# 策展 · X (Twitter) 🔥🔥🔥

> 作者：GREG ISENBERG (@gregisenberg) · 平台：X (Twitter) · 日期：2026-05-12

> 原始來源：https://x.com/gregisenberg/status/2053843542020063489

## 中文摘要

# 如何成為「AI-Native」

關於成為 AI-Native 的真相，我將為你詳細拆解。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778547650560-iaHIC3e1IX0AAJVKmjpg.jpg)

現在每個人都在說自己是「AI-Native」，但這通常只是指團隊裡有人開著 ChatGPT 的分頁，或者行銷主管做了一個名為「品牌語氣助手」的客製化 GPT。

很可愛。

甚至還挺實用的。

但這並不是 AI-Native。

這就是人們一直忽略的差異。一家 AI-Native 公司並不是指「使用 AI 的公司」，而是指這家公司已經經過重構，讓 AI 能夠真正在其內部運作。這家公司的業務結構、文件紀錄、權限管理以及儀表板監控，都必須以 Agent 能夠理解的方式來設計。這家公司必須讓自己對機器而言是「可讀的」。

這聽起來很無聊，直到你意識到這可能是未來十年內單一最大的商業優勢。

因為大多數公司對機器來說是不可讀的。大多數公司甚至對自己的員工來說都難以理解。

CRM 系統說的是一套，Slack 討論串說的又是另一套。真正的客戶歷史紀錄存在某人的 email 收件匣裡。定價邏輯藏在一個名為「Final_v7_NEW」的試算表中。退款政策寫在一個沒人信任的 Notion 文件裡。銷售流程則是「去問 Sarah，她知道我們怎麼做企業客戶」。入職流程涉及五個工具、三個人、兩個審核步驟，以及一位還得被拉進各種邊緣案例（edge cases）處理的創辦人，因為從來沒人把判斷標準轉化為系統。

然後這些公司問：「為什麼 AI 不能為我們做更多事？」

因為 AI 無法靠「感覺」來運作。

它無法在一個真相分散在各個人員、工具、習慣、例外情況和組織記憶中的環境下運作。Agent 需要 context（上下文）。它們需要乾淨的輸入。它們需要規則。它們需要存取權。它們需要邊界。它們需要知道什麼是「好的結果」。它們需要知道何時該行動，何時該提問。

大多數公司花了二十年購買軟體，卻沒有花二十年設計一套作業系統。他們擁有一堆工具，而不是一台機器。

這就是為什麼真正 AI-Native 的公司數量可能少得驚人。我猜測全球年營收（ARR）超過 500 萬美元的公司中，真正意義上達到 AI-Native 的可能只有 1,000 家左右。不是那種「我們有使用 Copilot」的公司，也不是「我們自動化了一些 email」的公司。我指的是那些核心工作流程是專為 Agent 執行、人類監督而設計的公司。

也許是 500 家，也許是 2,000 家。確切數字並不重要，重要的是結論。

幾乎沒人正在做這件事。

儘管外界吵得沸沸揚揚，儘管融資公告滿天飛，儘管每個 SaaS 的首頁都把文案改成了「Agentic」，但這個領域基本上還是空的。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778547650539-iaHICzCLbWgAAJtJ6png.png)

第一個有用的區分是：AI 輔助型公司是在邊緣應用 AI；AI-Native 公司則是重構了核心。

AI 輔助型公司問的是：「我們可以在哪裡加入 AI 來節省時間？」

AI-Native 公司問的是：「如果由 Agent 完成前 80% 的工作，這個工作流程應該長什麼樣子？」

第二個問題會改變一切。

以客戶支援為例。在傳統公司，收到一張支援工單，人類閱讀它、搜尋 context、檢查帳戶、回想政策、撰寫回覆，可能還要問工程部門、可能要升級處理、可能忘了正確標記原因。這是一個以人為核心、周邊點綴著軟體的流程。

在 AI-Native 公司，工單進入一個 Agent 能理解的系統。Agent 閱讀客戶歷史、檢查方案限制、回顧過往工單、諮詢政策、草擬回覆、建議行動，然後直接解決問題，或是將需要人類判斷的部分交給人類，並附上明確的理由。人類不再是搜尋引擎、路由分配器和文案撰寫員，人類是模糊地帶的審核者。

