AI-Native Organization

資料來源#

• 2026 State of Scaling: The Great Sorting
• Engines of Growth: Global Startup Trends Report
• Garry Tan: Own Your Intelligence
• Indian AI Coding Startup Emergent Becomes a Unicorn with $130M Series C
• Startup ARR is less secure than ever, new research shows
• State of AI 2026: The Builder's Economy
• The Human-AI Substitution Principle: When will you be replaced by AI in your organization?
• The ICONIQ Pacesetter Index
• The New Physics of Business — Garry Tan, Y Combinator
• The state of AI in 2026: On the road to ROI

摘要#

Garry Tan 的論點（AI Engineer 演講，2026 年 7 月，practitioner-opinion）：過去必須靠招聘才能建立的組織構成要素——職務、組織圖、流程、績效考核——如今都能編碼成由代理程式執行的 Markdown 檔案。AI 原生公司不是「使用」AI 的公司，而是從第一天起就「以此為形」的公司：精簡團隊、為每項重複職能（銷售、支援、營運、財務）建立技能，並專門聘用工程師來維護技能、承擔技能目前還做不到的工作。「我們一直都在打造組織，只是過去沒有管理層——現在我們有了。」

組織映射#

演講的核心是：每一種組織原語都有對應的 Markdown 形式：

組織原語	代理程式基礎設施對應形式
員工	技能檔案——一項能力、一份工作，寫得清楚到足以執行（Agent Context Files）
組織圖	解析表——任務送進來後，解析器決定由誰處理、要送往何處（「修改測試時載入 test.md」表格）
內部流程	歸檔規則——解析器是否確實依規定分派工作
績效考核	觸發評估——測試是否在需要時確實載入正確的技能（Evals as Product Spec）

「當你坐下來使用 Claude Code 或 Codex 時，你不是在寫軟體。你是在招聘、訓練、管理一支由 Markdown 組成的工作隊伍。」

一人組織（2026 年 8 月）#

Tan 在 Startup School 的主題演講（Garry Tan: Own Your Intelligence，practitioner-opinion）沿用完全相同的映射——技能檔案 = 員工、解析器 = 組織圖——但對象從公司轉為個人。值得記錄的新變化是這種重新框定：「在你成立任何公司、找到共同創辦人、做出標誌或簡報之前，你其實已經可以經營一個組織。一個由你和代理程式組成的組織。你是創辦人，也是完整的管理層……而你底下的人數，現在由你決定。」

他提出兩個推論：

• 組織先於公司。 AI 原生形態不再是新創公司成立後才進入的狀態；個人在公司成立前就已經可以經營這樣的組織。這是把創辦人作為代理程式協調者再往生命週期前端推一步，也使擁有你外化的認知中的所有權問題成為關鍵——如果組織就是一個人加上他的 Markdown，組織圖和這個人的職涯資本就是同一批檔案。
• 軟體不再珍貴。「你可以在一個週末，為只有一個人的受眾打造剛好需要的工具。」他改寫了經典建議：自己有需求就自己動手，不是因為它可能成為市場，而是「因為解決需求幾乎不花成本」；等其他人開始借用這些一人工具時，你就會知道哪些已經成了公司。這是實作豐沛反轉產品工作中選擇問題的版本。

每人營收的例子與 7 月演講相同（Emergent 15 人、ARR 1,500 萬美元；Retell 約 40 人、6,000 萬美元；Winter 25 批次有一季的公司程式碼庫中 95% 為 AI 生成），所以只是反覆提及，沒有新增證據——下方的第三方查核仍是依據。他再次明確表示不主張因果關係。

所謂的新物理定律：人均營收#

Tan 用以下數字主張，這類公司在不同的體制下運作（數字皆出自他本人，未經查核）：

• Emergence/Emergent（AI app builder，YC S24）：公開推出後八個月，ARR 達九位數；15 人創造 1,500 萬美元 ARR。
• Retell（YC W24）：約 40 人創造 6,000 萬美元營收。
• YC Winter 25 批次中，有四分之一公司的程式碼庫有 95% 是 AI 生成，而且成為「YC 歷史上成長最快、獲利能力最高的一批公司」。
• 「這種人均營收過去不存在。不在軟體業，不在石油業，也不在鐵路業。」

他明確表示不主張因果關係（「我無法證明 AI 生成的程式碼造成了成長」）；他的主張是，成長最快的創辦人把 AI 當成工作隊伍，而不是自動補全工具。請留意AI 投資故事，而非效率故事的整體反向訊號：在 5 萬多家公司中，AI 公司目前的人均營收低於非 AI 同業；Tan 的例子是分布尾端，而非平均值（同樣的平均與尾端差異也見於創辦人作為代理程式協調者）。

