AI-Native Startup Lifecycle

資料來源#

• 2026 State of Scaling: The Great Sorting
• Beyond Benchmarks 2026: Five Data Sets Grounded in the Real World
• Engines of Growth: Global Startup Trends Report
• Founder Ownership Report 2026
• Indian AI Coding Startup Emergent Becomes a Unicorn with $130M Series C
• Inside AI-pilled engineering teams: Five lessons for scaling without losing the plot
• The Founder's Playbook: Building an AI-Native Startup
• The ICONIQ Pacesetter Index

摘要#

Anthropic 在 2026 年將典型的精實／YC 新創路徑（驗證 → 募資 → 招人 → 打造 → 再募資 → 成長 → 再招更多人）重新詮釋為四個明確假設 AI 是核心基礎設施的階段：Idea → MVP → Launch → Scale。結構上的變化在於，每個新階段不再需要更大的團隊、不同的技能組合或新一輪募資。「精實的 10 人獨角獸」被定位為刻意追求的目標，而不是勉力求生的例外。每個階段仍保留傳統的退出條件（問題解決方案契合 → 產品市場契合 → 可重複的成長 → 可防禦的規模），但走過這些階段的路徑則從幾季壓縮成幾週。

資料來源#

The Founder's Playbook: Building an AI-Native Startup（Anthropic，2026 年 5 月）。36 頁的電子書以這四階段架構編排，將 Claude（Chat / Cowork / Code）定位為讓每個階段無須傳統人力規模也能實現的基礎設施。

四個階段#

Idea — 以研究為主的驗證#

目標： 在投入打造資源之前，蒐集質性證據，確認真實問題確實存在，且所提方案能解決它。

退出條件（三項都必須為是）：

1. 問題真實且明確——你能說出誰遇到這個問題、頻率多高、嚴重程度如何，以及他們目前怎麼處理。
2. 你的方案解決的是實際問題（不是你一開始假設的問題；驗證往往會重新塑造問題）。
3. 訊號充分，足以支持開始打造——質性證據顯示，投入打造 MVP 是經過推理的決策，而非盲目信念。

階段風險（Problem-Solution Fit Discipline）：

• 把打造誤當成驗證（可運作的原型並不能證明問題真實存在）。
• 過早擴大規模（代理式程式設計可能讓執行規模遠遠超前於經過驗證的方向）。
• 失去客觀性（AI 會依你的方向行事——確認偏誤因此得到一套研究引擎）。

AI 的角色： 研究夥伴。對假設提出反方觀點。以經過壓力測試的假設建立 TAM/SAM/SOM。按層級繪製競爭者圖譜（直接、間接、潛在收購者、相鄰領域）。稽核訪談架構，找出誘導式或面向未來的問題。Claude Code 只在最後階段才加入，用來製作輕量原型，作為與客戶對談時的道具，而非產品。

MVP — 將已驗證的問題轉化為可運作產品#

目標： 以最小且最聚焦的迭代，將方案交到真實使用者面前，並產生產品市場契合的證據。另一個同樣重要的目標：打造產品時避免累積會不斷增長的代理式技術債。

退出條件： 可具體辨識的使用者會回來使用（留存）、付費（營收），或告訴其他人（推薦）。實用的判斷測試：

• Sean Ellis 測試——若無法再使用，超過 40% 的活躍使用者會說自己「非常失望」。
• 投入程度測試——留存開始自然拉動，而非靠人力推動；創辦人維持使用者參與所需的英雄式努力有所減少。

階段風險：

• 代理式技術債——債務會複利增長，而不只是逐步累積。
• 虛假的產品市場契合——來自創辦人朋友、投資組合公司、HN 流量高峰的早期成長，無法預測第 12 週的使用情況。
• 零摩擦範疇蔓延——功能只需一個下午就能完成時，以成本為基礎的強制約束便會消失。
• 因缺乏經驗而不安全——代理式程式設計能產生可運作的程式碼，但不會讓程式碼自然變得安全。在任何使用者接觸應用程式之前進行安全審查，是負責任的最低門檻。

AI 的角色： Claude Code 是主要的打造工具，但前提是先把架構和範疇定義為 CLAUDE.md 脈絡文件。Claude 在產品推出之前設計衡量架構。Cowork 負責營運層（使用者聯絡名單、外聯序列、回饋彙整）。

Launch — 將成長動能轉化為可持續的成長引擎#

目標： 可重複、由管道帶動的成長 + 經過正式環境強化的基礎設施 + 能釋放創辦人注意力的營運系統。從親自執行工作，轉為設計能執行工作的系統。

退出條件（三項）：

1. 成長可重複且由管道帶動（CAC、LTV、回本期間都已知且站得住腳）。
2. 產品能處理正式環境工作負載（安全／合規安排妥當；在真實條件下仍可靠）。
3. 營運不再受創辦人瓶頸限制（創辦人不再親自處理支援、分流、衝刺規劃或報告）。

階段風險：

• 技術債到期——MVP 階段的權宜做法現在開始產生利息。
• 創辦人成為瓶頸——原本一小時能完成的決策拖上一週；只有創辦人知道答案，支援需求因此堆積。
• 安全與合規不再能延後——處理客戶資料、付款或受監管產業，會改變風險型態。
• 尚未準備好就擴張——新市場帶來新變數，讓你無法解讀自己的資料。

AI 的角色： Claude 的三種介面全面投入使用，彼此效益不斷累積。Claude Code 稽核 MVP 程式碼庫中的結構弱點。Claude 為修復工作分流並排定順序。Cowork 稽核創辦人的營運負荷並分類（自動化／委派／限創辦人處理）。

