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

---

01｜River 怎样把聊天变成工作

在 Shopify 的日常工作中，员工在 Slack 频道里讨论一个功能，聊到一半，可以直接把 River 拉进来：整理刚才的讨论脉络，查询相关学术研究或竞品基准，甚至直接写出一个功能原型。

River 是 Shopify 深度打磨的内部 AI 同事。Lütke 透露，Shopify 已经有至多约 50% 的代码变更请求（Pull Request），直接发轫于这类聊天中的对话协作。这一比例代表提出的变更请求，展现了 AI 智能体进入组织协作中枢的惊人渗透率。

同一场访谈里，他也坦诚指出，AI 的普及让一种工作问题变得更加严重：员工借助 AI 生成了海量东西，自己却并没有真正读懂，就直接丢给同事审核。

在谈及内部 AI 的具体落地上，Lütke 描述了一个真正嵌在现有工作环境中的智能体形态：

• 组织密度：Shopify 的 Slack 拥有 7,000 名员工与 10,000 个活跃频道。River 可以随时被邀请进任何频道，迅速读取上下文，调用代码库、内部系统与沙箱工具，提出规范的变更请求；
• 真实人格与记忆：River 拥有名字、头像、长期记忆与鲜明个性。她可以适度幽默，更被赋予了明牌指出某个需求不合理的权限——即便提出者是 CEO 本人，同样会被她直言不讳地反驳；
• 隐喻启示：这一设计源自图形界面的经典现实类比（文件夹、桌面、回收站）。一个可对话、可分工的具象化同事，能让员工更容易理解 AI 的边界与用法。

这种协作已经重塑了工程文化：在 Shopify，纯手工敲代码的人越来越少，有开发者甚至能够同时协调 10 到 50 个智能体实例并行运作。但复杂的架构边界、状态管理与代码终审，依然需要人类深度把关。工具的提速，绝不意味着工程判断的缺席。

---

02｜把使用过程公开，团队才能跟着学

River 有一项极为耐人寻味、且有意为之的核心机制限制：只在公开频道中工作。

这里的“公开”是指公司内部所有人可见的工作场景，而非对外发布到公网。Lütke 的设计初衷，是为了找回传统办公室里一种珍贵但正在消亡的学徒制学习方式：

当 River 在万人公开频道里实时参与讨论，所有人都能透明地看见全过程：

1. 怎样给 AI 补充最精炼的业务背景；
2. 什么样的任务适合拆解给智能体，什么样的任务必须自己咬牙啃；
3. 在哪个节点需要步步紧逼、追问细节；
4. 什么时候 AI 给出的结果其实漏洞百出、绝不能盲信采用。

调用 AI 的最佳实践与高级手感，正是通过具体的业务现场在全员中自发扩散。

此外，River 还拥有被称为 Dreaming（做梦 / 离线反思） 的自我进化机制：在深夜或系统空闲期，她会自发回溯当天的海量对话日志，找出执行任务中踩过的坑与犯过的错，进而自我修改技能库与指令提示词文本文件。这种把错误转化为结构化知识的机制，让 AI 的价值真正从“个人私藏技巧”沉淀为了“整个公司的组织能力”。

---

03｜AI 议事团准备材料，人作出决定

面对重大且复杂的商业战略决策，Lütke 并没有把赌注押给某个单一的大模型，而是为自己量身搭建了一套 “多角色、多模型 AI 议事团（Multi-Model AI Council）”。

多模型议事团工作流

1. 角色分工设定：预设 5 到 6 个立场鲜明的专职角色，分别从数据量化、学术前沿论文、商业 ROI、工程架构实现乃至**专挑刺的反方辩友（Devil's Advocate）**等角度切入同一议题；
2. 模型异构分配：针对不同角色的认知特性，调用当前最擅长该领域的不同底层大模型，促成多模型之间的交叉质询与辩论汇总；
3. 高密度材料输出：在约 30 分钟内，系统自动将交叉审议结果压缩为一份逻辑严密、论据详实的决策简报。Lütke 常常将其转化为合成语音，在早晨晨练跑步时完整听完；
4. 极低成本与高杠杆：一次高强度多模型任务的 API 调用费用仅约 15 到 20 美元，而相同信息密度的前期调研，纯靠人类团队可能需要耗费整整一个月。

