当创造的速度超过判断的速度,创新就可能变成混乱。
最近,YC邀请了Grok Bot的两位核心成员Lauren Tan和Roman Ugarte,讨论个人智能体(personal agent)正在如何变成真正的AI同事。
他们只用了7周,就把Grok Bot从第一行代码推进到发布。Lauren借助agent,一个月能提交约4000个代码合并请求。
但最荒诞的事情发生了:功能还没决定要不要做,代码已经写好了。很多功能明明做出来了,公司却坚持不发布。
为什么AI让企业的执行能力越来越强,创造的价值却不一定增加?为什么agent越来越聪明,企业反而可能越来越难管理?
我们就从Grok Bot的实践中,讲透AI时代的三种隐形稀缺,以及未来企业真正的竞争壁垒。
工作的基本单位,正在从对话变成agent
先看一个关键变化。
Grok Bot不是把聊天机器人做得更聪明,而是把工作的基本单位从对话变成了agent。每个agent都可以拥有独立身份、工具、技能和持续执行的目标。
营销agent拥有广告账号和预算,可以调用设计agent测试素材;客服agent可以持续处理问题、复现故障;工程agent甚至可以调用云端编程agent,独立开发、运行和测试程序。
这不是简单的效率提升,而是工作责任开始从人延伸到机器。
过去,企业扩大能力主要依靠增加岗位;未来,一部分能力可以直接通过配置agent获得。
更重要的是,agent不必按照传统岗位划分。它可以负责一个专业领域,也可以负责某个客户,甚至横跨多个部门。岗位不再是组织工作的唯一方式。
这对小企业尤其重要。过去雇不起专业团队,很多业务就无法开展;现在,一部分专业能力可以通过agent获得。
xAI改变的不只是企业的效率上限,还有企业的能力边界。
但执行能力越强,一个新的矛盾就越明显。
第一种稀缺:目标稀缺
Grok Bot团队已经发现,工程开发不再总是最慢的环节,真正的瓶颈开始转向产品方向和团队共识。
为什么?
过去,执行成本本身就是一道筛选机制。一个想法即使不错,没有预算、没有工程师,也可能无法实现。
现在,AI正在拆掉这道门槛。好想法被实现,坏想法也被实现。创造门槛下降,选择成本上升。
过去,企业因为做不到,放弃大量想法;未来,企业必须主动放弃那些做得到、却不值得做的事情。
这里有一个非常重要的变化:开发能力可以通过agent扩张,产品方向却不会自动变得清晰。
一家公司可以同时生成100个功能,未必知道哪一个真正改变用户体验。产能越充裕,选择越昂贵。
这也是为什么Grok Bot团队没有把已经开发完成的功能全部发布。因为把所有人的局部想法拼起来,可能只会造出一个“功能怪物”。
一个功能的完成,是工程成果;一个功能的存在,才是产品判断。
更危险的是,当执行速度提高,错误目标的破坏力也会被同步放大。
过去,一个错误决策可能被漫长的开发周期拖住;未来,100个agent可以同时把它执行完成。AI不会自动纠正错误的目标,只会赋予错误更强的执行力。
所以,企业未来最危险的失败,可能从执行失败转向目标定义失败。
真正成熟的agent管理,不只是分配任务,而是提前定义成功条件、停止条件和责任边界。否则,所谓的自动化,只是在用更低的成本制造更多错误的结果。
但目标正确,结果就一定可靠吗?
