Anthropic及AI Native 组织最佳实践总结（附30页PPT+万字长文）

每个时代会诞生最强的组织形态代表，三代公司，三种逻辑。

第一代华为：Run a company as a process（标准化流程驱动规模化）。

第二代字节：Develop a company as a product（公司变成可快速迭代的软件）。

第三代Anthropic：Design a company as a parallel network （持续压缩串行瓶颈）。

绝大多数公司还停在 Copilot 阶段——给原来的职能加 AI。但 AI 的能力已经发展到可以按照 AI 来重新设计组织。

阿姆达尔定律（最大加速比 = 1 ÷ (1 − P)，P = 可优化部分占比），不仅可以用于半导体，也用于AI组织：你永远被没加速的那部分卡住。AI 时代组织的核心竞争力，不在你能不能把 AI 用得更快，而在你能不能持续压缩那个 (1-P)。

以前在移动互联网时代总结过蚂蚁如何打大象，现在AI时代蚂蚁的新武器是(1-P) 天生比大象小一个数量级。大象的 (1-P) 是结构性的，蚂蚁的 (1-P) 是设计出来的。

AI是最好的时代，也可能是最坏的时代：LLM eats everything；AI native orgs eat traditional orgs。目前进入到PMF不如GTM和差异化重要的阶段，因为产品技术门槛快速下降。增长是硬道理，而增长的背后是AI native组织驱动。

一句话总结：这个时代真正的竞争，不在于你能不能把 AI 用得更快，而在于你能不能持续地把组织里那段「机器加速不了的瓶颈」——也就是 (1-P)——越压越小。超级组织= (1-P) 的极致压缩 × AI 的无限杠杆。

这是这次分享的主题——「AI Native 组织最佳实践观察」。标题里我特意把重心放在「组织」两个字上，而不是「AI 工具」。因为我想讨论的不是哪个模型更强、哪个 prompt 更好，而是当 AI 强到一定程度，公司应该长成什么样子。

整份内容分成5个部分（第6部分我删去了，以后有空再单独展开写）

1. 组织进化史：华为（流程驱动）→ 字节（产品驱动）→ Anthropic（Agent网络驱动）

2. Anthropic深度拆解：80x增长、1680份简历、10大组织设计原则、创始人手册、阿姆达尔定律

3. 硅谷效率革命：Token消耗新指标、硅谷AI大厂AI支出统计、最激进的案例

   （Meta/Block）

   
   

4. AI Native组织最佳实践的10大原则和框架：思维范式、基础设施、组织落地

5. 蚂蚁如何打大象：OPC（One Person Company）的表现

三代公司，三种逻辑：从流程机器到分布式 Agent 网络

我把过去三十多年的标杆公司，粗暴地分成三代，每一代背后是一句不同的「公司观」。

第一代是华为（1987 起），信条是 Run a company as a process——把公司当成一台流程机器。IPD、ISC、LTC 这些流程体系就是它的骨骼，任正非那句著名的「压强原则」本质上是把所有资源压到一个点上，靠标准化流程驱动规模化。在那个年代，这是顶级答案。

第二代是字节跳动（2012 起），信条变成了 Develop a company as a product。我特别喜欢一个说法：字节的 CEO 同时在造两个产品——一个是 App，另一个是公司本身。OKR、MVP 快速迭代、「Context, not Control」，公司从一台刚性机器，变成了一个可以快速迭代的软件。

第三代，也是这次的主角——Anthropic（2021 起），信条是 Design a company as a parallel network：组织就是一张分布式的 Agent 网络，人类员工和 AI Agent 是同一张网里地位平等的节点，核心动作只有一个——持续压缩串行瓶颈，也就是 (1-P)。

德勤 2026 年访了 3235 位全球高管，结论挺扎心：84% 的企业根本没有重新设计过任何一个岗位，只有 16% 真正动了组织架构。也就是说，绝大多数公司还停在「Copilot 阶段」——在旧的组织骨架上贴 AI 贴纸。而 BCG 的判断是，AI 转型里 30% 是技术、70% 是人和组织。技术早就够用了，卡住所有人的是后面那 70%。

