图片来源:Youtube
No Priors:向不了解Rippling的人介绍一下你们自己。
Matt Maclnnis:Rippling是一个集人力资源管理、IT、财务等于一身的平台。官方对外的说法是,我们想要彻底消除经营一家公司的行政负担。我们有大约3,500名员工和成千上万的客户。目前,我们正在推出一款新的AI产品,以收集绩效考核指标,衡量员工的工作产出。
图片来源:Rippling官网
No Priors:我想很多人认为,重新引入Compound Startup(ZP注:复合型初创公司)的概念,或者说将不同功能的产品聚合到一站式平台,是你们的开创性贡献。你们现在提供多少种不同的产品?产品的更新速度如何?
Matt Maclnnis:我们提供约25种产品,每个季度推出小体量新品,每隔几个季度推出大体量新品。我们曾推出了一个用于招聘场景的申请人跟踪系统,并把它加到我们的HCM套件上(ZP注:Human Capital Management 人力资源管理)。类似的事我们做了很多,部分原因是有很多创始人为我们工作——我们有超过150名的员工曾经创办过自己的企业。他们曾经的商业想法并没有完全实现,而Rippling给了这些有才华的企业家一个安全的地方,在这里他们可以继续追求他们之前感兴趣的东西,或者做点新的事情。这很大程度上提升了我们的新品发布速度。在硅谷,Compound Startup 是一种时代精神;对我们来说,这显然也是一股巨大的推动力。企业通常希望将尽可能多的软件整合到一个平台上,而我们将继续服务于这一目标,继续招募优秀的、有才华的企业家,并不断推出新产品。
图片来源:Rippling官网
No Priors:所以你们的业务模式更像是25家初创公司的复合,想想这里蕴藏的发展空间就让人激动。
Matt Maclnnis:是的。当你看到Rippling的损益表时,你会想到25个业务,或者说像主要的产品套件,比如IT和金融,它们在某种程度上是自己的次级业务。总的来说,你会看到一张漂亮的顶线图。随着这些不同的套件相互配合,我们的效率会显著提升。
其实大多数人并不完全理解这种模式。Compound Startup模式就像规模企业一样,企业的单位经济效益在交叉销售中趋于一致(ZP注:Cross sell交叉销售,指向购买某产品的客户推荐相关或互补的其他产品,通常在同一次购买过程中进行,旨在增加客户的购买量和交易总价)。所以对我们来说,Compound Startup也有漂亮的财务表现,随着时间的推移,我们有很多东西可以卖给我们现有的客户群。钟摆向整合带来更好的销售效率;客户也能够节省资金,不用再向多个销售团队进行购买。
上述是表层收益。真正的好处在于,你构建的不同的应用程序存在共性,共性为你带来了规模优势,或者我喜欢称之为振金优势,赋予平台核心竞争力,我们的竞争力就体现在员工图表和员工数据的深刻理解上。问题是,当你开始把所有这些数据整合到一个平台上会发生什么?我们想到了AI的问题,“一个大语言模型能用这些数据做什么?它如何理解数据的结构和历史的?”这是我们几年前开始问自己的一个大问题,由此开始投资这个AI新事物。
No Priors:谈谈你们新的AI产品。
Matt Maclnnis:我们刚刚发布了一个新产品叫做Talent Signal,这个系统可以收集并衡量员工的工作成果。你雇佣了谁到你的公司,在什么工作级别,用什么,所有关于他们工作经历的基本数据,Talent Signal都将把它们和实际工作成果结合起来,就像洞察一个员工是如何工作的。
每个人都多少能了解到,AI将在某种程度上以某种方式为评估人类的表现做出贡献。我们知道这是一个机会,这就是Talent Signal想要向外传递的信号。
图片来源:Rippling官网
No Priors:你提到衡量员工的工作成果,感觉是一个相当大的突破。因为传统的人力资源和IT系统,他们不一定有工作成果的数据。无论你是否有过IC的工作(ZP注:IC是指 Individual Contributor。IC 可以作为团队的一部分工作,但通常只对自己的而不对他人的交付成果负责,下同),都会有需要向中层经理汇报工作的时候。
