你的公司在“用AI”，还是真正AI原生？Greg说：全球也就

01 停下来想的那一刻

:::

Greg Isenberg昨天发的这篇长文，133K次浏览，598个赞

昨天我在刷X，Greg Isenberg发了一篇长文。133K次浏览，598个赞，说的是"如何成为AI原生公司"。我读到第三段停下来了。

他说，真正做到AI原生、年收入超过500万美元的公司，全球可能只有约1000家。

不是1万，不是10万。是1000。

我在心里算了一下。全球有多少做到500万美元年收入的公司？随便估一个，几十万家吧。其中真正AI原生的，约1000家——可能是500，也可能是2000，Greg说他不在乎精确数字，他在乎的是结论：几乎没有。

在所有的噪音、所有的融资公告、所有SaaS官网被改成"智能体化"之后，这个市场，出乎意料地空。

02 你的公司不算

:::

Greg Isenberg的书《AI原生真相：为什么大多数公司在用AI，但几乎没有公司是为AI而建的》

Greg的第一刀砍得很准：团队里有人开着ChatGPT，不等于AI原生。市场部做了个叫"品牌语气助手"的自定义GPT，也不等于AI原生。这事说起来像废话，但你环顾四周，真正叫自己"AI原生"的公司里，有多少只是第一种？

他做了一个区分，让我觉得说到点子上了：

AI辅助型公司问的是：我们在哪里可以加上AI来省时间？

AI原生公司问的是：如果Agent负责前80%的工作，这个流程该怎么存在？

后一个问题，会把整件事从头推倒重建。

左边是AI辅助型：ChatGPT标签页、混乱文档、人工路由；右边是AI原生型：干净数据层、Agent工作流、人工审批节点、反馈循环

03 AI不能靠感觉运行

:::

Greg说了一句话，我觉得是整篇文章最精准的一句：

AI不能靠感觉运行。

他描述的那个场景让我想笑，但笑完有点心虚：CRM里说的是一回事。Slack里说的是另一回事。客户的真实历史在某人的邮箱里。定价逻辑在一个叫"Final_v7_NEW.xlsx"的表格里。退款政策在一个没人相信的Notion文档里。销售流程是"你去找Sarah，她知道我们企业单怎么做"。交付流程是五个工具、三个人工环节、两个审批步骤，加上一个创始人还在处理各种边缘情况，因为没有人把这种判断变成系统。

我觉得这段描述能让90%的公司对号入座。

然后这些公司问：为什么AI帮不上更大的忙？

因为Agent需要上下文。需要干净的输入。需要规则。需要权限。需要知道"好的答案"长什么样。需要知道什么时候行动、什么时候请示。大多数公司花了二十年买软件，但从来没有设计一个操作系统。他们有一堆工具，不是一台机器。

Greg说全球只有约1000家公司解决了这个问题。这不是模型问题，不是API问题，是公司架构问题。

04 一个扎心的对比

:::

之前：客户请求→收件箱→人工搜索→Slack提问→找文档→审批→回复；之后：Agent获取上下文→检查政策→起草→人工审批→回复→学习循环

Greg用客服举了个例子。我觉得这个例子选得好，因为客服是每家公司都有、每家公司都觉得自己"还行"的那种流程。

普通公司的客服流程：工单进来→人工读取→搜索背景→查账户→回想政策→写回复→也许问工程师→也许升级→也许忘了打标签。人是搜索引擎、路由器和文案撰写者，三合一。

AI原生公司的客服流程：工单进系统→Agent读取客户历史→检查套餐限制→查历史工单→参照政策→起草回复→推荐行动→要么解决问题，要么把它精确地送到人工，并注明"这里需要人的判断，原因是XXX"。

人不再是搜索引擎和路由器。人是"模糊情况的审核者"。

这是一家非常不一样的公司。Greg说，销售是同一个逻辑，法务是同一个逻辑，招聘是同一个逻辑，财务是同一个逻辑，理赔、客户成功、研究——全是同一个逻辑。

模式处处重复：Agent做结构化工作，人处理品味、信任、判断、关系和例外情况。这不是效率提升。这是一种新的管理模型。

05 工作流食谱

:::

Greg的Agent工作流食谱：触发器→上下文→规则→草稿→审批→学习。底部那句话是关键："如果你填不上这些格子，你还没有AI工作流"

这张图是整篇文章最实用的一个工具。Greg叫它"Agent工作流食谱"，六个格子：触发器（什么启动它）、上下文（它必须知道什么）、规则（允许做什么）、草稿（应该产出什么）、审批（人在哪里做决定）、学习（下次如何改进）。

重点是那行小字："如果你填不上这些格子，你还没有AI工作流。"

不是没有AI，是没有工作流。AI是工具，工作流是架构。

我觉得这六个格子其实是一个检测工具，不只是设计工具。拿你公司里一个现有的流程，挨个试着填：触发是什么？需要什么上下文？规则是什么？草稿怎么产生？谁来审批？怎么学习改进？

