Cuando la empresa se convierte en Agente: 5 reflexiones sobre la organización en la era de la IA

“AI跃迁者调研” es la serie de entrevistas profundas de la lente de AI. La transición no es una evolución lineal, sino un derrocamiento de la iteración y una reconstrucción. En cada edición invitamos a un AI transicionador—fundador nativo de AI, líder de transformación AI en una empresa, o un superindividuo que se rehace con AI—para compartir sus conclusiones, procesos de desmontaje, lógica de construcción, las tarifas que pagaron, y lo que han logrado mantener en medio del cambio constante, ofreciendo referencias reales a quienes recorren este camino.

En la primera edición, contamos con el fundador y CEO de Tezign, profesor de Tongji University y tutor de doctorado, director del laboratorio de inteligencia artificial en diseño, el Dr. Fan Ling. Tezign es una empresa de AI Agentic a nivel empresarial, fundada hace 10 años, dedicada a construir sistemas de agentes inteligentes empresariales basados en su arquitectura propia Generative Enterprise Agent (GEA), capaces de entender el contexto del negocio, participar en decisiones complejas y promover resultados continuos, ayudando a las empresas a crecer, innovar y mejorar la productividad, sirviendo a largo plazo en insights de usuarios, innovación de productos y crecimiento en marketing. Más importante aún, la organización también se está rehaciendo con AI: desde la transformación de pods, cultivo de comunidades, hasta la construcción de Generative Enterprise Agents con skills, context y orchestration.

Hablamos con Fan sobre cómo AI está cambiando la estructura organizacional, la densidad de talento, la entrega a clientes y las barreras de producto, además de los problemas no resueltos detrás de estos cambios.

【Citas y percepciones】

1. “AI no es solo una herramienta para mejorar la eficiencia en I+D, sino un Agent que ayuda a quienes necesitan recursos de I+D a obtener esos recursos.”

2. “AI fundamentalmente va en contra de la división de industrias y profesiones; nos devuelve a un estado de renaissance de versatilidad.”

3. “Liderazgo, ownership, responsabilidad, resiliencia—estas cosas que parecen abstractas, en la era de AI se vuelven muy concretas.”

4. “La gran mayoría de las empresas todavía están en la fase de copiloto: agregar AI a funciones existentes. Pero las capacidades de AI ya han evolucionado hasta el punto de poder rediseñar organizaciones con AI.”

5. “Organizaciones nativas de AI no son que las personas tengan AI en su flujo de trabajo, sino que en los flujos de trabajo de AI se incrusta el juicio humano. La empresa puede ser un Agent, y las personas son roles que aportan juicio dentro de esos Agents.”

6. “Estamos en una era de exceso de productos y escasez de usuarios. El crecimiento será cada vez más difícil y también más importante. En la era de AI, debemos enfocarnos en aquellas capacidades que AI no puede comprimir en tiempo.”

Perfil del invitado de la investigación:

Fan Ling, fundador y CEO de Tezign, profesor en Tongji University y tutor de doctorado, director del laboratorio de IA en diseño. Tezign, con 10 años, ayuda a resolver problemas de insights de usuarios, innovación de productos y crecimiento en marketing mediante tecnología de IA. En esta entrevista, compartió sobre la transformación interna en la organización de pods, el dogfooding de herramientas de AI, sistemas de contexto empresarial, y exploraciones en productos como Atypica / GEA.

Yu Yi, investigador senior en Tencent Research Institute, enfocado en innovación de productos nativos de AI y transformación empresarial, con años en VC y ecosistema de incubación. Reconocido en LinkedIn China, galardonado por Tencent como experto en AI y en comparticiones destacadas, mentor en círculos de aprendizaje de AI.

【Resumen de la investigación】Experimento en organización nativa de AI en Tezign

Punto de inicio de la transformación: lo mejor de Cursor no es I+D

Fan Ling ha estado observando quién en la empresa usa mejor las herramientas de AI. La respuesta fue sorprendente: no es en I+D, sino en gerentes de producto y diseñadores. Ellos usan Cursor para acceder a recursos que antes solo podían obtener con programación y planificación de I+D. Esto hizo que Fan Ling se diera cuenta: AI no solo acelera la especialización, sino que permite a una persona desempeñar múltiples roles. La hipótesis organizacional basada en la Revolución Industrial—“una persona, un puesto, ascensos escalonados”—está siendo cuestionada desde sus cimientos. Él lo llama “AI en contra de la Revolución Industrial”.

