OpenAI研究员出走创业,AI制药独角兽估值120亿背后的职场新信号

人工智能领域再添一笔重磅人才出走案例。据TechCrunch报道,OpenAI研究员Miles Wang正与投资方洽谈成立一家AI驱动的药物发现初创公司,目标估值高达20亿美元(约合人民币120亿元)。尽管公司尚未正式成立,这一消息已透露出资本对“AI+生命科学”赛道持续高涨的热

人工智能领域再添一笔重磅人才出走案例。据TechCrunch报道,OpenAI研究员Miles Wang正与投资方洽谈成立一家AI驱动的药物发现初创公司,目标估值高达20亿美元(约合人民币120亿元)。尽管公司尚未正式成立,这一消息已透露出资本对“AI+生命科学”赛道持续高涨的热情,也折射出顶尖AI人才流动的新趋势。

从通用大模型到垂直场景,人才流向正在转变

Miles Wang并非无名之辈。作为OpenAI核心研究团队的成员,他深度参与了大语言模型的开发工作。如今选择进入药物研发领域,表面上是一次职业转身,背后则是AI技术应用逻辑的深刻变化。随着ChatGPT等通用模型进入成熟期,部分顶尖研究者开始寻求将AI能力嵌入到更为具体、商业壁垒更高的行业中。药物发现正是这样一个典型场景:传统的候选分子筛选动辄耗费数年,而AI可在数月甚至数周内完成虚拟筛选与分子设计,直接缩短研发周期、降低数亿美元成本。这种“AI for Science”的模式,正在重构生物医药的研发范式,也自然成为人才与技术溢出的新方向。

估值120亿的背后:人才密度决定商业天花板

一家尚未产品化的初创公司,仅凭创始人背景就能斩获近20亿美元估值,这在资本寒冬的当下显得格外扎眼。但若深究就不难理解——AI制药需要的不仅是算法,更是对蛋白质结构、分子动力学等专业领域知识的深度结合,而兼具顶尖AI工程能力与跨学科视野的研究者极度稀缺。据报道,Miles Wang在OpenAI期间曾涉足科学计算相关项目,这为他跨界提供了技术背书。对投资者来说,这笔资金赌的并非一个具体分子,而是一个能够系统性地将AI转化为新药研发生产力的团队。同样值得关注的是,该初创公司的组建势必引发新一轮AI+生物信息学复合背景人才的争夺,相关岗位的薪资与股权激励水平或被推至新高。

远程协作或成AI制药团队的“标准配置”

AI药物发现的研发流程高度数字化:从模型训练、虚拟筛选到数据分析,几乎所有环节都可依托云端算力完成。这意味着团队的物理分布不再是限制。事实上,不少AI制药公司从创立之初就采用了分布式协作模式,借助灵活用工平台组建跨国、跨时区的虚拟团队,以快速整合算法、化学、药学等多领域专家。这种模式让企业能够跳出地理限制,迅速搭建起一支兼具研发深度与工程化能力的高效队伍,而无需背负沉重的办公成本和管理负担。对于有意布局AI制药赛道的创业者而言,通过远程工作模式汇聚全球人才,或许正是加速从0到1的务实路径。

可以预见,随着AI深度融入生物医药研发链条,企业对技术人才的管理和组织方式也会更加灵活。无论是核心团队的跨地域协作,还是阶段性项目的外部专家引入,像小蜜蜂云工作这类支持全球远程招聘与合规用工的平台,正在成为此类前沿科技公司快速组建团队的基础设施之一。

本文由小蜜蜂云工作原创发布,话题参考自行业公开报道。

AI熟练度成招聘硬杠杠,为何仍有一半企业招错了人?

一份来自美国人力资源管理机构的最新调研,抛出一个让人头疼的悖论:高达95%的企业已经把AI熟练度列为人才招聘的硬性要求,但仍有59%的企业承认,自己在过去一年里招到了“糟糕的员工”。当AI技能被视作未来职场的“新英语”时,为什么高需求没能换来高匹配? 全行业抢人,却难逃“招错率”

AI熟练度成招聘硬杠杠,为何仍有一半企业招错了人?

一份来自美国人力资源管理机构的最新调研,抛出一个让人头疼的悖论:高达95%的企业已经把AI熟练度列为人才招聘的硬性要求,但仍有59%的企业承认,自己在过去一年里招到了“糟糕的员工”。当AI技能被视作未来职场的“新英语”时,为什么高需求没能换来高匹配?

