百亿美金独角兽的 AI 革命：效率提升 10 倍，COO 和 CTO 联手，彻底改造工作流

旧金山的超级独角兽，Brex，一家金融科技公司，做 Startup 内部的商业信用卡和现金管理平台。他们在公司内部运营的 AI 化上，非常非常激进，几乎完全实现了流程自动化。

Brex 创立于 2017 年，YC 系，已经完成超过 10 轮融资，估值 123 亿美金，累计融资超 15 亿美金，包括老虎环球和 DST 等投资方。

2025 年，Brex 预计收入超过 5 亿美金，实现正向循环，为接下来的 IPO 铺路。

Brex 的 AI 战略分为四个部分：

• CTO Reggio 负责「产品 AI」，即面向客户的 AI 功能；

• COO Matias 负责「运营 AI」，利用 AI 提升内部业务效率；

• 两人共同推动企业内部的 AI 工作流，即员工日常工作中使用的 AI 工具；

• 此外，还有一个同时支撑产品和运营的 AI 平台，作为基础设施。

两位业务 leader 共同发力，把 AI 核心能力最大化地在公司内部落地。一个反直觉地操作是，把内部 AI 平台当成产品来做，同时与外部产品打通。直接复用 Brex 外部产品 AI 能力，来搭建内部平台，让所有员工都能成为「超级用户」，在日常工作中测试、验证和创新。

随着内部运营的全面转型，Matias 发现，AI 不仅仅是提效，而是改变了公司增长的「Scalling Law」。Matias 提出了预测：「我认为我们的运营效率可以提升 5 到 10 倍」。

在这篇文章中，Reggio 和 Matias 详细地分享了内部 AI 平台是如何做的、如何利用 AI 来重构已有的工作流、以及如何招到能与 AI 协作的员工等等经验，很值得学习的一篇实操指南。

01 

把内部 AI 工具当做正式产品来做

在 Brex，CTO James Reggio 经常思考一个问题：如何让 AI 把 Brex 自己「干掉」？

Reggio 认为，「最好的用户界面是让用户一刷即走的卡片」。

所以在产品 AI 方面的大部分投入，都是围绕一个理念：从用户的整体体验中彻底抹去 Brex 的存在感。最好的 AI 是你注意不到的 AI，因为它已经替你完成了工作。

为了实现这个目标，不仅要对面向客户的产品上发力，在公司内部也要进行调整。Reggio 发现，在大公司里推动 AI 落地，会遇到两个关键障碍：

• 反应太慢：你在 Twitter 上看到一个绝妙的新点子，想在公司里试试，但从想法到安全落地，可能要等上好几个月。

• 流程太繁琐：你想用一个新工具，但光是法务、采购、安全审批这一套流程走下来，新工具都快变成旧工具了。

为了解决这两个问题，Reggio 和团队摸索出了一套非常有效的方法，核心思路是：把内部工具，当成给客户用的产品来打磨。

给员工搭建一个 AI 内部平台

面对「反应太慢」的问题，Reggio 的做法不是去催促进度，是直接搭建了一个内部平台，能让所有员工安全、自由地构建、测试和部署 AI agents。

这个平台基于 Retool 构建，直接复用了 Brex 外部产品已经验证过的 AI 能力。

具体是怎么操作的？

• 把它当成真正的产品来运营：这个平台由约 25 人的系统工程团队维护，像对待外部产品一样，持续维护、迭代。Reggio 希望团队能探索技术前沿，用最大胆的方式去尝试用 AI 加速工作流程。目前，平台包括了 prompt 管理系统、多模型测试能力、评估框架，以及支持自动化工作流的 API 集成功能。

• 打通内外，形成「产品闭环」：内部平台和 Brex 对外产品的 AI 功能是完全同步的。每当产品团队为外部客户开发了一个新的 AI 工具，比如一个能识别文档的模块，这个模块会立刻出现在内部的『游乐场』里，所有员工马上就能用。