三代组织进化论对照：从流程驱动到 Agent 网络驱动

这张表把三代逻辑摆在一起对照，五个维度看下来会更清楚。

Slogan 从 Run as a process 到 Develop as a product 再到 Design as a parallel network；核心逻辑从流程驱动、产品思维驱动，进化到 Agent 网络驱动；组织结构从「层级制 + 标准化流程」，到「扁平 OKR + 数据驱动」，再到「人 + Agent 的分布式并行网络」；决策方式从流程审批、数据决策，走到「压缩串行瓶颈」；而核心竞争力，也从执行效率、迭代速度，变成了并行加速比。

阿姆达尔定律：你永远被「没被加速的那一段」卡住

1967 年，Gene Amdahl 提出：最大加速比 = 1 / (1 − P)，其中 P = 你能优化的那部分，占整体的比例。

举个例子

• 假设写代码占整个工作流程的 50%（P = 0.5）；
• 你用 AI 让写代码快了 100 倍；
• 那你的整体工作，能快多少？

代入公式：1 ÷ (1 − 0.5) = 1 ÷ 0.5 = 2 倍。

写代码快了 100 倍，但你整体只快了 2 倍。因为剩下的 50%（开会、沟通、决策、审查）完全没变快。

更直观的例子

• 如果 80% 可以加速：1 ÷ 0.2 = 最多快 5 倍；
• 如果 90% 可以加速：1 ÷ 0.1 = 最多快 10 倍；
• 如果 95% 可以加速：1 ÷ 0.05 = 最多快 20 倍。

换算成组织管理

• AI 可以加速代码、研究、文书里的 90%；
• 但剩下的 10%（判断、信任、品味、合规）决定了你最多快 10 倍；
• 如果你死磕那 10%，把它从 10% 压到 5%，理论上限就从 10 倍跳到 20 倍。

黄仁勋在 Lex Fridman 的播客里用这个定律解释「为什么 GPU 再快，也得协同设计 CPU 和网络」；Dario Amodei 也讲过，AI 把代码生成加速之后，安全审查、设计验证、主观判断就成了新瓶颈。瓶颈不会消失，它只会换地方。

Anthropic：被称为「美国商业史上最非凡的增长」

先看结果：ARR 从 1 亿美元做到 450 亿美元以上，用了不到三年。2024 年底还只有约 10 亿，到 2026 年 5 月已经冲到 450 亿。Atreides 的 Gavin Baker 直接说这是「美国商业史上最非凡的时刻」。

但比收入更值得琢磨的是右边这几个数字。80% 的人才留存率（OpenAI 67%、DeepMind 78%）；人才流动是 8.2 : 1——每 8.2 个人从 OpenAI 流向 Anthropic，才有 1 个反向流动；2026 年第一季度ARR的实际增长是 80 倍，而原计划只是 10 倍；还有资本效率，烧钱比 OpenAI 少了约 80%。

增长快不稀奇，钱多也能砸出增长。但「增长极快、人不流失、还比别人省钱」这三件事同时成立，就不是运气了，背后有组织设计在起作用。

深挖 1680 份简历：Anthropic 的招人偏好和大众想象完全相反（偏好老司机而不是小天才）

这是基于 1680 份Anthropic在职工程师的领英简历做的调研，结论挺反直觉的。

Anthropic 是在 18 个月里「速成」出一支巨型技术团队的：2025 一年就扩招了 686 人，团队规模直接翻了三倍；近 12 个月新员工占比 53%，在职时间中位数只有 10 个月。换句话说，这是一支极度年轻、极度新的队伍。

但「新」不等于「嫩」。它招的人入职前的工作年限中位数是 12.2 年，工作经验不足 3 年的只有 50 人（占 3%），13 年以上经验的资深员工反而占了 44%。典型画像是：一个干了 12 年的资深工程师，刚入职 10 个月。

而且它几乎不走普通校招。少数的新人，要么是头部大厂的实习履历，要么是从量化交易转行，要么是走 AI 对齐专项的 fellowship。

底层用人逻辑：重基建、轻算法

如果只看「AI 公司」四个字，你大概会以为它招的都是搞算法、搞强化学习的博士。结果恰恰相反。

从这些工程师进 Anthropic 之前干过什么来看，占比最高的是基础设施 / 平台 / 云，40.4%，其次是 ML/深度学习、后端、分布式系统。而被很多人当成「AI 核心」的强化学习（RL），相关人才只占 3.3%。顶级的算法研究员数量不需要这么多，尤其AI已经进化到可以自我迭代下一版模型后。

