打造AI Native公司的行动指南丨Y Combinator

我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。全文约 3500 字，如果你现在没有时间，试试转成播客稍后再听晚点再听LaterCast

“AI 不应该只是公司使用的工具，它应该成为公司运行的操作系统。”“人类定义要构建什么，并判断输出；真正写代码，是 Agent 的工作。”“你不能把对这些工具力量的信念外包给别人。”

这期视频来自 Y Combinator。主讲人 Diana 是 YC 合伙人，她没有把 AI 讲成又一个提效工具，而是直接讨论一个更硬的问题：如果 AI 已经能让一个人完成过去一整个团队的工作，创业公司还应该照旧招聘、开会、排期、汇报吗？她给出的答案很明确：AI 原生公司不是给旧流程加 Copilot，而是从第一天开始，把组织、信息、工程和管理都改造成一个能自我学习的闭环系统。

AI 不是提效工具，而是新能力

Diana 先纠正了一个常见误区：大多数人谈 AI，仍然停留在“让工程师更高效”“给现有流程加一个 Copilot”“更快 ship 功能”。她认为这个框架太小了。真正的变化不是效率提升 20% 或 50%，而是一些过去根本做不到、或必须靠完整团队才能做的事，现在由一个合适的人加上一组 AI 工具就能完成。这不是“同样的公司跑得更快”，而是“公司可以用完全不同的方式存在”。对创始人来说，如果仍然只把 AI 当作软件采购项，就会错过这轮变化最重要的部分。

“现在我们看到的变化，与其说是生产力提升，不如说是全新的能力。”

这句话对早期公司尤其重要。过去的创业公司要先招工程、设计、运营、销售，再通过管理流程把人连接起来；现在的起点可以反过来：先设计一个能让 AI 参与每个环节的公司系统，再让少数高判断力的人站在系统边缘定义目标、验证结果、推动迭代。AI 不只是把已有岗位变快，而是在重新定义什么岗位还有必要存在。

所以，这期内容真正反常识的地方在于：不要先问“AI 能帮我省几个工程师”，而要先问“过去因为组织成本太高而不能做的事，现在是不是可以做了”。当一个人可以借助 agent 同时写规格、验证需求、生成原型和推动交付，产品边界会被重新打开。AI 原生公司的竞争力，来自它敢把旧公司默认不可能的事，重新放回可选项里。

让公司变成一个闭环系统

她提出的核心概念是 closed loop，也就是闭环。旧公司常常像开环系统：做决定、执行、过一段时间回顾，但结果并不会被系统化地反馈回流程本身。很多信息散落在会议、私信、邮件、口头同步和管理者的脑子里。开环的公司天然会丢失信息，也很难稳定改进。AI 原生公司应该反过来：每一个关键流程都持续捕获输入和输出，把结果喂回智能系统，让流程自己变得更准。公司越像闭环，AI 越能参与真实决策；公司越像开环，AI 只能停留在表面问答。

“闭环会捕获信息，把它反馈到智能系统里，并随着时间改善流程。”

这不是抽象的组织学。它意味着会议要被记录，客户反馈要进入系统，工程进展要可追踪，招聘、销售、运营和财务都要形成可查询的数据层。不是为了做漂亮 dashboard，而是让 AI 能看到公司真实发生了什么，并在下一次计划、下一次决策、下一次产品迭代中使用这些信息。

把整个组织变得可查询

要实现闭环，第一步是让公司对 AI 可读、可问、可追踪。Diana 用了一个很直接的表达：make your entire company queryable，让整个公司变得可查询。每一个重要动作都要留下 artifact，也就是可被系统学习的产物。会议记录、Linear ticket、Slack 工程频道、客户邮件、Pylon 里的反馈、GitHub 信息、Notion 或 Google Doc 里的高层计划、销售电话、daily standup，这些都不应该只是人的记忆负担，而应该进入同一个智能上下文。

“整个组织都应该对 AI 清晰可读。每一个重要动作，都应该产生一个智能系统可以学习的产物。”

她举了工程管理和 sprint planning 的例子。如果一个 agent 能看到所有票据、代码、客户反馈、销售录音和站会记录，它就能分析上一轮 sprint 到底发了什么、有没有真正满足客户需求、哪些地方偏离计划。进一步，它还可以基于这些信息提出下一轮 sprint 计划。这会让过去依赖经理层层汇总的状态管理，变成默认可见、默认可问、默认可改进的系统。她说，自己见过团队用这种方式把工程 sprint 时间砍半，并在同一时间里接近多做 10 倍的事。

给模型像员工一样多的上下文

很多公司用不好 AI，不是因为模型不够聪明，而是因为给它的信息太少。Diana 的原则很简单：如果你希望模型发挥完整能力，就要给它和员工一样多的上下文。一个新员工要理解业务目标、客户声音、历史决策、当前约束和团队偏好，agent 也一样。只把一个孤立任务丢给模型，再抱怨它输出不稳定，本质上还是把 AI 当临时外包，而不是公司操作系统的一部分。

“要获得模型的完整能力，你需要给它和给员工一样多的上下文。”

当上下文足够完整，公司就不再是碎片化信息靠人手解释的开环组织，而会变成一个持续捕捉状态、决策和结果的闭环。它始终知道什么已经发生，什么正在偏离，什么需要下一步处理。这也是为什么她强调减少 DM 和邮件、让 agent 嵌入沟通渠道、建立覆盖收入、销售、工程、招聘、运营的自定义 dashboard。目的不是监控员工，而是让公司对自己的运行状态有一个随时更新的智能视图。

