AI 规范与价值观，第三部分（共三部分）：我们坚信之事

欢迎来到我们关于 AI 规范与价值观系列文章的第三篇，也是最后一篇。本文档的部分内容已单独发布在 Substack 上；整体而言，它们阐述了我们对技术与 AI 所持的原则，以及我们对彼此和客户做出的伦理承诺。我们本打算写 AI，最后写的却是自己。这些文档并非愿景式的宣言，而是源自我们在 honeycomb 每天的工作方式。系列到此结束，讨论并未结束。The Psychology of Software Teams（上个月刚出版！）的作者 Cat Hicks 博士，为业界关于如何打造卓越、高效且充满人情味的环境的研究与思考做出了巨大贡献。未来几周，Hicks 博士和我将在各自的博客上继续这场对话。我们还会推出一期新的 Leading With Observability，并举办一场公开报名的 webinar，你可以把关于如何在 AI 时代做个真人最刁钻的问题带来问我们。现在做计算是个奇怪的时期。变化太多，太快。作为技术人，很难不被那些可能性、速度和广度晃花眼。作为一个人，很难不累。一方面，AI 只是技术。另一方面，这项技术_确实不一样_。AI 不是靠自动化的蛮力，而是呈现出一种恐怖谷：一副圆滑的合作与热情的模样。我想，这正是那种隐隐觉得没被当真人对待的感觉的来源。但无礼、不尊重、随意浪费别人时间，并不是 AI 发明的。每一个被 AI 放大的问题，都有 AI 能加速解决的方案。AI 不是重点。重点是我们。工具就是工具。一封邮件能让人聚拢，也能让人决裂。AI 可以用来回避他人，也可以用来建设和丰富社群。差别在于意图、理解、同意和契合度，而不在于技术。我们是一家建立在价值观和第一性原理之上的公司，也固执地相信技术可以远比人们习惯的好得多。我们仍在这么做……只是用上了 AI。

我们坚信的事

AI 是工具

AI 是强大的工具，但它终究只是工具。我们不为工具服务，是工具为我们服务。

你的作品归你所有

我不是「人在回路中」，我是回路的主人。这是他妈的我的回路。 我对自己的作品质量负责，对自己的工作流程是否端正负责，你也一样。「Claude 干的」或者「Claude 说的」不是借口。

标准在提高

每一次技术变革都会重置性能的基准线——不是谁规定的，而是因为原本不可能的事变得可能了。公司、产品、团队、工具、个人，无一例外。五年前称得上优秀的东西，今天只是入场券。我们欢迎这一点。技术的本性就是它总会追上来。所以技术人的本性是，我们始终领先。

结果才算数

更高的标准意味着更好的结果。这通常意味着更快，但不总是，也绝不只关乎速度。我们要达成的结果是什么？「更好」是什么样子？「出色」是什么样子？去年做不到、今天能做到的事有哪些？要让结果真正算数，就必须接受对自己进行度量。一切都是实验，但不被记录的实验是在浪费所有人的时间。

我们如何使用 AI

走捷径，还是往深里钻

你可以用 AI 帮你快速糊弄完一件事，也可以用 AI 帮你把问题想得更透、把东西建得更扎实、把话讲得更有深度。两者各有其适用的时间和场合，但二者不可互换。要分得清。

为岗位用 AI，为自己用 AI

在工作中，你可以按公司规定的方式使用 AI 来完成本职工作，对此我们有义务为你提供条件和支持。你也可以出于自己的意愿用 AI 管理日程、润色文字，或者把它当作导师、陪聊的橡皮鸭等等。这更私人、更主观，没人被要求这么做，但不使用 AI 并不能让我们免于更高的标准。

AI 用得越多不一定越好

AI 并非适用于所有场景，更多的 AI 也不总是更好。如果 AI 在某个场合正在制造摩擦和挫败感，和你的团队谈谈如何减少或消除这种挫败感。让工具为你所用。

先掌握工具，再决定弃用

不过，做这个决定时要确保你是因为足够熟悉，而不是因为不了解，并且偶尔重新审视你的决定。学习过程中的挫败感很容易被归咎于工具本身。

使用模式

AI 应该让我们的信噪比变好，而不是变差。要做到这一点，我们需要三样东西：自我觉察、对彼此时间的尊重，以及开放的对话。

写好信封

每当你给别人发一份材料时，告诉他们这是什么、你为什么发、你希望从他们那里得到什么，以及你能想到的任何其他有用背景。这就是你信息的“信封”。写好信封有几个关键作用：

