你還在為每周的項(xiàng)目進(jìn)度會(huì)議頭疼嗎？還在讓產(chǎn)品經(jīng)理手動(dòng)整理需求、工程師手動(dòng)評(píng)估工作量、管理層手動(dòng)匯總報(bào)告嗎？如果答案是肯定的，那我要告訴你一個(gè)殘酷的事實(shí)：你的公司正在用石器時(shí)代的方法運(yùn)營(yíng)一家 AI 時(shí)代的企業(yè)。

最近，YC 合伙人 Diana Hu 在 Startup School 分享了一個(gè)讓我深受震撼的觀點(diǎn)：AI 不只是讓團(tuán)隊(duì)生產(chǎn)力提升 20% 或 50%，而是徹底改變了公司應(yīng)該如何被構(gòu)建和運(yùn)營(yíng)。這不是什么漸進(jìn)式改進(jìn)，而是一場(chǎng)徹底的范式轉(zhuǎn)變。她說，AI 不應(yīng)該只是你公司使用的一個(gè)工具，而應(yīng)該成為你公司運(yùn)行的操作系統(tǒng)。每個(gè)工作流程、每個(gè)決策、每個(gè)過程都應(yīng)該流經(jīng)一個(gè)不斷學(xué)習(xí)和改進(jìn)的智能層。

聽完這個(gè)分享后，我花了很長(zhǎng)時(shí)間思考這意味著什么。我發(fā)現(xiàn)，大多數(shù)人包括我自己在內(nèi)，對(duì) AI 的理解還停留在"提升生產(chǎn)力"這個(gè)層面。我們會(huì)說"用 AI 讓工程師更高效"或者"給現(xiàn)有工作流程加個(gè) copilot 功能"。但這種思維框架完全錯(cuò)過了當(dāng)下正在發(fā)生的真正轉(zhuǎn)變。這種轉(zhuǎn)變不是關(guān)于生產(chǎn)力提升，而是關(guān)于全新的能力。一個(gè)擁有 AI 工具的人，現(xiàn)在可以構(gòu)建出過去需要整個(gè)團(tuán)隊(duì)才能完成的功能，或者說是過去根本不可能實(shí)現(xiàn)的功能。

我想通過這篇文章，結(jié)合 Diana 的洞察和我自己的思考，來探討 AI native（AI 原生）公司到底應(yīng)該如何構(gòu)建，以及為什么早期創(chuàng)業(yè)公司在這場(chǎng)轉(zhuǎn)變中擁有巨大優(yōu)勢(shì)。

AI 是操作系統(tǒng)，不是工具

Diana 提出的第一個(gè)核心觀點(diǎn)是：AI 應(yīng)該成為公司的操作系統(tǒng)，而不只是一個(gè)工具。這個(gè)比喻非常準(zhǔn)確。想想操作系統(tǒng)是什么？它是所有應(yīng)用程序運(yùn)行的基礎(chǔ)層，是協(xié)調(diào)資源、管理進(jìn)程、處理通信的底層架構(gòu)。如果 AI 是操作系統(tǒng)，那意味著公司的每一個(gè)重要流程都應(yīng)該被一個(gè)智能的閉環(huán)系統(tǒng)所捕獲。

這里涉及一個(gè)關(guān)鍵概念：closed loop（閉環(huán)系統(tǒng)）與 open loop（開環(huán)系統(tǒng)）的區(qū)別。如果你學(xué)過控制系統(tǒng)理論，你會(huì)很熟悉這兩者的差異。Open loop 是沒有反饋回路的控制系統(tǒng)。在舊世界里，公司基本上就是以開環(huán)方式運(yùn)行的。你做一個(gè)決策，執(zhí)行它，但并不總是系統(tǒng)性地測(cè)量結(jié)果并調(diào)整流程。開環(huán)系統(tǒng)本質(zhì)上是有損的，信息會(huì)流失，錯(cuò)誤會(huì)累積，改進(jìn)依賴人工干預(yù)。

