PureBlueAI 清蓝现在近150人。
这不是一个特别小的团队，也还没到大公司阶段。放在“AI原生组织”这个观察样本里，它刚好处在一个有意思的位置。AI 已经大规模进入研发、交付和管理流程，但组织还没有完全摆脱传统软件公司的惯性。
清蓝联合创始人兼 CTO 王立新，清华大学博士后，曾在字节做算法，后来到投资机构做量化首席科学家。2024年下半年，他在字节前同事、也同为清华校友的鲁扬的召唤下，加入清蓝创业。
PureblueAI清蓝做的是 GEO，生成式引擎优化。过去两年，这个赛道里涌进很多玩家，不少公司脱胎于传统 SEO，做关键词、外链、官网权重和内容堆叠。清蓝选择了一条更技术化的路径，他们用算法理解大模型的认知偏好，帮助品牌在大模型回答中取得更准确的认知位置。
王立新把它看成一个技术问题，而不只是营销问题。
从优化搜索引擎，到理解大模型的认知
在王立新看来，SEO 优化的是搜索引擎，GEO 优化的是大模型对世界的认知。搜索引擎时代，很多优化靠经验、资源和人工执行，很难量化。到了大模型时代，品牌内容能否被理解、被引用、被推荐，背后有新的因子结构。文章结构、内容密度、品牌信息呈现方式、证据链完整度，都会影响模型的判断。
这套思路和王立新的量化经历有关。量化交易里要分析什么因子影响股价，GEO 则要分析什么因子影响大模型的认知。只是对象从市场价格换成了模型输出，从交易信号换成了品牌表达。
PureblueAI清蓝的技术路线经历过三个阶段。
早期靠经验驱动。鲁扬有二十余年市场营销经验，王立新有算法和量化背景，另一位联创邹郢路则是国内第一批营销Agent从业者。团队先用人的经验判断如何优化客户的品牌内容。中期进入数据驱动，客户数据开始反哺人工判断。现在，清蓝把方向进一步推到“模型驱动”，用模型学习不同平台的回答偏好，再根据平台变化动态调整。
王立新认为，经验驱动可以起步，但解决不了终局问题。GEO 研究的对象是大模型，而大模型本身在不断变化。靠人盯平台、看结果、改策略，速度跟不上。清蓝要做的是“用算法解密算法”。
这一技术路线很快改变了组织方式。
代码可以交给AI，架构还得人来守
PureblueAI清蓝早期也沿用过传统软件公司的分工。产品经理写需求，前端做界面，后端搭接口，算法训练模型。后来这套流程逐渐松动。需求进来后，AI 先帮助整理成 PRD；前端可以用 AI 快速生成界面；后端可以用 AI 搭出接口。产品经理不再只是写文档的人，研发也不再只是接需求写代码的人。
王立新说，生产力变了，生产关系一定会变。瀑布流开发模式在今天的创业公司里已经不适用。
清蓝内部 AI Coding 的使用比例已经达到八成到九成。这个数字看起来很高，但王立新并不认为代码都可以交给 AI。AI 在单点功能上很强，尤其是生成代码、补齐逻辑、实现具体模块。但系统架构、模块耦合、稳定性设计、技术选型，仍然需要有经验的人来把关。
这也是清蓝保留中层管理者的原因。
中层并没有消失，只是工作重心变了。过去，中层主要管排期、协调资源、盯交付进度。现在，他们更多是在给 AI 划边界，判断哪些模块可以交给 AI 生成，哪些地方必须人工介入。一段代码能不能进主干，一个内容结果能不能交给客户，也要放回系统架构和质量标准里判断。
AI 让功能开发变快了，也让问题更容易被快速放大。一个模块看起来能跑，不代表可以长期稳定运行。尤其是 To B 产品，客户真正使用时，稳定性、可追溯性和工程质量都不能靠“差不多”来兜底。
PureblueAI清蓝为此搭了自己的工程体系。
这套体系主要解决三件事。首先是目标对齐，AI 生成的内容是不是达到预期，不能只靠人看着顺不顺眼，而要让模型按照客观标准评判。其次是评价标准，内容质量、品牌定位、模型可理解程度，都要尽量量化。最后是可追溯机制。AI 输出用了哪些上下文，经过了哪些步骤，为什么给出这个结果，都要能查。