Reestructuración organizacional: pod + comunidad en doble vía

Basándose en esa percepción, Fan Ling hizo dos cambios en la organización. Primero, dividir toda la empresa en pods—pequeños equipos transfuncionales de 3 a 10 personas, con entregas cerradas internas, sin depender de coordinación interdepartamental. Hace tres años, Tezign intentó un pod, pero fracasó por resistencia mental; sin embargo, AI ayudó a que los equipos redujeran la coordinación horizontal, y el concepto maduró. Segundo, construir comunidades fuera del pod: comunidades horizontales que complementan habilidades en ventas, producto, código, y una comunidad de liderazgo—porque AI hace más difícil que un solo Agent lidere 100 personas, y los líderes de pod necesitan además de AI, habilidades en P&L, intuición comercial y paciencia.

Un fenómeno asociado a estos cambios es la disolución de los límites de roles. Los marketers usan Claude Code para scripts en LinkedIn, ya son en realidad ingenieros de marketing; gerentes de producto y diseñadores lanzan funciones directamente con Cursor, sin esperar a I+D. La proporción de I+D ha bajado del 50%, pero los que saben programar aumentan.

Motor cultural: fundadores en acción construyendo

La estructura solo es el esqueleto; lo que realmente hace que AI funcione es la cultura. Tezign también hace capacitaciones sistemáticas (proyecto ABC Plus), pero Fan Ling nota que el motor más efectivo es que los fundadores participen directamente. Él y el CTO y el responsable de producto, en un pequeño equipo, usan AI para nuevos productos, logrando un crecimiento de usuarios mucho mayor que otros equipos de 7 personas. Muestran demos en almuerzos y cafés, y otros líderes de pod también hacen lo mismo. Con el tiempo, se forma la cultura de “mostrar con orgullo lo que construyen”, que se contagia mucho más que las campañas top-down.

Infraestructura: sistema de contexto en capas

Tezign tiene una cultura profunda de documentación, incluso las grabaciones de reuniones se convierten en documentos. Fan Ling está construyendo un sistema de contexto en capas: a nivel de empresa, con archivos schema.md que actúan como índices de miles de millones de documentos; a nivel de pod, con contextos específicos de cada equipo; y a nivel personal, con diálogos y preferencias. Enfatiza que más que riqueza en contexto, a veces se necesita un marco, no detalles. El contexto empresarial también debe gestionar permisos y confidencialidad. Ejemplo: busca la contraseña Wi-Fi en proyección, y AI también busca contraseñas confidenciales solo accesibles para él. Prefiere no poner ciertos datos sensibles en el sistema de contexto.

Compartir productos: GEA, Atypica

En productos, la estrategia de Tezign gira en torno a acumular cosas que AI no puede comprimir en tiempo.

GEA (Generative Enterprise Agent) es una arquitectura de agentes a nivel empresarial. No se obsesiona con un solo Agent, sino en el contexto y la orquestación: un Lead Agent con varios Sub-Agents, con skills y context de la empresa, formando equipos en áreas como insights, crecimiento de contenido, innovación de productos, funcionando como una empresa virtual 24/7.

Atypica busca “entender al humano”. Basado en unos 1 millón de datos reales de usuarios, construye modelos del mundo subjetivo para simular consumidores y usuarios profesionales. Ejemplo: un profesor en EE. UU. usa 20,000 muestras de familias reales para crear 1,000 perfiles típicos, simulando discusiones sobre fertilidad entre parejas y padres, y variando políticas para observar cambios de comportamiento—aplicación en ciencias sociales.

Game Lab (game.atypica.ai) resuelve la precisión en simulación de humanos. Hace que personas y AI jueguen los mismos juegos económicos (dilema del tranvía, ultimátum), ajustando AI con datos reales hasta que sus decisiones sean indistinguibles de las humanas. Es la principal evaluación de Tezign.

Cierre comercial: descubrimiento de escenarios y diálogo con clientes

Tras poner en marcha los pods internos, la estrategia externa también cambió. Los líderes de pod ahora son “oficiales de descubrimiento de escenarios”: usan AI para extraer unos 100 escenarios comunes de más de 600 necesidades de clientes, estructurados con el método SPIS (Situación, Dolor, Impacto, Solución). Hablar con clientes sobre “sus dolores” en lugar de solo hacer demos de productos facilita la conversación, porque sienten que “te entiendo”. Los líderes dedican un 30-40% del tiempo a recopilar escenarios.

