增長正在進入新範式

在 ByteDance、TikTok、Kuaishou、miHoYo 做了八年使用者增長，我越來越認一件事：增長裡最貴的一項支出不是買量預算，是每次有人離職就跟著蒸發的那部分組織經驗。

最近有個細節讓我停下來想了很久：Anthropic 的 growth marketing 連續十個月由一位非技術背景的營運獨自扛。靠 Claude Code，一個人就把幾乎全部增長執行做下來了。當然 Claude 自己的 product-led growth 引擎本來就夠強，這要打個折。但即便打完折，全球增長最快的 AI 公司之一選擇這樣組織自己的增長職能，這件事本身就值得認真看待。

放在一年前，多數人會覺得這事不可信。但我一點都不意外——我們正在做讓這件事成立的產品，每週都能看到新的證據。

我成長起來的黃金年代

八年前我在 Toutiao（ByteDance 的旗艦資訊 app）做增長策略。整個團隊像裝在 app 工廠裡的流水線工人，在多條產品線之間衝刺，每週跑出幾十個上線實驗。資料自己拉，結果自己驗，每天就圍著兩件事轉。

一是搭一套中央化的增長平台——把買量、素材生產、push、邀請這些散落的能力抽成可複用的平台級工具和打法。二是當增長 Business Partner：嵌到 Toutiao、Xigua、Huoshan、TikTok 各條業務裡把工具落下去，再把驗證出來的經驗反哺回平台。

講起來簡單，做起來一磚一瓦疊。歸因一案一案核，反作弊邏輯不斷迭代，實驗速度持續往上拉。但那個年代結果也來得快：營運團隊能穩定操盤每天數百萬美元的預算，一套設計好的策略就能把 7 日或 14 日留存動幾個百分點。等程式化工具成熟起來，「這個素材要不要放量、那個帳戶要不要關」這種決策，大部分就交給規則化邏輯去處理了。

有那麼一段時間，我相信這就是增長的終局：聰明的人 + 好的系統 + 不停迭代。

帶著這套信念，我從 Toutiao 到 TikTok，再到 Kuaishou，後來到 miHoYo 操盤 Genshin Impact 和 Honkai: Star Rail 的發行。產品在變，方法在邊緣上微調，底層假設從沒動搖過——找最好的人，給他們最好的工具，快速迭代，更快測試。

一個增長團隊的天花板，永遠由幾位核心操盤手的判斷力和耐力決定。這套模式我在不同產品和市場裡跑了將近八年。

舊範式正在塌

往不同業務的深處走得越久，撞牆也越頻繁。技術格局和流量結構都在變，上一代的方法在下一代問題面前直接失靈。

過去十年增長產業跑的是一套被廣泛接受的劇本：招有經驗的操盤手、相信他們的判斷、靠海量實驗找局部最優。誰最懂平台機制、誰創意嗅覺最準、誰對歸因理解最深——誰就能跑出別人摸不到的 ROI。那時候平台還沒聰明到把這些技能商品化，資訊差也夠大，少數幾個嗅覺敏銳的人光靠直覺就能拉出真正的競爭優勢。

範式切換

Meta 的 Advantage+、Google 的 Performance Max、TikTok 的 GMV Max——這些產品都在做同一件事：把過去依賴人類經驗的決策權收回去，折進平台演算法裡。預算分配、流量分發、人群定向——越來越多的槓桿是演算法在拉，不再是人在拉。

這個過程我親眼看過。早期我團隊裡手感好的投手能手動調定向、調出價、調素材組合，硬把同一條 Campaign 的表現拉出幾倍。那種「手感」是真本事。但過去兩三年裡，投手給我的回饋變了：「放量越來越難，預算一加上去就跑飛，手動調整幾乎沒反應，演算法要一到兩週才學完，素材疲勞已經是常態。」

平台演算法越成熟，留給人類操盤手影響結果的空間就被系統性地壓縮。增長的競爭基礎已經變了：以前比誰判斷更準、誰手更快，現在比誰的系統更好、誰的回饋環更緊。

但絕大多數增長團隊的組織方式還停在舊座標系上。

增長裡最貴的隱性成本

八年下來，不管在 TikTok、Kuaishou 還是 miHoYo，每次做的事本質上是同一件：從零搭歸因基礎設施、素材生產鏈路、買量系統、A/B 測試框架。每次都要砸一大筆人頭預算，每次也都攢下不同市場、不同品類下真實的操盤經驗。

但回頭看，幾乎沒有任何一份經驗真正留在組織裡。它們活在幾個人的腦袋裡。

分析師花幾個月打磨出來的出價策略，在他離職那天就消失了。

買量團隊踩坑總結出來的經驗，接任的人要從零再踩一遍。表面上組織一直在投入資源，底下是無數公司在為同一類問題反覆繳學費。

這不是哪一家公司的管理失敗，是這套運營模式本身的結構性缺陷。專業能力只要還存在人腦裡，就永遠沒法真正被繼承、複用、累積。

我以前也信完整的體系、詳盡的文件、嚴謹的交接能解決這件事，後來發現錯了。真正有價值的不是「當時做了什麼」，是「在那個時刻為什麼是那麼做的判斷」。這種判斷沒法在 SOP 裡活下來。就算你寫下來，等下個人去讀，上下文也已經變了。