母體背景，自陳數據（AWS，2026 年 6 月）。 Tan 每人約 100 萬美元的軼聞與 Emergence 約 39.4 萬美元的中位數之間，還有 AWS 的 Engines of Growth 創辦人調查：55% 的 AI 原生公司回報每位員工營收達 40 萬美元以上（全球新創公司為 34%，大型企業為 23%）。這像是居中的測量工具——自陳的分布聚集在約 40 萬美元門檻附近，與 Emergence 股權結構資料的中位數相同；但它描述的是高於基準，而股權結構資料顯示 AI 公司落後於配對的非 AI 同業。因此，三種 RPE 讀數是互相定位，而非得出定論：從業者軼聞（尾端、最樂觀）→ 創辦人調查（母體自陳）→ 股權結構紀錄（配對群組、最審慎）。比較方向的衝突在AI 投資故事，而非效率故事中被視為測量工具差異，而非取平均。

Emergent 數字的第三方查核（標示，不要淡化）#

Emergent 現在是 wiki 中唯一有人均營收主張、且附有外部查證軌跡的公司——Emergent實體頁面載有完整細節；以下是關鍵摘要：

• 公司確實存在，而且規模很大。 TechCrunch（2026-07-15）報導，Emergent 在 1.3 億美元 C 輪融資後成為估值 15 億美元的獨角獸；公司回報 ARR 為 1.2 億美元（4 個月成長 70%），並有超過 20 萬名付費客戶——方向上支持 Tan 所說的「不同物理定律」框架。
• 但檢視後，紀錄級人均數字會縮水。 公司擴大後，1.2 億美元 ARR / 約 200 名員工 ≈ 每人 60 萬美元——低於 Emergence Capital 對 ARR 超過 1 億美元 AI 公司人均營收前 10% 的 96 萬美元（AI 投資故事，而非效率故事，empirical），也約為 Tan 自己「15 人創造 1,500 萬美元」快照所暗示的每人約 100 萬美元的一半。極端數字屬於 15 人時期；人數增加後便回歸平均——這正是AI 投資故事，而非效率故事根據 5 萬多家公司測得的投資階段人力配置特徵。
• 依來源層級衡量矛盾。 Tan（practitioner-opinion，逐字稿自行標註公司名稱是 ASR 猜測）稱 Emergent「來自 Summer 24」；TechCrunch（vendor-claim；融資輪和創辦人可查證）則稱 Jha 兄弟於 2025 年 6 月共同創辦該公司。就創立日期而言，TechCrunch 是較權威的來源；ARR/人數快照可以是前後不同時間點，並非必然互相衝突。完整判定見 Emergent。
• 權重上的但書。 TechCrunch 的 ARR/人數/客戶數字本身也是公司自陳（vendor-claim），因此每人 60 萬美元雖與 empirical 基準相比，分子卻未經稽核；Tan 主張的 Retell 部分（6,000 萬美元 / 約 40 人 ≈ 每人 150 萬美元）仍沒有第三方佐證。

分子的持久性：本頁任何 RPE 測量都未涵蓋。 上述每一種讀數——Tan 的軼聞、AWS 的調查、Emergence 的股權結構中位數、Emergent 的 1.2 億美元——都是用ARR除以人數，並把分子視為年金。TechCrunch（2026-09-03）報導的一項調查結果指出，ARR 可能不像這個縮寫所暗示的那麼像年金：150 位企業 IT 專業人員中有 77% 表示，他們每六個月或以持續滾動方式重新評估 AI 供應商；Madrona 將此稱為企業 SaaS「慣性護城河」的「快速進場、快速離場」動態（完整討論，包括為何這不等同於流失率，見七大力量套用於 AI）。有兩個理由，因此把它記為但書而不是修正。其一，它屬於 practitioner-opinion——VC 的調查透過新聞報導進入 wiki，全文沒有任何流失、續約或留存數字；其二，調查母體甚至可能不是這些公司面對的客群：Emergent 超過 20 萬名付費客戶中，絕大多數是非技術個人與專業消費者帳戶，而非每半年審查一次的企業採購委員會。這明確不是下方人均營收問題的答案；該問題詢問的是每人營收水準有無第三方佐證。此處標記的是另一個變數：兩家 RPE 相同的公司，營收品質可能截然不同；而用來測試它的工具（按人數區間分析客戶群留存）並不存在於語料庫中。

不只有工程師#

Tan 說多數工程演講忽略的延伸：在 YC，轉型也遍及媒體人員、活動人員和財務部門——「有些人一輩子沒開過終端機，現在也在建立技能檔案和 cron 工作。」一位財務員工把約 100 本 Excel 活頁簿整合成一個用 OpenClaw 和 YC 公司知識庫打造的應用程式：「她不是程式設計師。她現在是代理程式經理。」這項主張把創辦人作為代理程式協調者推廣到創辦人和工程之外：「不是只有 400 倍工程師，而是一家公司整體的運作水準都比其他公司高出 400 倍。」這是在單一機構內觀察到的印刷機帶來的軟體民主化。

