# 成立两年拿下100家企业客户，Serval凭什么重做ServiceNow > Training Data No. 93 中文精读 - 原标题：Rebuilding IT From the Ground Up for the AI Age: Serval's Jake Stauch - 发布日期：2026-05-19 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/093-rebuilding-it-from-the-ground-up-for-the-ai-age-serval-s-jak-j7ypvR.html - 精读字数：约 5541 字（阅读约 12 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 Jake Stauch在这期节目里扔出一个数字：过去几个月，Anthropic新增的ARR（年度经常性收入），比ServiceNow过去二十年攒下的还多。 他说这话，是在回答每个应用层创业者都躲不开的问题：OpenAI或者Anthropic哪天亲自下场做你的生意，怎么办？ Jake是Serval的联合创始人兼CEO，公司成立刚两年，签下100家客户，其中不少是大型企业，这是他从Verkada出来后的第二次创业。单集标题很长，Rebuilding IT From the Ground Up for the AI Age，为AI时代从零重建IT。采访他的是红杉资本播客Training Data的主持人Pat Grady。 这期对话密度很高，产品架构、组织设计、护城河、招聘，几乎每段都有能直接抄走的东西。下面把最值钱的部分拆开讲。 ## ServiceNow没做错，只是慢了 先说Serval做的是什么。行话叫企业服务管理，说白了就是员工在工作里获得帮助：开权限、重置密码、申请设备。理想状态是开口就要，秒回，不用等工单在系统里流转。要做到秒回，只能靠自动化，而AI正好是建自动化的好工具。 再说ServiceNow。创始人Fred Luddy在2007、2008年想明白一件事：企业软件说到底是数据库上面跑工作流。他在这层抽象上搭了个灵活的流程配置引擎，把Peregrine、Remedy那批老ITSM产品甩在身后。 Jake的原话很坦白：他们做对了。Serval自己也是在工作流和数据库这些原语上盖楼。 问题出在速度。**建工作流要靠人，而人太慢。**搭一套流程往往要专门的开发资源，几周到几个月才能上线。现在业务流程几个月一变，等自动化建好，业务早跑到下一个版本了，自动化永远追着现实跑。 数据库同样遭罪，要保证IT资产数据是最新的，就得请顾问或者内部开发者手动维护。 Serval的解法是保留原语，把人从环节里抽掉。他们做了个CodeGen引擎：用自然语言描述想要的流程，所有步骤、权限、审批、逻辑，系统直接生成代码，工作流几乎瞬间出现，开发时间趋近于零。以前要排队等开发的需求，现在当场上线。数据库也一样，说清楚要从哪些系统取哪些数据，它自己生成抓取代码，自己保持更新。 几个月前Jake跟Pat初次见面时说过一句话，Pat记到今天： > 要把企业自动化真正做起来，建自动化的过程必须跟被自动化的流程一样简单，甚至更简单。 这个洞察来自一个特别日常的场景。IT员工收到重置密码的请求，面前两条路：打开Google Workspace，找到用户，点一下重置按钮；或者打开工作流搭建器，拖触发器，拖响应动作，再配一堆逻辑。 正常人都会选第一条。 所以关键在于让员工在那一刻的选择变得容易。**当手动比建自动化更省事，没有人会自动化。**反过来，只要建自动化更省事，人人都会顺手把流程自动化掉，因为不这么干没有任何理由。 门开得太低也有副作用，他们管这叫slop automation，跟vibe coding产出垃圾代码一个道理。太容易建，就有人这周建出第20个密码重置工作流，跟前19个基本一样，AI面对一堆重复工作流，不知道该跑哪个。 Serval的处理方式是在产品之上又加了一个agent。它知道你历史上建过的所有工作流，各自干什么、怎么运作。你说想建一个做X、Y、Z的，它会回你：这类东西已经有19个了，建议删掉10个，剩下的9个归成三类，再补上这几个审批步骤。等于配了个精通自家产品的顾问，帮你把业务需求翻译成系统实现。 ## 模型越强，Serval越值钱 ChatGPT在2022年11月发布之后，应用层公司集体被嘲讽为套壳。Pat把这个问题直接抛给Jake：应用层公司的护城河到底在哪？ Jake给出一条指导原则：**新模型发布的时候，你应该高兴。**要确保自己建的东西在新模型出来时变得更好，别被顺手淘汰。 他的原话大意是，Opus也好，GPT-5.5也好，能不能干成神奇的事早就有了答案，真正的问题是，它们能不能在你的企业环境里，干成你想干的那件事。