創辦人作為代理程式協調者

資料來源#

• Beyond Benchmarks 2026: Five Data Sets Grounded in the Real World
• Do Context Files Help Coding Agents? A Two-Agent Ablation Study on Real Repositories
• Engines of Growth: Global Startup Trends Report
• State of AI 2026: The Builder's Economy
• The Founder's Playbook: Building an AI-Native Startup

摘要#

The Founder's Playbook: Building an AI-Native Startup 對 AI 原生新創公司中創辦人角色如何改變提出了主張：過去創辦人大多把時間花在執行工作上（寫程式、管理人員、處理日常營運）。2026 年的創辦人角色則是「大幅減少親自貢獻，更多協調代理程式」——這些專業 AI 助理能讀取檔案、執行命令、執行程式碼、瀏覽網路。創辦人的注意力往上移，從親自完成工作轉向提出想法，並指揮實現這些想法的系統。

影響最深遠的含意是：**「能打造產品的人」與「有值得打造之想法的人」之間的高牆已經消失。**具備領域專長的非技術背景創辦人如今也能打造正式上線的軟體；技術能力出色、但沒有商業背景的創辦人也能產出 GTM 策略、財務模型與募資簡報。創辦人候選人的範圍因此擴大，不再侷限於工程背景。

各階段的角色轉變#

這種協調模式會隨著AI-Native Startup Lifecycle演進：

階段	創辦人投入時間處理	AI 負責處理
點子	假設設計、客戶訪談、驗證紀律	研究、競爭版圖分析、反方論證、訪談架構審查、外聯自動化
MVP	範疇與架構決策、使用者回饋判斷、轉向或堅持的決策	程式碼生成、安全審查、衡量架構、回饋流程後勤
上線	營運系統設計、決定要系統化的事項、找出只能由創辦人處理的工作	程式碼庫稽核、技術債排序、營運負載盤點、PM 作業系統
擴張	產品敘事、董事會關係、企業交易、創辦人對創辦人的對話	企業支援層、GTM 執行、領域知識編碼、護城河敘事

模式是：創辦人少做事，多指引方向。留下來的工作是真正需要創辦人判斷力的事——品味、敘事、人際關係，以及那些多年累積影響的決策。

「精實的 10 人獨角獸」主張#

該手冊將極致精實定位為刻意追求的目標，而非資源匱乏下的特例：

「2026 年的早期新創公司已截然不同。它們在設計上極度精實，往往只有創辦人一人，或是由創辦人加上少數幾名成員組成。只要以 AI 作為基礎設施，同時支撐技術與組織發展，它們就能在擴編團隊前達成產品驗證、早期營收，甚至獲利。」

這項結構性主張認為，過去三個職能各自需要聘人才能跨越的門檻（工程師打造產品、業務人員銷售、營運人員管理公司），如今可由三種 Claude 介面大幅取代：

• 對話式智慧與研究（「隨時待命的領域專家」）——取代顧問和部分研究團隊職能
• 代理式程式設計（「隨時待命、永遠不會受阻的工程師」）——取代外包開發公司和早期工程職缺
• 工作流程自動化（「隨需提供的自動化營運團隊」）——取代營運與行政人力

這並未消除工程或營運工作，而是消除了執行工程或營運工作時的人力門檻。創辦人仍得知道要打造什麼，仍得設計工作流程，也仍得指揮代理程式。

以數據衡量精實組織的主張（Emergence Capital，2026 年 6 月）#

Emergence Capital 的 Beyond Benchmarks 2026 為手冊僅止於主張的精實模式，以及剩餘人力集中在哪些職能，提供了數據：五個合作夥伴資料集（Carta、Pave、Ashby、Standard Metrics、Stackpack），涵蓋超過 5 萬家營運中的公司：

