编者摘要：哈佛商学院《AI‑Native Firms》工作论文基于 Y Combinator（2020‑2024）与美国风投初创企业样本，研究原生 AI 企业的组织形态，区分两大作用机制：产品路径（AI 嵌入对外售卖产品）、流程路径（AI 作为企业内部员工办公工具）。

实证发现：控制同一行业、同一创业周期，原生 AI 初创相比非 AI 初创，员工规模小 25%，组织层级扁平化半层，工程师占比提升，基层员工、管理者占比下降。虽然团队更小，但整体估值与同行接近，人均融资、人均估值显著更高，人均创造价值更强。

研究证实：仅仅给员工配置 ChatGPT、Copilot 等 AI 内部工具（流程路径），不会带来企业规模缩减。真正驱动小团队、扁平化组织的是产品路径：将 AI 能力封装进对外产品，把原本需要大量人力完成的知识工作交由产品内模型完成，客户直接通过产品获得服务，企业扩张依靠算力而非扩招员工。

样本内 67% AI 原生企业将 AI 嵌入产品，分为三类：AI 自主完成人类原有工作、AI 增强专业人员效率、AI 基础设施供其他开发者调用。异质性结果显示：服务交付类行业效应最强，AI 服务类企业规模比同行小 70%，层级几乎少一整层，例如 AI 心理诊疗、AI 财税催收，替代传统大规模人力服务团队。

人才结构上，原生 AI 企业员工资深人才占比高、初级员工占比低，人才高度聚集硅谷，高学历占比更高，但人才多样性偏弱。注意：任务层面 AI 往往赋能新人，企业层面原生 AI 公司反而偏好资深技术人才，二者形成反差。

⚠️研究局限：属于描述性横截面研究，不能完全确认因果；AI 标签依靠企业自我申报；只观察企业早期阶段，无法确定企业做大后是否会重建复杂层级。市场就业推论要谨慎：单家 AI 企业用人变少，但如果 AI 催生大量新创业公司，社会整体用工需求未必下降。核心理论贡献：过去 AI 研究集中于企业内部流程改造，本文提出产品路径，AI 把知识处理能力从组织内部迁移到产品，企业竞争优势不仅来自人力，也来自模型能力的整合与编排。

20 个关键问题问与答

1. 什么是 AI 原生企业？
   围绕 AI 能力构建的初创企业，分为 AI 嵌入产品、AI 改造内部流程两类。
2. 工作论文使用哪些样本？
   YC 孵化器 2020‑2024 批次企业、2020‑2024 首轮融资美国风投初创。
3. 如何判定一家企业为 AI 原生？
   YC 样本使用企业公开 AI 标签；PitchBook 用文本训练随机森林模型预测 AI 概率。
4. AI 原生企业员工比同行少多少？
   同行业同期对比，平均员工规模小 25%；服务业可达到 70%。
5. AI 原生企业组织层级有什么特征？
   更扁平，平均少 0.5 个职级层级，管理人员占比更低。
6. AI 原生企业人员职能有什么特点？
   工程师占比更高，销售、财务、运营、行政后台岗位占比降低。
7. AI 原生企业更喜欢招新人还是老员工？
   资深员工占比更高，初级员工占比下降，和任务层面 AI 赋能新人形成反差。
8. AI 原生企业整体估值更低吗？
   总估值和非 AI 初创接近，但人均估值显著更高。
9. 什么是产品路径？
   把 AI 能力嵌入对外销售产品，知识工作交给产品内模型，靠算力实现业务扩张。
10. 什么是流程路径？
    企业员工内部使用 ChatGPT、Cursor 等 AI 工具提升内部工作效率。
11. 给员工配 AI 工具就能缩小企业规模吗？
    不能，流程路径无法解释企业规模缩小；产品路径才是主因。
12. 产品路径分为哪几类？
    AI 自主完成人类工作；AI 增强专家工作效率；AI 基础设施；其他。
13. 样本中多少 AI 企业实现 AI 嵌入产品？
    67% 打 AI 标签的 YC 初创将 AI 嵌入对外产品。
14. 哪一类行业 AI 原生组织变化最剧烈？
    传统人力服务交付行业（心理咨询、催收、辅导等），人员缩减效应最强。
15. AI 原生企业地理分布特点？
    高度聚集旧金山、硅谷，对 AI 人才资源依赖性很强。
16. AI 原生企业劳动力多样性如何？
    研究生占比更高，但女性占比偏低，人才池相对单一。
17. 这篇论文结论是严格因果证明吗？
    不是，属于横截面描述研究，不能完全排除创始人选择效应。
18. 单家 AI 原生企业用人更少，代表全社会岗位减少吗？
    不一定；如果 AI 催生大量新创业公司，整体劳动力需求有可能上升。
19. 论文最大的理论贡献是什么？
    提出被过往研究忽视的产品路径：生产能力可以从人力组织迁移到产品本身。
20. 研究存在哪些主要局限？
    依赖企业自我标签；只观察初创早期；无法判断企业成熟后组织是否重新膨胀。

