獲 4000 萬美元融資：AI 生產力悖論的破局者

你有沒有發現一個奇怪的現象？公司引入了各種 AI 工具，員工每天生成的內容比以前多了三倍，但工作效率卻沒怎么提高，甚至很多人感覺更累了。這不是個例。數據顯示，近 80% 的公司已經在使用生成式 AI，但同樣比例的公司報告說，這對他們的利潤幾乎沒有產生實際影響。這個巨大的鴻溝讓我一直在思考：AI 工具真的提升了生產力，還是只是制造了更多需要處理的信息？

最近，Highlight AI 完成了 4000 萬美元的 A 輪融資，由 Khosla Ventures 領投，359 Capital、General Catalyst、Valor Equity、Common Metal、Makers Fund、Collaborative Fund、Arcadia 和 SV Angel 參與。但真正引起我深度思考的不是融資金額，而是這家公司對問題本質的洞察。他們指出，AI 在工作場所的局限性不再是智能或能力問題，而是"協調瓶頸"。員工每周花費多達 24 小時來保持團隊協調，在不同的應用之間復制粘貼信息，手動追蹤工作進度，不斷重新組裝工作內容而不是推進工作。這個觀察讓我意識到，我們可能一直在用錯誤的方式使用 AI。

更有意思的是，Highlight AI 新任 CEO Sergei Sorokin 的背景。他曾在 Discord 擔任產品副總裁八年，見證了平臺從約 500 萬月活用戶增長到近 3 億的過程，并從零開始建立了 Discord 的收入業務。離開 Discord 后，他花了兩年時間構建和咨詢 AI 初創公司，包括 Weights、Aura 和 OffCall。正是這段經歷讓他親身體會到，碎片化的工具和 AI agent 工作流程無法帶來真正的生產力提升。他加入 Highlight AI 的時機，恰好是公司準備從根本上重新構建工作協調基礎設施的關鍵時刻。

PS：我的出海新書已經上架了，我特意申請了公眾號讀者專屬的優惠鏈接，可以享受半價折扣，歡迎感興趣的朋友購買。

同時我還特地建立了實名制的讀者群，我會在群里定期解答一些問題和開展線上線下活動，歡迎購書的朋友實名制入群，大家一塊交流，共同出海！

AI 生產力悖論的真相

我一直在觀察一個現象：公司投入大量資金購買 AI 工具，員工也確實在使用這些工具，每天生成大量的文檔、消息、任務和草稿。但問題是，這些產出需要人工去整理、分類、分發和跟進。結果就是，AI 確實讓我們"更快"了，但這種"快"體現在生成內容的速度上，而不是完成工作的速度上。

我看到的現實情況是這樣的：一個產品團隊的設計師在 Figma 上完成了新功能的設計稿，然后需要在 Slack 上通知工程師，在 Linear 上創建任務，在產品文檔中更新設計說明，還要給項目經理發郵件匯報進度。即使有了 AI 輔助，這些協調工作仍然需要人工完成。設計師可能用 AI 生成了任務描述，但還是要手動復制粘貼到 Linear，手動添加相關鏈接，手動通知相關人員。

這就是 Highlight AI 所說的"協調稅"。研究表明，員工每周要在這類協調工作上花費多達 24 小時。想象一下，一周工作 40 小時，其中 24 小時用于信息傳遞和協調，真正用于創造性工作的時間只有 16 小時。而且隨著團隊規模增大、使用的工具增多、引入的 AI agent 增加，這個協調稅還會不斷復利式增長。

我認為問題的根源在于，現有的 AI 工具都是孤島式的。每個工具都有自己的 AI 助手，但它們之間無法共享上下文。你在 Slack 上用 AI 總結了一段對話，但這個總結無法自動同步到項目管理工具中。你用 AI 生成了一段代碼，但代碼背后的設計決策和討論上下文卻分散在會議錄音、Figma 注釋和 Slack 消息中。下一個接手這段代碼的工程師，需要在這些碎片化的信息源中尋找線索，拼湊出完整的上下文。