調查中的重組（ICONIQ，2026 年第二季）#

Tan 在台上主張 AI 原生組織形態；ICONIQ Growth 的 State of AI 2026則衡量約 305 家 AI 建構型軟體公司的主管重組意願（empirical 調查；未來數字屬預測等級）。調查確認，重塑涉及職務組成，而不只是團隊規模；這正是 Tan 所說「不同物理定律」中模糊不清的部分：

• 78% 正在重組，並按重組類型區分（單選，N=302）：**45% 計畫改變職務組合——「減少營運職務、增加 AI 熟練人才」——但不淨減員；33% 計畫因 AI 效率提升而縮小團隊；只有 9% 只補缺、9% 加快招聘、4% 維持不變。占比最高的是組成轉變，而非裁員。
• 各職能人數依職務而異（單選，N=303）：R&D/工程、銷售、產品與設計的淨增長；客戶成功與行銷的情況不一；客戶支援與 G&A 淨減少。組織並非一致地扁平化——它正把人力從營運/支援轉向建構與營收職能，呼應Emergence 根據股權結構衡量的配置偏重工程的趨勢。
• 兩種具名的新工程職務是成長類別：前線部署工程師（約 50% 的公司將 FDE 擴大為永久 GTM 模式，並將其變現為營收驅動因素——見 AI 產品經濟成熟），以及AI 安全 / 信任與可靠性工程師（公司「計畫增加招聘」）。G&A 顯示最明顯的替代：營運人員回報，代理式工作流程接手後，財務營運和訂單管理職務遭到移除，預算轉向策略與 AI 專門職能——「新增 G&A 職務的門檻正在提高：只有 AI 尚不能承擔的工作才會增設職務。」
• 組織層級更少、跨職能合作更多：AI 比重高的公司更常採用跨職能架構（AI 營收占比 50% 以上者為 42%，低於 50% 者為 35%）；在規模達 1 億美元以上的公司中，AI 營收占比 50% 以上者有 72% 僅設 1 至 4 層管理，相較同業的 56%；高成長公司也在擴大管理幅度（第一線 R&D 主管管理 7 人以上的比例由 21%→30%，GTM 主管由 26%→33%，2025→2026）。一家早期營運者「把 PM 和設計師職務合併，由一人負責產品」——這是 Tan 技能檔案映射所預設的職務匯流，而且已在實際運作中出現。

這是意向調查，而非人數普查；未來招聘計畫也是自陳數據——但它是首個母體規模的證據，顯示 AI 原生重組是職務組成事件（轉向 AI 熟練、建構和營收職務，遠離營運和支援），而不只是縮小團隊。

扁平化這個項目，也是 vault 中唯一能佐證一項正式預測的證據。 Banerjee 與 Singh 的 HAT 替代模型（arXiv 2607.20781，2026 年 7 月，practitioner-opinion——形式模型，沒有資料）從一種機制推導出組織扁平化預測 P3：人類管理成本會隨深度以 (1 + r_0 D)^{D−i+1} 超指數上升，而 AI 協調成本假設上升較慢，因此最佳深度會下降（D^(AI)* ≤ D*）；又因各層人數是管理幅度的乘積，在執行能力固定的情況下，管理幅度必須擴大。預測的特徵正是上述兩個數字：管理層級更少，而且管理幅度更大，兩者同時出現。該模型七項預測中，這是 vault 唯一能提供任何佐證的一項；其餘預測尚未測試、遭到反駁，或已由測量工具而非經濟現象解釋。三項但書使這談不上明確驗證：ICONIQ 的比較是橫斷面（同一時點比較 AI 比重高的公司與同業，而非比較同一家公司前後變化）；資料由 AI 建構者而非 AI 採用者自陳，因此公司年齡和創立形態造成的選擇偏誤未受控制；而管理幅度擴大也直接碰上同一 vault 測得的監督上限——產出增加時，審查能力不會跟著增加。相關性相符；機制尚未確立。

意向與兩個月後的實際數據對照（ICONIQ State of Scaling，2026 年 9 月）#

上方調查衡量約 305 位主管的計畫。 2026 State of Scaling（2026 年 9 月，empirical）是同一出版方的營運數據報告，其中的人數章節最接近可以用來核對意向的資料。實際數據沒有顯示意向已經落地。