Closed loop 則完全不同。它是自我調(diào)節(jié)的，會(huì)持續(xù)監(jiān)控輸出并調(diào)整流程以更好地達(dá)成既定目標(biāo)。閉環(huán)系統(tǒng)在正確性和穩(wěn)定性方面極其強(qiáng)大。Diana 的觀點(diǎn)是，有了自我改進(jìn)的 AI agent，你的公司應(yīng)該作為一個(gè)閉環(huán)系統(tǒng)運(yùn)行。這意味著什么？意味著每個(gè)重要的行動(dòng)都應(yīng)該產(chǎn)生一個(gè) artifact（產(chǎn)物），公司中心的智能層可以從中學(xué)習(xí)并用于自我改進(jìn)。

我深刻認(rèn)同這個(gè)觀點(diǎn)，因?yàn)槲铱吹教喙驹诶速M(fèi)信息。每天有無數(shù)會(huì)議在開，無數(shù)決策在做，無數(shù)問題在解決，但這些知識(shí)和經(jīng)驗(yàn)大部分都隨風(fēng)而逝。下次遇到類似問題時(shí)，團(tuán)隊(duì)又要從頭開始思考。這就是典型的開環(huán)系統(tǒng)：輸入進(jìn)去，輸出出來，但系統(tǒng)本身沒有變得更聰明。

讓你的整個(gè)公司變得可查詢

要構(gòu)建這種閉環(huán)系統(tǒng)，Diana 提出了一個(gè)關(guān)鍵要求：你需要讓整個(gè)公司變得 queryable（可查詢）。換句話說，整個(gè)組織應(yīng)該對(duì) AI 是 legible（可讀的）。每個(gè)重要行動(dòng)都應(yīng)該產(chǎn)生一個(gè) artifact，讓公司中心的智能層可以從中學(xué)習(xí)和使用。

這在實(shí)踐中意味著什么？意味著用 AI 筆記工具記錄你的會(huì)議，減少私信和郵件，在所有溝通渠道中嵌入 AI agent。這也意味著為公司的一切建立定制化儀表板：收入、銷售、工程、招聘、運(yùn)營(yíng)，所有東西。聽起來很抽象？讓我給你一個(gè)具體例子。

Diana 提到了工程管理和 sprint planning（沖刺規(guī)劃）的場(chǎng)景。想象一下，如果你有一個(gè) AI agent 可以訪問你的 Linear tickets（工單）、所有 Slack 工程頻道、來自郵件或 Pylon 等工具的所有客戶反饋、GitHub、Notion 或 Google Doc 中的高層計(jì)劃、銷售電話錄音以及每日站會(huì)的記錄。那么這個(gè) agent 就可以真正分析你上一個(gè) sprint 中實(shí)際交付了什么，以及這些交付在多大程度上滿足了客戶的真實(shí)需求。

從這里出發(fā)，你可以更進(jìn)一步。有了對(duì)已交付內(nèi)容、有效內(nèi)容和無效內(nèi)容的完整可見性，AI agent 可以開始展望未來。它們可以為工程師提出更加可預(yù)測(cè)、準(zhǔn)確和符合軌道的 sprint 計(jì)劃。那種信息流失嚴(yán)重的管理層狀態(tài)匯總的日子已經(jīng)過去了。Diana 說她自己管理過工程團(tuán)隊(duì)，現(xiàn)在在多個(gè) YC 公司中看到這種做法，這是一個(gè)游戲規(guī)則改變者。過去需要持續(xù)協(xié)調(diào)的工作，現(xiàn)在默認(rèn)就是可讀和可查詢的。她看到采用這種方法的團(tuán)隊(duì)將工程 sprint 時(shí)間減半，在那段時(shí)間內(nèi)完成的工作量接近 10 倍。

