夜雨聆风最近看完 YC（YCombinator：美国硅谷一家极具影响力的创业孵化器和早期风险投资公司）的两场关于 AI Native 公司的分享后（一场是 Diana Hu 讲《如何用 AI 从零开始打造一家公司》，另一场是 Tom Blomfield 讲《如何用 AI 打造一家自我改进的公司》），我觉得AI时代的变化不在“效率提升”这四个字上，更是公司本身该怎样设计的问题：信息怎样产生，谁能读取，结果怎样反馈，系统能不能自己修正。
两场分享核心讲的就是：把公司变成一个可记录、可查询、可反馈、会自我改进的系统。
AI 要进入公司底层
Diana Hu 在演讲里有一个很核心的判断：
AI 应该成为公司运行其上的操作系统。
传统公司里，往往是在旧流程基础上加上AI辅助。原来怎么开会、怎么派活、怎么汇报、怎么复盘，现在大体照旧，只是在其中某个环节加一个 AI 工具。这样做能提效，但公司结构本身没有变化。
AI 原生公司的底层逻辑却是完全不一样，它关注的重点是每天的信息有没有输入：
会议内容有没有留下来？客户反馈有没有进入系统？代码、工单、销售电话、项目复盘，能不能被 AI 读取？上一次失败的原因，能不能影响下一次执行？
所以，AI原生公司的核心是公司每天的信息都要被输入，都要经过AI智能层。
公司要先变得可读
两场分享里反复出现一个词：legible，也可以理解成“对 AI 可读”。Diana Hu 的表达是，公司要变得 queryable，也就是可查询。她提到：
每一个重要动作都应该产出一个可沉淀的制品。
Tom Blomfield 讲得更直接：
如果一件事没有被记录下来，它就没有发生在你的智能系统里。
这句话对我触动很大。因为很多公司的知识并不缺，但它们散在聊天记录、会议口头表达、个人脑子、临时文档和项目经验里。人能勉强靠记忆和关系去找，AI 却读不到。
对 AI 来说，没被记录的客户异议，就等于不存在；没被归档的交付踩坑，就等于不存在；没被整理过的产品判断，也很难在下一次决策里发挥作用。
所以，AI 原生公司的第一步，不是采购更贵的模型。更关键的是让业务现场留下可用的痕迹。会议记录、客户反馈、销售线索、代码变更、工单状态、项目复盘、财务指标，都要有入口、有格式、有权限、有后续更新机制。
这里面最值钱的部分，不是某个软件界面，而是业务上下文。Tom 的一句话很适合放在这里：
软件是短暂的，业务上下文和技能才是有价值的部分。
闭环比自动化更重要
AI 原生公司还有一个关键词：闭环。
Diana Hu 用控制系统解释开环和闭环。开环公司做完决策、执行完动作，结果有没有系统性反馈，不一定。闭环公司会持续监控输出，并把结果反馈回流程，让下一次做得更好。
Tom Blomfield 把这个讲成一组递归式 AI 循环。一个完整循环大概有五层：
传感器层，收集外部世界的信息，比如客户邮件、客服工单、产品数据、用户取消订阅、代码变化。
策略层，规定哪些事 AI 可以直接做，哪些事必须问人，哪些动作要记录日志。
工具层，让 AI 能调用确定性的业务工具，比如查数据库、看日历、读工单、提交代码。
质量门，用评估、安全过滤和人工审核来卡住高风险动作。
学习机制，把失败、拒答、错误结果重新带回系统，让系统下次改进。
这比“自动化一个流程”更进一步。普通自动化是把固定动作跑快一点。自我改进循环的核心是：系统跑完后，能不能知道哪里失败了，能不能提出改法，能不能把改法合并进下一轮。
Tom 在 YC 的例子很有意思。他们一开始做了一个能查数据库的智能体，员工可以问它“我上次和某家公司开 office hours 是什么时候”。后来，他们在上面加了一个监控智能体，专门看哪些查询失败了，失败原因是什么，是不是缺工具、缺索引、缺数据库、缺 skills 文件。
系统可以在夜里写代码、提 merge request、让另一个智能体审查并部署。第二天员工问同样的问题时，系统已经修好了。
这就是自我进化公司的样子。重点不在于 AI 回答了一次问题，而在于 AI 知道自己哪里答不上来，并推动系统补齐缺口。
中层管理会被重新定义
两场分享都提到一个有争议的判断：中层管理会被压缩。
我不认为所有管理都会消失。只要有目标取舍、人员激励、复杂协作、高风险判断，人类管理仍然有位置。但如果一个角色的大量价值来自收集进度、转述信息、汇总状态、提醒别人跟进，那这一层会被 AI 明显削弱。
原因很简单，公司的速度取决于信息流。过去信息分散在很多人手里，所以需要人不断开会、同步、追问、整理。可当工单、会议、客户反馈、项目状态都进入同一个智能层，状态汇总这件事就不必完全靠人做。
Diana Hu 提到，未来公司里更重要的角色可能是 IC 和 DRI。IC 是直接构建和运营的人；DRI 是对结果负责的人。一个人，一个结果，责任清楚。
AI 如果只是工具，就只是帮每个身份省一点时间。AI 如果成为公司的智能层，它就能把这些身份之间的信息接起来。
我对 AI 原生公司的理解
看完这两场分享，我对 AI 原生公司的理解变得更具体了。
它的判断标准，不是全员是否使用 AI，而是关键业务动作能不能进入循环。
客户反馈进入循环，产品就会变准。
交付踩坑进入循环，服务就会变准。
销售异议进入循环，话术和方案就会变准。
代码失败进入循环，开发系统就会变准。
知识缺口进入循环，企业大脑就会变准。
如果你现在开始创业，你不应该先建一个传统公司，再往里面加 AI。
你应该一开始就问：
如果公司本身是一组会自我改进的 AI loops，我们今天应该怎么设计它？