用AI构建一家能自我进化的公司

type

status

date

slug

summary

category

icon

password

网址

哈喽，大家好，我是刘小排。

我今天花了很多时间，反复学习了两个 YC 的创业课程，越看越觉得有意思，越看越激动。

第一个是 Y Combinator 的《How To Build A Company With AI From The Ground Up》，主讲人是 YC 合伙人 Diana Hu。她讲的是怎么从第一天开始搭一家 AI 原生公司。

第二个是 YC Root Access 的《How to Build a Self-Improving Company with AI》，主讲人是 YC General Partner Tom Blomfield。他讲得更进一步：公司不但要 AI 原生，还要能自我改进。（文末有原始视频链接）

硅谷创业者似乎比我们对AI的理解要前沿和激进很多。

YC作为世界最牛的创业黄埔军校，竟然敢在自己课程里说「 1个人 + AI = 1000个谷歌工程师」。这就很尴尬了，毕竟，国内的博眼球型自媒体博主还只停留在“1个人=10个人”、都还生怕自己吹牛吹大了的阶段。

我想，这里面有一个很核心的、思维方式上代差：

国内很多创业者还在强调Productivty(效率)，他们琢磨的是「如何用AI提效20%、提效100%」。他们头脑里的隐含假设是「我比AI厉害，AI就是来帮我打杂的，打杂的时候帮我提高效率20%就很不错了，如果能提高100%，那也是因为我领导有方」

而更前沿的创业者更强调Capability(能力），他们琢磨的是如何最大化发挥AI的全部能力。他们头脑里的隐含假设是「AI在很多能力都远比我厉害，我不能因为我的笨拙而影响它的发挥。爱上一匹野马，我要给它草原」

如果你想只带走一句话，我想，应该是这一句：

以下是我（在 AI 的帮助下）整理的学习笔记，分享给你，希望对同样正在构建 AI 原生公司的你有所帮助。

这两个教程放在一起看，很有冲击力。它们讲的不是“AI 工具推荐”，而是一整套关于未来公司怎么运转的判断。

我们平时说 AI，往往还是把它当成一个提高效率的工具。工程师能不能写代码快一点？客服能不能少招两个人？销售邮件能不能自动写？这些问题当然有价值，但在 YC 这两场分享里，它们都不是重点。

硅谷创业圈的狂，有时候不是情绪上的狂，而是推理上的狂。他们会把一个假设一路推到底。比如他们现在真敢在 slide 上写：

翻译一下就是：

1 个人 + AI = 1000 个谷歌工程师。

这不是一个财务模型，也不是一个严格等式。它真正表达的是一种判断：AI 带来的不是“员工效率提升 20%”，而是公司能力边界的重画。

如果这个判断哪怕只有一部分成立，那我们就不能再只问“怎么给旧公司加 AI”。我们应该换一个更根本的问题：

如果今天从零开始建一家公司，它应该一开始就按 AI 原生的方式来设计吗？

下面，我会把这两个 YC 教程融合起来，整理成一套中文语境下更容易使用的框架。它尤其写给那些正在构建 AI 原生创业公司的人：你也许不需要马上照搬 YC 的所有做法，但你需要理解他们正在押注的公司形态。

