YC Tom Blomfield：用 AI 构建自我进化的公司
2026-05-24
原文
Y Combinator 的合伙人 Tom Blomfield 最近做了一场演讲，聊了一个很有意思的话题：怎么用 AI 构建一家能自我进化的公司。他的思路挺颠覆的，值得好好聊聊。
1、传统公司的组织方式已经过时了
Tom 开场用了一个很形象的类比。他说今天大多数公司的组织方式，本质上跟两千年前的罗马军团没什么区别。层层嵌套的管理层级，每一层都有一个具体的人负责把信息往上传、把命令往下发。人类在这个结构里充当的角色，说白了就是信息的管道。
这套系统运转了两千年，但 AI 的出现让它的根基开始动摇了。
2、给旧车装新引擎，方向就错了
去年大家谈 AI 的时候，最常听到的词是「提效」。给工程师配个 copilot，生产力提升 20%。给客服加个智能助手，响应速度快一倍。Tom 说这种思路本质上是把一台更强的引擎装到一辆旧车上，车的结构没变，只是跑得稍微快了一点。
真正的变革不在于让现有流程跑得更快，在于重新想象一家公司到底应该长什么样。
3、递归自我改进的 AI 循环
Tom 提出了一个核心概念：把公司的每个职能部门都设计成一个能自我改进的 AI 循环。这个循环有五层结构。
第一层是感知层，就是从外部世界获取信息的入口。客户发来的邮件、提交的工单、产品的使用数据、用户的退订行为，这些都是感知层在收集的信号。
第二层是决策层，定义了规则和权限。什么事情 AI 可以自己做，什么事情必须问人，什么事情必须记录下来。
第三层是工具层，就是一些确定性的 API。查数据库、看日历、发邮件，这些具体的动作都在这一层完成。
第四层是质量门，包括安全检查、评估验证、高风险操作的人工审核。
第五层是学习机制。系统跟真实世界交互之后，发现哪里不对，把反馈送回顶部，进入下一轮循环。
关键在于：如果这五层都能在最少人工干预的情况下运转起来，你的公司就能在你睡觉的时候自己变得更好。
4、YC 内部已经在跑这套系统了
Tom 举了一个 YC 自己的真实案例。他们一开始做了一个内部 Agent，员工可以用自然语言查询数据库，比如问「我上次跟这家公司开 office hours 是什么时候」。这个阶段还是传统的 AI 助手模式，让人提效 20% 到 30%。
真正让他觉得「卧槽」的时刻，是他们在上面加了一个监控 Agent。这个 Agent 会观察所有员工对 AI 的每一次查询，看哪些成功了，哪些失败了。失败的时候，它会分析原因：是缺了某个工具？是 skills 文件需要更新？是数据库需要加个新索引？然后它自己写代码修复，提一个 PR，另一个 Agent 审核通过后合并部署。第二天员工再问同样的问题，就能得到正确答案了。
整个过程发生在夜里，没有人参与。这就是自我改进循环在实际运转的样子。
想想看，同样的逻辑可以用在很多地方。产品分析 Agent 自动找到转化漏斗里摩擦最大的环节，研究行业最佳实践，部署 AB 测试，跑一周，选最优版本上线，然后继续找下一个瓶颈。客服收到的产品建议自动分类，符合产品路线图的直接写代码部署上线，不符合的归档。一个循环接一个循环，永不停歇。
5、烧 token，不烧人头
Tom 分享了一个数据：YC 现在看到的 demo day 公司，人均收入比 18 个月前高了 5 倍。他认为这个趋势会延续到 A 轮、B 轮。未来公司的瓶颈不再是招不到人，是 token 用量。
这个观察其实很值得琢磨。过去创业公司融资之后第一件事是招人，团队规模是衡量公司实力的重要指标。但如果一个三人团队能产出以前三十人团队的成果，那「人多」这件事本身就不再是优势了，反而可能是负担。
他还提了一个比较激进的观点：中层管理已经结束了。AI 完全可以承担协调的职能，每个人都应该做 IC，做独立贡献者。任何事情要推进，就指定一个具体的人负责，不需要委员会，不需要层层汇报。
6、让组织对 AI 可读
要让这套系统跑起来，有一个前提条件：你的组织必须对 AI 可读。
