当 AI 智能体开始运营一家风投机构

AI 原生组织·风投工作流·人类责任

Footwork 把会议、邮件、CRM 和历史投资判断放进同一个上下文系统，让智能体在后台持续工作。但这个案例真正值得学的，不是“AI 取代投资人”，而是一家小型组织如何重写数据、流程和责任边界。

AI 原生不是给旧系统加一个聊天窗口，而是让上下文、执行与责任从一开始就彼此衔接。

本文整理自《我如何投资》播客（How I Invest Podcast）的一期对谈。主持人大卫·韦斯伯德（David Weisburd）采访了 Footwork 风投（Footwork）联合创始人尼基尔·巴苏·特里维迪（Nikhil Basu Trivedi），试图回答一个具体问题：一家 AI 原生（AI-native）的风投机构，日常到底怎么工作？

视频标题很容易让人想象“AI 在自主管理基金”。但对谈给出的实际图景更克制：AI 智能体（AI agent）在后台整理上下文、准备会议、更新管道、调取历史判断；人仍然负责关系、最终投票和决策后果。

字幕来自英文自动识别。文中有关 Footwork 成本、人员、智能体数量和内部效果的描述，都是受访者的陈述，不是独立绩效评估。本文会保留这条证据边界。

不是给旧流程加一层 AI

插件式 AI 等待人查询；AI 原生系统会在背景中主动准备、更新和提醒。

尼基尔对 AI 原生的定义很严格：如果只是把模型接到原来的流程上，然后期待效果自然发生，那仍然是旧机构。真正的改变是从零重想整家机构：哪些信息应该被持续记录，哪些任务应该自动发生，人只在什么时候介入。

他用客户关系管理系统（CRM）举例。传统流程里，人每天打开系统，查看项目管道、补记录、改状态。在他的理想模式中，智能体在后台根据会议、邮件和内部讨论更新记录，人无需把数据录入当作每日工作。

录制当天也提供了两个小例子。智能体根据播客方发来的访谈提纲、机构历史讨论和近期智能体日志，为尼基尔准备了谈话要点。在另一场董事会前，系统整理了两次会议之间的业务变化、邮件往来和它们与当日议题的关系。

本文可以这样理解：AI 原生组织的第一个判断题，不是“买了哪个模型”，而是“一件工作是否还要等人发起、找数据、手工转记和追踪状态”。

AI 原生的关键，是从零重想整家机构，而不是把 AI 塞进现有流程。

从聊天工具、本地智能体到云端上下文

真正的跨越不是模型名称，而是从手工喂上下文走向常驻、共享、可追溯的机构记忆。

Footwork 的第一代用法并不神秘：用 ChatGPT 和克劳德（Claude）对话，手工把数据放进去，看模型能做什么。这个阶段解决了“模型会不会”，却没有解决“工作能不能持续跑”。

第二代开始构建智能体，但它们运行在成员的本地电脑上。当团队想让智能体写公司简报或查投资组合信息时，有时只因为某个人的笔记本电脑合上了，任务就无法执行。这个失败暴露了一个组织性问题：如果智能只依赖某个人的设备，它仍然是个人工具，不是机构能力。

第三代把智能体迁到云端，并用 Postgres 数据库作为机构上下文的集中层。智能体因此可以常驻运行，按问题调取所需上下文，而不必每次再临时连接每个系统。尼基尔认为，后者不仅更慢，也更消耗代币。

按尼基尔的当时陈述，Footwork 只有 5 名全职成员，正在高频运行 3–4 个智能体，机构级 AI 成本每月为数千美元，尚未达每月数万美元。这些数字只描述它当时的实验规模，不能直接推导其他组织的成本或投入回报。

这条演进路线也有一个很重要的开放结尾：尼基尔预期 V4 和 V5 很快就会出现。因此，设计目标不应是一次性锁定技术栈，而是保留持续重建的能力。

AI 要进入六个职能，而不是只做一个机器人

前五项构成投资价值链，机构建设负责财务、LP、募资和内部运营。

尼基尔把风投的工作拆成五个连续环节：寻找公司、判断是否投资、赢得创始人的选择、帮助投资组合公司、最终退出。这个“寻找—判断—赢得—帮助—退出”框架，最早由他在 2020 年公开撰文说明。到这次对谈中，他又加上第六类“机构建设”：财务、有限合伙人（LP）关系、募资和内部流程。