这套体系背后，是把 AI 从“黑盒”变成可管理工具。
人不用替 AI 写每一行代码，也不用替 AI 判断每一篇内容，但必须知道 AI 的边界在哪里，输出能不能复盘，出了问题能不能定位。
这也是清蓝没有简单照搬 FDE 模式的原因。
FDE 被很多人视为 AI 原生组织的标配，一个人同时做业务理解、产品定义和技术实现。王立新认为，FDE在 GEO 这个领域不能照搬。GEO 同时面对客户业务和大模型平台算法两层变化，节奏都很快。一个人能做到垂类业务专家已经不容易，再要求他同时精通模型、算法、工程和客户交付，难度太高。
今天豆包更新，明天 DeepSeek 调整回答逻辑，后天客户所在行业又出现新的竞品动作。GEO 的变化不是单线条的，技术、平台和业务会一起动。
PureblueAI清蓝更倾向于小团队协作。王立新认为，GEO 的业务和技术都在快速迭代，一个人很难同时成为业务专家和技术专家。更现实的做法，是让一部分人专注业务理解，一部分人专注技术实现，通过小团队快速响应整体需求。超级个体可以解决局部问题，但公司到了150人的规模，不能依赖超级个体维持运转。
按效果收费，倒逼出分钟级监控
RaaS 的商业模式，也倒逼了组织方式。
PureblueAI清蓝主要按效果后付费。达标才收费，效果掉了就要快速响应。这和SaaS时代不一样，软件卖出去之后，客户用得好不好更多是续费问题；RaaS 把交付结果直接关联到当期收入上。
因此，清蓝做了分钟级监控。用户换一个问题，品牌在大模型回答里的呈现位置和推荐结果都可能变化。清蓝要持续观察这些变化，一旦出现系统性波动，就能较快判断是竞品动作，还是平台算法发生了调整。
这是商业模式倒逼出来的工程能力。
To B 交付里，人工仍然绕不过去。清蓝有一二十人的交付团队，负责客户沟通、材料确认、报告解释和异常反馈。GEO 相比传统 CRM、ERP 交付更轻，但客户仍然需要有人在企业微信里随时沟通。AI 可以生成报告，系统可以监控数据，但信任关系还需要人承接。
PureblueAI清蓝的人才标准也在变化。
算法岗位的要求基本和字节拉齐，因为清蓝认为 GEO 的底座是算法能力。与此同时，传统的前端、后端边界在弱化，公司更看重全栈意识。一个人不一定要覆盖所有能力，但要理解从需求到产品、从模型到交付的完整链条。
对其他岗位来说，AI 使用能力已经不是加分项，是底线。王立新提到，今天一个工具升级，昨天的方法就可能失效。只会稳定执行的人，很难适应这种节奏。清蓝更看重创新意识、独立判断和主动使用 AI 的能力。
这家公司也还有明显的组织张力。
一方面，它已经大量使用 AI，研发、内容生成、数据分析和内部查询都在被 AI 改写。另一方面，它没有完全去掉中层，没有完全去掉交付，也没有把所有岗位都改造成 FDE。它更像一个过渡样本，从传统软件组织走向 AI 原生组织，中间保留了一部分旧结构，同时用 AI 改写流程和岗位边界。
这种状态反而更值得观察。
很多关于 AI 原生组织的讨论，容易停留在“小团队、超级个体、极致扁平”这些标签上。但清蓝的案例说明，当一家 AI 公司进入150人规模、面对 To B 客户、采用按效果付费模式后，组织不能只追求轻。它还要有交付，有工程约束，有客户沟通，有质量控制。
AI 带来的变化，不是把人从组织里拿掉，而是重新分配人的位置。
本文为崔牛会「AI 原生组织研究」系列文章。更深层的问题，比如人在 AI 原生组织中如何重新定义价值，AI 输出如何被工程化约束，中层管理在新组织里会不会消失，将收录在崔牛会8月发布的《AI原生组织白皮书（2026）》中。