大多数公司会在"规则是什么"那一步卡住。

不是因为规则不存在，而是因为规则从没被写下来过。它活在某人的脑子里，活在"反正Sarah懂"里。这正是AI进不来的地方。

06 新的组织架构图

:::

新的组织架构图：人类负责战略/品味/判断/信任，各类Agent在下面执行，所有Agent共用一个底层：客户数据、SOP、定价、权限、品牌语调、决策记录

如果AI原生公司真的建起来了，组织架构图长什么样？Greg画了出来：最顶层是人，负责战略、品味、判断、信任。下面是一排Agent：客服Agent、销售Agent、研究Agent、财务Agent、运营Agent、法务Agent。所有Agent共用一个底层：共享上下文层，包括客户数据、SOP、定价、权限、品牌语调、决策记录。

这张图下面有一行字："未来的组织架构图，路由者更少，审核者更多。"

这句话我觉得很准。以前公司的大部分人力，其实在做信息路由——把信息从A搬到B，把需求从这个人转给那个人。这件事Agent可以做。人剩下的，是判断，是那些"规则里没写但你知道"的东西。

Greg说，过去一百年的默认增长方式是：招更多人，建部门，加管理层，买软件，发明流程来协调这一切。每新加一层，解决一个问题，制造三个新问题。公司变大了，但也变慢了。更多会议，更多交接，更多"这块归谁"，更多内部摩擦。

AI原生公司会走一条不同的路。12个人做以前需要80个人做的事。40个人和400人的竞争对手抢市场。人均收入，会成为一家公司是否真正为新时代而建的最清晰信号之一。

07 AI原生技术栈

:::

AI原生技术栈从下到上：干净数据→结构化知识→权限+政策→Agent工作流→人工审核→持续学习。底部那句话点出核心："靠买工具得不到Agent杠杆，靠让公司变得可读才能"

Greg画的这个金字塔，我看了两遍。感觉大多数人读到这里会跳过去，但我觉得这才是整篇文章最狠的地方。

从下到上：干净数据→结构化知识→权限加政策→Agent工作流→人工审核→持续学习。

下面那行字是关键："靠买工具得不到Agent杠杆。靠让公司变得对机器可读，才能得到。"

大多数人没搞清楚这一点。大家以为AI原生等于用了好的AI工具。但Greg说的是：AI原生等于把公司本身变成一个机器可以读懂的结构。工具是金字塔最顶端，不是基础。

如果你的数据是脏的，Agent会出错。如果你的知识没有结构，Agent会猜测。如果你没有权限和政策，Agent会乱做。如果你没有人工审核节点，错误会积累。如果你没有反馈循环，Agent不会变好。

工具是最不重要的那一层。

08 没人愿意做的那些

:::

Greg写了一句话，我觉得是全文最诚实的：

每个人都想要魔法。没人想清理厨房。但厨房就是公司本身。

真正让公司变成AI原生的工作，是这些：清数据、文档化工作流、写让Agent可以读懂的SOP、建权限和审计追踪、结构化客户记录让上下文不困在某人脑子里、建评估循环让Agent随时间改进、把每个重复决策变成一个决策系统。

这就是大多数团队中途放弃的原因——因为这些看起来像"写文档"。

不是文档化。是基础设施。

做完这些，你才能跑起来，而且会跑得极快。Greg说，那些把这个无聊的基础工作做完的公司，之后会"以荒谬的速度前进"——因为当操作层干净了，每一层智能叠加起来都能放大。

这让我想起一件看起来不相关的事：麦肯锡在上世纪90年代卖流程再造（BPR）的时候，说法和Greg今天说的几乎一样——把你的业务流程用机器能理解的方式重新设计，效率翻倍。听起来是技术项目，结果变成了最大的组织政治战争。

因为把规则显式化，就等于把权力显式化。

"Sarah知道企业单怎么做"，这句话不只是效率问题。Sarah知道、别人不知道，这本身就是Sarah在公司里不可替代的原因。你要求把这个写下来，你在动的不是流程，是人的位置感。Greg的行动手册第三步是"结构化知识"，他说很多团队在这里放弃因为"感觉像写文档"。我觉得他说错了原因。不是因为无聊，是因为这一步要求有人把自己变得可替代。

BPR三十年前失败过一次，失败在同一个地方。这一次不知道会不会不一样。

09 五步行动手册

:::

"我们在哪里加AI？"得到的是功能；"如果Agent负责一切的初稿，公司该怎么运转？"得到的是一家新公司

Greg给出了一个很具体的行动路径，分五步：

第一步，选一个窄而有经济价值的流程。不要从"让整个公司AI原生"开始，那太抽象，谁都不知道从哪里下手。从客服解决率、外呼、入职、理赔受理、合同审查、续约管理、报告生成里选一个。要选那种：量大、规则存在、人工在做太多协调和信息搬运工作的。

