如何用 AI 构建自我改进的公司

摘要

本次演讲探讨了 AI 如何从根本上重新定义公司组织形态。核心论点是：大多数公司仍然像罗马军团一样按照层级制组织——人类作为信息上下传递的管道。但 AI 打破了这一假设，我们不应仅将 AI 视为让工程师效率提升 20% 的副驾驶（Copilot），而应重新想象公司本身——将其构建为一组递归自我改进的 AI 循环（Recursive Self-Improving AI Loop）。关键洞察在于：将公司的领域知识从人的头脑和散落的文档中提取出来，定义为一组上下文和技能，使其对 AI 可读。当传感器层（客户邮件、支持工单、产品遥测）、策略层、工具层、质量门和学习机制形成闭环时，公司就能在你睡觉时持续自我改进。这意味着我们应该燃烧 Token 而非人头——YC 正在看到公司的每员工收入比 18 个月前高出 5 倍，中层管理已不再必要，每个人只需做独立贡献者（IC）和构建者。

正文

罗马军团式的公司已经过时

罗马军团的设计初衷是从罗马中心向两大洲投射权力，采用的是嵌套层级结构、一致的控制跨度，由具名的个体自上而下传递命令、自下而上汇报信息。今天大多数公司仍然按照罗马军团的方式组织——人类是信息上下流动的管道。Jack Dorsey 曾经指出，层级制组织是经济价值单元的默认组织方式，而 AI 从根本上打破了这一假设。

AI 不是副驾驶，而是组织重定义

一年前人们谈论 AI 时，关注的是生产力——副驾驶、让工程师效率提升 20%、在工作流中加入 AI。但这种思维方式是错误的，就像在旧的工作方式上装一个更强大的引擎。正确的做法是重新想象公司是什么、如何运作。以 Gary 为例，他一个人产出的代码可以超过一整个工程团队。关键在于将公司的领域知识——存在于人的头脑、Slack 消息、邮件和 Notion 中的信息——提取出来，定义为上下文或技能集合。当这些知识变得对 AI 可读时，你就能从层级组织转向由 AI 原生软件驱动的智能组织。

自我改进的 AI 循环

自我改进公司的核心架构是一个 AI 循环，包含五个层次：

1. 传感器层（Sensor Layer）：从外部世界获取信息——客户邮件、支持工单、代码变更、取消订阅、产品遥测等
2. 策略层（Policy Layer）：决策规则——AI 可以做什么、必须征得人类许可的事项、必须记录的内容
3. 工具层（Tool Layer）：确定性 API，如查询数据库、查看日历等 AI 可调用的工具
4. 质量门（Quality Gate）：评估检查、安全过滤器、高风险操作的人工审核
5. 学习机制（Learning Mechanism）：系统与现实交互，发现失败之处并循环回顶部

如果每一步都能在最少人工干预下运行，系统就会在你睡觉时不断自我改进。

YC 的实际案例

YC 从一个简单的查询代理开始——可以询问"我上次和这家公司做办公时间是什么时候"。然后它变得更聪明——能够为当前正在进行办公时间的公司推荐五位相关创始人。但这只是去年的版本——让 Gary 作为群体合伙人效率提升 20-30%。真正的顿悟时刻来自于在查询代理之上放了一个监控代理，它会查看每一位 YC 员工的查询，判断成功和失败的情况，分析失败原因，然后自动编写代码、提交合并请求、审查并部署——当第二天人类来问同样的问题时，它已经能成功回答了。这就是 AI 真正的自我改进循环。

其他应用场景

• 产品分析：代理分析销售漏斗中摩擦最大的环节，研究最佳实践，实施 AB 测试，运行一周后选择最佳版本部署，然后周而复始
• 客户服务：客户建议不断涌入，代理像首席产品官和首席技术官一样做判断——哪个建议不做，哪个建议可以在一夜间实现——然后写代码、部署、交付，无需人类参与

实施建议

1. 燃烧 Token，而非人头：YC 正在看到公司 Demo Day 时每员工收入比 18 个月前高出 5 倍，这一趋势将持续到 A 轮和 B 轮。很快你将受限于 Token 使用量而非人头数
2. 中层管理已终结：AI 应该承担协调职能，公司只需要两种角色——独立贡献者（IC）/构建者，以及直接负责人（DRI）
3. 让整个组织对 AI 可读：记录一切——邮件、Slack 消息、DM、办公时间录音。所有信息都应进入数据库，让 AI 可以访问和学习