頂級孵化器YC的最新指南：如何構建AI Native的團隊，為什么傳統管理層正在消失？

你還在為每周的項目進度會議頭疼嗎？還在讓產品經理手動整理需求、工程師手動評估工作量、管理層手動匯總報告嗎？如果答案是肯定的，那我要告訴你一個殘酷的事實：你的公司正在用石器時代的方法運營一家 AI 時代的企業。

最近，YC 合伙人 Diana Hu 在 Startup School 分享了一個讓我深受震撼的觀點：AI 不只是讓團隊生產力提升 20% 或 50%，而是徹底改變了公司應該如何被構建和運營。這不是什么漸進式改進，而是一場徹底的范式轉變。她說，AI 不應該只是你公司使用的一個工具，而應該成為你公司運行的操作系統。每個工作流程、每個決策、每個過程都應該流經一個不斷學習和改進的智能層。

聽完這個分享后，我花了很長時間思考這意味著什么。我發現，大多數人包括我自己在內，對 AI 的理解還停留在"提升生產力"這個層面。我們會說"用 AI 讓工程師更高效"或者"給現有工作流程加個 copilot 功能"。但這種思維框架完全錯過了當下正在發生的真正轉變。這種轉變不是關于生產力提升，而是關于全新的能力。一個擁有 AI 工具的人，現在可以構建出過去需要整個團隊才能完成的功能，或者說是過去根本不可能實現的功能。

我想通過這篇文章，結合 Diana 的洞察和我自己的思考，來探討 AI native（AI 原生）公司到底應該如何構建，以及為什么早期創業公司在這場轉變中擁有巨大優勢。

AI 是操作系統，不是工具

Diana 提出的第一個核心觀點是：AI 應該成為公司的操作系統，而不只是一個工具。這個比喻非常準確。想想操作系統是什么？它是所有應用程序運行的基礎層，是協調資源、管理進程、處理通信的底層架構。如果 AI 是操作系統，那意味著公司的每一個重要流程都應該被一個智能的閉環系統所捕獲。

這里涉及一個關鍵概念：closed loop（閉環系統）與 open loop（開環系統）的區別。如果你學過控制系統理論，你會很熟悉這兩者的差異。Open loop 是沒有反饋回路的控制系統。在舊世界里，公司基本上就是以開環方式運行的。你做一個決策，執行它，但并不總是系統性地測量結果并調整流程。開環系統本質上是有損的，信息會流失，錯誤會累積，改進依賴人工干預。

Closed loop 則完全不同。它是自我調節的，會持續監控輸出并調整流程以更好地達成既定目標。閉環系統在正確性和穩定性方面極其強大。Diana 的觀點是，有了自我改進的 AI agent，你的公司應該作為一個閉環系統運行。這意味著什么？意味著每個重要的行動都應該產生一個 artifact（產物），公司中心的智能層可以從中學習并用于自我改進。

我深刻認同這個觀點，因為我看到太多公司在浪費信息。每天有無數會議在開，無數決策在做，無數問題在解決，但這些知識和經驗大部分都隨風而逝。下次遇到類似問題時，團隊又要從頭開始思考。這就是典型的開環系統：輸入進去，輸出出來，但系統本身沒有變得更聰明。

讓你的整個公司變得可查詢

要構建這種閉環系統，Diana 提出了一個關鍵要求：你需要讓整個公司變得 queryable（可查詢）。換句話說，整個組織應該對 AI 是 legible（可讀的）。每個重要行動都應該產生一個 artifact，讓公司中心的智能層可以從中學習和使用。

這在實踐中意味著什么？意味著用 AI 筆記工具記錄你的會議，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、運營，所有東西。聽起來很抽象？讓我給你一個具體例子。

Diana 提到了工程管理和 sprint planning（沖刺規劃）的場景。想象一下，如果你有一個 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 中的高層計劃、銷售電話錄音以及每日站會的記錄。那么這個 agent 就可以真正分析你上一個 sprint 中實際交付了什么，以及這些交付在多大程度上滿足了客戶的真實需求。

從這里出發，你可以更進一步。有了對已交付內容、有效內容和無效內容的完整可見性，AI agent 可以開始展望未來。它們可以為工程師提出更加可預測、準確和符合軌道的 sprint 計劃。那種信息流失嚴重的管理層狀態匯總的日子已經過去了。Diana 說她自己管理過工程團隊，現在在多個 YC 公司中看到這種做法，這是一個游戲規則改變者。過去需要持續協調的工作，現在默認就是可讀和可查詢的。她看到采用這種方法的團隊將工程 sprint 時間減半，在那段時間內完成的工作量接近 10 倍。