提前明确 AI 工具的使用标准

当团队习惯了用高标准来要求内部工具后，Reggio 发现不仅能提升效率，还能收获额外的「红利」。

一个例子是 Brex 还在开发中的「入职 Agent」。这个项目最初是为了解决内部运营的痛点问题：大客户的接入流程非常复杂，需要实施顾问投入大量时间通过电话来完成。为了提升顾问的效率，团队在后端构建了一个 AI Agent 工具。

随着这个内部工具的不断完善，团队意识到它的价值很高，完全有潜力直接嵌入到产品中，让客户能够自助完成大部分繁琐的入职工作。这样，一个用于内部效率提升的项目，最终变成了一个能够提升客户体验的潜在产品功能。

另一大障碍来自法务与采购流程。许多员工规模超过 1000 人的公司，在引入新工具时，往往要经历漫长的流程：RFP（招标）流程、供应商比选、试点运行，再经过复杂的授权与合同谈判。

Brex 改变了评估逻辑：我们不再问这个工具是谁家的？而是问我们的数据用这个工具，会发生什么？简单来说，关注的不再是供应商的品牌，而是工具本身的技术架构和数据安全特性。

基于这个新思路，Brex 做了两件事：

• 提前明确 AI 工具使用的标准：产品与法务团队共同建立了结构化实验机制，在预设的安全边界内开展创新。Brex 预先批准了几类符合特定安全条件的 AI 工具，标准包括：数据保留不能超过 30 天、用户输入的内容不能被拿去训练模型、数据必须隔离等等。只要某个新工具满足这些条件，员工就可以在预设的安全范围内自由实验，法务部门不会再介入。

• 自助分发 AI 工具：所有通过审批的 AI 工具，都接入了一个叫 ConductorOne 的统一管理平台。员工想用哪个工具，只需要在 Slack 里输入一个命令，比如 /c1，系统就会自动完成权限配置，立刻就能开始使用。

这个流程不仅快，还带来了采购上的额外优势：在续约谈判中掌握议价主动权。Reggio 解释，因为所有人的使用情况都有记录，到了年底和供应商续约的时候，我们手里有数据，清楚地知道哪个工具大家最爱用、哪个工具根本没人碰，再也不用拍脑袋做决定，不仅省了钱，还把主动权牢牢抓在自己手里。」

02 

从「管理任务」到「管理 Agents」

重构运营团队的工作流

Brex 运营团队的方式和大多数金融公司一样：把任务拆得极细，每个环节都配上专家，需要信用专家、KYC 专家、支付专家等等。但人越多，基础设施就越复杂，速度反而越慢。

COO Camilla Matias 的解法是，把思维倒过来。不再是先想人怎么干，再看 AI 能帮什么忙。而是默认所有流程化的工作都由 AI Agent 来完成，人只在 AI 做不了或做不好的地方补位。

基于这个思路，Matias 重构了整个运营团队的工作流：采用平台化思路，让职能横向打通，覆盖所有产品线。

• L1：过去是外包团队干的活，现在全扔给 AI。

• 有标准操作流程（SOP）的重复性工作，比如客户支持、文件审核，都直接交给 AI Agent 处理。 效果很不错。以客服为例，现在超过 50% 的案子，第一个接触客户的就是聊天机器人，而且直接解决了。这样做，能把十几名员工从琐碎的工作中解放出来，让他们去做更有挑战的 L2 的工作。

• L2：从「管理人」变成「管理 AI Agents」。

• 这一层主要是处理 L1 没能解决的案例，过去是由经理和高级分析师处理。Matias 对他们提出了一个新要求：「L2 过去只管理人。现在，我期望他们也能管理 Agents。」 具体要做什么呢？Matias 打了个比方：「不再是给员工做绩效评估，而是给 AI 写的提示词『打分』。」核心工作变成了分析 AI 的表现，不断优化提示词和工作流，让 AI Agents 变得更聪明、更高效。这种角色转变也带来了新的技能要求，比如提示词工程和数据分析。既要理解如何为业务创造价值，也要掌握如何利用技术实现目标。

