預算不封頂，法務開「綠燈」。
原文標題：《「All in AI」的 Shopify，分享了他們的全員 AI 落地實踐，全是乾貨》
作者：Founder Park
三個月前，Shopify 的聯合創始人兼 CEO Tobi Lütke 在公司內部發布了一封全員信，決定「All in AI」。Lütke 提到，「有效地使用 AI 技術是對 Shopify 每位員工的基本期望。」這種做法隨後引來眾多效仿，包括 Box、Fiverr 乃至加拿大總理。
三個月後，Shopify 內部實際發生了什麽樣的變化？僅僅是領導者的一句「激情口號」，還是真的在企業內部有效地用起了「AI」？
AI 的落地，改變了哪些工作流程？
First Round Review 與 Shopify 的副總裁 Thawar 進行了對談，Thawar 分享了公司對於引用 AI 的具體策略以及實際提升效果，同時分享了三個「反直覺」的 insights。
全員無差別用 AI，不設費用上限。
讓 AI 更多展示思考和結果，而不是隱藏。
新手和畢業生很有用，尤其是 AI 使用上。
可以說，在 AI 如何在公司落地這件事上，從戰略指導到技術落地，Shopify 給了一個很好的示範。
基於 First Round Review 的文章，Founder Park 進行了編譯處理。
原文：https://www.firstround.com/ai/shopify
01 全員「無差別」使用 AI
許多公司在推廣 AI 時，往往只向全員開放最基礎的工具，而將更強大的模型和應用保留給技術團隊。Shopify 的做法恰恰相反：它允許所有員工使用公司引入的每一款工具和模型。
這種策略背後的邏輯是，高價值的創新應用可能來自公司的任何一個角落，你根本無法預判哪一個會最終脫穎而出，成為最值得投入資源的用例。
我去年採購了 1,500 個 Cursor 授權，但很快就發現供不應求，不得不追加了 1,500 個。而增長最快的用戶群體並非來自工程部門，而是來自客戶支持和營收部門。——Farhan Thawar, Shopify 工程副總裁兼負責人
為了鼓勵員工真正用上最好、最新的模型，Shopify 採取了以下三大策略：
策略一：讓法務團隊默認「開綠燈」
變革始於高層。包括法務在內的整個高級領導團隊必須達成共識：擁抱 AI 是公司最重要的事。最高層的一致性意味著，在面對安全、隱私等關鍵議題時，所有人都必須以「如何促成」為出發點。「如果你不把『同意』設為默認選項，那你實際上就是在默認『拒絕』，」 Thawar 指出。「如果規則模糊不清，那實際上就等於不行，大多數公司都如此。」
2021 年底，當 Thawar 決定引入 GitHub Copilot 時，他與法務團隊的溝通很直接：「我第一句話就是，『我們準備上這個項目，如何才能確保萬無一失？』」 Thawar 說。「他們回答，『我們來想辦法。』沒有任何反對意見。」
這種態度，與其他頂尖科技公司 CTO 們的遭遇形成了鮮明對比。在一個同行的 WhatsApp 群裡，Thawar 經常聽到他們抱怨來自法務的重重阻礙。
群裡總有人問我：『能讓你們的總法律顧問（GC）和我們的談談嗎？』他們遇到的阻力，我們從未體會過。——Farhan Thawar, Shopify 工程副總裁兼負責人
策略二：AI 工具的預算「上不封頂」
要實現 AI 的全面普及，成本是無法回避的問題。隨著 Cursor 在公司內部的廣泛使用，一些人開始擔心費用會失控。但這恰恰與 Thawar 的初衷相反：他希望只要工具能創造價值，人人都能毫無顧忌地使用。
