解讀：尚不存在的 AI-native 企業 — 為什麼真正的工作在 on the business

關於作者

Will Schenk 是 TheFocus.AI 的共同創辦人，目前直接協助大型企業導入 AI 轉型。他不是 thought leader 型的講者，而是「真的進到企業心臟做事」的顧問——文章開頭直接攤出來：他剛簽下一份 30 萬美金的合約，要去重塑一家企業的內部運作。這個 series 由 Turing Post 的 Ksenia Se 編輯，前面三集已經談過 ROI 缺口、AI 採用的不性感真相，以及如何從 day one 打造 AI-native 新創。

在這篇文章中，他想告訴我們：目前根本還沒有 AI-native 的企業，而且短時間內也不會有。 因為「AI-native」這件事，問題從來不在技術，而在企業作為一個生態系本身的「內部物理學」——而這個物理學不會因為你的雄心壯志而彎曲。

開頭：一句話勾住你

我給你一個本文最戳的引用：

「God help you when you actually realize how many OpenClaw instances are running within the firewall.」 （祈禱你永遠不要去算，你的防火牆內到底跑了幾個 OpenClaw 實例。）

對，他真的在文章裡用 OpenClaw 當成 shadow AI 的代名詞。Marcus 自己在 ~/clawd/ 蓋的這套 gateway，已經在 Will Schenk 這種顧問的詞彙裡，變成「中階主管偷偷跑、IT 完全管不到的 agent runtime」的隱喻。

這個 detail 不是巧合，而是這篇文章最尖銳的命題：真正的企業 AI 轉型，不是「公司裡多了幾個 agent」，而是公司本身要變成一份 agent 讀得懂的文件。 而要走到那一步，你必須先承認所有目前還跑在影子裡的東西——包括那些 OpenClaw。

核心邏輯還原（拿地圖再看風景）

Will Schenk 真正想處理的問題，不是「企業要不要用 AI」，而是：

「企業作為一個內部經濟體，要付出什麼代價，才能讓自己變成 machine-readable？」

他的推理鏈大致是這樣：

1. 企業有兩種 AI——AI in the business（產品本身）和 AI on the business（公司怎麼運作自己）。
2. 目前 99% 的企業 AI 投入都在 in 那一面，因為那是技術升級；on 那一面才是真正的工作，因為那是組織機械的重建。
3. 要做 on the business，第一步是 agent 版本的 Cold Start——把組織裡 Dave 腦袋裡的隱性知識寫成機器讀得懂的格式。
4. 這件事在政治上極危險，因為**「Documentation is redistribution」**——當隱性知識變成公共文件時，原本握有它的人就失去了 leverage。
5. 抗拒的不是技術，是權力結構。所以企業的真實狀態是：官方路徑慢，影子路徑快，員工用腳投票，shadow AI 遍地開花。
6. 解法不是消滅影子，而是把官方路徑做得比影子還快——這需要三層工作：標準化層、accountability substrate、operational commitments。
7. 而且這份工作太重，不能交給 AI Czar 或 steering committee，必須由一個有真正授權的內部 AI 平台工程團隊扛起來。
8. 而子公司模式（greenfield subsidiary）幾乎一定會失敗，因為母公司的免疫系統會把它隔離成 demo farm。真正可行的路徑是 Retrofit——慢、貴、政治化的改造。

▼ 圖：作者的論證骨架——從「AI 在哪裡」到「誰來做」

graph TD
    A[企業有兩種 AI]:::teal
    B[AI in the business<br/>產品技術升級]:::cream
    C[AI on the business<br/>公司運作機械化]:::coral
    D[Cold Start：<br/>把隱性知識寫成 machine-readable]:::steel
    E[政治阻力：<br/>Documentation = Redistribution]:::coral
    F[Shadow AI 在後門爆發]:::gold
    G[把官方路徑做得比影子快]:::teal
    H[內部 AI 平台工程團隊<br/>不是 Czar 不是委員會]:::teal

