每天做一份核心指标异常检测报告，自动推给你。 当你第一次在AI晨报里看到一个你自己没发现的问题时，你会理解第三条路意味着什么。那不是一个"效率工具"发现了异常数据。那是你的AI经营班子，在替你盯盘。 从那一刻起，你对AI的认知会从"工具"变成"伙伴"。而这个认知的转变，比任何技术部署都重要。 这条路不容易。但如果容易的话，就不叫竞争优势了。 下一章，我们聊一个更尖锐的问题：你的企业到底适不适合走这条路？