AI 原生組織

資料來源#

• Engines of Growth: Global Startup Trends Report
• Indian AI Coding Startup Emergent Becomes a Unicorn with $130M Series C
• State of AI 2026: The Builder's Economy
• The New Physics of Business — Garry Tan, Y Combinator

摘要#

Garry Tan 的論點（AI Engineer 演講，2026 年 7 月，practitioner-opinion）是：過去需要透過招聘才能具備的組織構成要素——職能、組織圖、流程、績效考核——如今都可以編碼成由代理執行的 markdown 文件。AI 原生公司不是一家「使用」AI 的公司，而是一開始就被塑造成這種樣子的公司：精簡團隊、為每項重複性職能（銷售、支援、營運、財務）建立技能，並專門聘用工程師來維護這些技能，以及執行技能目前還做不到的工作。「我們一直都在打造組織，但過去沒有管理層——現在我們擁有的就是這個。」

組織映射#

演講的核心——每一種組織原語都有對應的 markdown 版本：

組織原語	代理基礎設施對應物
員工	技能檔案——一項能力、一份工作，寫得清楚到足以執行（Agent Context Files）
組織圖	解析器表——任務進來後，解析器決定由誰處理，以及要送到哪裡（「修改測試時載入 load test.md」的表）
內部流程	歸檔規則——解析器是否真的按照規範進行路由
績效考核	觸發評估——測試需要時是否真的載入正確技能（Evals as Product Spec）

「當你坐下來使用 Claude Code 或 Codex 時，你不是在寫軟體。你是在招聘、訓練與管理一支由 markdown 組成的勞動力。」

所謂的新物理學：人均營收#

Tan 用來證明以這種方式打造的公司處於不同經營範式的證據（所有數字均為他提供，未經驗證）：

• Emergence/Emergent（AI 應用建構器，YC S24）：公開推出後八個月內達到九位數 ARR；15 人、ARR 1,500 萬美元。
• Retell（YC W24）：約 40 人創造 6,000 萬美元營收。
• Winter 25 YC 批次：四分之一的公司有 95% 由 AI 生成的程式碼庫，並成為「YC 歷史上成長最快、最賺錢的一批公司」。
• 「這種人均營收以前不存在。不在軟體業，不在石油業，也不在鐵路業。」

他明確表示並未主張因果關係（「我無法證明 AI 生成的程式碼造成了成長」）——他的主張是，成長最快的創辦人把 AI 視為勞動力，而不是自動完成工具。請注意 AI Investment Story, Not Efficiency Story 中的總體反向訊號：在 50K+ 家公司中，AI 公司目前的人均營收低於非 AI 同業；Tan 的例子是尾端，不是平均值（同樣的平均值與尾端分離，也在 Founder as Agent Orchestrator 中被標記）。

母體背景，自陳資料（AWS，2026 年 6 月）。 在 Tan 所說約每人 100 萬美元的軼聞與 Emergence 約每人 39.4 萬美元的中位數之間，坐落著 AWS 的 Engines of Growth 創辦人調查：55% 的 AI 原生公司表示每位員工營收達 40 萬美元以上（全球新創公司為 34%，大型企業為 23%）。它讀起來像是中間測量工具——這是一個以約 40 萬美元門檻為中心的自陳分布，與 Emergence 的資本表中位數相近；但它將結果描述為領先基準，而資本表資料卻發現 AI 落後於配對的非 AI 同業。因此，三種 RPE 讀數是互相三角驗證，而非得出定論：實務者軼聞（尾端、最樂觀）→ 創辦人調查（母體自陳）→ 資本表收據（配對分群、最審慎）。比較方向的衝突在 AI Investment Story, Not Efficiency Story 中被處理為測量工具分歧，而不是取平均。