• 採用率實際上已全面普及，日常使用率也很高（Annual Growth Operating Trends Survey，n = 38，2026 年 2 月）：可使用 AI 工具的員工占 S&M 99% / R&D 98% / G&A 97%，而每日使用者占 74% / 86% / 70%。報告標題所說「超過 70% 是每日活躍使用者」，指的是 G&A 的最低值，不是平均數——R&D 達 86%。請留意樣本數：這是 38 家公司，附加在 137 家公司的營運資料集之上，也是報告中所有 AI 採用數字的來源。
• 職能組成沒有變化（第 44 頁，按職能計算的平均人數分布，2022-23 → 2026 年）。營收低於 1 億美元：S&M 48 → 50 → 50 → 50%，R&D 38 → 38 → 37 → 41%，G&A 14 → 13 → 13 → 9%。營收高於 1 億美元：S&M 39 → 49 → 45 → 47%，R&D 39 → 38 → 41 → 39%，G&A 22 → 13 → 15 → 14%。ICONIQ 自己的結論很直接：「各職能的人數分布大致不變，顯示整體勞動力模式尚未出現實質轉變」；另處也指出：「AI 雖然提升生產力，但尚未實質重塑營運模式。」

這是直接檢驗「45% 計畫改變職務組合」的結果，而檢驗未通過——但仍有一項但書成立。 如果多數 AI 建構者正把職務組成從營運轉向 AI 熟練職務，S&M/R&D/G&A 的劃分是最粗略、卻能顯現變化的地方；四年來數字都只在幾個百分點內持平。唯一確實朝預測方向變化的部分幅度很小、證據也薄弱：營收低於 1 億美元的 G&A 比例在 2025 至 2026 年從 13% 降至 9%，這正是調查中營運者表示正在移除的職能（財務營運、訂單管理）；同一期間 R&D 從 37% 升至 41%。2026 欄位的樣本只有營收低於 1 億美元的 n = 7 個公司季度，以及高於 1 億美元的 n = 8，四個百分點的變動只代表一兩家公司。可以說它與調查方向一致，但遠遠不足以證實調查結果。

為何兩者都可能是誠實的。 三大職能分類是非常粗略的測量工具：調查主張的是 S&M 和 R&D 內部招募哪些職務（AI 熟練職務與營運職務、FDE 與傳統 CSM），而只計算三大類別的圖表看不見這種替代。Tan 映射所預測的組成變化發生在職能內部；ICONIQ 衡量的是職能之間的變化。因此，這無法推翻重組論點——它只確立了AI 時代過了四年，組織圖的頂層形態尚未改變；任何關於營運模式已重塑的主張，現在都得面對這條限制。

報告提供的機制與其說是重組，不如說是避免補缺。 在「ICONIQ Network 的觀點」一節，觀察到的行為包括：離職「越來越常被用來避免、延後或降低補缺職級」；「不補缺政策……明確與銷售、內容、營運和分析職能中 AI 驅動的生產力提升相連」；以及「公司評估 AI 驅動的生產力增益時，會採取凍結招聘，之後才核准增加人手。」報告列出的新興職稱包括：AI Business Analyst、AI Integration Engineer、GTM AI leader。這是比重組更安靜、也更合理的傳遞途徑——組織透過不補人而改變形態，所需時間取決於員工離職速度，因此目前可能還無法從四年的職能圖表看出來。此機制也沒有量化：ICONIQ 沒有給出採行這種政策的公司比例，而且這些只是投資者對自家投資組合的質性觀察。

張力：員工隱喻#

Tan 的核心隱喻——技能檔案是員工、代理程式是招募、訓練和管理的工作隊伍——在結構上正是 AI Employee Framing（Kropp 等人，HBR，2026 年 5 月，empirical，n=1,261）所檢驗的框架。研究發現，員工框架可測量地降低個人責任感（−9 個百分點）、提高升級處理率（+44%），並降低錯誤發現率（−18%），卻未帶來採用率提升。調和兩者的方法與創辦人作為代理程式協調者相同：Tan 把隱喻當作組織設計藍圖（把職務編碼成檔案，並用評估測試——這些是產物，不是擬人化同事）；Kropp 衡量的則是把代理程式視為組織圖同儕的心理框架。把職務編碼成可稽核的 Markdown 檔案，甚至可能是這個隱喻中能保留問責的形式——「員工」是附有測試套件的版本控制文件，不是一位犯錯後無人負責的「Kevin」。兩個來源都沒有討論對方；這份綜合整理是本 wiki 的分析。

