YC掌门人Garry Tan揭秘：为何永远不要做一次性工作？
效能悖论：当AI成为基础设施
在生成式人工智能迅速从实验性技术走向应用深水区的2026年，全球商业生态正经历一场静默却剧烈的重构。过去几十年里，工业化逻辑主导的商业法则——即通过线性增加人力投入来线性扩大产出——正在失效。取而代之的，是一种全新的“技术原生”生存法则。Y Combinator掌门人Garry Tan在最近的一次公开演讲中，不仅打破了关于AI提升效率的认知天花板，更提出了一套极具颠覆性的组织管理哲学。
Tan的核心论点令人震撼：决定AI时代生产力上限的，绝非大模型本身的权重微调或参数优化，真正的效能杠杆高达400倍，其根源在于工作流的重新梳理与编织。当硅谷已经出现由15人甚至40人的极精简团队撬动数千万至上亿美元年经常性收入（ARR）的案例时，传统依靠人头堆砌产值的企业结构显得笨重且低效。如果企业继续将AI仅仅视为代码自动补全工具或一次性提示词生成器，那么在下一阶段的竞速中，这些企业将被那些真正重构了工作流的公司彻底边缘化，甚至淘汰。这不仅是技术的升级，更是商业物理法则的改写。
400倍跨越：从个人代码到组织重构
要理解这一变革的深度，我们需要从Tan个人的生产力数据切入。曾几何时，代码行数被视为工程师生产力的直接指标。2013年，Tan在担任YC合伙人并兼顾全职工程师角色时，日均有效代码产出仅为14行。那是人类智力的极限体现。然而，在2026年，同样的人，投入的时间甚至更少，通过全面整合AI Agent与自动化工具，其产出效率提升了约400倍。
即使采用最严苛的质疑态度，假设AI生成的代码中包含大量冗余框架，或者剔除“虚假繁荣”，效能提升至少也在8倍至80倍之间。这一数据揭示了一个关键真相：杠杆效应并非来自模型本身的差距，而是来自工作流的串联方式。在YC资助的初创企业中，2025年冬季班有四分之一的企业其代码库95%由AI生成，这些企业成为了YC历史上增长最快、利润最高的群体。它们的成功并非偶然，而是因为它们没有将AI视为辅助工具，而是将其视为一种“生产力劳动力”，并围绕这种劳动力重新设计了整个业务流程。
这种变革不仅局限于工程技术部门。在YC内部，媒体、活动运营、财务等非技术团队同样在构建自己的“技能手册”和定时任务。一位非程序员背景的财务同事，利用内部开源系统和企业大脑，将数百个复杂的Excel工作簿整合为一个自动化应用。这表明，AI原生的转型是全员性的，它要求组织中的每一个节点都从执行者转变为管理者的角色，去管理由代码和文档组成的虚拟劳动力。
劳动力的新物理法则：技能手册与解析器表
重新构建工作流程的核心，在于将传统组织架构“代码化”。Tan提出了一个极具洞察力的类比：在AI时代，一个“技能手册”（Skill Manual）就等同于一名员工。这份手册清晰记录了一项能力、工作流程和交付标准，使得任何主体（无论是人类还是AI Agent）都能依据此手册执行任务。而“解析器表”（Parser Table）则取代了传统的组织架构图，它负责在任务进入时，决定由哪个技能模块进行处理以及分发路径。归档规则对应内部合规流程，触发评估则对应绩效考核。
这种组织形态的数字化映射，使得企业能够以极小的实体团队支撑庞大的运营规模。以Emergence为例，这家AI应用构建工具公司在从上线到实现九位数ARR的过程中，仅用了8个月时间，团队规模维持在15人左右。当收入突破6000万美元时，团队规模也仅扩至40人。这种极高的人均产值在传统制造业或互联网行业中闻所未闻。它们没有雇佣成百上千的销售、客服或财务人员，而是将这些职能全部编码为“技能”和书面流程。工程师的核心职责不再是重复执行，而是维护这些技能手册，解决AI Agent目前无法处理的复杂边缘案例。
这意味着，创始人和核心成员坐在电脑前协同Claude、Coder等智能体工作，本质上是在招聘、培训和管理一支由代码组成的劳动力队伍。这种组织的运营效率不仅体现在单个工程师身上，更体现在整个公司的系统级效能提升上。那些未能建立这种“技能化”组织的企业，将面临被拥有更高运营效率的对手优雅且无情地取代的风险。
工程双元性：厘清算法的计算边界
在构建AI原生公司时，工程架构的设计必须遵循严格的“双元性”原则，即厘清“潜空间”与“确定性空间”的计算边界。这是避免系统崩溃和逻辑混乱的关键。