来源公司：Google 119 人排第一，Meta、Stripe、Amazon 紧随其后，约 50% 的工程师有 FAANG 大厂任职经历。它真正在抢的，是「把大系统跑稳、跑大」的人。

只有 13.7% 是博士：学历分布的真相

通常默认顶尖 AI 公司是「博士俱乐部」，但数据是：每 7 个人里只有 1 个博士，博士占比 13.7%，主流是本科。岗位定位写得很直白——资深系统工程师，而不是科研研究员。

学校来源上，斯坦福断层第一（144 人），伯克利、MIT、CMU 紧随，仅这四所学校的毕业生就占了工程师总数的 25%。值得注意的是，新人梯队里清华、上海交大、苏黎世联邦理工、新加坡国立这些非美院校的占比在明显上升。

把这页和前面两页连起来看，Anthropic 的招聘画像就完整了：资深、偏工程、不迷信学历、全球抢人。它不是在组建一个实验室，而是在组建一支能把研究成果快速产品化的工程军团。

52 天 74 个产品功能：它是怎么变成「日度发布器」的

这页开始讲具体打法：

第一，天级迭代，不是季度路线图。把发布周期从 6–12 个月压到 1 天。这里有个反常识的点：发布带 bug 的功能不再「让人失败」，因为下一个版本很快就修好了。速度本身就是一种防御机制——它允许团队在真实反馈里快速纠偏，而不是在会议室里反复猜。

第二，100% 自动化才算自动化。95% 准确、剩下 5% 还要人审，这叫「假自动化」，不产生杠杆。只有把最后那 5% 也推到 100%，人力才被真正释放。这也是区分 Copilot（辅助）和 Agent（替代）的核心标准。

第三，Co-work 产品 10 天就上线。负责人的原话是：「再开发两个月、加 50 个功能可能更有用吗？不，那样只是室内种树。」速度换来的不是更多功能，而是更快接触真实使用场景。

十大组织设计：每一条都在压缩某种 (1-P)

这页是把上面的思路系统化，列了 10 个具体的组织设计——要么压缩人的串行瓶颈，要么压缩 Agent 的串行瓶颈。

① Research Preview 机制 → 压缩「发布决策」的串行瓶颈

传统：发布流程是「开发完 → 审批 → 法务审 → 市场审 → 排期 → 发布」，每一步都是人等人。

Anthropic：标为 Research Preview 来降低承诺压力——工程师周末有想法，周一就能上线。把审批链条从串行砍成并行：开发的同时，文档和市场就已经在准备了（Evergreen Launch Room 机制）。

② Evals 替代 PRD → 压缩「需求澄清」的串行瓶颈

传统：PM 写 PRD → 传阅 → 对齐 → 修改 → 再传阅 → 再对齐，全是人等文档、文档等人。

Anthropic：PM 直接建一套评测集（Evals）——定义什么算成功、什么算失败，模型自己对着 Evals 跑，不需要反复确认「你理解对了吗」。把需求传递从对话瓶颈变成代码瓶颈，而代码是可以并行跑的。

③ CLAUDE.md 作为持久上下文 → 压缩「记忆重置」的串行瓶颈

传统：每开一个新会话，都要从零把代码库重新解释一遍，等于每一轮都在为同一件事重复付费。

Anthropic：CLAUDE.md = 一次写清楚，后续每次会话自动加载。把「重新解释」这道工序，从每次会话的串行步骤里直接删掉。

④ 双周项目审查 + 人才池回流 → 压缩「路径依赖」的串行瓶颈

传统：项目一旦启动就容易被钉死，明明该 pivot 却继续投，在错误方向上的串行时间被无限延长。

Anthropic：每两周评估一次项目，继续或砍掉，人被释放回池子。双周砍项目 → 把人放回池子 → 判断力刷新，把「组织惯性」这道最大的隐形串行瓶颈制度化地压缩掉。