即便利益各异的多模型答案高度趋同，负责人依然必须亲自审查：底层证据是否被污染？推演假设是否符合公司当前的现实验收条件？一旦全盘押注失败，代价是否会导致毁灭性崩盘？答案变多了，永远不等于判断已经自动完成。

面对主持人关于“超越人类智慧的超级智能是否真能被控制”的哲学追问，Lütke 借用“多伦多城市运转”作比：人类社会早就建立了一套依靠专业分工、规则法治与权力制衡来驾驭超出单一个体认知容量的宏大系统。对待 AI，同样应当建立在分权、制衡与透明的组织框架之中。

---

04｜AI 生成越多，审核工作可能越重

在剖析 AI 对组织产生的负面副作用时，Lütke 提出了一个极为形象、且在硅谷引发广泛共鸣的术语：Slop Grenades（垃圾手榴弹）。

所谓“垃圾手榴弹”，是指一种极其危险的职场异化现象：

• 生成端极其轻松：员工敲两行提示词，让 AI 狂暴改动成百上千行代码或撰写一篇万字长文，自己粗粗扫一眼便随意发起提交或群发邮件；
• 消费端极度痛苦：提交者看似十秒完成了工作，但其中的逻辑隐患、边界漏洞与事实虚构，全被无情地当成手榴弹，扔给了后端的审核者（Reviewer）与团队同事；
• 沟通通货膨胀：发件人用 AI 把 3 句话扩写成 800 字长篇大论，收件人读得头皮发麻，又不得不调用 AI 把它重新总结成 3 句话。信息在冗余的算力之间空转，组织总协同成本不降反升。

Lütke 强调，真正卓越的 AI 践行者，应当利用大模型把自己的复杂思想提炼得更清晰、更克制、更具可读性。当你向团队交付一份文档或一段代码时，必须能清晰解释背后的取舍逻辑，并对结果负百分之百的责任。

---

05｜软件开始围绕使用者改变

谈及应用软件的未来形态，Lütke 结合了自己极客式的操作系统使用体验。他日常使用的是由 Ruby on Rails 创始人 David Heinemeier Hansson（DHH）发起的 Linux 发行版 Omarchy。在智能体的辅助下，操作系统不再是冷冰冰的既定固件，而是能够随时根据个人偏好重塑的流动黏土。

他分享了一个极其生动的实战案例： 在一次界面设计讨论中，他需要给屏幕截图快速添加特殊样式的几何标注。他直接通过语音向 AI 描述功能意图，补充了参考界面的交互逻辑，经过 3 次简短的追加引导，AI 当场写出了一个定制截图工具。Lütke 当晚将工具推送到 GitHub 开源，次日早晨便收到了 6 个来自全球开源社区的 Pull Request，该工具随后被合入 Omarchy 的后续版本。

在家庭环境中，他的 AI 幕僚甚至能够通过 Wake-on-LAN 局域网协议远程唤醒离线主机，跨设备处理网络故障并自主执行大型批处理任务。

这深刻映射了他对 Shopify 产品远景的底层想象： 未来的商业 SaaS 不应是一套强迫千万商家去机械适应的僵硬表单，而是商家用自然语言描述自己的业务如何运转，底层的软件架构自发围绕商家的个性化诉求动态变形。

---

06｜难的是从几个好选项中挑出一个

当制作高保真原型、搜集全球文献与横向对比方案都变得举手之劳，管理者每天面临的不再是“无牌可打”，而是桌面上摆满了 10 个看起来都极其可行、甚至短期收益都不错的好牌。

