小团队如何建立AI native 公司？我的9点建议
733过去2年，我们一直在使用大量的 AI 工具制作工作流。
但今年，随着 AI 的能力进一步延伸到具体事务，并且 AI 编程进一步下放到普通人之后，我意识到组织的价值其实更大。
以下是我的关于建立AI native公司（或者叫做AI原生公司、AI first公司）一些实操和感受和分享。
一、AI工具其实越少越好
飞书+codex+workbuddy+openrounter，这就是我们团队的AI最简配置。
数据沉淀：飞书。但每个人必须开通飞书 CLI，这样 AI 能自由读取飞书的文档和表格。
编程和 AI 工具：Codex一个就够了，每人开 100 美元的套餐，不够再开 200 美元。
中文内容写作：workbuddy。因为 DeepSeek 和 Kimi 在中文内容上确实不错，而 workbuddy 的好处是可以自由切换模型。
如果你有批量调用 AI 的需求，再加一个 Open Router 的 API。可以自由切换各种模型去批量化生产内容、审核内容，举例子来说，用GPTimage-2的模型来做图，用Gemini模型来检查图片效果，作为质检环节。
而且还要思考能不能减少工具或者减少动作，因为越少的工具，越熟练，习惯越好。
比如以前开会我们用飞书，但飞书不支持自动会议总结，我们就再开个豆包在旁边记录。
但是后来飞书支持了，会议结束自动生成。
二、工作流必须全部重新设计
我们现在习惯把工作流称为Skill工作流。
在团队内，为了更好地理解Skill，我一般让大家把skill理解成一份好的 SOP 文档。
问题是，AI 出现之前 SOP 文档就存在了，但大多数公司是什么情况？要么没人做 SOP，要么做了没人执行，要么执行了没人更新。
所以一个好 SOP 必须符合两个标准：有人更新，且有人按它执行。
缺一不可。
回到 Skills 改造工作流的问题，最重要的一点：工作流要全部重新设计。
不是在一个节点里塞进一个 AI 就完事了，而是重头设计彻底重构。
如果你只是在工作的某个环节加一个 AI 节点，然后把它打包成一个 Skill，它大概率不会被更新。
人用一下觉得麻烦、没意义，就不用了；或者觉得还不如自己点两下搞定，AI 做还会犯错——做了 5 分钟，发现问题再改 10 分钟，我自己做 5 分钟就行了。
这就是工作流里加入 AI 最大的问题。
怎么解决？
让这条流程离开 AI 就彻底没法做。
举例子。
主管跟我说，把每周排班表交给助理做。
我说很好，但你必须这样设计：
把每个人员的特点、需求，以及排班的过往经验写成一个文档。 让助理把文档丢到 workbuddy 里生成排班表。 最后生成一个 HTML，截图发群里。
核心点来了：必须强制助理用这个 Skills 工作流来生成排班表。 不能说为了简单，把上次的复制一下随便改改。只有让这个节点缺了 AI 就没法做，大家才会去推行、去迭代。
三、为什么用 Codex？
用 Codex 一个人一个月可能花 100 到 200 美元。
但换个角度算：
做一个 Skill，用 Codex 可能 5 分钟就搞定了——甚至不用 5 分钟。因为 Codex 可以自己运行 1 到 2 个小时，你只需要下命令、做检查。
用差的模型，我们需要亲自要跟它来来回回折腾半小时。
5 分钟和半小时，差的这 25 分钟也是成本？
时间成本是最容易被忽略的成本，因为是隐形的。
还有第二点更重要。
新人用 AI，结果发现 AI 这么笨，一个事情都做不好，他就会抵触。
从更大层面讲，影响了整个公司的 AI 化改革。
另一层的隐性成本——对氛围的影响。
我们很容易习惯只看到明面上的钱，看不到后面的东西。
所以团队付费飞书的账号，从长远来看，也是性价比很高的事情，虽然我也纠结了很久。
四、方法的方法
要建立"方法的方法"这个概念。
什么意思？
比如让 AI 做一张电商主图，得先回答：好的电商主图标准是什么？
AI 可能找出一堆标准，但标准从哪来？
再具体一点。
我们用 AI 分析 Shopee 上的广告，AI 可能找一堆资料告诉你该怎么改。
但平台的算法经常变化。AI 找的资料是从平台官方来的，还是第三方博主来的？第三方博主的信息有新有旧，侧重点不同，有的优质，有的就是 AI 拼凑的。
所以用 AI 调整广告之前，前面必须先回答：标准是什么？
如果是采纳别人的标准，来源可靠吗？和当下的阶段匹配吗？
产品在什么阶段？新品期还是老品期？广告策略可能完全不同。
目的是什么？推销售额还是拉 ROI？
目标不同，策略就完全不同。
这叫方法的方法——做事之前，先搞清楚思路。 思路搞不清楚，一切都只是在错误的路上狂奔。
五、做 Skills 的标准流程
做一个 Skills，标准流程应该是：