這個(gè)例子讓我想到，我們過去花了多少時(shí)間在信息同步上。產(chǎn)品經(jīng)理要跟工程師溝通需求，工程師要向管理層匯報(bào)進(jìn)度，管理層要向投資人解釋產(chǎn)品方向。每一層傳遞都會(huì)損失信息，每一次溝通都需要重新組織語(yǔ)言。但如果所有這些信息都以結(jié)構(gòu)化的方式存在，AI 可以隨時(shí)查詢和分析，那么大部分同步工作就變得不必要了。人們可以把時(shí)間花在真正創(chuàng)造價(jià)值的事情上，而不是花在傳話上。

Diana 強(qiáng)調(diào)的總體原則是：要充分發(fā)揮模型的能力，你需要為它們提供和你為員工提供的一樣多的上下文。當(dāng)你這樣做時(shí)，你的公司就不再作為一個(gè)信息碎片化、需要人工解釋的開環(huán)系統(tǒng)運(yùn)行。它變成了一個(gè)閉環(huán)系統(tǒng)，狀態(tài)、決策和結(jié)果被持續(xù)捕獲并反饋到這個(gè)智能層中。結(jié)果是一個(gè)始終擁有最新視圖的系統(tǒng)，知道實(shí)際發(fā)生了什么。

Software Factory：人類寫規(guī)格，AI 寫代碼

Diana 提到了一個(gè)新興范式：AI software factories（AI 軟件工廠）。如果你熟悉 test-driven development（測(cè)試驅(qū)動(dòng)開發(fā)，TDD），這是它的下一個(gè)演進(jìn)。在 software factory 模式中，人類編寫規(guī)格和一組定義成功的測(cè)試，然后 AI agent 生成實(shí)現(xiàn)和代碼，并迭代直到測(cè)試通過。人類定義要構(gòu)建什么并判斷輸出，實(shí)際的代碼是 AI agent 的工作。

有些公司已經(jīng)將這一點(diǎn)推進(jìn)到他們的代碼倉(cāng)庫(kù)不包含任何手寫代碼，只有規(guī)格和測(cè)試工具的程度。Diana 提到 strongDM 的 AI 團(tuán)隊(duì)是如何做到這一點(diǎn)的例子。他們的最終目標(biāo)是建立一個(gè)基本上消除了人類編寫或?qū)彶榇a需要的系統(tǒng)。所以他們構(gòu)建了自己的 software factory，其中規(guī)格和基于場(chǎng)景的驗(yàn)證驅(qū)動(dòng) AI agent 編寫測(cè)試并迭代代碼，直到它達(dá)到概率滿意度閾值。而且它確實(shí)有效。

這就是你如何實(shí)現(xiàn) Steve Yegge 所說的"千倍工程師"：通過讓一個(gè)工程師被一個(gè) AI agent 系統(tǒng)包圍，使他們能夠構(gòu)建以前永遠(yuǎn)無法構(gòu)建的東西。Diana 說，千倍甚至萬(wàn)倍工程師的時(shí)代已經(jīng)到來。

我對(duì)這個(gè)概念的理解是，它徹底重新定義了"工程師"的角色。傳統(tǒng)上，工程師的工作是寫代碼。但在 software factory 模式下，工程師的工作變成了定義問題、設(shè)計(jì)架構(gòu)、編寫測(cè)試。代碼本身成為了商品，可以由 AI 大量生成。這聽起來可能讓一些工程師感到不安，但我認(rèn)為這實(shí)際上是一種解放。工程師可以從繁瑣的編碼工作中解脫出來，專注于更高層次的問題解決和創(chuàng)造性工作。

這也意味著軟件開發(fā)的瓶頸從"能寫多快代碼"轉(zhuǎn)變?yōu)?能多快明確需求和驗(yàn)證正確性"。那些擅長(zhǎng)抽象思維、系統(tǒng)設(shè)計(jì)和問題定義的工程師會(huì)變得更有價(jià)值，而那些只是熟練編碼但不善于這些高層次思考的工程師可能會(huì)面臨挑戰(zhàn)。