更嚴重的是，員工每天要在多達 8 個不同的應用之間切換。每次切換都意味著上下文的丟失和重建。你剛在 Figma 中理解了設計意圖，切換到 Linear 創建任務時，又要重新回憶剛才看到的內容。這種認知負擔的累積，讓人感到精疲力竭，即使 AI 幫你寫了任務描述，你仍然需要花費大量心智去協調這些碎片化的工作流程。

Highlight AI 的解決方案：共享智能層

Highlight AI 的方法讓我眼前一亮，因為他們不是在現有工具上再加一層 AI，而是在構建一個全新的基礎設施層，一個能夠統一所有工具、保存完整上下文、主動提供協助的"共享智能層"。

他們的核心技術是實時捕獲、建模和檢索高保真團隊上下文。這聽起來有點抽象，讓我用一個具體例子來說明。假設一個產品團隊在 Figma 中進行設計評審，討論了新功能的交互細節，然后在 Slack 上繼續后續討論。在傳統工作流程中，這些信息會分散在兩個平臺上，參與者需要手動記錄決策、創建任務、更新文檔、通知相關人員。

但如果團隊使用了 Highlight AI，整個流程會完全不同。Highlight 會自動記錄會議內容，捕獲哪些內容發生了變化、做出了什么決策、誰負責哪些行動。它會準備好帶有相關 Figma 框架鏈接的后續草稿，在 Linear 中創建帶有正確上下文的任務草稿，并更新產品規格文檔。團隊成員只需要一鍵審閱并發送這些更新。

更關鍵的是，錯過會議的工程師可以立即看到完整的決策綜合和后續步驟，而不需要在企業應用之間跟蹤數字面包屑。他們甚至可以查看由后臺 Cursor agent 生成的拉取請求，該 agent 已經開始實現這個功能。這個例子展示了在單個團隊內，幾個小時的溝通和協調工作是如何被消除的。而當這種節省在整個組織中擴展時，效果會顯著放大。

我認為 Highlight AI 最聰明的地方在于，它不是要替代現有工具，而是作為這些工具之上的一個協調層。它與 Slack、Zoom、Figma、Linear、Claude Code 等應用集成，消除了手動路由信息的負擔。團隊不需要放棄他們已經熟悉的工具，只需要讓 Highlight 在這些工具之間建立聯系，創建一個統一的團隊記憶。

從技術角度看，Highlight 正在構建的是一個"上下文圖譜"。它不是簡單地存儲文本和文件，而是理解工作的完整弧線：誰在什么時候說了什么、做了什么決定、為什么做這個決定、這個決定如何影響后續工作。這個上下文圖譜成為團隊的共享大腦，人類和 AI agent 都可以訪問同樣的高保真上下文信息。

從被動響應到主動協助

我使用過很多 AI 工具，大部分都是基于提示詞的。你需要明確告訴 AI 你想做什么，提供必要的上下文，然后等待它生成結果。這種模式的問題在于，它把協調的負擔轉移給了用戶。你仍然需要記住在合適的時機調用 AI，提供正確的信息，然后把結果分發到正確的地方。

Highlight AI 試圖改變這種模式，從手動提示轉向主動協助。因為它理解整個團隊的工作上下文，知道正在發生什么、誰在做什么、下一步需要做什么，所以它可以在你需要之前就采取行動。會議結束后，后續任務已經被起草好了，不需要你手動創建。文檔需要更新時，AI 已經準備好了更新內容，等待你的審閱。

這種主動性來自于對上下文的深度理解。傳統的 AI 工具只能看到你當前給它的信息，但 Highlight 可以看到跨工具、跨人員、跨時間的完整工作流程。它知道這個設計決策會影響哪些人的工作，哪些文檔需要相應更新，哪些任務需要被創建或修改。