软件工厂会改写工程团队

在产品和工程层面，Diana 认为最高速度的公司正在进入 AI software factory，也就是 AI 软件工厂阶段。如果你熟悉 TDD，测试驱动开发，她把这看成下一步演化：人写 spec 和测试，定义成功标准；AI agent 生成实现、写代码、反复迭代，直到测试通过。人的工作不再是逐行写代码，而是定义要做什么、判断输出是否满足目标。代码会越来越像中间产物，真正稀缺的是清晰的规格、测试和判断。

“人类定义要构建什么，并判断输出；真正的代码，是 Agent 的工作。”

她提到，已经有公司把这件事推到更极端：代码库里几乎没有人手写代码，只有规格和测试 harness。Strong DM 的 AI 团队就是例子，他们的目标是基本消除人类写代码和审代码的必要性，让场景化验证驱动 agent 写测试、改代码、迭代到满足概率性的通过阈值。所谓 1000x 工程师，不是某个人突然变成超人，而是一个工程师被一套 agent 系统包围，能构建过去单人根本无法构建的东西。

中层管理会被信息层替代

如果公司到处都是 AI loop、组织可以被查询、工程由软件工厂驱动，那么传统管理层级就会显得笨重。Diana 说，旧世界需要中层经理和协调者，是因为信息必须靠人向上、向下、横向搬运。新世界里，智能层承担了很多信息路由工作。如果公司 artifact 足够丰富，并且对 AI 足够清晰，就应该尽量减少 human middleware，也就是人肉中间件。

“公司的速度，只会和它的信息流一样快。每去掉一层人肉路由，都是直接的速度收益。”

她用 Jack Dorsey 在 Block 的思考做例子：如果继续保留同样的组织图和管理结构，只是在里面塞进 AI 工具，就错过了变化本身。公司应该被重建成一个智能层，人类站在边缘指导它，而不是在内部层层搬运信息。这对创业公司尤其关键，因为速度往往不是输在努力程度，而是输在信息每经过一层就损耗一次。

这并不意味着不需要负责人，也不意味着所有协调都能自动消失。它强调的是，管理者不能再把“收集信息、转述信息、催促信息”当作主要价值。可查询组织里，很多状态默认已经可见，真正重要的是判断目标是否正确、结果是否靠近客户、系统是否还在学习。管理的重心会从传话，转向定义清晰责任和校准结果。

未来公司只剩三类人

Diana 转述 Jack Dorsey 的判断：未来每家公司会越来越接近三类员工。第一类是 IC，也就是 builder operator，直接构建和运营东西的人，而且不只限于工程师。支持、销售、设计、运营都要能构建，每个人去开会时带来的不应该只是 pitch deck，而是可以跑的原型。第二类是 DRI，直接责任人，关注战略和客户结果，不是传统经理，而是对一个结果清晰负责的人。第三类是 AI founder type，创始人型的人，既构建，也 coaching，也用行动示范能力上限。

“一个人，一个结果，不能躲在组织结构后面。”

这套结构背后的含义很直接：公司会用更小的团队拿到更大的结果。过去需要多人协作的工程、设计、HR、行政工作，会被少数人加 AI 系统覆盖。她甚至说，未来关键变化不是最大化 headcount，而是最大化 token usage。也就是说，优秀公司会愿意承担一个看起来不舒服的 API 账单，因为这笔钱替代的是更昂贵、更臃肿的人员规模。

创始人不能外包自己的 AI 信念

最后，Diana 把话说得很重：不要把对 AI 工具的信念外包给别人。创始人不能只是招一个“AI 负责人”，自己站在旁边等答案。你必须亲自坐下来和 coding agent 一起工作，直到它打破你对“现在能构建什么”的旧判断。只有当创始人自己看见能力边界被打穿，才可能重新设计组织，而不是把 AI 当作又一轮降本增效项目。

“你需要真正坐下来使用 coding agents，直到它们开始打破你关于现在能构建什么的旧判断。”

早期创业公司在这里有天然优势：没有遗留系统，没有复杂组织图，也没有成千上万需要再培训的人。大公司必须一边维护现有产品，一边拆掉多年形成的 SOP 和软件开发假设，任何变化都可能伤到已经能运转的核心业务。创业公司没有这个包袱，可以从第一天就围绕 AI 设计系统、流程和文化。这也是她给早期创始人的最大提醒：不要用旧公司的默认模板，去浪费 AI 时代少数公司才有的结构性机会。

Diana 还提到，大公司即使意识到方向，也常常只能通过内部小团队或独立项目去试，因为核心业务的流程已经绑定了太多既有假设。创业公司没有这样的包袱，反而可以把会议、文档、工程、客户反馈和运营数据从一开始就设计成同一个智能系统的输入。这不是规模小的劣势，而是可以更快重写公司操作方式的窗口期。

写在最后

这期最值得带走的，不是某个工具清单，而是一种组织想象力：把公司变成可查询、可反馈、可自我改进的系统。对创始人和团队负责人来说，第一步不需要宏大改造，只要从一个流程开始，把信息留下来，让 AI 真正进入闭环。

内容来源：”How To Build A Company With AI From The Ground Up”丨Y Combinator

原视频：https://www.youtube.com/watch?v=EN7frwQIbKc

如果你喜欢深度好文，试试用小程序将不方便立刻阅读的文章转成播客，用「听」的方式，稍后阅读，不再错过好文章⇣

⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