Costos y tensiones no resueltas

Los que mejor usan AI son los más cansados—porque al expandir sus capacidades, asumen más responsabilidades, y el cansancio aumenta. Fan Ling admite que este es el mayor problema sin resolver. Cuando todos pueden construir, se repite mucho el trabajo, y diferentes pods hacen varias versiones del mismo escenario. Él prefiere tolerar en lugar de controlar. La brecha entre demo y producción en productos de AI es grande; si no se combina con escenarios físicos reales y datos propios, la barrera será frágil.

Una tensión más profunda es que AI reduce costos de exploración, pero también genera ansiedad. La sobreoferta de productos, la escasez de usuarios, hacer demos no es difícil, pero el crecimiento sí. Fan Ling responde con “building in public”—construir y obtener feedback simultáneamente, haciendo del proceso de exploración parte del resultado.

Entrevista completa

Reestructuración organizacional: de Copilot a pods de alta cohesión

Yu Yi: Empezamos por lo que más me interesa, la “transformación organizacional con AI”. Según sé, Tezign empezó a experimentar con varias formas de cambio organizacional hace tiempo. Hace aproximadamente un año, Tencent Research Institute hizo una entrevista y estudio de caso sobre Tezign, hablando de tus experimentos internos. Ahora, un año después, ¿cuáles son los avances más recientes? Lo que más me impresionó fue que mencionaste que reactivaron la transformación en pods, y que esta es la segunda vez. Muchos quizás no entienden qué es exactamente un pod. Es una estructura de cambio, originada por Meta, que en mi opinión, es como formar un “escuadrón especial” dentro de la empresa para adaptarse rápidamente a nuevos entornos o tecnologías. ¿Mi interpretación es correcta? La primera vez fracasaron, pero ahora, en la era de AI, creen que funciona y quieren intentarlo de nuevo. ¿Por qué eligieron esa estructura? ¿Cómo va ahora?

Fan Ling: Yo llevo usando varias herramientas de AI desde hace mucho, porque en realidad hacemos productos de AI. En ese proceso, siempre me pregunto: ¿hasta qué punto se ha aprovechado realmente el valor de AI? Antes, si una herramienta mejoraba la eficiencia en un 20-30%, era muy valiosa. Pero con AI, ¿ese 20-30% es un buen uso o no? No tenía un estándar claro.

Luego, tuve un momento de Aha. Aunque ahora parezca trivial, en ese momento fue un impacto enorme. Porque me preocupaba la eficiencia, y pregunté a mi equipo: ¿cómo usan Cursor? Resulta que los que más usan Cursor con creatividad no son en realidad los desarrolladores, sino gerentes de producto y diseñadores. Ellos usan Cursor para conseguir recursos que antes solo lograban con planificación y programación. Para ellos, Cursor es como tener recursos de I+D en mano.

Eso me hizo entender: AI no solo ayuda a los desarrolladores a ser más eficientes, sino que ayuda a quienes carecen de recursos de I+D a resolver problemas. AI hace que las personas sean más versátiles, no que las especializaciones se vuelvan más rígidas.

Eso me llevó a pensar en la organización. La estructura actual, y la educación, están diseñadas según la lógica de la Revolución Industrial: “mil oficios”, especialización, ascensos escalonados. Aunque muchos dicen que AI es la próxima revolución industrial, en realidad, en su lógica fundamental, AI es “contra la revolución industrial”. Rompe esas divisiones y nos devuelve a un estado de renaissance de la versatilidad—una persona puede ser “todo en uno”. Si los gerentes de producto y diseñadores, con ayuda de AI, se vuelven más completos, ya no necesitamos dividir roles tan rígidamente. Antes, una persona solo podía tener un rol; ahora, con AI, puede desempeñar varios simultáneamente.

Yu Yi: ¿Y cómo implementaron eso en la organización?

Fan Ling: Esa es nuestra base. La mayor ventaja es reducir reuniones de alineación y coordinación, y acortar tiempos entre departamentos. La idea es lograr un estado de “alta cohesión, baja acoplamiento”. Un equipo pequeño, de 2-3 personas, con tareas completas, sin depender mucho de otros. La coordinación interdepartamental se minimiza.