與互補因素論點的關係#

Tan 最有力的一句話——「使用完全相同 Claude 的人，有人是 2 倍，有人是 100 倍。權重一樣、上下文視窗一樣、API 也一樣。槓桿不在權重，而在你如何串接工作」——是從業者重新表述AI 的組織互補因素（同一模型在不同族群中的使用率分別為 99.8%、63.3%、16.5%；差距必然來自互補因素）。上面的組織映射說明他所指的是哪些互補因素：編碼後的程序（技能）、路由（解析器）與驗證（觸發評估）。他所說「不要做一次性工作——把它技能化」的紀律，是代理式工作系統化測量的系統化幅度之規範版本（Codex 每週活躍使用者中的技能使用率，2026 年 3 月至 6 月由 5.4% 升至 26.6%）：「能像這樣記錄所學的組織，每天都會變得更聰明。沒有這麼做的組織，每天早上醒來都會失憶。」

母體規模下的重設主張（McKinsey，2026 年 8 月）#

上面的「組織即產物」映射描繪的是前沿加速器。The state of AI in 2026（McKinsey / QuantumBlack，2026-08-25，empirical，但為自陳，n=1,719）提供了母體版本，檢驗聽起來最薄弱的前提——被重建的是組織本身，而非工具——並發現這是區分回報財務影響的組織與其他所有組織時，差距最大的因素。

在 AI 高績效者中（占受訪者 6%；至少 5% 的 EBIT 歸因於 AI，且創造「顯著」價值），約 72% 回報因使用 AI 而徹底重新設計工作流程；其他受訪者約為 25%——這是調查實務圖表中最大的差距（圖表 11，沒有列印標籤的啞鈴圖；依網格線讀取，為近似值），高於轉型企圖（約 62% 對約 15%）以及高階主管以身作則（約 65% 對約 32%）。正文給出的非近似版本是：近四分之三的高績效者回報徹底重新設計工作流程，高於一年前的 55%；其他受訪者則為四分之一。Tara Balakrishnan 在結尾評論中，用本頁自己的語言指出限制：「越來越大的限制因素，是組織吸收變化的能力。」

這份調查沒有提供兩項此處相關的資料：完全沒有任何職務或職業分類，也沒有每人營收數字。它可以指出組織重設與回報的 AI 價值相伴而行；但無法說明重設後的組織由哪些人力職務構成。