附录 原生人工智能企业

工作论文 26‑090 原生人工智能企业金贤真（Hyunjin Kim）、伦布兰特・科宁（Rembrand Koning） 哈佛商学院

金贤真 欧洲工商管理学院（INSEAD） 伦布兰特・科宁 哈佛商学院 工作论文 26‑090 ©2026 金贤真、伦布兰特・科宁 版权所有。 工作论文属于草稿版本。本文仅用于意见交流与研讨，未经版权持有人许可，不得转载。可向作者索取论文副本。 本研究部分经费由哈佛商学院提供。

原生人工智能企业∗

金贤真（INSEAD），伦布兰特・科宁（哈佛商学院） 2026 年 6 月 9 日

摘要本文研究依托人工智能能力建立的企业 —— 即 “原生 AI 企业” 的组织模式。本文选取 Y Combinator 孵化器 W20 至 F24 批次企业，以及 2020‑2024 年完成首轮融资的美国风投支持初创企业为研究样本，对每家企业是否属于原生 AI 企业进行分类，并将分类结果与团队规模、职能构成、职级结构、组织层级等劳动力微观数据建立关联。与同一行业、同一时期的非 AI 初创企业相比，原生 AI 企业员工规模小 25%；工程师占比高出 13%；基层员工占比与管理者占比均低约 15%；组织层级的职级深度少半层，但其估值水平与同行持平，说明这类企业人均创造价值更高。 本文认为该现象来源于两条作用路径：流程路径：AI 改变企业内部员工的工作方式；产品路径：将 AI 能力内嵌到企业对外销售的产品之中。借助产品描述与招聘公告文本分析，本文发现：将 AI 嵌入产品（而不是仅仅在现有工作流叠加 AI 工具），是初创企业实现知识型工作规模化、却无需组建大规模知识员工团队的核心方式。

∗通讯作者邮箱：h@insead.edu；rem@hbs.edu。

作者感谢哈佛商学院人工智能研究院与欧洲工商管理学院为本研究提供资助；感谢 Samay Gupta、Simonne Pinto 提供研究协助；感谢 Ajay Agrawal、Arnaldo Camuffo、Lauren Thomas、Todd Lensman、Abhishek Nagaraj，以及战略管理学会研讨会、哈佛商学院 EM 午餐研讨、INSEAD 内部研讨会参会学者给出宝贵反馈。

1 引言

技术会重塑组织形态。铁路与电报让企业得以服务全国市场，提升跨地域协同收益，催生庞大的管理层级（钱德勒，1993）；电力重塑工厂作业组织模式，推动科学管理运动兴起（戴维，1990）；互联网降低沟通协调成本，催生大量平台化、网络化、分布式组织形态（夏皮罗、瓦里安，1999）。纵观各类技术发展历程，无论是光刻技术还是 Linux 系统，产品架构与组织架构往往协同演化（亨德森、克拉克，1990；科尔弗、鲍德温，2016）。

人工智能将如何重塑企业？现有研究大多聚焦流程路径：研究 AI 工具如何增强或自动化企业内部工作，包括智能代码助手、AI 客服、自动化销售等内部业务场景（彭等人，2023；布林约尔松等人，2023；戴尔阿夸等人，2023；恰萨尔等人，2024；奥蒂斯等人，2025；萨卡尔，2026；金等人，2026）。 但 AI 的用途并不局限于内部办公。原生 AI 企业把 AI 嵌入产品交付给客户：客户借助 AI 直接生成演示文稿、开发软件，甚至处理应收账款业务。这就是产品路径：生产能力从企业内部组织转移到产品本身，原本需要大量人力完成的知识工作，直接通过产品调用模型能力完成。

