شارك أحد شركاء YC كيفية استخدام الذكاء الاصطناعي لبناء شركة من الصفر، وينبغي على الشركات الناشئة أن تعتبر الذكاء الاصطناعي نظامًا أساسيًا وليس مجرد أداة

AI 对新创公司的影响，已经不只是让工程师写程式更快、让客服流程自动化，或是在既有产品里加上一個 Copilot。YC 合伙人 Diana 近日指出，真正的变化在于，AI 正在改写「一间公司应该如何从零开始被建立」。对早期创办人而言，AI 不该只是公司偶尔使用的效率工具，而应应该从第一天开始，就被设计成整间公司的作业系统。

生产力视角已经过时，AI 正在改写公司的设计起点

Diana 认为，目前市场谈 AI 时，仍太常停留在「生产力提升」的框架，例如工程师可以更快写程式、团队可以自动化更多流程、公司可以推出更多功能。但这个说法其实低估了 AI 带来的结构性改变。她指出，正确的人搭配 AI 工具，现在可以打造过去需要一整個团队才能完成的功能，甚至能开发过去根本不可能完成的产品。

因此，创办人真正要问的问题，不是「公司哪些流程可以加上 AI」，而是「如果今天从零开始建立公司，哪些工作原本就不该经由人力层层处理？」

这也是所谓 AI-native 公司的核心。Diana 表示，AI 不应被放在公司流程之外，像外挂一样提高某些部门效率；相反地，公司每一个工作流程、每一个决策、每一个重要动作，都应该流经一层会持续学习与改善的智慧系统。

换句话说，未来的新创公司不是先建立组织图、部门、会议流程与管理制度，最后再导入 AI，而是从创立第一天起，就把公司设计成一个可被 AI 理解、查询、分析与自我改善的系统。

第一步：把整间公司变成可被 AI 查询的智慧中枢

在这个框架下，建立公司的第一步，是让整个组织变成「可被查询」。传统公司里，资讯往往散落在会议、私讯、电子邮件、文件、CRM、GitHub、客服系统与主管脑中。

这会让公司变成一个开环系统：创办人做出决策、团队执行任务，但结果是否有效、问题出在哪里、下一步该如何调整，往往仰赖人工回报与主管解读。Diana 认为，这种模式天然会造成资讯流失，也会拖慢公司速度。

AI-native 公司则必须改成闭环系统。每一次会议、每一张工单、每一次客户回馈、每一个产品决策、每一次销售通话与每一轮工程交付，都应该产生可被 AI 读取的纪录，并回馈到公司的智慧层中。

Diana 建议，新创公司应该录下重要会议、使用 AI 笔记工具、减少藏在 DM 与 email 里的资讯，并在 Slack、Linear、GitHub、Notion、Google Docs、客服工具、销售电话与营运数据中嵌入 Agent。公司真正要打造的不是一堆分散工具，而是一个能即时回答「现在公司到底发生什么事」的智慧中枢。

从工程管理看实例：Sprint 时间砍半、产出接近 10 倍

她以工程管理为例说明，如果一个 Agent 可以读取 Linear 工单、Slack 工程频道、GitHub、客户邮件、Pylon 这类客服工具、Notion 或 Google Doc 里的高阶计划、销售通话与每日站会纪录，它就不只是帮忙整理会议摘要，而是能分析上一个 Sprint 到底交付了什么、交付结果是否真正满足客户需求，以及哪些功能虽然做完了，却没有产生预期效果。

当这些资讯都能被 AI 连接起来，Agent 就能进一步提出下一轮 Sprint 计划，让工程规划更准确、更可预测，也更贴近市场需求。这代表新创公司从零建立时，不应该先复制大公司的工程管理制度。过去工程主管需要花大量时间搜集状态、整理进度、向上汇报，是因为公司内部资讯不透明，需要人类不断搬运与解读。

但如果公司从一开始就把所有关键流程设计成可查询，许多传统中阶管理任务就会失去必要性。Diana 指出，她已经在多家 YC 公司看到类似做法，有些团队因此把工程 Sprint 时间砍半，并在相同时间内接近做到 10 倍产出。

第二步：用 AI 软件工厂重新定义谁在写程式

第二步，则是用 AI 软件工厂重建产品开发流程。Diana 认为，AI-native 公司不该只把 AI 当成工程师旁边的程式码助手，而应该重新定义「谁负责写程式」。