Emergent 數字，第三方核查（標記，不要抹平）#

Emergent 現在是本 wiki 中唯一擁有外部驗證軌跡的人均營收主張——Emergent 實體頁面載有完整細節；以下是承重摘要：

• 這家公司真實且規模龐大。 TechCrunch (2026-07-15) 報導，Emergent 以 1.3 億美元 C 輪融資成為估值 15 億美元的獨角獸，公司回報 1.2 億美元 ARR（+70%/4 個月）與 20 萬+ 付費客戶——在方向上確認了 Tan 所謂「不同物理學」的框架。
• 但仔細檢視後，創紀錄的人均數字會收縮。 以這個規模計算，1.2 億美元 ARR / 約 200 名員工 ≈ 每人 60 萬美元——低於 Emergence Capital 對 AI 公司前 10% 的人均營收 96 萬美元（AI Investment Story, Not Efficiency Story，empirical），也大約是 Tan 自己「15 人、1,500 萬美元」快照所暗示的每人約 100 萬美元的一半。標題中的極端數字屬於 15 人時期；隨著員工人數增加，它會向平均值回歸——這正是 AI Investment Story, Not Efficiency Story 在 50K+ 家公司中測量的投資階段人力配置特徵。
• 矛盾，依層級加權。 Tan（practitioner-opinion，且逐字稿自行標註公司名稱可能是 ASR 猜測）將 Emergent 定位為「Summer 24 出來的公司」；TechCrunch（vendor-claim；融資輪與創辦人可驗證）則表示 Jha 兄弟於2025 年 6 月共同創辦。就創立日期而言，TechCrunch 是較權威的來源；ARR／員工數快照是較早與較晚的時點，彼此相容，而非嚴格衝突。完整判定見 Emergent。
• 加權注意事項。 TechCrunch 的 ARR／員工數／客戶數字本身也是公司自陳（vendor-claim），因此每人 60 萬美元是與 empirical 基準核對過的數字，但分子未經審計；Tan 主張中的 Retell 部分（6,000 萬美元／約 40 人 ≈ 每人 150 萬美元）仍沒有第三方佐證。

不只是工程師#

Tan 說，大多數工程演講漏掉的延伸是：在 YC，轉型也貫穿媒體人員、活動人員與財務——「一生中從未開過終端機的人，正在建立技能檔案與 cron 工作。」一位財務人員把約 100 個 Excel 活頁簿合併成一個使用 OpenClaw 與 YC 公司大腦打造的單一應用程式：「她不是程式設計師。她現在是代理管理者。」這項主張將 Founder as Agent Orchestrator 從創辦人與工程領域延伸出去：「不只是 400 倍工程師，而是一家公司以其他所有人的 400 倍水準運作。」這是在單一機構內觀察到的 Printing Press Software Democratization。

重組，調查結果（ICONIQ，2026 年第二季）#

Tan 在台上主張 AI 原生組織的形狀；ICONIQ Growth 的 State of AI 2026 則衡量 AI 軟體公司約 305 名高階主管的重組意圖（empirical 調查；前瞻數字屬於預測等級）。它確認重塑關乎職能組成，而不只是團隊規模，這正是 Tan 的「不同物理學」含糊帶過的部分：

• 78% 正在重組，但依類型分化（單選，N=302）：45% 計畫採用不同的職能組合——「更少營運職能、更多 AI 素養人才」——但總員工數不減；33% 因 AI 效率提升而計畫縮小團隊；只有 9% 只補缺、9% 加快招聘、4% 維持不變。多數是組成轉移，而不是裁減。
• 各職能的員工數依角色分歧（單選，N=303）：研發／工程、銷售、產品與設計正在淨成長；客戶成功與行銷結果混合；客戶支援與 G&A 正在淨縮減。組織並非全面扁平化——它正將人力從營運／支援重新配置到建構與營收職能，呼應 Emergence measures on cap tables 所呈現的工程導向配置。
• 兩種具名的新工程角色是成長類別：前線部署工程師（約 50% 的公司正在擴大 FDE，將其作為永久 GTM 動作，並以營收驅動者變現——見 AI Product Economics Maturation）與 AI 安全／信任與可靠性工程師（公司「計畫招聘更多」）。G&A 顯示最明顯的替代：營運者表示，隨著代理工作流程接管，他們移除了財務營運與訂單管理職位，將預算轉向策略與 AI 專屬職能——「任何新的 G&A 招聘門檻都在提高：只有 AI 尚未能涵蓋工作的地方才會新增職位。」
• 組織變得更扁平、跨職能程度更高：跨職能結構在 AI 比重高的公司更常見（AI 營收占 50% 以上為 42%，低於 50% 為 35%）；在 1 億美元以上規模，AI 營收占 50% 以上的公司中，72% 只採用 1–4 層管理，相較同業為 56%；高成長公司也在擴大管理幅度（第一線研發經理擁有 7 名以上下屬的比例 21%→30%，GTM 經理 26%→33%，2025→2026）。一位早期階段的營運者「將 PM 與設計師合併成單人產品負責制」——這是 Tan 的技能檔案映射所假定的角色融合，也是在現實中觀察到的現象。

這是意圖調查，不是員工數普查，前瞻招聘計畫也是自陳資料——但這是第一個具母體規模的證據，顯示 AI 原生重組是職能組成事件（朝向具 AI 素養／建構／營收角色，遠離營運／支援），而不只是更精簡的團隊。