我特別欣賞他們提到的一個場景：你可以專注于深度工作，不用擔心錯過重要信息。當你重新浮出水面時，你會看到在你專注工作期間發生了什么，這些信息已經被綜合整理好，來自會議、聊天和各種平臺，就像你的個人簡報。這解決了一個長期困擾知識工作者的矛盾：要么不斷檢查更新保持同步，要么專注工作但可能錯過重要信息。有了主動的上下文感知系統，這個矛盾被化解了。

另一個我覺得很有價值的變化是，團隊聊天會變得更安靜。不是因為交流減少了，而是因為信息已經自動流向了應該去的地方。更新會自動分享，簡單的問題在需要打擾別人之前就被回答了。這讓團隊成員可以更好地保護自己的專注時間，同時又不會因為信息孤島而影響協作效率。

將短暫知識轉化為集體智能

我一直認為，團隊最有價值的知識往往不在那些精心制作的文檔中，而是藏在日常工作的痕跡里：為什么選擇這條路徑的具體討論、屏幕共享時的口頭解釋、改變計劃的那條評論、討論串中的細微差別。這些知識是短暫的、碎片化的，很容易隨著時間流逝而丟失。

當團隊成員離職、項目交接或者幾個月后需要回顧決策時，這些知識的缺失會造成巨大的損失。新人需要花費大量時間去理解"為什么代碼是這樣寫的"，而答案可能已經隨著當初做決定的人離開而消失了。或者，這個答案埋藏在幾個月前的 Slack 消息里，但沒人記得在哪個頻道、什么時間討論的。

Highlight AI 正在構建的基礎設施，目標就是捕獲、建模、檢索和應用這種高保真上下文。他們在材料中提到，這包括幾個尚未解決的問題：高保真捕獲、共享記憶、主動協助和擴展集體智能。

高保真捕獲意味著 Highlight 將演變成一個始終在線的存在，通過屏幕捕獲、音頻轉錄和索引來跟隨你的工作流程，將人機交互轉化為語義數據，同時完全由用戶控制隱私。用戶可以選擇捕獲什么內容、何時分享。這解決了一個關鍵問題：如何在保護隱私的前提下，完整記錄工作過程中產生的知識。

共享記憶則超越了"搜索一堆文本"的層次。Highlight 正在構建一個統一的團隊記憶，AI 通過將每個人和每個工具的上下文組織成一個集體上下文圖譜，來理解項目的演變狀態。這不是簡單的文檔存儲，而是一個動態的、有語義關系的知識網絡。

我認為最具革命性的是他們提到的"擴展集體智能"。沒有執行能力的記憶只是在積累灰塵的文本。Highlight 為基于上下文的多人 AI agent 提供執行層，使開發者能夠在每個工具和系統中擴展團隊的集體智能。這意味著 AI agent 不再是孤立工作的個體，而是可以訪問整個團隊的共享知識，在這個基礎上采取行動。

從長遠來看，他們的愿景是讓團隊能夠部署經過微調的世界模型作為 agent，這些 agent 通過觀察來學習。這讓我想起了人類學徒的學習方式：觀察師傅如何工作，理解其中的模式和原則，然后在相似情境中應用這些知識。如果 AI agent 也能以這種方式學習團隊的工作模式，那么它們就能真正成為團隊智能的延伸，而不僅僅是執行單一任務的工具。

為什么是現在

我思考過為什么 Highlight AI 選擇在現在這個時間點切入這個問題。從技術角度看，大語言模型的能力已經足夠強大，可以理解復雜的工作上下文和多步驟的任務流程。從市場角度看，企業已經廣泛采用了各種 SaaS 工具和 AI 應用，協調負擔已經成為一個普遍而緊迫的痛點。

但我認為更深層的原因是，我們正在進入所謂的"agentic age"——人類和 AI agent 大規模協同工作的時代。在這個時代，工作流程不再是單純的人類活動，而是人類和各種 AI agent 混合協作的復雜系統。一個軟件開發項目可能涉及人類產品經理、設計師、工程師，以及輔助編碼的 AI agent、生成文檔的 AI agent、進行測試的 AI agent。

