YC 合伙人 Diana Hu 用 10 分钟讲了一整套 AI-native 公司的组织设计方法论——公司要变成“可查询的”、中层管理要让 AI 吞掉、未来拼的是 token 投入强度而非人头数

很多人把“AI 进公司”理解成两件事：

• 给员工配工具
• 给流程加自动化

这会让你更快一点。

但它不会让你换代。

YC 合伙人 Diana Hu 在 Startup School 那段 10 分钟的视频里（以及围绕它的讨论里），给出的其实是一套“组织操作系统”的设计法：

AI 不应该是公司在用的工具，而应该是公司运行其上的操作系统。

这句话最狠的地方不在于气势。

而在于它改变了组织设计的目标函数：你不再优化“谁用 AI 更高效”，你开始优化“公司哪些信息必须先变得可被 AI 理解、可被 AI 回放、可被 AI 学习”。

1）AI-native 的边界：不是工具升级，是组织升级

“加个 Copilot”的公司，默认还是人在跑系统。

• 人记住上下文
• 人解释信息
• 人做协调
• 人承担反馈链

AI-native 的公司相反：上下文、决策、执行、反馈，必须先经过一层 intelligence layer。

你可以把它理解成：公司从“以人脑为中心的网络”，变成“以可读 artifact 为中心的系统”。

2）开环 vs 闭环：你的决策有没有在学习

很多公司看起来在执行，其实是在“开环”里消耗。

做了决策。

推进了动作。

然后呢？

结果没有被系统性捕捉，经验没有回流到下一轮流程，改进靠复盘会上人的记忆与口才。

Diana Hu 强调的 AI-native 组织，是把关键流程做成 closed loop：

• 重要动作被记录
• 结果可测量
• 反馈能回灌
• 下一轮能自动更聪明

这不是“上一个 agent”。

这是把公司当成一个持续训练、持续更新的学习系统。

3）“可查询公司”：速度取决于上下文容器的质量

最现实的瓶颈是：你想让 AI 接管更多工作，但它读不到公司。

读不到，就只能靠人解释。

靠人解释，就回到了旧世界。

所谓 queryable company（可查询公司），不是一个口号，而是一套工艺：

• 会议尽可能被记录（不是为了归档，而是为了可复用）
• 决策要留下可检索的理由与权衡
• 工作流要产出 artifact（spec、ticket、issue、PR、runbook、指标）
• 关键数据要能被聚合到 dashboard（销售、营收、交付、招聘、运营）
• 尽量减少碎片化 DM/email 作为“事实存储”

这套设计的共同点只有一个：

让组织对 AI 可读。

你越早把公司做成高质量上下文容器，你越早让“智能层”真正接管。

4）“中层管理不会消失，它会变成 markdown”

视频里最刺耳的一句是：公司里应该几乎没有 human middleware（人肉中间层）。

很多人听到这句会本能反感。

但它并不是“反管理”。

它在说另一件事：中层管理里有很大一部分工作，本质是 human routing——把信息从 A 路由到 B。

当公司变得可查询、artifact 足够丰富时，这种路由的必要性会下降。

协调没有消失，它迁移了介质：从“人去解释”迁移到“文本可被读取”。

你会看到一个很朴素的组织形态：

• agent 读约束文档
• agent 读滚动上下文
• agent 读共享情报
• agent 做动作
• agent 把结果写回

管理层没有蒸发。

它变成了可读、可追踪、可回放的文本与指标。

5）软件工厂：人写规范，AI 生产实现

如果你把“可查询公司”只理解成知识管理，你会漏掉它最暴力的一段增益：研发。

Diana Hu 的意思很明确：高速公司正在进入 software factories（软件工厂）模式。

人在做的事情从“写实现”，迁移为：

• 写 spec（约束与目标）
• 写 test harness（判定是否成功）
• 做评审（决策与取舍）

agent 做的事情变成：

• 生成实现
• 反复迭代
• 直到测试通过

这对应一种新的分工：人负责定义世界，AI 负责在这个定义里把世界建出来。

6）Token maxing：未来拼的是 token 投入强度，而不是人头数

“token maxing”这句话之所以会出圈，是因为它把组织的成本结构重新标价了。

旧世界里：

• 增长靠人
• 规模靠 headcount

新世界里：

• 增长靠上下文质量
• 规模靠 agent 覆盖率
• 速度靠模型调用密度与反馈闭环

这会迫使 CEO 用一种更像 CFO + 系统架构师的方式来思考：

• 哪些流程值得用 token 预算去买速度
• 哪些岗位扩张应该被 token 替代
• 哪些数据与 artifact 必须先建设，才能让 token 花得更值

未来的“人效”会被重新定义成：单位 token 投入能驱动多少可验证产出。

7）为什么初创公司更占便宜

大公司最大的问题不是“人不够聪明”。

是它有 legacy systems。

• 旧流程不能停
• 旧组织不能拆
• 旧指标不能换

初创公司反而能从 Day 1 把系统按 AI-native 的方式设计：数据、文档、流程、闭环，全部围绕“可查询、可回放、可学习”来搭。

这就是“组织升级”真正带来的结构性优势。

8）两条硬约束：agent drift 与信息安全

但这套方法论不是鸡血。

它有两条绕不过去的硬约束：

1）agent drift：你很难假设一份 spec 能把人的心智模型精确映射到代码每一个细节。

这要求你把系统做成“可纠错”的：更强的测试、更短的反馈回路、更严的约束文档、更可追踪的变更。

2）信息安全与闭源模型风险：当你的组织认知核心外包给 API，等于把公司的“操作系统”部分托管给第三方。

你需要明确哪些信息可以出网，哪些必须内化到自建模型/私有环境；以及一旦模型策略变化，你的组织是否还可运行。

9）如果你想把这套组织设计落到下周一

你不需要从“建一套 AI 平台”开始。

你需要从“让公司可查询”开始。

一个足够实用的顺序是：

• 先定义 5~10 个必须闭环的流程（销售、交付、客服、招聘、财务、工程发布）
• 给每个流程定义 artifact 清单（输入/输出/指标/负责人）
• 让这些 artifact 默认进入可检索的仓库（文档库、issue、知识库、指标系统）
• 再把 agent 放到流程里，让它能够读取 artifact、写回 artifact、触发下一步

当你能做到“每一次重要动作都留下可被系统学习的痕迹”，token 才会变成真正的生产力投资。

参考

• 参考文章（公众号）：https://mp.weixin.qq.com/s/NTjdd-gStLptUE_w8E7h4Q（桂宫说事，2026-04-25）
• YC / Startup School：Diana Hu 关于 AI-native 组织设计的视频与讨论（见上述参考文内引用）