两条路径共同预示：依托 AI 产品与 AI 流程搭建的 “原生 AI 企业”，组织模式会和普通企业存在显著差异。 本文重点分析这条被忽视的产品路径，实证检验原生 AI 企业的组织特征。本文选择初创企业作为研究对象：新企业不受历史组织架构束缚，新技术带来的新型组织形态会最先在初创企业显现。

界定什么是原生 AI 企业存在一定难度，两条路径说明企业应用 AI 的模式多种多样。Y Combinator（YC）作为头部早期孵化器，鼓励初创企业给自己打上公开标签，方便投资人、媒体、用户发现项目。我们利用这一机制：如果初创企业公开打上 “AI” 标签，则代表企业自身认定 AI 是业务的核心，无论 AI 是嵌入产品，还是作为核心生产流程。 为验证 YC 样本结论能否推广到更广泛市场，我们利用 YC 企业的产品文本训练模型，用来预测其他初创企业的 AI 属性，把研究拓展到 PitchBook 数据库中美国全部风投初创企业。随后将两组样本对接 Revelio Labs 劳动力数据库，获取团队规模、组织层级、职级、职能构成的详细数据。

本文分析分为两大部分。

 第一部分，对比打 AI 标签和不打 AI 标签的初创企业的组织差异。结果显示：处于同一行业同一时期，打 AI 标签的初创企业员工数量比同行少约 25%；员工技术属性更强，工程师占比高出 5 个百分点，销售、财务、运营、行政人员占比相应降低；人员职级整体偏高，基层员工占比接近低 15%，资深员工占比高约 20%；组织架构更加扁平化，层级深度少 0.5 级，管理人员占比低 15%；该结论在 YC 样本、PitchBook 大样本中均成立。

虽然团队规模更小，但这类企业融资规模、估值水平与非 AI 企业相差无几，说明并非项目质量更低。由于员工更少，AI 标签企业人均融资额高出约 20%，人均估值更高。这类小企业人才来源范围更窄：地域高度聚集于硅谷；员工男性占比更高、高学历占比更高，大多来自顶尖院校与知名企业。上述证据说明：企业层面上 AI 是技术人才的互补要素，少数能力出众的创始人小团队，就可以打造过去需要庞大层级组织才能做成的业务。

第二部分，探究产品路径、流程路径如何造成上述组织差异。基于文本数据更丰富的 YC 样本，借助大模型对创始人业务描述做归纳式分类。结果：43% 带 AI 标签的 YC 初创企业使用 AI 完全替代过去由人工完成的任务；24% 开发 AI 工具，用来增强客户企业现有员工的工作效率；15% 开发 AI 基础设施，供其他开发者集成到自己 AI 产品中。

我们通过招聘公告统计企业内部使用 AI 工具（ChatGPT、GitHub Copilot、Cursor 等），以此度量流程路径。数据显示：AI 标签企业招聘公告提及这类工具的概率是非 AI 企业的 2.6 倍；但流程路径指标，无法解释企业规模更小、组织更扁平的现象。在控制流程路径变量之后，将 AI 嵌入产品依然和更少员工、更扁平组织显著相关。

如果把 AI 嵌入产品，意味着生产能力从企业员工转移到产品本身。那么，在没有 AI 时代，必须靠大量招人才能开展业务的行业，转型原生 AI 之后，企业人员缩减幅度会最大，例如心理咨询、辅导、远程医疗等服务行业；现在小团队搭建 AI，就可以完成过去需要大量员工完成的服务。 我们按照企业是否属于服务业做异质性检验：服务业赛道中，AI 初创企业比非 AI 同行规模小 70%，组织层级几乎少完整一层，差异显著高于其他行业。

本文做出三点学术贡献。

 第一，识别出过往 AI 生产率研究被忽视的产品路径。现有主流研究范式聚焦流程路径：AI 如何改变企业内部工作流。但企业运用 AI 的关键方式，是直接把 AI 嵌入对外销售的产品，由模型能力完成、增强、协调知识工作。这改变企业生产能力的载体。大量经典理论把企业视作信息与知识处理系统（加尔布雷思，1973；马奇、西蒙，1958；西蒙，1947；加里卡诺，2000），企业绩效取决于组织获取、处理决策信息的能力（金，2025）。本文证据说明：AI 让企业把一部分知识处理工作，从组织内部转移到产品中；不需要依靠大量员工和内部层级，就可以交付知识服务（艾德、塔拉马斯，2025）。如果该趋势持续，那么构建、调用、编排模型能力，对竞争优势的重要性，将不亚于打造人力资源能力（纳尔逊，1985；蒂斯等人，1997；赫尔法特、彼得拉夫，2003）。

