对话 Moka CEO 李国兴：AI 不是 SaaS 公司的绝命，是改命
对话 Moka CEO 李国兴：AI 不是 SaaS 公司的绝命，是改命
来源类型： 微信公众号文章
日期： 2026-06-02
标签： AI, 办公效率, 编程, 数字化, 机器人, 大模型
原文链接： https://mp.weixin.qq.com/s/11hXj0kCv6uaZ2IrTixZZw
摘要
没有什么护城河是一定存在的，能构建的壁垒只有两个：速度和 AI 人才密度。 对话｜张鹏 李国兴 整理｜汤一涛* *** 过去一年，SaaS 行业经历了一轮集体性的身份焦虑。大模型能力飙升，Vibe Coding 让企业自己搓工具变得可行，Salesforce、Adobe 股价因为「AI 替代论」剧烈波动。 整个行业都在问同一个问题：如果通用智能足够强，垂直 SaaS 还有存在的必要吗？ AI 对 SaaS 的冲击，更准确的描述可能是「改命」而非「绝命」。产品形态会被重塑，交付方式会改变，但深入特定领域、跑通长链条业务闭环的能力，短期内不会被一个通用模...
核心内容
没有什么护城河是一定存在的，能构建的壁垒只有两个：速度和 AI 人才密度。
对话｜张鹏 李国兴
整理｜汤一涛**
过去一年，SaaS 行业经历了一轮集体性的身份焦虑。大模型能力飙升，Vibe Coding 让企业自己搓工具变得可行，Salesforce、Adobe 股价因为「AI 替代论」剧烈波动。
整个行业都在问同一个问题：如果通用智能足够强，垂直 SaaS 还有存在的必要吗？
AI 对 SaaS 的冲击，更准确的描述可能是「改命」而非「绝命」。产品形态会被重塑，交付方式会改变，但深入特定领域、跑通长链条业务闭环的能力，短期内不会被一个通用模型直接替代。
Moka 是国内 HR SaaS 领域最早拥抱大模型的公司之一。2023 年 ChatGPT 发布后几个月，他们就推出了基于大模型的产品 Moka Eva。两年后的今天，他们把 Eva 升级为三个 Agent（招聘 Eva、人事 Eva、BP Eva），以及一个底座「Moka AI Studio」，试图从「卖软件」转向「派同事」：让 AI 像一个新入职的 HR 同事一样，接手人事工作链条中除判断和决策外的几乎所有环节。
在 Moka CEO 李国兴与张鹏的这次对话里，他分享了 Moka 产品升级背后的技术逻辑，也聊到了更大的问题：AI 原生组织到底长什么样？中层为什么会消失？垂直 SaaS 公司的壁垒在这个时代还剩下什么？当 AI 开始重构组织的运作方式，HR 这件事本身的定义也正在改变。
以下为张鹏与李国兴的对话，经编辑整理。
***01
* 三个 Agent 加一个底座：*
****Moka 这次发布了什么
**
**
张鹏：Moka 两年前就是 HR SaaS 领域里最早拥抱大模型的。最近又发了新产品，看起来比上次更成体系。先聊聊你这次发的新产品？
李国兴：对，上次聊还是 2023 年，那时候 ChatGPT 刚出来。我们整个团队看到之后特别兴奋，立刻成立了专项小组，开始在 HR 领域做基于大模型的场景研发，6 月份就推出了我们的产品「Moka Eva」。
过去两年我们一直在迭代，随着模型能力提升，一步步解锁新场景。这次我们在北京开了一场产品发布会，对 Eva 做了一次全面升级。
这次引入了一个核心概念——「新同事」。它对应的就是现在大家聊得很多的 Agent。过去一年大模型在 Agent 能力上的提升非常大，我觉得看到了一个机会点，兴奋程度跟当初看到 ChatGPT 出现时是一样的。
我们一共发布了三个 Agent：招聘 Eva、人事 Eva、BP Eva，分别对应 HR 的不同工种。除此之外还发布了一个底座能力「Moka AI Studio」（Moka AI 工坊）。这是我们定义的 AI 时代软件的新范式，跟传统的 SaaS 或 PaaS 都不太一样。因为 AI Coding 能力大幅提升，软件可以用极低的成本满足企业的个性化需求，AI Studio 就是支撑这些定制化需求的底座。