• 各輪募資時的團隊規模正在縮小，而且仍在下滑（Carta 中位數，2021 年高峰 → 2025 年）：Seed 10.3 → 6.2、Series A 25.9 → 16.8、Series B 72.3 → 48.2；首次聘人的中位天數 214 → 284。相較以往任何一批新創，創辦人都以更精簡的團隊營運，也維持單人或極小團隊的時間更久。這正是協調者角色所仰賴的結構性前提，如今有 2020–2025 年的數列支持。
• AI 公司在人力配置上的結構與眾不同。若有招聘，AI 公司會把更多人力配置在工程職能（相較整體科技市場的占比高 11 個百分點；員工達 1,000 人以上的公司中，工程人員占 53% 對 42%），代價是面對客戶與營運職能的人力減少——銷售團隊較精簡（17% 對 19%）、客戶支援（低 5 個百分點）、財務（低 3 個百分點）。彙總資料呈現出協調者論點的具體樣貌：手冊所說可由代理程式負責的支援與營運職能維持精簡，而資金主要投入打造產品的人力。

此處的但書與來源一致：資料由創投發布、由資料合作夥伴提供；Carta 的員工人數樣本涵蓋整體市場，因此中位數描述的是整個母體，並非刻意精簡的協調者型創辦人群體的純粹測量。還要留意反向訊號——平均 AI 公司正積極擴編（見 AI Investment Story, Not Efficiency Story），因此目前每位員工的營收低於非 AI 同業；超精實、由協調者引領的組織位於分布尾端，而非平均值。

自我回報的精實團隊主張（AWS，2026 年 6 月）。AWS 的 Engines of Growth 創辦人調查以受訪者自己的說法重申協調者前提：AI 原生公司「以大約一半的人力擴大產出」，而「過去需要數十名工程師、多年資金，以及遍布全球的基礎設施才能完成的工作，如今小型團隊幾週內就能組建完成。」報告中的案例是Mindflow（法國）：一支 40 人團隊打造 AI 驅動的 IT／安全／雲端自動化服務，客戶包括約 100 家大型企業（LVMH、Hermès、Thales、Bouygues、Uniqlo），並為客戶節省超過 316,000 小時——這支小團隊以代理程式驅動的槓桿服務大量企業客戶，展現公司規模下的協調者模式。這是廠商自我回報的行銷內容（應視為案例說明，而非測量結果），也有相同的分布尾端與平均值但書：調查中的 AI 原生群體是精選的前沿子集，而非 AI Investment Story, Not Efficiency Story 所衡量、積極擴編的平均值。

經調查呈現的扁平精實組織（ICONIQ，2026 年第二季）。ICONIQ 的 State of AI 2026（約 305 家打造 AI 軟體的公司，empirical）衡量了精簡組織的意願：33% 計畫採用比原本預期更小的團隊，以反映 AI 帶來的效率提升（另有 45% 計畫調整職務組成，但不淨減人數；N=302）。協調式組織的扁平化也呈現在結構上——營收達 1 億美元以上的公司中，AI 營收占比 50% 以上的公司有 72% 僅設 1–4 層管理階級，同業則為 56%；高成長公司也在擴大第一線主管的管理幅度（研發主管至少管理 7 人的比例從 21% 升至 30%）。最鮮明的協調者案例是一則業界人脈分享：一家早期公司提供不限量 token，但要求主管以交付責任證明生產力提升 3–5 倍（頂尖工程師每天的推論成本最高達 8,000 美元），並且「把 PM 和設計師合併成由一人負責產品」——公司只由少數人組成，透過協調代理程式發揮槓桿，而非增加人手。這是意願調查加上軼聞，並非人力普查；完整的重組分析見 AI-Native Organization。

協調者與工具的定位張力#

這與 AI Employee Framing 存在顯著張力（Kropp 等人，HBR，2026 年 5 月，n=1,261）：該手冊大量採用擬人化描述——「隨時待命的專家」、「永遠有空的工程師」、「自動化營運團隊」、「施工團隊」。Kropp 等人的實驗研究顯示，將 AI 代理程式描述為員工（相較於工具）會明顯：