第二，本文发现 AI 标签企业由规模更小、能力更强的技术人才组成。员工更多来自顶尖高校，集中在硅谷，男性占比更高。任务层面的很多研究认为 AI 可以帮助经验不足的劳动者提升产出；但企业层面观察到完全相反的劳动力结构变化。已有文献研究传统企业引入生成式 AI 之后的劳动力需求变化；而本文证明 AI 同时改变新诞生企业本身的形态。该现象会对职业机会、劳动力市场产生潜在影响，但我们必须谨慎：不能直接用企业层面结果推演整个市场。虽然单家 AI 初创企业雇员更少，但 AI 降低创业门槛，会催生更多新初创企业。如果 AI 带来大量新增创业，那么即使每家企业规模更小，全社会总劳动力需求依然可能上升。

第三，产品路径、流程路径的实证结果，呼应学界关于 “AI 落地匹配难题” 的最新证据。金等人（2026）田野实验表明：AI 落地的核心约束，不是获取 AI 技术，而是企业在自身业务流程中找到 AI 创造价值的场景；找到场景的企业增长更快、外部资本需求更低、不需要增加员工。本文中流程路径的回归结果（仅给员工配备 AI 工具，并不会让企业规模缩小）也佐证该观点。要真正释放 AI 价值，需要围绕 AI 重构业务流程，甚至重构产品本身，让 AI 直接承接业务工作。样本里的原生 AI 企业，从创立之初就围绕 AI 搭建整套业务。更进一步，本文证明：当企业从头到尾基于 AI 搭建，技术不仅仅降低创业门槛，更直接改变企业组织模式与增长方式。

论文后续结构安排：第 2 章界定什么是原生 AI 企业，区分产品路径、流程路径；第 3 章介绍两套互补数据集：YC 孵化器初创企业，PitchBook 覆盖的美国风投企业，以及 Revelio Labs 劳动力数据；第 4 章展示企业规模、职能构成、职级层级、资本效率的实证结果；第 5 章分析产品路径、流程路径如何解释上述结果；第 6 章讨论启示与研究局限。

2 何为原生 AI 企业？

行业语境下 “原生 AI 企业” 泛指围绕 AI 能力建立的企业。行业报告普遍观察到 AI 初创企业可以依靠小团队实现增长，但缺少系统证据解释组织形态如何变化（附表 A1、A2）。一个重要原因是 “原生 AI” 这个词包含多种 AI 应用模式。 一部分观点认为原生 AI 企业，是把 AI 当作内部生产技术、核心运营模式，改变员工写代码、销售、设计、协同的方式 —— 这就是流程路径。 另一部分观点认为原生 AI 企业，生产过去没有 AI 就无法实现的产品服务，包括基础大模型厂商，或是将 AI 深度嵌入对外交付的产品 —— 这就是产品路径。

现有绝大多数文献聚焦流程路径，研究 AI 增强、自动化企业内部任务。大量生成式 AI 对劳动者、企业影响的研究，都属于流程路径，研究 AI 对编码、客服、战略分析等单项任务的生产率影响（彭等人，2023；布林约尔松等人，2023；恰萨尔等人，2024）。这类研究衍生一种猜想：企业给员工配备 AI 工具，依靠小团队就能实现过去大团队的产出。结合个体任务层面实验证据：只有企业懂得把 AI 融入生产，AI 才会真正提升企业绩效、增长、生产率（金等人，2026）。

除企业内部使用 AI，越来越多企业把 AI 嵌入对外销售产品。产品路径带来的组织后果并不显而易见：仅仅给产品增加 AI 功能，企业架构未必发生变化，就像更换一门网页开发语言，不会改变企业底层结构与生产函数。但如果AI 让产品本身承接原本需要大量人力完成的知识工作，情况就完全不同。原本需要组织内部搭建能力，现在直接封装进对外售卖的产品。