延伸閱讀#

• 獨立創辦人轉變——對「一人組織」的測量及重新定位：獨立創辦公司的第二位員工加入速度最快（中位數 399 天，合夥創辦團隊為 480 天），所以一人組織是必經階段，而非終點
• Agent Context Files——基礎：組織映射是把設定單一代理程式的上下文檔案模式，提升為編碼整間公司
• 卓越作為作業系統——AI 原生新創公司逐漸採用之營運規範的大公司原型：Lenny 觀察到，Netflix 早期的企業文化簡報（自主性、人才密度、市場頂端薪酬）讀來就像如今頂尖 AI 實驗室的運作描述
• 代理式工作系統化——經測量的對應實例：Tan 的「把它技能化」規則，是 OpenAI Codex 遙測追蹤之系統化幅度的規範形式
• Evals as Product Spec——把觸發評估當作績效考核：把評估即規格的概念用於組織本身的路由層
• AI Employee Framing——對工作隊伍隱喻的實證反向證據；詳見上方張力一節
• 創辦人作為代理程式協調者——這種職務轉變在創辦人規模下的版本；Tan 把它擴展到每位員工（「現在 YC 的每個人都是代理程式經理」）
• 職務平均化，而非職務消除——重組中職務組成的一面，在母體規模下的呈現：ICONIQ 的 45% 計畫改變職務組合（而非淨裁員），對應 Ambrosino 在約 305 位 AI 建構者中測得的「平均化，而非消除」
• AI 的組織互補因素——Tan 重述「槓桿不在權重」的經濟學框架；組織映射則點出互補因素。HAT 替代模型也在此討論：上面 1 至 4 層管理和擴大管理幅度的數字，是 vault 中唯一能佐證該模型扁平化預測（P3）的證據
• 人機問責重設——管理幅度擴大結果的上限：產出增加時，監督能力並不會擴大，因此「層級更少、每層管理更多人」這種架構，需要靠重新設計審查流程來支撐，而非只宣布即可
• 前線部署工程：交付層——將兩種新工程招聘類別之一視為產業架構，而非人數項目：職務內容、將職務限於大型客戶的 5 至 10 倍完全負擔成本門檻、每個市場約 1 位 GM / 1 位 FDE Lead / 2 至 3 位 AE / 8 至 10 位 FDE 的範本，以及最後由誰聘用
• AI 產品經濟成熟——重組的調查規模佐證（約 305 位建構者中，45% 轉變職務組合、職能人力重新配置、FDE 和 AI 信任職務、組織層級更少且管理幅度更大），以及「證明 AI 能帶來收益」簡報中的單位經濟面；Ramp 的 350 個有版本記錄、可重用工作流程，是在單一公司中測得的「把它技能化」紀律
• AI-Native Startup Lifecycle——Anthropic 為同一目標提出的分階段手冊；Tan 另加組織原語映射與 YC 投資組合公司的人均營收主張
• AI 投資故事，而非效率故事——整體反向訊號：AI 公司平均人均營收較低；Tan 的 Emergent/Retell 數字描述的是尾端
• 印刷機帶來的軟體民主化——非工程師建立技能檔案，是在 YC 自家員工中觀察到的民主化論點
• 代理式程式設計的專業回報——Tan 自陳的 400 倍與測得的專業優勢（2 倍操作 / 5 倍產出）之比較；詳見該頁關於遙測與自我評估差距的證據說明
• 潛在空間與確定性空間——同場演講提出的配套工程紀律：判斷組織運算中哪些部分應交給模型，哪些應以程式碼完成
• LLM-as-Compiler Knowledge Base——公司知識庫（圖書館 + 管理員）是 AI 原生組織的記憶層；Tan 的 GBrain 是實際運用中編譯式 wiki 模式的一例
• Emergent——Tan 的人均營收代表性例子，現在已成為經第三方查核、估值 15 億美元的獨角獸；這個數據部分支持、部分削弱本論點的人均主張
• 擁有你外化的認知——從被編碼者而非雇主一方來看同一映射。如果技能檔案是一名員工，它同時也是某人寫下來的判斷；Tan 在 2026 年 8 月主題演講中主張，檔案價值會歸於持有程式碼庫的人——這是本論點引發卻未解決的張力
• 實作豐沛反轉產品工作——「軟體不再珍貴」的推論：打造工具幾乎免費時，稀缺的是選擇問題，而非實作
• Garry Tan——本論點的提出者；OpenClaw——YC 用來執行它的 harness
• 標準化基礎設施，而非工具——組織設計背後的平台決策：標準化工具下方的層，而非工具本身，理由是目前沒人知道哪種模型或工作流程勝出
• 已提交產物鏈——從軟體生命週期而非營運角度、由供應商而非投資者提出同一個「以 Markdown 作為組織基礎」的主張。兩者都把版本控制的純文字當作代理程式執行的內容，也都把強制執行放在設定而非流程中；不同之處在於映射頂端的內容——此處是技能檔案作為員工、解析表作為組織圖；另一篇則是已提交的階段產物（intent.md → spec.md → plan.md → PR），合併就是交接。Tan 的觸發評估與 Anthropic 的連續評估方案，是把同一測量工具用在同一目標：正確設定是否確實載入，且變更後仍然有效。
• Skill Lift——績效考核缺少的另一半。觸發評估測試正確技能是否載入；NVIDIA 的有無技能消融測試則檢驗載入的技能是否改變結果，並按產品回報——語料庫中第一種依成果評分「員工」而非只評是否被召喚的測量工具

