从第一天开始，建设 AI Native Company
不是让每个人更忙，而是让公司拥有更强的感知、判断、执行和学习能力。
AI native 不是“多用 AI 工具”，而是重构公司运行方式
今天要统一的不是工具使用习惯，而是公司如何记录信息、组织流程、分配责任、控制风险、从失败中学习。
进一步了解 →公司信息默认被记录，关键知识默认可查询，高频流程默认可被 AI 参与，重要输出默认有质量门，每次失败默认反哺系统，每个结果默认有 DRI 负责。
AI 不只是某个人打开的工具，而是进入公司关键流程的智能层。
目标不是每个人快一点，而是公司拥有过去更大团队才有的能力。
流程不是做完就结束，而是把结果和失败写回系统，让下一次运行更好。
不是 Productivity，而是 Capability
更快写邮件、更快写文档、更快做 PPT。价值存在，但容易停留在个人工具层。
更快理解客户、更快形成产品判断、更快完成研发闭环、更快发现经营风险、更快沉淀组织知识。
真实业务产生 artifact，进入 Company Brain，被 AI Loop 调用，经过 DRI / Quality Gate 确认，再把结果、失败和新规则写回系统。公司不是一次性“用了 AI”，而是越运行越聪明。
先统一语言，后面才不会把工具、知识库、agent、workflow 混在一起
这份 glossary 用来解释 Company Brain、AI Loop、DRI、Quality Gate、Artifact、Failure Log。点击词条可以高亮查看。
进一步了解 →Company Brain + AI Loops + DRI / Quality Gates
Operating Model 不是 PPT 概念，而是公司日常怎么记录、查询、执行、审批、复盘的运行方式。
进一步了解 →提供共享记忆和上下文。没有 Company Brain，AI Loop 没有足够信息，只能从零开始猜。
把高频业务流程变成可运行、可检查、可学习的闭环。没有 AI Loop，Company Brain 只是更大的知识库。
保证责任和质量。AI 参与越深，责任边界和质量门越重要。
Brain
公司的共享记忆底座：带权限、带来源、可查询、可更新。
最近客户最常提的问题是什么？某个产品决策为什么这样做？哪些项目正在延期？哪些任务没有 DRI？哪些问题反复出现但没有被解决？
定义这条流程需要感知哪些信息，以及这些信息从哪里来、是否可信、是否允许被使用。
这条流程需要哪些输入？哪些是结构化数据，哪些是非结构化上下文？
会议纪要、邮件、CRM、任务系统、客户反馈、代码仓库、财务表。
来源清楚、时间清楚、权限清楚；敏感信息不能绕过数据安全红线。
AI Brain 是公司的共享记忆和上下文底座
这里的 AI Brain 与前文 Company Brain 指同一件事：它不是普通知识库，而是带权限、带来源、可查询、可更新的公司运行上下文系统。
进一步了解 →Brain
公司级共享记忆。它记录事实、决策、来源、上下文、责任人和状态，让 AI 与新人都能理解公司正在发生什么。
公司到底知道什么？信息在哪里？过去为什么这么决策？现在状态如何？哪些问题反复出现但没有被解决？
有来源、有权限、可引用、可更新。没有来源的内容不能成为事实，没有权限控制的数据不能随意进入 AI 工作流。
AI Loop 不再从空白 prompt 开始，而是像一个理解公司上下文的员工一样，调用历史反馈、任务状态、约束条件和失败经验。
Company Brain 和 AI Loop 怎么协作
Company Brain 让公司“知道什么”，AI Loop 让公司“做什么，并且越做越好”。两者不是两个项目，而是互相喂养的闭环。
进一步了解 →会议、客户反馈、任务、代码、财务记录、招聘记录不断产生。
纪要、决策、PRD、ticket、SOP、Failure Log 带来源进入共享记忆。
具体流程调用 Brain 中的客户历史、产品约束、任务状态和风险边界。
AI 生成或执行一部分动作，人负责最终判断、承诺、审批和质量。
新产物、失败案例、规则、prompt、测试和 SOP 回到 Brain，下一次 loop 更聪明。
没有 Company Brain，AI Loop 没有上下文，只能从零开始猜；没有 AI Loop，Company Brain 只是更大的知识库。Brain 提供记忆，Loop 产生行动，行动产生新记忆，新记忆让下一次行动更好。
会议、决策、客户反馈、任务来源和关键讨论都要能被系统查询，不能只停留在私聊、口头同步和个人记忆里。
- 正式会议默认有纪要和 action items。
- 关键决策进入 Decision Log。
- 任务必须能追溯到需求、客户或目标。
“我记得上次说过”“应该在某个群里”“先问一下某某”。这些都是公司不可查询的信号。
一个新人或 AI agent 可以回答：某个决策为什么做、谁负责、现在进展如何、相关材料在哪里。
最近客户最常提的问题是什么？哪些项目正在延期？哪些任务没有 DRI？哪些问题反复出现但没有被解决？
一次会议、一轮客户沟通、一次判断、一次失败，都应该生成可引用、可复用、可改进的 artifact。
- 会议产生纪要和 action items。
- 决策进入 Decision Log。
- 失败进入 Failure Log。
- 流程沉淀为 SOP 或 prompt。