不一定。
美股投资网认为,企业未来最危险的失败,可能从执行失败转向目标定义失败。真正成熟的agent管理,不只是分配任务,而是提前定义成功条件、停止条件和责任边界。否则,所谓的自动化,只是在用更低的成本制造更多错误的结果。
第二种稀缺:验证稀缺
Lauren在访谈中提出两个很重要的概念:内循环和外循环。
内循环,是agent写代码、运行程序、发现问题、修正问题。
外循环,是agent从客户反馈、团队讨论和系统告警中发现任务,再驱动整个工作系统持续运行。
这里的核心,不是AI能不能写代码,而是AI能不能检查自己的工作。
如果每次都需要人来检查,人只是从执行者变成了验收员。AI产能越大,人工验收的瓶颈越严重。
不会自我验证的agent,只是一个更快的执行器。
但真正反常识的还在后面:验证并不是越多越好。
访谈中有人提到,自己的AI代码审查流程需要消耗数千万token。Lauren却提出,过度审查可能造成过拟合。
为什么?
因为agent很擅长寻找局部缺陷,却未必理解整个产品的方向。一个两个月后就要废弃的功能,审查agent却可能反复优化,试图修到完美。
技术正确不等于商业正确,消灭错误也不等于创造价值。
所以,验证真正重要的,不是发现多少错误,而是能够判断什么错误值得解决。
那么,怎样既保证质量,又避免无休止的检查?
Lauren给出了一个很有价值的答案:代码库本身就是一种记忆。
已经验证过的工程原则,不应该每次都让agent重新推理。能写进架构的就写进架构,能变成静态检查的就变成规则,能自动测试的就不再反复消耗token讨论。
Lauren还把自己长期积累的工程方法整理成一套叫作Pstack的技能集,让agent按照经过验证的方法持续完成工程工作。
你看,这里的变化已经不只是让AI记住更多信息,而是让一次判断变成长期约束,让个人经验变成系统能力。
最昂贵的agent,不一定是使用最贵模型的agent,而是那个需要你反复教育的agent。
真正有效的记忆,不是保存过去的对话,而是改变未来的行为。
这意味着,未来agent的竞争,不只是模型有多聪明,还包括一家公司能不能把经验持续沉淀成不会重复犯错的系统。
但这也揭示了一个更大的难题:为什么AI编程能够比很多其他业务更早实现自动化?
因为代码有编译器、有测试,有相对明确的运行结果。
但营销、销售和经营呢?
一个方案看起来完美,不代表客户愿意付款;一份报告逻辑完整,不代表结论值得执行。任务完成,不等于价值实现。
更麻烦的是,企业的大量知识还留在员工的经验、会议和文档里。agent可能拥有强大的推理能力,却拿不到正确的业务上下文。
所以,未来企业AI落地真正困难的,不只是连接多少工具,而是把隐性经验变成可调用的知识,把模糊结果变成可验证的标准。
工具可以购买,模型可以更换,但一家公司长期积累的业务规则、反馈机制和质量标准,没那么容易复制。
当智能越来越容易获得,如何沉淀智能,反而成为新的竞争优势。
工具可以购买,模型可以更换,但一家公司长期积累的业务规则、反馈机制和质量标准,没那么容易复制。美股投资网认为,当智能越来越容易获得,如何沉淀智能,反而成为新的竞争优势。
不过,即使每个agent都能独立完成任务,也不意味着100个agent就能组成高效公司。
这就引出了第三种稀缺。
第三种稀缺:协调稀缺
访谈中,YC提出一个非常值得关注的概念:“万物工厂”,Everything Factory。
过去,软件工厂让agent持续生产代码;现在,这种模式正在扩展到销售、营销、客服和运营。
更关键的变化是共享agent。
一个销售专家,可以把自己的经验、流程和标准封装成团队bot,整个部门都能使用,并且持续改进。
这意味着,企业的经验正在从个人能力变成组织资产。
过去,培养一个专业员工需要长期积累;未来,一部分经过验证的专业方法,可以直接成为其他agent的默认能力。
这不是简单复制劳动,而是在尝试复制组织经验。