我们可以从 “企业是信息处理系统” 这一经典视角理解：

企业依靠流程、层级，完成员工信息处理与协同（西蒙，1947；马奇、西蒙，1958；加尔布雷思，1973；加里卡诺，2000）。这套组织机制支撑企业扩张，但扩张会受到人力约束：知识处理必须依靠人和组织层级完成（加里卡诺、罗西‑汉斯贝格，2015）；不确定性下的决策依赖人的判断（阿格拉瓦尔等人，2022）；组织绩效离不开稀缺的注意力、协调成本，把决策落地执行（德赛因等人，2022；金，2025）。传统模式下，企业扩张，就必须扩大内部人力团队，完成知识工作。

当 AI 嵌入产品，一部分知识工作直接交由产品完成。 例如给不同客户生成个性化推荐，不再需要团队做用户分层、撰写定制消息、内部协同；AI 直接在产品内部完成。在产品内部输出信用评分，也不需要专门员工部门来做预测。 AI 把过去反复由人力完成的工作流封装进产品，改变企业扩张与竞争逻辑（纳尔逊，1985；蒂斯等人，1997；赫尔法特、彼得拉夫，2003）。

本研究借鉴艾德、塔拉马斯（2025）关于企业知识层级的正式模型。基于知识工作层级理论（加里卡诺，2000），他们把 AI 建模为：非可编码专业知识，可以依靠算力实现规模化，而不再仅仅依赖稀缺的人力时间与知识。他们区分两类 AI：非自主 AI：只给人类员工提供建议；自主 AI：独立完成生产任务。自主 AI 改变生产：常规工作交给智能体，人力重新配置到生产、解决难题岗位，高知识人才杠杆大幅提升。

本文在此基础上重点研究：自主 AI 被嵌入产品，而不是部署在企业内部流程，会发生什么。 传统依靠知识工作实现业务扩张：企业内部增加人手，接收需求、协同任务、交付结果。即使部署自主 AI 在内部流程，只是每个工作流人力需求下降；业务规模上涨，企业依旧需要管理更多工作任务。 但是当 AI 嵌入产品，客户直接通过产品得到输出结果。用户下达任务指令，和 AI 交互，评估修改输出，全部交互发生在产品界面。企业依然需要投入资源开发产品，但业务规模扩张依靠算力，不需要按比例扩张内部员工团队。

这种转变带来一系列组织改变：

1. 单位产出需要的人力变少：服务更多客户，不需要同比例扩张内部生产人员；
2. 组织更加扁平化：客户需求由产品直接处理，不需要经过内部知识层级层层流转；
3. 技术人才密度提升：更大比例员工聚焦产品开发迭代，而不是执行重复性生产任务。

简言之：把原本内部工作流实现的能力，产品化交付出去，改变企业人力需求规模，也改变企业所需要的人才类型、组织设计模式。

现实案例可以直观说明 AI 重塑组织的逻辑。

 案例一：Gamma，AI 演示文稿初创企业，基于多模态基础模型直接生成完整幻灯片（科宁等人，2025）。Gamma 工程师内部也大量使用 Cursor 等 AI 开发工具，但最大的组织改变来源于产品内部嵌入 AI。可以理解为产品内部运行数百万半自主 AI 智能体，完成版式生成、文案撰写、图片挑选、多语言本地化。对比传统演示文稿外包服务商：即便内部使用 AI，每一份 PPT 订单依旧转化为内部工作流：需求拆解、设计文案协同、多轮审核交付。Gamma 则把用户需求转化成产品交互。企业只要维护迭代产品，不需要为每一份文档配置人力。仅仅 30 人团队，两年时间服务数百万用户，年营收达到 5000 万美元。

案例二：FazeShift 面向企业客户，AI 智能体自动化完整应收账款全流程：开票、催收、现金对账；这些工作过去每个客户都需要配置内部应收账款团队。仅仅 10 名员工，就拿下数十家大型企业客户（科宁等人，2025）。传统应收账款 SaaS 软件厂商，仍然需要庞大团队处理各类企业特殊异常业务；而 FazeShift 交给 AI 智能体自动解决。