• 降低使用者對 AI 產出內容的個人責任感（少 9 個百分點）
• 增加不必要的升級求助（多 44%）
• 降低錯誤發現率（少 18%）
• 不會提升採用率

該手冊沒有討論這項證據。協調者的定位被描述成一種助力（讓創辦人不再受人力不足所阻），但在結構上與 HBR 實驗所檢驗、並發現負面影響的描述方式十分接近。

**謹慎綜合：**把協調視為一種工作流程設計（多個專業代理程式、明確交接、創辦人指揮），在結構上有別於把協調視為一種心智模型，將代理程式視作共同工作的同事。前者保留責任歸屬；後者可能做不到。關於如何在協調負載下維持責任歸屬的建議，請參見 Human-AI Accountability Redesign。

哪些人如今也能成為創辦人#

該手冊指出一項不容易看出的影響：

「當創辦人的範圍擴大到工程背景以外的人，你就會看到由生活經驗截然不同的人打造新創公司，解決傳統科技創辦人管道從未優先處理（甚至可能從未注意到）的真實問題。」

這項預測隱含著：2026–2030 年的 AI 原生新創浪潮，將會解決與 2010–2020 年 SaaS 浪潮不同的問題，因為創辦人來自不同專業背景。手冊資源章節中的具體案例：

• Anything — 非技術背景創辦人經營完整的招募平台
• Kindora — 非營利組織主管打造慈善捐助者配對平台
• Wordsmith — 從律師轉任 CTO，打造法律科技產品
• GC AI — 具備領域專長的創辦人，打造符合企業內部法務團隊實際工作方式的產品

這些案例的共同模式是：創辦人在某個垂直領域有深厚的專業背景，於是親手打造自己一直希望存在的工具。這與 Printing Press Software Democratization 直接呼應——當寫程式的能力普及後，領域知識就成為差異化優勢。

哪些事情仍由人來做#

該手冊明確指出有一類工作只能由創辦人處理：

• 產品敘事決策
• 董事會關係
• 企業交易
• 創辦人對創辦人的對話
• 「那些會成為你護城河的判斷」

上線與擴張章節將營運系統的目的描述為「把你的注意力解放出來，讓你處理只有創辦人能做的決策」——而不是「讓創辦人退出公司」。協調者角色存在的目的是放大創辦人的判斷力，而非取而代之。

關聯文章#

• The Solo-Founder Shift — 以數據限定這個角色的實際情況：它確實存在，但持續時間不長；單人創辦人在中位數 399 天後就會聘用第一位員工，比共同創辦的團隊還早。代理程式減輕的是實作工作，而非創辦人必須依序處理工作的注意力（「單人創辦人預設就是單線作業」）
• AI-Native Startup Lifecycle — 這個角色所經歷的新創生命週期
• Engineer PM Convergence — 公司內部的類比（Cat Wu 談 Anthropic 的職務合併）；創辦人擔任協調者，是同一轉變在一人公司的規模版本
• Printing Press Software Democratization — 宏觀類比；當寫程式普及後，領域知識便成為差異化優勢
• AI Employee Framing — 關於協調者描述方式所帶來風險的反向證據
• Human-AI Accountability Redesign — 在協調負載下維持責任歸屬的建議
• Seven Powers Applied to AI — 這個角色仍能打造哪些護城河（網路效應、規模、稀有資源仍然有效；轉換成本與流程力量則逐漸侵蝕）
• Harness Shrinkage as Models Improve — 隨著 harness 縮小，協調所需的輔助功能本身也會改變
• Claude Code / Cowork / Anthropic — 協調工作所依賴的介面
• Problem-Solution Fit Discipline — 防止協調速度超越創辦人判斷力的紀律
• AI Brain Fry — 監督的認知成本會隨協調的代理程式數量增加；這對同時執行許多平行工作階段的單人創辦人構成風險
• Compounding Data Moat — 這個角色的長期防禦目標：將創辦人的領域知識編碼到協調工作所依賴的基礎之中
• Founder-Led Sales Discipline — 明確的反方觀點：John Glasgow 主張在達成 PMF 之前，創辦人不該把銷售工作交給別人（無論是 AE 或代理程式）；以範疇來化解矛盾：協調機械化工作，而非創辦人與客戶互動、蒐集訊號的核心循環
• The AI-Native Safe-Choice Inversion — 讓精實 AI 原生新創更容易銷售的需求面助力：買方如今想要 AI 原生產品，為協調者型創辦人提供支持
• Parallel Agent Orchestration — 這個角色的實際衡量形式：OpenAI 的 Codex 資料顯示，28.6% 的 OpenAI 員工同時管理 5 個以上代理程式；這為協調者工作流程提供採用數據與前沿預覽的上限
• AI Investment Story, Not Efficiency Story — Emergence 資料提供的反向訊號：平均 AI 公司正積極擴編（以工程人力為主），每位員工營收也低於非 AI 同業，因此超精實、由協調者引領的組織位於分布尾端，而非平均值
• Firm AI-Spend Intensity and Headcount Growth — 第二項反向訊號，並明確提醒注意母體差異：密集採用 AI 的成熟美國企業會增加約 10% 人力（各職務大致都會增加），而非縮編。因此「AI 讓團隊更精簡」只適用於從創立第一天就以精實模式打造的 AI 原生新創，並非普遍規律；既有企業將 AI 加到業務擴張中，而非用來替代人力
• AI-Native Organization — Tan 將這個概念從創辦人延伸到整家公司：在 YC，「現在人人都是代理程式管理者」，包括媒體、活動與財務人員；協調者角色擴散到每個職位，並以 skill 檔案編碼，而不再只是創辦人具備的技能

