YC General Partner Diana Hu 在 Startup School 提出：AI 帶給公司的核心變化不是生產力加速，而是 new capability——全新的能力邊界。因此 AI 不應只是加速工具，而應成為公司運作的 operating system。這與 從層級走向智能：AI 重塑組織設計 中 Jack Dorsey 的框架一脈相承。

核心概念

1. AI as Operating System

大多數人談 AI 還停留在「工程師變快」或「加一個 Copilot」的層次。Diana 認為這個框架太小——AI 帶來的是 new capability，讓一個人能做以前整個團隊才能做的事，甚至做以前不可能做的事。

正確的姿態：讓 AI 成為公司的 operating system，讓每一條工作流、每一個決策、每一個流程都流經一個智能層（intelligence layer）。

智能層的定義：能讀懂資訊、串連脈絡、協助判斷、推動行動，並持續從結果中學習的智能系統。

2. 從 Open Loop 到 Closed Loop

以控制系統的概念類比：

  • Open loop（舊公司）：決策 → 執行 → 結果散落各處，靠人重新判斷，不系統性回饋
  • Closed loop（AI-native）：決策 → 行動 → 結果 → 回饋 AI → 持續修正與優化

Closed loop 的前提是：公司本身必須先留下可被 AI 理解的資訊。這也連結到 AI 組織作業系統：Context 飛輪與無為架構 中的「context 飛輪」概念——公司要讓 AI 不只被動執行，而是持續觀察結果、對比目標。

3. 讓公司變成 AI 讀得懂的組織

Closed loop 的基礎建設：公司所有重要資訊必須能被 AI 搜尋、理解、串連，包括：

  • 會議紀錄、Slack 討論、GitHub issue、Linear/Jira tickets
  • 客戶回饋、銷售電話、規劃文件
  • Revenue、Sales、Ops、Hiring 各類 dashboard

重點不是資料越多越好，而是重要行動要留下可被理解的 artifact。這些 artifacts 累積成公司的 context，讓 AI 能真正理解公司在發生什麼，而非只看到破碎資訊。Diana 提到有團隊這樣做後，sprint time 減半，產出接近 10 倍。

4. 軟體工廠化：從 TDD 走向 SDD

AI-native 的高速產品團隊像一座軟體工廠：

角色 負責
人 定義規格、設計測試與驗收標準
AI Agent 生產程式碼、持續修改直到測試通過

這是從 TDD（Test-Driven Development）走向 SDD（Spec-Driven Development）：

  • TDD：先定義測試，再寫程式
  • SDD：先定義規格、測試、驗收標準，再讓 AI agent 生產、修改、迭代

工程師的核心價值因此轉移：從「能不能把這段 code 寫出來」→「能不能把問題定義清楚，讓 AI 穩定產出我要的結果」。這正是 Harness Engineering 所強調的 eval 與 harness 設計能力。

5. 千倍工程師（1,000x Engineer）

當一個工程師身邊有完整的 agents、spec、test harness 和 validation system，他就能做出以前整個團隊都做不到的事。

關鍵洞察：未來的強者，是最會設計 AI 工作系統的人——能把自己的工作方式系統化，把 context、workflow、工具和驗收標準組合成可重複放大的能力。這和 AI 就業效應與 Jevons Paradox 討論的「AI 不消滅工程師，而是重新定義高價值工程師」呼應。

6. 中階管理重新定義

傳統中階管理很大一部分工作是：收集資訊、整理進度、往上回報、往下協調。

當公司變成 AI 可讀的組織，資訊傳遞與 status rollup 大量由 intelligence layer 取代。

管理的價值重新集中在：

  • 定義方向與標準
  • 判斷結果品質
  • 培養人才
  • 對成果直接負責

「人肉資訊路由」角色的消退，是 從層級走向智能：AI 重塑組織設計 中 Block「從層級走向智能」命題的核心邏輯。

7. 未來公司偏重的三種角色

角色 定義
IC（Individual Contributor） 獨立貢獻者、builder/operator，每個人都要能做出東西、推動結果
DRI（Directly Responsible Individual） 對某個策略/成果直接負責；核心精神：One person, one outcome, no hiding
AI Founder Type 不只是管理者，而是親自建造、示範、帶隊理解 AI 能力邊界的 player-coach