這是一家截然不同的公司。

現在把同樣的邏輯應用到銷售上。舊的方式是 SDR 用 Google 搜尋潛在客戶、猜測如何客製化、寫一封平庸的 email、因為經理催促而更新 Salesforce，然後將半吊子的 context 傳給 AE。AI-Native 的方式是讓 Agent 監控購買訊號、豐富帳戶資料、繪製利害關係人地圖、草擬開發信、學習哪些切入點最有效、自動更新 CRM，並給予人類銷售人員一份準備好的對話內容，而不是一張空白頁。

法律事務也是如此。招募、財務、理賠處理、帳戶管理、研究工作，通通都是如此。

模式在各處重複：Agent 處理結構化的工作，人類處理品味、信任、判斷、關係和例外情況。

這不只是小幅度的生產力提升，這是一種全新的管理模式。

過去一百年來，擴張公司的預設方式是：雇用更多人、建立部門、增加經理、購買軟體，並發明各種流程來協調這些混亂。每一層新的架構解決了一個問題，卻又創造了三個新問題。公司變大了，但也變慢了。更多的會議、更多的交接、更多的「這是誰負責的？」、更多的內部重力。

AI-Native 公司將以不同的方式擴張。

它們看起來不會是那種加裝了聊天機器人的傳統公司。它們看起來會像是由小型團隊操作龐大的專業 Agent 機隊。一家 12 人的公司將能完成過去需要 80 人才能做到的事。一家 40 人的公司將能與 400 人的傳統企業競爭。人均營收將成為衡量一家公司是否真正為新時代而建的最清晰訊號之一。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778547650556-iaHICzGVZWMAE4hHApng.png)

這就是很多人開始防衛心變強的地方。他們聽到「Agent 執行工作」就假設這意味著人類會消失。

重點並非如此。

更好的思考方式是：現代公司一直將人類智慧浪費在機器形狀的任務上。我們利用人類在工具之間傳遞資訊。我們利用人類來記憶流程。我們利用人類來搜尋資料夾。我們利用人類來重寫同一封 email。我們利用人類來追蹤審核進度。我們利用人類來總結通話、填寫欄位、複製資料、分類請求，並詢問其他人某個東西放在哪裡。

很多工作其實並不是真正的「工作」。它們只是穿著偽裝的組織摩擦力。

AI-Native 公司剔除了這些。

它們保留了重要的人類部分，並自動化了那些僅僅因為軟體太笨、無法理解 context 而存在的部分。這意味著人類的角色被賦予了更大的槓桿作用，而不是變得不重要。一位優秀的操作員成為十個工作流程的監督者。一位優秀的銷售人員成為 Agent 協助創造出的對話的終結者（closer）。一位優秀的支援主管成為升級邏輯和客戶體驗品質的設計師。一位優秀的創辦人成為公司思考方式的建築師。

創辦人這一點很重要。

AI-Native 的創辦人不僅是在打造產品，他們是在設計一家能被 Agent 理解的公司。

這意味著創辦人必須將隱性的東西顯性化。我們的退款政策是什麼？我們何時會破例？什麼樣的潛在客戶才算合格？我們對憤怒的客戶使用什麼語氣？什麼絕對不能自動化？哪些行動需要審核？什麼是好的答案？什麼是危險的答案？哪個資料來源是真相來源？當兩個系統意見不一致時我們該怎麼辦？Agent 如何從修正中學習？

這就是那些乏味但關鍵的工作，它將把真正的 AI-Native 公司與 LinkedIn 上的表演區分開來。

每個人都想要魔法，但沒人想清理廚房。

但廚房就是公司本身。

勝出的公司將會以異乎尋常的嚴肅態度去處理那些無聊的基礎工作。他們會清理資料。他們會記錄工作流程。他們會建立 Agent 可讀的 SOP。他們會建立權限管理和稽核軌跡。他們會結構化客戶紀錄，讓 context 不會被困在人類的記憶中。他們會建立評估迴圈，讓 Agent 隨著時間推移變得更好。他們會將每一個重複的決策轉化為決策系統。

然後，一旦作業層級變得乾淨，他們就會以荒謬的速度前進。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778547650588-iaHICzJlMXUAAt0slpng.png)