Tom 说得很直白：如果一件事没有被记录下来，对 AI 来说它就没有发生过。所以 YC 现在把所有合伙人的邮件都存进数据库，所有 Slack 消息包括私信都有记录，过去三四个月的每一次 office hours 都在录音。
他自己在活动现场跟创始人聊天的时候都会想，这段对话应该被录下来，因为里面有有价值的信息，但如果不记录，过两小时就忘了。
录下来之后还不够，你不可能把十万小时的录音塞进一个上下文窗口。所以需要做摘要、分类、提炼，把原始信息浓缩成 AI 能高效使用的知识。YC 用这种方式，从 2000 小时的 office hours 录音里重新生成了一份 150 页的用户手册，质量远超原来那份写了五到十年的旧版本。而且这份手册每个月都会自动更新，新的建议跟已有内容对比，有价值的就纳入，没价值的就丢弃。
7、数据是金子，软件是一次性的
这里面有一个很反直觉的判断：数据和业务上下文要像金子一样珍惜保存，但软件本身可以视为临时品。
为什么？因为模型每隔几个月就会变得更强。你今天写的内部工具，两个月后用更强的模型重新生成一遍，效果可能更好。所以真正有价值的是你对业务的理解、你积累的上下文、你定义的规则和流程。软件只是这些知识的一个临时载体，随时可以重新生成。
这个思路对个人也适用。与其花大量时间打磨某个具体的工具或脚本，不如把精力放在梳理和记录你的业务逻辑、工作流程、决策规则上。这些东西才是长期资产。
8、人类的位置在哪里
如果 AI 能自己跑循环、自己改进、自己部署，那人还干什么？
Tom 的回答是：人类围绕在「公司大脑」的边缘，在 AI 触及不到的地方跟现实世界打交道。具体来说就是那些新情境、高风险、高情感的时刻。比如面对面的销售对话，比如创始人想跟联合创始人分手这种敏感话题，比如需要做出伦理判断的决策。这些事情在未来相当长的时间里，还是需要人来处理。
换句话说，人的角色从「信息管道」变成了「边界探索者」。你负责的是 AI 还搞不定的那些模糊地带，以及确保整个系统在正确的方向上运转。
9、最后那个问题
Tom 在演讲结尾问了在场所有创始人一个问题：如果你今天从零开始建一家公司，你还会用传统的层级结构吗？
对于大多数早期创业者来说，答案应该是不会。你的团队足够小，没有历史包袱，完全可以从第一天就按照这种新方式来构建。先把所有信息记录下来让 AI 可读，再把每个职能设计成自我改进的循环，人只在边界上做判断和决策。
这可能就是接下来几年里，小团队能打败大公司的底层逻辑。不是因为你比他们更努力，是因为你的公司在你睡觉的时候还在进化，而他们的还在等周一开会。
批注
- 核心洞察：「递归自我改进循环」是最有力量的概念——感知→决策→工具→质量门→学习，五层结构让 AI 系统在无人干预下闭环进化。这比我之前理解的「AI 提效」深了一个层次，不是替人干活，而是让系统自己变好。
- 烧 token 不烧人头：人均收入 5 倍增长、中层管理消亡、全员 IC——这些判断激进但逻辑自洽。未来创业公司的关键竞争要素从「团队规模」转向「数据资产的富集程度和 AI 循环的闭环速度」。
- 让组织对 AI 可读：这是最有操作指导意义的一条。如果今天要落地，第一件事就是建立记录文化——邮件、Slack、会议录音、决策日志，全部可检索可摘要。不记录等于不存在。
- 数据 vs 软件：数据是长期资产，软件是临时载体——这个判断对个人知识管理也适用。应该更重视梳理业务逻辑、决策规则和工作流程，而不是执着于某个具体工具。
- 待验证：五层循环在复杂场景（尤其是需要跨部门协调、利益冲突判断）下能否真正闭环？质量门中「高风险操作的人工审核」会不会成为瓶颈？YC 内部跑通不意味着所有行业都能跑通。
- 关联思考：这篇文章本身所倡导的「记录→提炼→迭代」模式，与本站 Collection + Blog 的架构异曲同工。把信息记录下来（原文→Collection），加批注形成个人判断（批注→Collection），再沉淀为原创思考（Blog），也是一种「让知识对未来的自己可读」的实践。
收藏页地址：https://ningg.top/favorites/clipping-yc-tom-blomfield-ai-evolution-company/