Paul Jarvis 决定退休。

你不得不承认，他是一位成功的预言家。早在 5 年前，他就出版了《Company of One》（中文版是《一人企业》，不是《一人公司》），观点在当时听起来很激进：企业不一定要追求规模增长。一个人，借助正确的工具和系统，完全可以建立一个可持续发展的事业。

“ 一人公司”（Company of One）的观念被反复验证：越来越多的创作者、顾问、设计师选择独立工作，通过自动化工具和精心设计的工作流程，实现了令人惊叹的产出。

而 Gen AI 让我们看到了另一种可能性。如果说“一人公司”强调的是通过工具来扩展个人能力，那“AI 原生公司”则是一种全新的组织形态：创始人不是简单地使用工具，而是在设计一个由 AI 代理网络驱动的组织系统。

如何构建一家“AI 原生公司”

在这个系统中，创始人的角色更像是一个“编排者”（orchestrator），而不是传统意义上的个人企业家（solopreneur）。如果说一人公司的创始人是独奏者，那么 AI 原生公司的创始人则更像是一个乐团指挥：在设定好曲调和节奏后，让 AI 代理们各司其职，共同演奏。

这种组织形态始于一个独特的角色：创始人，或者用更技术化的说法——Agent Zero。在所有 AI 代理开始工作之前，必须有一个人类来完成组织的“初始化”设定：定义使命、确立价值观、明确要解决的问题。这些基础性的判断无法委托给 AI，因为它们需要人类的主观判断和价值选择。

在完成初始化后，“AI 原生”的组织形态遵循着一个核心原则：非必要，不雇人。这不是简单的成本控制策略，而是对工作本质的重新思考。每个新需求出现时，第一个问题不是“我们需要招募什么样的人”，而是“这个问题最高效的解决方案是什么”。

这个原则在实践中如何运作？AI 设计工具 Readdy.ai 的创始人 Frank Zhu 分享了他们的转型经历。

在他的团队中，产品经理们同时承担设计工作，通过 AI 工具完成 UI 设计。“我们没必要再雇专门的设计师，”他说，“因为他们自己就能完成设计，而且效率更高，沟通成本更低。”这种转变很快延伸到了测试、开发等各个环节。

在测试环节，面对增长的需求，传统方案是加班或增加人手。但在 AI 时代，解决方案变成了让现有团队成员学习使用 AI 测试工具。“你不要把自己当作逐个点击的人，那是单线程的，”他对测试人员说，“你要成为看着 AI 工作的人。”

这种转变带来了显著的效率提升。在开发环节，使用 Cursor 等 AI 工具至少节省了 30% 的时间。但更重要的是效率提升的方式：过去需要两个人的工作量，现在一个人配合 AI 就能完成。当需求增加时，可能只需要增加 0.5 倍的人力，而不是传统的翻倍扩张。

在组织结构上，AI 原生公司呈现出一种流动的网络形态，而不是传统的金字塔层级。每个团队成员都是一个节点，连接和调度着不同的 AI 代理。这种结构让组织能够根据需要快速重组和调整，实现了前所未有的灵活性。

关键在于，这不是简单的自动化替代，而是对工作本质的重新思考。当 AI 接管了重复性工作后，人类团队成员的角色也在升级：从执行者变成了设计者，从专才变成了多面手，从单点突破变成了系统思考。

这种思维转变正在重塑组织结构：不是简单地用 AI 替代人力，而是重新思考每个角色的定位和工作方式。正如这位创始人所说：“与其简单地增加人手，不如思考如何用 AI 提升现有团队的效能。”

从“一人公司”开始，以“AI 原生”为组织原则，这种形态带来了显著的效率提升：小团队可以完成传统公司需要数倍人力的工作，决策周期从周缩短到天，产品迭代的速度成倍提升。但效率提升的同时，也带来了新的挑战。

一些挑战

在追求效率的过程中，AI 原生公司面临着三个需要特别关注的问题。这些挑战不仅关系到日常运营，更直接影响着组织的创新能力和长期发展。

工作流程中的创意障碍

“当我在第二天或第三天深入研究一个故事却仍然没有完全理解它时，我会感到生气、害怕和沮丧。”在 YouTube 上拥有 650 万粉丝的 Johnny Harris 这样描述他的创作过程。这种创意障碍（creative block）看似影响效率，但实际上可能是创新过程中不可或缺的部分。

