12 · AI 原生速度背后的组织架构数学

Source: Tomasz Tunguz (tomtunguz.com) 作者 / Author: Tomasz Tunguz 发布日期: 2026-03-10　|　抓取日期: 2026-06-19 主题: self-evolving-company

一句话

用 Metcalfe 通信税公式给「AI-native 小团队为何能碾压大公司」算出了一个精确的数学底座——剑桥图灵子可接着推导临界规模方程，把软论点变成硬决策矩阵。

核心论点（英中对照）

• EN: AI-enabled developers achieve ~30x productivity vs. traditional engineers (Boris Cherny: 20-30 PRs/day vs. 3 PRs/week).

• 中: AI 赋能工程师的产出约是传统工程师的 30 倍（Cherny：每天 20-30 个 PR，传统工程师每周仅 3 个）。

• EN: The productivity gap comes from organizational structure—fewer people means exponentially fewer communication channels—not superior talent.

• 中: 生产力鸿沟源于组织结构，而非个人天赋——人少则通信信道呈指数级减少。

• EN: A 150-person traditional org has 11,175 communication channels; a 30-person AI-native equivalent has only 435—a 96% reduction.

• 中: 150 人传统组织有 11,175 条通信信道；等效的 30 人 AI 原生团队只有 435 条，减少 96%。

• EN: Anthropic generates ~$5M revenue per employee; Cursor ~$3.3M; traditional SaaS benchmarks $200-300k.

• 中: Anthropic 人均营收约 500 万美元；Cursor 约 330 万美元；传统 SaaS 行业基准仅 20-30 万美元。

• EN: Human oversight—not technical execution—becomes the primary constraint in AI-native R&D.

• 中: AI 原生 R&D 中，人类监督而非技术执行成为主要瓶颈。

• EN: Metcalfe's Law makes every new hire a tax: each additional person creates n-1 new communication connections, compounding overhead nonlinearly.

• 中: Metcalfe 定律使每次招聘都是一次征税：每增加一人就新增 n-1 条连接，协调成本非线性叠加。

• EN: Cherny runs five parallel AI instances across separate branches simultaneously—this is the new unit of engineering leverage.

• 中: Cherny 同时在五个独立分支上并行运行 AI 实例——这是新一代工程杠杆的基本单位。

精译（高信息量段落）

通信税公式

原文核心逻辑：每加一个人，通信信道数 = n(n-1)/2。150 人组织 → 11,175 条信道；30 人 AI 团队 → 435 条信道，削减 96%。

这不是比喻，是精确的组合数学。传统规模化逻辑（多雇人 = 多产出）在非线性通信成本面前失效：当人数翻三倍，协调摩擦增长约九倍。AI-native 组织通过把人数压缩到 1/5，把协调损耗压缩到 1/25，净效能远超五倍人力的简单叠加。

Boris Cherny 案例

"Since last November, 100% of my code has been written by Claude Code. I have not manually edited a single line, shipping 10 to 30 PRs per day."

Cherny 的案例揭示了一个新的生产函数：工程师的角色从「写代码」转向「并行管理多个 AI agent」——五个实例、五条分支、同步推进。人均产出不再由打字速度或记忆力决定，而由「能监督多少并行 agent」决定。这是认知带宽的货币化。

人均营收基准跃迁

这一跃迁不是行业特殊性，而是组织架构差异的财务映射。当通信税趋近于零，边际产出接近于人数的线性增长——而非亚线性衰减。

金句（可直接做短视频字幕/标题）

• "Since last November, 100% of my code has been written by Claude Code. I have not manually edited a single line." —— 「去年 11 月至今，我的代码 100% 由 Claude Code 编写，我一行都没有手改过。」

• "He's 30x more productive than traditional developers." —— 「他的产出是传统工程师的 30 倍。」

• 150 人 → 11,175 条信道；30 人 → 435 条。AI 时代，「少雇人」是竞争优势，不是节约成本。

• 人均 $5M vs 人均 $30万：不是赛道差异，是组织架构差异。

• 每次招聘都是一次通信税征收——AI 让你有权拒绝交这笔税。

剑桥图灵子的加工角度

反共识 / 框架：量化宏观透镜

原文只给了 Metcalfe 通信税公式的截面数据。图灵子可以把两个框架合并，推导出一个可操作的最优规模方程：

推导最优规模方程（概念版）：

设人类节点数为 n，AI agent 数为 k，单位产出为 f(n,k)：

f(n,k) = α·(n + β·k) / [C(n) + γ]
       = α·(n + β·k) / [n(n-1)/2 + γ]