⑤ 工程师提交测试视频 → 压缩「质量验收」的串行瓶颈

传统：代码写完 → 等 QA 测 → QA 看不懂 → 找工程师解释 → 再测 → 通过，工程师和 QA 互相等。

Anthropic：工程师自己先跑一遍录屏，用人话证明「真的能用了」，QA 只审核视频。把「他人验证」变成「自我验证」，砍掉了工程师 ↔ QA 之间的来回等待。

⑥ 常青发布室 → 压缩「跨部门协调」的串行瓶颈

传统：工程师 → 告知 PM → PM 告知市场 → 市场告知文档 → 文档告知 DevRel → 各自排期 → 凑齐才发布，一条长长的串行链。

Anthropic：工程师功能一就绪就丢进发布室，文档、市场、DevRel 自动介入，最快次日就发公告。把串行的「告知-排期」链条，变成并行的同时响应。

⑦ 法务审稿 Agent → 压缩「初审」的串行瓶颈

传统：市场文案 → 法务审 → 等 → 返回 → 改 → 再等，法务是第一道串行关卡。

Anthropic：Agent 按规则做第一轮筛查——够清楚的直接放行，拿不准的才进法务收件箱。把法务的「一审」从人工串行变成 Agent 并行。

⑧ 多 Agent 五模式 → 压缩「任务调度」的串行瓶颈

传统：一个工程师串行处理多个子任务，等一个做完才能做下一个。

Anthropic：编排器 + 子 Agent：主 Agent 唤起多个子 Agent 并行干活，各自在独立上下文里跑。把任务从串行队列变成并行池。

⑨ 高管以下无 Title → 压缩「身份协商」的串行瓶颈

传统：「这是研究员干的活」「这是高级工程师才能决定的事」——无休止的职责边界谈判。

Anthropic：所有人都叫 MTS，没人被身份定义限制。问题是谁能解决、谁有上下文、谁来判断，不需要先谈判「这该谁做」。

⑩ Dario 花 1/3 时间做文化 → 压缩「文化稀释」的长期串行瓶颈

传统：3000 人扩张 → 文化自然稀释 → 内部摩擦上升 → 隐性协调成本指数级增长。

Anthropic：Dario 靠双周全员会 + 全员 Slack + 开放辩论，主动维持文化浓度。把「组织熵增」这道最慢、但最致命的串行瓶颈前置管理。

我最喜欢的是2、3、9、10条，尤其是高管以下无Title和MTS机制。全球AI大厂研发的进度和效果很多时候都和组织内斗和摩擦相关（抢资源、忽悠不太懂的上级、刷榜等），中美都一样，造成大量优秀研发人才离开创业。Anthropic强调MTS而忽略title，让每个技术大牛专注产品技术，成为超级AI Builder，而不是抢人抢地盘，争Title。这也使得它吸引了很多独角兽/超大型科技公司的CTO同时加入公司做MTS（历史上几乎没有见过）。据不完全统计：

 ①Workday CTO (Peter Bailis) → MTS, 2026.03

② Instagram CTO → MTS, 2026.01

③ You.com CTO → MTS, 2026.03

④ Box CTO → MTS, 2025.12

⑤ Super.com CTO → MTS, 2025.07

⑥ Adept AI CTO → MTS, 2025.01

The Founder's Playbook：一人公司像大组织一样运转

Anthropic发布过一个「创始人行动手册」，我把原文精华摘要总结在这页。它把创业分成四个阶段——想法、MVP、发布、规模化，每个阶段都问同样的几个问题：这一步指导问题是什么？AI 在这里主要扮演什么角色？什么时候该退出这一步？以及最致命的错误是什么？

AI 三个杠杆：让一人公司像大组织

• 对话式智能与研究
  ——任何领域、随叫随到的专家；
• Agentic 编程
  ——永远在线、永不被卡住的工程师；
• 工作流自动化
  ——随叫随到的自动化运营团队。
  
  
  
  精益创业的三层 AI 栈

Chat（快速交流） → Claude Cowork（深度知识工作） → Claude Code（agentic 编程环境）。

Agentic 技术债挑战

AI 抹平了「代码进生产」的门槛，但架构规则没人告诉它——每次新对话都从零推导，于是代码越写越散，修复成本指数级增长。代码能跑，但结构不一致，迟早会坍塌。

它隐含的世界观转变：创业的「最小单元」正在从一支团队，缩小到一个人 + 一套 AI 工作流。

Token 消耗量：衡量组织 AI 效率的新指标？

可能有人会说Anthropic本来就是做 AI 的，所以比较极致。看看整个硅谷——包括 Meta、Block 这些传统巨头——正在发生的事。我在今年3-4月在美国访谈了十多位 AI 研发、工程师和 Product Lead 之后，一个共同的反馈是：大家的焦虑，已经从「AI 不够用」，变成了「这个月的 token 没用完」。说明一线已经把 AI 当成默认生产力，而不是可选项了——一个组织的 token 消耗曲线，可能会变成「AI 原生程度」的体温计。