Footwork 没有试图先做一个“万能投资机器人”，而是给不同智能体分配不同职责。Pep 为当天要见的公司制作简报，调取过往看过的相似项目和当时的判断，甚至主动提示还应该找哪些相关公司交流。Fergie 则更像机构内部知识大脑，可回答某家投资组合公司的董事会法定席位等问题。

这种分工带来一个比“工具推荐”更重要的设计原则：先画出组织的价值链，再问每个环节的输入、输出和反馈能否被 AI 重写。如果只在记录会议上省一点时间，却不连接历史判断、项目管道和投资后帮助，就还没有触及系统层面。

同时，这个框架是受访者对风投工作的抽象，不意味着每个职能都已经被同等程度自动化。对谈给出的是一张建设地图，不是完工验收表。

先拆解整条价值链，再决定 AI 应该在哪里改变输入与输出。

CRM 没有消失，人的操作界面消失了

系统记录层仍然重要；变化的是谁写入、谁调取，以及判断如何反馈进去。

Footwork 一度怀疑未来是否还需要 CRM，但实践后的答案是保留。他们继续使用 Affinity 客户关系管理系统（Affinity）作为重要的记录层，只是尼基尔已经很少直接打开它。

新的交互层是智能体。会见一家新公司时，成员的手写笔记和 Granola 会议笔记工具（Granola）的记录会被自动纳入。后续邮件、团队讨论和管道会议又会告诉系统，这家公司是继续深入，还是已经放弃。人不再为了“让表格正确”而反复转记。

CRM 之所以仍然重要，是因为它长期保存了机构看过的每家公司、当时怎么想、最后做了什么决定。这些历史不只是档案，还是智能体向后比较和改善的训练语境。

这里有一个很容易被忽略的治理问题：当邮件、会议和内部讨论都成为智能体的上下文，权限、更新准确性、来源追溯和错误纠正就会从 IT 细节变成组织责任。对谈描述了便利，但没有证明这些风险已被完全解决。

把个人的顿悟时刻变成组织下限

前沿能力的价值，要在被固化、传播和维护之后，才会变成组织能力。

Footwork 最初的做法很简单：让每个人先熟悉工具，允许他们花时间设置可自动化的流程，并在每周团队会议上讲这周怎样使用 AI。每个人都要带一个例子来，这使实验从私人习惯变成公开的学习材料。

尼基尔区分了组织的“下限”和个人的“上限”。自动化和共享可以让每个人都站在更高的起点上，而部分人会不断发现新能力，探到更高的上限。重要的不是让所有人用得一样，而是让前沿用法能回流到团队的日常流程。

在投资组合公司里，他们观察到四类做法：强制使用 AI；追踪代币消耗并设置排行榜；让更熟练的人辅导落后者；把这项辅导工作与奖励机制绑定。尼基尔没有声称哪一种已成标准答案，他更强调帮助每个人找到“原来 AI 真能让我的工作变好”的顿悟时刻。

当实验规模变大后，Footwork 又设立了专职 AI 负责人安德烈亚（Andrea）。他管理内部智能体、持续更新上下文层、把新能力传回团队，并通过每日试用前沿模型帮助机构修正投资世界观。在尼基尔看来，这是未来运营角色的雏形：不只管人，也管智能体和上下文。

这套做法也改变了他们对创始人的判断。在变化很快的环境中，他们更关注“学习斜率（learning slope）”：这周什么想法改变了？两次会面之间，创始人是否根据一线新证据修正了业务判断？这不是评估他说了多少 AI 术语，而是评估他的认知更新速度。

AI 是投资思考伙伴，还不是投资合伙人

“有发言权，无投票权”比“AI 合伙人”更准确地描述了 Footwork 当前的状态。

Footwork 之所以尝试让 AI 进入投资判断，一个核心动机是让每次决策都能使用过往的机构记忆。智能体不仅知道已经投过、看过和放弃的公司，还可以纳入那些当时没见到、没有优先处理，后来却显示出价值的错失项目。

它的当前任务是把关键问题、历史类比和过往结果送回给人。它可以说：这家公司在什么地方表现异常突出？以前相似的“突出信号”后来怎样了？团队是否正在忽略一个与自己既有偏好相冲突的证据？

但尼基尔明确说，AI 今天没有自己的投票。它还不是端到端的决策者：模型能力还不足，机构内部的上下文也还不够完整。他对未来更深参与持乐观态度，但那是推测，不是当前事实。