衍生文章#

• Orchestration vs Employee Framing: Reconciling the Founder's Playbook with HBR's Accountability Evidence — 完整調和此角色的協調者描述方式與 HBR 責任歸屬證據，解決本文「Open Questions」段落提出的張力
• The Orchestrator's Real Workload: Decision Burden, Framing Discipline, and Whether Taste Scales — 將決策負擔問題與 2026 年 7 月的監督證據綜合分析：負擔更重、形貌也改變了，只有透過結構性重新設計才能限制負擔

開放問題#

• 該手冊主張非技術背景創辦人如今也能打造正式上線的軟體，但沒有討論架構判斷上的遞迴問題（Agentic Technical Debt）：非技術背景創辦人可能沒有足夠詞彙來寫出有效的 CLAUDE.md。這要如何擴展？（部分獲得回答——但重要性被弱化——Khatri 2026，arXiv 2607.27250，empirical：在 288 次執行的雙代理程式消融實驗中，有一份評為良好／優秀的 AGENTS.md，相較於完全沒有檔案，正確率並無可測量的提升（上限 <10–15 個百分點）；在 36 格探測中，實際檔案也從未讓接近成功的案例轉為通過。如果非技術背景創辦人無法撰寫的檔案，對正確率的提升約為零，那麼遞迴問題帶來的負擔就比手冊本身的說法小。這仍無法解決問題，原因有二：消融實驗衡量的是單次工作階段的任務正確率，而非這種遞迴真正攸關的跨工作階段架構一致性；而研究指出的瓶頸——實作能力：功能設計、模式選擇、精確接線——正是非技術背景創辦人同樣缺乏、也無法交由檔案代勞的判斷力。遞迴問題可能根本不是透過內容檔案發生，而是透過審查發生。）
• 「精實的 10 人獨角獸」是手冊提出的主張；手冊沒有提供 AI 原生新創公司達成 PMF 或 Series A 時的實際人數中位數，也沒有與前一批新創比較的量化資料。（部分獲得回答：Emergence Capital，2026 年 6 月 提供 Carta 各輪募資的人數中位數，以及 2020–2025 年的數列——Series A 為 16.8 人（低於 2021 年高峰的 25.9 人）、Seed 為 6.2 人（低於 10.3 人）、Series B 為 48.2 人——補上手冊缺少的前一批新創比較，也提供 AI 與整體科技業的人力配置比較（工程職能比重高、支援團隊精簡）。仍待解答的是：這些是各輪募資時的人數中位數，並非達成PMF時的人數；而 Carta 的樣本涵蓋整體市場，並未在 Seed／A 階段區分 AI 與非 AI 公司。）
• 協調者角色如何改變創辦人的決策負擔？親自處理的任務變少，但需平行監督更多代理程式；整體認知負荷是否改變仍不清楚，也可能更高（見 AI Brain Fry）。部分獲得回答：The Orchestrator's Real Workload: Decision Burden, Framing Discipline, and Whether Taste Scales——負擔更重，形貌也改變了：執行負擔以不利的比率換成監督負擔，因為接手的工作更容易出錯（疲勞時重大錯誤增加 39%）、較難察覺（被照單全收的規劃決策，在逐字稿中與真正的判斷難以區分），且價值並非單調遞增（HAS-Bench 的效益曲線達到高峰後，過度介入反而會破壞任務）。只有刻意安排結構才能限制負擔：限制平行處理數量、抽樣審查、設置高風險關卡。仍未衡量的是創辦人本身的監督負擔——並行活動遙測加總的是代理程式時數，而非人類注意力。