這就是為什麼「AI-Native」並不是一個技術標籤，而是一個組織標籤。

一家公司可以使用世界上最好的模型，但在結構上仍然無法從中受益。如果 Agent 必須猜測真相在哪裡，如果它無法存取正確的系統，如果沒人定義決策規則，如果每個工作流程都依賴於埋在某人腦中的例外情況，那麼 AI 就永遠只是一個玩具。它會草擬東西、總結東西，讓人們感覺效率變快了，但它不會改變業務本質。

當 Agent 成為作業結構的一部分時，轉型才會發生。

想像一家真正 AI-Native 的居家服務公司。每個進來的請求都會自動分類。每份報價都由結構化的定價規則產生。每位技術人員在抵達前都會收到工作總結。每位客戶都會收到主動更新。每份評論請求都是客製化的。每次錯過的預約都會觸發自動恢復流程。每個營運模式都會回饋到路由、定價和人員配置中。

現在想像一家保險經紀公司。Agent 收集文件、預先檢查提交內容、比較保單、標記缺失細節、草擬客戶說明、準備續保選項，並監控帳戶變更。人類負責建立信任並處理複雜情況，但底層的機器整天都在進行重複性的智慧工作。

現在想像一家招募公司。Agent 搜尋候選人、豐富個人檔案、對照職位要求、草擬開發信、總結面試、檢查推薦人、更新流程管線，並在候選人表現異常優秀時提醒人類。招募人員不再是資料管理員，而是關係的終結者。

這些不是科幻公司，這些是重構了核心的普通企業。

這就是人們低估的機會。顯而易見的 AI 公司已經擠滿了人。水平化的 Copilot、寫作工具、會議機器人、程式碼助手、圖像生成器、客戶支援包裝器。這些是很好的業務，但太顯而易見了。比較不明顯的機會是：鎖定那些乏味、獲利、碎片化的產業，並圍繞著 Agent 重建營運模式。

AI-Native 代理商、AI-Native 經紀公司、AI-Native 法律相關服務、AI-Native 會計師事務所、AI-Native 合規公司、AI-Native 醫療行政公司、AI-Native 房地產營運公司、AI-Native 教育服務、AI-Native 物流協調員、AI-Native BPO（業務流程外包）——但看起來不像傳統 BPO 的那種。

世界上充滿了客戶為結果付費的產業，但供應商的成本結構大多是重複性的知識工作。這正是 AI-Native 公司可以切入的地方。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778547650543-iaHICzMJyXcAAqQ70png.png)

最好的機會起初看起來並不總是像軟體公司。有些看起來像是隱藏著軟體利潤率的服務型企業。這會讓投資人和競爭對手感到困惑，而這正是優勢所在。當其他人都在尋找下一個 SaaS 儀表板時，真正的贏家可能正在悄悄建立 AI-Native 服務公司，以極低的勞動力強度產生更好的結果。

這話聽起來很「Greg」，但我認為下一波網路企業看起來可能不太像「新創公司」，而更像是一台台奇特的小型印鈔機。

小型團隊、利基市場、專有工作流程、高自動化、高信任度、明確的客戶痛點、無聊的類別、漂亮的利潤率。

從外部看一點都不性感。

但在銀行帳戶裡卻極度性感。

而且因為這些公司從第一天起就是以不同的方式建立的，傳統企業將難以複製它們。一家老牌公司無法透過宣佈一項 AI 計畫就變成 AI-Native。這就像試圖透過買一個新方向盤來把郵輪變成快艇一樣。

困難的部分不在於存取模型，每個人都有。

困難的部分在於傳統企業充滿了舊的流程債。他們的資料很亂。他們的政策相互衝突。他們的團隊在保護地盤。他們的工作流程是圍繞著員工人數建立的。他們的軟體堆疊是用膠帶和季度規劃儀式拼湊起來的。他們的作業系統預設人類是資訊的處理者。

一家新公司擁有「沒有舊家具需要搬動」的優勢。

它可以從乾淨的狀態開始。它可以帶著「Agent 能否處理這個流程的第一步？」這個問題來建立每一個流程。它可以從第一天就開始記錄。它可以讓每一個資料物件都變得可用。它可以在錯誤變成災難之前設計人類審核點。它可以在公司僵化之前建立回饋迴圈。