傳統(tǒng)管理層級(jí)為什么會(huì)消失

以這種方式構(gòu)建公司——到處都是 AI 循環(huán)、可查詢的組織和 software factory——的一個(gè)含義是，經(jīng)典的管理層級(jí)不再有意義。Diana 指出，在舊世界里，你需要中層管理者和協(xié)調(diào)者來低效地在組織上下傳遞信息。但在新世界里，智能層承擔(dān)了這個(gè)目的。如果你的公司是可查詢的、artifact 豐富的、對(duì) AI 可讀的，你應(yīng)該幾乎沒有人類中間件。

這很重要，因?yàn)槟愎镜乃俣戎缓退男畔⒘鲃?dòng)速度一樣快。你能移除的每一層人類路由都是直接的速度提升。Diana 舉了一個(gè)很好的例子：Jack Dorsey 在 Block 所做的事情。在深入研究工具后，他得出了許多人已經(jīng)得出的同樣結(jié)論：這不僅僅是關(guān)于漸進(jìn)式生產(chǎn)力提升。他的觀點(diǎn)是，如果你保持相同的組織結(jié)構(gòu)圖和管理結(jié)構(gòu)，你就完全錯(cuò)過了這個(gè)轉(zhuǎn)變。公司本身必須被重建為一個(gè)智能層，人類在邊緣引導(dǎo)它，而不是通過它傳遞信息。

Jack 建議，未來每個(gè)公司將有三種員工原型。第一種是 individual contributor（個(gè)人貢獻(xiàn)者，IC），基本上就是建造者和操作者。這是直接制造和運(yùn)行東西的人。在 AI native 公司中，這不僅限于工程師。每個(gè)人都構(gòu)建和操作：支持、銷售，所有人。每個(gè)人都帶著可工作的原型而不是 pitch deck（演示文稿）來開會(huì)。

第二種是 DRRI，directly responsible individual（直接負(fù)責(zé)人），專注于策略和客戶結(jié)果。這不是傳統(tǒng)意義上的管理者，而是對(duì)結(jié)果有明確責(zé)任的人。一個(gè)人，一個(gè)結(jié)果，沒有躲藏的地方。

第三種是 AI founder type（AI 創(chuàng)始人類型）。這個(gè)人仍然構(gòu)建，仍然輔導(dǎo)并以身作則領(lǐng)導(dǎo)。Diana 強(qiáng)調(diào)，如果你是創(chuàng)始人，這需要是你。你需要站在最前沿，向團(tuán)隊(duì)展示大規(guī)模能力提升是什么樣子，而不是把 AI 策略委托給其他人。

我完全認(rèn)同這個(gè)觀點(diǎn)。我看到太多創(chuàng)始人把 AI 視為一個(gè)可以委托給 CTO 或某個(gè)技術(shù)負(fù)責(zé)人的技術(shù)問題。但 AI 不是一個(gè)技術(shù)問題，它是一個(gè)組織問題、戰(zhàn)略問題、文化問題。如果創(chuàng)始人自己不深入理解 AI 的能力和局限，不親自使用這些工具直到打破自己關(guān)于什么是可能的先驗(yàn)假設(shè)，那么公司永遠(yuǎn)無法真正變成 AI native。

這種組織結(jié)構(gòu)的轉(zhuǎn)變也意味著公司規(guī)模會(huì)大幅縮小。Diana 指出，有了這種結(jié)構(gòu)，公司將能夠用小得多的團(tuán)隊(duì)獲得超大的結(jié)果。最大化 token 使用量，而不是員工數(shù)量，將是關(guān)鍵轉(zhuǎn)變。最好的公司將是那些 token maxing（最大化使用 token）的公司。

Token Maxing：新時(shí)代的資源優(yōu)化

Diana 提出的這個(gè)權(quán)衡方式很有意思：一個(gè)擁有 AI 工具的人可以相當(dāng)于在前 AI 時(shí)代需要一個(gè)大型工程團(tuán)隊(duì)才能完成的工作。這意味著工程、設(shè)計(jì)、人力資源和行政團(tuán)隊(duì)都會(huì)大幅精簡(jiǎn)。所以你應(yīng)該愿意承擔(dān)一個(gè)令人不舒服的高 API 賬單，因?yàn)樗谌〈緛硇枰嘿F得多、臃腫得多的員工數(shù)量。