這個例子讓我想到，我們過去花了多少時間在信息同步上。產品經理要跟工程師溝通需求，工程師要向管理層匯報進度，管理層要向投資人解釋產品方向。每一層傳遞都會損失信息，每一次溝通都需要重新組織語言。但如果所有這些信息都以結構化的方式存在，AI 可以隨時查詢和分析，那么大部分同步工作就變得不必要了。人們可以把時間花在真正創造價值的事情上，而不是花在傳話上。

Diana 強調的總體原則是：要充分發揮模型的能力，你需要為它們提供和你為員工提供的一樣多的上下文。當你這樣做時，你的公司就不再作為一個信息碎片化、需要人工解釋的開環系統運行。它變成了一個閉環系統，狀態、決策和結果被持續捕獲并反饋到這個智能層中。結果是一個始終擁有最新視圖的系統，知道實際發生了什么。

Software Factory：人類寫規格，AI 寫代碼

Diana 提到了一個新興范式：AI software factories（AI 軟件工廠）。如果你熟悉 test-driven development（測試驅動開發，TDD），這是它的下一個演進。在 software factory 模式中，人類編寫規格和一組定義成功的測試，然后 AI agent 生成實現和代碼，并迭代直到測試通過。人類定義要構建什么并判斷輸出，實際的代碼是 AI agent 的工作。

有些公司已經將這一點推進到他們的代碼倉庫不包含任何手寫代碼，只有規格和測試工具的程度。Diana 提到 strongDM 的 AI 團隊是如何做到這一點的例子。他們的最終目標是建立一個基本上消除了人類編寫或審查代碼需要的系統。所以他們構建了自己的 software factory，其中規格和基于場景的驗證驅動 AI agent 編寫測試并迭代代碼，直到它達到概率滿意度閾值。而且它確實有效。

這就是你如何實現 Steve Yegge 所說的"千倍工程師"：通過讓一個工程師被一個 AI agent 系統包圍，使他們能夠構建以前永遠無法構建的東西。Diana 說，千倍甚至萬倍工程師的時代已經到來。

我對這個概念的理解是，它徹底重新定義了"工程師"的角色。傳統上，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、設計架構、編寫測試。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，但我認為這實際上是一種解放。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造性工作。

這也意味著軟件開發的瓶頸從"能寫多快代碼"轉變為"能多快明確需求和驗證正確性"。那些擅長抽象思維、系統設計和問題定義的工程師會變得更有價值，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面臨挑戰。

傳統管理層級為什么會消失

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

這很重要，因為你公司的速度只和它的信息流動速度一樣快。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得出的同樣結論：這不僅僅是關于漸進式生產力提升。他的觀點是，如果你保持相同的組織結構圖和管理結構，你就完全錯過了這個轉變。公司本身必須被重建為一個智能層，人類在邊緣引導它，而不是通過它傳遞信息。

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

第二種是 DRRI，directly responsible individual（直接負責人），專注于策略和客戶結果。這不是傳統意義上的管理者，而是對結果有明確責任的人。一個人，一個結果，沒有躲藏的地方。

第三種是 AI founder type（AI 創始人類型）。這個人仍然構建，仍然輔導并以身作則領導。Diana 強調，如果你是創始人，這需要是你。你需要站在最前沿，向團隊展示大規模能力提升是什么樣子，而不是把 AI 策略委托給其他人。

我完全認同這個觀點。我看到太多創始人把 AI 視為一個可以委托給 CTO 或某個技術負責人的技術問題。但 AI 不是一個技術問題，它是一個組織問題、戰略問題、文化問題。如果創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于什么是可能的先驗假設，那么公司永遠無法真正變成 AI native。

這種組織結構的轉變也意味著公司規模會大幅縮小。Diana 指出，有了這種結構，公司將能夠用小得多的團隊獲得超大的結果。最大化 token 使用量，而不是員工數量，將是關鍵轉變。最好的公司將是那些 token maxing（最大化使用 token）的公司。

Token Maxing：新時代的資源優化

Diana 提出的這個權衡方式很有意思：一個擁有 AI 工具的人可以相當于在前 AI 時代需要一個大型工程團隊才能完成的工作。這意味著工程、設計、人力資源和行政團隊都會大幅精簡。所以你應該愿意承擔一個令人不舒服的高 API 賬單，因為它正在取代本來需要昂貴得多、臃腫得多的員工數量。

