How to Build an AI-Native Company Today

一年前，企业AI领域的情况和现在很不一样。

当时公司还在谈论他们有多少个AI用例之类的东西。

现在，一年过去了，我们不再谈论用例了。

事实证明，一切都可以是AI的用例。

事实上，在2026年，那个被期待已久、讨论很多的向agentic AI的转变真的开始了。

围绕这个转变，公司经历了一个重大的转型过程，基本上所有人都还在这个过程之中。

然而，当公司努力变得更AI原生时，问题是，这到底意味着什么？

那些不只是把AI和agent生搬硬套到旧流程上，而是真正用新方式做事、从头重新设计的公司，有哪些标志和特征？

虽然这些都还在不断出现，但我觉得我们现在已经开始看到一系列定义AI原生公司的特征和特点了。

The AI Daily Brief是一个每日播客和视频节目，内容是关于AI领域最重要的新闻和讨论。

好了朋友们，在我们正式开始之前，先快速说几件事。

欢迎回到AI Daily Brief。

今天这期很有意思。

我觉得现在基本上你们所有人都处于两种情况之一：要么是在大公司里，试图适应这个AI赋能的世界，成为自己的下一个版本；要么就是被那些公司请来帮助他们完成这个转变的人。

不管你坐在桌子的哪一边，所有这些转型之下都有一个核心问题：我们到底要变成什么？

有一个经常被提到的词叫“AI原生”。

这个词吸引人的一个原因是，它把那些只是简单把AI和agent生搬硬套到旧流程上的公司，和那些真正从头重新思考、利用这个新时代的公司区分开了。

但AI原生的实质是什么？

它特别适合做播客是因为这里面内容很多，而且很多都值得讨论。

这就是Alex Lieberman登场的时候。

Alex是10x Labs的创始人，这家公司帮助现有企业转型为AI原生公司。

在那之前，他是Morning Brew的创始人。

你可能会想到，在Morning Brew的经历意味着他经常会产出很棒的内容。

启发这一集的那篇帖子，其实直接来自他最近在X上的账号，叫《AI原生公司的30个特征》。

我觉得好玩的做法是，先用Codex和GPT Image 2把它做成一个漂亮的1950年代复古未来主义风格的演示文稿，然后我们一条一条过这些特征。我会分享Alex帖子里关于AI原生的那些方面，再加上我自己的想法、补充和不同意见——虽然我觉得很多地方我也未必不同意——以及我在和企业合作中看到的一些观察。

我得说明一下，我觉得这些特征没有什么特定的顺序。

实际上，你完全可以看出来这不是AI生成的，因为它读起来更像是意识流，坦白说，这比你现在平时看到的大多数内容都更意识流，让人感觉挺新鲜的。

AI原生公司的第一个特征是为每个流程制定蓝图，用Alex的话说，就是为整个业务创建一个逐功能的流程蓝图。

我之前说过我不会太不同意，这里我也不是要反对。但有一个领域是，虽然我不反对这样做，我认为很多公司做这件事背后的理由，其实正让他们走上错误的路。

为流程制定蓝图之所以有价值，换句话说，就是去画出工作实际上是怎么完成的，其中一个原因是，现在很多这样的信息都被锁在人们的脑子里。

有很多细微差别和边缘情况，人们一直以来都是自己处理，也许是通过走廊里的随机交谈或Slack上的私下聊天来口口相传，但这些从未真正进入操作手册。

这让你引进协助工作的AI和智能体处于劣势，因为它们要从头开始重新创造一切。

因此，拥有更好的当前工作流程图，在你围绕AI和智能体重新设计组织时，是非常宝贵的背景信息。

所以这部分我同意。

我担心的是一种我经常看到的流程映射的内在假设。

这种假设是，智能体将像人类一样做事。

我认为这很不太可能成真。

事实上，我认为人为地限制智能体按照旧工作流程的模式做事，在很多情况下是错误的做法，而不是例如给他们目标，阐明他们能做什么和不能做什么的边界，然后让他们自己摸索。

再说一次，这并不意味着流程映射没有价值，但我们必须理解并做好准备：未来做某事的最佳方式不一定只是过去方式的更高效版本。

AI原生公司的第二个特征是非常没有争议的，那就是给每个人一个“日常工具”，也就是说，组织中的每个人都可以在工作中使用像Grokbot、Claude Cowork或ChatGPT这样的日常工具。

