Build Seele AI with AI. 如果 AI 只是帮人提效，这件事的意义还没有那么大。真正重要的是，它有没有可能直接对公司的结果负责。
过去 20 天，我们在 Seele AI 内部，第一次把这件事跑通了。
20 天前，Seele AI 开始推动 AI 自动化办公变革时，我脑海里有一个很明确的目标：“让每个同事不再把时间消耗在具体执行上——无论是文档、代码、投放、SEO、分析，还是相当一部分日常决策，而是要把主要精力放在更高价值的部分：提出判断、定义目标、输出深层次想法，然后由 AI 去完成执行，并最终对公司的 KPI 负责。”
这个想法在当时听起来并不“正常”。很多人，包括公司内部的一些同事，第一反应都是：这是不是有点太理想化了？甚至有人觉得，这更像是一个适合写成公众号文章的概念，而不是一个真能在公司内部推进的系统工程。
到了今天，我觉得至少可以下一个阶段性结论：AI 自动化办公这件事，已经在公司 T0 级 KPI 上真正跑通，并开始 100% 自动化地跑出结果。
下面我想分享两个真实案例（涉及商业敏感信息部分会做脱敏处理）。
一、T0 KPI：订阅收入 / ROAS
这个指标本身不需要解释太多。
今天大家已经很熟悉 AI 在投放、增长、数据分析等环节带来的提效。但“AI 帮助提效”和“AI 100% 自动化地完成收入增长任务”，其实不是一回事。
后者真正难的地方，不在某一个单点能力上，而在于：你能不能把一家公司的多个系统真正打通，让 AI 从目标出发，跨流程、跨工具、跨角色地持续推进，直到结果产生。
一旦这件事成立，带来的提升就不会只是 20%、50% 的优化，而更接近数量级上的变化。
下面展示的，就是 Seele AI 第一个完全由 AI 自动化完成的收入增长案例。
（明确需求，确定范围）
（确认及结果输出文案及图片素材）
（自动投放）
（数据回收：单条广告上线后，带来两个付费用户，实现收入185.89$）
二、T0 KPI：游戏大模型 L2 的研发
先简单介绍一下背景。
我们公司在做的事情是：Build AI-Native Game Studio with Seele AI。
去年 10 月，我们正式上线了全球第一个端到端多模态游戏大模型 L1，以及面向创作者的产品 seeles.ai。从 12 月开始收费到现在，收入已经连续数月环比增长。
与此同时，我们也在训练 L2 阶段的模型，希望显著提升生成能力，让它能够生成 2A 级别的游戏；同时围绕模型研发一套新的 Agent 框架，进一步降低用户使用门槛，让用户可以直接指挥 AI，完成从游戏原始 idea，到上线，再到推广和变现的一整套流程。
如果用一句更容易理解的话来概括，它有点像是游戏领域的 Claude + Claude Code。
因此，公司一个非常核心的 T0 KPI，就是：在 L2 训练完成之后，完成基于它的 Agent 框架研发。
在自动化办公变革开始后，我们也鼓励负责 L2 的阿米巴团队，尝试用 100% AI 自动化 的方式来推进这件事。某种程度上，这也是我们对这套方法论是否成立的一次直接验证。
（方案制作）
（方案修改）
（编写SKILL）
（根据AI建议增强逻辑）
（寻找历史代码）
（自动化提交与发布）
（【结果】前端、后端仓库）
（【结果】模型仓库）
从告诉 AI 我们需要什么，到最终自动上线，整套流程里，人类没有再手动做任何一件具体执行工作。
三、AI 是如何开始自动完成公司级 KPI 的？
如果你是第一次看到这篇文章，建议先回顾之前的相关内容：
D8｜这是我们内部用的框架，你直接拿去用（已更新，晚上群里发放原文链接）
在这些背景之上，我想把 Seele AI 内部真正推动这件事的方法，尽量讲清楚。
1. 先成立一个专门小组，只负责“整体自动化效率”
这个小组的职责边界必须非常清晰。
它只负责三件事：
提高公司整体自动化效率
搭建整体框架
提供公司层面的通用工具能力，比如 workspace 划分、skill 设计等