潜空间（Latent Space）是大语言模型运作的领域，擅长处理审美判断、直觉推理、理解模糊意图等非确定性任务。这一空间依赖于概率和语义理解，适合处理复杂、开放-ended的问题。而确定性空间（Deterministic Space）则是传统编程和数据库的领域，适合处理规则明确、逻辑严密、需要精确执行的任务，如代码生成、数据查询、格式校验等。
许多AI工程的缺陷源于这两个空间的错位。例如，试图让大模型去处理大规模的精确数据聚类或复杂的数学推导，这不仅效率低下，而且容易产生幻觉。相反，将需要感性判断的任务交给确定性代码，则会造成资源的浪费和灵活性的丧失。
Tan举了一个具体的例子：在创业学院中安排600名学员的就座，要求左右邻座必须是最佳合作伙伴。这是一个典型的多约束优化问题。如果将其全部交给大模型，上下文窗口无法容纳所有学员的数据，且难以保证逻辑的一致性。正确的做法是：利用确定性算法处理数据存储和空间映射，计算学员之间的多维距离和兼容性分数；然后将筛选出的关键候选列表和社交意图描述，作为上下文喂给潜空间中的大模型，由其进行最终的人际匹配决策。这种混合架构既利用了确定性计算的精确性，又保留了潜空间的灵活性，从而将原本需要一个月的人工协调工作，压缩至10分钟和极低的Token成本内完成。
企业大脑：突破人类工作记忆的局限
人类的大脑存在一个固有的瓶颈：工作记忆通常只能同时处理7±2个信息组块。这是认知心理学的基本法则，也是为什么传统机构需要庞大的文档管理系统、检查清单和组织架构图作为“外脑”。然而，AI Agent的工作记忆容量可达百万级Token，相当于同时翻阅上千页的书籍并即时提取信息。
Tan将这一概念引申为“企业大脑”（Company Brain）。如果说人类的记忆是有限的，那么企业大脑就是一个无限的图书馆。但图书馆的价值不在于藏书量，而在于“图书管理员”的效率。这就是上下文工程（Context Engineering）的核心：决定在解决特定问题时，应该从图书馆中哪几本书中汲取信息。
检索增强生成（RAG）只是基础，真正的难点在于知识的管理和调度。哪些知识被沉淀为核心资产？哪些被标记为热数据即时可用？哪些被归档为冷数据？当出现事实冲突时，由谁裁决？Tan分享了其个人构建的系统G-Brain，它不仅仅是一个数据库，而是一个动态的知识调度层。它能够根据当前的危机或任务，自动调取该创始人过去20年的笔记、相关的会议记录、相似的投资案例以及当时的解决方案。这种“第二大脑”使得决策者能够站在历史知识的肩膀上，瞬间获得专家级的支持。
拒绝一次性工作：技能化与价值复利
在所有这些架构设计中，最核心、也最容易忽视的习惯是：“永远不要做一次性的工作”。
Tan强调，如果你发现自己需要重复交代同一件事两次，这就意味着管理的失败。当AI Agent完成了一项任务，无论结果是否完美，当你对输出结果感到满意时，必须立即进行“技能化”（Skillify）。这意味着将刚才成功的交互过程、提示词、上下文和结果，封装成一个可复用的技能手册或代码片段，并加载到开发环境中。
这一动作看似微小，实则构建了企业的“价值复利”。通过技能化，每一次成功的经验都被固化为组织的记忆资产。新入职的员工（或新的AI Agent）可以直接调用这些技能，避免了重复造轮子。反之，如果一个组织不这样做，无论其底层的模型多么先进，每天都会面临“技术失忆”。每一次任务都是从零开始，知识无法沉淀，效率无法累积。
更重要的是，企业大脑需要精细的管理（Hygiene）。它不是垃圾倾倒场，而是需要修剪、更新和验证的生产基础设施。如果技能手册中包含过时或错误的逻辑，AI Agent会以极高的自信执行错误指令，导致灾难性的后果。因此，必须建立由人类和Agent共同组成的“图书管理员”机制，确保知识的准确性和时效性。模型的质量可以租赁，但基于自身业务逻辑构建的企业大脑和技能库，才是企业真正的核心护城河。
结语：构建AI原生公司的未来
面对这一变革，恐惧往往源于想象力的匮乏。Tan指出，AI带来的不是岗位的消失，而是生产力的解放。每一个曾经因体量过大而无法处理的档案、因杂乱而无法清洗的数据、因缺乏专家而无法解决的难题，现在都有了攻克的可能。
构建AI原生公司，意味着从第一天起就采用全新的架构：精简的团队、编码化的职能、沉淀的知识图书馆、以及不断产生复利的技能库。这不仅仅是一次技术升级，更是一场关于如何思考、如何协作、如何积累知识的认知革命。那些能够率先掌握这一“新物理法则”的企业，将在未来的商业竞争中占据绝对的制高点。对于创业者而言，现在的任务不再是寻找风口，而是重新审视自己的工作流，将每一次成功的尝试转化为可复用的技能，构建属于自己的“企业大脑”，在AI的浪潮中实现真正的自由与丰盛。