Harris 的经历揭示了创意过程中一个微妙的平衡：严格的时间限制（“四天的限制很强大，因为它迫使我集中精力”）能带来高效率，但有时也需要给创意留出“喘息的空间”。这个观察指向了一个更深层的真相：创意障碍不是效率的敌人，而是创新过程中不可或缺的部分。

在 AI 辅助的工作流程中，这些有益的障碍正在消失。当我们遇到问题时，第一反应往往是询问 AI。它会立即提供一个合理的答案，这个答案如此完美，以至于我们失去了继续探索的动力。这就像是在为创意装上了自动驾驶系统：目的地可以更快到达，但我们错过了那些可能藏着惊喜的岔路。

前 Adobe 的首席产品官 Scott Belsky 对此有个深刻的观察：在 AI 时代，人类成功的机会来自于更丰富的创意输入——旅行经历、生活体验、文化的碰撞——以及提出更好的问题的能力。这个洞察直指问题的核心：AI 可以帮助我们更快地到达目的地，但真正的创新往往来自于那些“绕路”过程中的意外发现。

决策机制中的过度迎合

AI 系统有一个与生俱来的特质：过度迎合。这个问题的根源在于现代 AI 系统的基础架构和训练范式。大型语言模型基于 Transformer 架构，其核心机制是通过自注意力（self-attention）来预测序列中的下一个最可能出现的 token。这种预测本质上是在最小化训练数据分布上的损失函数，这意味着模型天生倾向于产生最符合已有模式的输出。

强化学习的训练过程（特别是通过人类反馈的强化学习，RLHF）进一步强化了这种倾向。在这个过程中，AI 系统被优化为产生“最可能被人类接受”的答案。更值得注意的是，当前 AI 模型的竞争格局也在强化这种“过度迎合”的倾向。主流评估基准（benchmarks）如 MMLU、Big-Bench 等，本质上是在测量模型对人类期望的符合程度。

这种“共识机器”式的发展方向令人担忧。在产品开发中，这种倾向特别危险。如果有 AI 在 2017 年来分析 iPhone 的市场需求，它很可能会建议保留物理键盘。

真正的创新往往来自于对主流观点的挑战，而不是对现有共识的完美总结。

决策中的利害关系

这个问题本质上是经济学中的“委托 - 代理”问题在 AI 时代的新表现。在传统的“委托 - 代理”关系中，代理人（比如公司管理层）的利益可能与委托人（比如股东）不完全一致，但至少代理人要为自己的决策承担某种形式的后果：管理层会因业绩不佳而被解雇，投资经理会因表现差而失去客户。

但 AI 系统打破了这种责任链条。正如 Nassim Nicholas Taleb 在《Skin in the Game》（中文版《非对称风险》）一书中指出的，任何系统的稳健性都依赖于决策者与决策后果之间的直接联系。一个创业者投入全部积蓄创业，一个医生为自己的诊断负责，一个建筑师必须在自己设计的建筑物下工作——这些都是决策者承担实际风险的例子。

这是一个生产关系，而非生产力问题。AI 系统，无论多么先进，都不具备这种特质。当一个 AI 代理建议你调整产品策略时，它不会因为这个建议导致的失败而破产；当它提供一个投资建议时，它不会因为市场波动而损失财富；当它生成一段代码时，它不会因为系统崩溃而被解雇。

这种“无责任决策”的问题在 AI 原生公司中表现得尤为突出，迎合而非对抗性的“共识”更突出了“肥尾风险”，进一步放大了最终影响。

应对之道

传统的组织结构并不是没有它的道理：我们所嘲讽的企业秩序虽然混乱、缓慢、充满令人不快的谬误，但它也提供了对抗、平衡和沉思熟虑。

虽然我抛出了“AI 原生公司”的概念，但也深知，面对不可预知的未来，屏幕上那些令人眼花缭乱的操作并不足以支撑这个日益复杂且模糊的商业社会的运转。

对于“AI 原生”的新一代组织，在最大化发挥 AI 带来的效率提升之外，应该有意设计工作流程和决策机制，比如：

• 在工作流程设计上，有意识地在流程中保留“创意障碍”。比如规定某些关键决策必须经过人类团队的深度讨论，或者在产品设计过程中预留“发酵期”。这些看似降低效率的做法，实际上是在为创新留出必要的空间。
• 在决策机制上实验“对抗性 AI 系统”，同时部署多个 AI 代理，基于不同甚至相反的假设来分析同一个问题，其任务就是挑战主流 AI 的决策建议。这种有意识的对抗设计，帮助组织避免陷入“共识陷阱”。
• 在利害关系问题上，新的商业模式可能提供了一些启发。随着 AI 服务越来越多地采用按任务产出收费的模式，让 AI 代理的“收入”与其决策的实际效果挂钩——或者是某种保险机制（就像 Tesla 为其自动驾驶汽车设计的那样）也是必要的。

