YC 合夥人：如何利用 AI，從零建立一家出色的 OPC

2026 年，YC 內部出現咗一種現象：一個 OPC，可以取代成個大型團隊。

YC 合夥人戴安娜喺最新一期播客提到，佢見到有啲 AI 原生團隊將工程開發週期縮短咗大約一半，而單位時間內完成嘅工作量接近以前嘅 10 倍。

佢認為將來公司嘅核心指標唔係員工人數，而係 Token 消耗量：一個熟練掌握 AI 工具嘅人，等於以前成隊工程師團隊，中層管理會被智能層取代，傳統組織架構會被徹底改寫。

佢畀 AI OPC 嘅忠告係：你唔可以將對 AI 嘅判斷外判畀顧問、員工或市場輿論，一定要親自動手，直到打破自己對「一個人可以做啲乜」嘅全部認知。

如果你打算透過 AI 成為一個 OPC，呢期播客好值得認真聽曬。

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

以下係我整理嘅全文精華👇

你好，我係戴安娜，亦係 YC 嘅合夥人。

過去幾個月，我越來越肯定：AI 帶嚟嘅變化，唔單止令軟件開發更快，或者將某啲工作流程自動化。佢正在重塑初創公司嘅運作方式：由團隊點樣分工，到產品可以做啲乜，再到公司本身點樣被管理。

呢期我會講三件事：創始人點樣打造 AI 原生公司；呢啲團隊需要咩角色；同埋邊啲內部實踐而家就可以實行。

而家，大多數人討論 AI 嘅時候都集中喺生產力上面，好多討論集中喺 AI 點樣提升工程師效率，或者點樣將 AI 工具嵌入現有流程，令團隊更快推出功能。

呢種角度忽略咗我哋正在見證嘅轉變：與其話呢個係生產力嘅提升，不如話係全新能力嘅湧現。真正識用 AI 工具嘅人，今日已經做到以前需要成隊團隊先做到，甚至以前根本做唔到嘅功能。

如果將 AI 睇成一種新能力，而唔單止係效率工具，創始人營運公司嘅方式就要改變。

AI 唔應該只係公司入面某個部門用嘅工具，而應該好似一層操作系統咁，嵌入公司嘅日常運作。每個工作流程、每一項決策、每一個關鍵環節，都應該連接到一個可以持續學習同優化嘅智能層。

具體啲講，公司嘅每個重要流程，都應該被納入一個智能閉環：呢個閉環會持續收集資訊，將結果反饋畀智能系統，並隨住時間推移不斷優化流程。

可以借用控制系統入面嘅概念嚟理解：開環同閉環。

開環系統嘅特點係：做完一個動作之後，系統唔會根據結果自動調整。以前好多公司嘅營運方式接近開環：做出決策、執行落去，但結果有冇效，往往要靠人工複盤，並唔係成日系統化咁反饋返去流程裏面，中間會產生大量資訊損耗。

而閉環系統係自我調節嘅：佢會持續監控輸出，調整流程以更好地達成既定目標。閉環系統嘅價值在於，佢可以令組織更穩定咁向目標校準，當你嘅公司擁有可以自我改進嘅智能體之後，理想狀態係：公司本身都好似一個閉環系統咁運作。

要建立呢種閉環，應該點樣做呢？

第一步，令公司變得可查詢。即係話，公司入面發生嘅重要事情，都可以被 AI 讀取、理解同調用。換句話講，每一次重要會議、客戶反饋、產品決策、工程交付，都應該留低結構化記錄，成為 AI 可以學習同分析嘅輸入。

呢個意味住：我哋應該用 AI 記錄會議；盡量減少淨係存在於私訊同電郵裏面嘅關鍵資訊；喺主要溝通渠道中接入智能代理；建立定製化儀錶板，整合收入、銷售、工程、招聘同營運等核心數據。

以工程管理同迭代規劃為例。假設你有一個智能助手，佢可以讀取工單系統、工程溝通頻道、客戶反饋、產品文檔、銷售通話記錄同站會錄音。

呢個助手就可以分析上一個迭代週期實際交付咗啲乜，以及呢啲交付係咪真係滿足咗客戶需求。再進一步，佢仲可以基於呢啲數據推測下一輪計劃。有咗呢啲交付內容、成功同失敗嘅完整數據，助手就可以開始規劃未來：佢可以為工程師提供更可預測、更準確、更貼合目標嘅迭代計劃。