综上，原生 AI 企业会呈现独特组织特征。 

流程路径视角：AI 工具提升生产力，小团队完成同等工作量；当然，如果 AI 大幅压低产品价格，带来爆发式需求增长，企业也可能反而雇佣更多人。 

产品路径视角：企业把 AI 能力封装进对外产品，企业需要的人才发生变化：员工要擅长把 AI 集成进产品，作为模型能力的互补者，而不是被 AI 替代。 

两条路径共同预示：原生 AI 企业组织模式会和非 AI 同行截然不同。下文使用数据检验上述猜想，区分产品路径、流程路径分别带来多大影响。

3 数据与研究设计

本文构建两套互补数据集开展研究。主样本来自 Y Combinator 孵化器，能够清晰标记 AI 属性与企业成立时间；第二套样本来自 PitchBook，覆盖美国更广泛风投初创企业，检验结论外部有效性。

3.1 Y Combinator 样本

样本覆盖 YC 孵化器 W20 到 F24 全部批次初创企业，数据来源于开源公开 API。YC 每一期会完整公布入孵企业名单；2020‑2024 时间窗口，刚好覆盖 GPT‑3 发布（2020）、ChatGPT 爆火（2022），AI 融资、AI 创业浪潮兴起。初始样本一共 2891 家企业，覆盖 11 个批次（W20，S20，W21，S21，W22，S22，W23，S23，W24，S24，F24）。

3.1.1 AI 属性分类

YC 鼓励初创企业给自己打描述标签，方便媒体、用户、投资人发现项目。例如 FazeShift（应收账款 AI 智能体）标签包含 “artificial‑intelligence”、fintech、B2B。如果企业公开标签带有 artificial‑intelligence 或者 ai，我们就将其定义为 AI 初创企业。

依靠企业自我标注，代表创始人主观认为 AI 属于业务核心，不管是嵌入产品，还是作为生产流程。YC 平台曝光度高，企业公开标签声誉成本很高，标签会尽量如实反映业务真实情况。全部 2891 家 YC 样本企业中，990 家（34.2%）打上 AI 标签；1901 家（65.8%）没有 AI 标签。

补充：早在 ChatGPT 问世之前，行业就已经提出 “用更少人，写更多代码” 依靠 AI 放大团队的创业思路。2017 年保险科技企业 Lemonade 创始人就提出该理念，他们把反欺诈机器学习模型嵌入产品，替代人工审核团队，正是产品路径的早期实践。当然自我标注也存在风险：企业有可能为了热度贴 AI 标签，就像互联网泡沫时期企业名字加上.com。但如果仅仅是蹭热度，只会带来估值泡沫，很难改变第三方数据源（领英）记录下真实组织架构。

3.1.2 对接 PitchBook 数据库

我们使用标准化公司网站 URL，把 YC 样本和 PitchBook 私募市场数据库匹配。PitchBook 记录融资轮次、融资金额、估值。2891 家 YC 企业，成功匹配 2786 家，匹配率 96.4%；未匹配大多是极早期还没有融资活动，或者已经停止运营的企业。附表 A3 汇总样本匹配情况。

3.1.3 对接 Revelio Labs 劳动力数据库

为度量组织架构、企业规模，我们把 YC‑PitchBook 合并样本对接 Revelio Labs。该劳动力情报平台聚合公开职业档案、招聘公告，生成完整员工记录。我们使用 PitchBook 中的领英主页链接匹配 Revelio 数据库，数据截止时间 2025 年 1 月。2233 家企业成功匹配，占全部 YC 样本 77.2%；AI 企业、非 AI 企业匹配率几乎一致（76.2% 对比 77.8%）。 样本大多属于知识类初创，绝大多数员工会维护领英主页；如果 Revelio 完全匹配不到任何员工记录，视为企业员工数为 0。稳健性检验也会把无匹配企业当作缺失值处理，核心结论不变。Revelio 提供岗位原始数据：岗位名称、职级、入职离职时间、职能分类。附表 A3 报告分批次、分字段的数据覆盖率。

3.2 PitchBook 样本：拓展到更广泛创业生态

YC 样本测量 AI 标签、组织数据质量高，但样本高度筛选。为检验结论普适性，我们进一步研究 PitchBook 数据库中风投支持的全部早期初创企业。

3.2.1 样本构建

附表 A3（B 面板）报告 PitchBook 样本筛选流程。样本选取 PitchBook 里总部在美国，首轮融资发生在 2020‑2024 年的初创企业。首轮融资时间窗口和 YC W20‑F24 保持一致，同时对齐 Revelio 2025‑01 快照；保证每家企业在劳动力观测时间点之前，至少完成一轮融资。使用首轮融资季度（而不是成立年份），构造时间固定效应，对应 YC 样本的批次固定效应。