在新的产品开发模式中，人类主要负责撰写规格与测试，定义成功标准；AI Agent 则负责产生实作、撰写程式、反复测试与修正，直到结果符合规格。人类的角色变成定义问题、判断结果与校准方向，而不是亲自完成每一行程式码。

这种模式可以理解为测试驱动开发的下一阶段。过去 TDD 是人类先写测试，再由人类撰写程式通过测试；AI 软件工厂则是人类写下规格与测试框架，让 Agent 自行产生程式码并迭代。

Diana 提到，有些公司已经把这套做法推到极致，程式码库中几乎没有人工手写程式码，而是由规格、测试与情境验证驱动 AI 完成实作。这也是所谓「1000 倍工程师」的真正含义：不是一个工程师突然变得比别人努力一千倍，而是一個工程师背后有一整套 Agent 系统，使他能完成过去整个团队才能完成的工作。

第三步：重新设计第一批员工，只留三种人

因此，如果要用 AI 从头建立公司，创办人要重新思考第一批员工的定义。Diana 引用 Block 创办人 Jack Dorsey 的看法指出，如果公司只是把 AI 工具加进原本的组织图，却保留旧有管理层级与资讯流路径，就会错过真正的转变。

未来公司不应该建立大量「人类中介」，让资讯在主管、协调者、项目经理之间层层传递；相反地，公司应该被设计成一个智慧层，由 AI 承担资讯整合与流动，人类则站在边缘负责判断、创造、决策与承担结果。在这样的公司里，员工角色会变得更少、更清楚。

第一种是个人贡献者，也就是 builder-operator，不只工程师要能建造，营运、客服、销售也都应该能利用 AI 做出原型、流程或自动化系统。

第二种是 DRI，也就是直接负责人员，这不是传统经理，而是对某个明确结果负责的人，一个人对应一个结果，不能躲在流程或部门背后。

第三种则是 AI founder type，也就是创办人本人必须亲自站在最前线使用 AI，示范什么叫能力被放大，而不是把 AI 策略交给某个「AI 负责人」处理。

创办人要最大化的不是员工数，而是 token 使用量

这也带出 AI-native 公司最反直觉的一点：未来创办人要最大化的可能不是员工数，而是 token 使用量。Diana 认为，新创公司应该愿意承担高得令人不舒服的 API 帐单，因为这些支出取代的是过去更昂贵、更臃肿的人力成本。一个熟练使用 AI 工具的人，可能完成前 AI 时代一整支工程、设计或营运团队的工作。

因此，从零开始建立公司的创办人，不应该把「快速扩编」视为成长象征，而要问：有哪些工作可以透过 Agent、流程闭环与软件工厂处理，而不是再招一个人？

这对早期新创公司尤其关键，因为小公司没有历史包袱。大公司要转型 AI-native，必须一边维持既有产品，一边拆除多年累积的 SOP、管理制度、内部政治与旧技术栈；每一次流程调整都可能破坏原本还能运作的系统。

早期新创则没有这些限制，可以从第一天开始把会议、工程、客服、销售、招聘、营运与产品开发，全都设计成 AI 可读、可查询、可回馈的结构。Diana 认为，这正是新创相对于大型企业的重大优势。

未来的创业门槛，是能用 AI 重新发明公司

因此「如何用 AI 从头开始建立公司」的答案，不是把 ChatGPT、Claude、Cursor、Devin 或各种 Agent 工具塞进现有流程，而是反过来重新设计公司本身。

创办人应该先建立一个可查询的组织，把所有重要资讯变成 AI 能读取的脉络；再建立闭环流程，让决策、执行与结果持续回馈；接着用规格与测试驱动产品开发，让 Agent 负责大量实作；最后，用更少但更强的 builder-operator、DRI 与 AI founder type 组成团队。

Diana 的观点指向一个更激进的结论：AI 时代的新创公司，不会只是「同样的公司，但效率更高」。真正的 AI-native 公司，会从组织、流程、产品开发、角色分工到成本结构都不同。

它不是用 AI 帮公司跑得快一点，而是从一开始就把公司设计成一套会学习、会回馈、会自我改善的智慧系统。对创办人来说，这可能是未来几年的最重要的创业门槛：不是会不会使用 AI，而是能不能用 AI 重新发明公司本身。

这篇文章 YC 合伙人分享如何用 AI 从头开始建立公司，新创应将 AI 当作作业系统而非工具 最早出现于 链新闻 ABMedia。