出海数字营销宝典 Logo
出海数字营销宝典evaoo.com

Shopify CEO 谈 AI:产出变便宜,判断更重要(Tobi Lütke 访谈)

2026-09-16Tao · Atlasnote.ai 整理约 13 分钟阅读

Shopify CEO 谈 AI:产出变便宜,判断更重要Shopify CEO 谈 AI:产出变便宜,判断更重要

导读

在 The Knowledge Project Podcast 专访《Shopify CEO: Most Businesses Are Using AI Wrong》中,Shopify 创始人兼 CEO Tobi Lütke 与主持人 Shane Parrish 进行了 1 小时 04 分钟的对谈。

Shopify 有 7,000 名员工和 10,000 个 Slack 频道,Lütke 详细介绍了内部 AI 同事 River 如何融入日常协作。他同时指出,当 AI 让代码与内容产出变得廉价时,企业真正稀缺的能力是审核、取舍、品味与承担后果的商业判断力。


01|River 怎样把聊天变成工作

在 Shopify 日常工作中,员工在 Slack 频道讨论功能时,随时可以把 River 拉进来。River 能整理讨论脉络,查询学术论文或竞品基准,还能直接写出可运行的功能原型。

River 是 Shopify 内部自研的 AI 同事。Lütke 透露,Shopify 目前有高达约 50% 的代码变更请求(Pull Request)直接源于这类聊天协作。

Shopify 内部 AI 同事 River 在 Slack 中的协作机制与工作流Shopify 内部 AI 同事 River 在 Slack 中的协作机制与工作流

同一场访谈里,他也指出了 AI 普及带来的新问题:员工用 AI 生成了大量代码或文档,自己还没读懂,就直接丢给同事审核。

核心观点:生成内容越来越容易,组织仍然需要有人判断这件事值不值得做、有没有做对,以及出了问题由谁负责。River 的交互设计、多模型议事团流程和组织管理机制,都围绕这一原则展开。

Lütke 描述了嵌入现有办公环境的智能体形态:

  • 覆盖全员沟通网络:Shopify 的 Slack 有 7,000 名员工与 10,000 个活跃频道。团队可以把 River 拉进任意公开频道,读取上下文,调用代码库、内部系统与沙箱工具,提交规范的变更请求。
  • 具备长期记忆与反驳权限:River 有独立的名字、头像和长期记忆。系统允许她直接指出不合理的需求,哪怕提需求的人是 CEO,她也会当场反驳。
  • 延续具象化交互类比:就像早期图形界面用文件夹、桌面和回收站降低学习门槛一样,具象化的同事身份能让员工更快摸清 AI 的能力边界。

这种协作改变了开发习惯。Shopify 手写全部代码的工程师越来越少,部分开发者甚至能同时调度 10 个~50 个智能体实例并行工作。但系统边界划分、状态管理与代码终审,仍然必须由工程师亲自把关。工具提速不能替代工程判断。


02|把使用过程公开,团队才能跟着学

River 有一项刻意设置的限制:只在公司内部公开频道中工作。

这里的“公开”指公司内部全员可见,不对外发到公网。Lütke 希望借此找回传统办公室里的现场示范学习方式。过去在实体工位旁,新人坐在资深工程师或产品经理身边,能亲眼看到对方怎样提问、怎样一步步排查 Bug、面对分歧怎样做取舍。远程办公保留了异步协作,却很容易让这些隐性的思考过程消失。

当 River 在公开频道参与讨论时,全员都能看到完整互动过程:

  1. 怎样给 AI 补充精炼的业务背景。
  2. 哪些任务适合拆给智能体,哪些任务必须自己动手。
  3. 在哪个节点需要继续追问细节。
  4. 什么时候 AI 给出的结果存在漏洞,不能直接采用。

团队使用 AI 的经验,就这样在真实业务讨论中自然传开。

River 还配有一套名为 Dreaming(离线复盘)的更新机制。每天深夜或系统空闲时,她会回溯当天的对话日志,找出任务执行中踩过的坑与错误,自动更新技能库和指令文本。个体踩坑后的修正经验,由此直接转化为全公司共享的规则。


03|AI 议事团准备材料,人做决定

面对复杂的战略决策,Lütke 搭建了一套多角色、多模型 AI 议事团(Multi-Model AI Council)。

多角色多模型 AI 议事团决策架构多角色多模型 AI 议事团决策架构

这套议事团按 4 个步骤运转:

