YC 的新公司观：公司不再是层级，而是一组会自我改进的循环
第一性原理 分形世界观

YC 的新公司观：公司不再是层级，而是一组会自我改进的循环

| 阅读 9 分钟

如果只把这支 YC 视频理解成“AI 让创业公司少招人”，就把它看窄了。

Tom Blomfield 真正激进的观点，不是公司未来会更省人，也不是每个员工都要配一个 Copilot。他讲的是另一件事：公司这个系统本身，可能要从层级组织，变成一组能持续感知、决策、行动、验证和学习的 AI 循环。

这比“效率提高 20%”要大得多。

传统公司为什么长得像层级？Tom 在视频开头用了一个很古老的比喻：罗马军团。信息从边境传回中心，命令从中心传到前线，中间靠一层层具名的人维持跨度、秩序和责任。

今天大多数公司其实仍然如此。客户问题、产品数据、销售反馈、工程风险、组织状态，先被人看见，再被人总结，再进入会议、文档、汇报和管理链条。人不只是执行者，还是信息管道。

AI 真正改变的，就是这个管道。

Copilot 不是核心变化

过去一年，很多人谈 AI 落地时，默认问题是：它能不能让工程师更快？能不能帮销售写邮件？能不能让客服少花时间？

这些当然有价值，但还停留在旧公司的形状里。旧流程不变，只是在旁边装了更强的发动机。

Tom 的判断更进一步：公司内部真正稀缺的东西，是散落在邮件、Slack、会议、客服工单、代码、产品 telemetry 和创始人脑子里的领域知识。只要这些知识仍然只存在于人的头脑和零散记录里，AI 就只能当助手。

一旦这些知识被整理成 AI 可读、可调用、可更新的上下文，公司就不只是“有人用了 AI 工具”，而是在改变自己的组织形态。

这就是这支视频最值得看的地方：AI 不再只是员工的副驾驶，而开始变成公司的反馈系统。

一个自我改进循环长什么样

视频里给出的结构并不神秘。

第一层是传感器。它可以是客户邮件、支持工单、代码变更、订阅取消、产品埋点、销售反馈，也可以是员工每天实际怎么查询、怎么工作、在哪里卡住。

第二层是策略。哪些事可以自动做？哪些事必须请人批准？哪些行为必须记录？哪些输出必须经过质量检查？这不是装饰，而是系统不会失控的边界。

第三层是工具。AI 不能只会聊天，它要能调用 API、改代码、查数据库、发起实验、生成报表、修改内部知识库。

第四层是质量门。系统做了什么，要不要合并，要不要上线，指标有没有变好，有没有引入副作用，都必须能被检查。

第五层是学习。一次失败的查询、一张没用的看板、一条重复出现的客服问题，都不只是待办事项，而是系统改进自己的输入。

这五层接起来，才叫公司级 AI 循环。

Tom 举的 YC 内部例子很具体：他们给内部查询系统加了一个监控 agent，观察员工每次查询什么时候成功、什么时候失败。失败时，系统不只是记录“有人没查到”，而是追问为什么：是不是缺少 deterministic tool？是不是索引不对？是不是 skills 需要更新？

然后它可以连夜写代码、提 merge request、部署改动，让第二天同类问题更容易被回答。

这就是“公司睡觉时还在自我改进”的真实含义。不是 AI 有了意识，而是公司的反馈回路从人肉汇报变成了可计算、可执行、可验证的循环。

中层管理为什么会被挑战

这支视频最容易被误读的一句话，是 “middle management is done”。

如果把它当成一句裁员口号，就很粗糙。更准确的理解是：中层管理里有一部分职能，本来就是为了解决信息协调问题。

公司变大以后，单个创始人不可能知道所有客户在抱怨什么、所有工程系统哪里在失败、所有团队正在做什么。于是组织需要经理，需要汇报线，需要周会，需要跨部门同步，需要把状态压缩成人能处理的摘要。

但如果 AI 系统能够直接读取客户信号、产品信号、工程信号和业务信号，并把它们转成可行动的任务，原来大量“传话、汇总、对齐、催办”的工作就会被压缩。

这不是说组织不再需要负责人。恰恰相反，Tom 强调直接责任人仍然重要。未来的组织可能更需要具名责任人，而不是委员会式责任。AI 可以让信息流动更快，但不能替代最终承担责任的人。

所以真正变化不是“管理消失”，而是“管理的低带宽信息路由功能被系统吸收”。人的价值转向判断、责任、取舍、授权和真实世界接口。

公司的核心资产会从软件转向上下文

视频里还有一个很重要的判断：内部软件会变得 ephemeral。

过去公司花很多时间做内部系统、看板、后台、流程工具，因为软件一旦做出来，就像固定资产一样长期使用。但在 AI-native 公司里，很多内部界面可能是用完即抛的。今天为了一个问题生成一张看板，明天为了另一个问题生成一个工具，后天发现流程变了，直接重做。

真正不能丢的，不是这些临时软件，而是底层上下文：公司对客户的理解、业务规则、历史数据、失败记录、策略边界、决策理由。

换句话说，软件变便宜以后，公司的护城河会更像“组织记忆”和“业务语义”。

这也解释了为什么 Tom 反复强调记录。邮件、Slack、会议、YC 导师答疑记录，如果没有进入可读系统，对 AI 来说就等于没有发生。

这句话很强，也很危险。

强在它指出了 AI-native 公司的一条硬约束：你无法让 AI 利用它看不见的知识。

危险在于，如果公司为了让 AI 看见一切，就把所有沟通都变成可检索、可评分、可自动行动的数据，组织会很容易滑向高强度监控。员工会不会说真话？哪些讨论可以不被记录？哪些私人判断不该进入模型上下文？这些都不是技术细节，而是组织治理问题。

真正的边界是停止权

所以，这支视频不能只按乐观效率叙事来读。

一个会自我改进的公司系统，至少要回答四个边界问题。

第一，什么事可以自动做，什么事必须请人批准？

第二，系统改了什么，谁能审计，谁能回滚？

第三，哪些数据可以进入公司大脑，哪些沟通必须保留非记录空间？

第四，当循环开始优化错误目标时，谁有权按下停止键？

如果没有这些边界，所谓 self-improving company 只是把组织权力自动化。它可能更快，但不一定更好。

Tom 在视频里其实给了线索：policy layer、human permission、logging、quality gate 都是循环的一部分。也就是说，真正成熟的 AI-native 公司，不是让 AI 绕过治理，而是把治理做进循环。

怎么判断一家公司是否真的 AI-native

看一家公司是不是 AI-native，不要只问它用了多少模型、买了多少 token、裁了多少人。

更应该问五个问题。

它有没有把关键业务信号接进系统？

它有没有明确哪些行动必须经过人类授权？

它有没有让 AI 能调用真实工具，而不只是生成建议？

它有没有质量门、审计记录和回滚机制？

它有没有把失败经验写回组织上下文，让下一次更好？

如果答案是否定的，那它可能只是有很多 AI 工具。

如果答案是肯定的，它才开始接近 Tom 所说的自我改进公司。

这就是这支 YC 视频真正值得写下来的地方：它不是在预测无人公司，也不是在鼓吹管理层消失，而是在提出一个新的公司定义。

公司不再只是组织架构图上的层级。

公司是一组持续读取世界、改变自身、保留边界的循环。

未来真正厉害的创业公司，可能不是人最少的公司，也不是工具最多的公司，而是反馈回路最短、上下文最清楚、停止权最明确的公司。

参考来源

💬 评论