它不负责各个 KPI 阿米巴的具体自动化效率，也不直接负责各个阿米巴的 KPI 完成情况。后面这两件事，必须仍然归属于各个阿米巴自己。
这个小组唯一的衡量标准，是：公司整体自动化办公占比。
而且这个指标不是靠人工汇报，而是由 AI 每周自动计算：AI 会持续跟踪各项任务的推进情况，以及每个阿米巴在自动化办公中的实际执行比例。
这样设计有几个明显好处：
把“效率系统建设”和“KPI 结果”拆开，减少注意力和资源之间的相互干扰。
整体框架可以保持自上而下的统一设计，避免重复建设和系统混乱。
各个阿米巴在推进自动化过程中遇到问题时，应优先尝试自行通过 AI 解决；如果解决不了，再上报给整体效率小组，由后者抽象出通用解法。
这里也可以分享一份脱敏后的文档，大家会更直观一些：《SEELE 框架审计报告 2026-03-30》，文末扫码进群即可查看。
（文档内容部分截图）
2. 各 KPI 阿米巴，先提高自动化占比，再看结果
我们在目标设定上做了一个看起来有些反直觉、但我认为非常关键的调整——
首要目标不是先冲 KPI 结果，而是先提高该阿米巴的自动化工作占比
这个周期会根据 KPI 复杂程度有所不同，我们目前设定大约是 2 周，在这 2 周里，阿米巴的自动化工作占比至少要达到 60%
次要目标才是 KPI 最终结果的达成，也就是说，通常是两周之后，我们才重点去看业务结果
把目标直接挂到公司 T0 KPI 上，也就是最终结果，而不是过程指标
很多人会追问：这样做，最终对 KPI 真有价值吗？
我自己的判断是，这件事首先取决于创始人是否真正相信 AI 带来的生产力跃迁。
20 天前我愿意下这个赌注，是因为我相信，AI 生产力的提升至少是百倍级别的。说得更直接一点，我甚至不认为这只是百倍，只是如果把话说得太满，反而容易让人误解。
为什么会有这样的判断？因为我们已经看到，有人单个任务就能跑出 10B token 的消耗。这个数字意味着什么，其实可以自己感受一下：给你 10K token 的高质量内容，认真读完、理解完、消化完，已经足够让一个人耗费几个小时。
从这个角度看，人类在信息处理上的瓶颈其实非常明显。 而一旦 AI 可以大规模并行工作，很多业务动作都可以被抽象成概率问题：不是每一个任务都必须成功，而是只要你可以同时发起足够多的尝试，最终结果就会开始发生结构性变化。
3. 这件事必须由创始人亲自带头推动
AI 自动化办公，本质上不是一个工具部署问题，而是一个组织认知问题。 所以它一定是一个自上而下的工程。
我们内部主要做了几件事：
快速把组织架构调整为面向 T0 KPI 的阿米巴结构。尽量取消中间汇报层级。甚至从长期来看，连汇报给我本身都未必是必须的。目标是让每个人都能借助 AI，直接与公司的 T0 KPI 对齐，而不是被层层结构消耗掉。
搭建统一的自动化办公系统。所有相关成本由公司承担，不让员工对 token 成本产生顾虑。
重新设计奖惩机制。鼓励通过 AI 去完成 KPI。谁能更高效地指挥 AI，谁就获得更高激励；反过来，如果一个人长期不使用 AI，组织也要给出明确反馈。
持续推动认知切换。比如有同事把签名档改成：“不要问我，问 Rei（我们公司的 AI 零号机）。”这看起来只是一个细节，但它背后代表的是工作习惯和协作默认值的变化。
持续清除卡点。在推进过程中，只要出现任何阻碍，无论是系统层面的、协作层面的，还是认知层面的，都要第一时间被看见、被推动、被解决。
这里我的体会是：
惯性是最难处理的东西。不是因为大家不聪明，而是因为绝大多数组织都会天然回到旧的工作方式里。要对抗这种惯性，靠的不是一次宣讲，而是持续不断地重设默认动作。
总结
这些事情归根到底，都不是某一个工具技巧，而是组织认知、流程设计和管理经验的积累。** **
所以，AI 自动化办公真正值得被讨论的，从来不只是“能不能提效”，而是它能不能开始对公司的实际结果负责。而这也正是我们接下来会继续验证、也会持续分享的事情。
“Build Seele AI with AI ”的真实经验将会持续分享。如果你对这件事感兴趣，除了关注公众号，也欢迎进群交流。