Scale — 打造可防禦的企業#

目標： 有系統且獲組織支援的成長；透過累積深度建立可防禦的護城河（見複利資料護城河）。創辦人的角色重新聚焦，從打造者轉為面向公眾的高階主管（分析師簡報、IPO 路演）。

退出條件： 門檻事件，而非單一里程碑。常見的三種形式——不再需要外部資本的可持續獲利、IPO 準備就緒，或被收購。三者都需要有系統且可稽核的成長、經得起檢視的產品護城河，以及營運成熟的組織。

關鍵問題：「如果一家資金充足的既有業者今天複製你的產品，你的使用者還會留下嗎？」

階段風險：

• 委派營運層工作（心理上與結構上都難以信任 AI 系統）。
• 擴大技術營運（客戶要的是能媲美基礎設施合作夥伴的可靠性，不只是產品功能）。
• 擴大組織職能（招募、薪資、會計、法務——不論員工人數多少）。
• 建立真正的 GTM 職能（創辦人主導的自然成長會觸及上限；需要行銷、銷售、分析師關係）。

AI 的角色： 由小型團隊營運企業規模組織的營運層。Claude Code 將程式碼強化至企業標準（記錄、監控、事件回應、可觀測性，以確保 SLA 可執行）。Cowork 執行企業支援營運（票單分派、升級處理、續約追蹤）。Claude 從零開始打造 GTM 資源（客群區隔、訊息、銷售手冊、分析師關係策略）。

相較典型生命週期，結構上有哪些新變化#

傳統生命週期假設	AI 原生版本
每個階段都需要更大的團隊	人數在 Scale 階段仍可維持不變
每個階段都需要新一輪募資	資本效率讓 Series A 前獲利成為可能
每個階段都需要不同技能組合	創辦人 + Claude 介面取代多數按職能招聘的人才
驗證取決於「能不能打造出來」	驗證取決於紀律（打造門檻已消失）
範疇蔓延受工程成本限制	範疇蔓延受書面範疇紀律限制（成本門檻已消失）
技術債線性累積	沒有持續的脈絡檔案就會複利增長
GTM 動能要等團隊到位才能擴大	Cowork 能執行企業級營運層工作

實證根據（Emergence Capital，2026 年 6 月）#

這份手冊主張人數／資本壓縮，卻沒有提供數據。Emergence Capital 的 Beyond Benchmarks 2026——涵蓋 5 萬多家營運中公司的五個合作夥伴資料集（Carta、Standard Metrics、Stackpack、Pave、Ashby），使用實際資本結構表與成果而非問卷——補上了缺少的數字：

• 人數中位數大幅下降，而且仍在下滑（Carta，各輪募資時的員工中位數，2020→2025）：Seed 10.3 → 6.2（比 2021 年高點低 39%；2025 年是有紀錄以來最精實的一年），Series A 25.9 → 16.8，Series B 72.3 → 48.2。「以與 2021 年相當的估值募資的公司，如今只用一半的人數就做得到。」
• 創辦人延後招人。 首次招募員工的中位天數自 2019 年以來從 214 → 284——創辦人維持單打獨鬥或小型團隊的時間更長，之後才擴編。
• 資金充裕，但集中度高。 美國新創 2025 年募資總額為 $130.5B（與 2022 年相當，但仍低於 2021 年的 $220.8B 高峰）；如今所有資金中有 44% 流向 AI 公司，按階段從 Seed 的 40% 升至 Series E+ 的 70%。
• 募資門檻更高，週期也更慢。 Seed 投後估值中位數為 $24M（2019 年為 $9.7M）；Series A 為 $76.6M（是 2019 年的 2.3 倍）。但 Series A 到 B 之間相隔 2.2 年，遠高於 18 個月的目標——因此「幾季壓縮成幾週」在人數與打造速度上確實成立，卻不適用於募資節奏；各輪間隔更長，過橋輪也增加（「買時間，而不是賺取下一輪募資」）。
• 頂端的 ARR 成長坡道已縮短。 Together AI 不到 3 年便達到 $1B ARR，Genspark 預計不到 2 年就會達成——相比之下 Zoom 花了 8 年、Veeva 花了 13 年。使 SaaS 基準有用的複利動態正在改寫。2026 年的新例證：Emergent 表示推出略逾一年後已達 $120M ARR（TechCrunch，2026 年 7 月，vendor-claim）——在同一條縮短的成長坡道上成為估值 $1.5B 的獨角獸，但其每人約 $600K 的營收低於 AI RPE 前十分位數（見AI 投資故事，而非效率故事），因此成長坡道縮短的速度快於效率提升。

這是知識庫新創領域首次有扎實數據作為根據；此前該領域完全依賴（帶有理想色彩、沒有數據的）Founder's Playbook。獨立性方面的註記仍需保留：這是 Emergence Capital 發布的資料，但來源是資料合作夥伴；Carta 的群體涵蓋整個市場（Seed/A 階段並非只含 AI 公司），因此這些是整體母體中位數，而非刻意精實的 AI 原生子群體之獨立測量。

請留意同一份報告中的反向訊號：見AI 投資故事，而非效率故事——AI 公司的每位員工營收低於非 AI 同業，讓「精實 = 更有效率」的解讀變得複雜（下文詳述）。

各階段門檻的股權成本（Carta，2026 年 3 月）#

上文 Emergence 的數字說明各輪募資時有多少人。Carta 的 Founder Ownership Report 2026（Carta Data Desk，Peter Walker 與 Kevin Dowd，empirical，2021–2025 年各輪募資的中位數）則說明各輪要付出多少股權——相同的階段階梯，計算的是定價而非編制：