Thawar 通過一個內部排行榜觀察，誰為 Cursor 的 tokens 支付額外費用最多。「我們不設額度限制。我也不希望有人用腳本刷榜，但它確實是一個衡量價值的絕佳指標。我們不希望員工在使用 AI 或最新模型時有任何顧慮，」 Thawar 說。「我認識一些人，他們因為用 AI 完成了重要工作而榮登 token 消費榜前十，並以此為傲。」 Shopify 的首席技術官 Mikhail Parakhin 最近也名列其中。
「我和許多 CTO、CEO 交流時，發現一個令人憂慮的趨勢：他們過分糾結於 token 的成本，」 Thawar 說，「他們會盤算：『工程師們使用 Cursor、Windsurf、GitHub Copilot 這類工具，每人每月要多花 1,000 到 10,000 美元，我負擔得起嗎？』於是他們選擇收緊預算。」
這種思維方式與推廣 AI 的目標相悖。
「如果你的工程師因為使用大語言模型（LLM）每月多花了 1,000 美元，但效率提升了 10%，那這筆投資簡直太划算了。任何公司都會為這樣『廉價』的效率提升而興奮。」（Thawar 甚至表示，如果你的工程師每月能花掉 10,000 美元並創造價值，請務必私信他，他想學習經驗。)
策略三：統一的 AI 入口與 MCPs
為了讓員工能輕鬆地使用和構建最新的 AI 工具，Shopify 將所有資源整合到了一個平台：公司的內部 LLM Agent。這個 Agent 作為一個統一的入口，讓用戶能與各種模型無縫交互和切換。在生產環境中，該 Agent 還承擔著擴展、追蹤和故障轉移等重要功能。
員工可以利用這個 LLM 構建自己的工作流，自由選擇各種模型，並總能第一時間用上最新版本。平台內建了豐富的 MCPs 集合，用戶只需向 Agent 或 Cursor 等工具發出請求即可調用。這裡甚至還有一個由同事們創建好的 Agent 庫，供所有人取用。它是一個一站式的 AI 工作站，滿足了員工的所有需求。
「MCP 服務器是連接公司所有內部工具的重要基礎設施層。我們的理念是『萬物皆可 MCP』，」 Thawar 說。「我們將公司內部的每一份數據，無論它存儲在哪個工具裡，都通過 MCP 變得觸手可及，方便員工隨時調用，構建自己的工作流。」
02 基於 AI 的工作流案例
有了 MCP、Cursor 和聊天這套基礎設施，無論是技術人員還是業務人員，工作效率都得到了極大的提升。以下是幾個來自研發部門之外的亮眼案例：
案例一：一個改變潛在客戶銷售線索開發方式的網站審計工具
在 Shopify 的銷售流程中，網站性能基準分析是一個重要環節。為了向潛在商家證明其行業領先的網站速度，銷售人員必須先對潛在客戶的網站進行審計分析，以數據證明 Shopify 的優勢。過去，這項工作完全依賴人工，耗時耗力。
最近，一位非技術背景的銷售代表利用 Cursor 開發了一款工具，能夠自動生成詳盡的網站性能對比報告。該工具可以抓取潛在客戶網站的數據，與 Shopify 的基準進行對比，甚至還能調用內部文檔，為銷售溝通提供精準的話術支持。
Shopify 的首席營收官（CRO）Bobby Morrison 稱讚了這種思維和工作方式：
「我們頂尖的業務開拓者正在重塑工作的方方面面，從市場分析、機會識別，到為商家制定戰略、打造解決方案。其中最成功的人，無一不具備『AI 流利度』，他們能憑直覺與 AI 工具協作，並以 AI 的速度進化。AI 對他們而言並不是獨立的，而是一種工作方式。」
在 Shopify 看來，AI 帶來的真正機會在於，它能讓你重新思考整個銷售模式。「比如，在一個追加銷售的場景裡，銷售代表可以一邊與客戶通話，一邊讓 agent 在幾秒內調取過去需要耗費大量時間才能獲得的數據。這類銷售數據曾經是稀缺資源，如今卻唾手可得，」 Thawar 解釋道。
「這會對銷售方法產生怎樣的影響？你可以更自信、更有力地闡述觀點，從而在客戶組織內部開闢新的溝通路徑，甚至可能徹底改變你打陌生客戶拜訪電話的方式。」
案例二：銷售工程師的「今日待辦」主頁