張力：員工隱喻#

Tan 的核心隱喻——技能檔案是員工，代理是你招聘、訓練與管理的勞動力——在結構上正是 AI Employee Framing（Kropp 等人，HBR，2026 年 5 月，empirical，n=1,261）所測試的對立框架：員工框架使個人責任感可測量地下降（−9 個百分點）、升級處理上升（+44%），錯誤捕捉下降（−18%），且沒有帶來採用增益。這與 Founder as Agent Orchestrator 所需的調和方式相同：Tan 把隱喻用作組織設計藍圖（將職能編碼成檔案，以評估測試它們——是人工製品，而不是被擬人化的同事），而 Kropp 衡量的是將代理視為組織圖同儕的心理框架。將角色編碼成可稽核的 markdown 檔案，甚至可能是保留責任感的隱喻形式——「員工」是一份有版本控管、附帶測試套件的文件，而不是一個犯錯後無人負責的「Kevin」。兩個來源彼此都沒有討論對方；這份綜合是本 wiki 的推論。

與互補要素論的關係#

Tan 最銳利的一句話——「2 倍的人和 100 倍的人使用的是完全相同的 Claude。同樣的權重、同樣的 context window、同樣的 API。槓桿不在權重，而在你如何串接工作」——是 Organizational Complements to AI 的實務者重述（不同母體中的使用率為 99.8% 對 63.3% 對 16.5%；差距必須來自互補要素）。上面的組織映射回答了哪些互補要素：編碼程序（技能）、路由（解析器）與驗證（觸發評估）。他「永遠不要做一次性工作——把它技能化」的紀律，是 Agentic Work Systematization 所測量的系統化幅度之規範版本（技能使用率占每週活躍 Codex 使用者的 5.4%→26.6%，2026 年 3 月→6 月）：「能像這樣捕捉所學的組織，每一天都會變得更聰明。不這麼做的組織，每天早上醒來都失憶。」

相關連結#

• Agent Context Files——基礎層：組織映射是將情境檔案模式從設定單一代理，提升為編碼整家公司
• Agentic Work Systematization——測量上的對應物：Tan 的「把它技能化」規則，是 OpenAI 的 Codex 遙測所追蹤之系統化幅度的規範形式
• Evals as Product Spec——將觸發評估視為績效考核：把評估即規格的想法套用到組織自身的路由層
• AI Employee Framing——對勞動力隱喻的實證反證；見上方張力一節
• Founder as Agent Orchestrator——這種角色轉移在創辦人尺度上的版本；Tan 將它延伸到每位員工（「現在 YC 的每個人都是代理管理者」）
• Role Averaging, Not Role Elimination——重組中的職能組成部分，在母體尺度上呈現：ICONIQ 的 45% 計畫採用不同職能組合（而非淨裁減），正是 Ambrosino 在約 305 家 AI 建構公司中測量的「平均化，而非消除」
• Organizational Complements to AI——Tan 所重述的「槓桿不在權重」的經濟框架；組織映射則命名了這些互補要素
• AI Product Economics Maturation——調查規模的重組佐證（約 305 家建構公司中，45% 的職能組合轉移、職能層級重新配置、FDE + AI 信任角色、更扁平／管理幅度更大的組織），以及同一份「證明 AI 能帶來收益」簡報中的單位經濟面；Ramp 的 350 個具版本控制、可重複使用的工作流程，是在單一公司中測量的「把它技能化」紀律
• AI-Native Startup Lifecycle——Anthropic 對同一目標所提出的階段式作戰手冊；Tan 則補上組織原語映射與 YC 旗下公司的人均營收主張
• AI Investment Story, Not Efficiency Story——總體反向訊號：AI 公司平均而言的人均營收較低；Tan 的 Emergent／Retell 數字描述的是尾端
• Printing Press Software Democratization——非工程師建立技能檔案，是在 YC 自身員工內部觀察到的民主化論點
• Returns to Expertise in Agentic Coding——Tan 自陳的 400 倍，對比測量得到的 2× 行動／5× 輸出專業溢價；見該頁關於遙測與自我評估差距的證據註記
• Latent vs. Deterministic Space——同一場演講中的配套工程紀律：了解組織的哪些計算屬於模型，哪些應由程式碼處理
• LLM-as-Compiler Knowledge Base——公司大腦（圖書館 + 館員）是 AI 原生組織的記憶層；Tan 的 GBrain 是已在實際環境中運作的編譯式 wiki 模式
• Emergent——Tan 的標題式人均營收範例，如今是一家經第三方核查、估值 15 億美元的獨角獸；這是本論點中人均主張部分成立、部分收縮的數據點
• Garry Tan——論點作者；OpenClaw——YC 運行它所用的 harness