呢個會帶嚟啲咩改變呢？以前嗰種依賴工程經理層層彙總、再無可避免產生資訊損耗嘅狀態，會大幅改善。

我自己管理過工程團隊，亦喺多間 YC 公司見到類似實踐。對工程管理嚟講，呢個確實係一次好大嘅變化。以前需要反覆開會、同步同追問嘅狀態，而家可以被自動記錄、整理，並隨時查詢。

一啲採用呢種方法嘅團隊，工程衝刺週期縮短咗大約一半，而單位時間內完成嘅工作量接近原來嘅 10 倍。

呢度嘅核心原則係，要令模型發揮全部潛力，你需要好似對待員工咁，畀佢足夠嘅上下文資訊。做到呢點之後，公司就唔再係資訊碎片化、依賴人工解讀嘅開環模式，而係轉變成一個閉環系統：狀態、決策同結果會被持續捕捉，並反饋到呢個智能層。

最終形成嘅系統，可以更接近實時咁掌握公司入面真正發生緊啲乜。

一啲高增長團隊正在嘗試一種新嘅產品構建範式：AI 軟件工廠。

如果你瞭解測試驅動開發，即係 TDD，可以將 AI 軟件工廠理解為佢嘅下一階段。

喺軟件工廠模式下，人類負責寫需求規範同定義成功標準嘅測試用例，然後 AI 智能體自動生成實現方案同代碼，並反覆迭代直至測試通過。人類決定要構建啲乜，並評判輸出結果；實際編碼工作就由 AI 智能體完成。

有啲公司已經將呢種模式做到極致：佢哋嘅代碼倉庫入面冇任何手寫代碼，只有需求規範同測試工具。

StrongDM 嘅 AI 團隊就係實踐呢個理念嘅典範。

佢哋嘅最終目標係打造一套從根本上唔需要人類編寫或審查代碼嘅系統。為此，佢哋建立咗專屬嘅軟件工廠：喺呢套系統入面，規格說明同場景化驗證會驅動智能代理編寫測試、生成代碼、反覆迭代，直到達到設定嘅質量閾值，並通過實際運行驗證。

呢個就係打造 Steve Yegge 所講嘅千倍工程師嘅方法：

為單個工程師配備一套智能 Agent 系統，令佢哋可以構建以前絕對冇可能完成嘅項目。

千倍甚至萬倍工程師嘅時代已經嚟臨。

如果一間公司已經建立咗大量 AI 閉環，組織資訊可查詢，並且擁有類似軟件工廠嘅生產方式，咁傳統管理層級就會受到挑戰。

以前，企業需要大量中層管理者同協調人員嚟上下傳遞資訊、同步狀態、推動執行，但呢種模式天然存在資訊損耗。而喺新時代，智能層會接管呢項工作。如果公司夠可查詢，關鍵成果物亦可以被 AI 理解，咁對純資訊傳遞型中間層嘅依賴會顯著下降。

呢個好重要，因為企業嘅運轉速度取決於資訊流嘅速度。每移除一層人工資訊傳遞環節，就可以直接提升效率。

傑克·多爾西喺 Block 公司嘅做法，就係一個好好嘅例子。

喺深入研究相關工具之後，佢得出咗一個類似判斷：如果公司保持原有嘅組織結構同管理模式，就會完全錯過呢次變革。公司需要被重構成一個由智能層支撐嘅系統，令一線人員直接驅動決策同執行，而唔係令資訊層層彙報、再層層傳達。

展望未來，每間公司都會有三種員工類型。

第一種係個人貢獻者。

本質上就係構建營運者，呢類人直接負責創造同營運事物。

喺原生 AI 公司入面，呢個並唔侷限於工程師：每個人都參與構建同營運，包括支援部門同銷售部門。開會嘅時候，大家帶嘅係可運行嘅原型，而唔係 PPT。

第二類係直接責任人，負責明確嘅戰略目標同客戶結果。

唔係傳統意義上嘅管理者，而係對結果負有明確責任嘅人：一人負責一項成果，責任清晰，冇得推卸。

第三類係 AI-native founder，即係 AI 原生創始人。

呢類人仍然親力親為構建產品、指導團隊，並且以身作則。

如果你係創始人，就一定要成為呢種人：自己企喺最前線，親身用 AI 構建產品同流程，令團隊見到能力邊界被拉開嘅樣，而唔係將 AI 戰略交畀某個「負責人」。

透過呢種結構，企業可以用細好多嘅團隊取得超預期嘅成果。

呢度嘅關鍵轉變唔在於擴大員工數量，而在於提升高質量 token 嘅使用效率：令 AI 消耗真正轉化為產品、銷售、營運同決策產出。

最優秀嘅企業，將會係嗰啲追求 token 使用最大化嘅公司。

可以咁樣理解呢種取捨：一個熟練掌握 AI 工具嘅人，其效率相等於 AI 時代之前一間公司入面成隊大型工程師團隊。呢個意味住工程、設計、人力資源同行政團隊會大幅精簡。

