这篇文章基于 Y Combinator General Partner Diana Hu 在 2025 年 4 月的一场演讲整理而成。Hu 曾是 Escher Reality 的联合创始人兼 CTO，公司被 Niantic 收购后，她负责 Niantic 的 AR 平台业务。在 YC，她专注于 AI 原生创业公司的投资与辅导。

当大多数公司还在讨论如何让员工用 AI 工具”提效”时，Diana Hu 认为，这种思路本身就落入了陷阱。

在过去两年中，AI 工具以惊人的速度进入工作场景。从代码补全到文档生成，从会议记录到数据分析，几乎每一项白领工作都有了对应的 AI 助手。但 Hu 观察到，大多数公司的使用方式有一个共同的局限：他们把 AI 当作一种”外挂”——让现有的流程跑得更快一点，而不是追问一个更根本的问题：如果 AI 不是加速器，而是新的基础设施，公司应该如何重新设计？

她的核心观点是：AI 不应被当作生产力工具（productivity tool）来使用，而应成为公司的操作系统（operating system）。这不是一个比喻，而是一种根本不同的组织构建方式——从第一天起，AI 就嵌入公司的决策、工作流和核心运营之中。

一个人借助 AI，可以完成过去需要整个团队才能做到的事，甚至可以做到过去不可能做到的事。

这种从”生产力增强”（productivity enhancer）到”能力增强”（capability enhancer）的范式转换，是理解 AI 原生公司的起点。Hu 的演讲系统性地阐述了在这一范式下，公司应如何构建管理体系、开发流程、组织架构和成本结构。

一、AI 原生操作系统：从副驾驶到核心引擎

许多公司在引入 AI 时，采取的路径是在现有流程上叠加一层”副驾驶”（copilot）——让工程师写代码更快一点，让销售写邮件更顺一点，让市场人员生成文案更轻松。Hu 认为，这种做法虽然有用，但错过了更重要的机会。

为什么？因为”副驾驶”思维的前提是：现有流程基本合理，只需要加速。但在 Hu 看来，AI 的能力远不止于此。它不仅能加速现有流程，还能重新设计流程本身，甚至创造过去不存在的流程。

真正的变革在于，让 AI 成为公司的底层操作系统。这意味着：

• 每一个决策节点，都有不断学习的智能层参与
• 每一条工作流（workflow），都被 AI 持续优化
• 每一项流程，都对 AI 透明、可查询

AI 必须成为公司的操作系统，而非外围附加组件。

要实现这一点，首先要让组织本身可被 AI 查询和理解——Hu 称之为”可查询的组织”（queryable organization）。具体做法包括：

• 使用 AI 笔记工具记录会议，取代零散的人工记录，确保所有讨论都被结构化和索引
• 减少对私信（DM）和邮件的依赖，这些渠道天然是信息孤岛，AI 无法访问；应转向更结构化的数据存储
• 在沟通渠道中嵌入 AI 代理（AI agents），让它们实时参与信息流，提取关键决策、追踪行动项、提醒风险
• 为各部门建立”一次性内部仪表板”（one-shot internal dashboards），用自然语言即可查询关键数据，无需等待分析师出报告

这些做法的共同目标是：消除信息孤岛，让 AI 能够访问并理解组织的全部运营数据。只有当 AI 能够看到完整的信息图景时，它才能真正成为操作系统，而非又一个孤立工具。

二、闭环管理：让公司自我进化

传统公司的管理模式，Hu 称之为”开环系统”（open-loop system）。

决策被执行后，缺乏系统性的测量和调整机制。管理者依赖人工收集碎片化的信息——Slack 消息、邮件、口头汇报、周报——然后凭经验和直觉做出判断。信息在传递过程中不断损耗：员工选择性汇报、中层过滤信息、会议压缩细节。反馈周期长，调整滞后，问题往往在累积到严重程度时才被发现。

手动管理者状态汇总（manual manager status rollups）的日子已经过去了。那种超级损耗信息的方式，已经过时了。（The days of manual manager status rollups that are super lossy are gone.）

Hu 引入的概念是闭环管理模式（closed-loop management model）。她将这一模式比作控制理论（control theory）中的反馈机制：反馈回路对系统的准确性和稳定性至关重要，缺少反馈的系统会持续偏离目标，而引入反馈后系统才能自我校正。