有趣的是，九到十个月前，当你看到“日常工具”这个词时，你会以为它只是指访问一个前沿模型。

换句话说，人们可以使用ChatGPT或Claude。

但Alex谈论的是一个特定的工作工具，一个模型在其中运行的环境，专门为高级知识工作和编码而设计，无论是对软件工程师还是非软件工程师来说，他们现在在完成工作时也会使用代码。

习惯使用一个工具意味着习惯使用上下文。

这意味着能够理解并组织技能，以及知道如何配置不同工具的访问权限。

就像我说的，这没什么争议。

我要指出的一点是，我认为我们会越来越多地看到人们自己构建工具，通常基于开源基础，比如刚刚推出的DeepSeek的工具，因为他们想要最大的灵活性，不想处理像投资Cursor然后被卖掉，之后由于收购再也不能通过它访问某些模型这类事情。

第三个特征，很多评论中提到，用AI现在最喜欢的词来说，是“承重墙”，支撑着其他特征。

核心理念是构建一个统一的智能层，将结构化和非结构化数据、文档以及业务逻辑聚合到一个可查询的单一事实来源中，并在此基础上构建智能体工作。

毫无疑问，AI原生组织会擅长组织智能体工作所需的上下文。

上下文管理现在是，未来也将继续是这次组织转型时期的一个重要学科。

如果要说我有什么异议，纯粹是为了对话有趣，我其实更喜欢用“网状结构”或“格状结构”而不是“单一层”的比喻，因为我认为特别是在大型组织中，试图为所有事情建立一个单一事实来源，而不是可以有接口相互连接、智能体可以遍历的多个事实来源，甚至可能发现并尝试在人工支持下调和事实来源之间的差异，这或许更能准确反映顶尖大型组织未来的情况。

但显然实质性的观点仍然成立。

AI原生组织的第四个特征，在过去几个月里一直是本节目讨论的热门话题，那就是使用模型路由来优化整个业务中每个成功任务的成本。

我认为这是对的，但这不仅仅是任务路由的问题。

我认为任务路由是整个模型架构的一部分，这个架构旨在适应不同类型的任务，具有适应性和灵活性。

我认为在某些情况下，它可以简化为使用一个路由器，但在很多情况下，也会涉及一个更大的架构，基于将任务难度与模型能力匹配的想法。

第五个特征，他描述的方式很有意思。

他说AI原生组织会将上下文视为代码。

他们会保持架构文档和惯例的更新，同时将有计划的前期准备作为操作纪律的一部分。

换句话说，他们不会把上下文只当作必需的背景信息，而是当作智能体构建的实际基础。

这种区别很微妙但很重要，我觉得它反映了一个观点：这种AI原生性不仅体现在运营流程上，还关乎思维方式的转变。

说到这个，第六个特征完全是关于思维方式的。

愿意每三个月就抛弃你已构建的一切，从第一性原理重新构想工作流程。

我觉得“抛弃一切”可能有点夸张，但确实我们需要在设计这些新系统时，假设变化而非停滞。

系统更新的频率——不管是三个月、六个月、九个月还是一年，或者是一种持续更新加上更大规模的周期性重构——无论实际情况怎样，变化就是常态，组织必须比现在更习惯于这种变化。

