夜雨聆风哈喽，大家好，我是Baoling。
AI 时代的组织该是什么样的，最近 YC 合伙人 Diana 给出了解答，是通过重构人与agent的协作，让组织从信息收集 -> 判断执行 -> 现实反馈，形成一个可以自我迭代进化的闭环。做成 Closed-Loop。
大多数老板对AI的理解，停留在"更强的工具"，能让现有的事情做得快一点，那么在组织里使用，就会发现，单点的效率是提升了，但是组织的效率并没有得到相应的提升。
工程师用Copilot效率提升20%，流程里加个自动化少了几个人工步骤。这不过是把旧的工作方式，换了一个更强的引擎。
在中国的企业主里，这个问题更严重。我们的老板们非常善于在现有框架里精益求精——优化成本、提升效率、压缩人力。但AI带来的不只是"更精益"，而是"换结构"。这两件事，量级不同。
如何给公司换结构。
Diana在演讲里给了一个定义，我觉得是目前我听到的最清楚的表述：AI不是你公司使用的工具，而是你公司运行所依托的操作系统。
操作系统这个词，值得细想。操作系统是什么？是所有其他程序跑在上面的那一层。它管理资源，协调各部分，让上面的程序不需要关心底层的复杂性。
如果AI是操作系统，那意味着你的营销、销售、运营、产品、HR，每一个职能，都不再是孤立的流程，而是运行在同一个智能层上的应用。它们共享数据，共享判断逻辑，而且——关键来了——会自我迭代。
一个完整的会迭代的闭环长这样：
感知层——这个词听起来高深，但其实可能就是客户的邮件、支持工单、代码变更、用户取消订阅、产品遥测数据——从外部世界采集信息的感知数据。
决策层——定义系统能做什么、什么事必须请示人类、什么事必须留存日志。
工具层——类似 Gary 的技能和代码——本质上是确定性的 API，比如查询数据库、查看日历，一套 AI 可以调用的工具。
质量关——可能包括评估检查、安全过滤、高风险操作的人工审核。
学习机制——系统与真实世界交互，发现哪里不对，反馈回到最顶端重新循环。
如果你能让这五个环节在没有人工干预的情况下跑通，你的系统就会在你睡觉的时候自我进化。
一个让我印象很深的例子。
YC内部做了一个智能体，最初的功能很简单：查询数据库，回答"我上次和这家公司开会是什么时候"。
后来变得更聪明：能根据"这家公司需要认识石化行业的人"这类需求，用不同方式搜索，给出五个相关的创始人推荐。这个阶段，它本质上还是一个副驾驶，让人效率提升30%左右。
真正的转折点是：他们在上面加了一个监控智能体。这个监控智能体观察每一个YC员工的每一个查询，记录哪些成功、哪些失败。失败的时候，它问自己：为什么失败？需要更新技能库吗？需要新建数据索引吗？需要换一种查询方式吗？
然后它自己写代码，提交PR，让另一个智能体审核、合并、部署。第二天早上，人类来问同一个问题，得到了正确答案。全程没有人介入。
这不是 AI 让你效率提升 20% 到 30%，这是 AI 在跑这个循环、自己想办法自我进化。
其他的例子：如果你有产品分析数据，让智能体分析你的转化漏斗哪里摩擦最大，研究最佳实践，设计 AB 测试，跑一周，选出最优方案，部署——然后再来一遍，循环往复，你就有了一个自我优化的产品循环。
或者用在客服上：客户建议源源不断地涌入，你有一个相当于首席产品官加首席技术官的智能体做判断——这个建议我们不想做，丢掉；这个建议符合我们的路线图，今晚就可以写代码、部署、推给用户——全程不需要人介入。
如果你能把公司的每一个部分都想成一个自我迭代的 AI 递归循环，它就会和那个层级式罗马军团式的公司截然不同。
所以要如何做呢？
1. 让公司对AI"可读"，是第一步。
很多老板问我：我从哪里开始？我的答案只有一个：先让你的公司对AI可读。
可读是什么意思？意思是，所有重要的事情，都必须产生可被AI处理的记录。YC现在的做法是：所有合伙人的邮件进数据库，所有Slack消息留档，所有会议录音，所有Office Hours有记录。他们的逻辑很直接——对AI来说，被记录下来的才算发生过，没有记录的等于没有发生。
我觉得这句话很绝。
在中国的公司里，大量的决策在微信语音里，大量的客户反馈在销售的脑子里，大量的运营经验在老员工的习惯里。这些东西，对AI来说是不存在的。你不是没有数据，你是有数据但没有让它变得可读。
这一步不需要很多技术，需要的是管理上的改变——把口头的变成文字的，把私聊的变成可查询的，把人脑里的变成系统里的。
我们在给一些律所做内容运营系统的时候，发现第一个难关不是AI不够聪明，而是律所的业务知识根本没有被结构化地记录过。律师的专业判断、客户案例的处理思路、行业里的潜规则——这些都是公司最值钱的东西，但对AI来说是一片空白。一旦把这层知识沉淀下来，整个系统的质量就会发生质变。有类似场景的老板欢迎找我聊。
2.烧 Token，不烧人头。
我们看到公司在 Demo Day 时每名员工对应的营收已经比 18 个月前高出约 5 倍，我认为这个趋势会延续到 A 轮、B 轮。很快，你的瓶颈将是 Token 用量，而不是人员编制。
现在一个粗糙但有方向感的衡量指标，就是看每个人的 Token 用量。当很多人还在犹豫AI付费太贵时（一个月也就几十块上百块），YC却认为他比人工便宜太多。搞清楚你的组织里谁在 Token 狂用、谁没有，是判断你应该把精力花在哪些员工身上的好方式。
未来组织的形态，Diana 的判断是：未来公司只有三种人。
一是IC（Individual Contributor），直接做事的人，构建者和执行者。在AI原生公司里，不只是工程师，销售、运营、产品，所有人都直接产出，而不是管理产出。
二是DRI（Directly Responsible Individual），直接负责人，对某个结果负全责的人。不是委员会，不是团队，就是一个具名的人，一件事，一个结果。
三是AI创始人型，就是老板本人——仍然亲自动手，以身作则，不是把AI战略外包给别人，而是自己站在最前面。
我对第三点有个很强的判断：如果老板自己不用AI，公司就不可能真正AI化。
我的建议。
如果你是传统行业的老板，从一件事开始：选一个现有流程，不是"给它加个AI工具"，而是问——这个流程能不能变成一个闭环，让它在没有人干预的情况下自我优化？
如果你是科技公司的老板，问自己：我的公司现在有多少流程是"开环"的——我们做了决策、执行了，但没有系统性地测量结果、反馈调整？
这不是AI不够用的问题，是你有没有把公司建成一个可以被AI理解、可以被AI驱动的系统的问题。
早期创业公司在这件事上有巨大优势——没有历史包袱，没有几千个需要重新适应的人，可以从第一天起就建对。
已经有规模的公司，难度更大，但不是没有可能。有些公司的做法是内部设立独立的小团队，从零开始建一套AI原生系统，和主业并行跑，等跑通了再推广。
两种情况，起点都一样：让公司对AI可读，然后，一个闭环一个闭环地建起来。
我是Baoling正在打造AI软硬件，为企业降本增效欢迎咨询和合作。
