背景：对六个月前那次分享的复盘
去年 9 月，我在 42章经聊过 AI Native 公司如何重构工作流、人才和组织。六个月后再看，AI 对工程团队、产品角色和端到端 ownership 的影响，比当时讲得还要快。这篇文章不是重新讲一遍，而是复盘当时的判断：哪些被验证，哪些需要修正，哪些可以继续向前预测。
它不是工具清单，而是重新看几个默认假设：谁是执行者，人的价值在哪里，公司如何围绕结果运转。
过去半年最明显的变化是，很多当时听起来激进的判断，正在变成新的常识。真正需要更新的不是方向，而是力度：AI Native 组织要比当时想象得更彻底。
Part 1 — 工作流：从 AI 提效，到 AI 自循环
去年我用 code review 举例：Google 一次 review 可能一两天，我们用 AI review 压到 10 分钟。今天看，10 分钟也不够新了。在 Clockless，我更倾向于直接取消 code review，让 AI 写代码、merge、线上发现问题、自动修复。
这背后的变化是：AI 不只是把旧流程做快，而是让一些旧流程失去存在理由。很多流程原本是为人类协作、等待和责任交接设计的；一旦系统能自动观察和修正，这些环节就应该被重新审视。
所以工作流的核心问题，不再是“AI 能不能帮人提效”，而是“这个流程还需不需要人作为默认节点”。只要人仍然是默认节点，等待、沟通、review 和决策就会重新变成瓶颈。
六个月后的变化不是把流程做得更快，而是开始取消那些只为人类协作存在的流程。
1. 从默认让 AI 承担所有工作，到让 AI 100% 承担研发
“默认让 AI 承担研发工作”去年还显激进，今天已经接近 common sense。真正的问题不是 AI 能不能做，而是流程是不是还围绕人设计。
这条判断要再往前推一步：研发目标不应只是 AI first，而应直接追求 100% AI 研发。人的位置上移到环境和 harness：定义目标、提供 context、设计反馈、设置评估和安全边界。
这也呼应了 Claude Code 创始人最近的判断：编程这件事在很大程度上已经被 AI 解决了。公司真正要解决的，不再是“AI 会不会写代码”，而是需求、环境、测试、部署和监控能不能被组织成一个 AI 可以自己推进的系统。
这不是说人不重要，而是人的位置要从流程执行者变成系统设计者。人负责让 AI 能自动执行、自动观察、自动修正，并把真正需要人类判断的部分暴露出来。
所以“100% AI 研发”不是一句口号，而是一个组织设计目标：尽量让默认路径由 AI 完成，把人类判断留给目标、边界和例外。
这也是很多公司 AI 转型卡住的原因：单个员工用了 AI 之后确实更快，但组织流程还是围绕人搭的。AI 被塞进旧流程，只能带来局部提效，不能带来组织级提效。
2. 从自己用 Claude Code，到让 Agent 用 Claude Code
Claude Code 把 AI coding 从 IDE 补全推进到 coding agent。去年“有 SOP 就能交给 Claude Code”被充分验证，但下一步不是人更会用 Claude Code，而是 Agent 会用 Claude Code。
因此重点也从定义 SOP 转向定义目标和问题。Agent 做长任务时，不一定需要固定步骤，更需要清楚最终目标、约束和评估标准。
SOP 仍然有价值，但更适合人直接操作 Agent 的阶段。到了 Agent 调度 Agent 的阶段，过细的 SOP 可能限制探索空间；更好的方式是定义问题、边界和验收标准。
换句话说，Claude Code 不是终点，而是底层能力。更上层的系统应该能调度它、分解任务、观察结果，再决定下一步怎么做。
这也会改变 harness engineer 的工作：不是写一套死流程让 Agent 照做，而是设计一个环境，让 Agent 能在开放空间里尝试、比较、回滚和继续迭代。
3. 从减少人与人沟通，到减少人和 Agent 沟通
人和人的沟通，是 AI Native workflow 里吞吐量最低、信息损失最大的环节。新的变化是，人和 Agent 的沟通也会成为瓶颈。
更高效的方式是人只给方向，让 Agent 自动拿信息、补 context、推进任务。Agent 之间也不一定用 chat；在我的系统里，文件系统比对话更适合承载它们之间的信息交换。
所以工作流的结论很明确：人在流程里的参与要继续降低，信息要尽量流到 Agent 能直接读取和处理的地方。
越接近 AI-only 的系统，整体效率越高。人应该更多定义方向和边界，而不是不断进入流程中做中间沟通。
Part 2 — 人才：比工程能力更重要的三种能力
去年我总结过三种 AI Native 时代最重要的人：context provider、fast learner、hands-on builder。执行越交给 AI，这三种能力就越重要。
原因很简单：当具体执行越来越便宜，人真正稀缺的就不是某个技能，而是能不能给 AI 提供正确 context、理解能力边界，并最终对结果负责。
1. Context provider：人给 AI 提效
不是 AI 给人体效，而是人给 AI 提效。