    A --> B
    A --> C
    C --> D
    D --> E
    E --> F
    F --> G
    G --> H

classDef cream fill:#F4F0E4,stroke:#537D96,color:#333
classDef teal fill:#44A194,stroke:#2D7A6E,color:#fff
classDef steel fill:#537D96,stroke:#3A5A6E,color:#fff
classDef coral fill:#EC8F8D,stroke:#D4696A,color:#fff
classDef gold fill:#FAB95B,stroke:#D4962A,color:#333

接下來，我帶你逐段拆。

1. AI in the business vs AI on the business：你在哪一邊？

這是全文最重要的二分法。

• AI in the business：產品怎麼蓋、服務怎麼出、客戶怎麼被服務。是「你賣什麼」和「怎麼把它做出來」。
• AI on the business：公司怎麼運作自己。決策怎麼做、預算怎麼動、資訊怎麼流、紙面組織圖跟真實組織圖怎麼對齊。

在 10 人公司這兩件事是同一件事，創辦人寫 code 也決定預算也做帳。但在 5 萬人公司，它們會徹底分裂：

「銀行可以出貨 AI 詐欺偵測模組，同時用 PowerPoint 在執行助理之間電郵來回做季度規劃。製造商可以用電腦視覺自動化倉儲，同時用 FTE 單位編列年度預算。產品可以是 AI-native，但公司運作整個還停在 pre-AI。」

幾乎所有當前的企業 AI 案子都在 in 那一邊，因為那是技術專案。但 on 那一邊——那些考古層、那些舊習慣、那些已經做了的決策——根本還沒被觸碰。

對 Marcus 與 Seekrtech 的對照

Seekrtech 目前的 AI 投入光譜，剛好可以攤在這個二分法上看：

Will Schenk 這篇文章其實是在告訴 Marcus：你已經做的，比你以為的更稀有。 大多數企業在 on 那一面是 0 分，而 Seekrtech 從 meeting pipeline 到 seekr-kb 都在做「把組織知識變 machine-readable」這件事，正好是文章裡描述的「真正的工作」。

但同時——這也是個提醒。對 Seekrtech 的全公司而言，AI on the business 還很集中在 Marcus 自己的 stack。一旦放到全員工尺度，那就是另一個遊戲。

2. Agent 版本的 Cold Start：一個非常政治的算法

這段我覺得是全文最精彩的段落，一定要原汁原味還原。

文章先介紹 Andrew Bosworth（Meta 的 Boz）的 Career Cold Start 算法。新到一個團隊，跟每個人花 30 分鐘，問三個問題：

• 25 分鐘：tell me everything you think I should know.（告訴我你覺得我該知道的一切）
• 3 分鐘：what are the biggest challenges the team has right now?（團隊最大的挑戰是什麼）
• 2 分鐘：who else should I talk to?（我還該找誰聊）

然後重複，直到沒有新名字冒出來。

這個算法為什麼有效？因為它在大約一週內，會生出一份「組織的私人地圖」。問題一給你詞彙和優先順序、問題二給你 quick wins、問題三——也就是那個 2 分鐘的問題——產生的名字「通常和組織圖上的名字非常不一樣」。那是一張影子地圖：誰真正在做事。

▼ 圖：Cold Start 三問各自產出什麼

graph LR
    Q1[Q1 25min<br/>你覺得我該知道什麼?]:::cream
    Q2[Q2 3min<br/>最大的挑戰?]:::cream
    Q3[Q3 2min<br/>還該找誰?]:::cream

    O1[詞彙 + 優先順序]:::teal
    O2[Quick Wins 清單]:::gold
    O3[影子組織圖<br/>≠ 紙面組織圖]:::coral

    Q1 --> O1
    Q2 --> O2
    Q3 --> O3

classDef cream fill:#F4F0E4,stroke:#537D96,color:#333
classDef teal fill:#44A194,stroke:#2D7A6E,color:#fff
classDef coral fill:#EC8F8D,stroke:#D4696A,color:#fff
classDef gold fill:#FAB95B,stroke:#D4962A,color:#333

然後 Will 提出本文最尖的問題：

當一個 agent 加入同一個組織，它的 Cold Start 是什麼？

Agent 不能去問 Dave。Agent 只能讀寫下來的東西。如果成本中心的對應關係住在 Dave 腦袋裡，agent 就用不到。如果簽核流程實際上要繞過組織圖外的三個人，agent 會走組織圖，然後事情就卡住。