En la práctica, eso es un pod. Hace tres años, probamos un pod, pero fracasó por resistencia mental; sin embargo, con AI, la gente empezó a reducir la coordinación horizontal de forma natural, y el concepto maduró. La segunda transformación fue crear comunidades horizontales: comunidades que complementan habilidades en ventas, producto, código, y una comunidad de liderazgo. Porque AI hace más difícil que un solo Agent lidere 100 personas, y los líderes de pod necesitan además de AI, habilidades en P&L, intuición comercial y paciencia.

Un fenómeno asociado es la disolución de los límites de roles. Los marketers usan Claude Code para scripts en LinkedIn, ya son en realidad ingenieros de marketing; gerentes de producto y diseñadores lanzan funciones con Cursor, sin esperar a I+D. La proporción de I+D ha bajado del 50%, pero los que saben programar aumentan.

Motor cultural: fundadores en acción construyendo

La estructura solo es el esqueleto; lo que realmente hace que AI funcione es la cultura. Tezign también hace capacitaciones (proyecto ABC Plus), pero Fan Ling nota que lo que más impulsa es que los fundadores participen directamente. Él, el CTO y el responsable de producto, en un pequeño equipo, usan AI para nuevos productos, logrando un crecimiento de usuarios mucho mayor que otros equipos de 7 personas. Muestran demos en almuerzos y cafés, y otros líderes de pod también hacen lo mismo. Con el tiempo, se forma la cultura de “mostrar con orgullo lo que construyen”, que se contagia mucho más que las campañas top-down.

Infraestructura: sistema de contexto en capas

Tezign tiene una cultura fuerte de documentación, incluso las grabaciones de reuniones se convierten en documentos. Fan Ling construye un sistema de contexto en capas: a nivel de empresa, con archivos schema.md que actúan como índices de miles de millones de documentos; a nivel de pod, con contextos específicos de cada equipo; y a nivel personal, con diálogos y preferencias. Enfatiza que más que riqueza en contexto, a veces se necesita un marco, no detalles. El contexto empresarial también debe gestionar permisos y confidencialidad. Ejemplo: busca la contraseña Wi-Fi en proyección, y AI también busca contraseñas confidenciales solo accesibles para él. Prefiere no poner ciertos datos sensibles en el sistema de contexto.

Compartir productos: GEA, Atypica

En productos, la estrategia de Tezign gira en torno a acumular cosas que AI no puede comprimir en tiempo.

GEA (Generative Enterprise Agent) es una arquitectura de agentes a nivel empresarial. No se obsesiona con un solo Agent, sino en el contexto y la orquestación: un Lead Agent con varios Sub-Agents, con skills y context de la empresa, formando equipos en áreas como insights, crecimiento de contenido, innovación de productos, funcionando como una empresa virtual 24/7.

Atypica busca “entender al humano”. Basado en unos 1 millón de datos reales de usuarios, construye modelos del mundo subjetivo para simular consumidores y usuarios profesionales. Ejemplo: un profesor en EE. UU. usa 20,000 muestras de familias reales para crear 1,000 perfiles típicos, simulando discusiones sobre fertilidad entre parejas y padres, y variando políticas para observar cambios de comportamiento—aplicación en ciencias sociales.

Game Lab (game.atypica.ai) resuelve la precisión en simulación de humanos. Hace que personas y AI jueguen los mismos juegos económicos (dilema del tranvía, ultimátum), ajustando AI con datos reales hasta que sus decisiones sean indistinguibles de las humanas. Es la principal evaluación de Tezign.

Cierre comercial: descubrimiento de escenarios y diálogo con clientes

Tras poner en marcha los pods internos, la estrategia externa también cambió. Los líderes de pod ahora son “oficiales de descubrimiento de escenarios”: usan AI para extraer unos 100 escenarios comunes de más de 600 necesidades de clientes, estructurados con el método SPIS (Situación, Dolor, Impacto, Solución). Hablar con clientes sobre “sus dolores” en lugar de solo hacer demos de productos facilita la conversación, porque sienten que “te entiendo”. Los líderes dedican un 30-40% del tiempo a recopilar escenarios.

Costos y tensiones no resueltas

Los que mejor usan AI son los más cansados—porque al expandir sus capacidades, asumen más responsabilidades, y el cansancio aumenta. Fan Ling admite que este es el mayor problema sin resolver. Cuando todos pueden construir, se repite mucho el trabajo, y diferentes pods hacen varias versiones del mismo escenario. Él prefiere tolerar en lugar de controlar. La brecha entre demo y producción en productos de AI es grande; si no se combina con escenarios físicos reales y datos propios, la barrera será frágil.