• 創辦團隊持股中位數：Seed 約 56% → Series A 36%。 兩輪募資便讓出約三分之二的資本結構表。
• Series A 的產業區分：數位業 37.5%，實體業 30.5%。 同一輪募資的股權成本，因公司打造的產品而有 7 個百分點差距。
• AI 團隊稀釋較少：Series B 時 AI 創辦團隊為 27.3%，非 AI 創辦團隊為 21.8%。 報告表示，這種差距「在所有募資階段都存在，只是程度不同」。這是前述資金集中發現從股權價格而非資金量的角度呈現——44% 資金流向 AI 的數字表示 AI 公司取得更多資金；這裡的數字表示它們為取得資金而讓出的公司股權較少。完整內容載於AI 投資故事，而非效率故事。
• 到 Series C，員工持股池超過創辦人持股。 Seed 階段的創辦團隊持股中位數仍超過 50%，員工持股池中位數為 12.1%；到了 Series C，員工持股池（16.8%）超過創辦人持股中位數（16.1%）。創辦團隊不再是最大單一持有人區塊，正好晚於它不再持有多數股權一輪。

來源沒有提出、但可以檢驗的推論。 員工持股池是依據招聘計畫設定，而不是依據實際員工人數。若精實組織論點成立——Seed 員工中位數為 6.2 人而且持續下降——持股池比例也應縮小，因為預留給未來招聘的股權變少了。但事實並非如此：持股池仍持續增長，快到 Series C 時超過創辦人。這裡的觀察期間（2021–2025 年各輪募資）大多早於 AI 原生時代，因此這是供未來衡量的基準，而非反證；應檢視的是 2026–2027 年群體的 Seed 與 Series A 持股池比例是否下降。若沒有，持股池規模反映的是市場慣例，而非人數預測；精實經營讓創辦人取回的公司股權，會少於此論點所暗示的程度。

證據限制。 這次取得的是報告公開登陸頁面——包含執行摘要、四則重點，約 1,150 字。完整報告須填表索取，沒有下載，因此這些數字來自文字敘述，沒有各階段明細表或圖表支持；除 Series B 之外，也沒有 AI 與非 AI 的分組資料。

經調查的獨角獸時間壓縮（AWS，2026 年 6 月）#

AWS 的 Engines of Growth 調查（3,413 位創辦人／領導者，20 個國家；屬於 empirical 層級，但為廠商自陳行銷資料）提供第三種工具的佐證，支持成長坡道已縮短——這次衡量的是估值時間，而非人數或 ARR：

• 約 3.5 年達到 $1B 估值，「員工數減半」。 AI 原生公司約 3.5 年便達到獨角獸規模，相較之下，生成式 AI 普及前的常態約為 7 年——「時間減半，資源也減半」。報告自己的計算是模型推估：一家公司如今營收 $1M，並以同群體自陳的每年 156% 速度複利成長，3.5 年內會超過 $27M，「以領先 AI 新創目前要求的倍數（約 37.5 倍營收；PitchBook/Carta，2025）計算，足以支撐十億美元估值」。AWS 指出，主要研究的方向一致（AI 公司約 3–5 年，其他公司約 7–10 年）。
• 權重。 這是問卷自陳加上成長率外推，不是經稽核的成果；因此它佐證的是 Emergence ARR 成長坡道縮短的方向（Together AI < 3 年、Genspark < 2 年、Emergent 約 13 個月達 $120M ARR），而非新增獨立測量。效率方面的反向訊號仍成立：見AI 投資故事，而非效率故事——平均而言，AI 公司擴編更多、每人營收更低；AWS 調查較樂觀的解讀，在該文中也被標示為自陳資料與資本結構表資料之間的工具差異。

地圖重繪：地理與產業擴散#

此生命週期假設的成本崩落，也改變了 AI 原生公司可以在哪裡成立。AWS 的說法是：二十年來，要達到這種成長必須身處少數幾個地方，矽谷遠遠領先；如今「讓這些公司得以成立的基礎設施，在創辦人身處何地都一樣」，因此 AI 原生生態系「可以在數年內形成，而非過去需要幾十年」。符合 AI 原生條件的新創占一國新創的比例（資訊鎖在 OCR 漏掉的資訊圖表方塊中——直接讀取 image_000006/image_000007）：

• **領先（≥27%）：**以色列 31%、美國 30%、法國 28%、日本 28%、新加坡 27%
• **中段（19–23%）：**英國 23%、德國 22%、南韓 22%、加拿大 19%、澳洲 19%
• **較低（10–16%）：**印度 16%、沙烏地阿拉伯 15%、馬來西亞 14%、巴西 13%、墨西哥 13%、越南 13%、智利 12%、印尼 11%、阿根廷 10%、哥倫比亞 10%

美國不再獨占領先地位（以色列略勝一籌），法國與日本也與既有中心並列——這是創辦人作為代理程式編排者所說「創業者母體擴大」的地理版本。AWS 也重新描繪了產業版圖（「顛覆者不在你預期的領域」）：AI 原生公司並非聚集在純科技業，而是在金融服務、醫療保健與生命科學、能源——由產業專家運用 AI 改造受監管的傳統產業，形成切入傳統市場的狹窄楔子策略的大規模版本。這種集中也說明為何同一份調查將監管複雜度（49%）與資本（75%）和人才（56%）並列為主要成長限制。