更重要的是，这家机构是否因 AI 而做出了更好的投资决策，尼基尔也没有宣布答案。风投回报周期很长，只能多年后根据完整结果回看。现在能说的是“准备更充分”和“判断被更系统地记录”，不是“收益已经提高”。

AI 今天没有自己的投票；它的价值是帮助人作出更好的判断。

先被自动化的工作，与最后的人类责任

任务边界会持续后移，但对人、公司和资本的最终责任不能因为系统更强就自动消失。

尼基尔回顾自己刚进入行业时做的工作：分析数据室、重建财务模型、做调研电话。在他看来，这些任务今天都已可大量自动化，机构后台也会变得更精简。因此，传统初级分析师的职责组合会发生变化，留下的人更像 AI 系统的操作者和判断者。

他并未断言行业将永远不招分析师，而是认为他们的工作会不同。同样，一人风投机构会因为 AI 杠杆而更容易启动，但“容易开始”不等于“容易做好”。机构数量可能增加，同时也可能有更多机构因不适应而淘汰。

在这套未来图景里，最后被自动化的是关系和判断。关系横跨项目寻找、赢得创始人、投后帮助和退出；判断则是在证据不完整、周期极长和结果高度偏态的情况下，仍然决定是否投资。

从编辑角度看，把“最后被自动化”理解为“永远无法被自动化”并不严谨。更稳妥的说法是：当系统能力继续提高，任务分工会变，但组织仍必须明确谁对最终决策和人际后果负责。

为什么一位 AI 原生投资人坚持亲自写作

写作同时训练判断、积累品牌，并增加项目、人才和资本找上门的概率。

尼基尔的《下一件大事》通讯（next big thing）拥有很大的风投读者群，但他说自己最初写作并不是为了建立粉丝规模，而是为了成为更好的思考者。正因如此，这反而是他不愿意交给 AI 代写的工作。

把想法写下来会暴露空洞、跳步和未定义的概念；读者评论和回信又会给出反例和修正。因此，写作不只是思想的输出，也是生产思想的过程。如果让模型直接跳到成稿，可能得到更快的文字，却失去了这个认知摩擦。

写作还带来了一系列外部效果：为机构建立可识别的品牌；帮助投资组合公司吸引求职者；让后续投资者兴奋；让项目来源和有限合伙人更早认识他的想法。每次发布后，很多人因为在收件箱里再次看到他，就会想起一家公司或一位值得介绍的人。

尼基尔把这称为扩大“偶然性发生的表面积”。主持人则用“首电优势（first call alpha）”和“看似随机、其实不随机”来补充：很多机会看似突然出现，往前追溯时，往往有一篇文章、一期播客或一次持续的公开表达。

这也提醒我们，“AI 原生”不应简化为“自动化越多越好”。如果一项工作的目标就是训练思考、建立信任或产生个人判断，全部代写可能恰好伤害了它的主要收益。

写作的目的是成为更好的思考者；如果这一步被外包，收益也会被外包。

从零建立 AI 原生机构：先建记忆，再扩大人数

尼基尔的顺序很反直觉：先设计智能体和可读上下文，再招人扩大组织。

如果今天没有 LP、没有声誉，从零创建一家机构，尼基尔的第一个建议不是先招分析师，而是先围绕寻找、判断、赢得、帮助、退出和机构建设构建智能体。他甚至说，这一步应该早于招聘任何新的人类成员。

第二步是让所有工作对 AI 可读：记录对话，写下判断，或把口头思考转成可检索材料。这不是为了制造文档数量，而是让未来的智能体能看见过去怎么想、为什么这样决定，从而建立跨时间的学习回路。

第三步才是使这些回路稳定，然后再考虑扩大人类团队。这样做的隐含逻辑是：不要先用人数把流程固化，多年后再用 AI 艰难地包裹旧结构。从第一天就让记录和执行方式适合人机协作，转向成本会更低。

尼基尔还建议讨论是否公开建设（build in public），因为分享内部 AI 实验可以帮初创机构区隔定位，吸引价值观相近的创始人，并获得外部反馈。但他也明确承认边界：有些公司靠公开建立类别与网络，有些公司则需要低调来保护招聘、客户和竞争优势。选择应取决于市场、战略和自身的真实性，而不是跟随一条统一口号。

先让每个判断对 AI 可读，再让组织变大。

品牌、网络，以及“非凡值得例外”