AI-native 不是找一個 AI team 來做就夠——創辦人自己如果沒有被「原來一個人可以做到這麼多事」震撼過，就很難真正重設公司。和 AI 驅動一人公司創業規劃 的視角互補：創辦人本身的 AI 操作能力，決定了組織能否真正轉型。

8. Token Maxing，不是 Headcount Maxing

未來最好的公司會是 token maxing：願意付看起來很高的 API bill，因為它取代的是更昂貴、更膨脹的人力成本。

組織的槓桿單位改變了：

過去 未來
擴張靠 headcount 擴張靠 context、workflow、agent、token、eval、harness
問：要不要再請一個人？ 問：這件事能不能變成 AI 可以參與的流程？

這個框架與 100% 自動化原則與流程風險設計 和 企業 AI 導入實戰三原則 的核心主張一致：AI 導入的目標不是加速既有流程，而是重設流程本身。

關鍵要點

  • AI-native 的核心轉變是 new capability，不是 productivity boost
  • Closed loop 的前提：公司行動要留下 artifact，讓 AI 能理解和回饋
  • 工程師價值轉移：從寫 code → 定義規格與驗收標準（SDD）
  • 中階管理的「人肉資訊路由」功能被 intelligence layer 取代
  • 三種關鍵角色：IC、DRI、AI Founder Type（player-coach）
  • 新創有天然優勢：沒有舊系統、舊組織、舊假設的包袱

實務應用

對創辦人的提醒：若創辦人本人沒有親自用過 coding agent 或 agentic workflow，沒有被「一個人能做到這麼多事」震撼過，就很難帶領組織真正轉型。AI-native 不是「導入 AI 工具」的技術決策，而是組織設計的根本重設。

對經營者的檢查清單：

  1. 公司的重要行動是否留下 AI 可讀的 artifact？
  2. 流程是 open loop（做完就算）還是 closed loop（結果回饋給下一輪決策）？
  3. 組織的槓桿是靠 headcount 還是靠 context + agent + eval？

延伸觀點

Diana Hu 的 AI-native 組織願景，在近期多篇從業者研究中得到了操作層面的補充，但也出現值得正視的張力。

規格先行，而非工具先行。 Thoughtworks 的 SDD 研究指出，AI-native 工作流的品質上限不取決於模型能力，而取決於輸入規格的嚴謹程度。有效規格需要明確定義輸入輸出邊界、前置條件與系統不變量，才能讓 AI 生成可信賴的實現。這是讓 intelligence layer 真正運作的前置條件。

人類角色的重心移位有了量化數據。 Microsoft Data Science 團隊的實測顯示，AI-native 工程流程中，人類工作已有 73% 轉向規劃、架構與審查，純實現工作降至個位數。人類進化為「品質守門人」，驗證 AI 輸出是否符合架構與安全原則——支持 Hu 的「1000x 工程師」概念，但強調的是判斷的密度而非速度。

語境工程是新的核心技能。 Turing Post 指出：「如果背景知識只存在於人的記憶中，它還不真正屬於公司。」知識必須以機器可讀格式（Markdown、結構化文本）存在，組織才有能力讓 intelligence layer 真正運作——文件化與知識結構化的重要性不亞於系統架構設計。

兩個反直覺的警示。 第一，有效使用 AI 反而需要更紮實的工程基礎——只有具備足夠深度的工程師，才能辨別 AI 輸出中「合理但錯誤」的結果。第二，「70% 問題」為 AI 的自動化天花板設定了現實邊界：邊界情況、效能優化與領域特定邏輯，仍是人類無法完全委外的判斷地帶。這兩點對過度樂觀的「全自動化公司」敘事提出了結構性限制。

AI-native 組織最終是一個組織學習問題：知識是否以機器可處理的方式流動、人類判斷力是否在正確節點介入，以及系統是否在每次迭代中變得更可信賴。

反向連結

以下頁面引用了本頁：