这个形态可以用一句话概括：

AI 不是旧公司的一台新发动机。AI 是新公司的操作系统。

如果这句话成立，那么问题就不是“怎么让公司效率提高 20%”，而是公司这套机器本身要不要重新设计。

YC 给出的答案，有点激进：

公司不再应该是一层层人类管理者传递信息的金字塔，而应该是一组递归、自我改进的 AI 闭环。信息被捕获，进入公司大脑，被 Agent 理解、调用、修复、更新。

一个好的 AI 原生公司，甚至应该在创始人睡觉时继续变好。

这就叫自我进化公司。

PART 01

一、旧公司像罗马军团

Tom Blomfield 一开场用了一个很有意思的比喻：公司像罗马军团。

罗马帝国要从罗马城中心，把权力投射到遥远边疆，比如苏格兰的哈德良长城，就需要一套层级组织。谁管谁，命令怎么下达，情报怎么回传，每一级都有明确的管理幅度。

这套结构的核心，不是创造力，而是信息传递。

今天大多数公司也差不多。创始人做决策，高管拆目标，中层做协调，基层执行。信息从下往上汇总，命令从上往下分发。

很多中层管理岗位，本质上不是在创造新东西，而是在做人肉路由器。这个说法不好听，但很准确。

他们收集信息，压缩信息，翻译信息，转发信息。会议、周报、状态同步、OKR check-in、项目管理，很多都是这个系统的一部分。

在 AI 之前，这样做是合理的。因为公司太大以后，创始人不可能知道每个客户反馈、每个工程进展、每个销售线索、每个运营异常。

所以你需要层级。

但 Tom 说，AI 正在打破这个前提。

如果公司里的信息本身能被 AI 读取、理解、检索、总结、调用，那么公司就不再需要那么多人类节点来转发信息。

所以这不是一个效率问题。

这是组织形态问题。

PART 02

二、Copilot 是错误的心智模型

过去一年，很多人把 AI 理解成 Copilot。这是一个容易接受、但可能会误导你的比喻。

给工程师一个 AI 助手，让他写代码快 20%。给客服一个 AI 助手，让他回复客户快一点。给销售一个 AI 助手，让他写邮件快一点。

这当然有价值。但 Diana 和 Tom 都认为，如果你只看到这一层，就等于只看到了蒸汽机可以帮马车跑快一点，却没看到铁路要来了。

Diana 的说法是：

AI 带来的不是 productivity，而是 capability。

生产率提升，是旧工作方式变快。能力提升，是过去一个人根本做不了的事，现在一个人能做了。

YC 的那张 slide 上写得非常狠：

这句话当然不是严格数学等式。它的意思是，一个会用 AI 的人，身边如果有一整套 Agent 系统，他的有效产出可能不再对应一个人，而对应过去一个团队，甚至一个大团队。

所以真正的问题不是“工程师能不能多写点代码”。

真正的问题是：

如果一个人可以调用一群 Agent，如果公司所有知识都能被 Agent 读取，如果软件可以被随时生成和重生成，那么公司还需要按照过去那套方式组织吗？

YC 的答案非常清楚：不需要。

PART 03

三、第一步：把公司变成 AI 可读的对象

要做到这一点，第一件事不是买工具，而是改信息结构。

Diana Hu 用了一个词：queryable company。

Tom Blomfield 用了另一个词：legible to AI。

两个词意思差不多：公司必须对 AI 可查询、可理解、可调用。

这听起来像一句漂亮话，其实是个非常残酷的标准。

一家公司的知识，通常散落在这些地方：

• 创始人和员工脑子里的 know-how • Slack 和飞书里的消息 • 邮件和私信 • Notion、Google Docs、Linear、GitHub • 客户电话、销售录音、客服工单 • 产品数据、取消订阅、用户行为 • 各种会议纪要、站会、周报

这些东西合在一起，才定义了“这家公司到底是怎么工作的”。

如果它们只存在人脑里，AI 就用不了。如果它们散落在私聊里，AI 也用不了。如果它们没有结构化，没有总结，没有索引，AI 还是用不了。

所以 Tom 说了一句非常硬的话：

也就是说，在 AI 原生公司里，一次重要会议如果没记录，就等于没有进入公司大脑。一个客户需求如果只停留在某个人微信里，就等于不存在于系统里。一次关键销售对话如果没有被沉淀，它就不能训练下一次销售。

这就是为什么 YC 开始记录 office hours，保存 partner 邮件，把 Slack、DM、客户沟通尽可能纳入系统。

不是为了监控员工。

而是为了让公司有一个能学习的“大脑”。公司大脑不是比喻，它首先是一个信息工程问题。

PART 04

四、开环公司会丢信息，闭环公司会进化

这里要引入一个控制论概念：open loop 和 closed loop。

开环系统没有反馈。

你做一个决策，执行它，结果怎么样，往往不会被系统化地测量、总结、反馈到下一次行动里。

很多传统公司就是开环系统。开会时大家拍板，项目做完以后没人真正复盘。客户流失了，销售知道一点，客服知道一点，产品知道一点，但没有一个系统把它们合起来，让下一次决策变得更好。

开环系统最大的问题是：它会不断丢信息。

闭环系统不一样。

闭环系统会持续监测输出，把结果反馈回系统，然后自动调整下一步。

它不只是执行，它会学习。

Diana 说，AI 原生公司必须是闭环公司。

Tom 往前推了一步：公司不是一个闭环，而应该是一组递归、自我改进的 AI loops。

一个完整的 AI loop，大概有五层。

第一层是sensor layer。它负责感知外部世界。客户邮件、客服工单、代码变更、取消订阅、产品 telemetry，都是传感器数据。

第二层是policy / decision layer。它决定什么能自动做，什么必须问人，什么必须记录，哪些动作有风险。

第三层是tool layer。这是 AI 能调用的确定性工具，比如查数据库、读日历、跑测试、调用内部 API、提交代码。

第四层是quality gate。包括 eval、测试、安全过滤、高风险事项的人类复核。

第五层是learning mechanism。系统和真实世界交互后，发现哪里失败，再把失败反馈回循环顶部。

如果这五层能跑起来，AI 就不只是一个“帮你干活的助手”。

它变成了一个能发现问题、修复系统、让下一次表现更好的机制。

这就是自我进化。注意，这已经不是“自动化”了，这是把公司局部变成一个会学习的系统。

PART 05

五、YC 的 aha moment：AI 开始修复自己

Tom 在分享里讲了 YC 内部的一个例子，这是整套逻辑的高潮，也是我认为最值得中国创业者认真看的部分。

一开始，YC 做了一个 Agent，可以查询内部数据库。

比如你问：“我上次和这家公司 office hours 是什么时候？”它能查出来。

后来它变聪明了。比如某家公司需要 petrochemicals 领域的人脉介绍，它可以查 YC 数据库，用 RAG 找出几个相关创始人。

这已经不错了，但 Tom 说，这仍然只是 sidekick。