不是加一個 AI 功能，
而是讓整間公司跑在 AI 上

不要把 AI 當副駕駛，
把它當成一切的「建造層」

Pete Koomen 開門見山：要打造 AI native 的組織，關鍵不是把 AI 當 co-pilot——他說那是「很 2023」的想法——而是讓它成為所有事情的建造層（building layer）。YC 自己就是這樣，把一間遠在 AI 之前就成立的組織，改造成超級 AI 原生的公司。

起點是一個很具體的痛點。YC 從成立以來幾乎都跑在自己寫的軟體上，所有重要資料都在同一個 Postgres 資料庫裡。但財務團隊和工程師之間有個低效迴圈：財務描述一套複雜的金融流程，工程師再把它寫死成一套 deterministic 軟體交回去，然後不斷重複。Pete 一邊看著這個老派流程，一邊在自己電腦上用 coding agent 覺得像有了超能力，兩者的落差愈來愈大。

突破來自一個「感覺像在破壞規則」的決定。工程師 Jared 做了兩個工具：讓 agent 能對 production 資料庫跑唯讀 SQL 查詢，以及讀取資料模型檔。他半夜偷偷把它推上線——結果非常好用。連沒有工程背景的財務人員，都能用它問出真實的問題。

Pete 點破了背後那個怪現象：很多人在公司裡操作在一個很窄的盒子裡，回家用 Claude Code、Open Claw 卻什麼都能做。YC 要做的，就是把這道縫補起來。

當提問變便宜，
你會問出以前不敢問的問題

為什麼「能對資料庫跑 SQL」這麼簡單的事這麼有威力？因為所有重要 context 都在同一個 schema 裡，加上一點關於資料結構的說明，agent 就能回答任意問題——例如「過去四個 batch 裡，投資過太空相關公司的投資人有誰？」

真正的關鍵不只是讓回答變容易，而是大幅增加你「敢問」的問題數量與複雜度。在舊世界，這種問題要寫好幾個小時的 SQL，所以除非很重要，否則根本不會去問。這就是 Jevons 悖論：當一件事的成本大幅下降，使用量反而暴增。

但要餵給 agent 的資料，得先「反正規化（denormalize）」。Pete 把這個現象連到 Google 早年的 big table：不要 schema 和 join，而是一張為 map reduce 最佳化的大表。今天則以 GBrain 這類個人知識庫重演——把各系統的資料正規化成「對 agent 檢索最佳」的格式，裡面塞滿 retrieval、RAG、graph RAG、reranking 這些檢索技巧。當你再給 agent 一個 soul、讓它知道你在乎什麼，它就會像「看見轉角後面的東西」一樣，回答出需要很懂你的人才答得出來的問題。

單人 agent 已經很強，
難的是「多人版」的 harness

Pete 觀察，我們其實還停在 agent 的單人時代（single-player era）。Claude Code、Codex、Pi、Open Claw 這些最流行的 harness，全都是為「單一個人、單一台機器」設計的。在那個環境裡它們幾乎無所不能，也很好玩。

還沒被任何人解好的問題，是「多人版（multiplayer）」的 harness：怎麼把這種超能力帶到一個團隊、一個組織的層級。YC 這一年多在內部探索的，就是哪些 primitives 能讓個人與團隊一起用 agent。

他歸納出三塊最該蓋的基礎：第一是共享的 context 層，一個盡量裝下所有重要內部資料的資料倉庫；第二是共享的工具庫（tool registry），YC 現在有超過 350 個工具，每個團隊把自己的工作變成工具加進去，而且能同時給內部 agent 和大家機器上的 Claude Code 使用；第三是技能庫（skill registry），也就是 skill 之上的抽象層。

Pete 受 skillify 啟發，做了一個 meta skill：每次在 agent 裡做出新東西、覺得好用，就 skillify 把它變成一個工具呼叫；接著跑 check resolvable，依兩個原則整理——DRY（不要重複自己）和 MECE（互斥且窮盡，麥肯錫做投影片的術語）。不要有 10 個做同一件事的 skill，而要一個有參數、能被呼叫的 skill 或工具。他說現在像當年發明 Unix、堆疊與 heap 的時刻，大家正在反覆發明 agentic 系統的新基本元件。

