上周我去了一趟硅谷，回来又密集见了几家做出海的公司。本来是想看看大家的 AI 到底用到了什么程度，结果一圈聊下来，被改变的是我自己：我对“什么是 AI Native 公司”的理解，重写了一遍。
先讲一件让我印象最深的事。一家做数据库的公司，主战场在海外。他们技术负责人跟我聊起团队的变化，说到一件事的时候，用了“大跌眼镜”四个字：之前他们一直默认，做数据库这种硬核产品，产出最猛的一定是技术最深的人。结果前阵子，一个 UI 背景的同学，靠一套 AI 协作开发的流程，做出了一个相当能打的数据库功能，把一众数据库技术老炮给比了下去。
AI 能写代码，我早不意外了；让我停下来思考的是另一层：它把“谁有资格干这件事”的规矩改了。一个不碰底层代码的人，直接跨过了原本要熬很多年才能跨过的门槛。
你可能会想，这种事最该发生在那些家底最厚的大公司里。模型是自己的，token 不要钱，人才最密。恰恰相反。我这一圈看下来，把 AI 用得最透、最接近“AI Native”的，几乎全是小公司。为什么偏偏是小公司，是这篇文章最后回答的问题。
第一层：执行层的 AI 化，已经不值得吹了
先从最普遍的一层说起：让 AI 干具体的活。
还是那家数据库公司。他们的产研现在基本完全 AI 化了，产研都上了 Slock.ai 平台（AI 时代的飞书），一个项目按 Architect、PM、Dev、QA 分了 AI 角色，每个 Builder 的日常都是在跟这些 AI 角色协作。开头那个 UI 背景的员工，就是在这套体系里冒出来的。
我们自己这方面也还算做的比较彻底。说件我们公司的真事：我们一个新产品，最早就是一个老架构师，一行代码没写，配了几个最强的大模型账号，自己当 PM、自己当研发、自己当测试，把 0 到 1 在 1 个多月内就做完了，这在之前可能是 10 个人，小半年的工作量。现在我们产研的边界越来越模糊，很多事是一个人端到端跑通，花在沟通扯皮上的时间越来越少。甚至连销售同学都会自己动手给客户搭业务流程的 AI Agent。
真坐到里面看，你会发现执行层的 AI 化，门槛低到让人意外。是不是科班、会不会写代码，正在快速变得不重要。
所以，“我们公司用了很多 AI”这句话，已经说明不了任何事。执行层人人都在用，这不稀缺。稀缺的是另一头：当干活变得这么便宜，想清楚“该让 AI 干什么、干成什么样算好”，成了最值钱的能力。
第二层：把公司“怎么运转”整个重做一遍
往上一层，“某个岗位用 AI”就不够看了，要动的是整家公司的运转方式。
这次硅谷同行的另外一家做出海的头部公司，他们老板在 AI 上是下了血本的：每个月光 token 就要烧掉几千万人民币。他们也很极致，把几乎所有管理软件、协作共享平台、所有业务流程，都用 AI 重新构建了一遍，人效的提升非常可观，业绩增长也屡创新高。有个细节很说明问题：他们的 CIO 直接兼任了 AI 转型负责人，甚至自己下场带了几块业务。转型直接长在权力结构上，而不只是挂在某个创新部门的 KPI 里。
这一层比执行层贵得多，也难得多。它考验的早已越过“会不会用 AI”，直逼一个更硬的问题：你敢不敢把公司运转的存量，推倒了按 AI 的逻辑重来一遍。
第三层：把经营管理本身，交出去
我这趟见到最彻底的，是国内一家做数据生意的公司。公司创建十多年，大几百人规模，算比较成熟的公司。
这家公司的老板，现在已经几乎不直接“管”公司了。更狠的是，公司的常规会议和汇报几乎全部取消。他们在内部搭了一套公司级的“AI 大脑”：信息怎么同步、任务怎么分配、该找什么样的人才、怎么考核怎么培养，甚至一部分具体工作，都由这套系统在跑。人还在，但“管理”这个动作，大头已经不是人在做了。