有没有现成的 Skills 可以直接用？ 如果没有，有没有现成的开源工具可以打包成 Skills？ 如果上面的都没有，或者现有工具只满足一半——能不能在它的基础上改？ 如果这些都实现不了，动手之前先确定方法论，再来做 Skills。
这跟上一条是挂钩的：找方法论的时候，先判断它是不是你想要的、你需要的，而不是一个过时的方法论。
很多方法论可能正好相反，这个时候就需要个人的判断力。
六、AI Native 公司的五层结构
建立 AI native 公司，不是给每个人买一个 AI 工具，而是把公司的数据、工具、流程、SOP、管理方式，全部改造成 AI 可以参与执行的系统。
第一层：数据层。 把数据沉淀到云端，让 AI 能读到上下文。
第二层：工具层。 减少前台工具入口，但增加后台 API/MCP 连接。
第三层：流程层。 把高频重复工作改造成 AI-first 工作流。
第四层：Skill/SOP 层。 把每个工作流沉淀成 Skill，明确 owner、输入、输出、检查标准和更新机制，同时注意一定要有质检或者评估的环节。
第五层：管理层。 默认先系统扩容，再考虑加人。
真正的 AI native 不是某个员工会用 AI，而是公司里的流程离开 AI 会明显变慢、变贵、变得不可复制。
七、核心：培养 AI 习惯
语音输入，这就是个小事。
但是要鼓励大家使用。
手机端用豆包输入法，电脑端也可以用豆包，typeless、闪电说等等。
这张图是我用hermes每天帮我看下我的一个免费的知识星球是否有人打广告，有的话自动踢出去并拉黑。
再举个例子。
以前我们每天要统计社媒数据和电商的订单数据，那就想：能不能用 API 拉？
如果没有API，我能不能用AI的浏览器能力，直接从浏览器层面去获取数据？或者rpa？
即使是发布这么个简单的动作，也得想，能不能每周自动统计、自动发，而不是让人来发？
还有一个核心：要鼓励大家用各种AI工具来代替现有的工具。
比如现在我就反对大家用canva、稿定设计这类工具，必须用api直接做图或者至少用lovart这类工具。
因为这是思路的转变。
如果还在用 Canva 这类工具，我们就习惯于拖拖拽拽，拉一拉，调一调，陷入到很多价值不大的小细节上面。
但如果是用绘图 API 或者 Lovart 这类工具，那就要求你必须把提示词沉淀下来，才能做到高效的创作。
新的工具使用过程中会出现很多问题，甚至一开始非常影响效率，但这恰恰是在培养我们的习惯。
就像我以前说的，要习惯"万事问 AI"，而不是万事都自己先动手。
理论上 AI 比我聪明 10 倍，而且它会越来越聪明。
去折腾、去提问、去调试、去尝试——也许当下没有直接产出，但你能得到最有价值的东西：AI 习惯。
这是一个不容易被意识到，但价值极大、复利极大的东西。
八、许多工作流80-90 分就够了
我一直在尝试用 AI 更高效地做内容，把这过程分为：找选题、分析选题、内容创作、个性化改写、排版检测优化、发布、反馈搜集。
但在做排版优化的时候，如果你试图穷尽 AI 常见的句式问题并加以限制，会发现：不可能穷尽这些问题。
然后我意识到：
第一、穷尽没有意义。
AI 在不停进化，今天写下的限制，明天可能就成了新 AI 的负担。
所以很多人习惯给 Claude.md 写大量的规则，其实这是很不利的。
当然，如果你是在具体工作流下这么做没问题，但如果是在全局下面，那就不是一件很好的事情。
第二、内容的本质不同于程序。内容永远无法做到绝对精密。追求 100% 的精密和自动化，这条路一定会碰壁。
我们用 AI 做出 80-90 分就够了，而且这几乎就是极限。 再往上追求，投入产出比会非常低。
这是一个很重要的领悟，只有亲自上手做，才能悟出来。
九、AI是0，人的判断和精力才是1
最后我想从两个点来讲，作为九点的分享。
第一个就是有了AI，我们可以同时开10个窗口，做10个任务，跑10个项目。
无形中，这就像是一种虚荣感，就好像是我拥有了10个员工、100个员工在帮我做事情。但问题是，他们可能是在错误的方向上做。
所以我想表达的是说我们的判断力实际上是一，AI是后面的零。
只有我们给好的判断、好的方向。把握好这个点，然后在这个基础上，AI进行干活，我们最终产出的东西才是我们想要的。
因为所有东西最终都要拿到市场上去检验，市场是非常残酷的，如果不是一个好东西，那大概率只会被残酷的淘汰掉。
第二个是要保护好自己的精力。
因为我们可以同时做10个项目，所以我们分配到每个项目上的精力实际上都变少了。
那我们的判断力实际上也会下降，所以我们的产品能够更好地吸引别人吗？
这也许比没有AI之后效果还变得更差了。
因为我们可能是在批量的产出50分、60分的东西，但市场不需要50分、60分的东西，因为这些东西都已经有了，市场需要的是80分、90分的东西。
所以只有把精力保护好，放在最值得投入的事情上面，再加上AI的执行力，那么我们才能做到用更少的时间、更少的成本创造出90分的东西。