以單位經濟學衡量的階段階梯（ICONIQ Pacesetter Index，2026 年 9 月）#

Emergence 說明每輪募資時有多少人；Carta 說明各輪要付出多少股權。ICONIQ 的 Pacesetter Index（ICONIQ Venture & Growth，2026-09-17，empirical——來自上市軟體公司與 ICONIQ 自身投資組合、涵蓋 2024 年至 2026 年第二季的季度財務與營運資料，不是問卷）提供第三層資訊：各個ARR 區間在損益表上的樣貌。該群體經過篩選——「Pacesetter」代表三年營收成長位居前四分位，且被 ICONIQ 自身標記為 AI-Native 或 AI-Driven——因此這些是已在各自區間勝出的公司的單位經濟學，報告沒有公布對照組。

ARR 區間	YoY 成長率（中位數）	每位員工營收（中位數）	毛利率	淨魔術數字	燒錢倍數
<$10M	900%	$75K	55%	3.4x	1.3x
$10M–$25M	430%	$115K	60%	1.1x	1.8x
$25M–$100M	190%	$225K	80%	1.2x	0.9x
$100M+	115%	$655K	75%	2.2x	0.3x

這項發現直接衝擊本頁的核心承諾：每個區間的推算人數都在增加，直到 $100M+ 才看得到壓縮。 在特定 ARR 下，每位員工營收可反推人數。按 ICONIQ 中位數，一家 ARR 約 $5M 的 Pacesetter 約有 65 人（$5M ÷ $75K）——已高於 Emergence 所報告的全市場 Series B 員工中位數 48.2 人。這項算術只能視為方向，不應當作精確數字：區間中位數不是單一公司的比例，推至區間邊界時也無法維持一致（$25–100M 那列在 $100M 時隱含約 440 位 FTE，而 $100M+ 那列則隱含約 150 位；這最清楚地證明了這些是各區間的典型值，而非連續曲線）。不過，四個區間的方向明確，並與上表矛盾：「人數可以在 Scale 階段維持不變」並非成長最快的 AI 前沿公司實際呈現的樣貌。 數據顯示的反而是較晚才出現的紅利——進入 $100M+ 後，每位員工營收幾乎增為三倍（$225K → $655K），因此每人效率提升發生在公司擴編之後，而非取代擴編。這是沿階段軸而非時間軸讀取的先投資、後提升效率，也是知識庫中首次出現這種階段序列。

第二個不太明顯的特徵：$10M–$25M 區間出現效率低谷。 四個區間中，$10–25M 區間的燒錢倍數最差（中位數 1.8x，比更小區間的 1.3x 還差——前四分位數欄位也有相同反轉，1.6x 對 0.8x），淨魔術數字也最低（1.1x），毛利率仍偏薄（60%）。這是唯一效率倒退的區間。對照上文四個階段來看，這是以數字呈現的 Launch 階段：GTM 引擎正在建立並消耗成本，尚未產生槓桿效應；而手冊「每個階段不再需要更大的團隊」的說法，最無法解釋的正是這個階段。請留意 ICONIQ 自身提醒，不要過度解讀最小區間好看的 3.4x 魔術數字：「營收成長異常出色時，淨魔術數字可能會誤導——數字異常高，可能表示 GTM 效率很高，但實際上反映的是還有更多空間能投資 GTM。」

這份資料無法說明的事。 它沒有達到 PMF 的時間、達到 PMF 時的人數、失敗率或非 AI 對照組；而成長欄（<$10M 區間中位數 900%）在很大程度上是挑選營收規模極小、三年成長位居前四分位公司所造成的結果。數字四捨五入至最接近的 5 倍數；「前四分位」對燒錢倍數代表第 25 百分位，其餘指標則代表第 75 百分位。

終於量化的壓縮——但數字來自模型（ICONIQ State of Scaling，2026 年 9 月）#

2026 State of Scaling: The Great Sorting（ICONIQ Venture & Growth，2026 年 9 月，empirical）是前述 Pacesetter Index 所摘錄的 52 頁年度報告，補上 Index 缺少的兩項內容：明確的 「Others」 對照組，以及達到規模所需時間的數字。兩者都直接關乎本頁的核心承諾。

標題所說的壓縮。「從 $1M 到 $100M 的季數」（第 24–25 頁）顯示，Pacesetter 曲線約需 14 季，其他軟體公司則約需 22 季——約 3.5 年對 5.5 年；群體自身的公司資料顯示平均約 2–4 年，圖表上也列出幾家知名的極端案例：Anthropic 約 4 季、Legora 約 6 季、Sierra 約 6–7 季、ElevenLabs 約 7 季、OpenAI 約 8 季、Glean 約 12 季。ICONIQ 的文字敘述又進一步縮小範圍——「一小群觀察到的極端案例，正把從 $1M 到 $100M ARR 的歷程壓縮到只需 1–3 年」。

引用這些數字前，先讀註腳。 這是報告中測量最少、也最可能被引用的例子：「若未揭露，假設自創立至 $1M ARR 為 24 個月。從 $1M ARR 或產品推出日期……假設呈指數成長；公司達到 $100M ARR 的最近一年，依據公司公告與新聞稿。來源：歷史申報資料與上市公司公告。」 因此，這條曲線是在兩個透過新聞稿公布的端點之間，以假設的指數成長擬合而成；任何沒有揭露第一個端點的公司，其端點本身也是推定值。這不是報告其餘部分所採用的季度營運資料，而是帶有存活者偏差的分析：圖表上的每家公司都曾達到 $100M，因此無法衡量做出相同賭注卻停滯的公司。應把「2–4 年從 $1M 成長至 $100M」視為 ICONIQ 重建的勝出者成長軌跡，而非實測的群體分布。