到这一层，交给 AI 的不再是活，是经营本身。
看到这家，我受的刺激最大。因为同样的事，我自己正卡在半路上。
我撞上的墙：这家公司从没被“写下来”过
我们公司，执行层早就全面 AI 化了，上面说的那些我们都在干。可当我开始认真想“公司管理的顶层怎么 AI 化”的时候，我却停住了。
一开始我以为是我们 AI 用得还不够深，后来发现完全不是这个问题。
那家能把经营交给 AI 的公司，做了十几年。十几年意味着什么？意味着它的经营理念、业务流程、考核标准，早就在一轮轮的折腾里被沉淀下来、写成了文、变成了制度。它的“AI 大脑”接得住，是因为有东西可接。而我们这类型的 AI 创新公司，AI 技术大环境变化太快、团队也年轻、想法也还在飞快地变化，大量最关键的东西，装在我自己脑子里，装在几个核心同事的手感里，从来没有被认真地、成体系地写下来过。
一家公司能不能把经营交给 AI，卡点从来不是 AI 够不够强，是这家公司有没有被“写下来”过。
这句话听着像管理学的修辞，实际上是个非常具体的工程问题。MIT 去年研究了三百多个企业 AI 项目，结论很惨：95%的试点拿不出可衡量的回报。但研究者把锅从模型头上摘掉了，问题出在组织的“学习鸿沟”：AI 接不上企业的上下文，留不住反馈。翻译成大白话，你没写下来的东西，AI 读不到。
最直白的例子还是“口径”。同一个“销售额”，在不同系统、不同部门手里，能有十几种算法：含不含税、扣没扣退款、按下单算还是按发货算。老员工凭手感就能绕过去，“这个数得这么调一下”。可这个“手感”没写在任何地方，AI 绕不过去。你不把口径统一地写清楚就让它接管考核、接管决策，它会算错，而且一脸笃定地把错的结果递给你。
口径只是冰山一角。经营理念、业务红线、那套“什么时候该做什么”的打法，大多都以同样的方式存在着：在人的脑子里，在没说出口的默契里。人组成的公司，靠这些隐性的东西就能运转，而且运转得还不错。这正是过去一百年管理学的全部默认前提。AI 进来，把这个前提掀了。
贝索斯二十年前就干过这件事，只是当年没人觉得是必选项
把公司“写下来”这件事，其实有个所有人都听过的先例。
2004 年，贝索斯在亚马逊下了一道著名的命令：公司所有决策会议禁用 PPT，一律改用六页纸的叙事文档。理由是 PPT 的花哨会掩护没想清楚的思考，而连贯的文字逼你把逻辑、数据、因果一个字一个字交代清楚。亚马逊靠这套叙事文化，把一家几十万人公司的思考方式给标准化了。
但说实话，二十年来，六页纸更像一个被反复传颂的管理美谈：佩服的人多，真学的公司少。因为不写，公司也照样转。人能开会、能拉齐、能靠默契补位，“写下来”是美德，不是生死。
AI 把这件事的性质改了。
贝索斯当年逼高管写六页纸，防的是人偷懒；今天 AI 逼着每家公司写下自己，是因为它压根读不懂没写下来的东西。
“写下来”第一次从一种值得敬佩的管理美德，变成了一张硬性的准入门票。
二十年后，硅谷把六页纸升级成了“公司操作系统”
有意思的是，我正在思考这个问题的时候，就看到 YC 合伙人 Diana Hu 的一个分享，讲的几乎是同一件事，只是说法更激进。她说，AI 不该只是公司用的工具，它该成为公司运行的操作系统；要做到这一点，你得让整个公司变得“可查询”（queryable）：每一个重要动作，都要留下一份 AI 能学习的产物；你给模型的上下文，要和给一个新员工的一样多，它才能发挥完整的能力。