一位銷售工程師將他最常用的 GSuite Drive、Slack、Salesforce 等工具的 MCPs 整合到了一個用 Cursor 搭建的個人儀表盤中。這個儀表盤能根據所有工具的實時信息，智能地為他排列任務的優先級。
過去，他不得不在這些應用間來回切換。現在，他每天只需打開儀表盤，問一句：「我今天該做什麽？」系統可能會發現 Salesforce 中有一個即將成交的單子，同時注意到他還沒有回覆該客戶的一封重要郵件，於是立刻提醒他優先處理。Thawar 表示：「他現在幾乎不再打開那些獨立的工具了，Cursor 就是他的工作主頁。他甚至不用再登入郵箱，這太不可思議了。」
這正是 Shopify 希望從其 AI 基建投資中看到的回報，對於一家以基礎設施建設聞名的公司來說，這順理成章。「我們優先發展內部的 AI 基礎設施，這是我們基因的一部分，」 Thawar 說。
「與其花幾週時間開發一個孤立的功能，我們寧願投入更長時間去構建可複用的基礎設施。比如，我們搭建了 LLM 代理和 MCP 服務器，就是希望構建一個可供所有人重複利用的系統。一旦有人創建了 Slack 的 MCP，那麽全公司的人都可以直接使用。」
工作流案例三：用 RFP Agent 提升贏單率
對於向大企業銷售的公司而言，填寫項目建議書（RFP）是家常便飯。每一份 RFP 都包括數百個問題，需要大量的定制化、公司背景信息和跨部門協作才能完成。
為此，Shopify 的營收工具團隊開發了一款 agent，能夠一次性回答多個 RFP 問題。這款 agent 基於 LibreChat（Shopify 是其核心貢獻者之一）構建，它能調用內部的知識庫，包括公開文檔、幫助中心、案例研究等，自動生成內容豐富且有據可查的回覆，極大地解放了方案工程師的生產力。
在回答問題時，agent 還會為每個答案給出一個「置信度分數」，表明其信息是否充分。同時，它還能從過去成功贏單的 RFP 回答中學習，並將新的成功案例儲存進知識庫，來不斷優化未來的應答質量。
03 讓 AI 更多地展示思考過程，而不是隱藏
許多人的擔憂是，過度依賴 AI 會讓我們「大腦生鏽」，與工作本身產生疏離感。但一個反直覺的事實是，如果使用得當，AI 反而能向你更多細節，讓你更深入地參與其中。
「大多數人認為，理想的用戶體驗就是你提問，AI 給答案，中間的『混亂』過程越少越好，」 Thawar 說。「但如果你的目標是幫助人們精通某項技能，那麽展示這些過程細節反而效果更佳。」
策略：對人進行「情境工程」
Shopify 認識到，要有效地驅動 AI 的應用，關鍵不僅在於優化提示詞，更在於將「情境工程」 （context engineering） 理念，系統化地應用在員工身上。
舉個例子：在 Shopify，項目負責人每週都需要提交項目進展報告，這使得公司的項目管理系統成了一條信息高速公路。現在，一個 AI agent 會自動抓取與項目相關的 GitHub 拉取請求、文檔、評論以及 Slack 頻道信息，並撰寫週報初稿。
每週五，項目負責人會收到這份 AI 生成的報告，但附帶了一系列挑戰性的追問，比如「本週你具體完成了哪些工作？」. 這促使負責人必須批判性地審視 AI 的總結，並對其進行優化。他們被激勵去發現其中與實際情況不符之處，暴露潛在的風險，而不是草草接受完成情況，因為他們希望自己的工作成果能被準確地理解。
「根據負責人的反饋，AI 會生成一份新的報告。我們會對比最終版本與初稿的差異，AI 則根據這些重寫內容進行學習，不斷進化，」 Thawar 說。過去，撰寫週報需要耗費大量時間蒐集信息，而現在，項目負責人可以將精力集中在人類最擅長也最應該做的事情上：批判性地思考和挑戰，從而讓工作成果變得更好。