全行业抢人,却难逃“招错率”魔咒

这项调研覆盖了多种规模的企业,结果清晰得有些刺眼——几乎每一家受访公司都在招聘启事中加入了AI工具运用、数据分析基础或提示工程等能力要求。从市场部到人力资源部门,从初级岗位到管理层,“具备AI思维”已经从加分项变成了入场券。然而,招聘失败率并没有因为门槛的提高而下降,反而维持在近六成的高位。企业花大力气筛选出的“AI人才”,入职后表现平平,甚至无法将知识转化为业务成果的情况比比皆是。

“熟练”二字,正在被过度简化

招错人的根源之一,是行业对AI熟练度的定义过于笼统。许多企业在岗位描述中只写“熟悉ChatGPT、Midjourney等AI工具”,却没有区分“会用”和“善用”的层次。一个能熟练生成文案的候选人,未必懂得如何将AI接入工作流、优化团队协作;一个演示过数据可视化的人,或许完全无法在企业真实的数据治理环境中落地模型。更麻烦的是,目前大部分AI技能评估仍依赖简历关键词和简单操作题,缺乏对场景化解决问题能力的深度考察。一些候选人靠短期培训“刷”出了面试表现,一旦进入真实的业务模糊地带,立刻暴露出应变不足。

除了技能,更要看“AI思维”和企业土壤

调研还揭示了一个更深层的矛盾:AI人才的成败,往往不取决于个人技术,而在于组织环境。如果企业的数据基础设施薄弱,部门之间壁垒森严,即便招到顶尖的AI高手,也很难发挥价值。与此同时,真正稀缺的是“AI+业务”的复合型判断力——知道什么任务适合交给模型,什么环节必须人为干预,这种嗅觉难以通过标准化测试捕捉。因此,HR团队开始转向更细腻的评估方式,比如让候选人在真实案例中拆解问题,或者观察他们如何解释AI产出的局限性,而不仅仅是展示结果。

当整个市场把AI熟练度当作招聘的第一优先序时,人才策略反而需要多一点克制。在远程办公和灵活用工渐成常态的今天,企业更可以跳出地域限制,借助像小蜜蜂云工作这样聚焦远程人才匹配的平台,去接触那些真正在分布式协作环境中验证过AI应用能力的专家,而不只盯着简历上的一行工具名。归根结底,避免“招错人”的关键不在于列出更多技术要求,而在于想清楚:我们希望AI解决什么业务问题,以及什么样的人能和我们一起找到答案。

本文由小蜜蜂云工作原创发布,话题参考自行业公开报道。

95%的公司要求AI素养,但招错率仍近六成,问题出在哪?

当AI素养(AI fluency)几乎成为职场新通识,企业却陷入“越强调、越误判”的招聘怪圈。美国人力资源媒体HR Executive最新调查显示,95%的美国企业已将AI素养列为招聘硬性要求,但59%的HR表示,他们依然频遇“招错人”的问题。当技能标签逐渐取代真实能力评估,招聘

95%的公司要求AI素养,但招错率仍近六成,问题出在哪?

当AI素养(AI fluency)几乎成为职场新通识,企业却陷入“越强调、越误判”的招聘怪圈。美国人力资源媒体HR Executive最新调查显示,95%的美国企业已将AI素养列为招聘硬性要求,但59%的HR表示,他们依然频遇“招错人”的问题。当技能标签逐渐取代真实能力评估,招聘决策正在偏离正轨。

一项荒唐的统计:人人要AI,却说不清要什么

调查揭示了一个尴尬的现实:多数公司在职位描述中将“熟练使用AI工具”“具备AI思维”作为必备技能,却没有统一的评估标准。一位受访的招聘经理坦言:“我们知道候选人需要在AI方面有基础,但我们自己内部还没搞清楚具体需要什么能力。”这导致面试环节常常流于表面——候选人在简历中罗列一串AI工具名,面试时对几个流行语侃侃而谈,就可能拿到offer,而入职后才发现完全无法将AI融入具体业务。

更深的矛盾在于,AI素养并不是一个静态的技能清单。它至少包含技术理解力、数据敏感度、工具应用能力和与业务结合的创造力。如果企业只关注是否用过ChatGPT或Midjourney,而忽略了对实际业务场景的模拟,招到的人自然经不起实战检验。

“坏招聘”的三大推手:标签化、赶时髦与缺场景

分析认为,高比例的“坏招聘”背后主要有三个原因。一是标签化思维。许多企业将AI素养简单等同于“会用某一款热门AI产品”,却忽视了不同岗位对AI的具体需求差异。例如,市场岗需要的是用生成式AI进行内容测试和数据分析,而非仅仅生成文案;财务岗则需要懂得用AI辅助数据分析与风险建模,而非停留在文本问答层面。