人數序列，正是本頁真正需要的數據（第 43 頁，按 YoY 營收成長群體分類的人數變化中位數，n = 390 / 200 / 197 / 76 個公司季度）：

YoY 營收成長率	2022–23	2024	2025	2026
100%+	119%	65%	115%	146%
50–100%	47%	38%	46%	34%
25–50%	17%	12%	18%	6%
<25%	(6%)	(5%)	4%	2%

這是知識庫中對精實獨角獸說法最明確的反證。 AI 時代進入第三年，成長最快的公司招人最積極——2026 年人數成長中位數達 146%，高於 2025 年的 115%，也是整個序列的新高；成長較慢的公司則都回到大致持平。差距正在擴大，而非縮小。Pacesetter Index 透過營收／FTE 橫斷面資料推算人數（可能遭到區間中位數不是曲線的質疑）；這裡則是具時間軸的直接人數測量，結論相同：AI 前沿的高速成長需要大量人力。照理說人數不再構成門檻的階段，正是人數增長最快的階段。

有兩項重要限制，另有一項則不適用。成長群體並非 Pacesetter 群體——這張圖按成長率切分了全部 137 家公司，因此呈現的是成長效應，而非 AI 效應；ICONIQ 也沒有進行能區分兩者的 AI 與非 AI 分組。2026 年的樣本量 n 從 197 降至 76 個公司季度，因此頂端數據比前幾年更薄。那項不適用的限制是：這是營運資料，而非上文的模型曲線。

沒有變化的項目：職能組成（第 44 頁）。四年來，100M 以下公司的 S&M / R&D / G&A 人數占比分別為 48/38/14 → 50/38/13 → 50/37/13 → 50/41/9；100M 以上公司則為 39/39/22 → 49/38/13 → 45/41/15 → 47/39/14。ICONIQ 自身的解讀是：「AI 雖然正在提升生產力，但尚未實質改變營運模式。」公司招募的仍是同樣組成的人力。若 AI 正在消除各階段特有的人數門檻，組成應是最先顯現變化之處——見AI 原生組織。

隱含論點#

這份手冊可解讀為 Anthropic 主張：創辦人的工作並未改變——找出真實問題、打造能解決問題的產品、擴大規模——但每個階段的瓶頸都已轉移。瓶頸不再是「能不能打造」，而是「你知道要打造什麼嗎、打造過程中能否維持紀律，以及是否累積足夠的領域深度，讓競爭者無法複製」。宏觀類比請見印刷術帶來的軟體民主化，角色上的意涵請見創辦人作為代理程式編排者。

生命週期忽略的人力面向：按人數區間看的工程領導#

上文四個階段以產品成熟度為準（idea → PMF → 成長 → 可防禦性）。Jessica Popp（Bessemer 營運顧問；Inside AI-pilled engineering teams: Five lessons for scaling without losing the plot，case-study，2026 年 6 月）則以工程人數為準，提出一套平行架構；兩者並不吻合——這正是其價值所在，因為公司即使壓縮了產品發展路徑，仍可能按原定時間遇上組織轉折點。

• Seed → 10 位工程師。 你需要「能交付的人」——親自寫程式，同時承擔個人貢獻者與管理職責。「具備策略性的架構能力是加分，不是必要條件。」若領導者不是技術共同創辦人，就要找能適應資源稀缺的人，「而不是在有架構的環境中才如魚得水的人」。
• 10 → 20 位工程師。 第一層真正的管理架構，也是 Popp 認為影響最大、最少受關注的人數區間——因為這時會出現單向門：資料儲存、DevOps 模型、測試基礎設施、品質團隊架構。「任何影響團隊日常運作的事，都可能成為工程組織文化的核心。一旦如此，就很難改弦易轍。」她的建議直截了當：負責做這些決定的人，之前就應有相關經驗。
• 20 → 50 位工程師。「明顯訊號」陷阱——等到領導者不合適已無可否認時，通常早已造成文化損害、架構債或人員流失。要決定的不是是否更換領導者，而是組織需要哪一種類型：若痛點來自組織，找擅長擴大團隊的人；若問題出在產品或架構，則由原 CTO 負責。若兩者都引進，職責劃分應明確且事先議定（「我會帶領兩人的架構團隊並制定技術願景，工程資深副總裁則管理其他約 50 人」）。

這與生命週期的承諾相牴觸之處。 精實獨角獸論點認為人數門檻會消失；Popp 的架構則指出，10 人與 20 人階段真正重要的門檻是架構決策形成的單向門，這些門檻取決於每單位系統複雜度所需的決策，而非每單位人數。一支 AI 原生團隊若以較少工程師達到某個系統複雜度，就會在其人數成長曲線上更早碰上單向門，而決策現場也會有較少組織經驗——這是在組織層面出現的方向性風險，與代理式技術債在程式碼層面的描述相同。兩個來源都沒有提出這項連結；這是 wiki 的分析。

同一份文件還提出第二項 AI 時代修正，由 Thawar 而非 Popp 提出：在 20–50 人區間，診斷多出一個面向，因為「工程領導工作已從管理寫程式的人，轉為管理編排 AI 寫程式的系統」。能涵蓋兩個面向的領導者被稱為「罕見人才」——第二個面向的內容請見創辦人作為代理程式編排者與Parallel Agent Orchestration。