AI 改變的不是效率，是「做這件事的人是誰」

如果專業能力非得先從人腦裡抽出來才能複用，那也許更根本的一步，是從一開始就別讓執行依賴個人的專業能力。

過去一年 AI 工具鋪天蓋地。多數人問的是「AI 會不會取代我們」。我覺得這不是對的問題。真正在發生的事更微妙，也更結構性：在越來越多的情境裡，「做事的那個執行體」正在從人切到 agent。這不是效率升級，是組織怎麼運轉這件事的結構性變化。

設想一個每月管八位數廣告預算的增長團隊。過去這要十幾個人協作——投手盯帳戶、設計師產素材、分析師拉報表、策略負責人設計實驗，再加外部代理協同。每天節奏極度重複：早上看資料、白天調 Campaign、晚上盯花費。循環往復。

回頭看自己帶這些團隊的經歷，真正需要人類判斷的時刻其實少得驚人。大部分時間都被資料搬運、規則執行、手動重複吃掉了——然後等結果、覆盤、進入下一輪循環。

新模型

同樣規模的工作，現在可以由更精簡的團隊配一隊 agent 來完成。Agent 拉資料、跑診斷、調預算、生成素材變體、執行測試，連續地跑，不再卡在人類頻寬這個瓶頸上。人定目標、設護欄、處理邊緣 case、在關鍵決策點校準判斷——並且可以選擇切到完全 Autopilot 模式。每個人不再是管幾條 Campaign，而是在監督一個自主執行系統——單人能覆蓋的工作量直接擴大了一個數量級。

未來的增長團隊：調度，不是執行

在這套新模型裡，增長團隊的核心能力不再是執行速度，是 agent 編排。

編排具體長什麼樣？拿個情境：一家遊戲公司想給新作品在北美打閃電戰。舊模型裡，增長負責人開 kickoff 設目標，分析師建預算和回收模型，投手憑經驗把預算切到各渠道各帳戶，所有人手動盯資料，每週開一次覆盤。整個流程被幾個核心操盤手的經驗和手感卡著。

調度優先的組織做法完全不同。增長負責人把「閃電戰」拆成 agent 可執行的任務結構：市場優先級邏輯、可接受的 CPI 區間、要覆蓋的素材測試方向、什麼條件觸發加預算、什麼訊號表示該收。Agent 按這套規則跑。人只在異常訊號和關鍵決策點上介入。

不用等週會——agent 即時盯表現資料和業務進展。這套能力之上，團隊不再覆盤「我們試了什麼」，而是稽核「決策鏈條裡哪一段還能最佳化系統」。下一次進入相似市場，系統沉澱下來的學習就是新的起點。不再是某個人腦裡的記憶，是系統裡可迭代、可調用的資產。

下一代增長組織真正的護城河不是自動化執行，是可解釋、可系統化的決策。

因為 agent 不接受含糊的指令。你必須把「手感」翻成顯式邏輯。而這個翻譯過程——把隱性的東西變成顯性的過程——恰恰就是個人能力轉成組織能力的方式。

一場正和賽局

增長只是入口。全球有幾千萬人在做 digital marketing 和增長，他們的時間被異常多地花在看儀表板、調出價、換素材、盯異常上。這群人裡很多有才華、受過良好教育、有創造力——但他們的智力和想像力被困在執行層很多年了。這是巨大的人力浪費。

與此同時，增長能力的分布也極度不均。大公司養著幾百人的增長團隊，沉澱了深厚的打法；五人新創什麼都沒有。當增長執行被 agent 系統化之後，好產品更容易被看見，競爭重新回到產品價值本身，而不是預算和人頭。

再往前推一步：系統驅動的增長引擎跑在資料回饋環上而不是個人直覺上，本質上更精準。使用者看到的內容更相關，廣告主花的錢更少，平台生態更健康。這是個正和結果。

而如果增長這個領域能把「80% agent + 20% 人類判斷」這套模式跑通，同樣的範式會擴到一大片其他知識型工作上去。

我在做的事

創業前我花了很長時間想一個問題：能不能把我過去八年做過的每一個商業判斷——每一個錯誤、每一個來之不易的洞察、每一個回饋環——存進一套能自主繼續學習的系統裡？如果那套系統能吸納新資訊，能自主迭代它自己的決策，那就是接近突破的事。它意味著組織記憶不再注定衰減。

以今天 foundation model 的能力，這扇窗已經打開了。

我在設計的產品不是把 AI 功能掛在傳統工作流上。也不是一個你提示一下、給你點建議的更聰明的助手。它從底層就把 AI 當作一種可管理、可協作、可稽核的執行單元——在真實業務環境裡持續運行、從真實訊號裡學習、出問題了就迭代。

我們在回答的問題

一套 agentic 系統，能不能自主編排一條全漏斗的增長工作流——從診斷分析、策略制定，到素材開發、媒介投放、迭代最佳化——並且交付出比多數人為主導的團隊更可靠、更穩定、更可解釋的結果？

這件事一旦成立，人的時間和注意力會被重新放到真正重要的地方：理解使用者、定義價值、做好產品。而不是拉資料、調出價、改文案、輪素材——這些 agent 會做得更好。

使用者增長正在從一門勞動密集型的學科，過渡成一門和 agent 協作的學科。這不會一夜之間完成，但它正在發生，一個證據點一個證據點地發生。

---

GrowthGPT 是我們對這個問題的回答：當 agent 來執行的時候，增長長什麼樣？

這不是一個 AI 取代人的故事。這是一個最好的那批人不再被困在機器能做得更好的事情上、可能性會變得多大的故事。最先想清楚這件事的團隊不只會更有效率——他們玩的根本就是另一場遊戲。