二是恐慌性赶时髦。同行都在招“AI人才”,一些公司甚至不清楚岗位的具体AI应用场景,就匆忙设立要求,结果往往招到“持证型”选手——证书很多,落不了地。三是组织内部的培训与评估脱节。一些企业把AI素养完全压给招聘端,却没有在职培养和内部能力评估的配套,新人入职后孤军奋战,很快暴露出能力缺口。

走出误区:从“用过什么”转向“能解决什么”

破解困局的关键,是将招聘重心从工具使用经验转移到解决问题的能力。专家建议,企业在设定AI素养要求前,应先画出岗位的“AI能力画像”:明确该岗位需要AI解决哪些高频、高价值的业务问题,再据此设计情境模拟和案例题。例如,让候选人现场操作一段数据清洗与可视化,或用AI工具快速产出一份带分析的建议书,远比罗列工具清单有效。

与此同时,内部建立轻量级的AI能力自评和提升机制也至关重要。尤其是对于采用远程办公和灵活用工模式的组织,候选人可能来自不同地域,背景各异,仅凭简历上的“精通AI”字眼,极易造成误判。在像小蜜蜂云工作这样的远程招聘与灵活用工平台上,企业更需要关注候选人在线上协作中展现出的AI应用实例,而非抽象的自我评价,这样才能真正选到能远程、懂AI、会落地的伙伴。

当AI素养从少数人的加分项变成职场标配,招聘就不能再停留在“你有什么证”的阶段,而应追问“你能用AI做成什么事”。否则,五成以上的招错率恐怕还会持续。

本文由小蜜蜂云工作原创发布,话题参考自行业公开报道。

AI素养成招聘硬指标,为何错误雇佣仍高发?

一场围绕“AI素养”的人才争夺战正席卷全球职场。HR Executive最新报道显示,95%的美国企业已将AI素养列为招聘时的硬性要求,几乎等同于过去对办公软件熟练度的基本期待。然而令人意外的是,即便如此高的普及率,仍有59%的雇主承认自己招错了人。当所有人都急着把“会用AI”写

AI素养成招聘硬指标,为何错误雇佣仍高发?

一场围绕“AI素养”的人才争夺战正席卷全球职场。HR Executive最新报道显示,95%的美国企业已将AI素养列为招聘时的硬性要求,几乎等同于过去对办公软件熟练度的基本期待。然而令人意外的是,即便如此高的普及率,仍有59%的雇主承认自己招错了人。当所有人都急着把“会用AI”写进岗位描述,为什么队伍里还是频频出现“不对”的人?

焦虑驱动的招聘,模糊定义的技能

调研数据背后,首先暴露的是“AI素养”这一概念本身的混乱。多数企业并没有清晰的分级标准:是要求员工能够熟练使用ChatGPT生成文案?还是需要理解大模型的基本原理并能在业务中本地部署?前者属于工具应用层,后者则涉及更深的数据与工程能力。实际招聘中,很多面试官只是笼统地提问“你用不用AI”,求职者只需说出几个工具名称便可轻松过关。这种将“听说过”等同于“掌握”的做法,让岗位需求形同一纸空文,自然难以筛出真正具备实战能力的人选。

评估方式滞后,面试沦为“背题会”

更棘手的问题出在评估环节。当下多数HR的招聘流程仍停留在传统阶段:看简历上是否罗列了AI相关课程、证书或项目,面试时问几个通用问题。然而当大量候选人开始有意识地包装简历、背诵主流AI工具的使用心得时,五分钟的自我介绍很难辨别真实水平。尤其在一些非技术岗位——如市场营销、客户运营、项目管理——企业既希望员工“AI化”,又缺乏可量化的实操测试场景,最终只能凭感觉做决定。59%的错误雇佣率,很大程度上就是“感觉对了,能力错了”的典型后果。

忽略了“会用AI”之外的适配力

即便找到了一位技术层面合格的AI应用者,也未必就是好员工。报告同时指出,许多失败的雇佣背后,缺失的其实是批判性思维、跨部门沟通和快速学习能力。AI工具迭代极快,今天能熟练操作某个平台的候选人,如果缺乏自主迭代知识体系的习惯,半年后可能就已落后。而远程协作、分布式团队日益普遍的现实,又要求员工具备强大的自驱力和异步协作素养,这些都无法仅仅通过“是否会使用Copilot”来评判。企业若只看工具熟练度,却忽视人的底层素质,错误雇佣自然难以避免。