這是 case-study 層級且未經衡量的內容：營運顧問提出的架構，沒有樣本，也沒有遵循或忽略架構之組織的成果數據，且由她任職的創投公司發布。

與 wiki 其他來源的張力#

• 對照 AI 員工框架（HBR Kropp 等人，2026 年 5 月）： 手冊大力使用「編排代理程式」／「隨時待命的 AI 專家」／「AI 工程團隊」／「AI 營運團隊」等框架。HBR 的實證研究顯示，這類擬人化框架確實會降低個人責任感（−9pp）、增加不必要的升級處理（+44%），並降低錯誤發現率（−18%）。手冊沒有回應這些證據。採用手冊做法且有紀律的創辦人，即使心中以「永遠有空、從不受阻的工程師」作為便捷比喻，內部仍應以工具框架界定責任。
• 對照模型改進，harness 隨之縮減： 手冊把 Claude 介面視為固定不變的基礎設施（Chat / Cowork / Code）。但 Anthropic 自身的論點（Boris Cherny、Cat Wu）是 harness 本身會隨每次發布而縮減。創辦人若根據 2026 年的 harness 功能建立永久工作流程，就應預期隨著能力內移而需要改寫流程。
• 對照 Claude Code 最佳實務： 手冊建議每次 Claude Code 工作階段都以範疇 + CLAUDE.md 脈絡開場，並以日誌條目收尾。這比官方最佳實務文件要求更嚴格，是專為創辦人設計、用來防範代理式技術債的保障措施。
• 對照AI 投資故事，而非效率故事（Emergence Capital，2026 年 6 月）： 生命週期的核心承諾是 AI 原生公司效率大幅提高。但 Emergence 的跨公司數據顯示，AI 公司前十分位數的每位員工營收，比各區隔中的非 AI 同業低約 39%（報告只在前十分位數拆分 AI 與非 AI）——「這更像投資故事，而非效率故事」。可以用時間落差解釋（AI 群體的人力配置領先營收 12–18 個月，而 AI 原生 RPE 成長較快、差距正在縮小——在 $100M+ 前十分位數中年增 +58%，非 AI 公司則為 −6%），也可以用平均值與尾端群體的差異解釋（精實獨角獸代表刻意精實的尾端群體，而非積極擴編的平均公司）。「AI 讓公司更有效率」這個強論點，尚未成為整體實證事實——見AI 投資故事，而非效率故事。

相關連結#

• 單人創辦人轉向——在這個生命週期的第一個人數區間之前，團隊樣貌如何：Carta 資料顯示，美國新創公司中單人創辦人約占 36%（2025 全年，確認上半年 36.3% 的讀值），且首次聘僱員工的中位時間為 399 天，早於共同創辦團隊——不過在已募資團隊中，兩位創辦人仍是最常見的組合
• Carta——前述人數中位數與持股階梯背後的資本結構表工具，以及其「在 Carta 上」這個分母能看見與看不見的事
• 創辦人作為代理程式編排者——這個生命週期假設的角色轉變
• 問題解決方案契合紀律——Idea 階段的風險與對策
• 代理式技術債——MVP 與 Launch 階段的技術風險
• 零摩擦範疇蔓延——MVP 階段的流程風險
• 複利資料護城河——Scale 階段的可防禦性
• Claude Code / Cowork / Anthropic——此生命週期運用的產品介面
• 印刷術帶來的軟體民主化——成本崩落的宏觀類比
• 將七大力量套用於 AI——成本崩落後仍能存續的護城河
• Engineer PM Convergence——創辦人角色轉變在公司內部的對應現象
• AI 員工框架——對編排框架的反向證據
• 模型改進，harness 隨之縮減——Claude 特定功能為何會改變
• Claude Code 最佳實務——此生命週期所要求的 CLAUDE.md 紀律
• MCP 與電腦操作——手冊在四個階段都建議採用的整合基礎（Idea 階段的 Gmail/Calendar、MVP 階段的回饋循環、Scale 階段的小眾產業系統護城河）
• Evals 作為產品規格——「推出產品之前打造衡量架構」是功能層級 evals 在產品層面的對應做法；兩者都是工作開始前先寫下的成功標準文件
• Campfire / John Glasgow——精實 AI 原生路徑的真實案例（12 人完成 35M Series A，ARR 每季翻倍），也是部分反例：銷售由創辦人主導，而非全面委派
• Emergent——Scale 階段的第二個真實案例，推出約 13 個月後以 $120M ARR 成為估值 $1.5B 的獨角獸；展現 ARR 成長坡道縮短，同時其每人 $600K 營收顯示效率紅利仍落後於成長
• AI 原生安全選擇的反轉——這項宏觀變化的需求面版本：買家對「安全」的定義轉向 AI 原生
• 切入傳統市場的狹窄楔子——Idea/MVP 階段的執行紀律（對狹窄客群做到最好）實例
• Founder-Led Sales Discipline——Launch/PMF 階段的調整：達到 PMF 前持續由創辦人主導（與創辦人作為代理程式編排者形成張力）
• AI Accelerating AI Development——精實獨角獸需求背後的供給面機制：每位員工「坐在一座代理程式金字塔之上」，因此 100 人公司能完成 1,000 人的工作（該篇文章所述的擴散未來）
• AI 投資故事，而非效率故事——同一份 Emergence 資料集中的實證反向訊號：目前 AI 公司的每位員工營收低於非 AI 同業；這表示精實獨角獸的效率論點是尚未實現的時間落差，而非已成事實
• 企業 AI 支出強度與人數成長——「人數在 Scale 階段維持不變」論點的母體界線：該承諾描述的是 AI-原生公司；當既有企業大量採用 AI 時，人數會增加（24 個月內總人數約增 10%，入門職缺增 12%），所以「AI ⇒ 組織更精實」說的是公司如何建立，不是 AI 對採用 AI 的既有企業造成什麼影響
• AI 原生組織——YC 陣營的配套論點：Tan 將組織基礎單位對應為技能／解析器／觸發 evals，加上尾端每人營收主張（Emergent 約 15 人達 $15M ARR，Retell 約 40 人達 $60M）——把精實獨角獸目標描述為組織架構，而非生命週期
• AI 與市場力量——此生命週期假設卻從未衡量的退出市場：收購已取代 IPO，成為主流退出路徑；以 382,108 家新創公司為樣本，生成式 AI 公司遭收購的可能性比平均高約 21%（在 7.58% 基準上增加 1.6 個百分點；控制群體固定效果後加倍至 3.3 個百分點），募得的創投資金也比可比非 AI 同業多約 130%。Scale 階段較可能的終點是被既有業者收購——OECD 認為這可能是健康現象（技術擴散、可信的退出為下一批公司提供資金），也可能不是（扼殺式併購），目前沒有數據能區分兩者
• ICONIQ——上述 ARR 區間階梯與 Builder's Economy 調查的發布者；該實體頁整理了 Pacesetter 的篩選規則、缺少的對照組，以及會影響本頁各區間數字可信度的投資組合利益衝突
• AI Product Economics Maturation——AI 產品成為營收來源後，Scale 階段的損益表實際樣貌：ICONIQ 衡量 AI 產品營收占比從 32% 升至 42%，毛利率從 45% 升至 53% 再至 59%，組合式定價（用量／成果型）上升、供應商組合重整，以及由 FDE 帶動企業擴張——也就是此階段目標「可防禦的企業」的單位經濟