这套说法，和我撞上的那堵墙，是同一件事的两面。但听她那张清单，会议记录、工单、代码、客户邮件，你可能会觉得这事不难：装几个工具、打开留痕，公司不就“可查询”了。
难的恰恰在清单之外。会议有录音，代码有仓库，客服有工单，这些“有产物的”东西，工具会自动帮你留下来。可一家公司最要命的那些东西，从来就没有过产物：口径、经营理念、那套打法，全装在人脑子里。这部分没法靠装工具解决，只能有人坐下来，一条一条，第一次把它写出来。
所以同样是“让公司对 AI 可读”，留痕那一半叫配置，没有产物的那一半，叫写作。前者花钱就行，后者只能自己来。
现在可以回答开头的问题了：为什么偏偏是小公司
为什么把 AI 用得最透的是小公司，而家底最厚的大厂反而原始？
先看数据，这个反差有据可查。MIT 那份研究里有个细节：大企业跑的 AI 试点最多，可平均要九个月才能规模化；中型公司只要九十天。另一组数字更刺眼：Cursor 19 个人左右，一年做到一亿美元 ARR；头部 AI 原生公司的人均产出，是传统软件公司的好几倍。而传统头部 SaaS 走到同样的收入规模，要五年以上、五六百人。
我的解释是：不是小公司更聪明，是小公司被逼的。
Diana 在那个分享里也给了一个解释：创业公司没有遗留系统、没有复杂的组织图，可以从第一天就围绕 AI 设计公司。这个解释当然对，但我觉得还有一层更硬的，藏在钱里。
硅谷现在有句话，token 账单就是新的 headcount。意思是，那些账面上看着“人手不足”、API 账单却大得吓人的小团队，钱花对了地方。我前面说的那家中国出海公司就是中国版：一个月烧几千万，但正因为每一分都被定了价、都心疼，他们才肯下笨功夫，把每个流程理顺、每个口径写清，确认 AI 接得住了，才放心把那一段交出去。我之前写过的一个跨境卖家说得更直接：真到大规模上生产，token 成本算下来，不见得比雇一个一线员工便宜。算的人，才会写；写了的，AI 才接得住。
大厂正好反过来。内部 token 近乎无限供给，没有价格，用起来不心疼，于是怎么粗放怎么来，反正堆资源总能堆出点效果。差别从来不在烧多少，在每一个 token 有没有被算过账。
那看似用不完的 token，买到的其实是一种“不必想清楚”的特权。而正是这个特权，让最有资源的公司，把 AI 用得最原始。
资源越少，越被迫显性化；越显性化，AI 接管得越深。这一轮，穷反而成了快的原因。
写在最后
说回我自己。坦白讲，“顶层的经营怎么交给 AI”，现在还没有让自己满意的答案。我们和那家几百人的成熟公司不一样：它的难题是把沉淀了十几年的制度翻译给 AI，我们的难题是边狂奔边把自己第一次写下来。哪个更难，现在还不好说。
Diana 那个分享的结尾有句重话：不要把对 AI 的信念外包给别人，创始人得自己坐进去用，直到它打破你对“现在能构建什么”的旧判断。这一点上我倒是没什么可惭愧的，这件事我没有委派给任何人，我自己在啃。
但正因为卡在这儿，我比以前更确定一件事：
AI Native 不是一个买出来的状态，是一场逼着你把整家公司彻底讲清楚的过程。
讲清楚了，大脑、自动化、放权，才轮得到登场；讲不清楚，买再多 AI，也只是凑出一堆口径互不相认、各算各的 Agent。
那位技术负责人的“大跌眼镜”，我后来越想越觉得，该让我们吃惊的或许在另一处：AI 正在逼每一家公司回答一个朴素到有点难堪的问题——
你这家公司，到底是怎么运转的？你答得上来，还是只是觉得自己答得上来？
作者简介
黎科峰（Kenny），数势科技创始人兼 CEO。北京航空航天大学博士，曾任京东集团技术委员会主席，京东商城技术负责人，手机百度总经理，平安金融 CTO。