• L3：从「解决问题」变成「设计系统」。

• 那顶层的专家干什么？他们成了「系统设计师」。比如合规专家，他们不是去处理某个具体的合规案件，而是负责设计规则和框架，确保下面整个由 AI 和人组成的 L1、L2 系统，在运行时不出乱子，始终符合监管要求。

为了让团队能适应这种转变，Matias 做了全员 AI 培训计划，要求所有人，无论职级高低，都必须参加。

培训内容分阶段推进：

• 基础阶段：学习提示词技巧，理解不同模型的区别、什么是 RAG（检索增强生成）、如何在提示中提供有效上下文、如何提出精准问题。

• 进阶阶段：针对具体岗位，拆解应使用的工具及使用方法。「比如如何用 Notebook LLM 生成会议纪要，或者用另一个模型产出知识管理型内容，」

• 高阶阶段：学习设计工作流、创建 AI agents。会按角色细分培训内容。例如，数据相关岗位的培训会教如何用 LLMs 处理数据。

课程结束后，员工会根据以下四个 AI 熟练度等级进行自评，同时提交具体案例辅助证明，评估结果会用于季度绩效面谈。

• 用户（User）：能使用现有 AI 工具辅助完成日常流程与职责，理解基础提示技巧和局限性。

• 倡导者（Advocate）：主动把 AI 融入个人或团队工作流，能设计或管理中小型「human-in-the-loop」的 AI 流程。

• 构建者（Builder）：能主动构建、设计、优化或管理可创造显著业务价值的 AI 解决方案或工具。

• 原生者（Native）：能为团队或部门制定 AI 愿景与战略，开创 AI 的全新应用场景。

招聘策略改变

当团队的工作方式改变后，Matias 发现，招聘策略也发生了变化：从青睐「专才」转向「通才」。

如何在面试中找到具备「AI 通才能力」的人？Matias 调整了招聘流程：

• 面试初筛阶段，询问平时是怎么用 AI 的

• 通过这个问题，以及后续关于常用工具、偏好模型的追问，能快速判断出，候选人是真的在用 AI 工作，还是只是把它当个时髦词汇。

• 提交使用 AI 的案例研究，评估 AI 应用能力

• 除了初级岗位，所有候选人都必须提交一份案例，展示他们具体是怎么用 AI 完成工作的。Matias 的想法法是：「我们要求看看他们是怎样提示的。输出并不重要，更多的是关于人们的思维方式。」

• 真实业务挑战

• 在后续面试中，会给候选人一个真实的、复杂的业务难题，比如为一笔高风险的交易制定定价策略，然后给几天时间去完成。 在这个过程中，面试观察的重点，是候选人能否主动、聪明地利用 AI 作为分析工具和思考伙伴，同时能清晰地阐述自己的决策逻辑。

03

AI 工作流就是：

只要你能理解，AI 就能做好

先识别 AI 具有根本性优势的环节，再围绕这些优势重新设计工作流。

Reggio 有一个很关键的洞察：别把这事想得太复杂。如果你能把一个工作流拆解成人类能理解的 SOP，那么 LLMs 很可能也能很好地执行。剩下的就是基础的提示词工作。

这也改变了人们对于这个问题的思考方式：不是再问「这个任务 AI 能不能做？」，而是问「这个任务的 SOP 是什么？AI 如何能比人做得更好？」

具体从哪里下手？Matias 给了三个非常务实的标准来决定优先级：

耗时程度：「一个人每天花多少小时在这项任务上？」高频率、高耗时的流程，比如争议处理、KYC，是首要被 AI 优化的目标。

AI 相对人类的优势：「LLM 能比人类做得好多少？」比如，有些任务需要快速整合海量信息，有些需要极高的执行速度和模式识别能力，这些都可以被 AI 优化。

实施速度：Matias 希望能快速获得一些「速赢」（quick wins）来证明 AI 的价值。

同时，需要注意的一个点是：不要追求 100% 的自动化。如果你把目标定为 100% 自动化，而不是 40%，往往会投入大量资源却一无所获，因为结果是二元的，要么成功，要么失败。