开完会靠人记，私聊里定了事，解决完问题下次重新来，好的 prompt 只存在某个人电脑里。
任何关键动作结束后，都能找到它留下的产物，并且这个产物能被下一次 AI Loop 调用。
减少重复沟通、减少人肉同步、减少信息丢失，让每一次工作都能复利化。
每个目标只有一个 DRI，每个 AI Loop 有 owner，每个输出有人审核或确认。协作可以多人，责任不能多人。
- 每条 loop 标明 owner。
- 每个质量门标明审批人。
- 每个风险标明升级路径。
- 每次失败有复盘负责人。
“我们一起看一下”“应该有人会跟进”“AI 自动生成所以没人负责”。自动化会放大责任不清的问题。
看到任意输出，都能回答：谁确认了、依据是什么、风险在哪里、出错后谁负责修系统。
AI 可以生成、分析、提醒、执行一部分动作。但最终判断、承诺和质量，必须由人负责。
每个人都要成为 Builder / Operator
未来每个人都不只是操作流程，也要能重新设计自己的流程。你不一定要写代码，但要能把流程讲清楚、搭出来、跑起来。
进一步了解 →能把业务问题讲清楚，知道输入是什么、结果要达到什么标准，能判断 AI 输出好坏，并对结果负责。
能用 AI、工具、自动化，把重复流程搭出来、改出来、跑起来，并持续优化。
- 每个岗位维护自己的高频流程清单。
- 每周至少改造一个小流程。
- 会议带 demo，不只带想法。
产品、销售、HR、财务、行政、管理层都能展示自己的 AI workflow，而不是只等研发帮忙。
过去很多岗位只需要执行流程。AI native 组织里，优秀的 operator 会主动把流程变成系统能力。
Burn Tokens, Not Headcount
这不是“不招人”，而是不要过早用人和层级解决本来可以系统化的问题。新公司最大的优势，就是不用继承旧公司的低效结构。
进一步了解 →- 这个问题能不能用 AI Loop 解决？
- 重复动作能不能自动化？
- 沟通成本能不能通过记录和查询减少？
- 管理动作能不能用 dashboard 和 digest 替代？
- 需要的是人，还是更好的系统？
愿意承担更高的 API、工具和自动化成本，因为它替代的是更昂贵、更慢、更难复盘的人肉流程。
问题一复杂就加岗位，沟通一混乱就加管理层，流程一重复就靠人盯。
团队规模增长之前，系统能力先增长。更多需求先进入 loop，而不是先进入招聘计划。
优先消耗算力、工具和系统设计能力，而不是过早堆人和层级。
不能上传到未批准工具的数据
- 客户敏感信息、合同、报价、商业条款、未公开财务数据。
- 员工个人信息、薪酬、绩效、候选人隐私。
- 生产密钥、访问令牌、内部账号、未脱敏日志。
- 未公开融资信息、投资人材料、董事会材料。
- 任何无法确认授权范围和使用目的的数据。
必须审批的场景
- 客户承诺、合同条款、报价、法律文本。
- 薪酬、绩效、招聘淘汰、组织调整相关判断。
- 生产代码合并、线上配置、财务付款。
- 对外邮件、PRD、财务分析等中风险输出。
- 任何 AI 将直接写入业务系统或触发外部动作的流程。
每个团队需要列出当前高频使用的数据源、敏感字段、外部工具使用情况、希望 AI 接入的场景和风险担忧。这个问卷会决定第一批 Company Brain 数据接入边界。
先看 5 个参考案例，再由每个团队提交自己的候选
第一批 loop 不求大而全，重点是高频、真实、有 DRI、能被质量门检查、失败后能写回系统。
进一步了解 →会后自动生成纪要、待办、owner、截止时间，并写入任务系统。质量门：会议 DRI 确认。
从客户记录中提取痛点、证据和需求主题，生成 PRD 初稿。质量门：产品 DRI 审核。
把需求拆成 ticket、依赖、风险点和测试用例。质量门：研发 DRI 审核粒度和覆盖率。
提取客户画像、机会阶段、下一步动作和邮件草稿。质量门：销售 DRI 确认后发送。
定期识别预算偏差、异常费用和现金流风险。质量门：财务 DRI 确认口径。
每个候选请写清：业务流程名称、当前痛点、输入数据、AI 可参与步骤、质量门、DRI、预期收益、潜在风险。优先选择每周都会发生的真实流程。
AI native 组织更需要清晰责任
AI 不会替代责任。恰恰相反，AI 会暴露责任不清的问题。第一批 DRI 名单要同时覆盖公司级 OS 和试点 AI Loop。
进一步了解 →每条试点 loop 至少需要一个业务 DRI 和一个质量门审核人。没有 DRI 的自动化，不进入第一批试点。
每个人从 3 个真实任务开始，让 AI 进入自己的工作
AI Worklog 的目的不是统计谁用了多少工具，而是让每个人观察：AI 具体参与了哪一步、哪里变好、哪里不可靠、下一次怎么改。
进一步了解 →写清楚过去的步骤、耗时、依赖谁、容易卡在哪里。
是帮你生成、总结、分析、改写、检查，还是调用工具执行。
速度、质量、完整度、表达、洞察、可复用性，哪一项真正变好。
事实错误、引用不准、语气不对、边界不清、需要人工补充的地方。
prompt、输入材料、质量门、SOP 或工具设置需要怎么更新。
每个人选择 3 个真实任务，不用挑“好看”的任务。越真实，越能暴露哪些流程值得被改造成 AI Loop。
参考来源
内部底稿提供推进主线；YC 提供 AI native company 的原始框架；Bttr 文章强化了 loop、legibility、token leverage 的组织形态表达。
进一步了解 →