现在头部工程师的月度 Coding 预算普遍在小几千美元，激进的能到一万。黄仁勋甚至有句话——「一个年薪 50 万的工程师，至少应该再花 25 万在 token 上」。这背后的逻辑是：人的时间比 token 贵得多，所以拼命用 token 换人的时间是划算的。

Meta 内部流出过一张叫「Claudenomics」的 token 消耗游戏化排行榜，全公司一度消耗了约 60 亿 token；Uber 给 5000 名工程师配了 Claude Code，结果 4 个月就把额度烧完了。在 YC 最新一批里，已经有 11% 是单人创始公司，有的项目 95% 的代码由 AI 生成。

硅谷大厂的 AI 账单：人均月花 7500 美金养 AI，token 便宜了 98%，账单却翻了三倍

Ramp 的 AI Index 给了一组很有冲击力的数字。最激进的那批「AI 上头」公司，每位员工每月在 AI 工具上的花费高达 7500 美元。

但是，同级别模型的 token 单价过去一年跌了 98%（从每百万 token 20 美元跌到 0.4 美元），但企业的 AI 总账单反而涨了 320%，企业平均 AI 预算两年里涨了近 6 倍，从 120 万美元干到 700 万美元。单价暴跌、总量暴涨，说明需求弹性极大——越便宜，大家用得越凶。

前 1% 的公司平均同时用 8 家 AI 供应商，谁便宜用谁、谁强用谁，坚决不绑定。和软件时代不一样，AI 几乎没有 vendor lock-in。Anthropic 大约覆盖了 41% 的美国付费 AI 企业用户，和 OpenAI 基本咬住。

AI 花钱的世界严重分层：差距高达 680 倍

把每位员工的月度 AI 支出拿来对比：软件工程师的月薪中位数大约 1.59 万美元，而前 1% 的公司和中位数公司之间，人均 AI 支出的差距高达 680 倍。中位数公司每月人均可能就花几十美元，头部公司却是几十万量级。

我认为这 680 倍背后，差的不是「订阅费」。它差的是组织基础设施、工作流设计、数据沉淀，以及内部对 AI 的熟练程度——这些是要靠时间和刻意练习一点点攒出来的深层鸿沟。钱可以一夜砸进去，但「会花钱的组织能力」砸不出来。

前几周上图很流行，有人担心LLM Token支出随着头部大厂控制budget而放缓，Anthropic算力不足，Deepseek等便宜的国产模型替代等。我认为头部大厂控制Budget很正常（它们正是top 1%的公司，前几个月由于FOMO确实产生了不必要的tokens浪费），更重要需要看到的是，还有大量top 10%、中位数及以下的公司，在它们未来AI组织的改造中，还有巨大的ARPU提升空间（top 1%公司人均消耗是top 10%公司的12倍，top 10%公司是中位数的57倍）

案例1 Meta：AI 承担执行，人聚焦判断——把 5 层组织压成 3 层

接下来两页是传统科技巨头的真实案例。先看 Meta。

2026 年 5 月，Meta 裁了约 8000 人（约占全球员工 10%），同时把约 7000 个重复性岗位重新分配给 AI。配合裁员，它新设了应用 AI 工程、Agent 转型加速器、中央分析、企业解决方案等几个新组织。

更关键的是层级。传统科技公司是 5 层：IC → Manager → Director → VP → SVP。Meta 把中间几层压掉，重构成 3 层——AI Builder（一线干活，15–20 人，用 AI 完成设计和编码）→ AI Pod Lead（管一个 4–6 人的 pod，盯目标和方向）→ AI Org Lead（管多个 pod）。

最夸张的是管理跨度目标：IC 与 Manager 的比例要做到 50 : 1，而传统科技公司通常只有 25 : 1 左右。管理半径直接翻倍。

案例2 Block：从「层级制」到「情报系统」

如果说 Meta 是把金字塔压扁，Jack Dorsey 的 Block 则更激进——他想把金字塔整个拆掉。2026 年 3 月那篇《From Hierarchy to Intelligence》是最激进的代表。

Block 在 2026 年初裁了约 4000 人（约 40%），从 1 万人减到约 6000 人。Dorsey 的论点：层级制和那套「信息路由协议」，当初存在的唯一理由，是为了解决「人的带宽不够」这个物理瓶颈。而 AI 现在把这个瓶颈消除了——用持续更新、机器可读的共享模型，替代中层做信息中转。