我們發現，由 AI 生成的週報初稿，有一半都無需修改直接通過了。這些報告質量很高，部分原因在於 AI 整合了它能獲取到的所有相關信息。——Farhan Thawar, Shopify 工程副總裁兼負責人
工作流：「吐槽」代碼的 Roast 框架
Shopify 運行著全球規模最大的 Ruby on Rails 應用之一。如何讓大量工程師高效地協作，共同維護這樣一個龐大的單一代碼庫，始終是一項挑戰。尤其是在 Ruby 這種推崇「約定優於配置」，鼓勵開發者個人自由發揮的語言環境中。
Shopify 的工程師們發現，AI 可以成為維護代碼約定、統一單元測試和代碼更新規範的強大工具。但 AI 本身並不可靠，它需要明確的結構化引導，並與確定性的工具和原則相結合。
於是，Shopify 開發了 Roast，一個用於代碼檢查、修復和迭代的開源 AI 編排框架。它的名字源於公司內部一個同名的 AI 工具，該工具以「吐槽」（roast） 的方式對現有代碼和單元測試提出建設性的批評和改進建議。Roast 並不是一個必須做所有事情的單一提示，而是讓開發者可以設計並運行由一系列小而精準、成功率高的步驟組成的反饋循環：
Roast 將工作流拆解成多個步驟，並在每一步都清晰地展示 AI 的推理過程。
這些步驟共同構成了一段完整的對話曆史，方便工程師追溯 AI 的決策邏輯。
其核心的 CodeAgent（基於 Claude Code 構建）會總結自己的每一步操作及其原因。
在進行測試評分等任務時，Roast 會就得分高低給出詳盡的反饋，在呈現最終結果前，先解釋「為什麽」和「怎麼樣」。
「將確定性工具與 AI 工具結合，它們可以互相補充信息，並彌補差距，」 參與開發 Roast 的 Shopify 員工開發者 Samuel Schmidt 說道。Roast 簡化了 agent 的使用，並向與之協作的工程師展示其工作全過程，使得以可重複、可擴展的方式執行複雜流程變得更加容易。
這款工具已經為 Shopify 內部解決了許多技術難題，比如幫助工程師分析數千個測試文件，自動修復常見問題，從而全面提升了代碼的測試覆蓋率。在解決這些問題的過程中，團隊也摸索出了一套更可靠地利用 AI 完成複雜工程任務的新範式，這也是許多團隊當前面臨的挑戰。因此，Shopify 決定將 Roast 開源，邀請整個社區共同塑造 AI 輔助任務執行的未來。
04 在產品開發中建立「初學者心態」
Shopify 不僅在增加初學者的數量，也在改變產品開發流程，更加強調原型製作，這是一種將自己置於初學者心態的實踐。他們認為，這才是突破瓶頸、找到解決方案的真正關鍵。
策略：雇傭更多的初級人才
在人才策略上，Shopify 有意轉變了思路，沒有停留在「AI 將取代人力」這種簡單的表面理解上，而是建立了一條新原則：「如果你能利用 AI 創造出卓越價值，公司就會投入更多資源來支持你」，而這些資源其中就包括新的人手。
傳統觀點認為，AI 將會摧毀入門級崗位，工程專業的畢業生普遍有種「末日將至」的感覺，擔心畢業即失業。但 Shopify 相反，雇傭了更多的實習生。因為他們發現，這些年輕人恰恰是以最富創造力的方式使用 AI 的群體，他們天生就具備初學者心態。
在成功引入 25 名工程實習生後，Lütke 問 Thawar 這個項目最大能擴展到什麽規模。「我最初的回答是，在現有基礎設施下，可以支持 75 人。但後來我收回了這句話，將答案更新為 1,000 人，」 Thawar 說。
Thawar 有著豐富的實習項目管理經驗。他深知，實習生能為團隊帶來活力、激情和衝勁。而在後 LLM 時代，他們還帶來了一項新技能：他們是天生的「AI 半人馬」。
「他們總是對新工具和捷徑充滿好奇。我希望他們能『偷懶』，去使用最新的工具，」他說。「我們在移動互聯網時代就見證過這一點。當時我雇傭了大量實習生，因為我知道他們是『移動原住民』。」
策略：用更多原型，探尋最佳路徑
