1300 万周活、75% AI 续用：Figma 如何把组织变成同一张画布

Figma 的产品正在跨过一条原本清楚的边界：设计师、产品经理、工程师和 AI，开始在同一个工作文件里处理同一个问题。2025 年 11 月，Figma 披露全球周活用户达到 1300 万，开发者约占用户的 33%；公司在印度新设办公室时又说，约 85% 的整体使用来自美国以外的市场。1

这家公司的组织价值，不在于一张神秘的扁平组织图，而在于它把 AI 放进了原有的协作骨架，再用评测、反馈和权限把速度关进质量边界。AI 首先改变的是谁可以参与、工作如何流动、结果怎样被验收。

Figma 早期的核心价值是让设计团队在浏览器里协作。现在，公司正在把同一块画布交给更多角色。印度用户已经生成超过 80 万个 Figma Make 原型，而新设的 Bengaluru 办公室最初将加强销售和市场运营，同时继续推动设计到代码的衔接。1

这意味着组织要同时服务几种工作语言：设计师关心组件和细节，工程师关心代码与可行性，产品经理关心验证速度，企业客户还关心权限、审计和预算。Figma 公开职位中同时出现了 AI Applied Scientist、AI Product 工程师、DevEx AI Tools 工程经理、AI Evals 研究负责人、Security Engineer 和 AI Infrastructure 支持工程师。2

岗位组合能确认一件事：Figma 把 AI 当成一条跨产品、研究、开发者体验、安全和支持的能力链来建设。它不能证明真实的汇报关系。公开页面没有披露员工总数、管理层级、IC 与管理者比例或各团队边界。2

另一条扩张路径是买团队。2025 年 10 月，Figma 收购 AI 图像和视频生成公司 Weavy，接收其 20 名员工；Weavy 暂时保持独立产品，之后再与 Figma 平台整合。先保留一个能独立迭代的能力单元，再决定它怎样进入主产品，这比立刻拆散新团队更利于保留原有速度。3

Figma 的招聘页面没有公开完整的面试流程或评分表，但它把文化价值写得很具体：「Build community」「Run with it」「Love your craft」「Grow as you go」和「Play」：建立连接，主动承担，把复杂问题做简单，接受直接反馈，并给探索留下空间。2

这些词有用的部分，在于它们都能落到可观察的动作上。「Run with it」要求员工在没有现成 playbook 时推进问题；「Love your craft」要求追问复杂度从哪里来，而不是把「交付了」当作「解决了正确的问题」；「Grow as you go」则把直接反馈放进日常工作。

Figma 还保留 Maker Week：每年让全公司做与 Figma 相关、但未必属于日常路线图的想法。2 它提供了低成本试错场，但也要求员工有主动推进和自我判断的能力。公开材料能说明 Figma 重视什么，不能说明它如何筛选候选人；面试轮次、work trial 和人才密度标准仍是信息空白。

Figma 的设计 Agent 于 2026 年 5 月公开发布。它直接存在于画布中，能够理解 components、tokens、standards 和 best practices；团队成员在同一个文件里工作，Agent 可以利用这些上下文总结评论、提炼主题并转成下一步行动。用户还可以同时发起多个 prompt，探索不同方向，再回到手动编辑和团队讨论。4

这套产品设计透露出一个组织判断：AI 的价值不是把人从文件里赶出去，而是让更多想法更快进入共同空间。AI 扩大探索面，人仍然负责选择方向、理解取舍和把结果磨到足够好。

产品能力不等于员工内部工作流。关于 Figma 员工是否普遍用这个 Agent 写文档、做规划或完成代码，公开材料没有给出比例。真正有内部使用证据的，是安全团队如何把 Agent 接入代码交付：

2025 年 8 月，Figma 把 Claude Code Security Reviewer 先以 shadow mode 上线，结果只发往 Slack 和 Datadog。第一周 27 个发现里只有 4 个有效，precision 约为 15%。团队因此先把「准确到值得相信」设为门槛：两周回看窗口内 precision 稳定超过 70%，才开放面向开发者的 PR 评论。5

一个月后，precision 提升到约 80%。随后，Figma 把安全 review 变成合并 PR 的必要条件，并增加故障转移、重试和监控，避免模型供应商故障让 PR 绕过检查。单个 PR review 的中位成本约为 0.50 美元。5

最值得注意的产物不是某个 prompt，而是一份共享安全 policy：它包含 99 行、2560 个词和 68 条 precedents。Figma 安全工程师把它称为 threat model，把过去分散在文档、事故和经验里的判断，整理成 Agent 能使用、也能让新员工读懂的上下文。评测集则包含 66 个真实漏洞任务，这些漏洞此前已经越过人工审查，后来才通过漏洞赏金、事故或审计被发现。5

这条链路可以概括为：Agent 执行，作者反馈，安全团队处理例外，评测集持续检查遗漏。组织经验因此从少数人的记忆，变成共同的工作上下文。

Figma 的公开管理方法可以从两组动作中看出来。第一组把探索制度化：全球办公室与美国、加拿大远程招聘并存，Maker Week 给全员留出探索时间，文化页强调直接反馈与非结构化游戏。2 第二组把高风险环节制度化：安全 Agent 先经过 shadow mode、precision 门槛、历史漏洞回放和人工反馈，达到门槛后才成为 merge requirement。5

两组动作构成一条可复制的管理逻辑：低风险探索可以放开，高风险交付必须留下可审计的闸门。前者保持学习速度，后者避免把质量债务推给下一个团队。

Figma 2026 年 5 月对 AI 变现的披露，也说明新能力必须同时经受产品质量、付费意愿和流失风险的检验：公司预计截至 6 月的季度销售约 3.49 亿美元；高阶客户中超过 AI 使用额度后，超过 75% 的客户选择继续购买更多 credits，但约 5% 的这类用户不再活跃。6

一，把组织边界画在工作流上，而不是部门名称上。 先画出从意图、生成、协作到交付的完整链路，再判断哪些职责需要合并，哪些风险必须单独负责。

二，先把反馈做成数据，再把 AI 变成闸门。 Figma 没有因为模型能找漏洞就直接让它拦截合并，而是先记录作者反馈，回放已知问题，分别看 precision 和 recall。任何想把 AI 放进审批流程的团队，都需要先定义什么结果值得信任，以及漏掉什么会造成损失。

三，把组织经验整理成 Agent 和新人都能读懂的上下文。 68 条 precedents 的价值，在于它们把安全团队的隐性判断变成共享资产。前提是团队愿意记录真实案例、承认例外，并持续维护规则。

Figma 还没有公开完整的 org chart、员工内部 AI 使用比例、OKR 或绩效制度。这些空白不妨碍我们看清已经展示出来的部分：把参与者拉到同一张画布上，把探索交给人和 Agent 一起完成，再把关键质量线放进可测量、可反馈、可阻断的流程里。真正的协作升级，不是少开几场会，而是让上下文、判断和责任在工作流里留下来。