这包括不要迷恋你几个月前想出的那个绝妙方法，因为如果AI公司做得好，技术进步就意味着我们会有更简单或更强大的新方法。

第七个特征是关于组织内的信息共享。

Alex说，AI原生组织会使用技能分发系统来管理智能体行为，并通过在整个工作流程中触发一致的技能来提升token效率。

换句话说，组织分发的是技能，而不仅仅是提示词。

我认为这也代表着一个更大的转变，即智能体管理这一学科开始走上前台。

技能是智能体系统的关键，因此在整个组织内——而非局限于个人——去改进、共享、访问这些技能，将变得越来越重要。

第八个特征是关于技术人员与非技术人员之间关系的变化。

我觉得我们已经基本过了那个阶段——人们会以为我们谈“氛围编程”或把代码用于知识工作时，就意味着市场营销和人力资源的人突然要取代现有工程师成为软件开发者。

并不是这样。

但实际情况是，那些知识工作者首次能够自己构建东西来辅助工作。

其次，他们比过去更有能力参与到产品和工程讨论中。

Alex清单中AI原生公司的第八个特征是将意图与实现分离，把技术实现与高层规格分开，这样非技术人员就能以一种智能体可转化为实施计划的格式做出贡献。

我认为实现这一点的方式之一，是当我们看到更多智能体从共享空间被触发时，这自然就是某些协作发生的地方。

例如，当Claude Tag发布时，其中一个引人注目的点是Anthropic技术团队的成员说，他们现在就是用这种方式启动很多构建工作的。

说到“很多”，我脑子里记得的数字大概是60%或者类似夸张的数字。

如果智能体从共享空间被触发，这就为不同的人创造了更多参与那些对话的机会。

但这本身也会带来不同类型的负担和新的系统需求，这就是Alex在这里说的。

第九个特征是成本效率方面的：AI原生公司会把每次被接受的pull request的成本作为关键软件指标，并通过更好的token效率来降低它。

我认为我们才刚刚开始摸索什么是智能体交付的关键指标。

对我们来说，目前清楚的是，无论我们最终确定什么指标，很可能都包括某种完整性概念以及单位完整性的成本，这样才能更公平地比较模型和工具组合。

现阶段，问题已经不是公司是否在积极使用AI了。

而用好AI，则是另一回事。

不过，Robots and Pencils这家公司，我可以指出来说它确实是为此时代而建的。

他们是一家应用型AI工程公司，直接与客户合作解决对业务至关重要的问题，而不是做一些停留在PPT上的实验。

每个合作项目都是从客户实际需要的成果倒推开始的。

如果你想在这个领域里区分真正的AI工程和那些噪音，这就是关键所在。

特性10可能是很多组织进展最大的特性之一，就是构建agent原生的开发系统，让成群的编码agent进行规划、编写、测试、审查和发布代码，而人类则定义意图和验收标准。

这比一年前争议少多了，但显然还有很多组织在使用传统流程，尽管未来几年很可能发生不可避免的转变。

特性11再次触及了token效率这个子主题，将工作业务分为规划阶段和执行阶段，使用更高成本的模型进行大量规划，然后用更便宜、更快的模型来执行。

好处是，如果我们在特性4（关于设计高效的token架构）上做好了，这种劳动分工自然就会从这些系统中产生。

特性12乍一看术语挺多的。

它是使用CLI工具来解析markdown文件中的元数据并遍历依赖关系，让agent能够精确控制输入的token使用量。

但实际上，这是一种设计更token高效系统的具体技术方式。

基本上，Alex主张的是以这样一种方式组织公司知识：agent只加载它们需要的部分，而不是整个知识库。

这感觉和渐进式披露的概念有关，这是一种信息架构模式，将复杂性逐步、按顺序展开，以免在agent工作时产生过多的上下文开销。

现在，除了让agent工作得更好之外，显然还有成本方面的问题。

我很高兴Alex把它包括进来，因为到目前为止我们都是在非常高的层面上讨论。

但这正是一个开始深入细节的例子。

并且实际采取不同的做法，即确保agent可以参考的元数据——用来判断某个内容是否有用——正好位于它能访问的知识文件的顶部，这样它就不会在不必要的内容上浪费上下文窗口。

特性13开始涉及组织中的具体部门。

他建议财务将更加持续地运行，把会计和记录保持转向持续流程，以更紧密的节奏重新调整预测。

OpenAI的CFO Sarah Friar最近确实写过她如何在OpenAI内部做到这一点，以及做出这种改变需要怎样的思维转变和技术纪律。

Alex还建议，在AI原生的组织中，其他部门——特别是运行整个公司的更大的agent操作系统——能够访问这些财务模型，这样在制定战略和战术时，它们可以成为逻辑的一部分。

AI原生公司的特性15是公民开发者SDLC（软件开发生命周期）。

这是Alex在其他地方也谈到过的方法，它让非技术员工能够使用编码工具构建一个解决方案，并从想法到生产实现，其中内置了公司的治理、访问权限、版本控制和软件约定。

这基本上是一个协调非工程师所做的事情与工程师构建方式的过程。

再次强调，这绝不是以任何形式取代软件工程，而是为了让人们为自己、自己的团队甚至某些客户（根据他们接触的客户生命周期部分）构建的新事物，能够与工程组织无缝衔接。

这再次反映了在这个新的AI原生空间中，组织不同部分之间正在变化的关系。

特性16涉及了我们在本周早些时候在节目中分享的网络研讨会中讨论的循环工程。

让非工程工作流通过外部性能指标和内部评估从先前的运行中学习，从而实现自我改进。

循环的思想是，我们不是给agent提示，而是给它们一个目标以及关于它们能做什么的限制，并设计一个过程，让它们可以反复循环直到达成目标。

循环的必要条件之一是某个可验证的成功指标，它是客观的而非主观的。比如说，我需要在这次测试中达到X%的结果，这比“我们的界面需要看起来好看”要更可定义，是一个结果目标。