从“要求”走向“验证”,回归选人的核心

破解困境的路径,在于把AI素养从一句宽泛的口号拆解为可验证的行为。一些领先企业已经开始推行场景化模拟测试:让营销岗候选人在限定时间内用AI工具完成一份竞品分析,请产品岗求职者演示如何借助AI辅助用户调研。同时,结构化面试中嵌入对“AI失败案例”的追问,能有效考察其在不确定环境下的调试与复盘能力。更重要的是,企业需要意识到,AI素养应当作为持续学习的起点而非终点,试用期内的AI实践考核和内部技能认证,往往比入职前的单次评价更加可靠。

在灵活用工和远程办公日益兴盛的今天,这种从“声明”到“验证”的转变尤为关键。平台如“小蜜蜂云工作”所提供的远程协作场景和项目制用人模式,恰好能让企业在真实任务中低成本试炼候选人的AI应用水平,让雇佣决策回归到“做出来”而非“说出来”。

本文由小蜜蜂云工作原创发布,话题参考自行业公开报道。

AI素养成招聘硬指标,为何超半数企业仍招错人?

当人工智能渗透进每一个岗位,企业对“AI素养”的追逐变得前所未有地迫切。一项最新调查显示,高达95%的美国企业已将AI流畅度列为招聘的硬性要求。然而,吊诡的是,尽管标准定得如此之高,仍有59%的受访企业承认他们做出了错误的人选决策。一边是几乎全行业拥抱AI技能,一边是超过半数的用

AI素养成招聘硬指标,为何超半数企业仍招错人?

当人工智能渗透进每一个岗位,企业对“AI素养”的追逐变得前所未有地迫切。一项最新调查显示,高达95%的美国企业已将AI流畅度列为招聘的硬性要求。然而,吊诡的是,尽管标准定得如此之高,仍有59%的受访企业承认他们做出了错误的人选决策。一边是几乎全行业拥抱AI技能,一边是超过半数的用人失误,这中间的鸿沟,暴露了当下人才招聘中一个愈演愈烈的结构性矛盾。

高期望与高失败率:一场技能评估的错位

“AI素养”正迅速成为简历上的新通货。从市场到研发,从行政到供应链,不懂基础AI工具的使用、不理解数据驱动的决策逻辑,几乎等同于数字化时代的“文盲”。这种压力让企业把AI能力写进JD,期望新员工自带“即战力”。但问题在于,大部分公司对AI素养的理解仍停留在表面——会使用ChatGPT、知道提示词的基本写法,这些入门级技能被当作了核心竞争力。而真正需要的业务场景结合能力、AI伦理判断、跨领域数据思维,却很少被纳入面试流程。当招聘官只能依靠关键词匹配和候选人的自我陈述来判断,失误几乎注定会发生。

为何企业仍在“盲选”AI人才?

深挖数据背后的原因,首先是招聘工具和方法论的滞后。多数企业依然严重依赖传统的简历筛选和结构化面试,缺乏对AI实际应用能力的客观测评。一个候选人可以轻松宣称自己“精通AI办公”,但真正让TA用AI辅助完成一份竞品分析报告,或者用低代码平台搭建一个AI工作流时,能力差距会立刻显现。其次,技能的“通货膨胀”也在推波助澜。当市场上每个人都在简历上添上AI这一项,企业很难快速辨别哪些是真实水平,哪些只是跟风。此外,AI相关岗位的迭代速度极快,一个几个月前还稀缺的技能,现在可能已经普及,用人部门给出的招聘描述经常滞后于技术发展,导致招进来的人很快就不够用。

另一个不容忽视的因素是,企业内部评估AI需求的能力本身就不足。HR和技术面试官往往对什么样的AI素养能真正创造业务价值缺乏共识,于是只能将其简化为“懂AI”三个字,最终招到了“面试型人才”,在真实工作中却水土不服。

从“贴标签”到“真评估”:如何终结AI招聘之困

要打破这种高要求与高失败率的僵局,企业必须把AI素养从一句口号变成一个可测量、可验证的招聘维度。首先是引入情境化测试,让候选人在模拟工作场景中解决具体问题,而不是只聊概念。例如,给市场岗位一个真实的数据集,要求用AI工具生成营销洞察;对产品岗位,则考察其如何通过AI对话分析用户需求。其次,建议拥抱更灵活的用工验证机制,比如通过短期项目或顾问合作,在实际交付中考察候选人的AI整合能力,再决定是否转为全职。这不仅能降低试错成本,也让企业能快速获取更前沿的AI技能,避免“拿到简历时已经过时”的尴尬。