這個觀點讓我重新思考了創業公司的成本結構。傳統上，創業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 調用。你的 OpenAI 或 Anthropic 賬單可能每月高達幾萬甚至幾十萬美元，但這仍然遠遠低于雇傭相應數量工程師的成本。

這也改變了創業公司的單位經濟學。過去，擴大規模意味著線性增加員工數量。你的收入翻倍，你的團隊也可能需要接近翻倍。但在 AI native 公司中，擴大規?？赡苤饕馕吨黾?API 使用量，而不是員工數量。這創造了一種全新的規模經濟。

我認為這將導致創業公司的估值方式發生變化。投資者可能會開始關注"每員工收入"或"API 成本占收入比例"等新指標。那些能夠用極少員工和大量 AI 工具產生高收入的公司，會被視為最高效、最有價值的公司。

早期創業公司的巨大優勢

Diana 最后強調了一個對創業者來說非常重要的觀點：你不能外包你對這些工具力量的信念。你需要通過實際使用編碼 agent 和其他 AI 工具來自己發展這種信念，直到你開始打破自己關于現在可以構建什么的先驗假設。

如果你是早期創業者，你在這方面有巨大的優勢。你沒有遺留系統、組織結構圖或需要重新培訓的數千人。你足夠小，可以從第一天就正確構建你的公司。相反的情況適用于現有公司。他們必須在維護和發展現有產品的同時，解開多年的標準操作程序和關于軟件如何構建的核心假設。

一些公司可以通過建立小型內部 skunkworks（獨立創新）團隊來實現這一點，這些團隊可以與核心業務分開從頭開始構建 AI native 系統。Diana 提到 Mutiny 是一個很好的例子。但對大多數公司來說，對核心流程的每一個改變都有破壞已經運作良好的東西的風險。所以從本質上說，這些大公司將更難變成 AI native。

創業公司沒有這種約束，這是一個巨大的優勢。你可以從一開始就圍繞 AI 設計你的系統、工作流程和文化，因此比現有企業快一千倍地運營。

我深刻體會到這一點。我看到一些大公司在嘗試"AI 轉型"，但他們面臨的阻力是巨大的。有既得利益者擔心失去工作，有流程慣性讓改變變得困難，有技術債務使得整合新系統成本高昂。相比之下，一個從零開始的創業公司可以直接按照 AI native 的方式構建一切，不需要考慮向后兼容，不需要說服任何人改變工作方式。

這創造了一個獨特的時間窗口。在未來幾年，那些真正理解并實踐 AI native 原則的創業公司，將能夠以傳統公司無法匹敵的速度創新和執行。它們會更精簡、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，我一直在思考一個問題：大多數創始人準備好迎接這種轉變了嗎？我的答案是：大部分還沒有。很多人仍然把 AI 看作是一個增強現有流程的工具，而不是重新構想整個公司運作方式的機會。

我的建議是，如果你正在創業或計劃創業，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，就把你的公司設計成 AI native 的。這意味著什么？意味著在選擇工具和平臺時，優先選擇那些有良好 API、容易與 AI 系統集成的。意味著從一開始就建立記錄和結構化所有重要信息的習慣。意味著在招聘時尋找那些既懂技術又能與 AI 工具協作的人。

我也建議創始人親自深入使用 AI 工具。不要只是聽別人說 AI 有多強大，自己去用 Cursor、Windsurf、Claude Code 這些編碼工具，去用 AI 構建實際的產品功能。只有當你親身體驗到一個人用 AI 可以在一天內完成過去一個團隊一周的工作時，你才會真正理解這種范式轉變的力量。

最后，我想說，這種轉變不會在一夜之間發生，但它正在加速進行。那些早期適應的公司將獲得巨大的先發優勢。而那些繼續按照舊方式運營的公司，無論大小，都會發現自己越來越難以競爭。AI native 不是未來，它已經是現在。問題只是你的公司準備好了嗎？

結尾

也歡迎大家留言討論，分享你的觀點！

覺得內容不錯的朋友能夠幫忙右下角點個贊，分享一下。您的每次分享，都是在激勵我不斷產出更好的內容。

歡迎關注深思圈，一起探索更大的世界。

- END -

兩個“特別坑”的AI產品創業方向，你知道嗎

速度將成為AI時代唯一的護城河

a16z重磅預測：Vibe coding贏者通吃？錯了，垂直專業化才是未來