YC 合伙人：如何利用 AI，从零建立一家出色的 OPC

2026 年，YC 内部正在发生一种现象：一个 OPC，干掉一整支大型团队。

YC 合伙人戴安娜在最新一期播客中提到，她看到一些 AI 原生团队把工程开发周期缩短约一半，而单位时间内完成的工作量接近过去的 10 倍。

她认为未来公司的核心指标不是员工人数，而是 Token 消耗量：一个熟练掌握 AI 工具的人，抵得上过去一整支工程师团队，中层管理将被智能层取代，传统组织架构将被彻底重写。

她给 AI OPC 的忠告是：你不能把对 AI 的判断外包给顾问、员工或市场舆论，必须亲自上手，直到打破自己对「一个人能做什么」的全部认知。

如果你想通过 AI 成为一名 OPC，这期播客非常值得认真听完。

https://www.youtube.com/watch?v=EN7frwQIbKc

以下是我整理的全文精华👇

你好，我是戴安娜，也是 YC 的合伙人。

过去几个月，我越来越确定：AI 带来的变化，不只是让软件开发更快，或把某些工作流程自动化。它正在重塑初创公司的运作方式：从团队如何分工，到产品能做到什么，再到公司本身如何被管理。

这期我会讲三件事：创始人如何打造 AI 原生公司；这样的团队需要什么角色；以及哪些内部实践现在就可以落地。

现在，大多数人谈论 AI 时都聚焦在生产力上，很多讨论集中在 AI 如何提升工程师效率，或者如何把 AI 工具嵌入现有流程，让团队更快发布功能。

这种视角忽略了我们正在见证的转变：与其说这是生产力的提升，不如说是全新能力的涌现。真正会使用 AI 工具的人，今天已经能做出过去需要一整支团队才能完成，甚至过去根本做不出来的功能。

如果把 AI 看成一种新能力，而不只是效率工具，创始人运营公司的方式就必须改变。

AI 不应该只是公司里某个部门使用的工具，而应该像一层操作系统，嵌入公司的日常运转。每个工作流程、每一项决策、每一个关键环节，都应该接入一个能够持续学习和优化的智能层。

具体而言，公司的每个重要流程，都应被纳入一个智能闭环：这个闭环会持续收集信息，把结果反馈给智能系统，并随着时间推移不断优化流程。

可以借用控制系统里的概念来理解：开环和闭环。

开环系统的特点是：做完一个动作后，系统不会根据结果自动调整。过去很多公司的运营方式接近开环：做出决策、执行下去，但结果是否有效，往往依赖人工复盘，并不总是系统化地反馈到流程里，这中间会产生大量信息损耗。

而闭环系统则是自我调节的：它会持续监控输出，调整流程以更好地达成既定目标。闭环系统的价值在于，它能让组织更稳定地朝目标校准，当你的公司拥有可以自我改进的智能体后，理想状态是：公司本身也像一个闭环系统一样运转。

要构建这样的闭环，该如何做呢？

第一步，让公司变得可查询。也就是说，公司里发生的重要事情，都能被 AI 读取、理解和调用。换句话说，每一次重要会议、客户反馈、产品决策、工程交付，都应该留下结构化记录，成为 AI 可以学习和分析的输入。

这意味着：我们应该使用 AI 记录会议；尽量减少只存在于私信和邮件里的关键信息；在主要沟通渠道中接入智能代理；搭建定制化仪表盘，整合收入、销售、工程、招聘和运营等核心数据。

以工程管理和迭代规划为例。假设你有一个智能助手，它能读取工单系统、工程沟通频道、客户反馈、产品文档、销售通话记录和站会录音。

这个助手就能分析上一个迭代周期实际交付了什么，以及这些交付是否真正满足了客户需求。更进一步，它还能基于这些数据反推下一轮计划。有了这些交付内容、成功与失败的完整数据，助手就能开始规划未来：它能为工程师提供更可预测、更准确、更贴合目标的迭代计划。

这会带来什么改变呢？过去那种依赖工程经理层层汇总、再不可避免产生信息损耗的状态，会被大幅改善。

我自己管理过工程团队，也在多家 YC 公司看到类似实践。对工程管理来说，这确实是一次很大的变化。过去需要反复开会、同步和追问的状态，现在可以被自动记录、整理，并随时查询。

一些采用这种方法的团队，工程冲刺周期缩短了约一半，而单位时间内完成的工作量接近原来的 10 倍。

这里的核心原则是，要让模型发挥全部潜力，你需要像对待员工一样，给它足够的上下文信息。做到这一点后，公司就不再是信息碎片化、依赖人工解读的开环模式，而是转变成一个闭环系统：状态、决策和结果会被持续捕捉，并反馈到这个智能层。

最终形成的系统，能更接近实时地掌握公司里真正发生了什么。

一些高增长团队正在尝试一种新的产品构建范式：AI 软件工厂。

如果你了解测试驱动开发，也就是 TDD，可以把 AI 软件工厂理解为它的下一阶段。

在软件工厂模式下，人类负责撰写需求规范和定义成功标准的测试用例，然后 AI 智能体自动生成实现方案和代码，并反复迭代直到测试通过。人类决定要构建什么，并评判输出结果；实际编码工作则由 AI 智能体完成。