這就是為什麼「只有 1,000 家公司」這個觀點很重要。它創造了急迫感，但也創造了許可。

這個領域之所以是空的，是因為大多數人仍然把「AI 採用」誤認為是「AI 架構」。

他們以為遊戲規則是 Prompt Engineering。並不是。

他們以為遊戲規則是挑選正確的模型。並不是。

他們以為遊戲規則是在網站上加一個聊天機器人。絕對不是。

遊戲規則是重構公司，讓智慧能夠在其中流動。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778547650522-ediaHICzPKBWEAAY4png.png)

這裡有一套實用的操作手冊。

第一，挑選一個具有明確經濟價值的狹窄工作流程。不要從「讓公司 AI-Native」開始，那太抽象了。從支援解決、外撥開發、入職流程、理賠受理、文件審核、續約管理或報告生成開始。選擇一個業務量大、規則明確，且人類目前正在進行過多協調工作的流程。

第二，像設計機器一樣繪製工作流程圖。什麼觸發了它？需要什麼資料？發生了什麼決策？哪些決策是可逆的？哪些需要審核？什麼是成功的樣子？錯誤發生在哪裡？人類知道什麼是系統不知道的？

第三，結構化知識。如果 Agent 需要政策，就寫下政策。如果需要定價規則，就將其明確化。如果需要客戶歷史，就清理客戶物件。如果需要範例，就建立範例。如果需要語氣，就定義語氣。這是大多數團隊放棄的地方，因為這感覺像是在寫文件。這不是文件，這是基礎設施。

第四，將 Agent 放入帶有邊界的流程中。讓它們草擬、分類、建議、豐富資料、總結和準備。只在風險可控的地方賦予它們行動權。在需要判斷的地方要求審核。記錄一切。審核輸出結果。追蹤品質。改進系統。

第五，衡量業務影響。不是在某個虛假的試算表中衡量「節省了多少小時」。衡量解決時間、轉換率、毛利率、人均營收、錯誤率、客戶滿意度、銷售速度、入職時間、續約率。AI-Native 公司應該要在數字上顯現出來。

這是我最感興趣的部分。幾年後，「AI-Native」將不再是一種氛圍，它將會顯現在指標中。

人均營收會看起來不一樣。

毛利率會看起來不一樣。

執行速度會看起來不一樣。

客戶體驗會看起來不一樣。

最好的公司會感覺反應異常靈敏，就像整個業務都是清醒的一樣。客戶會更快得到答案。銷售團隊會以更好的時機進行跟進。營運問題會更早浮現。創辦人會更清晰地看見業務。經理會花更少時間詢問進度，而花更多時間改進系統。

公司將會有更少的阻力。

這才是真正的優勢。

不是把 AI 當成派對戲法，而是將 AI 當成組織的新陳代謝。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778547650534-ediaHICzR5XAAEJCwpng.png)

所以沒錯，目前全球可能只有約 1,000 家真正具有意義營收的 AI-Native 公司。

這應該會讓你想要立即建立一家。

因為當市場吵雜時，人們會以為它已經成熟。但噪音並不等於成熟。噪音通常發生在真正的建設者弄清楚什麼才是重要的時刻之前。

現在，每個人都在對 AI 大聲疾呼。

但很少有公司在結構上為此做好了準備。

這就是差距。

這就是機會。

下一代偉大的公司將是那些資料、工作流程、政策和團隊從內到外圍繞著 Agent 重建的公司。它們看起來會比實際規模更小。它們的行動速度會快到不合常理。它們會用更少的員工做更有價值的工作。它們會將混亂的服務轉化為可擴展的系統。它們會讓傳統企業看起來就像是在用著漂亮的登入介面跑 Windows 95。

大多數人還在問：「我該如何在工作中運用 AI？」

更好的問題是：「我該如何建立一家 AI 可以在其中運作的公司？」

那個問題就是入口。

而現在，幾乎沒人走進去過。

儘管你讀到了什麼，這個領域依然是空的。也許考慮和朋友分享這篇文章。

我支持你。

- Greg Isenberg

註：我們因為業務繁忙，很少提到這點，但我的公司 LCA 在協助企業轉型為 AI-Native 方面是世界級的。因為他們的工作做得非常好。我們與財富 500 強企業以及你喜愛的品牌合作，共同打造 AI-Native 產品和 AI-Native 組織。

如果你的公司想要轉型為 AI-Native，請考慮聯繫他們。

如果你正在尋找新創點子，可以考慮在 Ideabrowser.com 獲取一些可以用 AI 建立的驗證過點子。

## 標籤

產業趨勢, 其他, ChatGPT