其中 α 是个人基准产出，β 是 AI 杠杆率（Cherny 案例 β ≈ 30），γ 是固定协调基础成本。

对 n 求导令其为零，可得最优 n* ≈ √(2βk + γ)。

图灵子 ~10 人团队的实证标定：

若取 β=10（保守，非 Cherny 极值），k=5（每人管 5 个 agent），γ=2：

n ≈ √(2×10×5 + 2) ≈ √102 ≈ 10 人*

这与图灵子实际规模高度吻合——这不是巧合，而是说明当前规模已接近 AI-native 阶段的效能峰值点。

「AI 时代组织扩张的临界点」决策矩阵：

我的判断

原文把 AI-native 优势归结为「通信税减少」，但漏掉了一个更深层的机制：AI agent 使「决策颗粒度」与「执行颗粒度」解耦。

传统组织中，决策必须打包成足够大的任务块才值得分配给人（因为任务切换成本高）；这导致决策粗粒度化，大量信息在打包过程中损耗。AI 的「零切换成本」使你可以以极细颗粒度（单个函数、单条文案）做决策，同时保持高并行度。这不只是速度问题——这是决策信息熵的本质压缩。

用 Bridgewater 语言说：AI-native 组织实现了「点子择优」的极限形态——每个决策点都能以接近零成本召唤「最优执行者」（agent），而不必在「最优执行者」和「可用人力」之间妥协。

图灵子独有视角：安心舍 ~10 人团队 × ~¥100k MRR，已经在无意间验证了这个最优规模方程。下一步不是「招更多人」，而是提升 β（每人能驾驭的 AI 并行度）——这才是 2026 年真正的杠杆点。

短视频脚本骨架（60-90s）

• Hook(3s)： 一个工程师每天合并 30 个 PR——传统工程师一周才 3 个。他不是天才，他只是做了一道数学题。

• 冲突/反共识(15s)： 所有人都在说「AI 让工程师更快」——但这个描述错了。AI 不是让工程师更快，而是让「组织架构」更轻。150 人公司有 11,000 条沟通信道，30 人 AI 公司只有 435 条。真正的效能鸿沟在通信税，不在个人能力。

• 论证(30s)： Metcalfe 定律：每加一个人，新增通信连接 = 现有人数。人数翻三倍，沟通摩擦增九倍。这就是为什么 Cursor 人均营收 330 万美元，传统 SaaS 只有 30 万——不是产品更好，是组织更轻。Anthropic 人均 500 万美元，是行业基准的 17 倍。我用我们 10 人团队的数据做了一个最优规模方程……结果正好落在 10 人附近。

• 图灵子落点(15s)： 所以下一步不是招人，是提升每个人能驾驭的 AI agent 数量。我把这个叫「AI 杠杆率 β」。当你的 β 从 3 提升到 10，你的最优团队规模才需要从 10 人扩张到 15 人——而不是翻倍。

• CTA： 我做了一张「AI 时代扩张临界点」决策矩阵，评论区留言「矩阵」我发给你。

长文大纲

• H2：为什么 AI 时代「少雇人」是竞争优势
• Metcalfe 通信税公式推导
• 150 人 vs 30 人：96% 信道削减的实际含义

• 人均营收基准对比表

• H2：Boris Cherny 案例拆解

• 30x 产出差距的来源：不是天赋，是并行 agent 管理
• 五实例并行工作流的实际操作

• 「工程师」角色重定义：从执行者到 AI 编排者

• H2：合并框架——通信熵 × 决策熵

• Bridgewater「点子择优」的信息论解读
• AI agent 作为「零通信税节点」的数学含义

• 最优规模方程推导（含图灵子 10 人团队实证标定）

• H2：「AI 时代组织扩张的临界点」决策矩阵

• 四种扩张触发条件与对应策略
• β（AI 杠杆率）如何成为核心变量

• 何时加人，何时加 agent，何时两者都不加

• H2：图灵子视角——决策颗粒度与执行颗粒度的解耦

• 传统组织的任务打包损耗
• AI 使「点子择优」达到极限形态
• 安心舍 10 人团队的实证数据作结

待核实 / 风险

• Boris Cherny 的 PR 数据（20-30/天）来自原文引用，需确认是否有公开来源或一手采访记录，避免被质疑为 anecdote。
• Anthropic 人均营收 $5M 和 Cursor $3.3M：均为 2026 年初估算值，基于媒体报道的营收和公开员工数，非审计数字——引用时注明「估算」。
• 传统 SaaS 人均营收 $200-300k：为行业中位数基准，不同细分赛道差异较大（企业软件 vs. PLG vs. SMB 差异显著）。
• 最优规模方程为本文基于原文框架的推导，非原文内容——发布时需明确标注「图灵子推导」，避免误导读者以为来自 Tunguz 原文。
• β（AI 杠杆率）参数目前无标准化测量方法，「保守取 10」为主观估算，需结合实际团队数据校准。