# 40万用户交出1亿个AI任务，Zapier CEO把自动化这门生意讲透了 > Cognitive Revolution No. 177 中文精读 - 原标题：Zapier's AI Revolution: From No-Code Pioneer to LLM Knowledge Worker - 发布日期：2024-09-26 - 主持：Nathan Labenz - 网页版：https://cogrev.1mmt.com/ep/177-zapier-s-ai-revolution-from-no-code-pioneer-to-llm-knowledge-6JbKvV.html - 精读字数：约 5067 字（阅读约 11 分钟） > 本文为 cogrev.1mmt.com 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 2023年GPT-4发布后不久，Zapier CEO Wade Foster做了个决定：全公司停工一周，搞AI黑客马拉松。工程师参加，HR、销售、财务也参加，一个都不落下。几周之内，公司里每天用AI的员工比例从10%涨过50%，后来稳定在70%左右。 这是Cognitive Revolution播客一期节目里的内容。主持人Nathan Labenz请到的嘉宾就是Wade，Zapier联合创始人兼CEO。这家公司2011年成立，是无代码自动化赛道最早的定义者，干的事说穿了很简单：帮普通人把各种软件连起来。Stripe收到一笔付款，自动往Slack发条通知；Gmail收到附件，自动存进Dropbox。 但今天的Zapier早已越过了"连接软件"这个阶段。Y Combinator总裁Gary Tan最近发推说，Zapier有机会成为未来的AI知识工人。数据也撑得起这个说法：**超过40万客户已经通过Zapier把1亿多个任务交给AI处理，AI相关工作流是平台上增长最快的品类。**Zapier官网About页挂了很多年的一句话是：我们只是一群认为电脑应该多干点活的人。这期节目，就是Wade对这条路径的完整复盘。 ## 十年前能融资百万的点子，现在30分钟搭出来 Nathan先问竞争格局。自动化赛道如今选手一堆，Zapier凭什么还在领跑？Wade给了两个词：好上手，够深。新用户进来，先连两个最简单的应用找感觉；用下去会发现平台越来越深，前几年推出的Tables和Interfaces已经能搭完整应用，很多问题不用再去找别的工具。 他讲了个客户故事。一位用户的妻子开了园艺工作室，喜欢种花，讨厌经营，尤其坚决不给客户开发票。丈夫急了，决定替妻子解决这件事。他用Zapier做了个"语音转发票"小应用：手机上用JotForm按住录音键说一句，"今天见了客户Sally，郁金香预算150美元，雏菊200美元"。录音先送Whisper转成文字，再交给ChatGPT提取发票条款，写进Google表格逐项列清，最后由QuickBooks生成正式发票发出去。 Wade的原话是： > 十年前，光凭这个点子你就能融到一百万美元。现在，他在Zapier上花30分钟到1小时就做出来了。 第二个案例来自Siqi Chen，他创办的Runway是一家财务规划工具公司，产品可以理解成Notion遇上财务软件，跟做AI视频的那家Runway重名，他也是这档节目的老朋友。他们改版官网后一夜爆红，每分钟涌进几十个注册用户，可全公司销售只有2个人。Siqi用Zapier加ChatGPT搭了条线索筛选流水线：新线索进库，ChatGPT先把免费邮箱域名的过滤掉，剩下的送Clearbit补全公司信息，再让ChatGPT按一条写明"要机智但别尬"的提示词起草跟进邮件，成品全部躺进销售的Gmail草稿箱。销售早上上班，扫一眼，点发送。 Siqi自己算过账：**这套活靠人干得再招10到20个人，他花30分钟搭出来了。**Wade说这类故事在平台上很常见，真正的瓶颈反而是想法本身。X上隔三差五就有人问"你们到底拿AI干什么"，demo的新鲜感过去后，大家都在找能重复产生价值的场景。把真实案例摆出来，别人哪怕处境不完全一样，也能照着改一版自己用。 ## AI用在哪：能写死规则的，别劳烦模型 Nathan抛出一条圈内流行的原则：AI只该用在非用不可的地方，能用传统代码干的就交给代码，因为更快、更便宜、更可靠。Wade全盘认账，还主动交代了Zapier自己的教训。 