能力接近无限，限制换了位置。 Serval的选择是把产品押在边界和控制上。**企业敢不敢让模型全公司跑起来还不抬高安全风险，才是新的瓶颈。**于是他们花大力气做的全是无聊的老派企业软件功夫：权限、审批、限制API集成的范围、审计、报告、日志、告警。全是让人敢放手的东西。 架构上有个关键切分，agent分成两个： - admin agent，管理员用它搭建工具和技能，配置help desk agent能做什么、知道什么，审批和权限都在这一侧完成。 - help desk agent，终端用户对话的对象，负责解决问题，但只能调用管理员明确发布过的工具。 这个结构妙在两头同时成立：终端用户可以提任何要求，help desk agent的推理能力火力全开，但它碰到的每个工具都在围栏之内。 底层模型用OpenAI和Anthropic，各有分工。跟终端用户交互的部分，GPT系列表现最稳，调用正确的工具、用合适的方式回话，这个优势保持了很久。代码生成自动化这块，Anthropic的Sonnet和Opus最好用。 换模型的坑他也讲得很实。新模型发布往往并非即插即用，团队围绕老模型的怪癖建了一堆prompt调优，模型一换，这些调优全失去意义。他们的流程是自动跑评测（evals），再向客户灰度发布。甚至有过升级又降级的操作：新模型更聪明，但行为不可预测，防不住；老模型慢一点，但你知道它一定按预期的方式做事。 成本呢？现阶段不考虑，原因在单位经济模型：Serval不做token转售生意。自动化建好之后是一段TypeScript，跑一次和跑一万次成本一样，用户要新生成的代码越来越少，因为自动化库越滚越大，长尾需求基本被覆盖。CodeGen恰恰是最烧token的环节，实际消耗比外界想的低得多。他的态度是让团队多花钱，用最好的模型，优化以后再做。 真正要开始算账的是后台agent：长期运行，翻历史工单、查设备日志，找出你自己都没发现的问题。这种东西烧起来没边，得盯紧点。 ## CEO泡在100个客户群里 Pat问他有没有北极星指标。Jake的答案是没有数字，只有笨办法。 他在每一个客户的Slack频道里。100个客户，大部分频道每天都能看到他发言。他承认这经常让人筋疲力尽，也怀疑过是不是在浪费时间，但对产品真实状态的把握没有替代品，尤其现在实施速度越来越快。 他的判断是：**产品优势一晚上就能被抄走，客户洞察抄不走。**创业公司的护城河越来越多落在对客户的理解和共情上，这个优势比产品本身值钱。 聊客户时有个反直觉发现：AI原生公司和大型企业的痛点惊人地相似，几百人的公司和几十万人的公司，痛的东西差不多。真正的差别在决策人数。小公司一个IT负责人拍板就行；大公司你找不到那个能拍板的人，什么事都要过委员会。这也是各家labs拼命建咨询和服务团队的原因，协调人是采纳的限速步骤。 AI原生客户最感谢Serval的一点，是让热爱技术的IT人重新摸到了技术。Jake最喜欢举的例子：有个客户过去每天的工作，是在ServiceNow里帮同事开通Cursor的权限。在一个老掉牙的工单系统里，给别人申请最酷的AI工具，自己的工具还停在上个时代。这画面确实有点心酸。 大企业客户感知到的东西更宏观：员工体验。小公司IT流程再糙，也没人等几周才有回音。大公司里，工单发进深渊，毫无进展提示，只好再发一张，对面困惑怎么同一个人来了两张票，真人被卡住几周干不了活。Serval在大企业改变的是当一名员工是什么感觉。 ## 每个岗位先让AI审一遍 Serval自己怎么当一家AI原生公司？Jake的机制很狠：每个部门、每个岗位，先假设它可能不需要人了，**AI对每个岗位有优先否决权。** 完全否决掉的例子是解决方案工程师（SE）和SDR，一个都没招。销售对产品的理解未必比上一代强，但他们人手一个Serval：客户问任何产品问题，秒答；通话进行到一半，现场生成deck、一页纸、battle card、竞品对比表。公司只保留4名部署工程师，帮客户做试点实施。 更多岗位的结局是推迟和缩小。enablement靠一位产品营销同学用自动化资源撑了很远，RevOps（收入运营）也撑了很久才发现真的需要人。Jake的总结是：用AI能走到的距离，往往比自己以为的远，最后岗位还在，但比原计划小一圈。 内部用Serval用到什么程度？零食申请、办公用品，一切流程都走它。最有意思的是招聘。他们有个频道叫Dream Team Draft，走以人为先的招聘路线：员工把这辈子共事过最厉害的人发进频道，连LinkedIn主页一起，Serval自动把这个人纳入外联和培育活动，还要确保这个人在各种场合反复看到Serval。后半段操作Jake笑说营销团队不让他细讲。这是打长线，这些人不会明天就离职，但希望有一天能一起干活。