YC：怎么从零打造一家 AI 原生公司

翻译自 YC 合伙人 Diana 的演讲：How To Build A Company With AI From The Ground Up，2026 年 2 月。我按自己的语感重新整理了一遍，方便中文读者读起来不卡。

我是 Diana，YC 的合伙人。

过去几个月我看清了一件事：AI 不只是让软件造得更快，也不只是让某些工作流自动化。它正在从根本上改变创业公司应该怎么跑——什么人留下、什么岗位消失、什么产品现在能造出来。

这一期我要讲创始人应该怎么思考"AI 原生公司"——团队该有什么角色、内部该用什么具体做法，让你立刻就能跑得更快。

AI 不是工具，是操作系统#

现在大多数人聊 AI 都还停留在"提高生产力"这一层：让工程师更高效、给现有流程接个 AI 助手、多发几个功能。

这个框架完全错过了正在发生的事。

我们看到的不是"效率提升"，是全新的能力：今天一个对的人加上 AI 工具，能做出过去要一整个团队才能做、或者根本做不出来的东西。

把 AI 想成"新能力"，对创始人意味着什么？

往大了说：AI 不应该是你公司在用的工具，应该是你公司运行的操作系统。每一个工作流、每一个决策、每一个流程，都应该流经一个持续学习、持续改进的智能层。

具体一点：你公司里每一个重要流程，都应该被一个智能闭环包住。闭环捕捉信息、把信息喂回智能系统、让流程随时间变得更好。

开环还是闭环？#

学过控制论的人对这两个词不陌生。

• 开环：被控制的系统没有反馈。在过去，公司基本都是开环——你拍板、你执行，但不一定系统性地测量结果、不一定把结果回写到流程里。开环本质就是有损的。
• 闭环：自我调节。系统持续监测自己的输出、持续调整流程，让结果越来越接近目标。闭环在"准确性"和"稳定性"上极强。

有了能自我改进的智能体，你的公司就该按闭环来跑。

让公司对 AI 可查询#

要让闭环跑起来，你得让整个公司可被查询。换句话说，整个组织对 AI 是可读的。每一个重要的动作都要产生一份可被读取的记录，让公司中央的智能层能从中学习、能用来自我改进。

具体怎么做：

• 所有会议都用 AI 记录下来
• 减少私聊和邮件，把智能体嵌入所有沟通渠道
• 自建仪表盘把公司里的所有数据接进去：营收、销售、工程、招聘、运营——全部
• 给智能体同时接入：项目工单系统、所有工程聊天频道、所有客户反馈（来自邮件或客服系统）、代码仓库、文档系统里的高层计划、销售电话录音、每日站会

我举个具体例子。工程管理和迭代规划。

如果你的智能体能同时访问：你的工单、所有工程频道、来自邮件和客服系统的所有反馈、代码仓库、文档里的高层计划、销售电话录音、每日站会——那它就能告诉你上一轮迭代实际交付了什么、是不是真的满足客户需求。

更进一步：在拥有"上线了什么、什么成了、什么没成"的完整可见性之后，智能体可以往前看，给工程师提出远比拍脑袋更可预测、更准确、更跟得上节奏的下一轮迭代计划。

那种被各级经理塞水状态汇报、信息一路衰减的日子，过去了。

我自己带过工程团队，现在又在多家 YC 公司里看到这件事——这是个颠覆性变化。过去需要持续协调才能维持的东西，默认就变得可读、可查询。我看到的团队里，有些把迭代时间砍掉了一半，相同时间内做的事接近 10 倍。

整体原则就一句话：要让模型把全部能力发挥出来，你得给它和员工同等量级的上下文。

做到这点，公司就不再是一个信息碎片化、靠人工拼解读的开环——而是变成一个闭环系统。状态、决策、结果被持续捕捉，被回写进智能层。结果是这个系统永远对"现在到底在发生什么"保持最新视角。

AI 软件工厂#

跑速度最快的公司，正在出现一种新范式：AI 软件工厂。

熟悉测试驱动开发的人会觉得亲切——这是它的下一代。

在 AI 软件工厂里：

• 人写规范，再写一组定义"成功"的测试
• AI 智能体生成实现代码，反复迭代直到测试通过
• 人定义要造什么、判断输出合不合格；写代码本身是智能体的事

有些公司已经把这件事推到了极致——他们的代码仓库里没有手写代码，只有规范和测试集。

Strong Compute 的 AI 团队就是个好例子。他们的终极目标，是建一个根本不再需要人来写代码或审代码的系统。所以他们造了自己的软件工厂：用规范加场景化的验证驱动智能体写测试，再让智能体在代码上反复迭代，直到达到一个概率性满意阈值，跑通为止。

Steve Jay 提的"千倍工程师"，就是这么实现的——让一个工程师被一整套智能体系统包围，能造出他过去根本造不出的东西。

千倍、甚至万倍工程师的时代，已经到了。

中层管理可以取消了#

按"闭环 + 可查询 + 软件工厂"这套搭出来的公司，会带来一个直接后果：经典的管理层级不再有意义。

旧世界你需要中层经理和协调者，把信息低效地在组织里上下传递。新世界里——智能层就是这个角色。

如果你的公司是可查询的、记录丰富的、对 AI 是可读的，那你几乎不应该有任何"人类中转层"。

为什么这件事重要？你公司的速度，等于你信息流动的速度。每去掉一层人类路由，你就直接得到一次速度提升。

Jack Dorsey 在 Block 就在这么做。他深度上手了这些工具之后，得出了和很多人一样的结论：这件事远不止是"渐进式效率提升"。

他的判断是：如果你保留旧的组织架构和管理结构，你就完全错过了这次变革。公司本身必须被重建为一个智能层，由人类在边缘引导它，而不是当中转节点。

Jack 提出，未来每家公司只剩三种员工原型：

按这套结构搭起来的公司，用更小的团队拿到放大很多倍的结果。

最关键的一次心态转换：最大化算力消耗，不是最大化人头。最好的公司是把算力用满的公司。

把这个权衡想清楚：一个手里有 AI 工具的人，能干过 AI 之前公司里一整支大型工程团队。也就是说——工程、设计、人事、行政，都该比以前精瘦得多。

所以你应该心安理得地承受一张高得让你不舒服的接口账单——它替代的，是远更贵、远更臃肿的人头成本。

别外包你对工具的信念#

但别只听我的。

你没办法把"对这些工具有多强大"这件事的信念外包出去。你只能自己亲自坐下来用编码智能体，用到你对"现在到底能造出什么"的旧观念被打破为止。

如果你是早期创始人，这一点上你有巨大优势。你没有遗留系统、没有臃肿的组织架构、没有几千个员工要重新培训。你足够小，可以从第一天起就把公司搭对。

存量公司是反过来的。它们要一边维护和扩张已经在跑的产品，一边解构沉淀了多年的标准操作流程和"软件应该怎么做"的核心假设。有些大公司能靠内部隔离小队——和主营业务隔离，从零造 AI 原生系统——绕过这个问题。Mutiny 是一个不错的例子。但对大多数大公司来说，每一次对核心流程的改动，都可能弄坏一个已经在跑的东西。

所以从结构上看，这些大公司转型成 AI 原生，会非常困难。

创业公司没有这个负担。这是一个非常大的优势。从设计、工作流、文化都按 AI 来构建——结果是，你能跑得比老牌企业快上一千倍。