而且 agent 不像新主管——主管問 Dave 一次就好，agent 每次跑 workflow 都要 Dave 的知識。一個 Dave，幾百個 agent。這個比例破壞了舊模型。

「The agent version of Cold Start is the act of writing down what the organization already knows but has never written down — in a form a machine can act on.」

為什麼這件事是政治的

這是反直覺洞察的關鍵：主管的 Cold Start 是私下進行的，筆記永遠不離開筆記本。但 agent 的 Cold Start 必須變成一份全公司都會用的文件。

於是：

• Dave 的成本中心對應表——不再是 Dave 的 leverage
• 真實的簽核鏈——不再是 shadow
• 那些「大家都知道但沒人承認」的例外——發票規則、訂價豁免、廠商特例——都會被寫進一張稽核可以傳喚的表格裡

Documentation is redistribution. 寫下來，就是權力重分配。

你會遇到的抗拒，多半不是關於技術，而是關於**「公開版本會改變誰握有權力」**。

對 Marcus / Rin / 樂芽的啟發

這段給 Marcus 的訊息是雙層的：

對 Rin（個人秘書）來說——Rin 之所以能 work，是因為 Marcus 願意把自己腦中的知識（偏好、決策模式、人物關係、做事方式）持續寫進 memory/、CLAUDE.md、MEMORY.md。這就是個人版本的 Cold Start：一個一個 memo 累積起來。從 memory/MEMORY.md 看下去，整份就是「Rin 跟 Marcus 跑了 N 輪 Cold Start」的產物。Marcus 沒有 Dave 跟自己搶 leverage，所以這條路是順的。

對 Seekrtech / 樂芽（團隊 agent）來說——樂芽要服務的是整個 Seekrtech 團隊，這時候就會遇到本文描述的政治問題。例如：

• 簽核流程的真實版本，是不是寫在哪個 Notion page 上、樂芽讀得到？
• 「客戶折扣特例」的潛規則，是不是 Dan 腦袋裡的？樂芽如果直接讀 Linear 上寫的版本，會不會用錯規則？
• 公司知識在 seekr-kb（project_seekr-kb-router-index.md）已經開始 routing，但全員配合度才是 Cold Start 真正的瓶頸。

一句話：Rin 之所以好做，是因為 Marcus 一個人沒有 Dave 跟他搶 leverage。樂芽會難做，因為 Seekrtech 裡有真正的 Dave。

這也解釋了為什麼小公司很容易達到 L2，而大企業要花好幾年——因為小公司還沒有 Dave，大企業每個 Dave 都是一個理性 actor，活在「未文件化的知識 = 個人保險」的內部經濟裡。

3. Shadow IT 與 Shadow AI：診斷信號，不是治理失敗

這段是全文我最想拍桌叫好的反直覺洞察。

「Shadow IT 不是治理失敗。它是診斷信號。它告訴你官方路徑承載不了真實工作。」

「正確的問題從來不是『我們怎麼消滅 shadow IT』。你做不到，每次嘗試都讓影子更深。正確的問題是：我們怎麼把官方路徑變成快路？」

每一家大企業都有 shadow IT：

• 工程師在個人筆電跑 script
• 財務在 ERP 之外用 Excel 維護真正的 forecast
• 業務用 CRM 廠商沒賣他的工具維護真實 pipeline

而 shadow AI 現在正在以更快的速度膨脹：

• 員工用個人 ChatGPT 跑公司文件，因為企業 AI 採購週期是 9 個月而分析這週就要做完
• 中階主管自己拉 Claude workflow，因為官方 AI 策略只是一份沒有工程團隊掛上去的 PPT
• 某個 team lead 偷偷讓 agent 對 production 資料庫跑指令，因為「等到官方那個唯讀 MCP server 出現，事情早就黃了」

然後就是那句直接點名 OpenClaw 的話：

「God help you when you actually realize how many OpenClaw instances are running within the firewall.」