• 培养自我觉察。 当你把一大份材料丢给别人、一句话不说就走开时，你很容易忽略一个事实：你可能刚刚把一大堆工作甩给了对方。这种问题表现为对 AI 的不满，因为 AI 让这件事变得更容易了，但错不在 AI。你的工作由你自己负责。当你详细描述你的请求时，你会被迫想清楚你在要求对方做什么，以及你真正需要从对方那里得到什么。
• 开启一场对话。 当别人甩给你一个链接时，感觉像是一道命令，但它不是。在 Honeycomb，我们不 指派 工作，我们好好请求，如果对方有顾虑或异议，我们就谈。这始终应该是一场对话。“这是我有的，这是我需要的。你是对的人吗？现在是合适的时间吗？你有什么问题？” 去问。 如果有人发给你一份材料或一个请求，而你感到心里一沉，注意这个感觉。你害怕的是什么？

尊重别人的时间和注意力

除非你自己先逐字读过，否则绝不要发给别人一份 AI 生成的文档。如果它不值得你花时间和注意力，你怎么能说它值得别人花？这也许是个很低的标准，但很重要。要尊重别人的时间和注意力，就提出最小的必要请求。当你只需要对方读第 152 页时，你不会让人读一整本书。具体是善意，边界是尊重。

沟通的四种类型

这个四分刻度可以用来判断：一次沟通的价值主要来自个人，还是主要来自功能。靠左，价值在于它出自某个具体的人的想法或感受；靠右，价值主要来自想法或产物本身。左边是个人，右边是功能。像这样：

1：个人意见

这类沟通的价值在于，某个具体的人这样想过或这样感受过，或者它存在于一段关系之中。陌生人没祝你生日快乐，你不会介意；伴侣没祝，你可能会介意。你所在领域的专家夸你的工作，分量很重，因为你敬重他。在这种场景里用 AI，往往是在摧毁信任而不是建立信任——除非这段关系明确欢迎 AI 进来。（“哇，我经理居然用 AI 来祝我生日快乐？真够可以的。”）

2：专业意见

大多数职业沟通都属于这一类。它的部分价值来自这是你的想法或感受，但不是全部——信息本身的质量、相关性、专业程度和契合度同样重要。

• 如果你给了建议，这建议有多好？
• 如果你写了评审，它是否清晰、有用、公正，内容是否不让人意外？
• 如果你表达了观点，它有多专业、多扎实、多及时？

用 AI 和其他工具来整理、组织或润色这些想法没问题，但它们应该仍然明显是你的。如果有人想要你的意见，或者请你去做一次分享，他们要的是_你的意见_，用_你的声音_说出来。当你的声音在回应里消失了，这可能会被当成一种背信。

3：文本产物

另一类是产物。产物的价值_不_来自它是某个具体的人想过或感受过的东西，而来自想法本身。产物包括 PRD、架构图和决策记录、战略文档、会议纪要等等，有时代码也算。产物靠阅读来评审，靠评论和讨论串这类工具来验证。产物通常有负责人，但我们的目标是协作把想法打磨得更好，与归属或作者是谁无关。

4：软件工件

像软件这样形式化、结构化的信息，可以用自动化的方式验证，这是书面语言和口头语言做不到的。凡是能交给机器去测的，大概都应该交给机器；大规模验证逻辑，本来就不是人类擅长的活。不过，不读源码就合并，这枚荣誉徽章得靠本事挣来。今天 Honeycomb 的大部分软件，仍然靠第 3 节和第 4 节里的方法混合着验证。

想要什么就直接说

某条反馈偏主观还是偏客观，未必总能分得清，但人们想要什么，通常再清楚不过。他们想要的是某个人的主观个人意见，还是想找到“最好的方案”，这两者不一样。如果你知道自己想要什么，就直说。如果你不确定对方想让你给什么，就问。

期望错位怎么办

眼下大量的挫败感，都来自期望错位和不确定性。很容易一冲动就把锅甩给 AI，然后开始微观管理，出台规定：谁能用 AI、怎么用、在什么场景下用。但我们招的是成年人。这不是我们的做法。AI 只是个工具，工具是拿来为我们服务的。

“合理投入”的例子

如果我花五分钟生成一段代码，然后往别人桌上一扔，指望对方花两三个小时来审，那就太失礼了。可如果我花五分钟生成一段代码，发给对方时说：“嗨，这个我只花了五分钟，你有空的话能不能花不超过五分钟帮我凭直觉看一眼，方向对不对？”这看起来没问题吧？