Una tensión más profunda es que AI reduce costos de exploración, pero también genera ansiedad. La sobreoferta de productos, la escasez de usuarios, hacer demos no es difícil, pero el crecimiento sí. Fan Ling responde con “building in public”—construir y obtener feedback simultáneamente, haciendo del proceso de exploración parte del resultado.

Entrevista completa

Reestructuración organizacional: de Copilot a pods de alta cohesión

Yu Yi: Empezamos por lo que más me interesa, la “transformación organizacional con AI”. Según sé, Tezign empezó a experimentar con varias formas de cambio organizacional hace tiempo. Hace aproximadamente un año, Tencent Research Institute hizo una entrevista y estudio de caso sobre Tezign, hablando de tus experimentos internos. Ahora, un año después, ¿cuáles son los avances más recientes? Lo que más me impresionó fue que mencionaste que reactivaron la transformación en pods, y que esta es la segunda vez. Muchos quizás no entienden qué es exactamente un pod. Es una estructura de cambio, originada por Meta, que en mi opinión, es como formar un “escuadrón especial” dentro de la empresa para adaptarse rápidamente a nuevos entornos o tecnologías. ¿Mi interpretación es correcta? La primera vez fracasaron, pero ahora, en la era de AI, creen que funciona y quieren intentarlo de nuevo. ¿Por qué eligieron esa estructura? ¿Cómo va ahora?

Fan Ling: Yo llevo usando varias herramientas de AI desde hace mucho, porque en realidad hacemos productos de AI. En ese proceso, siempre me pregunto: ¿hasta qué punto se ha aprovechado realmente el valor de AI? Antes, si una herramienta mejoraba la eficiencia en un 20-30%, era muy valiosa. Pero con AI, ¿ese 20-30% es un buen uso o no? No tenía un estándar claro.

Luego, tuve un momento de Aha. Aunque ahora parezca trivial, en ese momento fue un impacto enorme. Porque me preocupaba la eficiencia, y pregunté a mi equipo: ¿cómo usan Cursor? Resulta que los que más usan Cursor con creatividad no son en realidad los desarrolladores, sino gerentes de producto y diseñadores. Ellos usan Cursor para conseguir recursos que antes solo lograban con planificación y programación. Para ellos, Cursor es como tener recursos de I+D en mano.

Eso me hizo entender: AI no solo ayuda a los desarrolladores a ser más eficientes, sino que ayuda a quienes carecen de recursos de I+D a resolver problemas. AI hace que las personas sean más versátiles, no que las especializaciones se vuelvan más rígidas.

Eso me llevó a pensar en la organización. La estructura actual, y la educación, están diseñadas según la lógica de la Revolución Industrial: “mil oficios”, especialización, ascensos escalonados. Aunque muchos dicen que AI es la próxima revolución industrial, en realidad, en su lógica fundamental, AI es “contra la revolución industrial”. Rompe esas divisiones y nos devuelve a un estado de renaissance de la versatilidad—una persona puede ser “todo en uno”. Si los gerentes de producto y diseñadores, con ayuda de AI, se vuelven más completos, ya no necesitamos dividir roles tan rígidamente. Antes, una persona solo podía tener un rol; ahora, con AI, puede desempeñar varios simultáneamente.

Yu Yi: ¿Y cómo implementaron eso en la organización?

Fan Ling: Esa es nuestra base. La mayor ventaja es reducir reuniones de alineación y coordinación, y acortar tiempos entre departamentos. La idea es lograr un estado de “alta cohesión, baja acoplamiento”. Un equipo pequeño, de 2-3 personas, con tareas completas, sin depender mucho de otros. La coordinación interdepartamental se minimiza.

En la práctica, eso es un pod. Hace tres años, probamos un pod, pero fracasó por resistencia mental; sin embargo, con AI, la gente empezó a reducir la coordinación horizontal de forma natural, y el concepto maduró. La segunda transformación fue crear comunidades horizontales: comunidades que complementan habilidades en ventas, producto, código, y una comunidad de liderazgo. Porque AI hace más difícil que un solo Agent lidere 100 personas, y los líderes de pod necesitan además de AI, habilidades en P&L, intuición comercial y paciencia.