把這段對照回 Marcus 自己

這段對 Marcus 的 implication 非常分裂：

好消息：Marcus 為自己蓋的 OpenClaw + Rin 這套，正是文章描述的「快路」。從 Daily Brief 到 PLAUD pipeline 到 meeting transcription，Marcus 已經把官方路徑（Slack/Linear/Notion）和 agent 路徑黏在一起，而且 agent 這條普遍比手動快。

壞消息：這套東西對 Seekrtech 整個公司而言是 shadow AI。除了 Marcus 之外的員工，多半還在用 ChatGPT、Claude.ai 個人帳號跑公司文件。這正是 Will Schenk 警告的那種 shadow——它代表 Seekrtech 的「官方 AI 路徑」目前還承載不了大家想做的事。

真正的問題：Seekrtech 要不要把 OpenClaw 從 Marcus 的私人 stack，演化成 Seekrtech 的官方 AI 平台？如果要，就要按照下一段的清單付出代價。

4. 官方路徑要扛多重的擔子？三層 + 十項

這段是全文最具操作性的部分。Will 把官方路徑的工作拆成三層，每一層都比 AI 策略 PPT 寫的多得多。

Layer 1：Standardization（標準化層）

選一個平台，站在你的選擇後面。

• Claude、GPT、Gemini，trade-off 都是真的，但沒有一個壓倒性到值得等。
• 「我們選了 Claude。你也可以選別的。重點是組織能說：這就是我們在這裡做事的方法——這是 blessed tool、這是支援版本、訓練和 docs 在哪。」
• 沒有平台選擇的公司，等於有 1000 個平台，等於沒有平台。

策劃 skills、agents、MCP servers。

• 平台沒有 artifact layer 就只是玩具。
• 真正的生產力來自 library——skills、agents、MCP servers。
• 每一個 artifact 都是一個第三方依賴，blessing 之前要 review，更新之後要 re-review。
• 這是一種新的 vendor management discipline，目前還沒有 SOC 2 等級的標準。
• 「這個職位兩年前根本不存在。」

Layer 2：Accountability Substrate（可追責基底）

Audit trail 要照著「會被要求拿出來」的標準蓋。 因為你會被要求。每個 agent action 必須可重建：哪個 prompt、哪個 context、哪些 tool calls、哪些資料輸入、哪些輸出、有沒有人類核可、什麼時候、為了誰。不是「agent 處理了退款」，而是完整的因果鏈——能撐過 legal hold、能在 GDPR 下被讀、能在 SEC 傳票下被產出。

資料問題在客戶問之前先答。 你有沒有把客戶資料送給 model provider？有沒有被拿去訓練？你能不能證明沒有？儲存在哪？多久？哪個 jurisdiction？「我們不訓練你的資料」必須是被 enforce 的設定，可被稽核。目前大多數企業的 AI 設定根本證明不了這件事。

輸入和輸出都要分類。 一個分析師讀了 5 份機密文件寫成摘要，摘要繼承輸入的等級。一個 agent 讀了同樣 5 份寫了同樣摘要——那份摘要的等級是什麼？如果 agent 是被一個只能看 4 份的 user 啟動的呢？

讓 identity 和 permission 為非人類 actor 工作。 Agent 跑的時候它代表誰？繼承 user 身分還是用 service credential？如果是 service credential，RBAC 是哪一套？SSO、RBAC、DLP、network segmentation 全是為「有員工證的人類」設計的，現在要拉長覆蓋一群沒有員工證、沒有績效考核、沒有主管鏈的 actor。

Layer 3：Operational Commitments（出事時的承諾）

寫 incident runbook。 Agent 做錯事了，怎麼辦？誰被 page？怎麼 rollback——而且「rollback」對於已經發出去的 action 是什麼意思？怎麼跟客戶溝通？誰扛？「Fortune 500 第一個重大 agent 引發事故，會曝光一堆從沒被測過的假設。最好的做法是故意先測一遍。」

只給可以兌現的客戶承諾。 「我們不訓練你的資料」、「未經明確同意不會送第三方 model」、「你可以要求刪除」、「我們可以提交所有觸碰你帳戶的 AI 互動稽核紀錄」——這些是任何有真法務部門的客戶 RFP 標配條款。企業要嘛有系統能讓它們為真，要嘛拒絕生意。