所以整体就是三个 Agent 加一个底座。
张鹏：三个 Agent 加一个底座，跟之前软件时代相比，从人事到招聘具体交付的服务有什么变化？
李国兴：我先讲人事 Eva 和招聘 Eva，这两个有些相似之处。
人事 HR 的工作还是非常事务性的，比如入离职流程、新人待办事项、档案手续、每月考勤核对、薪酬核算、算薪发薪等等，大量人事岗位的时间都花在这些重复性事务上。
人事 Eva 做的事情，是同时理解两端：一端是业务场景，比如入职流程里有哪些关键待办、需要收集哪些信息；另一端是系统，因为数据和流程制度最终还是要有系统来承载。
基于这两方面的理解，HR 只需要给 Eva 一两句话的任务，它就能按照配置好的规则，自主完成考勤核对、薪酬核算这些工作。
张鹏：招聘 Eva 呢？招聘的链条比人事长很多。
李国兴：招聘 Eva 的逻辑类似，但它没有那么多写死的规则和流程。一句话总结招聘，本质上「就是更快的招对人」。所以招聘 Eva 会围绕「更快」和「招对人」两个维度，协同 HR 和用人经理，主动推动招聘流程。。
招聘是一个很长的链条，简单岗位要好几周，复杂岗位要一两个月甚至更长，中间有 10 个以上的环节。我们希望做到的是：只有需要判断和决策的环节才需要人介入，其余全部由 Eva 推进。
举个具体的例子。招聘的起点是用人经理提需求，但这个环节本身就是一个问题。HR 很难完全理解用人经理的真实需求，信息一传话就容易出现很大的偏差。有时候甚至不能怪 HR，用人经理自己也没想清楚，或者描述不清楚。
现在 Eva 会直接跟用人经理对话，主动询问。比如我们自己招 AI 工程师，Eva 除了问基本信息（工作地点、薪酬范围、经验年限），还会追问子方向：「你要招大模型训练方向、多模态方向、Infra 方向，还是 Agent 落地方向？」这些信息它拿不到，就没法精准找人。
而且 Eva 还会换一个角度问：「这个人来了要做什么事？」因为让用人经理描述「要什么样的人」有时候说不清，但「招这个人来做什么」所有人都清楚。
通过这些引导，Eva 就像一个懂专业领域的 HR，一步步帮用人经理勾勒出正确的人才画像。
画像确定之后，Eva 自动生成 JD、发布到招聘平台、在平台上主动寻源和触达候选人、筛选主动投递的简历。
到了面试环节，Eva 会直接打电话联系候选人，做初步的信息沟通和确认，比如介绍公司和职位、了解候选人相关经历、确认面试时间。
我们也做了 AI 自动面试的能力，但目前大多数岗位还是需要人参与面试，去判断候选人的能力匹配、气场、价值观这些东西。最后的录用决策也是人来做。
所以整个链条里，其实只有需要人判断和决策的时候才需要去介入：提需求、面试、录用决策。其余环节全部由 Eva 主动推动。
而且 Eva 会主动优化过程。如果觉得职位进展慢了，它会在漏斗上层多找人、甚至建议拓展渠道；如果觉得画像不对，它会在过程中不断跟用人经理校准。
这个校准是一个持续学习的过程，会帮助招聘结果越来越准。举个我自己的例子，现在很多面试都是视频面试，Eva 会读取整个面试过程的内容。我下午刚面了一个海外增长岗位的候选人。这其实是我第一次面这个岗位的候选人，但基本上 Eva 读到面试信息之后，我就可以对候选人大致有了判断，包括我关注哪些能力维度、对哪些经验给了正面反馈、对哪些觉得不够。
比如这个候选人运营经验偏多、拉新经验偏少，在我们比较关注的渠道比如 Reddit 上没什么经验，以及英语口语也差一点意思。
这些判断 Eva 都会学到，然后反过来校准两件事：一是前端的简历筛选画像，二是后续跟候选人沟通时的确认重点。所以它是一个越用越聪明、越招越准的过程。
张鹏：我对 BP Eva 最感兴趣。HRBP 原来是大公司才有的「奢侈岗位」，现在你把它做成产品，意味着所有公司都能用。它到底能解决什么问题？
**李国兴：
...(内容截断，完整内容请查看原文)
本页由自动化脚本生成，待人工审核补充