  1. 设定对立角色:预设 5 个~6 个不同立场的角色,分别从数据量化、学术研究、商业回报(ROI)和工程实现切入,并专门安排反方角色(Devil's Advocate)挑刺。
  2. 分配异构模型:按角色特点调用不同厂商的模型,让多个模型交叉质询、辩论并汇总分歧。
  3. 生成决策简报:约 30 分钟内,系统将讨论结果压缩成一份论据清晰的简报。Lütke 常把它转成语音,在晨跑时听完。
  4. 控制调研成本:单次多模型推演的 API 费用约为 15 美元~20 美元。同等密度的前期调研如果全靠人工收集,往往需要耗费数周时间。

责任不能外包:机器能汇总信息、推演方案、加快执行,但无法替业务负责人承担决策后果。

就算多个模型给出的结论一致,负责人仍需亲自核查:原始数据有没有偏差?推演假设是否符合公司现状?一旦判断失误,公司能否承受代价?备选答案变多,不代表决策已经完成。

主持人追问超级智能未来能否受控时,Lütke 拿多伦多的城市运转做类比:现代社会早已习惯用专业分工、法律规则与权力制衡,去管理超出单个人脑容量的庞大系统。管理 AI 同样需要依靠分权、制衡与透明的组织规则。


04|AI 生成越多,审核负担可能越重

谈到 AI 给组织带来的副作用,Lütke 提到了一个词:Slop Grenades(垃圾手榴弹)。

Slop Grenades:生成成本归零与审核成本激增的错配Slop Grenades:生成成本归零与审核成本激增的错配

这个词描述了当前职场中常见的三种低效现象:

  • 生成端省事:员工敲两行提示词,让 AI 改动几百行代码或生成几千字长文,自己只扫一眼就发起提交或群发邮件。
  • 审核端承压:提交者看似几秒钟干完了活,但代码里的逻辑漏洞、边界错误和事实编造,全都甩给了后面的审核者(Reviewer)和同事。
  • 沟通空转:发件人用 AI 把 3 句话扩写成 800 字长信,收件人懒得细看,又调用 AI 把它缩回 3 句话。信息在两端算力之间空转,团队沟通成本反而更高。

AI 大幅压低了生成成本,但人脑理解、核对和排错所需的时间并没有同步缩短。自己没消化就丢给团队的半成品,本质上是把认知负担转嫁给同事。

Lütke 认为,成熟的工程师和管理者会借用大模型,把复杂想法提炼得更短、更准、更好读。你向团队提交任何文档或代码时,都必须能讲清背后的取舍逻辑,并对结果负全责。


05|软件开始围绕使用者改变

谈及应用软件的走向,Lütke 分享了自己日常使用操作系统的习惯。他主力使用由 Ruby on Rails 创始人 David Heinemeier Hansson(简称 DHH)发起的 Linux 发行版 Omarchy。借助智能体,操作系统可以根据个人习惯随时修改和定制。

他举了一个亲身经历的例子:在一次界面设计讨论中,他需要给截图快速加上特定样式的几何标注。他直接用语音向 AI 描述功能需求,补充了参考界面的交互细节,追问调整 3 轮后,AI 当场写出了一个定制截图工具。他当晚把代码推到 GitHub 开源,第二天早上就收到了社区提交的 6 个 Pull Request,这个小工具随后合入了 Omarchy 后续版本。

在家里,他的个人 AI 助手还能通过 Wake-on-LAN 协议唤醒离线主机,跨设备排查网络故障并自动跑完批处理任务。

这也对应着他对 Shopify 产品形态的设想:未来的商业 SaaS 不必强迫商家去适应固定死板的后台表单;商家只需用自然语言描述自己的生意怎么运转,软件界面与工作流就能围绕具体业务自动调整。


06|难的是从几个好选项中挑出一个

当做原型、查文献和列方案都变得很容易时,管理者桌面上往往同时摆着 10 个备选方案,每个看起来都可行,短期回报也都不错。

这时候,品味(Taste)与商业判断力(Judgment)就成了最关键的分水岭。

品味来自大量实战试错、对经典产品机制的拆解,以及对人性与长期制度的观察:为什么一套系统能稳定运行几十年?为什么一个微小交互能让用户觉得顺手?把这些规律想透,才能在众多选项里挑出经得起时间检验的方案。