更重要的是，我们需要建立更透明的决策框架。在这个框架中，AI 的决策过程应该是可追踪、可理解的，而人类决策者则保留必要时刻的干预权。这不是对 AI 能力的不信任，而是对混合决策模式的理性设计。

未来的平衡

人类最伟大的创造往往来自于绕路、对抗、摩擦和愿赌服输。那个深夜里在工作室踱步的艺术家，为一笔颜料的深浅纠结；那个在实验室里反复推翻假设的科学家；那个在创业初期倾尽积蓄的创始人——正是这些看似“低效”的时刻，这些充满不确定性的探索，这些愿意承担风险的决定，塑造了人类文明最珍贵的部分。

AI 原生公司代表了一种全新的组织实验。在这个实验中，我们不仅要思考如何与 AI 协作，更要思考如何保持人之为人的特质：那些来自于犯错、怀疑、反抗，甚至是不理性的闪光时刻。也许，真正的突破不在于让 AI 更像人，而在于让人更像人。

在效率与创新之间，在确定与未知之间，在理性与直觉之间，我们正在寻找一种新的平衡。这不容易，但正如每一次技术革命都教会我们的：真正的进步往往来自于拥抱矛盾，而不是消除矛盾。

一代新技术，一代新公司，一代新组织。如果你也在实践或思考这个议题，欢迎评论、转发或私信我，共同讨论！

Links + Notes | 链接笔记

Links + Notes 越来越多的成为我的个人研究笔记，而不仅仅是阅读推荐。它们更像是论文中的“参考文献”，展开每一个未能在文章中展开的细节。有时候，它们也很像是幕后纪录，适合对于信息吞吐量更大的读者吸收消化。

Platform Thinking 由读者支持，这部分内容将以邮件形式发送给付费订阅的读者。

在本周的笔记中，我收集了六篇文章，它们从不同角度为我们理解这些挑战提供了洞见：从内容创作者如何在 AI 时代保持创造力，到社交平台如何设计共识机制，再到品牌如何在 AI 改变的营销环境中重新定位。这些案例和思考帮助我们更好地理解 AI 原生公司的机遇和挑战。

• Browse No More: Paul Stamatiou 深入探讨了现代 AI 搜索产品的三个核心问题：内容归因被弱化、搜索过程成为黑箱、AI 总结趋于同质化。文章特别强调了这些问题可能导致的二阶效应：优质内容创作者可能会选择退出公开索引，进一步恶化 AI 训练数据的质量。
• Have you ever seen a goth downtown: Alex Danco 通过城市与乡村的对比，阐释了 AI 系统的 " 过度迎合 " 问题。文章用音乐创作的例子说明，真正的创新往往来自于较少但持续的反馈，而不是来自大量并行的审查。这个观点对理解 AI 原生公司的创新机制很有启发。
• Community Notes: 这是对 X（前 Twitter）社区笔记功能的深度解析。通过采用 " 桥接排名 " 算法，Community Notes 成功实现了在有争议话题上达成共识的机制。特别值得注意的是其新开发的 Supernotes 系统，展示了 UGC 与 AI 结合的创新方向。
• How AI Changes Customer Acquisition: 文章探讨了 AI 如何改变客户获取方式，特别是在品牌建设方面。关键观点是：当用户与 AI 助手交互时，传统品牌价值可能被弱化，企业需要重新思考如何在 AI 时代建立品牌影响力。
• Meet the King of YouTube Explainer Videos: Johnny Harris 分享了他的创作流程，特别强调了创意过程中 " 障碍 " 的价值。他通过调整产出节奏（从每年 48 个视频减少到 30 个）来保持内容质量，这个例子很好地说明了在追求效率时如何平衡创意需求。
• Avoid the nightmare bicycle: 这篇短文用自行车和微波炉的例子，说明过度简化反而会带来复杂性。这个观点对 AI 原生公司的产品设计很有启发：不应该过度包装 AI 功能，而是让用户理解并掌控基础机制。

这些文章共同构成了理解 AI 原生公司挑战和机遇的重要背景材料，特别是在创新机制、用户交互和组织结构方面提供了更多参考。