StreamSparkAI

核心概览

David Haber 与 Block 业务负责人 Owen Jennings 的这场对谈，核心围绕一个问题展开：当 AI 已经不只是提升局部效率，而是在根本上改变“公司如何生产”的方式时，一家大型上市公司该如何重组自己。

Owen Jennings 给出的答案非常明确。Block 做出略高于 40% 的裁员，并不是因为财务承压，也不主要是为了修正过去的扩张，而是因为公司判断：员工数量与公司产出长期正相关的旧关系，已经在 11 月底到 12 月初这轮 AI 能力跃迁中被打破。 在他的描述里，AI 先是擅长新项目和“绿地开发”，随后突然开始能有效处理复杂的存量代码库；这一变化让一两个直接使用工具的工程师，或者一个设计师加一个工程师的组合，产出达到过去的 10 倍、20 倍甚至 100 倍。

基于这一判断，Block 没有把 AI 当成“给原有组织再加一层工具”，而是围绕 可靠性、合规与客户信任、持续增长 三个原则，直接重画组织结构：把过去的大团队拆成 1 到 6 人的小队，显著压缩层级，减少 70% 到 80% 的会议，让设计师、产品经理也直接提交 PR，并通过 Goose、G2、Builder Bot 等内部代理系统，把工作从线性流转改写为“人监督多个代理并行执行”的新模式。

对外，Block 也在把同一套 AI 基础设施产品化：Money Bot、Manager Bot 不只是聊天入口，而是在推动主动式智能和生成式界面进入金融与商家软件。Owen 进一步提出，公司未来最大的护城河，将不再只是规模、流程或既有界面，而是谁真正理解了那些别人难以理解的用户信号、业务机制与世界模型，并能围绕这种理解高速迭代。

1. 为什么 Block 会做这次重组

1.1 触发点不是简单降本，而是 AI 改写了产出函数

David Haber 一开始就追问：Block 为什么会成为较早做出大幅裁员决定的公司之一。

Owen Jennings 把时间线往前拉了两三年。他说，Jack Dorsey 往往“判断正确，而且通常比别人更早”，这种倾向延续到了 Block 对代理式开发的布局上。公司较早开始在内部推动 agentic development，并在较早阶段推出了 Goose 这一代理运行框架。随着内部工具不断成熟，研发方式已经发生明显变化。

真正让管理层做出组织级决策的，是11 月底到 12 月初那次能力突变。按他的说法，在那之前，这一代模型和编码工具已经很会写代码，尤其擅长新项目、空白环境和绿地开发；但在那之后，模型对复杂、已有、历史包袱很重的代码库也突然变得非常能打。这使他形成了一个核心判断：

• 过去几十年，企业人数和产出之间的正相关关系，基本在 12 月第一周被打破了。
• 未来对于同一条产品路线图，所需的工程师、设计师、产品经理都会更少。
• “手写代码”作为默认工作方式正在结束。

他的逻辑是：

1. Block 内部先看到 AI 在开发环节的真实增益；
2. 这种增益从新项目延伸到复杂存量系统；
3. 高管团队在随后的一个季度里集中讨论：这对产品构建、软件开发和公司运营意味着什么；
4. 最终得出结论：不能只在原有组织上做局部优化，而必须按新的生产方式重建组织。

1.2 这不是“去冗余”叙事，重点裁的是研发

当 David Haber 追问：这次裁员到底有多少是 AI 驱动，有多少只是对 2021 年前后过度招聘的修正时，Owen Jennings 的回应非常直接。

他给出两层理由：

第一，从人效上看，Block 并不处在明显失控的位置。
按“每名全职员工对应的毛利润”衡量，Block 从 2019 年到 2024 年大体都处在同行中游，最近一年甚至已经比较靠前，他提到大致只有 Nvidia 和 Meta 明显领先。

第二，从裁员结构看，Block 不是在做传统意义上的去脂增效。
如果问题是组织臃肿、流程浮肿，那么被大幅削减的应该是运营团队；但实际相反，这次裁员最重的地方是研发。 外呼销售、客户经理等岗位调整相对有限，合规相关团队更几乎没有动。这说明管理层回应的不是“历史遗留冗余”，而是研发生产方式已经被技术重写这一现实。