第二步，像机器一样把这个流程画出来。触发器是什么？需要哪些数据？有哪些决策点？哪些决策是可逆的？哪些需要审批？好的结果长什么样？错误在哪里发生？人知道但系统不知道的是什么？这一步说起来像写流程图，但能认真做下来的人很少。

第三步，结构化知识。Agent需要政策，就写政策。需要定价规则，就把它显式化。需要客户历史，就清洗客户数据对象。需要例子，就创建例子。需要语调，就定义语调。这是大多数团队放弃的地方，因为感觉像在写文档。不是文档。是基础设施。

第四步，给Agent划定边界，让它在范围内运作。让它起草、分类、推荐、信息补全、摘要、准备材料。在风险可控的地方给它行动能力。在需要判断的地方要求人工审批。记录一切。审核输出。追踪质量。改进系统。

第五步，衡量真实的业务影响。不是那种"我们节省了X小时"的假电子表格。衡量解决时间、转化率、毛利率、人均收入、错误率、客户满意度、销售速度、入职时间、续约率。Greg说，AI原生公司应该体现在真实数字里。几年后，"AI原生"不再是一个感觉，而是在财务指标里看得见。

10 真正的机会地图

:::

AI原生机会四象限：寻找"重复性够高、复杂度够大"的工作——保险运营、招聘、合规、客服支持、医疗行政、法律受理，这是AI原生金矿

Greg说了一件挺反直觉的事：那些显而易见的AI公司，是最拥挤的地方。

写作助手、会议机器人、代码助手、图像生成、客服封装，都是好生意，但太显眼了。聪明人都在那里打架。

不显眼的机会是：拿那些无聊、盈利、碎片化的行业，用AI原生架构重建运营模型。AI原生经纪公司。AI原生律所周边服务。AI原生会计公司。AI原生合规服务。AI原生医疗行政公司。AI原生房地产运营。AI原生教育服务。AI原生物流协调。

全世界有大量行业：客户付的是结果，但服务商的成本结构主要是重复性知识工作。这恰好是AI原生公司可以楔入的地方。而且Greg指出，这些机会一开始不会看起来像软件公司——有些会看起来像服务公司，但里面藏着软件级别的利润率。这会让投资人和竞争对手困惑，这本身就是个护城河。

他用了一句挺Greg的话描述这类公司：

下一波互联网生意，可能看起来更像奇怪的小型赚钱机器，而不是创业公司。小团队。窄市场。专有工作流。高度自动化。高信任度。清晰的客户痛点。无聊的赛道。漂亮的利润率。

我把这段发给了一个朋友，他回复了三个字："说我呢？"

从外面看不性感，银行账户里极性感。

11 对我们意味着什么

:::

读完这篇文章，我坐着想了一会儿。

Greg的核心断言其实只有一句话：AI的竞争优势，不在于你用了哪个模型，而在于你的公司是否让AI可以在里面工作。

大多数人问的是：我怎么用AI工作？

更好的问题是：AI怎么在我的公司里工作？

这两个问题，差了一个量级的工作量和认知深度。

第二个问题的答案是：清数据、写规则、建文档、设权限、做评估、建反馈。一切显式化，一切结构化。这很无聊。这就是为什么全球只有约1000家公司做到了。

这一点我认同。但我对Greg的一个地方有保留：他把这个问题描述得像是一个一次性的"重建"，好像做完一次就有了。我觉得更接近现实的是，这是一个持续的过程——每次你的业务变了，你的规则就得更新；每次你发现Agent在某个地方出错，你就得回去补结构化知识。AI原生不是一个终点状态，是一种持续维护的运营方式。

但这不妨碍他的核心观点是对的：这个市场目前几乎是空的。先进去的，护城河很深，因为那些被迫跟进的老公司有一大堆"流程债务"要还。这不是靠买工具能解决的。

Greg最后说了一句我觉得挺有力量的话：

现在每个人都在大声谈AI。几乎没有公司在结构上为它做好了准备。这就是那个缺口。这就是那个机会。

我还没想清楚Greg说的这件事到底意味着什么。

如果真的只有约1000家公司做到了，那说明这件事极难——难到连那些有钱、有人、有动机的公司都没做成。那明天选一个流程画出来，真的够吗？还是说，做完这一步，你才会第一次真正看清楚，你的公司离"可运行"有多远？

但有一件事我觉得可以确定：这个问题，比大多数人现在讨论的AI问题，要真实得多。大家还在争用哪个模型、哪个工具、哪个Agent框架。Greg说的是：在你的公司里，AI能读懂什么？

这个问题，大多数人还没认真坐下来答过。

原文：Greg Isenberg，X文章《How to become "AI-Native"》，2026年5月11日

• 原文链接：https://x.com/gregisenberg/status/2053843542020063489

文章来自于"深思SenseAI"，作者 "深思圈"。