闭环系统的运作方式是：

• 持续监控各项输出指标，而非等到周会或月末才检查
• 将数据自动反馈给 AI 系统，形成实时数据流
• AI 根据反馈调整流程，识别瓶颈、建议优先级变更、自动触发下一步动作
• 形成自我增强的循环，每一次迭代都比上一次更精准

在实践中，这意味着将日常运营数据——Slack 对话、工单更新、客户电话记录、销售通话——全部输入 AI 代理（AI agents）。AI 从中提取模式、识别阻塞点、生成洞察，并自动执行后续动作。

具体成果令人瞩目：

• 工程冲刺（sprint planning）可以自动完成，AI 根据已完成工作、待解决问题和资源约束生成最优排期
• 状态汇总（status rollups）由 AI 实时生成，管理者随时查询即可获得最新全貌，而非等待周会
• 工程冲刺时间可以缩短约一半，因为等待和协调时间被压缩
• 团队产出提升最高可达 10 倍

核心变化不在于”更努力地工作”，而在于信息不再被人工路由层损耗，决策-执行-反馈的循环被大幅压缩。当反馈周期从”一周”缩短到”几分钟”时，组织的适应能力就发生了质变。

三、软件工厂：规格说明即代码

在 AI 原生公司中，软件开发本身也在经历范式转换。Hu 将这一新范式称为软件工厂（software factory paradigm）。

传统的软件开发流程是：人类编写代码，AI 偶尔辅助补全。而在软件工厂模式中，角色发生了根本性倒置：

• 人类负责：编写规格说明（specifications）和成功标准（success criteria），精确描述”需要做什么”和”怎样算做对”
• AI 代理负责：生成代码、迭代优化、运行测试直至全部通过

这一模式的极端形态已经在一些前沿组织中成为现实：代码库中几乎没有手写代码，只有规格说明文件和测试框架。AI 代理根据规格说明生成并维护全部代码，人类的核心产出从代码行数变成了规格说明的清晰度。

这实现了”千倍工程师”（thousand-x engineer）：一个人类被 AI 代理系统包围，实现 1,000 倍到 10,000 倍的生产力。

Hu 将这一演进路径概括为：

测试驱动开发（test-driven development） → 软件工厂（software factory）

在测试驱动开发（TDD）中，人类先写测试，再写代码，确保实现符合预期。在软件工厂中，人类进一步将”写代码”这一步交给 AI，自己专注于定义”要解决什么问题”和”什么算成功”。测试不再是验证人类代码质量的工具，而是约束 AI 输出质量的护栏。

这并不意味着人类工程师被替代。恰恰相反，工程师的核心技能从编码实现转向问题定义、系统架构设计和成功标准的精确表述——这些恰恰是高质量 AI 输出所需的关键输入。AI 擅长的是”如何写代码”，人类必须确保”写什么代码”和”为什么写”是正确的。

四、组织架构：从层级到智能

当 AI 成为操作系统、软件工厂成为开发范式时，公司的组织结构也必然随之改变。

Hu 的观察是：经典的管理层级（management hierarchy）正在变得过时。中层管理者的核心功能——信息路由、进度追踪、状态汇总、跨部门协调——正在被智能层（intelligence layer）所取代。

公司速度受限于信息流，移除人工路由层可以加速执行。

在传统组织中，信息从一线员工向上流动，经过层层过滤，到达决策者；决策再层层下达，经过层层解释，到达执行者。这个过程不仅慢，而且每一步都在丢失信息。Hu 引用了 Jack Dorsey 的观点来描述这一转变：从层级到智能（From Hierarchy to Intelligence）。当信息可以直接被 AI 查询和处理时，层层上报、逐级审批的结构就失去了存在的必要。

在这一新型组织中，Hu 识别出三种核心角色原型：

• Individual Contributor（IC）：负责构建和原型设计，在 AI 系统的特定层级中作为专家运作。他们直接操作 AI 工具，产出可交付成果。与传统 IC 不同，他们不是”写代码的人”，而是”指挥 AI 写代码的人”。
• Directly Responsible Individuals（DRI）：拥有结果和策略，但没有传统意义上的管理职责。他们不”管理人”，而是对 AI 系统的输出质量和业务结果负责。他们的权力来自于对问题的理解深度，而非职位层级。
• AI Founders：通过持续展示 AI 驱动的能力增长来领导公司。他们的领导力来自于将 AI 潜力转化为实际业务成果的能力，来自于对”人和 AI 如何协作”的深刻洞察，而非来自于组织层级中的位置。