这种“先试用、再确认”的模式,恰好与远程灵活用工平台的天然优势相契合。当企业需要带有特殊AI技能的专才,比如某个细分行业的AI训练师,或者能快速搭建智能客服工作流的工程师,通过小蜜蜂云工作等平台调用全球的远程人才,进行任务制合作,既能即时满足业务需求,又能在实践中精准评估对方的AI素养,把招聘决策从简历上的文字真正还原到工作成果上。只有让评估回归真实的价值创造,AI招聘才能从玄学走向科学,让企业不再一边高举AI大旗,一边在用人上连连踩坑。

本文由小蜜蜂云工作原创发布,话题参考自行业公开报道。

AI代理独立操盘1亿美元融资,人机协作边界被重新定义

当一家公司的核心业务就是帮企业打造AI代理,还有什么比让自家AI代理独立完成一轮巨额融资更有说服力?Lyzr,一个低调的企业级AI代理初创公司,刚刚干了一件让整个创投圈侧目的事:它把最新一轮1亿美元的融资流程完全交给了自己开发的AI代理去执行,从对接投资人、准备尽调材料到谈判条款

AI代理独立操盘1亿美元融资,人机协作边界被重新定义

当一家公司的核心业务就是帮企业打造AI代理,还有什么比让自家AI代理独立完成一轮巨额融资更有说服力?Lyzr,一个低调的企业级AI代理初创公司,刚刚干了一件让整个创投圈侧目的事:它把最新一轮1亿美元的融资流程完全交给了自己开发的AI代理去执行,从对接投资人、准备尽调材料到谈判条款,人类团队只旁观不插手。结果,融资成功到账,一分不少。

一次“自杀式”产品验证

这不是营销噱头。Lyzr的融资消息经由TechCrunch披露后,迅速引发行业热议。一家年营收可能尚未形成规模的初创,敢于把融资本身当成产品测试场,本身就带有豪赌色彩。其创始人对外传递的信号很直接:如果连公司生死攸关的融资都能由AI代理搞定,那么任何复杂的企业流程都有可能被重构。这个案例之所以震撼,不在于AI又完成了某个单一任务,而在于它接管了一个需要跨角色协调、非结构化信息处理和风险权衡的长链条商业活动。

从“工具”到“代理”,管理逻辑在松动

传统管理软件解决的是流程线上化,AI代理则在冲击“谁来做决策”的底层假设。Lyzr的AI代理在融资中,很可能自行完成了对数百份商业文档的阅读摘要、根据投资人风格调整沟通策略、甚至在估值谈判中给出动态建议。这意味着,大量原本需要投行分析师、法务顾问和CEO本人参与的工作被压缩到了一个自治系统里。对于中国企业管理者而言,这已不是遥远的科幻——当数字员工不仅能报销发票,还能谈亿元级交易,组织的层级设计和人才能力模型都需要重新思考。

未来工作的“副驾驶”正在变成“主驾驶”

这次事件让人自然联想到“未来工作”的演变方向。过去几年,人们习惯把AI定位为人的协作伙伴,但在一些高价值场景中,AI正从“副驾驶”滑向“主驾驶”。当然,Lyzr的模式很难直接复制,它的AI代理背后是大量垂直领域的调优和预设边界,但方向已经明朗:下一代高效团队很可能是一个人类主管与多个AI代理的组合,人类只需在关键节点签字确认。这对招聘市场也会产生微妙影响——企业对员工的要求将从“能执行”加速转向“能督导AI执行、能应对异常”,灵活用工和远程协作场景中,AI代理将率先成为不可或缺的虚拟成员。

当AI代理开始独立操盘数亿美元融资时,我们或许该放下争论,认真规划如何与数字同事共处。在越来越多企业拥抱混合办公和远程团队的当下,像“小蜜蜂云工作”这样专注于灵活用工的平台,未来或许不仅要连接人与岗位,也可能需要连接人与AI代理,协同完成过去难以想象的复杂任务。

本文由小蜜蜂云工作原创发布,话题参考自行业公开报道。

MiniMax将开源2.7万亿参数模型,中国AI再掀开源浪潮

中国AI初创公司MiniMax近日被曝计划在年内开源一个参数规模高达2.7万亿的超大语言模型,消息一出便在全球开发者社区激起涟漪。这意味着,这家以“海螺AI”和“Glow”闻名的公司,正从应用层向基础模型腹地纵深挺进,并选择以开源模式直面全球竞争。2.7万亿参数,究竟是什么量级?