他们曾发布一个叫Central的产品，思路是"推理无处不在"，让AI大包大揽各种任务。有点成绩，但那40万用户和1亿个任务，大头发生在传统工作流引擎里。**原因很直白：在传统引擎里，可以把确定性步骤和AI步骤混着编排，只把真正需要语言模型的那一环交给它，整条链路的可靠性立刻上来。** 那模型真正擅长什么？Wade列了三类：从非结构化文本里抽信息，给一堆东西分类，生成新文本。这些活以前要么干不了，要么费死劲，现在把LLM塞进确定性流程的中间，就能造出全新的东西。至于要不要微调模型，平台数据给出的答案是用基础提示词就够了，顶多加几个例子，Zapier上没人为这些用例自己训模型。 但他也承认存在真实的"最后一公里"问题，拿自动驾驶类比：demo能跑通，可边界情况、奇怪异常，人一眼就能看出来，AI左绊右绊。他在等模型能力的台阶式跃升，同时认为现有模型还有不少油水可榨。 构建体验上，Zapier在推自然语言搭建：用一句话描述想要什么，AI生成Zap草稿。Wade说这功能还相当不成熟，但每天都有用户留言"居然真成了"。改进分两条线走：一条做教练，人保持掌控，AI负责出主意，当个更好用的橡皮鸭；另一条做代工，AI直接把活干完。两条都得抓，只做代工，服务不了没想法的人；只做教练，搭建过程本身还是会让不少人卡住。 ## 用一个提示词克隆CEO 节目里最好玩的片段，是Wade讲他们怎么克隆自己。他和助手把他写过的邮件、内部帖子、Slack消息全喂给模型，让模型描述这些文字的写作风格，迭代几轮，提炼出一个不长的提示词。然后做内部测试：员工提交一堆问题，Wade本人答一遍，AI版Wade答一遍，让全公司猜哪个是真人。 结果，公司分不太出来。大家猜中真人的次数多一些，但AI版的表现已经相当能打。Nathan当场开玩笑说，"CEO图灵测试"怕是要成为下一个标配。Wade顺着接了一句：多少人想找CEO聊聊又有点怕，以后能得到Wade的建议，还不用承受Wade的评判，说不定算员工福利。 这套方法零微调，纯提示词，今天就能复制：把你的文字样本喂给Claude或ChatGPT，让它生成一条"能照着这个风格写作"的提示词，循环几轮，再把成品设成系统提示词。Nathan补充自己的经验，模仿文风这件事Claude做得最好。 短板也清清楚楚。**问到公司内部的具体事务，模型训练数据里没有，样本里也没有，它就会一本正经地编一个答案，听着特别像真的，实际错得离谱。**这正是Nathan手头项目的出发点：把自己在Gmail、Twitter等处的数据全部导出，压缩成几万字的背景资料喂给模型，让它回答时有据可查，不用瞎编。他引用Tyler Cowen的话说，上下文即稀缺之物。 ## 花生酱三明治练习：AI时代的新基本功 聊提示词技巧，Wade给了几条被平台数据验证过的经验： - 写全。Google搜索讲究懒，敲最短的关键词；跟模型沟通正好相反，要把任务描述得完整丰满。 - 多给例子，但犯不着花几小时打磨一条完美提示词。 - 把任务切窄，一次只让模型干一件事，再把窄任务串起来。一个提示里塞好几件事，模型准会绊倒。 第三条被Wade翻来覆去强调。他说人不会本能地用最小颗粒度思考任务，这本身就是个很极客的概念。Nathan打了个比方：假装自己是狄更斯，按字数拿稿费，把输入和输出之间的推理过程全写出来。他的头号建议是拿这些推理过程去微调，让模型模仿的不只是结果，还有得出结果的思路。 Wade想起小学的经典练习：两人一组，一个人口头指挥另一人做花生酱果酱三明治，听指令的人只许照做。场面永远一片混乱，因为把一件凭肌肉记忆的事拆成明确步骤，比想象中难得多。跟AI协作，就是天天在做这个练习。 由此他抛出一个判断：**沟通能力最强的人，可能成为AI时代最出色的管理者。他们本来就习惯委派、习惯把意图讲清楚，等于早就把这台发动机调校好了，而其余人还在补"什么叫委派"这门课。** ## 停工一周，AI使用率从10%干到70% 回到开头那场黑客马拉松。Wade复盘了Zapier推动内部AI使用的完整路径：ChatGPT刚出时走自下而上的软引导，"大家去试试，挺好玩"；GPT-4出来，他们判断必须自上而下强推，于是停工一周，全员下场。动手前先跟法务、工程、数据隐私团队一起定了参与规则，确保客户数据安全。Wade特别提醒同行别野蛮生长，护栏要搭在前面。 之后的日常运营是一套组合拳： - 每周四开全员大会，每隔一个月左右办一次AI展示，挑五六个用例，员工录视频或现场演示。 - Slack里设AI频道，大家晒自己搭的东西。 - 工程师和非技术背景的AI高手轮流值班，每周开AI答疑时间，谁都能来。 效果渗透到了各个部门。数据分析师团队对ChatGPT的态度是"从我们冷手里撬都撬不走"。工程师用Copilot写代码，Cursor的讨论热度很高。HR是大户：员工手册和文档全做成聊天机器人，Slack里装机器人自动回答重复问题，以前这些事靠一群人一遍遍回复；写绩效考评这种所有人头疼的活也有小机器人代劳，把成就和待改进项丢进去就出初稿。Wade的评价是，先出个糙版，效果反而不错，省下大量花在润色排版上的时间。 也有不顺的地方。很多公司宣称客服场景收益巨大，Klarna几个月前还宣布AI客服顶掉了相当于700个全职的岗位。Zapier在客服上推进得慢。Wade猜测Klarna此前自动化程度低，才有这么大的提升空间；Zapier的客服本来就高度自动化、技术含量高，容易摘的果子早摘完了。**他的结论是收益因公司而异，唯一确定的是必须大量实验。** 给其他管理者的建议，他说得很直白： > 别不好意思宣布这件事很重要。我猜这就是为什么创始人主导的公司在这波里表现更好，因为创始人可以直接拍板：干。更多公司其实有这个能力，只是没意识到。今天不重视，一年后、五年后一定是个问题。 ## 从DIY到替你干，利润会崩，消费者赢 产品战略这块，Nathan问了个好问题：不计成本把AI加满，Zapier会长成什么样？Wade的答案是，从一套工具箱变成打包好的解决方案。现在的Zapier是DIY爱好者的天堂，但企业用户要的是开箱即用：营销团队、HR团队、财务团队拿过去就能改变工作方式，顶多在边上微调，没人想从零配置一整套东西。 他们正在把AI做成各种传统界面的底层。Wade有个挺反主流的观点：ChatGPT让全世界以为对话框是新一代交互，但他越用越觉得，表格、工作流这些传统UI本来就很好，该做的是把AI当作一等公民重新发明它们。他点名夸了Claude的Artifacts，还提出"一次性应用"的概念：手机上想找个小工具，与其去应用商店翻半天，不如几分钟现造一个，用完就扔。他反问，从想用到能用只要5到10分钟，谁还去翻应用商店？ 商业模式层面，两人有一段精彩的推演。Nathan总结：AI替你干，会赢过你自己干。Wade接话：专业服务是AI最好的战场，服务按溢价收费，AI把人力成本打下去，溢价还在。那溢价会不会崩？会。**这就是资本主义的运作方式，贝索斯那句话，你的利润就是我的机会。竞争会把溢价磨平，最后的赢家是消费者。** 关于联合创始人Mike Knoop此前在节目里提出的"AGI进展停滞"论，Wade做了区分。Mike盯的是AGI里那个G，定义是从零学会全新领域、登顶各领域的能力；照这个标准，现在的LLM只是在训练数据上做模式匹配。Wade承认这个批评有道理，但他强调另一面：**模型更大、更便宜、支持多模态之后，自动化的商业价值暴涨，跟18个月前比是昼夜之别。**他举了邮件解析的例子：几年前自建的邮件解析器是团队的噩梦，用户需求五花八门，技术死活跟不上；现在一条基础提示词，效果就超过两三年前的任何解析引擎。Nathan补了一句，HTML邮件是全世界最恶心的东西，能搞定它怕是得先有AGI。 至于会不会出现一个万能AI直接接管所有工作流，Wade说没看到多少证据。底层仍然需要工作流引擎去路由数据、执行任务，不同任务对延迟、成本、准确率的要求天差地别。他押注的方向是：**把更聪明、更灵活的模型，注入你现有的工具箱，用更易用的界面解决更大的问题。** 这期节目听下来，明天就能上手的东西至少有四件： - 审计一遍自己的工作，能写死规则的环节交给代码或自动化工具，只把抽信息、分类、生成文字这三类活分给AI，嵌进流程中间那一环。 - 想克隆自己的文风，把过去的邮件和文章喂给Claude，让它生成一条风格提示词，迭代几轮后设成系统提示词。别让它碰训练数据里没有的内部事实，那只会收获一本正经的胡编。 - 写提示词记住三个动作：描述写全、给足例子、任务切窄，一次只干一件事。 - 带团队的话，学Zapier的顺序：先跟法务定数据护栏，再强制全员上手一次，然后每周固定场合展示真实用例，把"这事很重要"大声说出来。 Wade在节目最后说，Zapier已经不再是大家记忆里那个简单的集成工具。这句话放在整个行业身上同样成立：两年前你认识的每一个软件，现在都值得重新认识一遍。