• Anthropic 一邊發布採用擬人化描述的手冊，一邊發表關注 HBR 證據的責任歸屬相關研究（auto-mode、alignment），卻沒有直接探討描述方式的相關文獻。Orchestration vs Employee Framing: Reconciling the Founder's Playbook with HBR's Accountability Evidence 的綜合分析，從營運層面調和了這項張力——將協調視為工作流程設計可以維持責任歸屬；將協調視為代理程式同事的心智模型則無法維持——但另一個開放問題仍在：為什麼手冊的行銷語言沒有反映 Anthropic 自己對描述方式紀律的研究？

資料來源#

• The Founder's Playbook: Building an AI-Native Startup — 主要參考第二章（「身為創辦人的意義正在改變」），以及全書關於角色轉變的描述
• Research: Why You Shouldn’t Treat AI Agents Like Employees — 描述方式影響的反向證據
• Anthropic's Boris Cherny: Why Coding Is Solved, and What Comes Next — Boris 提出的「最適合撰寫會計軟體的人，是優秀的會計師」論點
• How Anthropic's product team moves faster than anyone else | Cat Wu (Head of Product, Claude Code) — Cat Wu 對 Anthropic 內部職務融合的觀察
• 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，以及 AI 與整體科技業的人力配置比較，為精實組織主張提供實證依據。注意：這份由 PDF 轉出的原始資料中，有幾個表格的多值儲存格已合併（Core Four 表將 Top Decile 與 Top Quartile 疊在同一格，顯示為 736% 184%）；本文引用的數字來自報告中的文字重點，以及重新檢視原始 PDF 第 37 頁的人力配置圖表，並非解析後的表格
• Engines of Growth: Global Startup Trends Report — AWS Startups，《Engines of Growth》（2026 年 6 月，廠商自我回報的調查）：「以一半人力」擴大產出的精實團隊描述，以及 Mindflow 40 人團隊案例
• State of AI 2026: The Builder's Economy — ICONIQ Growth，《State of AI 2026: The Builder's Economy》（2026-07-08，empirical）：〈Talent & Organization〉一節——33% 計畫縮小團隊（N=302）、管理階層更扁平（營收達 1 億美元以上的公司中，管理層級為 1–4 層者占 72% 對 56%）、管理幅度擴大，以及由一人負責產品的業界人脈軼聞
• Do Context Files Help Coding Agents? A Two-Agent Ablation Study on Real Repositories — Prakhar Khatri，arXiv 2607.27250，2026-07-28（empirical）：內容檔案消融實驗，削弱了 CLAUDE.md 遞迴問題對本文非技術背景創辦人主張的反駁；有無檔案的通過率持平，失敗案例分類也指出，真正的瓶頸在實作能力，而非書面架構意圖