Greg Isenberg（創業加速器 Late Checkout 創辦人）提出一個核心診斷：大多數公司說自己「AI-Native」，實際上只是有人開著 ChatGPT 分頁。全球真正做到 AI-Native、有實質營收的公司大概只有 1,000 家左右。差距的根源不在模型，而在公司本身是否對機器可讀（legible）。

核心概念

Legibility：讓公司對機器變得可讀

AI-Native 公司不是「有在用 AI」的公司，而是被重新建構過、讓 AI 能在裡面運作的公司——架構、文件、權限、監測方式，全部以 agent 能理解的方式設計。

大多數公司對機器根本不可讀，因為：

  • CRM 說一套，Slack 討論串說另一套
  • 客戶歷史躺在某人的信箱裡
  • 定價邏輯在 Final_v7_NEW.xlsx
  • 退費政策在沒人信任的 Notion 文件裡
  • 銷售流程是「去問 Sarah，她知道企業客戶怎麼接」

Agent 無法靠 vibe 運作。它需要上下文、乾淨的輸入、規則、存取權、邊界，以及清楚定義的「好」是什麼。大多數公司花了二十年在買軟體，但沒有花二十年在設計作業系統。他們有一堆工具，不是一台機器。

AI-Assisted vs AI-Native 的核心區別

維度 AI-Assisted AI-Native
問的問題 我們可以在哪裡加 AI 省時間？ 如果 agent 負責前 80%，這個流程應該長什麼樣？
改變範圍 邊緣優化 核心重構
客服流程 人讀工單→查政策→寫回覆 Agent 讀歷史→查規則→擬草稿→人審核模糊地帶
業務流程 SDR 用 Google 搜、靠猜做個人化 Agent 監控訊號→充實帳戶→起草外展→給業務準備好的對話

人的角色不是搜尋引擎和文案寫手，而是審核模糊地帶。

人的角色被放大，不是消失

  • 好的營運人員 → 十個工作流程的主管
  • 好的業務 → agent 準備好對話後的成交者
  • 好的客服主管 → 升級邏輯和客戶體驗品質的設計師
  • 好的創辦人 → 公司思考方式的架構師

廚房理論

Everyone wants the magic. Nobody wants to clean the kitchen. 但廚房就是公司。

AI-Native 的門檻不在模型——在清資料、寫 SOP、把決策邏輯從人的腦袋裡搬出來這些枯燥的事。創辦人必須把隱含的東西明確化：退費政策是什麼？何時可以破例？怎樣算合格的 lead？面對憤怒客戶用什麼語氣？

這是枯燥的工作，但這條線把真正 AI-Native 的公司與 LinkedIn 上的表演區分開來。

關鍵要點

  • 全球年營收超 500 萬美元、真正 AI-Native 的公司只有約 1,000 家——市場幾乎是空的
  • 最被低估的機會：枯燥、獲利穩定、產業零散的服務業——AI-Native 代理商、法律服務、會計事務所、醫療行政、不動產營運
  • 既有企業很難追上：不能靠宣布 AI 計畫就變 AI-Native，舊流程債、資料混亂、團隊守地盤是結構性障礙
  • 每人營收（Revenue per employee） 是最清楚的信號，顯示公司是否真的為新時代而建

實務應用

五步驟 Playbook：

  1. 選窄範圍流程：從量大、有規則、人花太多時間在協調的流程下手（客服解決、外發開發、文件審查、續約管理）
  2. 拆成機器：列出觸發點、所需資料、決策類型（可逆/不可逆）、成功定義、錯誤發生點
  3. 結構化知識：agent 需要政策就寫政策，需要定價規則就明確化，需要語氣就定義語氣——這不是文件，是基礎建設
  4. 放進流程並設邊界：讓 agent 起草、分類、推薦；只在風險可控處給行動權；需要判斷的地方要求核准；記錄一切
  5. 衡量業務影響：解決時間、轉換率、毛利率、每人營收、客戶滿意度——AI-Native 應該在數字裡看得出來

相關頁面：

延伸觀點

多個獨立研究對 Isenberg 的框架提出了量化補充與一個重要警示。

「差異從來不在模型，而在組織」有了大規模驗證。 Stanford 51 個企業 AI 部署案例的研究明確指出：成功與失敗的分界線是組織成熟度——清晰的工作流定義、為 AI 消費而結構化的資料、跨部門對齊——而非技術選型。這直接呼應廚房理論：基礎建設就是差異本身。

「Mirage PMF」是 AI-Native 最危險的陷阱。 Emergence Capital 對 AI-Native 服務公司的研究提出一個反直覺警告：許多公司呈現收入成長，但背後是人力堆砌而非 AI 槓桿——毛利率沒有隨自動化提升，每人營收停滯不前。這是 AI-Native 的偽裝形態，比「只是有人開著 ChatGPT」更難診斷，因為數字短期看起來漂亮。真正的 AI 槓桿必須在利潤率曲線上看得出來。

任務分解優先於角色消除，不僅是倫理問題，更是工程問題。 同一份研究建議以「自動化離散任務」而非「消除職位」的框架拆解流程——這讓評估設計更可操作、產品化更快。Isenberg 的「agent 做有結構的工作，人處理品味、信任、判斷」正是這個框架的自然結果。

反向連結

以下頁面引用了本頁：