一个值得注意的关键指标转变是：公司的目标从”最大化员工人数”转向”最大化 token 使用量”。在 AI 原生公司中，token 消耗（即向 AI 模型发送和接收的数据量）是衡量公司运营活跃度和 AI 嵌入深度的核心指标。token 用得越多，说明 AI 参与运营越深，组织越”智能”。这与传统公司炫耀团队规模的逻辑截然相反。

五、经济账：烧 token，而非烧人头

所有这些组织变革背后，有一条清晰而坚定的经济逻辑。

Hu 提出了一个直截了当的对比：

一个使用 AI 工具的人可以顶 1,000 个 Google 工程师。

她还给出了一个判断标准：

如果你的 API 账单没有让你感到不安，说明你做的不够。

这句话的背后，是一种成本结构的根本性重新计算。传统公司的主要成本是”人头”——招聘、薪酬、办公空间、管理开销、五险一金。AI 原生公司的主要成本变成了”算力和 token”——云费用、API 调用费、模型推理成本。

Hu 的观点是：公司应积极使用 AI，即使这意味着显著的云或 API 成本，因为 ROI（投资回报率）在速度和能力方面远超支出。

与其在招聘上持续投入，不如将预算转向 AI 工具和平台，以放大现有团队的能力。一个精干的五人团队，如果每个人都配备了强大的 AI 系统，其产出可能超过一个百人团队。这使得初创公司能够以极小规模实现指数级增长，超越行动缓慢的大型 incumbent（在位企业）。

这里的经济账不是”用 AI 替代人类以省钱”，而是”用 AI 放大人类以创造价值”。省下来的不是工资支出，而是时间——从想法到产品、从问题到解决方案的时间。在竞争市场中，时间优势往往就是全部优势。

六、总结与思考

Diana Hu 的演讲提供了一套系统性的框架，用于理解 AI 如何从根本上重塑公司构建方式。其核心线索可以归纳为以下五个层面：

1.思维转换：从”AI 是生产力工具”到”AI 是操作系统”

2.管理升级：从”开环人工管理”到”闭环智能反馈”

3.开发变革：从”手写代码”到”软件工厂”

4.组织重塑：从”层级结构”到”智能驱动”

5.成本重构：从”烧人头”到”烧 token”

这些变化并非孤立存在，而是相互强化：AI 操作系统提供数据和反馈基础，闭环管理确保系统自我优化，软件工厂改变产出方式，新型组织架构消除人工瓶颈，经济逻辑则为这一切提供持续动力。

最终的目标不是让 AI 替人工作，而是让一个人借助 AI 做到过去不可能做到的事。

对于正在创业或计划创业的人来说，Hu 的建议是：从第一天起就将 AI 嵌入公司 DNA，而不是等业务稳定后再考虑”引入 AI”。在 AI 时代，公司的竞争优势不再来自于团队规模或资本投入，而是来自于将 AI 深度整合进运营的能力。先建立 AI 原生架构的公司，将在速度、灵活性和成本结构上获得结构性优势。

这一范式对那些能够快速适应的小型团队尤其有利。当大公司还在为部门预算、合规审批和内部培训纠结时，AI 原生公司已经在用更少的人、更快的速度、更高的迭代频率推进产品。Hu 没有明说的一点是：这实际上改变了创业的可行性边界——过去需要几十人、几百万美元才能验证的商业模式，现在可能只需要几个人和一套 AI 系统就能快速试错。

如果有一个判断标准可以带走，那就是这句话：如果你的 API 账单没有让你感到不安，说明你做的不够。在 AI 原生公司中，对 AI 的投入不是成本中心，而是能力引擎。

来源与参考

• 原视频：How To Build A Company With AI From The Ground Up
• 演讲者：Diana Hu，Y Combinator General Partner
• 发布机构：Y Combinator
• 发布时间：2025 年 4 月
• 视频链接：[YouTube EN7frwQIbKc](https://www.youtube.com/watch?v=EN7frwQIbKc)