意见的例子

又或者，我请人给我写的方案提反馈，对方用 Claude 生成了我方案的一个变体，发回来一份全新的东西。如果我要的是他的意见，这就很让人抓狂，因为现在我手上多了一份新方案要消化，而他怎么想我依然不清楚。那该怎么办？你可以有好几种方式去处理这份内容。你可以要求看他的 prompt，或者把请求说得更具体一点重新提一遍，也可以花大量时间去分辨哪些是他有意改的、哪些是顺手带进来的。但这属于信号错得相当基础的案例。更好的策略大概是根本不去碰那份内容，而是直接处理期望错位：礼貌地告诉对方你实际需要什么，然后问他能不能给。

绩效评估这个例子

最难处理的情况之一，是你收到同事的反馈或绩效评估，嗅到一股 AI 味，却不知道该怎么看待它。它算数吗？哪些是对方写的，哪些是 AI 填的？交给你之前，他们自己读过吗？你去问，他们会生气吗？这对信任的侵蚀可以很深，所以留出空间谈这些事至关重要。这不能成为禁忌话题。管理者们，主动跟你的下属提这件事。聊聊你的流程。让提问和提出反馈变得安全。我们积极鼓励管理者用 AI 搭建系统，帮自己成为更好的管理者——记录自己在会上的表现，为艰难的谈话提供指导，跟踪团队成员的成果。这些工具的用法有无数种，都很有价值。但它们不会、不能、也绝不该取代或替换管理者的判断。不存在这样一种世界：管理者按个按钮生成一份绩效评估，扫一眼就交给下属。这不可接受。如果你的工作这么容易就能被自动化掉，那还要你干什么？William Zinsser 说过，写作是在纸上思考。用 AI 省时省力有很多方式，但两耳之间那个 LLM，是靠做事、试错，以及——没错——写东西训练出来的。这要下功夫。确保你在做那些必须做的工作，以培养我们指望你具备的良好判断力。别把这份工作外包给机器，那既亏待了你的直接下属，也亏待了你自己。

用你自己的声音给反馈

还有，管理者们，尽量用你自己的声音给反馈。人们对 AI 生成的文字正在长出第六感，很多人干脆就不读了。（我也一样。）当你期待的是私人沟通，却察觉到不是，那种感觉很像被背叛。但是——这一点同样重要——它不_一定_要让人觉得是背叛。它也不一定_就是_背叛。关键在于语境、理解和信任。一位把英语当第二语言的管理者，可以提醒下属自己用 Claude 只是为了让表达更通顺。一位有成熟 AI 优先系统的管理者，可以跟下属聊自己的流程，看看他们是否愿意接受一次自动生成评估的试验。不同团队对这件事的容忍度和热情确实不一样，但总有选择。有人、有沟通、有巧思，就总有选择。

执行功能比以往任何时候都更重要

这些事很大程度上都归结为预期和把话说清楚：这是我有的，这是我需要的。_你方便做这个吗？到现在，我亲身经历过、也听说过太多这样的交流。自己的时间被浪费时，我也一样怒火中烧。但当我找到另一头的那个人，原因不外乎两种情况之一：要么他们_没意识到_自己给我制造了多少耗时又令人沮丧的工作，要么他们_正是为了帮忙才造成了这种沮丧。他们试图把活儿从自己盘子里推到我盘子里、或者让我花几个小时替他们收拾烂摊子的次数，是绝对的零。

我们不跟混蛋合作，各位。但我们也不跟会读心术的人合作。** ** 我们习惯了把太多事当成理所当然，而现在不行了。

文档的来源始终是相关信息

在有权力落差的情况下，追问一份文档是怎么写出来或生成出来的并不容易，所以管理者多担一份责任。但没有人能置身事外。问某样东西是 AI 生成的还是人做的，不会因此惹上麻烦——这是一条重要且相关的背景信息。而且被问到时，每个人都应该坦然披露。这就引出了最后一点提醒。如果你对自己做出这份成果的方式感到不安，又_不想_让接收者知道你是怎么做的……那是一个重要的信号。我建议你尊重它。

我们有明确立场的伦理问题

写这一节时，我们想避免两个具体的错误。我们不想写些光鲜亮丽、充满愿景的话，讲我们多么“在乎伦理™”，却拿不出任何证据；但我们也不想做出自己兑现不了的承诺。所以，我们只申明一些把我们带到今天的原则，并说明它们过去如何指导了我们的决策。