推導#

• 編排與員工框架之間：調和創辦人手冊與 HBR 的責任證據——調和此生命週期的編排說法與 HBR 的責任證據；提供有紀律創辦人的實務檢查清單
• AI 原生新創如何避免速度演變成策略債——按階段整理的紀律架構，避免 AI 原生速度演變成策略債
• 編排者的真實工作負荷：決策負擔、框架紀律，以及品味能否規模化——結束本頁關於 HBR 張力的提問，並以 2026 年 7 月的認知負荷證據衡量生命週期的監督假設

待解決的問題#

• 手冊沒有為人數／資本壓縮主張提供量化證據（沒有達到 PMF 的中位時間、達到 PMF 時的人數，也沒有失敗率資料）。文件本身未以案例證據支持「精實的 10 人獨角獸」這個刻意設定的目標。（部分解答：Emergence Capital，2026 年 6 月 現已提供各輪募資時的人數中位數——Seed 6.2 人（比 2021 年高點 10.3 人低 39%）、Series A 16.8 人、Series B 48.2 人——也提供首次招聘員工所需天數 214→284，以及資金集中度（44% 創投資金流向 AI）。仍缺少：達到 PMF 的中位時間、達到 PMF 時的具體人數，以及失敗率資料；Carta 群體涵蓋整個市場，而非精實 AI 原生子群體。見AI 投資故事，而非效率故事，了解同一資料中的效率反向訊號。） 增加 ARR 區間階梯後，結果與主張相反（2026-09-22）：The ICONIQ Pacesetter Index 以季度營運財務資料衡量一個營收成長前四分位的 AI 前沿群體；其每位員工營收一列，可反推特定 ARR 下的人數——ARR 約 $5M 時以 $75K 中位數推算約 65 人，接著隨每人營收 $115K、$225K 持續增加，直到 $100M+ 時每人營收幾乎增為三倍、達 $655K。因此，手冊承諾的壓縮只在最大區間看得見，在此之前的每個階段推算人數都持續增加；此階梯反而反駁「人數可以在 Scale 階段維持不變」，而非支持它。三項限制使問題仍待解答，且沒有一項可以忽略：區間中位數不是單一公司比例，在區間邊界會失真；群體由投資者自行挑選，沒有對照組；ICONIQ 沒有達到 PMF 的時間、達到 PMF 時的人數或失敗率——也就是這項問題真正詢問的三項資料。報告以達到規模時的人數取代，兩者相關，但並不相同。再度補充，加入首個直接人數序列與達到規模所需時間（2026-09-22）：2026 State of Scaling: The Great Sorting 是 Index 摘錄所根據的完整報告，加入了目前最接近所需的兩項母體資料。達到規模所需時間：Pacesetter 從 $1M 到 $100M ARR 約需 14 季，其他軟體公司約需 22 季（平均約 2–4 年；ICONIQ 所列極端案例子群體為「僅 1–3 年」），這是本問題首次有對照組支撐壓縮論點——但它是模型推估，而非測量：未揭露的公司假設從創立至 $1M 需 24 個月，兩個新聞稿公布的端點之間假設為指數成長，且圖表只納入已達 $100M 的公司，因此無法提供失敗率。人數：按營收成長群體計算的中位數人數成長率，從 2022–23 至 2026 年，成長 100%+ 公司為 119/65/115/146%；較慢群體分別為 47/38/46/34%、17/12/18/6% 與 (6%)/(5%)/4/2%（n=390/200/197/76 個公司季度）。這是帶有時間軸的直接測量，比 Index 的橫斷面資料更有力地反駁壓縮主張：成長最快者招人最積極，差距還在擴大。問題仍未解答，而且如今原因是結構性的，而非偶然缺漏：沒有達到 PMF 的時間、沒有達到 PMF 時的人數，尤其沒有失敗率——每期重新挑選成長前四分位群體、並只呈現已達 $100M 公司的動態群體，是唯一永遠無法產生失敗率的工具。要解決此問題，需要追蹤固定群體的來源，並納入其中未能成功的公司。
• 資源區中的創辦人故事（Carta Healthcare、Anything、Cogent、Airtree、Duvo、Zingage、Kindora、Wordsmith）都是簡短專欄；沒有一個公布成果或可比較的基準資料。
• 「打造出沒人想要的產品」占 42% 的 CB Insights 數字來自 AI 普及前的時代；手冊預測比例會上升，卻未引用 2026 年的測量數據。