品牌让机构被想起，网络让优质项目回流；两者都需要用真实投资结果来加强。

当主持人问风投生涯中什么最能复利时，尼基尔给出两个答案：品牌和网络。品牌意味着当一家机构与成功的类别领导者联系在一起时，后来的创始人也会想要加入这个序列。网络则意味着更多项目来自被投创始人、共同投资者和已经见识过机构工作方式的人。

这两种资产会互相增强：更强的公司建立更强的品牌，更强的品牌吸引更密集的网络，更密集的网络又带来下一批更强的公司。这正是为什么写作、帮助创始人和即使拒绝时也保持良好体验，都可能在多年后回到项目寻找和赢得上。

与这套复利逻辑并列的，是尼基尔想给刚创办 Footwork 时的自己一条建议：“非凡的公司值得非常规处理。”基金通常会向 LP 承诺投资阶段、平均所有权和组合构建模型，但真正的回报往往由少数极端优秀公司主导。如果遇到这类公司，应有权在所有权、投资阶段或时点上作例外。

这与“LP 不喜欢意外”存在真实张力。尼基尔的答案不是忽略承诺，而是把例外的标准设得很高，且愿意向 LP 解释为什么这个机会足以超越原模型。不过，这条原则的难点正在于“什么才算非凡”；它不能成为任意偏离策略的事后借口。

非凡的公司值得非常规处理。

首支基金的动量工程，以及前两支基金的三项教训

募资通过持续更新可验证进展来建立动量；基金复盘则要防止策略和时间被旧模型锁死。

对话中提到，Footwork 在只募集两支基金的情况下，已有 7 家捐赠基金类 LP。尼基尔把早期成果归因于三类因素：2021 年初的有利时点；他与联合创始人迈克·史密斯（Mike Smith）在创办前用数月模拟合作、共同做天使投资并对齐价值观；以及两人分别在投资和运营上的过往记录。

按他的回忆，第一支基金在 2021 年 1 月开始正式募集，3 月已超额认购，4 月 13 日完成关账。他们不是等所有事情结束后再通知 LP，而是持续更新首个投资意向书、首个机构投资者、新增大型机构承诺和关账进度。每一个真实里程碑都为下一个 LP 提供更低的不确定性。

主持人用“双门”模型解释 LP 转化：与 100 个 LP 交流，可能有约 90% 不进入实质尽调，约 10% 开始工作，其中又有约 50% 转化，最后表面上是 5% 。这是主持人的经验框架，不是经过行业数据验证的固定比率。其启发是：不要只盯最终转化率，要研究什么证据使对方愿意进入尽调。

尼基尔还强调早期 LP 的质量、其投资经理组合、市场口碑和资本类型多样性。一些 LP 会从早期锨定者那里“借用确信”，因此首批合作者不只贡献金额，也会改变后续募集的信号质量。他同时认为，早期招到一位能处理多种运营问题的全能成员非常关键；Footwork 的首位成员凯瑟琳（Katherine）在基金一关账前就已加入，帮助建立了后台流程。

回看前两支基金，尼基尔提出三项可以做得更好的地方。第一，组合构建过于刚性，应更愿意为非凡公司作例外。第二，在 ChatGPT 引发大模型波次后，机构本可以学得更快、转得更快。第三，创建机构的各类活动挤压了写作和思考时间，而那两项恰恰是他的判断与品牌来源。

募资动量来自可验证的连续进展，不是来自最后一次华丽的陈述。

思维营养：读后追问

Footwork 的案例最有价值的地方，不是证明一套智能体已经能“运营一家基金”。它更像一个早期样本：当一家小型组织把自己的会议、判断、邮件和系统记录变成可调取的上下文，组织记忆就可以从“某个人还记得”变成“系统可以主动召回”。

但每多自动化一步，都应该同时多问一个责任问题。如果上下文不完整，谁发现？如果智能体根据旧判断反复加强同一种偏见，谁负责制造反例？如果一次投资失败，组织能否说清是人、数据、模型还是流程在哪里失败？

还有一个更难的追问：当 AI 已经能更快完成写作、分析、提问和比较时，哪些“慢”其实就是专业能力的生产过程？尼基尔不愿把写作交给 AI，因为他要的不是文本，而是写作过程中被迫形成的判断。你的工作中，是否也有这样的环节？

最后，如果真正的长期护城河是品牌、网络、关系和判断，那么 AI 应该帮你释放更多时间去积累它们，还是会让组织把时间填满更多、更快、却更同质化的输出？这个答案，不在任何一个模型的功能列表里，而在组织怎样定义自己想要复利的东西里。