AI 造成的外部性与伤害

与 AI 相关的、令人不安的外部性有不少：

• 能源消耗与碳足迹
• 知识产权窃取
• 隐私
• 偏见
• 裁员、降薪，以及对下一代投入的削减

我们是一家营利性公司，首要目标是打造一门成功且可持续的生意。生意做成了，才有资格谈更长期的规划、做更大的投入。我们的供应商审核流程中包含伦理审查。在同等条件下，我们优先把钱给价值观与我们一致的供应商，或者两害相权取其轻的那一个。这一点会继续做下去。

关于能源与资源消耗

作为基础模型的使用者（而非生产者），坦白说我们不知道该怎么办。这很遗憾，因为它大概是最令人不安的外部性问题。六个月后我们会重新审视。

关于知识产权

这一条很棘手。模型提供商似乎多年来明知故犯地违反版权法，一路畅通无阻，也没承担任何后果，反而把守法的竞争对手挤出局（甚至逼上绝路）。违法了吗？看起来确实如此。但唯一诚实的回答是：我们不知道，而且在弄清最高法院将如何解释法律之前，我们也不会知道。但这么做对吗？当然不对。当时这是已有定论的法律，而他们系统性地违反了它。事后追认这种行为，会给像我们这样相信公平竞争、相信守法的企业开一个令人担忧的先例。伦理、道德和法律从来就不是一回事。作为模型的使用者，我们遵守法律的字面规定，也尊重其精神。但我们从训练数据的不光彩获取中获益，这一点我们心知肚明，也因此欠下了一笔道德债。至少，在商业活动中使用他人作品时，我们应当勤于标注出处、给予署名、补偿贡献者，做到法律要求之外的更多。这些我们一直有在做，也会继续做下去。

关于偏见与隐私

“你的作品归你所有”，意味着 AI 引入的任何偏见都是你自己的问题。留意偏见容易从哪里渗入，并加以防范。尽可能核实结果。虚心接受反馈，改正，然后继续往前走。至于隐私方面的工作，我们还不清楚自己能贡献什么。

关于薪酬与投入

我们从来不是那种用最少的钱榨取最多劳动的公司。我们在能力范围内给出最好的报酬，也极其认真地对待薪酬公平。我们始终觉得，有责任投资于在这里工作的人，就像他们也在投资我们一样。这包括在条件允许时招聘并培训入门级员工。在研发部门，mentoring 与学习是职级晋升路径的核心，SDR 通道在 GTM 一侧也承担着类似的作用。我们支持过不少员工转岗再培训。个人发展预算的使用率很高。我们会审查薪酬带宽是否存在偏见与不公，并在招聘信息中公开薪酬带宽。我们吃过亏才明白，在还没有能力支持初级员工时招他们进来，对谁都没有好处；但只要支持得起，我们招过，以后也还会招。

关于行动主义与工作约定

这些道德立场看起来可能相当温和，它们确实如此。这是做生意的共事约定，不是道德理想或行动主义目标。行动主义有它的位置。公开倡导也有它的位置。在这样的时刻，我们都该好好想一想自己的道德立场，以及如何据此行动。商业或许不是行动主义的理想载体，但行动主义至关重要、不可或缺。为自己的信念采取行动的人（一般是在法律允许的范围内），在 Honeycomb 不会遭到报复。我们是来做生意的。这件事本身就有其价值，哪怕它并不带有明确的意识形态色彩。

结语

职场是仅存的少数几个地方之一，让背景与信念千差万别的人聚在一起，去成就某种超越自身的东西。我们认为这很珍贵。我们认为这值得守护。我们相信，善待人与追逐利润并不矛盾。我们相信，快乐、健康、得到充分支持、在创造中获得投入感的人，能做出更好的工作。我们相信，严格地使用 AI，能帮助像我们这样的公司加快开发速度、让客户满意，并与资源远胜于我们的对手正面竞争。我们相信，使用 AI 不是取代技能与手艺，而是放大它们。我们相信，被重视、被尊重、被倾听的客户更快乐，也更忠诚。快乐的客户更愿意给我们反馈，而我们需要这些反馈来做出更好的产品。我们相信要建立互利的关系和正向的反馈循环，让双方都变得更好。我们做这些事，不是把它当作牺牲，也不是把它当作对核心使命的干扰，而是为了服务于这个使命。