因此，你應該願意承擔高到令人不安嘅 API 費用：因為佢替代咗原本需要嘅成本高好多同冗餘嘅員工數量。

但係你唔可以將對呢啲工具力量嘅信心寄託喺其他人身上。你一定要親自花時間用呢啲代碼工具，直到佢哋打破你對「一個人到底可以做啲乜」嘅舊認知。只有咁樣，你先會建立真正屬於自己嘅判斷。

如果你係初創企業嘅創始人，咁喺實現呢個目標方面你會擁有巨大嘅優勢：

你唔需要面對複雜嘅舊有系統、組織架構或成千上萬嘅員工需要重新培訓嘅問題。你嘅公司規模夠細，可以由一開始就直接構建企業。

而現有嘅公司就恰恰相反。佢哋必須喺維持現有產品嘅同時，廢除多年嚟嘅常規操作流程同關於軟件構建嘅基本假設。

有啲公司可以透過組建小型內部「秘密研發團隊」嚟實現呢個目標，呢啲團隊可以獨立於核心業務由零開始構建基於人工智能嘅系統。

對大多數公司嚟講，對核心流程嘅任何改變都有可能破壞現有嘅有效運作。因此，從本質上講，呢啲大型公司要實現從傳統模式向人工智能模式嘅轉變會更加困難。

初創企業冇呢種束縛，呢個係佢哋可以利用嘅巨大優勢。你可以由一開始就圍繞 AI 設計系統、工作流程同企業文化，因此運轉速度可以比行業老玩家快上一千倍。

當組織變得可查詢、流程變成閉環、生產走向軟件工廠，你會發現好多以前必須靠人堆出來嘅協調、管理、彙報，其實只係資訊損耗嘅代價。AI 唔會先替代邊個，佢會先懲罰嗰啲重當佢係插件嘅人——將 AI 當部門工具嘅公司，會越來越似開環系統：做得好忙，但校準好慢；而將 AI 當操作系統嘅公司，會越來越似閉環系統：少人、快迭代、持續自我修正。

所以，如果你想成為 AI 時代嘅 OPC，最重要嘅唔係再去揾一堆最佳實踐，而係由今日開始做三件小事：將關鍵過程記錄低、將結果反饋返去流程入面、將判斷權握喺自己手度。

唔好外判你嘅 AI 判斷。親自用，親自撞板，直到你對「一個人到底做到啲乜」嘅舊認知，被徹底打碎。

2026 年，YC 內部正在發生一種現象：一個 OPC，幹掉一整支大型團隊。

YC 合夥人戴安娜在最新一期播客中提到，她看到一些 AI 原生團隊把工程開發週期縮短約一半，而單位時間內完成的工作量接近過去的 10 倍。

她認為未來公司的核心指標不是員工人數，而是 Token 消耗量：一個熟練掌握 AI 工具的人，抵得上過去一整支工程師團隊，中層管理將被智能層取代，傳統組織架構將被徹底重寫。

她給 AI OPC 的忠告是：你不能把對 AI 的判斷外包給顧問、員工或市場輿論，必須親自上手，直到打破自己對「一個人能做什麼」的全部認知。

如果你想通過 AI 成為一名 OPC，這期播客非常值得認真聽完。

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

以下是我整理的全文精華👇

你好，我是戴安娜，也是 YC 的合夥人。

過去幾個月，我越來越確定：AI 帶來的變化，不只是讓軟件開發更快，或把某些工作流程自動化。它正在重塑初創公司的運作方式：從團隊如何分工，到產品能做到什麼，再到公司本身如何被管理。

這期我會講三件事：創始人如何打造 AI 原生公司；這樣的團隊需要什麼角色；以及哪些內部實踐現在就可以落地。

現在，大多數人談論 AI 時都聚焦在生產力上，很多討論集中在 AI 如何提升工程師效率，或者如何把 AI 工具嵌入現有流程，讓團隊更快發佈功能。

這種視角忽略了我們正在見證的轉變：與其說這是生產力的提升，不如說是全新能力的湧現。真正會使用 AI 工具的人，今天已經能做出過去需要一整支團隊才能完成，甚至過去根本做不出來的功能。