這種混合工作模式對協調系統提出了全新的要求。傳統的項目管理工具是為人類設計的，假設所有工作都由人類完成。但當 AI agent 參與工作時，如何確保它們訪問到正確的上下文？如何讓它們的工作成果能夠被其他人和其他 agent 理解和使用？如何在人類決策和 AI 執行之間建立清晰的邊界和流程？

Highlight AI 正在構建的共享智能層，恰好可以作為人類和 AI agent 之間的橋梁。因為它統一了上下文，人類和 AI agent 可以基于同樣的信息做出決策和采取行動。因為它保存了完整的工作歷史，新加入的 agent 可以快速理解項目狀態，就像新加入的團隊成員一樣。

Khosla Ventures 的創始人 Vinod Khosla 對此有一個精辟的觀察："軟件和 AI 的進步速度超過了協調它們的系統。這個鴻溝存在于每個行業、每個規模的組織中。隨著工作變得更加 agent 驅動，維持人類和機器之間對齊的操作系統變得勢在必行。"這段話點出了問題的本質：技術能力和協調能力之間的不匹配。

從投資者的參與陣容也能看出市場對這個方向的認可。除了領投的 Khosla Ventures，參與投資的還包括 359 Capital、General Catalyst、Valor Equity 等知名機構。這些投資者顯然相信，在 agentic age，一個能夠統一人類和 AI agent 工作的智能操作系統將成為基礎設施級別的需求。

團隊構建的重要性

Highlight AI 在團隊構建上的策略也很有意思。他們計劃用這輪融資將團隊規模擴大一倍,重點在舊金山招聘工程師、運營人員和營銷人員，以加速產品開發和市場推廣。但更重要的是他們對團隊背景的選擇。

他們在材料中提到，要與主動 AI 協作需要在人們和團隊協作方式上進行根本性轉變，這混合了企業和消費產品的挑戰。為了滿足這種需求，Highlight 正在組建一支具有大規模創建直觀協作產品經驗的產品構建者團隊，包括來自 Discord、Medal.tv 和 Meta 的領導者。

這個選擇很聰明。來自 Discord 和 Meta 的團隊成員有構建大規模消費者協作產品的經驗，他們理解如何設計直觀、易用的界面，如何處理實時協作，如何在保持性能的同時提供豐富功能。這些經驗對于構建一個團隊日常使用的協調系統至關重要。

新任 CEO Sergei Sorokin 的背景更是完美契合。他在 Discord 的八年經歷讓他深刻理解大規模用戶協作的復雜性。Discord 從一個游戲玩家的語音聊天工具發展成為擁有近 3 億月活用戶的綜合社區平臺，這個過程中積累的產品和技術經驗，對于構建 Highlight AI 這樣的協作平臺極具價值。

他在離開 Discord 后花了兩年時間與 AI 初創公司合作的經歷同樣重要。正是在這個過程中，他親身體會到碎片化工具和 agent 工作流程的問題。這種"痛點驅動"的創業動機，往往能帶來更深刻的產品洞察和更強的執行決心。

Sorokin 在公告中的一段話很能說明他對這個機會的認識："我在一個關鍵時刻加入 Highlight，這提供了一個難得的機會，可以從頭開始幫助塑造基礎設施，而不是漸進式改進那些從未為 agent 驅動的工作而設計的系統。"這反映了他對問題本質的理解：我們需要的不是在舊系統上修修補補，而是為新時代構建全新的基礎設施。

我對這個方向的思考

在研究 Highlight AI 的過程中，我一直在思考一個問題：共享智能層是否會成為企業軟件的標準組件？就像操作系統之于個人計算機、云平臺之于現代應用一樣，是否每個組織都會需要一個統一的智能層來協調人類和 AI agent 的工作？