它设计了三种新角色：深度技术贡献者（ICs）、对结果负责的人（DRIs，强调这是责任边界、不是头衔）、以及互为教练的 Peer-coaches——没有人再是「中间人」。背后跑的是一个叫 Goose 的全公司级 AI，从工具、文档、会议里持续取数，给所有人提供共享上下文。目标是：6,000 名员工全部直接向 Dorsey 汇报——AI 层承担了过去中层管理的信息传递和协调功能。

1. 思维范式转变（Mindset Shift）：三个根本性转变

AI Native 组织设计框架，先从三个思维转变讲起。

原则一，AI First——除了判断力，全部 Agent 化。人决定"什么值得做""什么算成功""风险边界在哪"，早期人类的心血倾注还是很重要。团队管理 Agent 最终形态就是定义 outcome + budget，中间过程全部 Agent 化。

原则二，把 Agent 当同事，不是工具。给它身份、给它（经安全审核的）账户权限，像管一个人一样管它。我有个大胆的设想：以后的 360 度绩效考核，可能不只是人评人，还包括「和你协作的 Agent 怎么评价你」。

原则三，Proactive 比 Reactive 更关键。传统组织是注意力驱动的——你想起来问，信息才到你面前。AI Native 组织追求的是：信息在问题变成危机之前，就主动到达决策点。Reactive 让信息在人想起要问的时候才到达，这中间的时间差 = 组织的决策延迟。像人一样可以被主动触发。如：不是等开发完了再找 QA 测，而是每次提交自动跑全量回归。每次新 bug 修的测试自动积累进测试套件。QA 从"事后把关"变成了"事前预防"。

基础设施：Context 是 Agent 能力的天花板

有了思维转变，还得有地基。没有好的私有数据基础设施，Agent 就只能做公共信息检索，干不了真正有价值的活。

原则四，Context is all you need，确保 Agent 可读：

个人效率 10x 但公司产出没同步。根因三个，信息流通瓶颈：横向（部门墙）、纵向（层级损耗）、跨时间（经验只存人脑）。信息消费还在依赖人脑"是传统组织最大的瓶颈——信息的理解、判断、关联、记忆、调用，每一处都经过人脑。

GitHub作为 Context 资产核心载体的意义在于让 AI 能接管这些。决策日志（每次决策 24h 内录入，含"为什么"）及关键文档同时导出 Markdown 存 GitHub 确保 AI Agent 可读。

设立Agent的"宪法"（Ground Rules）注入每个 Agent 的上下文——本质上就是员工手册。Ground Rules 注入每个 Agent 的每次任务上下文。不是等 Agent 跑偏了再纠正，而是从第一秒就给方向。

原则五，记忆是护城河：真正定义 Agent 的是它的memory，以及人和 Agent 之间长程调教对话。重要的agent角色：Memory Keeper — 组织记忆管理者，管知识图谱、向量库、RAG 管道、决策追溯、上下文清理。防止 agent 产生"记忆泥潭"——所有 agent 共享的上下文变得又大又乱谁都读不懂。

对于组织而言：把领域专长外化到 AI 能读到的结构化上下文里，就是护城河。

原则六，数据基础设施决定 Agent 能力的天花板：CLAUDE.md、Evals（评测集）、memory 系统、渐进式披露——不是锦上添花，是 Agent 能做什么的上限。需要把所有平台（Lark、邮件、Figma、代码库）都只当交互界面，真实数据始终在自建Infra 上。没有好的私有数据infra，Agent做的只是公共信息检索，无法深入到真实决策流。

原则七，团队协作 Agent 放大组织级杠杆：团队协作agent的复杂度，跟个人工具完全不同：共享上下文、统一规则、审计轨迹、权限层级、负责人。AI native组织需要团队协作agent，最好是基于高频的IM（比如飞书），@其他同事的 agent来一起工作（skill 是共享方式，但skill 需要人来装人来同步也麻烦）。AI native协作工具链：飞书（通讯+知识库+权限+审批）+ Linear（项目执行追踪）+ GitHub（代码+工程工件），找到人能协作、AI 也能协作的工具。