Matt Maclnnis:绩效评估的时候最能体现员工和经理关系的本质。你自己、同事和经理都会对你的表现有一些看法。评估过程中,每个人在单独的房间里写完反馈之后,他们会做一件叫做“校准”的事情。经理们努力用相同的标准进行评估,但事实是,他们从来没有真正在场去了解你所做过的所有事,特别是待评估的时间范围是六个月甚至十二个月的情况下,他们只是没有足够的时间去做这些。所以,如果经理对员工的感觉不错,但在评估过程中,他们的表现却不突出,那么就会出现一个巨大的差异。问题是,在这些基于人性的过程中,你如何避免这种非理性的倾向?答案是,我们要找到一切的源头,把客观事实带到评估中。
基于此,Talent Signal只从工作成果中进行推理。它不知道你的种族、民族、年龄、工作地点。它只知道这是你写的源代码,或者这些是你作为代理人与客户的互动。然后它会产生一个叫做信号的东西,这个信号基本上是一个印记,它说这个人是高潜力的,这个人是普通的,或者这个人需要关注。虽然我们称之为关注,但他们实际上处于比较危急的情况,代表经理需要花时间与他们相处。Talent Signal展示了所有这些具体的工作成果,经理可以用这些成果去和员工进行一次很好的指导谈话。当经理允许时,IC们也可以看到它。
No Priors:其实Talent Signal并不是做出雇佣决定,而只是给经理一个独立的信号,一个做出校准的信号。
Matt Maclnnis:是的。
No Priors:它是否会显示出单个公司与行业整体的校准?
Matt Maclnnis:不会。我们只给你本地化的版本,所以你会看到一个伪标准化分布。在一个50名工程师的群体中,你总会看到一些被标记为高潜力的人,也总有需要关注的人,即使在全球视野下,他们都是非常好的员工。Talent Signal在其他方面也许没那么有效,上述所有功能都是我们正在做的早期体验项目的一部分。有人会认为Talent Signal存在对员工错误评估的风险。我们承认风险的存在,也在持续改进该产品。
No Priors:它的工作原理是什么?
Matt Maclnnis:每90天,它会为员工发出一次信号。即使你已经在公司工作了三年,我们也只会基于前90天的情况评估工作成果。我们希望Talent Signal的使用者看到,这个东西在第90天做了一个非常好的评估。随着时间的推移,这个团队会建立对模型的信任。我不知道你们是否听说过Overton window的概念(ZP注:奥弗顿窗口 Overton window,指在特定时期内,大多数人可以接受的政策改变程度)。对我们来说,在产品设计中考虑不要把Overton window拉得太远是非常重要的。就像把它限制在前90天一样,我们可以与员工和经理建立起信任,让他们了解这件事意味着什么,以及它是否适合他们的特定情况。随着时间的推移,我们可以拓展它的应用场景和方式。这些都是我们一直在考虑的问题。
No Priors:但如果一个人已经工作三年了,90天的信号对这个人来说还有用吗?
Matt Maclnnis:不太可能提供特别有用的增量信息。对这种老员工的评估是为了给模型建立的可信度回溯测试。因此可以说,Talent Signal的很多用途实际上是针对新员工,而不是在公司工作了很长时间的人。你新雇的人越多,它就越有用,因此高增长的公司会在一开始从中获益更多。但随着它自身的迭代,我们都会对这个模型更加信任,它的发展没有上限。
No Priors:公司改变绩效考核方式的动机是什么?
Matt Maclnnis:对我来说,糟糕的管理者是促进因素之一。如果你是一名员工,你在公司的底层处理棘手的问题,你的经理有点懒,没有意识到你卓越的贡献,在校准会议上对其他人抱有更多的好感,然后那些人就得到了而晋升。而Talent Signal走进那个环境,把你的工作成果摔在桌子上,说,这个怎么样?
