第一層 · 感測層
把外界訊號接進來的管道。
一間在你睡覺時也在進化的公司
把公司的 know-how 萃取出來、讓 AI 讀得到,然後建立能自我改進的迴圈 —— 連半夜都在變好。
「如果有被記錄下來,對 AI 來說它就存在;如果沒有被記錄,對 AI 來說它就不存在。」
5×每員工營收(對比 18 個月前)
2000+已錄製的 office hours 時數
150重生 user manual 的頁數
5AI 迴圈的層數
今天的公司,還是照羅馬軍團在組織
而 AI 從根本上打破了「層級組織才能創造價值」這個假設。
羅馬軍團的設計,是要把權力從羅馬城投射到橫跨兩大陸的疆域 —— 一路到蘇格蘭的哈德良長城。它靠的是巢狀層級、固定的管理幅度,由指定的個人把命令往下傳、把資訊往上送。今天大部分公司的組織方式跟它沒兩樣:人類就是資訊上下流動的管道。
Copilot 是錯的思考框架
一年前,大家談 AI 都在講生產力:copilot 讓工程師快 20%、把工具嵌進既有流程、多交付一點軟體。但那只是拿舊的工作方式換上一顆更強的引擎。真正能做的事大得多 —— 是重新想像一間公司可以是什麼。
把 domain knowledge 萃取出來
每間公司都有散落各處的 know-how:在人的腦袋裡、在 Slack、在 email、在 Notion 文件裡 —— 它們加起來定義了這間公司怎麼運作。一旦讓這些知識對 AI「可讀」,你就能從層級式組織轉成由 AI 驅動的智慧型組織:一組遞迴、自我改進的 AI 迴圈,在你睡覺時也持續變好。
AI 迴圈的五層架構
讓這五步在最少人為介入下跑完,系統就會自己越跑越好。點一層看細節。
第二層 · 政策／決策層
定義 AI 能做什麼、什麼要問人、什麼必須留紀錄。
第三層 · 工具層
AI 可呼叫的確定性 API —— 查資料庫、看行事曆。
第四層 · 品質關卡
自動 eval、安全過濾器、高風險操作的人工審核。
第五層 · 學習機制
抓出真實世界裡行不通的地方,回饋到最上層重來。
YC 的「holy shit」時刻
一個正在線上跑、學會在半夜自我修復的真實迴圈。
- 第一步
確定性查詢 agent
一開始很單純:一個有確定性工具、能查我們資料庫的 agent —— 「我上次跟這家公司做 office hours 是什麼時候?」
- 第二步
它變聰明了 —— 但還是 sidekick
靠 RAG 和更豐富的查詢,它能找出五個相關的創辦人推薦見面 —— 例如石化產業的人。很有用,但這還是去年的模式:一個讓我效率提升 20–30% 的 sidekick。
- 第三步
我們在上面加了監控 agent
它盯著每一位 YC 員工跑的每一次查詢 —— 哪些成功、哪些失敗 —— 並追問失敗的原因。需要不同的工具?要更新 skills file?還是需要一個新的 database view 或 index?
- 第四步
它在半夜把修正送上線
半夜裡,它自己寫程式碼、送一個 merge request 到 YC 的 codebase、讓另一個 agent 做 code review、合併,然後部署。
- 第五步
隔天早上,那個查詢就成功了
隔天一個人類來問同樣的查詢,這次就成功了。那就是「holy shit」的時刻 —— 不是 AI 讓你快 20%,而是 AI 自己跑完整個迴圈,找出怎麼自我改進。
同一套邏輯,可以套到任何地方
辨識出公司裡可以用迴圈運作的部分,讓人類退到監督位置,然後持續投入 token。
自我優化的產品迴圈
找出漏斗摩擦、跑 A/B test、部署最佳版本 —— 然後重複。
客戶建議的判斷迴圈
一個扮演產品長 + 技術長的 agent 做判斷,半夜直接交付。
把每個功能都當成迴圈
把公司的每個功能都想成一個遞迴、自我改進的迴圈。
這會逼出兩個觀念轉變
當你認真看待迴圈之後,有什麼會變。
燒 token,不要燒人頭
公司現在抵達 Demo Day 時,每員工營收是 18 個月前的約 5 倍,而且會一路延續到 Series A、B。很快你會受限於 token 用量,而不是人數。現階段最粗略的衡量就是看每個人的 token 用量 —— 一旦變成決定升遷的排行榜就會被刷,但大方向上它能告訴你誰在 token-maxing、誰沒有。
中間管理層已經結束
中間管理層存在,是為了解決協調問題 —— 而 AI 現在可以做這件事。每個人都變成 IC(builder 或 operator),而關鍵是:每件事都有一個直接負責的個人(DRI)—— 一個有名有姓的人,不是委員會。
三種角色,不需要常設的管理層