1.3 Block 是在经营强势状态下重组，而不是被财务逼着裁

Owen Jennings 特别强调，这次重组不是为了满足短期利润目标。公司当时处在盈利和经营表现较强的位置，不是因为现金流告急，也不是 CFO 先给出一个利润目标，再倒推出“必须裁掉多少人”。

Block 的出发点是另一个问题：在 AI 工具已经显著改变工作方式的前提下，组织今天本来就应该长成什么样？

围绕这个问题，管理层给重组设定了三条硬约束：

• 可靠性优先：大规模调整后最不能发生的是服务中断或系统故障。
• 客户信任与合规优先：Block 处在监管复杂的金融科技领域，这一层不能冒险。
• 持续增长优先：既有路线图上的核心功能和长期押注不能停。

他举了一个很具体的例子：合规团队和合规技术团队基本没有动。 不是因为这些岗位没有自动化空间，而是因为公司明确不愿意在高监管环节承担不必要风险。

2. 重组后，Block 的组织与工作流发生了什么变化

2.1 不是在旧组织上修补，而是“从零搭一遍”

Owen Jennings 说，Block 的做法不是对原组织打补丁，而是从头设计组织结构。

结果是：

• 有些团队，比如监管法务、SDR/BDR 等，看起来和 1 月时差别不大；
• 研发侧则几乎完全换了形状。

在执行方式上，Block 也尽量降低组织震荡的二次伤害：

• 因为公司财务状况良好，离职补偿相对慷慨；
• 没有第一时间切断被裁员工的技术访问权限；
• 由 Jack 和高管团队直接召开全员会，面对面解释决定和原因，而不是只发通知。

他提到，裁员发生在周四，随后的周五到周日，公司内部经历了明显的震惊与不确定；但接下来的重点，就是尽快把组织拉回“重新开始建设”的状态。

2.2 最直接的体感：更小、更瘦、更少层级、更少会议

重组后，Block 的运营方式发生了几项非常具体的变化。

第一，会议大量减少。
Owen Jennings 说，会议量大约下降了 70% 到 80%，这让管理者和团队成员重新有了“真正去做事、去构建”的时间，而不是陷在连续会议里。

第二，沟通频率反而提高。
公司每周一都和全体员工开一到两个小时的全员会，由 Jack 直接沟通。这意味着 formal meeting 在减少，但核心信息同步在增强。

第三，组织更扁平。
他形容现在的公司状态是：更小、更精干、层级更少、管理跨度更大，并且重新回到 build mode。

2.3 从“大功能团队”转向“小队 + 代理并行”

这次重组里，最深层的变化不是人数减少，而是工作流被改写了。

过去的典型研发组织，往往是一个相对固定的功能团队：数名服务端工程师、数名客户端工程师、一名产品经理、一名设计师，围绕某条产品线按路线图线性推进。

现在 Block 更接近下面这种形态：

• 小队规模通常只有 1 到 6 人；
• 一个过去需要 14 人左右的功能团队，如今可能缩成3 人小队；
• 小队不再长期绑定单一产品线，而是可以快速切换：做几个周期这个产品，再转去另一个产品。

这不仅改变了人数配置，也改变了“人怎么工作”。

Owen Jennings 用开发流程举例：过去是一个非常线性的过程——写代码、提 PR、等待 review、修改、再提交；现在则更像是同时有很多代理实例在后台并行工作，人不断在这些任务之间切换、检查、纠偏、推进。他甚至说，自己当下也同时开着很多代理，需要不断去查看它们的进展、修正方向、提交结果，再把内容放进公司真正的知识源和代码库中。

也就是说，新的默认工作模式不再是“一个人完成一段线性任务”，而是：

• 一个人调度多个代理；
• 代理并行生成方案、代码、文档或 PR；
• 人类负责上下文判断、质量把关、方向修正和最终提交。

2.4 设计师和产品经理也直接写进交付链路

Owen Jennings 认为，“设计师和产品经理也在提交 PR”这件事本身已经不那么新鲜了；真正重要的是，AI 工具已经开始跨越“辅助个人工作”的阶段，进入直接完成大部分交付的阶段。