我可以给你举一个具体的例子。Ripley是印度的一名工程师,正在解决我们最棘手的问题之一,她被Talent Signal认为是一名极具潜力的员工。事实上,她在公司任职的早期我们就注意到了这一点,并和经理讨论过这个问题。这是一个令人惊讶的时刻,她被大模型从默默无闻的职位中选拔出来,我不知道你对这个人有什么感觉,但是她确实做出了高水平的贡献。因此,当管理者通过这个工具来看待整个组织时,那些没有恪尽职守的管理者就会被更高的管理者追究责任。
它对团队绩效也有影响。如果有人表现不佳,没有得到很好的成长,就会向经理发出这个信号,对整个团队的表现也非常有价值。独立是我们的愿景,而这个独立指的是独立于经理的偏见,独立于公司里所有的噪音。你可以想象,这是公司绩效管理概念近代史上的第一次,是真正颠覆性的方法。随着产品变得越来越成熟,我们与员工讨论得越来越多,员工的反馈对我们制定的政策非常有帮助。比如没有人被允许单独使用这个模型做出任何重大决定。当你谈论雇佣决定、晋升之类的事情时,你必须对这些输入有自己的独立评估。
No Priors:所以经理看Talent Signal就像在看小抄。但是管理者要做的事情从根本上来说是一个人性化的过程,对整个人进行评估。我能想到的最大的反对意见,来自那些典型的中层管理人员,那些培养别人,让别人成功的人,他们的工作成果并没有在具体的工作产品中体现出来。你对此有何回应?
Matt Maclnnis:首先,Talent Signal关注的是个体贡献者。它只给出像销售人员、支持代理和IC工程师等的信号,还没有涉及对经理的评估。
但有一个问题是,对于个体贡献者来说,Talent Signal在看什么?它是不是像有一个老大哥在看着他所做的一切?他们被提升了吗?他们是否因为表现而被终止?他们是不是在很长一段时间里都保持在同一个水平?总的来说,他们在研究期间的职业成果是怎样的?当我们做这些初步研究的时候,工作产品就是发出的信号。就像如果你想知道一个人是不是一个好的工程师,看看他们的贡献,看看他们的源代码,更要真正考虑代码贡献的质量。而Talent Signal的基础模型在思考源代码和编写源代码方面做得非常出色。因此,它们实际上是评估质量的非常优秀的引擎。
No Priors:这是我看到Talent Signal演示时最酷的事情之一,就像它在评估可维护性和可扩展性。
Matt Maclnnis:是的,它在这个问题上有自己的看法,而且能够非常清晰有力地表达出来。然后经理必须介入并自己做出判断。
我再给大家举个例子。这是一个客户的例子,他一直在使用这个产品。一家类似的alpha测试公司的CTO走进来,看到一个他认为不是很强的工程师的人被标记为高潜力。他说,这和我的预期不符,这不是我对这个员工的感觉。于是他进去看了看源代码。他说,哦,我看到发生了什么,这些源代码是我本人写的,我一直花时间和他们肩并肩,比如写代码,指导他们完成这些事情。就像这个模型所选择的是这种真正高质量的贡献,只有当我坐在这个人旁边时才会发生。是的。我当时想,啊哈,太酷了。
No Priors:我很好奇,在你可以用基础模型做很多事情的前提下,你是如何想到应该把这件事交给AI做?这是一个很大的探索吗?它更像是我们已经汇总了数据,而AI来解释某些类型的数据。
Matt Maclnnis:我们考虑过很多AI的使用场景。有些公司不知道接下来要开发什么技术,不知道如何投资于销售和营销来获得下一个客户,不知道如何投资于研发来开发下一个能产生增量收入的产品,那么他们可能会做一些事情,比如股票回购。这就意味着,你能想到的最有创意的办法就是用你的公司产生的现金来提高股价。相比之下,像Rippling和硅谷的许多公司不仅知道该做什么,或者自认为他们知道如何处理下一笔增量资金,而且想要比能拿到的资金更大的资金数额。所以他们利用股权资本走出去,获得更多的现金,他们可以用这些现金产生复利。
你看硅谷一些表现最好的公司已经达到了盈利,或者至少其中一些达到了盈利。他们仍然围绕着一个想法或一个产品,但也已经做了很好的扩展工作。这同样也是Rippling公司最独特的一点。我们有这么多的项目,如果我们去打造它们,它们就会变成收入。就像我们知道我们想要做的下一个产品,以及之后的一个,再之后的一个。唯一的挑战是,我们能否雇佣足够多的工程师而不缺钱?从长远来看,这一切都是可行的。
No Priors:我认为一个常见的反对意见是,公司是很难专注于那么多事情,很难保持它的凝聚力。你是怎么教销售团队的呢?你怎么看待凝聚力?