尚待解答的問題#

• Tan 所說的人均營收數字（Emergent 約 15 人、ARR 約 1,500 萬美元；Retell 約 40 人、6,000 萬美元）是在台上提出，沒有引述來源。第三方資料（Carta/Standard Metrics 群組、經媒體查證的 ARR）能否證實 AI 原生 YC 公司創下人均營收紀錄？還是這些例子經檢視後會回歸AI 投資故事，而非效率故事的平均值？（部分回答：TechCrunch，2026-07-15證實 Emergent 是真實且快速成長、估值 15 億美元的獨角獸——公司回報 ARR 為 1.2 億美元，有超過 20 萬名付費客戶——因此方向成立。但紀錄級人均主張縮水：擴大後約為每人 60 萬美元（200 名員工），低於AI 投資故事，而非效率故事中 ARR 超過 1 億美元 AI 公司人均營收前 10% 的 96 萬美元，也約為 Tan 自己「15 人、1,500 萬美元」快照每人約 100 萬美元的一半——人均極端值是人數較少階段的產物，公司擴編後便回歸平均。但書使此問題仍未解決：TechCrunch 數字也是公司回報的 vendor-claim，並非由 Carta 稽核；而 Retell 部分（6,000 萬美元、約 40 人 ≈ 每人 150 萬美元）仍未獲查證。AWS 於 2026 年 6 月進行的創辦人調查補上了母體讀數（55% 的 AI 原生公司自陳每人營收達 40 萬美元以上），但這是自陳數據，不是問題所要求的股權結構/媒體查證。詳見 Emergent。） 加入同業群組基準後重新聚焦，結果不利於此主張（2026-09-22）：The ICONIQ Pacesetter Index（empirical，2024 至 2026 年第二季的季度營運財務資料，並非調查）是目前最接近本項所要求第三方群組資料的來源。它衡量 AI 導向且三年成長率位於前四分位的公司——也就是 Tan 例子所屬的同業群組——營收/FTE：營收達 1 億美元以上者為中位數 65.5 萬美元 / 前四分位 89 萬美元，三個較小規模區間的中位數分別為7.5 萬 / 11.5 萬 / 22.5 萬美元。有兩個推論。Emergent 每人約 60 萬美元，略低於其同業群組中位數，而非創下紀錄。營收低於 1,000 萬美元的公司每 FTE 中位數為 7.5 萬美元，顯示快速成長的 AI 群組在規模較小時，人均生產力反而低於傳統軟體公司——因此 Tan 的「15 人、ARR 1,500 萬美元」（約每人 100 萬美元）是自家群組中的極端離群值，而非新常態。仍非完整答案：ICONIQ 沒有對照組，且部分基準來自自家投資組合；Retell 部分依舊未經查證；這是群組分布，不是本項要求的逐公司查證。
• 組織映射預測一種可測試的人力配置特徵：AI 原生公司應聘用工程師來維護技能，而非聘用特定職能人員。職缺資料是否顯示「技能維護者 / 代理程式營運」正成為獨立招聘類別？（部分回答：ICONIQ，2026 年第二季確認了此特徵所預測的組成轉變*：約 305 家 AI 建構者中，45% 計畫採用「不同職務組合（減少營運職務、增加 AI 熟練人才）」；各職能人數轉向 R&D/產品/銷售，遠離客戶支援/G&A；G&A 營運者「正在移除財務營運和訂單管理職務……將預算轉向策略與 AI 專門職能」。報告也列出具體的新工程招聘類別：前線部署工程師（約 50% 將之擴大為永久運作模式）和 AI 安全 / 信任與可靠性工程師。但它沒有提供職缺資料中的特定「技能維護者 / 代理程式營運」職稱——ICONIQ 衡量的是職能層級的人數意向及兩個具名職務，沒有職業分類。直接測試（職缺中是否出現「技能維護者 / 代理程式營運」類別）仍需要職缺或職業新興類別資料，例如 2026-07-21 研究階段尚未納入的 arXiv 2606.22769「Agent Systems Engineer」訊號。詳見上方重組一節以及 AI 產品經濟成熟中的 FDE 細節。）* 以目前最大的母體測量工具核對後，仍未獲解答（2026-09-22）：The state of AI in 2026: On the road to ROI（empirical、自陳，97 個國家共 1,719 位受訪者）完全沒有公布職業或職務分類——其勞動力章節按職能預測人數水準（39% 預期來年因 AI 而減員），卻從未詢問創造了哪些職務。實務圖表中最接近的一項，呈現的方向相反：只有約 24% 的 AI 高績效者和約 13% 的其他受訪者回報「已完成策略性人力規劃」（圖表 11，依網格線讀取，為近似值），是圖表中第二小的差距。因此在母體規模下，能促成具名技能維護職務的規劃，是組織最不可能做過的實務，即使是將 EBIT 歸因於 AI 的組織也一樣。直接測試仍須依賴職缺或職業新興類別資料。再增加三個職稱，並在較粗略的測量工具上得到負面結果（2026-09-22）：2026 State of Scaling: The Great Sorting列出 ICONIQ 投資組合中的新興職稱：AI Business Analyst、AI Integration Engineer 和 GTM AI leader——就精神而言比先前記錄的任何職稱都更接近技能維護者特徵，因為三者都位於職能與其所執行的 AI 系統之間。但這是投資者未經計數的質性觀察，沒有公司占比、職缺數量或定義，因此屬於軼聞，而非本項指定的職業資料。同一報告也提供了它能測量層級的負面結果：職能人數分布四年來持平（營收低於 1 億美元的 S&M/R&D/G&A 約為 50/41/9；高於 1 億美元則為 47/39/14），ICONIQ 的結論是勞動力模式「尚未實質轉變」。這是粗略測量工具——三大分類圖表看不見職能內部的職務替代——所以它只能界定範圍，不能回答問題：無論正在出現何種新職務，規模都還不足以改變三大分類。直接測試的要求不變。*
• 如上方綜合分析所示，把員工隱喻用於編碼職務，是否真的能保留問責？還是團隊用那種方式談論技能檔案作為員工後，也會出現 Kropp 式框架效應？目前沒有研究測試對產物層級擬人化的框架效應。