在 Block 内部，设计、产品、研发之间过去那种高度串行、边界清晰的协作方式正在被压缩。
这意味着：

• 设计师不再只产出稿件；
• 产品经理不再只写需求文档；
• 所有人都更接近最终交付物；
• 交付链路的瓶颈从“谁会写代码”转向“谁最理解上下文、最会调度系统”。

2.5 层级压缩不是笼统扁平化，而是按职能重构

关于组织层级，Owen Jennings 给了相对具体的描述：

• 研发侧层级大约减少了 50% 到 60%；
• 产品侧目前通常只保留 2 到 3 层管理层级。

这不是单纯的管理口号，而是与新工作方式配套的：当小队更小、交付更快、信息流动更直接，原来依赖层层传递来协调的结构自然失去必要性。

3. Block 的 AI 基础设施，以及它如何落到产品与业务里

3.1 Goose：模型无关的代理底座

Owen Jennings 把 Goose 描述为一个 agent harness，可以理解为代理运行框架或代理底座。它的关键不是单一模型能力，而是模型无关：

• 可以接 Anthropic 模型；
• 可以接 OpenAI 模型；
• 也可以接开源模型；
• 公司内部可选模型数量大约有 120 个。

这意味着，Block 不是围绕某一个大模型品牌来组织生产，而是把“模型选择”变成一个可替换的执行层，根据任务类型灵活切换。

3.2 G2：把确定性流程全面自动化的内部系统

在 Goose 之上，Block 又搭了一个仅内部使用的代理式操作系统，叫 G2。
Owen Jennings 对它的定义很直白：任何人都可以用它把确定性的工作流自动化。

这说明 Block 的 AI 应用并不局限于写代码，而是在把整个公司里可规则化、可编排、可重复的环节，逐步转成代理执行。

3.3 Builder Bot：从“辅助编码”走向“自动完成交付”

如果说 Goose 是底座，Builder Bot 更像是在这套底座上运行的“自动化交付者”。

Owen Jennings 说，Builder Bot 已经不只是帮人起草代码，而是会：

• 自主生成 PR；
• 自动合并 PR；
• 直接把一个功能做完。

按他的说法：

• 在少数较复杂功能上，它已经能做到100% 完成；
• 更常见的是做到 85% 到 90%，再由对上下文最了解的人完成最后一段收尾。

因此，自 12 月以来，Block 从“有一个想法”到“把东西交到 10 万或 100 万用户手里”的时间，已经被大幅压缩。

3.4 AI 不只在研发侧流动，而是在整个公司里“像计算机一样基础”

当被问到“AI 如何流经 Block”时，Owen Jennings 的回答是：这就像在问“计算机是如何流经 Block 的”。他的意思是，AI 已经不是一个单独部门的工具，而是成为公司基础运行方式的一部分。

在非研发环节，他给出的核心判断是：只要是确定性工作流，就都在被自动化。

具体落点包括：

• 客户支持：聊天机器人、AI 电话支持已经自动处理了大多数用户咨询；
• 产品运营：大量队列型、规则型工作可以交给代理；
• 风险运营：基于规则与信号的决策正在被模型接管；
• 合规运营：可判定、可复核的流程也在逐步自动化。

他的表述甚至更激进一些：在很多决策任务上，模型和代理目前通常已经比人做得更好。

不过，他同时明确保留了一条边界：在面向合作伙伴和监管方的高敏感流程里，human in the loop 仍然是当前阶段的必要条件。 也就是人工在环仍然要保留，只是长期看，他认为这些系统明显会持续变强。

3.5 业务结构调整，为跨产品 AI 底座铺路

Owen Jennings 还解释了 Block 的组织形态为什么能承接这套 AI 底座。

过去，Square、Cash App、Afterpay 更接近各自独立的业务单元，Square 有自己的 CEO，Cash App 也有自己的 CEO。大约 18 个月前，Block 认为这种结构没有带来理想结果，于是开始职能化重组：

• 所有工程统一归总工程负责人；
• 所有设计统一归总设计负责人；
• 所有产品统一归 Owen Jennings 管。

在此基础上，Block 建了跨全公司的平台团队，比如：

• 金融平台团队：服务整个 Block；
• 业务平台团队：服务自动化和通用能力建设。

这让公司越来越多的功能，不再是某个品牌独享，而是同时连接 Square、Cash App 和 Afterpay。
这也是 Goose 这类底座真正有价值的原因：它不是单点工具，而是跨产品共享的能力层。