這個(gè)觀點(diǎn)讓我重新思考了創(chuàng)業(yè)公司的成本結(jié)構(gòu)。傳統(tǒng)上，創(chuàng)業(yè)公司最大的成本是人力。你融資的很大一部分都花在招聘和支付員工薪水上。但在 AI native 公司中，最大的成本可能變成 API 調(diào)用。你的 OpenAI 或 Anthropic 賬單可能每月高達(dá)幾萬(wàn)甚至幾十萬(wàn)美元，但這仍然遠(yuǎn)遠(yuǎn)低于雇傭相應(yīng)數(shù)量工程師的成本。

這也改變了創(chuàng)業(yè)公司的單位經(jīng)濟(jì)學(xué)。過去，擴(kuò)大規(guī)模意味著線性增加員工數(shù)量。你的收入翻倍，你的團(tuán)隊(duì)也可能需要接近翻倍。但在 AI native 公司中，擴(kuò)大規(guī)?？赡苤饕馕吨黾?API 使用量，而不是員工數(shù)量。這創(chuàng)造了一種全新的規(guī)模經(jīng)濟(jì)。

我認(rèn)為這將導(dǎo)致創(chuàng)業(yè)公司的估值方式發(fā)生變化。投資者可能會(huì)開始關(guān)注"每員工收入"或"API 成本占收入比例"等新指標(biāo)。那些能夠用極少員工和大量 AI 工具產(chǎn)生高收入的公司，會(huì)被視為最高效、最有價(jià)值的公司。

早期創(chuàng)業(yè)公司的巨大優(yōu)勢(shì)

Diana 最后強(qiáng)調(diào)了一個(gè)對(duì)創(chuàng)業(yè)者來說非常重要的觀點(diǎn)：你不能外包你對(duì)這些工具力量的信念。你需要通過實(shí)際使用編碼 agent 和其他 AI 工具來自己發(fā)展這種信念，直到你開始打破自己關(guān)于現(xiàn)在可以構(gòu)建什么的先驗(yàn)假設(shè)。

如果你是早期創(chuàng)業(yè)者，你在這方面有巨大的優(yōu)勢(shì)。你沒有遺留系統(tǒng)、組織結(jié)構(gòu)圖或需要重新培訓(xùn)的數(shù)千人。你足夠小，可以從第一天就正確構(gòu)建你的公司。相反的情況適用于現(xiàn)有公司。他們必須在維護(hù)和發(fā)展現(xiàn)有產(chǎn)品的同時(shí)，解開多年的標(biāo)準(zhǔn)操作程序和關(guān)于軟件如何構(gòu)建的核心假設(shè)。

一些公司可以通過建立小型內(nèi)部 skunkworks（獨(dú)立創(chuàng)新）團(tuán)隊(duì)來實(shí)現(xiàn)這一點(diǎn)，這些團(tuán)隊(duì)可以與核心業(yè)務(wù)分開從頭開始構(gòu)建 AI native 系統(tǒng)。Diana 提到 Mutiny 是一個(gè)很好的例子。但對(duì)大多數(shù)公司來說，對(duì)核心流程的每一個(gè)改變都有破壞已經(jīng)運(yùn)作良好的東西的風(fēng)險(xiǎn)。所以從本質(zhì)上說，這些大公司將更難變成 AI native。

創(chuàng)業(yè)公司沒有這種約束，這是一個(gè)巨大的優(yōu)勢(shì)。你可以從一開始就圍繞 AI 設(shè)計(jì)你的系統(tǒng)、工作流程和文化，因此比現(xiàn)有企業(yè)快一千倍地運(yùn)營(yíng)。