AI原生组织将擅长创造那种清晰的成功指标，不仅针对简单的确定性任务，而且针对更广泛的知识工作任务，这些任务本身不一定具备那种成功标准。

特性17实际上包含两部分。

第一个是用某种 AI 投资回报率框架，了解组织对其 AI 项目的期望，并能据此进行衡量。

第二部分是 Alex 对如何建立这套体系比较主观的看法，他推荐采用实验、规模化、优化几个阶段，并在基础设施、创新和效率上分别下注。

不管最后你用哪些阶段，以及怎样组织不同类型的工作，我觉得一个重要的建议是：要有一个复杂的 ROI 架构，能理解每个项目的目标各不相同，但组织仍然能在同一个框架下对不同项目进行评判。

特性 18 就是我之前说的「奇异博士」理论在代理工作上的实现。

核心想法是，AI 原生组织会用代理集群部署大量、大量、大量的付费营销创意变体用于测试，可能是几百个，也可能是几千个。

在增加广告支出之前先做这些测试。

最初思考这个问题时，我低估了一件事（顺便说一句，我现在仍然觉得这是完全不可避免的），那就是短期内的计算限制会制约这种方法的可行性。

现在我们已经跨过了能力门槛——很多模型已经足够好，能真正完成这类创意工作，而且六个月后它们的价格会比现在便宜得多——我觉得到那时，这种实验就会开始变得比较常见了。

