AI 巨头为什么想要工作录屏？

从面试提示到工作样本

FinalRound 的起点很具体。团队原先想做能听见和看见用户所处环境的会议助手，早期用户却把它用于在线面试。有人主动提出付费后，产品转向面试辅助：它在视频面试时提供实时提示，随后又覆盖简历、投递、准备面试和入职等环节。Michael 说，团队在两年内积累了两千多万用户，营收运行率超过一千万美元。这些数字来自他的介绍，背后是线上面试普及和生成式 AI 降低内容生产门槛的共同作用。

产品越成功，招聘方的焦虑也越清楚。面试提示器会让候选人的表达变得更流畅，生成式 AI 又能很快写出结构完整的简历。招聘方能看到的经历、措辞和面试表现，与一个人能否把工作做好，并不总是一回事。Hell Yeah 因此开始面向企业设计 Workshop：系统生成一段任务，请候选人在接近真实工作的环境中完成，再把过程和结果提供给雇主判断。

录屏需要解释，才像一段工作经验

Workshop 记录的不只是最终交付物。候选人在什么工具里工作、先查了什么资料、何时改了方向，都能留在屏幕过程里。对招聘而言，这些信息让评估者更接近任务本身；对模型训练而言，它们像一段可观察的行为轨迹。Michael 说，部分前沿 AI 实验室曾把这类环境视为强化学习数据的来源，希望购买知识工作者的桌面录屏，用来训练数字员工。

但动作本身并不足够。一个人打开表格、切换网页或调整预算，屏幕未必能说明这样做的原因。Michael 介绍的流程里，VLM 会识别模型没有理解的片段，系统在一天结束后再请工作者回答问题。回答可能涉及屏幕外的背景、当时掌握的约束，或某个判断背后的因果关系。团队把这种把推理和行动放在一起的过程称为知行合一。

这个设计也说明了录屏产品的边界。录屏可以保存大量细节，却不天然拥有语义。若没有工作者自己的解释，模型可能只学到按键顺序，学不到为什么某项数据异常时应先暂停投放，或为什么某个渠道虽然短期转化低却值得继续观察。

为什么先做增长营销

团队没有把第一批数字员工放在编码、法律或投行。Michael 承认，编码任务的强化学习信号很强，但 Claude Code、Cursor 等产品已经把竞争推到很高的资本和产品密度。销售也并不轻松，尤其北美 B2B 销售的反馈周期很长，系统很难快速知道一次动作是否真正带来了结果。

增长营销提供了另一种训练场。投放、落地页、转化和用户质量会较快反馈给团队；产品可以在真实商业环境里反复运行，而非停留在一份试点合同中。Hell Yeah 还拥有自己的消费者产品增长经验，知道内容传播、渠道和预算如何互相影响。Michael 说，团队要的是一套可在实战中自我改进的系统，而不只是一段一次性的创意输出。

这一区别对大公司尤其明显。早期团队可以接受某条视频突然爆发、随后增长回落的节奏；当企业把大量预算分配到多个渠道，更需要持续测量每天的投入和回报。访谈中把这种工作描述为从 P0 到 P10 的优先级管理：过去，人力只够处理最紧急的项目；当执行的边际成本下降，回报较慢的 SEO 或长尾测试也有机会长期运行。是否值得继续，仍要由数据决定。

服务交付之后，什么能留下来

主持人把 Hell Yeah 与传统广告代理商并列比较。代理商通常按人天和服务收费，熟悉品牌的人一旦离开，联系人、渠道经验和许多隐性的判断也会离开。Michael 希望数字员工反过来积累这些内容：每一次投放、每个合作对象、每次渠道反馈都写入一个客户专属的工作流记忆，下一轮行动因此更了解该客户的产品、用户和市场。

要做到这一点，系统必须接触比广告账户更深的上下文。Michael 介绍的方案把数字员工以 SDK 的形式装进代码仓库，读取产品逻辑、数据库和业务数据；当数据模式混乱时，它可以提出修改建议，再以 PR 的形式交给客户决定是否合并。营销人员看到转化下滑时，系统才可能同时检查产品改版、漏斗变化和获客人群，而不把所有问题都归到投放上。

事件驱动的反应速度

Michael 用事件驱动来概括增长员工的工作方式。系统持续监测外部变化，再结合企业的产品和投放数据判断下一步。例如，产品改版之后某个广告组的转化突然下降，人工团队可能要等产品、数仓和营销人员逐一核对；系统若已接入足够数据，至少可以先停止或调整下一轮投放，避免预算继续流向无法解释的异常。