現在，更多的原型製作在 Shopify 的產品開發流程中占據了更核心的位置。具體來說，公司著力於提升原型嘗試與最終構建之間的比例。這踐行了 Shopify 的一項核心原則，即「產品開發的綠色通道」：解決一個複雜問題的唯一方法，就是不斷地嘗試。Lütke 曾對 Thawar 說：「一個問題有無數種糟糕的解法，和大概一萬種不錯的解法。你的任務是在那一萬種裡找到最優解。你剛才展示的只是第一個跑通的方案，而不是最好的方案。你為什麼就停下了？」
Thawar 補充道：「你面對的是一個包含上百個變量和層級的問題，你必須探索不同的路徑。這些路徑也許會導向外觀相似的最終產品，但其背後的權衡與取捨卻可能天差地別。」
例如，Shopify 內部的 AI 聊天工具就源於一個原型。高級工程師 Matt Burnett 最初只是為了改善內部對 LLM 的訪問，用開源工具做了一些實驗。他在早期版本中不斷迭代，解決了數據丢失和擴展性等問題，並通過讓同事盡早試用，暴露了架構上的缺陷。最終，這款工具被廣泛採用，以至於公司成立了一個專門的工程團隊來負責運營。
AI 使用程度與績效緊密「掛鉤」
為了衡量整個組織工程效率的各個維度，Thawar 使用了一個工程活動儀表盤。它追蹤誰在進行結對編程，誰參與了面試，以及前邊所提到的，誰在使用 Copilot。
Shopify 多年的數據顯示，結對編程能顯著提升學習速度。利用這個儀表盤，公司進行了一項分析，考察了結對編程時長與績效評估結果之間的關係。結果表明，工程師的結對編程時間越長，其影響力就越大；反之則越小。
現在，這個儀表盤也開始追蹤員工對 Cursor、Claude Code 和 LLM 代理等 AI 工具的使用情況。一項初步分析顯示，使用這些工具的員工，其影響力也呈現出正相關性。這有助於識別真正能創造價值的工具，並它們與個人績效之間的聯繫。
Shopify 已經將 AI 相關的問題納入了 360 度評估體系。經理和同事需要評價彼此在「AI 原生」或「AI 反射性」方面的表現。公司計劃在積累幾年數據後，對 AI 使用與個人影響力之間的關係做更深入的分析。
Thawar 自己也身體力行，通過結對編程來示範如何使用 AI。「我和一位工程師結對編程，一方面是想觀察他解決問題的方法，另一方面也是為了推行我的理念。我總是開著一個 ChatGPT 的標籤頁，在實踐中向他展示我是如何無時無刻地與 AI 協作的。」
05 效率提升會重塑工作流程
如果你能精密分析職業運動隊訓練或米其林星級餐廳後廚運作的每一個動作，你會發現他們的運動效率高達 80% 左右。再反觀一家企業，其運營效率最多可能只有 20%。
「企業中存在著難以想像的浪費，僅僅是因為我們還沒有發現做事的最佳模式。」 Thawar 指出。「AI 能加速現有流程，這一點顯而易見。但更深層次、更不為人所知的價值在於，它能讓你猛然發現，你的流程或許應該以完全不同的順序、基於完全不同的假設來執行。當那個『頓悟』時刻來臨時，或許能跳過大量的冗餘工作，或是重塑整個流程。」
再想想那個網站審計工具。Thawar 思考著它如何能徹底改變銷售流程。「當製作一份網站審計報告的成本變得微不足道時，你可能會改變銷售流程中由誰、在何時來呈現這些數據。比如，你可以在銷售漏斗的更早期就引入它，而不必等到客戶被高度篩選後。這樣，銷售開發代表（SDRs）接觸的客戶類型可能都會改變，」他說。「這最終會催生一個全新的銷售流程。而這一切的唯一驅動因素，就是我們能以極低的成本生成網站審計報告。」
他以備受推崇但又極難複製的「豐田生產體系」為例。AI 或許正在改變這一切。
「AI 從根本上改變了我們的基本假設。你可以用它來破解生產線中複雜的組合問題，將效率提升一千倍。這才是真正的魔力所在。我們追求的，正是發現這種『流程的力量』。」
原文連結
本文經授權轉載自深潮 TechFlow
