YC 的新判断：未来公司拼的不是谁用了 AI，而是谁先长出公司大脑

基于 YC Diana Hu《The Playbook For Building An AI Native Company / How To Build A Company With AI From The Ground Up》、Tom Blomfield《How to Build a Self-Improving Company with AI》与 YC RFS「Company Brain」整理。文中关于增长运营的部分，是在 YC 观点基础上的场景延展。

过去一年，很多公司谈 AI，谈的其实还是“提效”。

工程师用 Copilot 多写一点代码，销售用 AI 多生成几封邮件，客服用机器人多回答几个问题。看起来热闹，但底层逻辑没有变：公司还是原来的公司，只是每个岗位旁边多了一个更快的助手。

YC 最近连续几份内容，把这个问题说得更直接。

Diana Hu 在《The Playbook For Building An AI Native Company》里说，AI 不应该只是公司使用的一个工具，而应该成为公司运行的操作系统。Tom Blomfield 在《How to Build a Self-Improving Company with AI》里进一步把这个判断推到组织层面：真正 AI-native 的公司，不是让人更高效，而是把公司设计成一组可以递归自我改进的 AI loops。

这句话听起来很抽象，但它可能是接下来几年创业公司最重要的分水岭。

一、旧公司：人是信息的中转站

Tom 用了一个很有意思的类比：很多现代公司，其实还像罗马军团一样运行。

最上面的人制定方向，中间层层传递，基层执行，再把信息反馈回来。组织结构看起来很稳定，但它有一个隐含前提：信息必须通过人来流动。

客户反馈在销售脑子里，退款规则在客服经验里，产品细节在工程师记忆里，历史决策散落在 Slack、邮件、Notion、工单和数据库里。

公司能运转，不是因为知识真的被结构化了，而是因为总有人“差不多知道该问谁”。

这套系统对人类公司勉强可用，但对 AI Agent 很不友好。

因为 Agent 不能靠“老员工印象”“群里问一下”“找某某确认”来稳定工作。它需要明确的上下文、可调用的工具、可执行的规则、可追踪的反馈。

所以，AI-native 公司的第一步，不是买更多 AI 工具，而是让公司变得“可查询”。

小结一句：旧公司靠人记住流程，新公司要让流程被 AI 读懂。

二、AI-native 公司：让公司变成一个闭环系统

Diana Hu 提到一个关键区别：open loop 和 closed loop。

open loop 的公司，是人做完一件事，结果就散了。客户为什么流失，销售为什么失败，客服为什么升级，产品为什么被误解，这些信号可能存在，但没有自动回到系统里。

closed loop 的公司则相反：每一次客户互动、产品使用、代码变更、销售推进、工单处理，都会变成结构化信号，被系统读取、判断、行动，再反馈到下一次动作里。

Tom 把这个 loop 拆成几层：

• sensor layer：传感器层，收集外部和内部信号，比如邮件、客服工单、产品数据、取消订阅、代码变更；
• policy layer：策略层，定义什么能自动做，什么必须请求人类批准，什么必须记录；
• tool layer：工具层，让 AI 能调用确定性的 API、数据库、日历、代码仓库等；
• quality gate：质量门，包括 eval、规则校验、安全过滤、高风险人工复核；
• learning mechanism：学习机制，把失败、异常和用户反馈重新写回系统。

这就是 AI-native 公司和“用了 AI 的公司”的差别。

后者是员工拿 AI 当助手；前者是公司把每个流程设计成可感知、可决策、可执行、可复盘的闭环。

AI-native 不是工具清单，而是一套闭环设计方法。

三、Company Brain：真正缺的不是模型，是公司大脑

YC 在 RFS「Company Brain」里把问题说得更明确：现在 AI 自动化公司的最大阻碍，已经不再只是模型能力，而是领域知识。

每家公司都有大量关键 know-how：退款怎么处理，价格特例怎么批，事故怎么响应，客户分层怎么判断，销售线索什么时候升级，产品问题该怎么归因。

这些知识一部分在人的脑子里，一部分埋在历史邮件、Slack、客服工单、数据库和文档中。

如果它们不能被整理成 AI 可用的结构，再强的 Agent 也只能停留在“问答机器人”或“文档搜索”。

所以，Company Brain 不是普通知识库，不是 RAG 文档问答，也不是单点 Agent 工作流平台。

它更像一层连接“公司原始数据”和“可靠 AI 自动化”的结构层：把公司知识、业务规则、权限边界、可调用工具、质量门和反馈机制，组织成 AI 可执行的上下文。

它需要知道：

• 信息在哪里；
• 不同场景下该遵守什么规则；
• 哪些动作可以自动执行；
• 哪些动作必须让人审批；
• 一次失败之后，该更新哪条流程、哪份技能、哪个工具。

换句话说，没有 Company Brain，AI 只能回答问题；有了 Company Brain，AI 才可能真正参与工作。

公司大脑的价值，不是“知道更多”，而是让 AI 知道如何安全地做事。

四、最重要的变化：公司可以在睡觉时变好

Tom 的分享里有一个关键细节。

一开始，YC 内部有一个 Agent，可以查询数据库，比如“我上次和这家公司 office hours 是什么时候”。后来，它可以根据当前公司的需求，找出适合介绍的人。