在这种环境下，品味（Taste）与商业判断力（Judgment）成为了无可替代的稀缺资产。

Lütke 眼中的品味并非虚无缥缈的玄学，而是来自海量的实战试错、对传世作品底层机理的深刻推演，以及对人性弱点与长期制度的敏锐体察：为什么一个系统能历经数十年风雨依然稳固？为什么某个微小设计能击中用户的潜意识？对这些规律理解得越深，越能在纷繁杂乱的选择面前作出耐得住时间考验的取舍。

Lütke 以自身早年创立 Shopify 的经历印证了这一点：当年最初的在线滑雪板网店 Snowdevil 已经开始稳定盈利，继续经营是无可厚非的安全牌，但毅然转向为全球创业者打造底座的电商平台，才造就了今天的千亿商业帝国。真正的决策难题，从来不是在好与坏之间做选择，而是在数个各具诱惑的优秀方案中，看透它们在 5 年乃至 10 年后的终局代价。

---

07｜指标一旦变成目的，就可能带偏公司

在企业治理与数据度量领域，Lütke 反复向团队敲响 Goodhart 定律（古德哈特定律） 的警钟：

他以 Shopify 最核心的 “商家流失率（Churn Rate）” 为例，给出了反直觉的深度解读：

• 在普通 SaaS 公司的考核教条中，客户关闭账户往往被视为十恶不赦的负面危机，甚至会制定苛刻的挽留 KPI；
• 但 Shopify 服务的本质是人类的创业尝试（Entrepreneurship）。商业创业本身就充满着高度的不确定性与风险，大量创业者开店是为了测试一个创意或验证一个产品雏形；
• 当一个商家在探索数月后发现市场并无真实需求而选择关店，这并不代表失败，而是一次理性的商业试验告一段落。这位创业者汲取教训后，未来完全可能带着新点子重新回归 Shopify；
• 如果管理团队机械地将“降低关店率”设为死命令，甚至采取各种技术手段刁难商家退订，这就完全背离了 Shopify “帮助更多人开启商业尝试”的立身使命。

指标只是发现问题的听诊器，绝不能越俎代庖替代管理者对真实业务场景与用户境遇的同理心与价值判断。

---

08｜公司要进步，也得允许删掉旧东西

在谈及组织工程与系统演进时，Lütke 展现出了类似 SpaceX 创始人马斯克的硬核工程精神。他深入研究了 SpaceX 猛禽火箭发动机（Raptor Engine） 在极速迭代中的进化轨迹：从初期的管线密布、仪器丛生，到最新迭代版本大刀阔斧地砍掉了数以百计的传感器、阀门与焊缝，每一次飞跃都源于对过往复杂冗余的无情剔除。

软件系统与企业组织也是同理：

• 现实中，每发生一次偶发纰漏，管理者就倾向于补上一道审批流程；
• 每出现一个新业务分支，组织架构上就多盖一层管理楼层；
• 年复一年，最初要解决的真实问题早已消失，但整个团队却依然在为维护那些僵化冗余的旧制度和代码死结疲于奔命。

为此，Lütke 在内部强力推行 Refounding（重新创立） 机制： 定期赋予团队、业务线乃至整个公司一次“归零重来”的特权。 敢于跳出既定框架，彻底删掉那些因历史妥协而存在的陈旧逻辑，让最具创造力的骨干从无休止的修修补补中解脱出来，全力投入全新范式的开拓之中。

---

09｜技术在变，培养判断的功课还在

在对谈的尾声，Lütke 分享了一个温暖却充满力量的家庭习惯：当家里的孩子沮丧地表示自己“不会做某件事”时，父母总会在后面轻柔地补上一个单词——“yet”（只是暂时还不会）。

他始终坚信，无论是人类的技能，还是机器的智能，都处于一种持续演化、尚未定型的成长态。他至今依然珍视那些历经数百年时间淘洗的经典著作：

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

大模型与智能体极大地扩展了人类获取知识、构建软件与探索商业构想的边界，但正如他在访谈中所总结的，能够生成多少代码或文本，只是最底层的算力工具表象。

---