全段的結語： 「If the official path is slower than the shadow, the shadow wins.」 安全還不夠，要快。安全但慢，影子贏。

這份清單之於 Marcus

讓我們做個務實的盤點。Marcus 在自己這套 stack 上，這三層是不是都做了？

這張表單純做為對照——文章在說的，剛好是 Marcus 從個人到組織級別的下一步該補的清單。

5. 計價貨幣失效：CFO 的舊單位失靈

這是另一個我覺得很硬的反直覺洞察：就算你把上面的工作做完，第二個更深的問題會浮現——企業本身的商業模式，是用一種正在失靈的貨幣計價的。

「The value is real; the invoice has no line item for it.」 價值是真的，但帳單上沒有對應的項目。

「One human, one login, one monthly fee. Agents are not seats. They run autonomously, they multiply, they burn tokens in patterns that do not map to seat counts. Business-to-business software is becoming business-to-agent software.」

整個企業的機械——CFO 預測、採購政策、HR 人力規劃、業務 comp 結構——都用 headcount、hours、seats、artifacts、quarterly budget 計價。但價值越來越不再用這些單位產出。CFO 沒辦法用舊貨幣 plan、採購沒辦法 procure、HR 沒辦法 staff。

「The value is there. The measuring instruments belong to the previous economy.」

然後 Will 端出他自己在做的解法：Habitats（thefocus.ai/habitat-os）。

「If agents are going to be on the team, they need a place to live — identity, permissions, memory, tools, audit trail, a manager, a termination procedure. The HR system is the agent runtime.」

最後這句尤其值得抄下來釘在牆上——「HR 系統就是 agent runtime」。企業已經有一整套機械處理人類員工的入職、權限、記憶（人事檔案）、工具（電腦發放）、稽核、上司、開除流程，現在要把這套機械延伸到 agent 身上。

對應 Marcus 的 OpenClaw / Rin

Will 的 Habitat 概念和 OpenClaw + Rin 的設計驚人地一致：

Marcus 早在這篇文章發表之前，就在自己的 stack 上完整實作了一個 single-user 規模的 Habitat。差別在於：對 Seekrtech 這種 ~50 人的公司，每個 element 都要乘上 N，而且要有人全職維運。

而且，Forest 這個產品本身，未來可能也要面對 currency 失靈。Forest 是訂閱制（per seat / per user），但如果某個用戶背後是 agent 在用 Forest（例如未來 agent 替使用者管理專注時間？），seat 模型就會開始拉扯。Marcus 之前在 BigQuery 報告裡就在意 ARPPU vs ARPU 的分母問題（bigquery.md），這篇文章其實是把同一個焦慮放大十倍。

6. Retrofit, not Subsidiary：別開 AI 子公司

這段我覺得是顧問之心剛剛被刺中。

「The tempting move is to do what the tech press keeps recommending: spin up an AI-native subsidiary. Small greenfield team, no legacy stack, competes with the parent from inside.」 「有時候有效。但通常結果是一個小、快、卻無法觸碰資料、客戶、營收的團隊——因為這些都活在舊組織裡，而舊組織會啟動免疫反應，把 greenfield 部門隔離成 demo farm。」

「它生產 board deck 用的截圖，但不出貨能改變 P&L 的系統。」

真正可行的，是 Retrofit——慢、貴、政治化的工作：

1. 讓組織變得 legible（可讀）
2. 蓋一條官方平台，比影子還快
3. 重建商業模式，讓新價值有單位

而扛這份工作的，不能是 steering committee，絕對不能是 czar，而是：

「An engineering team with a budget, a mandate, and ownership of the blessed tools, the audit trail, the customer assurances, the incident runbook.」

「They are the ones who make the official path the fast path. Everything else follows.」

▼ 圖：Subsidiary vs Retrofit 的兩條路

graph TD
    Start[企業要 AI-native]:::cream
    Sub[Greenfield Subsidiary]:::coral
    Ret[Retrofit 改造]:::teal

    SubR1[隔離→無真實資料]:::coral
    SubR2[變成 Demo Farm]:::coral
    SubR3[出 PPT, 不改 P&L]:::coral