資料來源#

• The New Physics of Business — Garry Tan, Y Combinator — Garry Tan，〈The New Physics of Business〉，AI Engineer，2026-07-17（practitioner-opinion）
• Garry Tan: Own Your Intelligence — Garry Tan，〈Own Your Intelligence〉，YC Startup School，2026-08-06（practitioner-opinion；自動字幕逐字稿）：§「Building a Company of One」——一人組織的重新框定、為一人受眾打造軟體的推論，以及再次提及但沒有新增證據的人均營收例子
• Indian AI Coding Startup Emergent Becomes a Unicorn with $130M Series C — TechCrunch（2026-07-15，vendor-claim）：人均營收小節中經第三方查核的 Emergent 數據
• Engines of Growth: Global Startup Trends Report — AWS Startups，Engines of Growth（2026 年 6 月，公司自陳供應商調查）：母體 RPE 讀數（55% 的 AI 原生公司回報每人營收達 40 萬美元以上），介於 Tan 的尾端軼聞與 Emergence 股權結構中位數之間
• State of AI 2026: The Builder's Economy — ICONIQ Growth，State of AI 2026: The Builder's Economy（2026-07-08，empirical）：§「Talent & Organization」——按類型劃分的重組調查（45% 職務組合轉變 / 33% 團隊縮小，N=302；image_000056）、各職能人數（N=303；image_000061）、跨職能/管理層級/管理幅度資料，以及 FDE 專題——重組一節和人力特徵部分答案的母體證據
• The ICONIQ Pacesetter Index — ICONIQ Venture & Growth，The ICONIQ Pacesetter Index，2026-09-17（empirical，不是調查：2024 至 2026 年第二季來自公開軟體公司與 ICONIQ 自家創投、成長基金投資組合的季度財務及營運資料）。此處只引用按 ARR 規模區間計算的營收/FTE 項目（中位數 7.5 萬 / 11.5 萬 / 22.5 萬 / 65.5 萬美元；營收達 1 億美元以上者前四分位 89 萬美元），用來以同業群組基準衡量人均營收紀錄主張。**選擇但書：**Pacesetter 以三年成長率前四分位及 ICONIQ 自家的 AI-Native/AI-Driven 標籤選取，沒有對照組；**利益衝突：**樣本部分來自出版者自己的投資組合。**解析備註：**基準表只以頁面圖片形式存在，在編譯時逐格轉錄並重新核對；數字四捨五入至最接近的 5。測量工具來源見 ICONIQ
• The state of AI in 2026: On the road to ROI — Dan Tinkoff、Lieven Van der Veken 與 Michael Chui，及 Tara Balakrishnan，The state of AI in 2026: On the road to ROI（McKinsey / QuantumBlack，2026-08-25，empirical，自陳；線上調查，97 個國家共 1,719 位參與者，調查期間為 2026 年 5 月 4 日至 6 月 8 日，按 GDP 加權）。此處引用圖表 11 的工作流程重設與策略性人力規劃項目（從未標示數值的啞鈴圖依網格線讀取，為近似值）、正文中的四分之三/四分之一重設數字，以及 Balakrishnan 對吸收能力的評論。**利益衝突：**McKinsey 承接此調查結果暗示需要的轉型工作。
• The Human-AI Substitution Principle: When will you be replaced by AI in your organization? — Banerjee 與 Singh，arXiv 2607.20781（2026-07-22；practitioner-opinion，形式模型，沒有實證資料）：§4.2.1 Theorem 4 與 §4.2.4 Corollary 1（深度降低 D^(AI)* ≤ D*，以及由層級大小恆等式 e_i = ∏ s_ℓ 推出的管理幅度擴大）、§4.1.3 Theorem 3（人類成本隨深度超指數上升）、§5.6 Table 3 預測 P3 與 §5.6.3（其陳述的實證特徵）。此處只引用為恰巧與 ICONIQ 層級/管理幅度數字相符的理論；完整討論與 P1–P7 清單見AI 的組織互補因素
• Startup ARR is less secure than ever, new research shows — Julie Bort，TechCrunch，2026-09-03（practitioner-opinion，媒體報導兩份未閱讀的 VC 調查）：此處只引用 Madrona 的 77% 每半年重新評估供應商數字（n=150 位企業 IT 專業人員），作為上述所有人均營收數字中 ARR 分子持久性的但書——並非每人營收水準證據，也不是流失率測量。完整證據處理見七大力量套用於 AI
• 2026 State of Scaling: The Great Sorting — ICONIQ Venture & Growth，2026 State of Scaling: The Great Sorting（2026 年 9 月，empirical；52 頁 PDF，經 docling 解析）。此處引用按職能劃分的 AI 採用表（第 41 頁——可使用率 99/98/97%，每日使用者 74/86/70%，來自附加的 n = 38 人數成長營運趨勢調查，2026 年 2 月，並非來自 137 家公司的營運資料集）、按年度劃分的職能人數分布（第 44 頁，經兩輪檢視頁面圖片讀取；2026 欄有 n = 7 至 8 個公司季度），以及 ICONIQ 網絡對補缺政策的觀察。選擇、利益衝突與公司季度 n 陷阱見 ICONIQ