Brex 的做法是，先从 AI 高度确信的案例开始自动化。比如反欺诈 Agent，会先自动处理掉那些它 100% 有把握的案例，然后把剩下的交给分析师复核，但同时会附上一份 AI 生成的分析结果。这样既能立刻享受到效率提升的好处，同时又非常安全。

分享几个在 Brex 内部，AI 表现出人意料地好的场景：

场景一：处理需要「主观判断」的模糊任务

最让人意外的是，AI 在需要人类主观判断的模糊任务上也表现得很出色。 比如 KYC 流程里有个环节叫「负面媒体识别（adverse media recognition）」，需要分析各种新闻报道，判断一家公司有没有黑料。这事有很多「灰色地带」。Brex 用内部平台搭了个 AI Agent 来做，结果它的准确率达到了 88%，比人类分析师的 85% 还要高一点。

另一个需要 AI 主观判断的案例的是个性化催收邮件，涉及到与没有按时还款客户的多次互动，包含一套完整 SOP：账户调研、多渠道触达、以及可能还需要制定还款计划。

过去都是员工在模板基础上微调邮件内容，结果发现，AI 写得比人好。它会分析客户的情况，生成几个不同语气和强硬程度的草稿，供催收团队选择。结果是，客户回复率确实提高了。

场景二：理解和应用极其复杂的规则

争议处理是 Brex 必须做对的关键流程。员工必须遵循一份 100 多页、而且频繁更新的规则指南，极其耗时。

Brex 的支付运营经理 Kyle Martin，直接把这本指南和团队的 SOP 一起「喂」给了内部的 Agent 构建平台，经过几次迭代，就训练出了一个专家级的 AI Agent。 效果非常好，原来需要三小时的流程，现在三秒钟就能搞定。而且 AI 提交的材料比外包团队更完整、理由更充分，甚至能找到一些过去根本没考虑到的论点。

场景三：在清晰的步骤上，实现规模化执行

对于那些能拆解成清晰步骤的流程，AI 是实现规模化执行的完美工具。 Brex 的 KYC 流程总共有 14 步，其中一步是确认客户填写的行业代码（NAICS code）是否准确。过去得靠团队手动搜索、交叉验证。 Brex 的解决办法是，把人类的 SOP「翻译」给 AI。运营负责人和工程师坐在一起，逐行拆解 SOP，把人类的每个决策和动作都变成 LLM 能听懂的指令。

Reggio 认为，越能把运营流程映射为人类会执行的一系列离散步骤，就越能直接将同样的 SOP（包括输入、账户详情等）交给 LLM，取得好的效果。 但是不要试图让 AI 一步处理完整个任务，比如直接从客户申请跳到「通过/拒绝」的结论。很多第三方公司这么干，但准确率太低。

Brex 的做法是，先让 LLM 完成 14 步中的 8 到 10 步，把人力从审核文件、核对余额等事务中解放出来，投入到真正能创造差异化价值的领域中。

04

用好 AI，运营效率可以提升 5 到 10 倍

随着内部运营的全面转型，Matias 发现，AI 不仅仅是提效，而是改变了公司增长的「Scalling Law」。

Matias 提出了预测：「我认为我们的运营效率可以提升 5 到 10 倍。」因为运营团队能完全自主实现流程自动化，不管是要启动新流程还是进入新市场，都不再需要工程或数据科学团队的支持。能够独立、快速地构建和部署解决方案。

文章来自于“Founder Park”，作者 “Founder Park”。