有些公司已经把这种模式做到了极致：他们的代码仓库里没有任何手写代码，只有需求规范和测试工具。

StrongDM 的 AI 团队就是践行这一理念的典范。

他们的最终目标是打造一套从根本上无需人类编写或审查代码的系统。为此，他们搭建了专属的软件工厂：在这套系统里，规格说明和场景化验证会驱动智能代理编写测试、生成代码、反复迭代，直到达到设定的质量阈值，并通过实际运行验证。

这就是打造 Steve Yegge 所说的千倍工程师的方法：

为单个工程师配备一套智能 Agent 系统，让他们能够构建以前绝无可能完成的项目。

千倍甚至万倍工程师的时代已经来临。

如果一家公司已经建立了大量 AI 闭环，组织信息可查询，并且拥有类似软件工厂的生产方式，那么传统管理层级就会受到挑战。

过去，企业需要大量中层管理者和协调人员来上下传递信息、同步状态、推动执行，但这种模式天然存在信息损耗。而在新时代，智能层会接管这项工作。如果公司足够可查询，关键成果物也能被 AI 理解，那么对纯信息传递型中间层的依赖会显著下降。

这很重要，因为企业的运转速度取决于信息流的速度。每移除一层人工信息传递环节，就能直接提升效率。

杰克·多尔西在 Block 公司的做法，就是一个很好的例子。

在深入研究相关工具后，他得出了一个类似判断：如果公司保持原有的组织结构和管理模式，就会完全错失这次变革。公司需要被重构成一个由智能层支撑的系统，让一线人员直接驱动决策和执行，而不是让信息层层汇报、再层层传达。

展望未来，每家公司都会有三种员工类型。

第一种是个人贡献者。

本质上就是构建运营者，这类人直接负责创造和运营事物。

在原生 AI 公司中，这并不局限于工程师：每个人都参与构建和运营，包括支持部门和销售部门。开会时，大家带的是可运行的原型，而非 PPT。

第二类是直接责任人，负责明确的战略目标和客户结果。

不是传统意义上的管理者，而是对结果负有明确责任的人：一人负责一项成果，责任清晰，无可推诿。

第三类是 AI-native founder，也就是 AI 原生创始人。

这类人仍然亲力亲为构建产品、指导团队，并且以身作则。

如果你是创始人，就必须成为这种人：自己站到最前沿，亲自用 AI 构建产品和流程，让团队看到能力边界被拉开的样子，而不是把 AI 战略交给某个“负责人”。

通过这种结构，企业能用小得多的团队取得超预期的成果。

这里的关键转变不在于扩大员工数量，而在于提升高质量 token 的使用效率：让 AI 消耗真正转化为产品、销售、运营和决策产出。

最优秀的企业，将是那些追求 token 使用最大化的公司。

可以这样理解这种取舍：一个熟练掌握 AI 工具的人，其效率相当于 AI 时代之前一家公司里一整支大型工程师团队。这意味着工程、设计、人力资源和行政团队将大幅精简。

因此，你应该愿意承担高得让人不安的 API 费用：因为它替代了原本需要的成本高得多且冗余的员工数量。

但你不能把对这些工具力量的信心寄托在别人身上。你必须亲自花时间使用这些代码工具，直到它们打破你对“一个人到底能做出什么”的旧认知。只有这样，你才会建立真正属于自己的判断。

如果你是初创企业的创始人，那么在实现这一目标方面你将拥有巨大的优势：

你无需面对复杂的旧有系统、组织架构或数以千计的员工需要重新培训的问题。你的公司规模足够小，能够从一开始就直接构建企业。

而现有的公司则恰恰相反。它们必须在维持现有产品的同时，废除多年来的常规操作流程和关于软件构建的基本假设。

有些公司可以通过组建小型内部“秘密研发团队”来实现这一目标，这些团队可以独立于核心业务从零开始构建基于人工智能的系统。

对于大多数公司而言，对核心流程的任何改变都有可能破坏现有的有效运作。因此，从本质上讲，这些大型公司要实现从传统模式向人工智能模式的转变会更加困难。

初创企业没有这种束缚，这是它们可以利用的巨大优势。你可以从一开始就围绕 AI 设计系统、工作流程和企业文化，因此运转速度能比行业老玩家快上一千倍。

当组织变得可查询、流程变成闭环、生产走向软件工厂，你会发现很多曾经必须靠人堆出来的协调、管理、汇报，其实只是信息损耗的代价。AI 不会先替代谁，它会先惩罚那些还把它当插件的人——把 AI 当部门工具的公司，会越来越像开环系统：做得很忙，但校准很慢；而把 AI 当操作系统的公司，会越来越像闭环系统：少人、快迭代、持续自我修正。

所以，如果你想成为 AI 时代的 OPC，最重要的不是再去搜一堆最佳实践，而是从今天开始做三件小事：把关键过程记录下来、把结果反馈回流程里、把判断权握在自己手里。

别外包你的 AI 判断。亲自用，亲自撞墙，直到你对“一个人到底能做到什么”的旧认知，被彻底打碎。

文章来自于微信公众号 "特工宇宙"，作者 "特工宇宙"