MiniMax将开源2.7万亿参数模型,中国AI再掀开源浪潮

中国AI初创公司MiniMax近日被曝计划在年内开源一个参数规模高达2.7万亿的超大语言模型,消息一出便在全球开发者社区激起涟漪。这意味着,这家以“海螺AI”和“Glow”闻名的公司,正从应用层向基础模型腹地纵深挺进,并选择以开源模式直面全球竞争。

2.7万亿参数,究竟是什么量级?

当前,全球最大的开源模型Meta Llama系列最大版本参数量为4050亿,即便传言中即将推出的下一代模型有望突破万亿,与MiniMax的2.7万亿参数相比仍有不小差距。远超万亿的参数量意味着巨大的计算开销和更高的“智能”潜力。MiniMax此举并非单纯的参数炫耀,更可能瞄准一个融合文本、图像、语音乃至动作的多模态“世界模型”,试图在具身智能、长程推理等前沿领域构建底层能力。

开源背后的商业逻辑与技术密码

选择开源,是技术信仰,更是商业盘算。当前全球大模型路线正在分裂——OpenAI与Google走向高度封闭的API化,而Meta、Mistral则通过开源构建生态护城河。MiniMax作为有出海基因的中国玩家,开源不仅能吸引全球开发者共同迭代,缓解外界对AI“黑箱”的安全焦虑,更是一种巧妙的全球化破局方式。尤其在算力与地缘政治交织的背景下,开源可以绕过封闭生态的壁垒,让公司技术和品牌深度嵌入全球研发链条。

开源浪潮下的工作模式变革

2.7万亿参数的开源模型一旦落地,将极大降低企业自研AI的门槛,但真正让模型发挥商业价值,依然需要海量的微调、适配和行业场景开发。这一过程催生了大量的分布式协作需求,许多团队开始采用远程灵活用工的方式组建AI研发小组。像小蜜蜂云工作这样的平台,可以帮助企业高效匹配全球范围的AI工程师、产品专家和数据科学家,以更轻、更快的方式抓住大模型开源带来的创新窗口。

中国AI的全球叙事正在改写

从跟随到并跑,再到试图以开源定义游戏规则,MiniMax的这一计划不仅是单个公司的突围,更折射出中国AI产业的新叙事。当庞大的模型参数遇上开放的研究生态,我们可能会看到更多来自中国的开源大模型影响全球,而在这一进程中,灵活、分布式的协作方式也将成为常态。

本文由小蜜蜂云工作原创发布,话题参考自行业公开报道。

微软Copilot放弃OpenAI,自研模型降成本

最近,微软正在悄悄上演一场“去 OpenAI 化”的行动。据外媒报道,微软计划在 Excel、Outlook 等核心办公产品中,逐步将背后的人工智能模型从 OpenAI 和 Anthropic 切换为自家的 MAI(Microsoft AI)模型。相关内部统计显示,每周已有数万次

微软Copilot放弃OpenAI,自研模型降成本

最近,微软正在悄悄上演一场“去 OpenAI 化”的行动。据外媒报道,微软计划在 Excel、Outlook 等核心办公产品中,逐步将背后的人工智能模型从 OpenAI 和 Anthropic 切换为自家的 MAI(Microsoft AI)模型。相关内部统计显示,每周已有数万次实际查询在通过自研模型处理,且微软的 AI 负责人穆斯塔法·苏莱曼(Mustafa Suleyman)对此态度坚决。外界最直接的解读是:微软要让 Copilot 变得更便宜,而换掉外部模型是削砍成本的一刀。

为什么非要换掉 OpenAI?

自从把 GPT-4 深度嵌入 Office 全家桶,微软 Copilot 的商业化始终卡在一个尴尬的位置上——功能惊艳,但企业客户对额外的订阅价格敏感。为了维持能够实时分析文档、生成图表、总结邮件这样的高吞吐量 AI 服务,调用 OpenAI 和 Anthropic 模型的成本居高不下。转而采用自家训练的 MAI 模型,微软不仅可以节省一大笔 API 授权费用,还能在推理效率和产品定价上拥有更大控制权。从商业逻辑上看,这不只是简单的“换供应商”,而是将 AI 能力从外部租赁变为内部制造,长远目标极可能是推出更低月租甚至基础版免费的智能办公体验。