对比项短期指标驱动的方案面向长期的战略选择
反馈周期依赖短期可见的数据正反馈(如当季 GMV 小幅上涨)长期缺乏即时反馈(如耗时数年重构核心架构)
方案特征容易向董事会汇报,指标可立即量化需要全局做减法,短期往往伴随阵痛
决策出发点规避风险,减少出错追求长期复利,贴合核心产品定位

Lütke 用 Shopify 早期经历做说明:当年他创办的在线滑雪板网店 Snowdevil 已经稳定盈利,继续卖滑雪板是稳妥的选择;但团队最终决定转向为全球创业者搭建电商基础设施,才有了后来的 Shopify。困难的决策往往发生在几个看似都不错的选项之间,需要看清每个选项在 5 年~10 年后的长期代价。


07|指标一旦变成目的,就可能带偏公司

在公司治理与数据考核上,Lütke 经常提醒团队警惕 Goodhart 定律(古德哈特定律):

古德哈特定律:当一个度量指标本身变成管理目标时,它就不再是一个好的度量指标。

他拿 Shopify 的商家流失率(Churn Rate)举例说明:

  • 在传统 SaaS 公司的考核里,客户关停账号通常算作负面指标,团队会背上严格的挽留 KPI。
  • 但 Shopify 服务的是创业者。创业本身充满不确定性,很多人开店是为了低成本验证一个新点子。
  • 如果一位商家试运营几个月后发现市场需求不成立,主动关停店铺,这只是一次正常的商业测试收尾。积累经验后,他未来很可能带着新项目再次回到 Shopify。
  • 如果管理层硬把“压低关店率”定为死命令,甚至在后台给商家退订设置障碍,就违背了“降低创业门槛”的初衷。

数据指标只是用来发现问题的听诊器,不能替代管理者对真实业务场景的判断。


08|公司要进步,也得允许删掉旧东西

谈到组织与系统演进时,Lütke 提到了 SpaceX 猛禽火箭发动机(Raptor Engine)的迭代过程:早期版本管线密布、零件繁杂,而新版本直接砍掉了上百个传感器、阀门与焊缝,结构大幅简化,推力与可靠性反而更高。

Goodhart 定律陷阱与组织 Refounding 做减法哲学Goodhart 定律陷阱与组织 Refounding 做减法哲学

软件系统与公司组织也会遇到同样的膨胀问题。每出一次偶发事故,管理层就容易多加一道审批流;每开一条新业务线,架构上就容易多叠一层汇报关系。几年下来,最初要防的问题早已不存在,团队却每天把精力耗在维护旧流程和历史遗留代码上。

为此,Lütke 在内部推行 Refounding(重新创立)机制,定期允许团队、业务线甚至整个公司推倒历史包袱,删掉因早期妥协留下的陈旧流程与代码,把精力放回核心产品研发上。


09|技术在变,培养判断的功课还在

访谈最后,Lütke 聊到一个家庭小习惯:每当孩子沮丧地说自己“不会做某件事”时,父母都会在句尾轻轻补上一个词:“yet”(只是暂时还不会)。

在他看来,人的技能与机器的能力都处在持续演进的过程中。直到今天,他仍然反复重读几部经过时间检验的著作:

  • Will & Ariel Durant《历史的教训》(The Lessons of History)
  • C. Northcote Parkinson《帕金森定律》(Parkinson's Law)
  • James Burnham《经理人革命》(The Managerial Revolution)
  • 马可·奥勒留《沉思录》(Meditations)
  • 艾萨克·阿西莫夫《基地》与刘慈欣《三体》

大模型和智能体拓宽了获取知识、编写软件和验证商业想法的边界,但生成代码或文本的速度只是表层工具能力。最终拉开差距的,依然是交付出了什么可靠的产品、在关键分岔口做了什么取舍,以及谁来为决策结果负责。


版权与原文出处声明

ShopifyAI AgentTobi Lütke管理哲学RiverGoodhart定律多模型协同组织工程

觉得本文有启发?一键复制标准引用摘要

自带原文归因链接与核心摘要,可直接粘贴至团队飞书/Slack 知识库、技术周报或大模型上下文。