3.6 Cash App、Money Bot、Manager Bot：从统一 App 走向主动式智能和生成式界面

在业务规模上，Owen Jennings 提到，Cash App 从他 2016 年加入时刚刚找到变现方式，成长到现在大约贡献了公司 60% 左右的总毛利润。整体来看，Block 长期增长健康，其中 Cash App 和 Afterpay 增速更快；但公司现在越来越倾向于从生态系统而不是单一业务线去思考产品。

这种生态视角直接体现在 AI 产品里。

Money Bot

Money Bot 建在 Goose 之上。
Owen Jennings 把它描述为“放在口袋里的 CFO”：不是被动回答问题的聊天机器人，而是能代表用户采取行动的、主动式的个人财务助手。

Manager Bot

Manager Bot 是 Square 侧的对应产品。
他举了一个具体例子：一家有多个门店的快餐店老板，可以直接对 Manager Bot 说，帮我做一个应用，用来管理这两个门店的排班，并且自动通过 WhatsApp、Signal 等渠道给员工发消息。系统会按需生成这个应用，而且这个应用的界面和体验，不一定预先写死在提交到应用商店的源代码里。

3.7 生成式界面：未来应用不该长得都一样

Owen Jennings 对产品形态的一个判断尤其鲜明：过去 10 到 15 年里大家习惯的静态 UI、刚性 UI、统一 UI，接下来几个月会被明显改写。

他的意思不是简单个性化推荐，而是更进一步的生成式界面：

• 不同人的 Cash App 应该长得不一样；
• 用户拿来即用的界面、图表、工作流，应该按需求动态生成；
• 同样一句“我最近的钱都花到哪里去了”，系统不仅能回答，还能现场生成图表和可视化，而不是调用早已写死的页面。

他认为，这会带来更高的参与度、更好的产品发现路径，也会给用户更多控制权。

但他也没有回避代价：这对 QA 会是噩梦。
当一个产品要面对数千万用户，而输出又是非确定性的，传统质量保障方法显然不够了。

3.8 Block 更重视“主动提示用户”，而不是让用户自己学会 prompt

Owen Jennings 还强调了一点：用户未必知道该如何提问，也未必能写出有效提示词。尤其在金钱、消费、财务这样的高认知门槛场景里，让用户自己 prompt，并不是最优体验。

因此 Block 的投入重点不只是聊天入口，而是主动式智能：由系统先理解用户情况，再主动给出它认为最值得关注的建议、提醒、分析和行动选项。
在他看来，真正的价值，恰恰是在这里产生的。

4. Block 对行业、公司价值和未来护城河的判断

4.1 其他公司会不会照着 Block 做

面对现场大量上市公司和创始团队，David Haber 问得很直接：其他公司是否也会走相似路径，什么条件下这样做才可能成功。

Owen Jennings 没有直接预测全行业会怎么走，但他给出两个关键判断。

第一，不是每家公司都能直接照抄结果。
因为 Block 不是先裁员、后想办法，而是先做了几年底层积累：代理式开发、内部工具、自动化平台、模型切换能力，这些前置基础设施准备好了，组织调整才有现实基础。

第二，同一条路线图需要更少工程师、设计师、产品经理，这一点已经非常清楚。
这是他在 12 月那轮变化之后形成的明确结论。

不过他也补充，这不一定意味着世界上相关岗位总数一定减少。
他的解释接近杰文斯悖论：当开发成本大幅下降，反而会有更多产品、更多公司、更多新场景出现。所以未来可能是：

• 单个 tech company 变得更小；
• 但市场上总共出现更多 tech companies；
• 软件开发也会渗透进过去不属于传统科技行业的领域。

4.2 为什么一次性重组，可能比连续小裁更少伤害

Owen Jennings 表达了一个对行业组织方式的担忧：如果公司不具备足够强的决策能力，尤其不是那种能够果断改变方向的领导结构，就很容易走向渐进式反复裁员。

在他看来，这种模式会造成更严重的文化伤害：

• 先裁 15%；
• 过一阵再裁 15%；
• 团队长期生活在“下一轮随时会来”的阴影里。

相比之下，Block 这次虽然幅度更剧烈，但因为方向一次性说清楚，反而形成了强制转换：组织被迫尽快接受新的工作方式，并重新进入建设状态。

4.3 对股价问题的回应：短期市场不是判断 AI 转型的核心尺度

当 David Haber 提到 Block 股价多年大致横盘、但业务规模和人均毛利润已经明显增长时，Owen Jennings 没有把讨论引向资本市场技巧，而是给了一个很克制的回答。