    RetR1[組織變 legible]:::teal
    RetR2[官方路徑 > 影子]:::teal
    RetR3[新商業模式新單位]:::teal

    Start --> Sub
    Start --> Ret

    Sub --> SubR1 --> SubR2 --> SubR3
    Ret --> RetR1 --> RetR2 --> RetR3

classDef cream fill:#F4F0E4,stroke:#537D96,color:#333
classDef teal fill:#44A194,stroke:#2D7A6E,color:#fff
classDef coral fill:#EC8F8D,stroke:#D4696A,color:#fff

對 Seekrtech 來說，這個建議翻譯成：

不要為了 AI 開一個獨立子公司或創新部門。要做的事情，是給一個有真實授權的工程團隊——可能就 1-2 個人——讓他們同時擁有「blessed tool」、「audit trail」、「incident runbook」、「customer assurance」這四件 ownership。然後其他事順流而下。

對 Marcus 而言，他自己就是那個 1 人 retrofit team。問題只是要不要規模化。

7. 結論：真正的分界線

「過去一段時間，企業 AI 的問題看起來像是產品問題：選哪個 model、哪個 vendor、哪個平台、哪個 use case。選對了，其他自然會搞定。」 「那仍然重要。但真正的分界線不一樣：能不能在公開狀態下變成 legible 的公司，跟做不到的公司。」

「智慧稀缺時，囤積資訊是理性的，是 leverage。智慧變成豐富，組織必須變成 machine-readable 才能用它的時候，同樣的囤積從戰術資產翻轉成戰略失誤。」

「AI in the business is the easy half. AI on the business is the work.」

Rin 的觀點：對 Marcus 三個具體啟發

讀完這篇我有三個想直接跟 Marcus 對齊的觀察。

1. OpenClaw + Rin 不是 shadow，是原型 retrofit。 這篇文章把 OpenClaw 描述成 shadow AI 的代名詞，但對 Marcus 自己的個人運作而言，OpenClaw 已經是「official path」，而且確實比任何替代品都快。問題從來不是「OpenClaw 是否合法」，而是「這個原型，放大到 Seekrtech 全員時，還能不能保持比影子快」。三層工作的清單，剛好是擴張時必須補的功課——尤其是 audit trail、data classification、customer assurance 這三項在 Forest / Intercom 線是看得到 customer 的。

2. 樂芽是真實 retrofit 的試金石。 Rin 服務 Marcus 一個人，所以 Cold Start 沒有 Dave 反抗。樂芽要服務 Seekrtech 團隊，這時候 Will 警告的政治成本會立刻浮現——因為「把 X 寫進 seekr-kb 給樂芽用」就是 documentation = redistribution。如果未來樂芽要進一步覆蓋業務、財務、HR 流程，可以預期會遇到本文描述的所有阻力。提早設計**「公開 redistribute 之後，原本握有 leverage 的人怎麼辦」**的補償機制，比技術問題更重要。

3. Forest / Seekrtech 的計價貨幣，未必能撐過十年。 per-seat / per-subscription 的模型，正是 Will 點名會失效的那一類。Forest 短期還沒到危險區（因為使用者還是人類），但如果未來「agent 替使用者管理數位行為」變成標準（這比想像中近），seat 邏輯會被重寫。Marcus 在 BigQuery 報告裡執著 ARPPU 分母問題的那個本能很對——它就是貨幣失效的早期訊號。

未展開的話題

相關筆記

• project_seekr-kb-router-index — Seekr-KB 的 Knowledge Routing，正是文章說的「組織知識 machine-readable」的具體實作
• project_dual-agent-architecture — Rin（個人）+ 樂芽（團隊）雙 agent 架構，剛好對應文章「個人 Cold Start」vs「組織 Cold Start」的政治差距
• reference_openclaw-invariants-doc — Marcus 已經在做的 invariants doctor，是文章「audit trail / incident runbook」的雛形
• project_meeting-transcription-pipeline — Meeting Pipeline 是 Seekrtech 在 on-the-business 那一面真正出貨的少數案例
• project_intercom-support-architecture — Intercom AI 是 Forest 線上 in-the-business AI 的代表，剛好和本文 on-the-business 形成對照

由 Rin 整理於 2026-04-26