如果把 AI 看成一種新能力，而不只是效率工具，創始人運營公司的方式就必須改變。

AI 不應該只是公司裏某個部門使用的工具，而應該像一層操作系統，嵌入公司的日常運轉。每個工作流程、每一項決策、每一個關鍵環節，都應該接入一個能夠持續學習和優化的智能層。

具體而言，公司的每個重要流程，都應被納入一個智能閉環：這個閉環會持續收集信息，把結果反饋給智能系統，並隨着時間推移不斷優化流程。

可以借用控制系統裏的概念來理解：開環和閉環。

開環系統的特點是：做完一個動作後，系統不會根據結果自動調整。過去很多公司的運營方式接近開環：做出決策、執行下去，但結果是否有效，往往依賴人工覆盤，並不總是系統化地反饋到流程裏，這中間會產生大量信息損耗。

而閉環系統則是自我調節的：它會持續監控輸出，調整流程以更好地達成既定目標。閉環系統的價值在於，它能讓組織更穩定地朝目標校準，當你的公司擁有可以自我改進的智能體後，理想狀態是：公司本身也像一個閉環系統一樣運轉。

要構建這樣的閉環，該如何做呢？

第一步，讓公司變得可查詢。也就是說，公司裏發生的重要事情，都能被 AI 讀取、理解和調用。換句話說，每一次重要會議、客戶反饋、產品決策、工程交付，都應該留下結構化記錄，成為 AI 可以學習和分析的輸入。

這意味着：我們應該使用 AI 記錄會議；儘量減少只存在於私信和郵件裏的關鍵信息；在主要溝通渠道中接入智能代理；搭建定製化儀表盤，整合收入、銷售、工程、招聘和運營等核心數據。

以工程管理和迭代規劃為例。假設你有一個智能助手，它能讀取工單系統、工程溝通頻道、客戶反饋、產品文檔、銷售通話記錄和站會錄音。

這個助手就能分析上一個迭代週期實際交付了什麼，以及這些交付是否真正滿足了客戶需求。更進一步，它還能基於這些數據反推下一輪計劃。有了這些交付內容、成功與失敗的完整數據，助手就能開始規劃未來：它能為工程師提供更可預測、更準確、更貼合目標的迭代計劃。

這會帶來什麼改變呢？過去那種依賴工程經理層層彙總、再不可避免產生信息損耗的狀態，會被大幅改善。

我自己管理過工程團隊，也在多家 YC 公司看到類似實踐。對工程管理來說，這確實是一次很大的變化。過去需要反覆開會、同步和追問的狀態，現在可以被自動記錄、整理，並隨時查詢。

一些採用這種方法的團隊，工程衝刺週期縮短了約一半，而單位時間內完成的工作量接近原來的 10 倍。

這裏的核心原則是，要讓模型發揮全部潛力，你需要像對待員工一樣，給它足夠的上下文信息。做到這一點後，公司就不再是信息碎片化、依賴人工解讀的開環模式，而是轉變成一個閉環系統：狀態、決策和結果會被持續捕捉，並反饋到這個智能層。

最終形成的系統，能更接近實時地掌握公司裏真正發生了什麼。

一些高增長團隊正在嘗試一種新的產品構建範式：AI 軟件工廠。

如果你瞭解測試驅動開發，也就是 TDD，可以把 AI 軟件工廠理解為它的下一階段。

在軟件工廠模式下，人類負責撰寫需求規範和定義成功標準的測試用例，然後 AI 智能體自動生成實現方案和代碼，並反覆迭代直到測試通過。人類決定要構建什麼，並評判輸出結果；實際編碼工作則由 AI 智能體完成。

有些公司已經把這種模式做到了極致：他們的代碼倉庫裏沒有任何手寫代碼，只有需求規範和測試工具。

StrongDM 的 AI 團隊就是踐行這一理念的典範。

他們的最終目標是打造一套從根本上無需人類編寫或審查代碼的系統。為此，他們搭建了專屬的軟件工廠：在這套系統裏，規格說明和場景化驗證會驅動智能代理編寫測試、生成代碼、反覆迭代，直到達到設定的質量閾值，並通過實際運行驗證。