Matt Maclnnis:你只要更加努力地工作,让合适的人做合适的工作,让足够多的领导者进入企业,他们可以处理复杂的态势。这也是90年代传统的企业销售套路。我觉得这就像我们在2000年代有一个10年的时期,我们忘记了这一点,每个人都在做单点产品。然后就有了HubSpot、Datadog,很多人都建立了这些捆绑的产品,围绕着一个单一的核心进行交叉运动,要么是记录系统,要么是身份类型或其他东西。所以,有一句来自网景公司的老话,说的是从网景公司的时代起,所有的创新要么是捆绑,要么是分捆绑,或者是某种形式的变化。我们现在又进入了一个捆绑销售的时代。历史不会重演,但会押韵。
No Priors:但Talent Signal看起来不像捆绑销售。它看起来很不一样。
Matt Maclnnis:这是因为在新情况下出现的技术提供了新的机会。对我们来说,我们有所有这些我们想要打造的东西。但指导原则始终是,我们自己能做什么?用这个新工具,我们能做什么?对于其他正在做AI产品的公司,我想说的是,在很长一段时间里,他们的路线图都很糟糕。他们不知道他们的下一个最接近的功能是什么,会产生收入。他们没有另一个有100%机会产生增量业务的想法。他们不断添加额外的功能,让现有的客户满意,可能会给他们一些交叉销售的机会,但他们没有下一个大的东西。AI闯入了场景。而现在,突然之间,每个人都成了一家AI公司,因为这给了他们这个机会,至少让他们伪装成一家知道如何利用下一笔研发资金的公司。
我们从来没有遇到过这样的问题。所以你猜我们没有做什么?我们没有造一个聊天机器人。我们没有造Copilot。我们说,跳过这个。我们要快进,我们要充分利用这些超级昂贵而且很难招到的AI工程师。
该公司推出了一些与AI没有直接关系的新产品,但它们是关于真正规模化的数据,比如超高规模的数据。我们已经在ripple的基础上建立了这个非常漂亮的数据平台。这有点像AWS(ZP注:亚马逊 Amazon 公司的云计算IaaS和PaaS平台服务)。我们在这里谈论的是Talent Signal。它位于这个数据平台上,当你想为你的工程团队安装Talent Signal时,你要做的就是,在Rippling上安装GitHub应用程序,它会将你的源代码库复制到这个安全的,戒备森严的环境中。在那里,它会对源代码进行分析。
换句话说,我们总是知道在所有这些其他系统中谁是谁,然后说,现在我们可以用它来解决什么业务问题?很明显,这是一个机会,因为我们看到了这些工作流产品的内部,而GitHub无法做到这一点,因为GitHub不知道你提升了谁。他们不知道谁做得好。他们不知道你因为表现原因不得不裁掉谁。Salesforce也不知道这一点。所以我肯定会有很酷的代码质量评估工具内置于许多这些工作流系统中,但它们都不会像我们这样从人类的角度知道发生了什么。这就是我们的独特之处。
No Priors:我的一个朋友是一家上市公司的CEO,他告诉我,他有时会用一些聊天相关的产品来谈论员工问题,他会聊天说,嘿,我正在努力和一个员工一起解决这个问题。我应该做的事情有哪些?我该怎么想呢?所以你已经开始看到未来的曙光了。你认为人们应该遵循哪些原则,以确保他们以一种独立思考的方式使用它,而不只是把决定的责任推卸给AI?