他的重点是：

• 市场本来就有周期；
• 2021 年股价到过大约 260 美元，他当时反而觉得有些非理性；
• 更长期地看，市场短期像投票机，长期像称重机。

换句话说，他对这个问题的回应重点不在短期市场表现，而在于：真正重要的是公司组织能力、生产方式和业务理解是否发生了长期、结构性的变化。

4.4 短中期护城河仍在，但长期护城河已经迁移

关于护城河，Owen Jennings 做了一个分层判断。

短中期仍然有效的护城河

他认为，至少在当下和中期，Block 依然拥有几类很现实的壁垒：

• 分发与网络效应：任何人都可以一周做出一个点对点转账应用，但不可能一周做出数千万月活用户。
• 牌照与监管能力：金融科技所需的合规姿态、许可和监管适配不是一句“vibe coding”就能跨过去的。
• 硬件能力：Square 的硬件也不是靠生成代码就能立刻复制出来的。

长期真正决定胜负的，是“你到底理解了什么”

但他更看重长期变化。
他的判断是：未来最大的护城河，将是谁真正理解了那些对别人来说极难理解的东西。
如果一家公司对这个问题答不上来，就很可能被低门槛的 AI 开发快速稀释掉。

对 Block 来说，这种“难以复制的理解”是什么？
Owen Jennings 给出的答案是：商家与消费者究竟如何参与经济活动。
也就是，公司所处位置能接收到的强信号、丰富数据和深层洞察。

4.5 公司会变成一个“智能系统”：世界模型、反馈回路与高速迭代

在更前瞻的层面，Owen Jennings 描述了一种公司形态的变化：
企业本身会越来越像一个智能系统。

他的设想是：

1. 公司先把自己“是什么”表达清楚——价值观、目标、要优化的指标、不关心什么；
2. 把这些内容结构化，形成某种可被系统读取和迭代的“公司描述”；
3. 再把公司独有的外部信号接进来——例如用户行为、交易行为、商家经营行为；
4. 然后借助 Builder Bot、Claude Code 一类工具，围绕这些信号不断构建、测试、修正功能和流程。

他甚至提到一种近似“世界模型”的思路：
不仅要理解客户，也要理解公司自己是如何运作的。未来这个闭环不再是几个月跑一次，而可能是一天跑上百次、上千次，人类更多扮演编辑、校正和最终判断的角色。

关键信息汇总

• 裁员幅度：略高于 40%，且重点集中在研发侧。
• 关键时间点：AI 能力拐点出现在11 月底到 12 月初；Owen Jennings 甚至直接说，人数与产出正相关的旧关系在12 月第一周被打破。
• 效率变化：1 到 2 名工程师，或设计师加工程师的组合，产出可达过去的 10 倍、20 倍甚至 100 倍。
• 组织形态：从传统大功能团队转向 1 到 6 人小队，很多过去 14 人左右的团队可被 3 人小队替代。
• 会议变化：会议数量减少约 70% 到 80%。
• 层级变化：研发侧层级减少约 50% 到 60%；产品侧通常只保留 2 到 3 层管理层级。
• 内部 AI 工具：Goose、G2、Builder Bot 是核心基础设施。
• 研发交付能力：Builder Bot 可把部分复杂功能做到 85% 到 90%，部分场景做到 100%。
• 客服自动化：AI 聊天与电话支持已处理大多数客户咨询。
• 业务结构：Cash App 目前大约占公司总毛利润的 60% 左右。
• 产品方向：Money Bot、Manager Bot 正推动主动式智能与生成式界面落地。

需注意的转录噪声

• Owen Jennings 提到 11 月底到 12 月初那轮能力跃迁时，具体模型名称、版本号和个别工具名的拼写在转录中存在明显噪声；但不影响他的核心判断：AI 从更擅长新项目，跃迁为能有效处理复杂存量代码库。