AI 不再只是工具，而更像同事，甚至是生产工作的主要组成部分。人的关键作用，是把真实世界里的约束、经验和判断持续给到 AI。
客户脾气、行业惯例、团队暗规则、长期积累的手感，这些 context 很难一次 prompt 讲清楚，却往往决定 AI 最终能不能把事做对。
所以 context provider 不是写更漂亮的 prompt，而是把真实世界持续接进 AI 工作流。Agent 做得越多，这个角色越关键。
未来人的价值，很大一部分来自真实世界的接触面。谁更接近客户、行业和现场，谁就更能给 AI 提供高质量 context。
2. Fast learner：围绕问题学习，而不是追每个新工具
Fast learner 不是学得比模型强，而是快速掌握最小必要知识，能和 AI 一起工作。真正要学的是 AI 的能力边界，以及这些能力对问题有什么帮助。
所以学习必须围绕问题，而不是追每个新工具。先搞清楚“我到底要解决什么问题”，否则你学得再快，也不可能比 AI 本身发展得更快。
换句话说，学习对象不是工具列表，而是能力边界：AI 能做什么、不能做什么、在什么条件下能做好。
这也意味着 fast learner 不能被新工具牵着走。主线必须是问题，工具只是不断变化的手段。
3. Hands-on builder：对最终结果负责
Hands-on builder 是对最终结果负责。PRD、Figma、技术方案仍然可能有用，但中间产物的独立价值在下降，价值越来越依附于最终产品。
当 AI 降低实现门槛，职位边界会自然模糊。谁最理解问题、能调动 AI、能 build 出解决方案，谁的价值就最直接。
这也是为什么很多非传统科技背景的人，反而能做出好的 AI 产品：他们未必最懂技术，但最懂具体业务。
过去中间产物之所以重要，是因为实现成本高，需要先反复对齐。现在 build 成本下降，直接做出可验证的东西，往往比继续产出中间文档更有价值。
Part 3 — 组织：从流程分工到结果负责
组织是最重要的部分。个人用 AI 写文档、写代码可以快很多，但如果下一个环节仍然等两天 review，公司整体效率并不会同步提高。
所以 AI 转型最大的难点，往往不是个人会不会用工具，而是组织有没有勇气重写分工、激励和协作方式。否则个人效率越高，组织瓶颈反而越明显。
个体效率提升，不会自动变成公司效率提升；真正的变化必须发生在组织层面。
1. 按结果分工，而不是按流程分工
传统组织按流程分工：PM、设计、前端、后端、QA 层层 handover。AI Native 时代流程会频繁变化，甚至不该固定。
更好的方式是按结果分工。每个人或小团队直接对最终结果负责，谁写代码、谁设计、谁见客户，都可以随任务动态变化。
这也是为什么前后端、设计、PM、工程师的边界都会变模糊。人仍然可以有侧重，但不应该被传统职位锁住。
真正需要固定下来的不是流程，而是目标和责任。流程应该服务结果，而不是反过来让结果服从流程。
流程分工适合稳定流水线，但 AI Native 的工作更像动态问题求解。组织越能围绕结果重新组合人和 Agent，越能释放 AI 的效率。
2. 每个人都要接触客户和问题现场
去年我说工程团队也要谈客户。今天我会说得更宽：每个人都应该尽量接触客户和问题现场。
Build 成本越来越低，真正稀缺的是“到底应该做什么”。代码越来越便宜，定义问题就越来越贵。
客户每天被问题影响，往往最理解问题。公司内部的人如果只看流程和汇报链条，反而容易失真。
在大公司里，一个工程师可能多年也见不到几次客户；创业之后，直接见客户会把反馈链条压缩得非常短。这种一手 context 会越来越值钱。
3. 小型合伙人核心，加上外部合同工网络
OPC 不一定真的只有一个人，它更像小型合伙人核心：核心成员都像 partner 或 co-founder，和公司结果深度绑定。
AI 承担大量默认工作后，传统雇佣制会弱化。真正高价值的人，要么成为合伙人，要么把稀缺判断和 context 卖给多个公司，成为高价值合同工。
这不代表协作减少，而是协作从公司内部转向公司外部。核心团队用 AI 放大自己，再通过合同工、顾问和合作伙伴补足局部 context、行业经验和专业判断。
所以未来公司会更小、更高杠杆、更依赖外部网络。模型和工具会扩散，但能不能把人、Agent、客户 context 和外部网络组织成高效系统，会决定公司最终能跑多快。
这也是 Clockless 的判断：未来会出现大量几个人的小型公司，它们需要用 AI 和 Agent 放大核心能力。帮助这些公司建立 AI Native 工作方式，会是越来越清晰的需求。
总结：判断被验证，预测要更激进
总结来看，六个月前的判断大方向没变，但力度要加大：工作流更 AI-only，人才更围绕 context 和结果，组织更小、更开放、更按结果负责。
真正的变化不是每个人多用了几个 AI 工具，而是公司把自己重构成一个 AI 能高效工作的系统。谁能更早完成这种重构，谁就会获得组织层面的优势。
这也是“组织能力是壁垒”的真正含义：模型和工具会扩散，但把人、Agent、客户 context 和外部网络组织成系统的能力，不会自动扩散。