当 AI 能够参与分析、运营和实验验证，增长团队就有机会把更多想法付诸尝试。随之而来的问题是：人的精力应该放在哪里，哪些决定仍然要靠经验和判断？
周津在 ThinkingAI Summit 2026 中国站分享现场
10 月 28 日，在 ThinkingAI Summit 2026 中国站，ThinkingAI 联合创始人兼 CTO 周津通过 Agentic Engine（简称 AE）的业务演示，分享了他对这一变化的思考。
以下内容根据现场演讲整理。文中的 App、业务数据与团队发展均为仿真演示。
1. 增长不缺想法，缺的是什么？
增长不缺想法，缺的是把想法试出来、验证清楚的人手和时间。当 AI 能够降低一次尝试所需的投入，过去因为成本太高而被搁置的想法，就有机会重新验证。团队争取到的，也包括那些原本没条件探索的增长机会。
我用一款虚构的 App Nova 举例：来的新用户越来越多，回来继续使用的比例却在下降。作为增长负责人，我需要知道，该改什么才能让更多人留下来。
注册、登录记录只能告诉我用户有没有回来。要找到值得改进的地方，还得看他第一次使用时经历了什么：有没有完成最初的引导，看过内容以后有没有进一步互动。
最懂业务的人，应该能直接发起一次增长尝试。他知道哪里值得改进，也最清楚自己想验证什么；当专业的分析、运营和实验能力能够通过 AE 调用，这些业务经验就有机会变成实际的尝试，让团队用结果判断下一步。
在这个例子里，我提出的是“新用户为什么留不下来”这个问题。AE 帮助整理需要采集的用户行为，让研发清楚知道要记录什么，再核对收集回来的数据能否支持分析。研发也能看到，这些工作要帮助团队查清什么。
有了这些记录，AE 找到了一个值得关注的差异：第一天有过互动的用户，之后回来的比例更高。这给了我一个可以尝试的方向：如果帮助更多新用户找到愿意参与的内容，他们会不会更愿意继续使用？
AE 从行为对比继续下钻，负责人结合证据决定先做什么
2. Agent 执行更快以后，什么更需要人来判断？
执行越容易，判断什么值得做就越重要。团队能够尝试的事情变多了，时间和资源仍然有限。先解决哪个问题、看到什么结果再继续投入，这些选择决定了效率的提升能不能真正变成业务增长。
在 Nova 的分析中，AE 发现不少新用户跳过了兴趣选择，也就是没有告诉 App 自己喜欢什么内容。我们可以改进这一步的引导，也可以先邀请这些用户补选兴趣，再给他们推荐内容。
改页面需要开发、测试，再更新 App。我决定先试一次有针对性的推荐，由 AE 把这个想法做成具体方案：已经选过兴趣的，推荐相应内容；没选过的，先邀请他补选。这样可以先看看，帮助用户找到感兴趣的内容，是否值得继续投入。
用户回来了，和这次推荐让用户回来，是两件事。把收到推荐与未收到推荐的用户放在同一次实验中，比较他们后续继续使用产品的情况，才能更有把握地判断这次投入有没有效果，以及这套做法适合推广到哪些人。
AE 同时帮助观察，有没有更多人因为受到打扰而关闭消息，甚至卸载 App。什么程度可以接受、什么情况下应该暂停，需要我先确定，再让 AE 持续跟进。
这次模拟实验中，收到推荐的那组用户，之后继续使用产品的比例更高。不过，有一个广告渠道带来的用户，暂时还看不清这套做法是否有效。
我的决定是，在已经验证有效的人群中继续推广；那个渠道的用户保留实验，等证据更充分以后再决定。这样，团队可以把投入放到已经看到效果的地方，也给尚未看清的机会留出验证时间。
AE 展示实验结果，负责人确定推广范围，再由 AE 按决定执行
3. 一个人的尝试，怎样让整个团队接着做？
一次尝试有效以后，后面未必还是同一个人负责。如果换了同事，就得重新解释为什么这样做、效果怎样，团队很难把经验真正用起来。
工具也在不断变化。运营可能使用 WorkBuddy，投放可能使用豆包工作，研发更习惯 Codex、Claude Code。每个岗位都有自己的使用习惯。
工具可以换，企业积累的经验不该跟着清零。一次尝试为什么这样做、对哪些人有效、还有什么没看清，都应该留给后来的同事。这样，换了人、换了 Agent，团队仍然知道哪些做法可以沿用，哪些问题还需要继续验证。
围绕 WorkBuddy、豆包工作等生态合作，我们希望让更多人能在熟悉的 Agent 中使用 AE 的专业能力。不同工具里的工作，可以沿用相同的数据定义，也可以读到前面做过什么、为什么这样做。
WorkBuddy、豆包工作等入口连接 AE，共用数据、知识与事项，接着推进同一个增长目标
比如，研发拿到“改进兴趣选择”的需求，可以通过 AE 读取前面的分析，知道很多用户跳过了这一步，再考虑怎样让它更容易理解和完成。运营接手下一次活动，也能读到之前的实验结论，知道哪些做法值得延续、哪些人群还需要观察。
团队还需要对一些基本问题有共同约定。例如，同一个人用不同设备、不同账号登录，究竟算几个用户？如果各自算法不同，活动覆盖的人数、预算和效果就可能对不上。这些规则由人确认，AE 记录下来供后续工作沿用；需要调整时，同样由人审核，团队统一使用。
控制反转：执行交给 AE，决定留给人
AE 可以让工作围绕目标持续推进，人要对方向和关键选择负责。当日常跟进、分析和执行有了 AE 的支持，负责人就能把更多精力放在业务上：这次尝试是否解决了用户的问题，已有结果是否值得加大投入，下一阶段又该往哪里走。
比如，AE 带回的进展里，团队把兴趣选择页面改好了，测试也通过了。这说明功能能够正常运行，我还要确认，新的页面是否符合我们帮助用户完成选择的意图。验收后再发布，至于用户是否更愿意留下来，要在上线后继续用实验验证。
AE 持续跟进进展，负责人验收后决定进入发布流程，效果继续用实验验证
我把这种变化称为“控制反转”：日常工作围绕目标持续推进，需要取舍、验收或调整方向时，再把决定交回给人。
一个人能把想法试出来，一支团队就能在这个基础上继续探索。负责人也能把更多精力放在方向和关键选择上。这是我希望 AE 带来的变化。