访谈也举了更外部的例子：重大新闻可能影响广告竞价环境，企业需要快速分辨这是渠道成本变化还是自身产品问题。Michael 关注的是许多中小团队缺少实时处理能力。过去只有大型平台或金融机构愿意为这种监测和反应系统投入高额成本，数字员工被设想为把这类能力带给更多企业。

这也让权限问题变得更尖锐。读取代码仓库、数据库和营销账户意味着系统得到很大的访问范围。企业要判断哪些信息可以被读取，哪些改动必须等待人工批准，哪些动作应当立即停止。产品能力与访问权并非两件独立的事：缺少上下文，自动化就很容易做出脱离业务的判断；权限过大，又会放大数据泄露和错误执行的风险。

人为什么会抗拒被蒸馏

访谈没有回避录屏带来的不适。主持人直言，若自己工作时被持续观看，且录屏会被用于训练未来的替代者，感受会很差。Michael 则提醒，许多金融机构早已为合规目的保存按键和应用交互记录；变化在于，这些记录现在可能被用于学习工作流。相同的数据收集，在合规、个人回忆工具和模型训练三种叙事中，会得到完全不同的反应。

数据用途也影响用户是否愿意交出记录。访谈提到，个人方案和企业方案对训练数据的处理可能不同，用户需要查看条款并做出选择。模型公司为了获得大量真实工作流，可能用免费期、低价或折扣扩大使用范围。使用者获得工具效率，平台获得反馈数据，双方之间的报酬和同意机制仍没有统一答案。

对于企业客户，担忧还包括竞争和责任。一个增长员工若能读懂产品和渠道，也可能接触足以描述业务策略的数据。传统行业通常先问，哪些步骤必须保留人工复核，出了问题谁负责，再讨论模型有多强。这是 Hell Yeah 早期客户集中在科技公司的原因之一：科技公司对接入前沿工具的意愿更高，也更容易寻找愿意推动试点的内部负责人。

招聘流程和组织结构也在重写

Michael 对就业市场的观察带有招聘产品一线的视角。他认为公开岗位数量未必能反映真实招聘进展，一些公司会维持可见的招聘管线，而候选人可能在流程中长时间停留。他在访谈里以 Stripe 的中级产品经理流程为例，称其可达十四轮：AI 面试有时被加到笔试和人工面试之上，并没有缩短原有流程。候选人等待数月后，生活状态和岗位匹配度都可能改变。

他也认为，部分公司把 AI 用作裁员的解释时，组织本身可能早已因过快扩张而臃肿。短期岗位减少与新工作机会会同时出现。高端数据标注、模型评估和 AI 工具使用都需要新的技能，但没有一套课程能保证跟上变化速度。Michael 因此把持续学习看作重要能力：被蒸馏的是当前做法，人在学习后获得的新知识和判断仍在变化。

组织内部的角色也会随之移动。访谈提到 product engineer、design engineer 和 AI builder 等跨职能称呼。工程师可以借工具完成过去要交给设计或产品同事的部分工作；这不表示每种专业能力都失去价值，而是团队成员需要知道怎样找到、验证和使用陌生领域的判断。Hell Yeah 自身约二十人，成员聚集在旧金山、上海和班加罗尔办公，以线下协作维持高密度沟通。

从北美增长到中国出海

Hell Yeah 是一家美国公司，核心市场在北美，但 Michael 说团队正在与几家中国头部出海电商公司讨论早期合作。访谈中的例子是 AI 硬件：一款在中国以较低价格销售的产品，进入美国后可能拥有完全不同的定价空间，但也要重新承担渠道、获客成本和消费习惯带来的约束。增长系统如果只会买流量，无法解决这些更深的产品和市场适配问题。

他认为，海外扩张还取决于组织能否理解当地工作方式。创始人和中层管理者都需要国际化经验；本地员工与外派管理者之间的文化、语言和信任摩擦，会直接拖慢协作。访谈没有把中国公司和硅谷公司简单排出高低，而是把它们放在不同的商业环境中理解：一边更愿意探索新类别，另一边更重视快速商业化。出海团队需要同时处理产品、价格和组织三件事。

管理者留下来的工作

Michael 想象中的组织更扁平，许多跨部门的信息对齐可以交给拥有共同上下文的 AI 系统。数字员工能围绕目标拆解任务、执行动作、同步反馈，重复传话和反复开会会减少。法律、投行等高风险工作仍要保留人工在环，因为责任无法由系统自动承担。

他对 CEO 的描述也很朴素：容易、令人愉快的决定往往已经由团队完成，留到最后的是取舍困难、后果明确的决定。AI 可以帮助汇总信息、推进执行，却未必会主动支持一个看似不理性、却值得人承担风险的方向。数字员工进入更多岗位后，管理者仍须清楚设定方向、界定权限，并对结果负责。