我深刻體會(huì)到這一點(diǎn)。我看到一些大公司在嘗試"AI 轉(zhuǎn)型"，但他們面臨的阻力是巨大的。有既得利益者擔(dān)心失去工作，有流程慣性讓改變變得困難，有技術(shù)債務(wù)使得整合新系統(tǒng)成本高昂。相比之下，一個(gè)從零開始的創(chuàng)業(yè)公司可以直接按照 AI native 的方式構(gòu)建一切，不需要考慮向后兼容，不需要說服任何人改變工作方式。

這創(chuàng)造了一個(gè)獨(dú)特的時(shí)間窗口。在未來幾年，那些真正理解并實(shí)踐 AI native 原則的創(chuàng)業(yè)公司，將能夠以傳統(tǒng)公司無法匹敵的速度創(chuàng)新和執(zhí)行。它們會(huì)更精簡(jiǎn)、更快速、更靈活。這就是為什么我相信，下一波偉大的公司將幾乎全部是 AI native 公司，由那些從第一天就擁抱這種新范式的創(chuàng)始人建立。

我的思考和建議

聽完 Diana 的分享后，我一直在思考一個(gè)問題：大多數(shù)創(chuàng)始人準(zhǔn)備好迎接這種轉(zhuǎn)變了嗎？我的答案是：大部分還沒有。很多人仍然把 AI 看作是一個(gè)增強(qiáng)現(xiàn)有流程的工具，而不是重新構(gòu)想整個(gè)公司運(yùn)作方式的機(jī)會(huì)。

我的建議是，如果你正在創(chuàng)業(yè)或計(jì)劃創(chuàng)業(yè)，不要等到公司成立一年后再考慮"如何整合 AI"。從第一天開始，就把你的公司設(shè)計(jì)成 AI native 的。這意味著什么？意味著在選擇工具和平臺(tái)時(shí)，優(yōu)先選擇那些有良好 API、容易與 AI 系統(tǒng)集成的。意味著從一開始就建立記錄和結(jié)構(gòu)化所有重要信息的習(xí)慣。意味著在招聘時(shí)尋找那些既懂技術(shù)又能與 AI 工具協(xié)作的人。

我也建議創(chuàng)始人親自深入使用 AI 工具。不要只是聽別人說 AI 有多強(qiáng)大，自己去用 Cursor、Windsurf、Claude Code 這些編碼工具，去用 AI 構(gòu)建實(shí)際的產(chǎn)品功能。只有當(dāng)你親身體驗(yàn)到一個(gè)人用 AI 可以在一天內(nèi)完成過去一個(gè)團(tuán)隊(duì)一周的工作時(shí)，你才會(huì)真正理解這種范式轉(zhuǎn)變的力量。

最后，我想說，這種轉(zhuǎn)變不會(huì)在一夜之間發(fā)生，但它正在加速進(jìn)行。那些早期適應(yīng)的公司將獲得巨大的先發(fā)優(yōu)勢(shì)。而那些繼續(xù)按照舊方式運(yùn)營(yíng)的公司，無論大小，都會(huì)發(fā)現(xiàn)自己越來越難以競(jìng)爭(zhēng)。AI native 不是未來，它已經(jīng)是現(xiàn)在。問題只是你的公司準(zhǔn)備好了嗎？

結(jié)尾

也歡迎大家留言討論，分享你的觀點(diǎn)！

覺得內(nèi)容不錯(cuò)的朋友能夠幫忙右下角點(diǎn)個(gè)贊，分享一下。您的每次分享，都是在激勵(lì)我不斷產(chǎn)出更好的內(nèi)容。

歡迎關(guān)注深思圈，一起探索更大的世界。

- END -

兩個(gè)“特別坑”的AI產(chǎn)品創(chuàng)業(yè)方向，你知道嗎

速度將成為AI時(shí)代唯一的護(hù)城河

a16z重磅預(yù)測(cè)：Vibe coding贏者通吃？錯(cuò)了，垂直專業(yè)化才是未來