Jack Dorsey 的框架:對齊交給 world model,人因此能更貼近工作與客戶。
個人貢獻者(IC)
深耕系統某一層的深度專家,負責建構與營運。
直接責任人(DRI)
擁有一個跨層的問題與客戶成果。
球員教練
一邊建構、一邊培養人 —— 取代了負責資訊路由的管理者。
從哪裡開始:讓組織對 AI 可讀
記錄一切、精煉它,把軟體當成可拋棄的 —— 但把資料當成神聖的。
第一,記錄一切。現在每一封 partner 的 email 都進 YC 資料庫;每一則 Slack 訊息、每一則 DM、過去幾個月的每一場 office hours 都有錄音。原則很簡單:如果有被記錄,對 AI 來說它就存在;如果沒有,它就不存在。
把它精煉下來(diarization)
你不可能把 10 萬小時的錄音塞進 context window,所以要精煉:聚合、合成出重要的部分,再給 AI 線索讓它可以回溯原始資料。
重新生成 user manual
YC 的 user manual 是五到十年前寫的,有些已經過時。某個週末,Haj 用近 2,000 小時的 office hours 把它重新生成:一份 150 頁、品質好很多的 manual,而且現在每個月都能更新。每一條新建議都會跟 manual 比對,決定納入或捨棄 —— 它變成一個活的大腦,反映 16 位 partner 實際給創辦人的建議。
軟體是暫時的,資料是神聖的
- 如果一個東西能產出可自我改進的 artifact,就留著;如果不能,就丟掉。
- 現在每個功能都能一次生成自己的 dashboard 與內部工具 —— 把那些軟體當成可拋棄的。
- 資料要非常珍惜地保存(Garry 把每封 email 都存成 markdown);等模型更強了,再用原本的指令重新生成軟體。
那,人類是做什麼的?
人類活在「公司大腦」的外圍,在智能與現實接觸的地方。
你所有的資料、email、DM、skills 與 know-how —— 那就是公司的大腦。人類坐在它的外圍,負責跟真實世界的介面。
人類伸進模型還到不了的角落:全新的情境、倫理的判斷、高風險的時刻 —— 像是一個創辦人正在考慮跟共同創辦人拆夥的那種時刻。
接下來二十年,銷售對話都需要一個真實的人在房間裡。
影片章節
這場演講從頭到尾的脈絡。
- 00:00
公司就是羅馬軍團
為什麼大多數組織還在沿著層級上下傳遞資訊。
- 00:54
Copilot 是錯的思考框架
生產力提升只是替舊工作方式換上更強的引擎。
- 01:55
萃取 domain knowledge
把藏在腦袋、Slack 與 email 裡的 know-how 變得對 AI 可讀。
- 02:24
遞迴自我改進的迴圈
感測 → 政策 → 工具 → 品質關卡 → 學習。
- 04:12
YC 的 holy shit 時刻
一個監控 agent 在半夜修好失敗的查詢。
- 05:50
自我優化的產品與客服迴圈
會自己跑的 A/B test 與客戶建議分流。
- 06:29
燒 token,不燒人頭
每員工營收成長約 5 倍;瓶頸是 token。
- 07:23
中間管理層已結束
每個人都是 IC;每件事都有一個 DRI。
- 08:05
讓一切對 AI 可讀
記錄一切 —— email、Slack、DM、office hours。
- 09:40
重新生成 YC user manual
2,000 小時的 office hours → 一份 150 頁、會自我更新的 manual。
- 11:19
軟體是暫時的,context 才有價值
珍惜資料;等模型變強就重新生成軟體。
- 12:18
人類仍然重要的地方
全新、倫理、高風險的時刻 —— 以及銷售。
延伸來源與佐證
這場演講的原始出處,以及它引用的來源。
本頁為非官方的整理,僅供學習參考。任何重要判斷,請以下方原始來源為準。
影片How to Build a Self-Improving Company with AI(演講影片)Y Combinator · YouTube貼文「遞迴自我改進的公司」—— Tom 本人的拆解Tom Blomfield · X延伸打造 AI 原生公司的 playbookDiana Hu · YC Startup Library延伸From Hierarchy to Intelligence —— IC／DRI／球員教練的出處Jack Dorsey · Block文章你的公司就是一個智能體,你只是還沒這樣建它Pete Sena個人站Tom Blomfield —— 文章與演講tomblomfield.com