Un fenómeno asociado a estos cambios es la disolución de los límites de roles. Los marketers usan Claude Code para scripts en LinkedIn, ya son en realidad ingenieros de marketing; gerentes de producto y diseñadores lanzan funciones con Cursor, sin esperar a I+D. La proporción de I+D ha bajado del 50%, pero los que saben programar aumentan.

Motor cultural: fundadores en acción construyendo

La estructura solo es el esqueleto; lo que realmente hace que AI funcione es la cultura. Tezign también hace capacitaciones (proyecto ABC Plus), pero Fan Ling nota que lo que más impulsa es que los fundadores participen directamente. Él, el CTO y el responsable de producto, en un pequeño equipo, usan AI para nuevos productos, logrando un crecimiento de usuarios mucho mayor que otros equipos de 7 personas. Muestran demos en almuerzos y cafés, y otros líderes de pod también hacen lo mismo. Con el tiempo, se forma la cultura de “mostrar con orgullo lo que construyen”, que se contagia mucho más que las campañas top-down.

Infraestructura: sistema de contexto en capas

Tezign tiene una cultura fuerte de documentación, incluso las grabaciones de reuniones se convierten en documentos. Fan Ling construye un sistema de contexto en capas: a nivel de empresa, con archivos schema.md que actúan como índices de miles de millones de documentos; a nivel de pod, con contextos específicos de cada equipo; y a nivel personal, con diálogos y preferencias. Enfatiza que más que riqueza en contexto, a veces se necesita un marco, no detalles. El contexto empresarial también debe gestionar permisos y confidencialidad. Ejemplo: busca la contraseña Wi-Fi en proyección, y AI también busca contraseñas confidenciales solo accesibles para él. Prefiere no poner ciertos datos sensibles en el sistema de contexto.

Compartir productos: GEA, Atypica

En productos, la estrategia de Tezign gira en torno a acumular cosas que AI no puede comprimir en tiempo.

GEA (Generative Enterprise Agent) es una arquitectura de agentes a nivel empresarial. No se obsesiona con un solo Agent, sino en el contexto y la orquestación: un Lead Agent con varios Sub-Agents, con skills y context de la empresa, formando equipos en áreas como insights, crecimiento de contenido, innovación de productos, funcionando como una empresa virtual 24/7.

Atypica busca “entender al humano”. Basado en unos 1 millón de datos reales de usuarios, construye modelos del mundo subjetivo para simular consumidores y usuarios profesionales. Ejemplo: un profesor en EE. UU. usa 20,000 muestras de familias reales para crear 1,000 perfiles típicos, simulando discusiones sobre fertilidad entre parejas y padres, y variando políticas para observar cambios de comportamiento—aplicación en ciencias sociales.

Game Lab (game.atypica.ai) resuelve la precisión en simulación de humanos. Hace que personas y AI jueguen los mismos juegos económicos (dilema del tranvía, ultimátum), ajustando AI con datos reales hasta que sus decisiones sean indistinguibles de las humanas. Es la principal evaluación de Tezign.

Cierre comercial: descubrimiento de escenarios y diálogo con clientes

Tras poner en marcha los pods internos, la estrategia externa también cambió. Los líderes de pod ahora son “oficiales de descubrimiento de escenarios”: usan AI para extraer unos 100 escenarios comunes de más de 600 necesidades de clientes, estructurados con el método SPIS (Situación, Dolor, Impacto, Solución). Hablar con clientes sobre “sus dolores” en lugar de solo hacer demos de productos facilita la conversación, porque sienten que “te entiendo”. Los líderes dedican un 30-40% del tiempo a recopilar escenarios.

Costos y tensiones no resueltas

Los que mejor usan AI son los más cansados—porque al expandir sus capacidades, asumen más responsabilidades, y el cansancio aumenta. Fan Ling admite que este es el mayor problema sin resolver. Cuando todos pueden construir, se repite mucho el trabajo, y diferentes pods hacen varias versiones del mismo escenario. Él prefiere tolerar en lugar de controlar. La brecha entre demo y producción en productos de AI es grande; si no se combina con escenarios físicos reales y datos propios, la barrera será frágil.

Una tensión más profunda es que AI reduce costos de exploración, pero también genera ansiedad. La sobreoferta de productos, la escasez de usuarios, hacer demos no es difícil, pero el crecimiento sí. Fan Ling responde con “building in public”—construir y obtener feedback simultáneamente, haciendo del proceso de exploración parte del resultado.

Entrevista completa