如何用 AI 打造一家自我改进的公司

Tom Blomfield 认为，AI 不应主要被视为现有组织架构中的生产力插件。他的核心观点是，公司可以被重新设计为一组递归式、自我改进的 AI 循环：这些系统能够感知事件、应用政策、使用工具、通过质量关卡、从失败中学习，并在几乎不需要人工干预的情况下自我更新。在这一框架中，稀缺资产不是软件本身，而是清晰可读的公司知识与上下文。人在那些涉及判断、伦理、新颖性以及高风险人际互动的边缘环节中仍然很重要。

关键洞见

1. AI 改变的是组织单元，而不仅仅是员工生产力： 他拒绝将 AI 视为让现有团队效率略微提升的副驾驶这一框架。相反，他认为 AI 使一种全新的公司架构成为可能，用 AI 原生系统取代由人类承担信息传递的层级体系；这些系统能够吸收公司知识、做出决策，并以递归方式改进流程。

   为何重要： 如果这一点成立，那么最大的机会就不是渐进式工具升级，而是组织重构。那些只是把 AI 叠加到传统工作流上的公司，可能会错失更大的结构性优势。

2. 核心机制是一个递归式自我改进循环： 他描述了一个由五部分组成的循环：来自外部世界的传感器输入、政策/决策层、AI 可调用的确定性工具、质量关卡，以及一个将失败反馈回系统改进中的学习机制。关键门槛在于，这个循环的大部分甚至全部都能在几乎没有人工干预的情况下运行。

   为何重要： 这为 AI 在何处能够带来复利式收益提供了一个具体设计模式：不是一次性的回答，而是能够观察结果、自我修改并重试的闭环。

3. 当 AI 改进的是服务用户的系统，而不只是用户眼前的任务时，才会出现跃迁式变化： 他的例子从一个内部查询代理开始，但真正让人“恍然大悟”的时刻，是一个监控代理会观察失败的查询，推断缺失之处，提出代码或工具变更建议，将其送审，并部署修复，使同样的任务之后能够成功完成。他表示，这种情况已经在 YC 夜间发生。

   为何重要： 战略价值会从“辅助”转向“自主改进基础设施”。这带来的是能力的复利增长，而不是一次性的人工成本节省。

4. 公司知识必须变得对 AI 清晰可读： 他一再强调，分散在人们头脑、电子邮件、Slack、办公时间交流和文档中的知识，必须被捕获、记录、总结并结构化。他的经验法则实际上是：如果某件事没有被记录下来，那么对 AI 系统来说，它就等于没有发生。

   为何重要： 自我改进系统依赖于获取运营上下文。如果无法广泛捕获组织知识，AI 就只能停留在浅层，无法可靠地依据公司特有的判断开展行动。

5. 仅有原始采集还不够；还需要压缩与综合： 由于海量录音和消息不可能被简单塞进上下文窗口中，他强调需要通过说话人分离/摘要提取重要部分，并保留能够让系统检索和使用相关上下文的“面包屑”。他举的例子是，根据录制的办公时间交流重新生成 YC 的用户手册，并持续更新它。

   为何重要： 实际瓶颈不仅在于数据采集，还在于如何把非结构化活动转化为可用且持续演化的组织记忆。

6. 能够被系统更新的知识产物，比静态输出更有价值： 他将用户手册视为一种活的知识产物，而不仅仅是一份文档；每当产生新的建议时，它都可以被修订，并与现有指导进行比较。更广泛地说，他建议人们重视那些能够递归改进的知识/上下文层，而不是固定不变的交付物。

   为何重要： 这提示创始人应当优先构建可复用的记忆与政策资产，而不是孤立的 AI 功能。

战略影响

• 对于创始人而言，首要问题是是否应从一开始就围绕自我改进循环来设计公司，而不是以后再进行改造。
• 知识捕获将成为一种战略能力。对组织记忆的记录、总结、索引和更新，可能是基础设施，而不是行政负担。
• 最好的 AI 机会可能出现在那些结果可观测、工具可调用、政策可定义、反馈可自动回流的职能中——演讲中明确提到的例子包括客服、内部运营、产品漏斗优化，以及部分工程工作。
• 内部软件战略可能会转向更快的生成与再生成，同时更强调保留规范数据以及公司特有的技能/上下文。

值得关注的信号

• 初创公司的人均营收是否会在早期个案之外继续显著提高，尤其是在进入 A 轮和 B 轮阶段之后。
• 自主的内部改进循环是否真的能在生产环境中带来可靠收益，而不仅仅是演示或狭窄的内部试点。
• 公司在不制造不可用噪音、隐私问题或检索失败的前提下，捕获并压缩组织知识的能力究竟有多强。
• 相对于薪资和软件支出，Token 开销是否会成为一种有意义的运营约束或管理指标。

注意事项

• 演讲者明确将这场分享描述为“概念性的且高层次的”，因此许多主张更多是方向性的，而非由硬数据支撑。
• 若干例子属于轶事性质且来自 YC 内部；文字稿并未提供指标、实施细节、失败率，或与替代方案的比较。
• 文字稿提到了一些具名人物、工具以及过往演讲/文章，但这些引用的具体内容在此并不能被独立获得，因此不应推断其论点超出此处重述的范围。