我觉得这会是特别、特别有意思的一件事。

有趣的是——这远远超出了我们这次讨论的范围——我几乎看到了一个营销杠铃：一端是「奇异博士」那种疯狂的代理集群，另一端是完全依赖人类品味、不看数据的品牌营销活动。

基本上就是 Rick Rubin 在一端，机器在另一端，而且不知怎么搞的就是能行得通。

特性 19 是另一个具体的营销建议：每周审计、重写和生成针对 SEO 和 AEO 优化的文章。

然后衡量哪些奏效了。

我觉得更广泛的想法是，既然内容生产的成本已经降下来了，以内容为核心的策略就有很多特别有意思的实验空间。

跟很多这些建议一样，这里的思路是：AI 原生组织不只是把事情做完，而是围绕这些事情建立学习系统，以便未来做得更好。

特性 20，我们进入网络安全领域。过去几个月已经证明，这个领域极其重要。

Alex 认为，AI 原生组织会用 AI 对抗 AI，构建代理式网络安全系统来抵御 AI 驱动的威胁。

我觉得这绝对没错，但要搞清楚组织以及合法防御方到底能拥有什么样的网络安全能力，以及这些能力如何配置，还有大量问题需要解决。

既然我们已经跨过了一些关键的网络安全门槛，在短期内，这些将成为 AI 公司和政府面临的最重要的设计及政策问题。

我们进入最后三分之一了，我接下来会稍微加快节奏。

特性 21 是另一种 token 效率和成本管理的方式：将强化学习环境与第一方数据结合，对开源模型进行微调，用于那些需要以合理成本实现前沿性能的高量级流程。

基本上，我们现在所处的世界，有大量可定制、可后训练的开源权重模型，它们非常接近前沿水平，这为 AI 原生组织带来了很多新机会。

其中很多组织会发现，这种模型管理方式对它们确实有用。

不过我得说，我不认为所有组织都会突然开始自己动手训练模型。

我觉得各个实验室和云计算巨头会想出很多很多办法来解决成本效率问题。

但如果你是一个确实拥有这种技术能力的组织，那这绝对是一个你现在可以去探索、借此获得优势的方向。

特性 22，我们称之为「人类三明治」——在大多数流程的首尾环节保留人类判断和参与。

如果说即使在 AI 原生组织中，工作三明治的两端也应该一直有人类存在，那我完全同意。

我比较不确定的是，在流程中间，我们该在哪些环节恰到好处地引入人类干预。

是的，会有很多流程几乎完全靠代理完成，但我不认为我们已经确切知道哪些模式是最合适的。

所以要说这种太笼统的观点，我其实很难有太多信心。

第23条特征，我觉得争议性就小一些了。

就是把评估当作核心基础设施来建设。

Alex举的具体例子是，每当新模型出来时，用一套固定的机制去测试它们的成本和性能，看是否符合公司的核心流程。

但我认为，现在大家其实或多或少都进入了评估这个领域。

再回到整个架构——用循环代替提示——你必须建立一套基于某种标准的评估机制，否则循环根本跑不起来。

用评估的思维来思考问题，本来就是这门学科的新组成部分。

而且它会渗透到组织中一些你意想不到的角落。

第24条特征，在我看来也同样毫无争议，那就是人人都是建设者，AI原生组织会把建设能力纳入每一个岗位，特别是高管层。

我不确定每个知识工作者都会从自己做工作，变成管理一群替他们工作的代理。

这肯定会占据很大一部分工作量，但要说全部都是，那范围也太广了。

我更有信心说的是，具备建设能力——会写代码、做原型、开发产品、完成工作——现在已经成为一项关键技能了。

当然，随着时间的推移，人和他们所用的代码之间的距离会越来越远，因为产品会逐步抽象掉技术细节，但这并不会让人们不再成为建设者，只要他们还能通过建设来解决问题、创造新机会。

这一点既是实际行动，也是思维方式的转变，而且对企业如何组织自身有相当大的影响。

第25条特征，可以说是第1条特征的双胞胎。

记录一切值得学习的东西，因为组织没有捕捉到的信息，就无法转化成AI能处理的工作。

这也涉及到评估和上下文的传递。

我们只是需要进入一个捕获更多信息的范式，我想这会让现在每个Zoom会议里那75个会议纪要记录员很开心吧。

第26条特征我很喜欢，因为大家讨论得还不够多。

治理常常被视为创新的阻碍，但AI原生组织会把治理当作转型的合作伙伴。

换句话说，他们会把治理看作一种释放创新的途径。

这只有在法务、HR和IT部门与AI议程的负责人紧密协作，共同制定既能解决问题又能释放新工作类型的赋能政策时，才能实现。

我认为，这会在很大程度上成为真正优秀的AI原生组织与那些仍然把AI生硬地嫁接在旧工作方式上的组织的关键区别。

第27条特征呼应了持续转型的理念。

AI原生组织会倾向于先于别人颠覆自己。

这不仅仅关乎你如何完成当前的工作，更深入到你应该做什么工作。

我认为AI带来的巨大变革，不仅仅是提高完成现有任务的效率，更在于发现那些你之前可能没涉足、但现在AI让你有能力去做的、既正交又一致的新机会。

第28条特征，在技术上与“治理是赋能而非阻碍”这一点相对应，可以总结为“先建护栏，再做功能”。

代理会继承提问者的权限，这些权限是在数据层强制的。

你一开始就把护栏建好，以后就不需要每次重新争论了。

功能29本身就可以单独做成一期节目，它的核心思想是——自主权必须靠挣来。

这些复杂而强大的智能体不会一开始就被赋予完全自主权，而是像爬梯子一样——先是观察，然后提建议，接着在批准后行动，最后自主行动——直到它们能够在既定边界内运行完整的流程。

即使我们想识别所有东西，也不一定非要一次性全部完成。

有一句老话说‘一分预防胜过十分治疗’，我觉得这里非常适用。

功能30再次强调了在这个新的智能体时代，围绕你所做的一切的信息系统——它追踪每个输出到对应的提示词、模型数据和审批人，从而让人类反馈能落实到具体的东西上。

而不是模模糊糊觉得哪儿不对劲。

我们有能力创建更全面、更复杂的系统来围绕我们的工作。

而且如果我们这样做，会带来各种各样的好处，从而改善后续的工作。

以上就是亚历克斯的清单，里面有很多值得深思的内容。

至于遗漏了什么，我在评论中看到的最佳答案之一来自很多人，但可以概括为宾迪·贾米尔写的一句话：清晰的归属和问责制。

人工智能可以自动化很多事情，但依然需要有人对结果负责。

每个AI工作流都应该有明确的所有者、可衡量的目标，以及当出问题时负责的人。

最优秀的AI原生公司不会只问‘人工智能能做这个吗？’

他们还会问‘谁拥有这个结果？’

朋友们，这无异于一种新的管理学，它不仅适用于现有的管理者，也适用于所有人，因为每个人都既在成为智能体的管理者，也在成为自己工作的执行者。

正因如此，很多内容需要在实践中经受压力测试，通过经验和失败来学习，然后总结成我们可以共享的集体智慧。

希望这里有一些好的思路，能帮你让你的公司变得更具AI原生性。

好了，今天的《AI日报》到此结束。

一如既往感谢您的收听或观看，下次见，祝好。