对普通职场人意味着什么

对每天和 Word、Excel、Outlook 打交道的人来说,这次调整未必会降低 AI 功能的整体质量——微软内部工程师已经强调,MAI 模型在处理企业日常任务时表现足够稳定。但微妙的地方在于,当模型不再是通用的 GPT-4 或 Claude,也就意味着 Copilot 的回答风格、知识截止时间、逻辑链构成方式都将逐渐打上微软自己的烙印。这种“封闭化”可能会让一些习惯与外部模型对比的用户感到差异,但对 IT 管理层和财务决策者而言,一个更可控、更廉价的企业 AI 工具有着难以抗拒的吸引力。尤其是远程协作越来越多,能够不增加每账号成本就启用智能写作、表格分析等能力,会直接影响团队的数字化效率。

中国市场的连锁反应

微软的这一步,很可能在中国引发连锁反应。国内企业办公软件厂商(如钉钉、飞书、WPS 等)本就为了成本控制在做深度模型自研或混合调用。看到 Copilot 公开走“换芯降价”的路线,国产办公套件可能会加速推进基于国产大模型的全功能 AI 助手,推出更具竞争力的定价方案。而对整个 SaaS 行业来说,微软释放了一个信号:未来 AI 能力的差异化不一定来自调用更昂贵的模型,而是来自对工作场景的深度适配和更便宜的分发方式。这不仅影响大型平台,也会让更多中小企业敢于尝试 AI 驱动的招聘、协作和知识管理,推动灵活用工与远程办公进入更务实的阶段。比如,当把此类低价化 AI 聚合到像小蜜蜂云工作这样的一站式远程团队管理平台后,人岗匹配、项目追踪、跨地域协作等环节均可获得更低门槛的智能辅助,从而让更多企业以轻盈的方式用好AI。

本文由小蜜蜂云工作原创发布,话题参考自行业公开报道。

小蜜蜂云工作重磅升级:飞书任务同步与 AI 智能诊断

近日,企业效率管理平台小蜜蜂云工作完成一轮重要功能升级。本次更新围绕「让团队管理更省心、更智能」,一次性上线飞书任务双向同步、异常实时报警、AI 工作日报任务诊断、分析报告查询、系统设置五大能力,帮助企业把「监控数据」真正转化为「管理决策」。 一、飞书任务双向同步:任务不用两头记

小蜜蜂云工作重磅升级:飞书任务同步与 AI 智能诊断

近日,企业效率管理平台小蜜蜂云工作完成一轮重要功能升级。本次更新围绕「让团队管理更省心、更智能」,一次性上线飞书任务双向同步、异常实时报警、AI 工作日报任务诊断、分析报告查询、系统设置五大能力,帮助企业把「监控数据」真正转化为「管理决策」。

一、飞书任务双向同步:任务不用两头记

很多团队用飞书管任务、用小蜜蜂看效率,两套系统各记各的。本次升级打通了两者——绑定飞书自建应用后,团队共享清单里的任务会每 10 分钟自动同步到小蜜蜂「任务看板」,也支持随时手动同步;在小蜜蜂里标记完成会自动回写飞书,真正做到一处更新、两端一致。成员按手机号自动匹配,匹配不上的还可手动绑定,管理者一屏即可看到全员的待办、进行中与已完成。

二、异常实时报警:问题第一时间知道

员工离岗、迟到、早退等考勤异常,不再需要事后翻报表。小蜜蜂新增报警通知,可同时配置企业微信、飞书、钉钉群机器人(支持钉钉加签、飞书签名校验),异常发生后系统自动去重并实时推送到指定群,让管理者第一时间响应。

三、AI 工作日报 + 任务诊断:不只看数据,更懂原因

小蜜蜂的 AI 工作日报此次再进一步:在总结每位成员当日工时、活跃度与工作场景的基础上,新增「未完成任务原因诊断」。系统会把员工当天未完成的任务,与其应用使用、屏幕截图 AI 分析等监控数据相结合,自动判断任务卡住的原因究竟是态度问题(分心娱乐、投入不足)还是能力问题(方法不当、技能不熟、反复查询求助),并给出可执行的管理建议,让绩效沟通有据可依。

四、分析报告:日报 / 周报 / 月报一键查询

企业后台与员工个人中心均新增分析报告入口,管理员可查看全员、员工可查看本人的日报、周报、月报。周报、月报由每日数据自动聚合生成,出勤天数、工时投入、工作重点与风险提示一目了然,并可定时发送到指定邮箱。