每晚自我改進的「dream cycle」，
讓 skill 比任何人都強

YC 有一個通用 agent，每晚會讀過所有員工和 agent 的對話，找出本來可以做得更好的地方、以及如果一開始就有會更有效率的 context，然後自動改寫 skill。這就是 Open Claw 與 GBrain 都有的 dream cycle——一個會自我改進的技能迴圈。

最具體的例子是 YC 的「兩句話介紹（two-sentence pitch）」skill。合夥人 Tom 先手寫了一個 skill，教 agent 把公司資訊濃縮成一句「這是什麼」、一句「為什麼值得注意」。後來幾位合夥人把一場 group office hours 的逐字稿餵回去——那場每個創辦人都練習寫、並得到合夥人即時回饋。agent 讀完這些 context 改寫 skill 後，變得比合夥人本人還會寫。Pete 的結論是：「這就是超級智慧在組織裡誕生的方式。」把你會做的每一件小事都這樣組合起來，你就有了一個超級組織。

但這需要兩個多數公司沒有的文化前提：egalitarian（平權）和trust by default（預設信任）。YC 預設把每段 agent 對話公開廣播到內部 Slack 頻道，任何全職員工都看得到。這個決定當初有過很多掙扎，但後來證明一石二鳥：既是社會控制（公開會讓人自律，私密資訊維持私密），又是學習管道（大家從別人怎麼用學會怎麼用）。

另一個效果 Pete 稱為「抬高地板（raising the floor）」。新人本來可能要六個月才能上手，現在透過 agent，自動「跟組織裡最強的人學徒」，快速吸收公司怎麼運作、明星員工怎麼做事。而且所有那些不好意思問人的笨問題，都能直接問 agent。代價是一年要花十萬到上百萬美元在 tokens 上——但 Pete 說，這等於提前活在 2028 年：你現在花一百萬做的事，兩年後會變成幾百塊的日常。這是一次性的時間穿越，可以一口氣跳過所有現有對手。

AI 可以被中心化，
也可以是屬於每個人的革命

這套基礎建設，啟發 Pete 寫下爆紅的文章〈Horseless Carriages〉。他批評當時（到現在也還是）很多 AI 軟體，只是把一點 AI 塞進一大堆軟體裡——例如 Gmail 的寫信功能，把「AI 該怎麼做事」的 prompt 鎖起來、藏著不給使用者。但 AI 真正的潛力，是把軟體的控制權，從開發者交回給使用者。

他的判斷是：愈會做 AI 原生軟體，未來就愈會長成「agent 包著 deterministic 工具」，而不是「deterministic 軟體包著 AI」。最好的 AI 軟體通常都很小，只先寫剛好夠的程式碼讓模型發揮。由此延伸出 just-in-time software 與「chat 就是最好的介面」的主張——因為聊天最接近人類語言，而語言又最接近思考的表達。就像最小的 coding harness「Pi」可以用 Pi 自己來修改與延伸，自我指涉、自我延伸。

於是真正的選擇浮現了，而且 Pete 認為只有 18 到 24 個月的窗口。一邊是1984 的世界：五個國王、最強的 AI、鎖死的 prompt，你活在 API line 之下，AI 是「發生在你身上」的事。另一邊是Apple One 時刻：你能跑自己的軟體、改自己的 prompt、選自己的模型（甚至是開源權重）、擁有只屬於自己的私有 repo。

Pete 的 white pill 很清楚：他希望像當年個人電腦從大型主機手中解放運算那樣，讓 AI 成為個人賦能的工具，而不是取代人的東西。但這不會自動發生——公司預設是封閉的、命令與控制的；要走向開放，是一連串必須刻意做出的選擇。而看這集的人，正是未來會把這些東西做出來的人。