员工要做的只是说一句这人很棒，剩下的全自动。 文化也跟这套机制配套。这里不适合想要培训和mentorship的人，没有入职培训项目，没有清晰的晋升路径，甚至没有组织架构图，Jake自己都说不清谁在名义上向他汇报。招人的标准是第一天就能产出，并且享受这种模糊性。 公司两年，Jake自己的工作也变了模样。早期他觉得自己很没用，CTO埋头建产品，他拼命招人、约客户、试着卖货，卖不动。现在反过来了，业务拖着他跑。客户和招聘他依然天天泡在里面，产品反而参与变少了：产品方向从客户那里涌出来，经过4名部署工程师直接进产品。他管这个叫产品改进的梯度下降，像机器学习里那样，每一步都朝反馈最密的方向挪，一周后产品肉眼可见地变好。 但他承认自己花在想未来的时间不够，而这恰恰是AI公司CEO最该干的事。**AI原生组织跟传统组织的最大区别，是自我颠覆的频率。**几个月前深信不疑的东西，现在要连根拔起，产品要改名，某些做法要整个换掉。以前工程师做的是能用20年的软件，现在做的是能撑6个月的软件，范式一变就重写。 Serval在这场变化里的位置，Pat总结得很准：一边是狂奔的基础模型，一边是变化缓慢的客户，Serval是中间的缓冲层。Jake认领了这个定位，还打了个比方，模型能力像高压电，客户只认家用电压，Serval把自己当变压器用，一头从客户的业务问题出发，一头吸收最新的AI进展。他们还在做一个直接面向终端用户的agent：客户只管提业务问题，它来搞定实现路径，完全不用关心做法这三个月又变了什么。 ## 默认说yes的公司会赢 Pat最后问了那个必答题：最反直觉的观点是什么？ Jake的答案跟自主权有关。他看到一道裂缝正在企业内部撕开：**企业里的个人想要自主权，组织想要控制权。**员工希望自己的Claude agent什么都能干、什么都能碰；安全团队和IT团队对此高度紧张，而且紧张得有道理。消费者产品为自主权而生，企业产品为控制而生，现在这两股力量撞在了同一个企业里。 Pat接了一个老故事作类比：当年的shadow IT。员工开始用iPhone，公司还在发BlackBerry，因为BlackBerry好管控。CISO的本能是防、防、防，后来才想明白，员工偷偷带进来的设备，恰恰是生产力需求的领先指标，于是转身拥抱。Jake觉得历史正在重演，他的判断更直白：**默认说yes的公司，会远远跑赢默认说no的公司。**前者会出安全事故，会付学费，但会一直领先。 回到开头那个问题，OpenAI或Anthropic亲自下场做ITSM怎么办？Jake的回答分两层。第一层，创业公司的历史反复证明小公司经常赢，OpenAI和Anthropic自己的存在就是证据，用聚焦打败无限资源，他半开玩笑说这也许是天意偏爱创业公司。第二层是算账：让自家最聪明的人去做一件干成了也要花好几年、而产品组合其他部分几个月就能赚回来的事，是糟糕的资源分配。他预计labs顶多做个面向中小企业的简化版，吃透企业服务管理需要的聚焦，他们不会投。 那Serval自己最大的问题是什么？Jake的答案出乎很多人意料：还是招聘。他接触的每家AI公司都一样，号称AI要自动化一切，结果各家招人比以往任何时候都多。业务涨得快，很多人他只在面试和入职时见过，之后没有太多一对一的机会，招错人的代价被放大了。他的信念是：**人是最后的护城河。**房间里的人更好，是保持领先的唯一办法。 所以Serval的招聘口号只有两个词：fewer，better，反复念。人越多船越难掉头，而他们可以想象未来的Serval跟今天完全认不出来，小团队一夜转向是可行的，几千人的公司你没法说服所有人接受全新的方向。 节目的结尾，Jake说了他希望Serval留给世界的印象。每个职业都有一道缝：小时候想象的工作，和实际干的工作，中间隔着一大段重复、琐碎、跟初心无关的杂事，就像孩子想当消防员、宇航员，入职之后才发现大量时间耗在自己讨厌的事情上。Serval想做的，就是把这段缝缝上，把人还给当初入行的理由。他不想别人说Serval自动化掉了一堆IT岗位，他想让人说，Serval让工作这件事变好了。 ## 明天就能用的四件事 - 做AI应用的人，用Jake的测试问一遍自己：下一代模型发布那天，我的产品是变强了还是消失了？如果答案是后者，赶紧把重心挪向权限、审批、审计这些模型本身不会替你做的事。 - 管企业IT的人，去测一下建自动化的真实成本。如果IT同事手动重置密码比搭工作流快，他们永远选手动，自动化永远不来。把搭建门槛打到比手动还低，自动化才会自然发生。 - 带团队的人，把AI的优先否决权用起来：每个岗位先问一遍这个还需要人吗。答案往往是把岗位做小，未必是砍掉。 - 招人时念fewer，better。变化加速的环境里，小而强的团队比大而全的团队转得快，转得快比什么都值钱。