這就是打造 Steve Yegge 所說的千倍工程師的方法：

為單個工程師配備一套智能 Agent 系統，讓他們能夠構建以前絕無可能完成的項目。

千倍甚至萬倍工程師的時代已經來臨。

如果一家公司已經建立了大量 AI 閉環，組織信息可查詢，並且擁有類似軟件工廠的生產方式，那麼傳統管理層級就會受到挑戰。

過去，企業需要大量中層管理者和協調人員來上下傳遞信息、同步狀態、推動執行，但這種模式天然存在信息損耗。而在新時代，智能層會接管這項工作。如果公司足夠可查詢，關鍵成果物也能被 AI 理解，那麼對純信息傳遞型中間層的依賴會顯著下降。

這很重要，因為企業的運轉速度取決於信息流的速度。每移除一層人工信息傳遞環節，就能直接提升效率。

傑克·多爾西在 Block 公司的做法，就是一個很好的例子。

在深入研究相關工具後，他得出了一個類似判斷：如果公司保持原有的組織結構和管理模式，就會完全錯失這次變革。公司需要被重構成一個由智能層支撐的系統，讓一線人員直接驅動決策和執行，而不是讓信息層層彙報、再層層傳達。

展望未來，每家公司都會有三種員工類型。

第一種是個人貢獻者。

本質上就是構建運營者，這類人直接負責創造和運營事物。

在原生 AI 公司中，這並不侷限於工程師：每個人都參與構建和運營，包括支持部門和銷售部門。開會時，大家帶的是可運行的原型，而非 PPT。

第二類是直接責任人，負責明確的戰略目標和客戶結果。

不是傳統意義上的管理者，而是對結果負有明確責任的人：一人負責一項成果，責任清晰，無可推諉。

第三類是 AI-native founder，也就是 AI 原生創始人。

這類人仍然親力親為構建產品、指導團隊，並且以身作則。

如果你是創始人，就必須成為這種人：自己站到最前沿，親自用 AI 構建產品和流程，讓團隊看到能力邊界被拉開的樣子，而不是把 AI 戰略交給某個“負責人”。

通過這種結構，企業能用小得多的團隊取得超預期的成果。

這裏的關鍵轉變不在於擴大員工數量，而在於提升高質量 token 的使用效率：讓 AI 消耗真正轉化為產品、銷售、運營和決策產出。

最優秀的企業，將是那些追求 token 使用最大化的公司。

可以這樣理解這種取捨：一個熟練掌握 AI 工具的人，其效率相當於 AI 時代之前一家公司裏一整支大型工程師團隊。這意味着工程、設計、人力資源和行政團隊將大幅精簡。

因此，你應該願意承擔高得讓人不安的 API 費用：因為它替代了原本需要的成本高得多且冗餘的員工數量。

但你不能把對這些工具力量的信心寄託在別人身上。你必須親自花時間使用這些代碼工具，直到它們打破你對“一個人到底能做出什麼”的舊認知。只有這樣，你才會建立真正屬於自己的判斷。

如果你是初創企業的創始人，那麼在實現這一目標方面你將擁有巨大的優勢：

你無需面對複雜的舊有系統、組織架構或數以千計的員工需要重新培訓的問題。你的公司規模足夠小，能夠從一開始就直接構建企業。

而現有的公司則恰恰相反。它們必須在維持現有產品的同時，廢除多年來的常規操作流程和關於軟件構建的基本假設。

有些公司可以通過組建小型內部“秘密研發團隊”來實現這一目標，這些團隊可以獨立於核心業務從零開始構建基於人工智能的系統。

對於大多數公司而言，對核心流程的任何改變都有可能破壞現有的有效運作。因此，從本質上講，這些大型公司要實現從傳統模式向人工智能模式的轉變會更加困難。

初創企業沒有這種束縛，這是它們可以利用的巨大優勢。你可以從一開始就圍繞 AI 設計系統、工作流程和企業文化，因此運轉速度能比行業老玩家快上一千倍。

當組織變得可查詢、流程變成閉環、生產走向軟件工廠，你會發現很多曾經必須靠人堆出來的協調、管理、彙報，其實只是信息損耗的代價。AI 不會先替代誰，它會先懲罰那些還把它當插件的人——把 AI 當部門工具的公司，會越來越像開環系統：做得很忙，但校準很慢；而把 AI 當操作系統的公司，會越來越像閉環系統：少人、快迭代、持續自我修正。

所以，如果你想成為 AI 時代的 OPC，最重要的不是再去搜一堆最佳實踐，而是從今天開始做三件小事：把關鍵過程記錄下來、把結果反饋迴流程裏、把判斷權握在自己手裏。

別外包你的 AI 判斷。親自用，親自撞牆，直到你對“一個人到底能做到什麼”的舊認知，被徹底打碎。