但agent数量越多,一个新问题就越明显:个体智能不等于组织智能。
Grok Bot团队发现,当多个agent进入Slack协作,它们竟然不知道应该听谁的。
它们能理解任务,却不一定理解组织权力,分不清谁是专家、谁拥有决策权、谁只是提出建议。
还有一个细节:Lauren曾经批评过一个负责管理其他agent的主管bot。之后,Lauren发现,这个主管bot正在向下属agent传达批评和纠正意见。
AI可以模仿管理行为,却未必真正理解管理责任。
这里隐藏着一个新的组织风险:100个聪明的agent,不一定比一个聪明的agent更有效。如果缺少统一目标、权限边界和协作规则,它们可能只是把组织混乱放大100倍。
过去,管理者主要协调人与人;未来,还要协调人与AI,以及AI与AI。
所以,agent越自主,企业越需要重新设计授权机制。
Grok Bot团队采用了类似培养新员工的方式:先给只读权限,再逐步允许执行操作,通过验证之后,才扩大自主范围。
因为执行权可以交给AI,最终责任却不能自动消失。
更深一层看,未来企业管理的核心,不只是分配岗位,而是定义目标、权限、协作和责任之间的关系。
这也是为什么Grok Bot特别强调,让agent进入Slack、会议和日常工作工具。
真正的AI同事,不应该要求所有人把工作搬进新的聊天窗口,它应该进入工作发生的地方。因为上下文在哪里,协作就应该在哪里。
当优秀agent的工作方式可以被整个团队看见,个人的工作技巧才有机会变成组织的共同能力。
过去,企业通过组织人才扩大能力;未来,还可以通过组织智能扩大能力。
执行越来越容易,判断反而越来越贵
现在,把这三种稀缺放在一起,你会发现,它们不是三个孤立的问题,而是一套完整的AI原生企业运行系统。
目标决定什么值得做,验证决定结果是否有效,协调决定能力能否持续放大。
目标错了,验证可能只是证明错误执行得很准确;验证缺失,agent协作越高效,问题扩散越快;协调失效,即使每个agent都很优秀,整个组织仍然可能创造不出价值。
所以,真正的AI原生企业,不是简单把传统公司的每个岗位都替换成一个bot,而是重新设计工作如何定义、结果如何验证、责任如何分配。
过去,这些能力大量隐藏在人的经验、组织流程和管理层级里;未来,它们需要逐渐变成机器可执行、结果可验证、责任可追溯的系统。
这三种稀缺,其实也不是AI凭空创造的。它们原本就存在,只不过过去企业大量资源被执行过程消耗,这些问题被掩盖了。
现在,AI拆掉了执行瓶颈,隐藏在背后的目标瓶颈、验证瓶颈、协调瓶颈,才开始集中暴露。
真正发生的,不只是生产力革命,而是企业核心瓶颈的迁移。
这也解释了,为什么Lauren每个月能提交约4000个代码合并请求,却反而把更多精力放在产品体验、质量规则和功能取舍上。
因为真正需要解决的,已经不完全是如何写出更多代码,而是如何设计一套持续产生好代码的系统。
过去,优秀的工程师亲自写出好代码;未来,更高级的能力,是让整个系统持续产出好代码。
过去,优秀的管理者协调一群人完成工作;未来,更重要的能力,是让人和agent组成能够持续创造价值的组织。
现在,再回头看开头那句话:
当创造的速度超过判断的速度,创新就可能变成混乱。
它揭示的,不是创造速度太快本身有问题,而是企业的目标、验证和协调能力,没有跟上创造能力的扩张。
当执行越来越充裕,决定企业上限的资源,就开始向这些隐藏的环节迁移。
未来企业真正的竞争,不一定是谁能部署最多agent,或者生成最多代码,而是谁能建立一套系统,让更多智能围绕正确目标,持续创造可验证的价值。
因为执行能力决定一家企业能做多少事情,而目标、验证和协调,决定这些事情最终有多少价值。
美股投资网认为,未来最强大的公司,未必是拥有最多AI员工的公司,而是那些最先发现:当所有事情都越来越容易完成,真正决定未来的,是你能不能看清什么事情值得完成。
在这里,看懂创新。