Matt Maclnnis:我认为首先是理解。你可能会对AI在生活中的影响变得麻木。如果你不是AI领域的人,你听到像我这样的人谈论风险、AI安全或伦理会觉得很奇怪。你会想,他们为什么要讨论道德和风险?因为这是大多数普通人对非常温和、友好、平易近人的东西的体验。但是,当你在公司背景下思考它时,如果你不花时间去思考,纯粹根据这个做决定,那么任何幻觉或错误归因都可能对人们的生活产生重大影响。这就是为什么Rippling公司会把它作为一个早期体验项目来做。我们把它限制在前90天,效果非常棒,看起来它对人们来说会非常有用。
同时,我们也非常清楚在整个过程中可能会被放大或引入偏见的风险。所以我的建议是,第一,你必须了解其中的利害关系。第二,即使这个系统可以说是无懈可击的,你的决策也必须基于你作为管理者的本职工作。
No Priors:你认为你需要一种特殊的文化或领导才能成为Talent Signal的早期使用者吗?或者就你的Alpha合伙人而言,这方面是否有现成的信号?
Matt Maclnnis:当然。有一些公司与我们合作,他们看过之后说,我们不会成为这个项目的早期使用者。我们完全尊重他们的意见。我有一种感觉,就像AI在关于人类表现的对话中只占了0.1%,还有很多事情要做。我可以很放心地说,LLM仍将不可避免地参与到评估人类在不同环境的表现中。
No Priors:那么,从COO、人力资源负责人或其他会使用这些工具的人的角度来看,谁准备好接受这个产品了呢?
Matt Maclnnis:已经选择与我们合作的公司大多是以业绩为导向的,对寻找新的竞争工具非常感兴趣。就像体育比赛,如果你是一个教练,你有一个团队,你要去争取奥运金牌,而我有一个测试版本的东西,能评估你的团队在球场上的状态。你会非常渴望给它一个机会,看看它是否能帮助你提高团队的表现。如果你很小心,你可以减轻下行风险,就像它可以在竞争激烈的环境中给你一个帮助。有很多商业人士,首席技术官,比如工程方面的,销售领导都对这个感兴趣。销售是非常激烈的竞争,如果他们能占得先机,这就像是销售军备竞赛的一部分。支持团队已经以教练为导向了。就像一个支持团队通常如此专注于遵守规则,每周与员工进行空气检查,以确保他们以正确的方式沟通新产品或使用正确的语气。他们已经有了这些文化。
我们做对的一件事是,当我们选择销售工程和支持作为构建第一个版本的领域时,这些组织已经有了竞争力的文化,以及为自己寻找下一个增量优势的文化。然后我认为这涉及到公司文化,公司说他们将等待这一轮的结束。而在一些竞争更激烈的环境中,那些人说他们想要合作。
原文:No Priors Ep. 83 | With Rippling COO Matt MacInnis
https://www.youtube.com/watch?v=hoShhKmK8so
编译:Shizheng Cao
文章来自于微信公众号“Z Potentials”,作者“No Priors”
【开源免费】n8n是一个可以自定义工作流的AI项目,它提供了200个工作节点来帮助用户实现工作流的编排。
项目地址:https://github.com/n8n-io/n8n
在线使用:https://n8n.io/(付费)
【开源免费】DB-GPT是一个AI原生数据应用开发框架,它提供开发多模型管理(SMMF)、Text2SQL效果优化、RAG框架以及优化、Multi-Agents框架协作、AWEL(智能体工作流编排)等多种技术能力,让围绕数据库构建大模型应用更简单、更方便。
项目地址:https://github.com/eosphoros-ai/DB-GPT?tab=readme-ov-file
【开源免费】VectorVein是一个不需要任何编程基础,任何人都能用的AI工作流编辑工具。你可以将复杂的工作分解成多个步骤,并通过VectorVein固定并让AI依次完成。VectorVein是字节coze的平替产品。
项目地址:https://github.com/AndersonBY/vector-vein?tab=readme-ov-file
在线使用:https://vectorvein.ai/(付费)