组织落地：从「建造者」到「指挥家」

最后是落地。

原则八，创始人从建造者变成指挥家：创始人的注意力必须往上走，产生想法、定义方向，以及从管理人到设计 agent 协作系统——决定"组织往哪跑"。创始人应该"画信息流图，不是画组织架构图"，设计信息从哪里来、流向哪个 AI、输出什么结论、反馈到哪个决策节点。

管理能力有了新的延伸：

领导力（领导agent的能力）；

沟通能力（与agent沟通/写prompt的能力）；

团队合作能力（与agent协同工作的能力）。

原则九，重塑其他关键角色的职能，CTO 从「管技术栈」变成「管一套能自我迭代的工程系统」；COO 从「管流程」变成「管人与 Agent 的混合流水线」；CFO 从「管成本」变成「设计人与 Agent 的资源经济模型」；PM 从「写 PRD」变成「写 Evals，去定义什么算好」。

原则十，Hack & Hunt——构建自驱人机协作文化：

以下是我和我们portfolio以及看到的创业公司中比较有意思的实践

Turbo 赏金猎人系统：不再有口头分配，也不再由 leader 派活。任何一个人发现一件该做的事，就在 GitHub 上创建一个 issue，打上 Turbo 标签。Turbo 接住这个 issue 之后，自动评估难度，给它分配一个积分级别。这个 issue 就进入 Turbo 的'赏金池'，对所有研发开放。研发自己主动认领、完成、获得积分

内部黑客松：全员参与，贡献了很多internal优化的idea，比如QA自动化，PRD自动化

AI组织提效工具优化师：招聘标准—日均tokens 1亿以上

全员有coding能力：可以快速配合AI搓适合自己工作的工具和skill（包括中后台同事）

蚂蚁的武器：它的 (1-P) 天生就比大象小一个数量级

回到阿姆达尔定律，大象的 (1-P) 是结构性的，蚂蚁的 (1-P) 是设计出来的。

一个人的 (1-P) 天然最小：没有部门墙、没有层级耗损、没有信息在传递中丢失。所以当 AI 把可加速的 P 推到极致时，个人和组织之间的加速比差距会被无限放大——用公式说就是 1/(1−P_个人) 远远大于 1/(1−P_组织)。

现实里已经有样本了：一人公司 Polsia 做到约 1000 万美元 ARR（2.5 亿美元估值），Base44 约 350 万 ARR 后被 Wix 收购；十人级别的，Midjourney 早期 11 人做到约 5 亿 ARR，Cal AI 4–6 人起步做到一两千万。

结语：这是最好的时代，也可能是最坏的时代

AI是最好的时代——人类有史以来增长最快、TAM最大的科技革命，AI也可能是最坏的时代——LLM eats everything，AI native orgs eat traditional orgs，这是以前从来没有发生过的，生产应用的门槛被史无前例地拉低，一个人、几个人就能做出过去需要一整支队伍几个月做出来的东西。今年我投了一家GUI agent的创业公司，它几乎颠覆了我对产品壁垒的理解——用他们的技术复制竞品完整的复杂产品只需要2天即可上线，成本几千元。

说一个残酷的现实，我发现全球范围内，几乎很少看到比Anthropic ARR增速更快的创业公司，尽管它们可能目前ARR才 1000-2000万美金，而Anthropic在数百亿美金ARR的体量下，环比增速还有20-40%，Q1增长80x，26年全年增长10x以上。如何定义一家公司是AI native组织？每家公司都说自己vibe coding比例70%以上，月tokens消费xxx万亿，我觉得这些可能不够本质（因为也许是浪费）。更直接的指标，至少要追平/跑赢Anthropic的ARR增速吧（这结合了商业化效果及组织增长能力），但其实绝大部分创业公司做不到，发布速度也不够Anthropic快（现在几乎做到日更），加上今年2-3月Anthropic已经实现AI自我迭代进化下一代模型（新模型发布时间压缩到42天），意味着每过1个月，被大模型层吃掉的风险越来越大，马太效应前所未有的强。

科技大公司由于业务多元化及家底厚，如果积极转型AI还有机会，冲击最大的可能是原来的中型公司（~100-2000人），原来护城河并不高，对AI人才的吸引力一般，AI组织改造有难度/比较慢。

真正的护城河，是去聚焦那些 AI 压缩不了的能力：审美判断，结合真实场景做 evals，用真实用户访谈的数据去打磨，而不是堆一堆三个月后就会被大模型抹平的浅层功能。创业精神——学习力和自驱力，与 AI 赛跑——比任何时代都重要。