五、系统设置:考勤与报警集中配置

原「考评设置」升级为「系统设置」,将考评应用、考勤规则(工作日、上下班时间、迟到早退容忍)与报警通知渠道集中管理,配置更清晰、上手更简单。

让数据产生价值

从「记录工作」到「读懂工作」,小蜜蜂云工作希望帮助每一家企业把远程与灵活办公管得更轻松、更公平、更高效。以上功能现已全面上线,欢迎企业用户登录后台体验。

本文由小蜜蜂云工作原创发布。

微软为抢 AI 人才砍掉 Xbox 团队,一场不计代价的“人才军备赛”

本周,一则来自微软的消息让科技圈和 HR 圈同时坐不住了:为了抢夺 AI 人才,微软正不惜对自家 Xbox 游戏业务动刀。据 HR Dive 报道,微软正在大幅裁撤 Xbox 团队,同时将资源向 AI 工程师岗位倾斜。一边裁员,一边疯狂挖人,这种“左手砍、右手抢”的姿态,折射出当

微软为抢 AI 人才砍掉 Xbox 团队,一场不计代价的“人才军备赛”

本周,一则来自微软的消息让科技圈和 HR 圈同时坐不住了:为了抢夺 AI 人才,微软正不惜对自家 Xbox 游戏业务动刀。据 HR Dive 报道,微软正在大幅裁撤 Xbox 团队,同时将资源向 AI 工程师岗位倾斜。一边裁员,一边疯狂挖人,这种“左手砍、右手抢”的姿态,折射出当下大型科技公司人才竞争的白热化程度。

不是 Xbox 不行,是 AI 太“吸人”

Xbox 作为微软游戏业务的核心,长期是消费端的重要名片。但如今,面对生成式 AI 的浪潮,哪怕是明星业务也要为战略让路。微软此次将大量原本属于 Xbox 的研发 headcount 转移至 AI 相关部门,甚至直接裁撤成熟的游戏开发岗位,并非因为游戏业务亏损或萎缩,而是因为 AI 工程师的薪资预算、团队编制被无限拔高,公司宁愿牺牲短期稳定现金流业务,也要把所有弹药集中到 AI 赛道上。

这种“内部资源再分配”并非微软独有。Meta、Google 等科技巨头在过去一年几乎都在做同一件事:砍掉非 AI 或非核心创新业务,将换来的编制和预算投向大模型、AI 基础设施和产品化团队。微软此次拿 Xbox 开刀,本质上是一次极致的优先级重排——AI 不是“重要”,而是“唯一重要”。

AI 人才有多贵?贵到可以“自断一臂”

这波操作的真正驱动因素,还是 AI 人才供给的极度短缺。高级 AI 研究员、模型训练工程师的年包动辄百万美元起步,初创公司还能靠股权讲故事,巨头则靠基础薪酬和计算资源疯狂溢价。微软之所以选择从内部“刮骨疗毒”,恰恰说明外部成熟 AI 人才不是有钱就能买到:顶尖人才几乎全集中在少数几家公司手里,且竞争已经从“招人”演变为“抢人”和“留人”。

更值得关注的是,微软此次的调整并不是一次性动作。过去两年,微软先后整合了 Linkedin、Office 及雲端业务的 AI 人才,甚至将部分海外游戏工作室的资源抽调回美国本土以支持 Copilot 等核心产品。这种“拆东墙补西墙”的做法,反映出 AI 人才市场已经进入一种结构性失衡:供给增长远远跟不上需求放量,即便是微软这样的巨头,也只能靠内部“咬牙腾挪”。

企业的人才池,正在被迫重新“蓄水”

微软的案例给其他大型企业敲响了警钟:当行业技术路线发生剧烈转向,过去以稳定业务为锚点的人才规划会快速失效。靠裁员传统部门来填补新缺口,短期内看似高效,但长期会带来组织记忆丢失和核心业务竞争力稀释的风险。因此,越来越多企业在 AI 人才储备上开始尝试更灵活的策略——比如通过远程协作、弹性用工等方式,绕过地理限制触达全球人才。

这种方式虽然还无法完全解决顶尖研究人才的稀缺问题,但至少能让企业在工程化落地和应用层研发上快速拉齐水位,避免像微软一样非要“自断一臂”才能起步。对于许多中型企业来说,完全依靠全职雇佣去和巨头硬刚 AI 人才,性价比可能远不如“全职核心 + 灵活外部”的组合模式。

微软这波操作注定不会是孤例。未来两到三年,我们还会看到更多公司为争夺 AI 人才做出“反常识”的组织决策,而能否找到更健康的人才补给路径,或许会成为这场竞赛的分水岭。

本文由小蜜蜂云工作原创发布,话题参考自行业公开报道。