已解答問題#

• 與 HBR 責任研究發現的張力（見上文）尚未解決。手冊的編排框架，正是 HBR 實驗條件所要反駁的框架。已解答：編排與員工框架之間：調和創辦人手冊與 HBR 的責任證據 在 2026 年 5 月從實務層面釐清：把編排視為工作流程設計（代理程式、交接、審查關卡、決策權）經得起 HBR 的批評；把編排視為同事的心智模型（命名、沒有範疇的委派）才會造成 −9pp/+44%/−18% 的效果，而生命週期只需要前者。編排者的真實工作負荷：決策負擔、框架紀律，以及品味能否規模化 補充了 2026 年 7 月的支持證據：決策權關卡已有衡量資料支持（安全關鍵動作的控制通道授權率為 100%，建議通道則為 51/54%）；同時，框架效果與腦力耗竭朝同一方向累積（感受到的控制感、衰退的審查）。剩下的問題——Anthropic 為何在創辦人行銷內容中忽略自身對框架紀律的研究——是關於 Anthropic 的問題，於創辦人作為代理程式編排者以 #oq/source 追蹤。

資料來源#

• The Founder's Playbook: Building an AI-Native Startup — Anthropic，《The Founder's Playbook: Building an AI-Native Startup》，2026 年 5 月
• Beyond Benchmarks 2026: Five Data Sets Grounded in the Real World — Emergence Capital，Beyond Benchmarks 2026（2026 年 6 月）：各輪募資人數中位數（Carta）、募資集中度與估值、ARR 成長坡道——為壓縮主張提供實證根據。註：此 PDF 衍生原始資料中的多個表格，其多值儲存格已塌縮（Core Four 表格將前十分位數堆疊在前四分位數上方，成為同一儲存格中的 736% 184%）——本文引用的數字全取自報告文字重點，而非解析後的表格
• Engines of Growth: Global Startup Trends Report — AWS Startups，Engines of Growth（2026 年 6 月，廠商調查自陳資料）：約 3.5 年達獨角獸規模／「員工數減半」的壓縮論點（以自陳成長率 156%、營收約 37.5 倍推估）、20 國 AI 原生比例地圖（僅以圖片呈現），以及金融服務／醫療保健／能源產業集中度
• The ICONIQ Pacesetter Index — ICONIQ Venture & Growth，The ICONIQ Pacesetter Index（2026-09-17，empirical，非問卷：2024 年至 2026 年第二季的季度財務與營運資料，來自「經過挑選的上市軟體公司資料集，以及我們的創投與成長投資組合公司」）。是上文完整 ARR 區間表格的來源，涵蓋成長、每位員工營收、毛利率、淨魔術數字與燒錢倍數，也提供 ICONIQ 自身對最小區間淨魔術數字的警示。**每個數字都有篩選限制：**Pacesetter 依三年營收成長前四分位，且由 ICONIQ 自身標記為 AI-Native/AI-Driven 挑選；未公布對照組；**利益衝突：**樣本部分來自發布者自身投資組合。**解析註記：**完整的七項指標 × 四區間表格只以網頁圖片呈現（1216×882）；編譯時逐格重新驗證，56 個儲存格均可辨識，沒有 ?。對燒錢倍數而言，「前四分位」指第 25 百分位；其他每項指標皆指第 75 百分位。數字四捨五入至最接近的 5 倍數；報告 PDF 須填表索取，未下載。工具來源資訊見 ICONIQ
• 2026 State of Scaling: The Great Sorting — ICONIQ Venture & Growth，2026 State of Scaling: The Great Sorting（2026 年 9 月，empirical；52 頁 PDF，以 docling 解析）。達到 $100M 所需季數的圖表與其模型註腳（第 24–25 頁）、Pacesetter 公司資料（第 26 頁）、按成長群體分類的人數變化序列（第 43 頁），以及職能人數組成（第 44 頁）的來源。這是上文 Pacesetter Index 所摘錄之完整報告，也是「Others」對照組的來源。上述數字皆以雙重讀取頁面圖片的方式取得，並與 pdftotext -layout 交叉核對——圖表是 docling 無法擷取文字的向量圖。同 Index 的篩選及利益衝突限制，另加一項報告專屬限制：n 指公司季度，而非公司數（依 ICONIQ 自身方法註腳），因此 2026 年人數讀值 76 比表面看起來更薄。工具來源資訊見 ICONIQ
• Inside AI-pilled engineering teams: Five lessons for scaling without losing the plot — Bessemer Atlas，2026-06-10（case-study）：第 4 節，Jessica Popp 依 10／20／50 位工程師區間提出的階段式工程領導架構，以及 Thawar 對 20–50 人區間所補充的編排面向。這是營運顧問提出的架構，沒有樣本或成果數據