開放問題#

• Tan 的人均營收數字（Emergent：約 15 人、ARR 約 1,500 萬美元；Retell：約 40 人、6,000 萬美元）是在台上提出，沒有來源。第三方資料（Carta／Standard Metrics 群組、媒體驗證的 ARR）是否能佐證 AI 原生 YC 公司創紀錄的人均營收，還是這些例子經檢視後會回歸 AI Investment Story, Not Efficiency Story 的平均值？（* 部分已回答： TechCrunch，2026-07-15 證實 Emergent 是一家真實且快速成長、估值 15 億美元的獨角獸——公司回報 ARR 1.2 億美元、付費客戶 20 萬+——因此方向成立。但創紀錄的人均主張會收縮：以目前規模計算是每人約 60 萬美元（200 名員工），低於 AI 公司前 10% 的 1 億美元以上分位、每人營收 96 萬美元 AI Investment Story, Not Efficiency Story，約為 Tan 自己 15 人／1,500 萬美元快照中每人約 100 萬美元的一半——人均極端值是低員工數階段的產物，隨著公司擴充人力而回歸。讓問題仍保持開放的注意事項：TechCrunch 的數字本身是公司回報的 vendor-claim，並非 Carta 審計；而 Retell 部分（6,000 萬美元／約 40 人 ≈ 每人 150 萬美元）仍未經驗證。AWS 的 2026 年 6 月創辦人調查補充了母體讀數（55% 的 AI 原生公司自陳每人 40 萬美元以上），但它是自陳資料，而非本問題所要求的資本表／媒體驗證。見 Emergent。）*
• 組織映射預測了一種可測試的招聘特徵：AI 原生公司應該聘用工程師來維護技能，而不是聘用特定職能人員。招聘公告資料是否顯示「技能維護者／代理營運」角色正在成為獨立的招聘類別？（* 部分已回答： ICONIQ，2026 年第二季 確認了該特徵所預測的組成轉移——約 305 家 AI 建構公司中，有 45% 計畫採用「不同職能組合（更少營運職能、更多 AI 素養人才）」；職能層級的員工數重新配置至研發／產品／銷售，並遠離客戶支援／G&A；G&A 營運者則「移除財務營運與訂單管理職位……將預算轉向策略與 AI 專屬職能」。它也點出具體的新工程招聘類別：前線部署工程師（約 50% 的公司將其擴大為永久動作）以及 AI 安全／信任與可靠性工程師。但它沒有提供招聘公告資料中的具體「技能維護者／代理營運」職稱——ICONIQ 衡量的是職能層級的員工數意圖與兩種具名角色，而非職業分類。直接測試（「技能維護者／代理營運」招聘公告類別）仍需要招聘公告／職業出現資料，例如 2026-07-21 研究批次中尚未攝入的 arXiv 2606.22769「Agent Systems Engineer」訊號。見上方重組一節，以及 AI Product Economics Maturation 的 FDE 細節。)*
• 編碼角色形式的員工隱喻，是否真的如上方綜合所暗示，能保留責任感；或者一旦團隊以那種方式談論技能檔案即員工，Kropp 式的框架效應也會附著其上？目前沒有研究測試人工製品層級擬人化的框架效應。

資料來源#

• The New Physics of Business — Garry Tan, Y Combinator——Garry Tan，《The New Physics of Business》，AI Engineer，2026-07-17（practitioner-opinion）
• Indian AI Coding Startup Emergent Becomes a Unicorn with $130M Series C——TechCrunch（2026-07-15，vendor-claim）：人均營收段落中 Emergent 經第三方核查的數字來源
• Engines of Growth: Global Startup Trends Report——AWS Startups，《Engines of Growth》（2026 年 6 月，自陳廠商調查）：母體 RPE 讀數（55% 的 AI 原生公司回報每人 40 萬美元以上），位於 Tan 的尾端軼聞與 Emergence 資本表中位數之間
• State of AI 2026: The Builder's Economy——ICONIQ Growth，《State of AI 2026: The Builder's Economy》（2026-07-08，empirical）：§「人才與組織」——依類型重組調查（45% 職能組合／33% 更小團隊，N=302；image_000056）、職能層級員工數（N=303；image_000061）、跨職能／管理層級／管理幅度分析，以及 FDE 專題——這些是重組段落與招聘特徵部分答案背後的母體證據