從目前的趨勢來看，答案很可能是肯定的。企業使用的工具越來越多，引入的 AI agent 也越來越多，協調負擔只會繼續增加。沒有一個統一的智能層，這個系統最終會因為復雜性而崩潰。就像我們不能想象沒有操作系統來管理應用程序一樣，未來我們也很難想象沒有智能層來協調工作流程。

但這也帶來了一些需要解決的挑戰。隱私和安全是首要問題。Highlight 需要訪問大量的工作數據才能構建完整的上下文圖譜，如何確保這些數據的安全？如何讓用戶對數據捕獲和使用有足夠的控制？材料中提到用戶可以選擇捕獲什么、何時分享，但在實際使用中，如何在便利性和隱私保護之間找到平衡，仍然是一個需要持續探索的問題。

另一個挑戰是系統的可靠性。當團隊開始依賴 Highlight 來進行協調時，任何故障或錯誤都可能對工作造成嚴重影響。如果系統錯誤地理解了決策、分配了錯誤的任務或者丟失了重要的上下文，后果可能很嚴重。這要求系統具有極高的可靠性和準確性，同時也需要有適當的人工審核機制。

我也在思考這種共享智能層對工作方式的深層影響。當所有工作都被記錄、所有決策都被追蹤、所有上下文都被保存時，工作會變得更加透明，但也可能讓人感到被監視。如何在提高協作效率和保護員工自主性之間取得平衡，是一個需要仔細考慮的問題。

從技術演進的角度看，我認為 Highlight AI 代表了一個重要的方向轉變。過去十年，企業軟件的發展主要是在垂直領域提供專門化的工具——更好的項目管理、更強的設計工具、更智能的代碼編輯器。但現在，我們開始意識到，問題不在于單個工具不夠好，而在于工具之間缺乏協調。

這就像城市交通系統。你可以有最好的汽車、最快的火車、最便捷的地鐵，但如果這些交通方式之間沒有良好的換乘設計，整體的通勤效率仍然會很低。Highlight AI 做的事情就像是為企業軟件生態系統設計換乘樞紐和路線規劃，讓各個工具之間的協作變得順暢。

我預測，隨著 Highlight AI 這樣的平臺證明其價值，我們會看到更多專注于橫向整合而非垂直深化的企業軟件。軟件的競爭優勢可能不再只是功能的豐富性，而是集成和協調的能力。那些能夠無縫融入共享智能層的工具會獲得優勢，而那些堅持孤立運作的工具可能會被邊緣化。

對于企業來說，引入像 Highlight AI 這樣的共享智能層，意味著需要重新思考工作流程和工具選擇。不再是"我們需要什么工具"，而是"哪些工具可以有效地通過共享智能層協作"。這可能會推動企業軟件市場的整合，那些能夠提供良好 API 和集成能力的工具會勝出。

最終，我相信 Highlight AI 這樣的平臺將推動工作方式發生根本性變化。我們會從"管理工具"轉向"管理意圖"，從"協調任務"轉向"定義目標"。當底層的協調工作被智能系統接管后，人類可以專注于更高層次的思考：我們要解決什么問題？我們的目標是什么？我們如何創造更大的價值？這才是人類應該花費時間的地方，而不是在各個應用之間復制粘貼信息。

從這個角度看，Highlight AI 的 4000 萬美元融資不只是一家初創公司獲得了資金支持，而是代表著整個行業對未來工作方式的一次重要押注。如果他們成功了，我們可能會迎來一個工作效率真正提升、協作變得無縫、人類和 AI agent 和諧共處的新時代。這個愿景值得我們持續關注和期待。

結尾

也歡迎大家留言討論，分享你的觀點！

覺得內容不錯的朋友能夠幫忙右下角點個贊，分享一下。您的每次分享，都是在激勵我不斷產出更好的內容。

歡迎關注深思圈，一起探索更大的世界。

- END -

兩個“特別坑”的AI產品創業方向，你知道嗎

速度將成為AI時代唯一的護城河

a16z重磅預測：Vibe coding贏者通吃？錯了，垂直專業化才是未來