这还只是 sidekick，是让人更高效的工具。

真正的 aha moment，是他们在上面加了一个 monitoring agent：它会观察员工每一次查询，判断哪些查询成功、哪些失败。如果失败，它会继续追问：为什么失败？是不是缺少某个确定性工具？是不是 skills file 需要更新？是不是数据库视图、新索引、RAG 方式需要调整？

在 Tom 的描述里，系统可以进一步提出代码修改、发起 review，并在质量门和人工 review 下逐步更新系统。这里的重点不是“让 AI 无监督改核心业务”，而是让系统能发现失败模式，提出改进方案，并通过安全流程进入下一次迭代。

这就是“自我改进公司”的含义。

不是 AI 帮员工快 20%，而是公司发现自己哪里不好用，并尝试修复自己。

五、放到增长运营里看：爆款不是闭环，信号回流才是闭环

这个视角对增长运营尤其重要。

过去我们做增长，常常是发完文章、跑完活动、投完广告，再靠人肉复盘。阅读量不错，但不知道谁来了；私信增加了，但不知道问题集中在哪里；销售跟进了，但卡点没有回到内容和产品里。

这就是典型的 open loop。

如果把 Company Brain 放到增长场景里，它应该关心的不是“这篇文章爆了吗”，而是：

• 哪类用户被吸引来了？
• 他们用什么词描述痛点？
• 哪个承诺带来有效私信？
• 哪个问题反复阻塞成交？
• 下一篇内容、下一个页面、下一次销售话术应该改什么？

举一个假设场景。

一家 B2B SaaS 发了一篇文章，带来 37 条私信。传统做法可能是运营截图汇报：“这篇效果不错，私信很多。”

但 AI-native 的做法应该是：系统自动提取 37 条私信里的问题，把它们聚类成几类痛点；标记哪些人只是好奇，哪些人有明确采购意图；记录销售跟进时卡在哪里；把高频问题同步到 FAQ、下一篇选题、官网落地页和销售话术库。

一周后，下一篇文章不再凭感觉写，而是围绕真实问题展开；销售不再重复解释同一个疑虑，而是拿到更新过的话术；产品团队也能看到客户到底在哪个环节不理解、不信任、不愿意付费。

这才是增长里的 Company Brain。

好的增长不是流量峰值，而是闭环：注意力 → 信任 → 行动 → 客户信号 → 下一次更准的内容、产品和销售动作。

爆款只是结果，信号回流才是资产。

六、创业公司的优势：从第一天就不要欠“组织债”

Diana Hu 提到，早期创业公司在这波变化里有巨大优势。

但这个优势不是“团队小，所以天然 AI-native”。很多小团队反而更依赖口头沟通、创始人记忆和临时决策，只是还没来得及把混乱暴露出来。

真正的优势在于：创业公司可以从第一天就设计数据结构、权限边界、流程记录和反馈机制。

比如：

• 重要客户问题必须结构化沉淀；
• 关键动作要定义审批规则；
• 每次成交失败要进入复盘表；
• 高频客服问题要回到产品和内容；
• 能被 Agent 调用的工具，要优先做成确定性接口；
• 高风险动作必须经过质量门和人工确认。

这些不是为了“管理规范”，而是为了让未来的 Agent 真能接手工作。

AI-native 公司最早要招的人，也不一定只是“会用 AI 的人”，而是能把工作拆成闭环的人：

谁来感知信号？ 谁来制定策略？ 谁来调用工具？ 谁来检查质量？ 谁来把失败写回系统？

能回答这些问题，才是在搭建公司的 AI 操作系统。

结尾：判断一家公司是不是 AI-native，看三个问题

如果只看工具，AI 的变化很容易被低估。

今天换一个模型，明天多一个 Agent，后天又出一个工作流平台，看起来都是效率工具的迭代。

但 YC 这几份内容真正提醒的是：AI 改变的不是某个岗位，而是公司本身的组织方式。

过去的公司靠人传递信息，靠管理层协调动作，靠复盘会议慢慢学习。

下一代公司更可能会把知识结构化，把动作工具化，把规则显性化，把反馈闭环化。人不再是所有信息的中转站，而更像系统的设计者、监督者和关键判断者。

判断一家公司是不是真的 AI-native，不要问它用了多少 AI 工具。

要问三个问题：

第一，它的公司知识，AI 能不能读懂？

第二，它的关键动作，AI 能不能安全执行？

第三，它的失败经验，能不能自动回到下一次改进？

如果答案是否定的，它只是用了 AI。

如果答案是肯定的，它才开始拥有自己的 Company Brain。

参考资料

• Diana Hu, YC：《The Playbook For Building An AI Native Company》
  https://www.ycombinator.com/library/OX-the-playbook-for-building-an-ai-native-company
• Diana Hu, YC YouTube：《How To Build A Company With AI From The Ground Up》
  https://youtu.be/EN7frwQIbKc
• Tom Blomfield, YC YouTube：《How to Build a Self-Improving Company with AI》
  https://www.youtube.com/watch?v=t-G67yKAHBQ
• YC LinkedIn transcript：Tom Blomfield batch talk
  https://www.linkedin.com/posts/y-combinator_in-a-recent-batch-talk-yc-general-partner-activity-7462675640333275137-VtVB
• YC RFS：「Company Brain」
  https://www.ycombinator.com/rfs#company-brain

UseClaw 持续记录 Claude、Codex、OpenClaw、AI Agent 与数字员工的真实案例、方法和产品化实践。了解更多：https://useclaw.net/