3.2.2 预测 AI 属性

PitchBook 不像 YC，没有直接可用的 AI 标签字段。我们基于 YC 样本训练机器学习分类器，利用初创企业文本描述，预测 PitchBook 企业是否属于 AI 企业。 处理流程：使用 OpenAI text‑embedding‑3‑large，把 PitchBook 企业描述文本转化为 3072 维向量；训练随机森林分类器，目标变量就是 YC 企业的 AI 标签；5 折交叉验证调参。模型样本外性能：交叉验证 AUC=0.81；测试集准确率 77.5%，精确率 73.9%，召回率 55.2%。 回归中我们直接使用连续预测概率（0‑1），保留全部信息；做描述统计分组的时候，使用 0.5 作为分界阈值。

说明：PitchBook 自带 “人工智能与机器学习” 垂直分类噪音很大，相比 YC 标签会大量漏记 AI 初创，而且不清楚标签的填报主体与填报动机，因此本文不直接使用该字段。

3.3 变量定义

1. AI 状态
   YC 样本：二元虚拟变量，标签含 artificial‑intelligence/ai 取 1；PitchBook 样本：随机森林输出的 AI 预测概率，取值 0‑1。
2. 员工数量
   Revelio Labs 数据库 2025‑01 快照；同时构建季度面板，观察 AI / 非 AI 企业员工规模随时间的变化。
3. 管理者占比
   岗位 O*NET 职业编码以 11‑开头（管理岗位）员工占总员工的比重。
4. 层级深度
   企业内部员工出现过的 Revelio 职级（1‑7 级）的不同等级数量；计算层级变量要求至少匹配到 1 名员工，有效样本 2233 家。
5. 人均融资、人均估值
   总融资额 / 员工数；最新估值 / 员工数。融资、估值大量缺失。YC 样本有融资数据 2218 家，有估值数据 1046 家；PitchBook 样本融资 29336 家，估值 12891 家。
6. 职级占比
   Revelio 1‑7 级：基层 (1‑2)，中级 (3‑5)，资深 (6‑7)；需要至少 1 名员工，样本 2233 家。
7. 职能占比
   ：Revelio 岗位分类：工程、科研、销售、市场、运营、财务、行政。
8. 行业分组
   PitchBook41 个行业分组（应用软件、信息服务、医疗服务、金融软件等）。早期初创企业 SIC 行业编码覆盖率极低，YC 样本不到 1% 企业有 SIC 编码，PitchBook 样本不足 2%，因此本文全部使用 PitchBook 行业分组。
9. 批次（YC）
   W20，S21 等入孵批次，一年两期（冬季、夏季），偶尔有秋季批次。
10. 首轮融资季度（PitchBook）
    企业第一笔融资发生的年份‑季度，等价 YC 批次的时间变量。

3.4 研究设计

本文属于描述性实证研究，系统记录 AI 初创企业与非 AI 初创企业组织形态差异。遵循近年来很多经典实证论文的范式，描述新现象的典型事实。

研究需要处理两类混淆变量：

1. 队列混淆
   ChatGPT 之后 AI 创业爆发，AI 初创企业成立时间普遍更晚；观测时间点 2025‑01，AI 企业天然成立时间更短，规模更小。解决方案：加入时间固定效应；YC 用批次，PitchBook 用首轮融资季度。
2. 行业混淆
   AI 企业集中在特定赛道；看到的组织差异可能来自行业本身，不是 AI。基准模型使用行业 × 时间交互固定效应，对比同一时期、同一行业内部 AI 企业和非 AI 企业，剥离行业、时代带来的干扰。

补充：当然也存在另一种逻辑：正是 AI 让企业进入某些新行业，行业本身是 AI 带来的结果，这时不控制行业交互固定效应也具备解释力。本文采用更保守策略，报告组内（同行业同时期）对比结果。

YC 基准回归公式：

\(Y_{i}=\beta \cdot 1[AI_{i}]+\gamma _{bg}+\varepsilon _{i}\) \(Y_i\)企业 i 结果变量；\(1[AI_i]\)二元 AI 虚拟变量；\(\gamma_{bg}\)代表批次‑行业交互固定效应。

PitchBook 样本：把二元 AI 指标替换成连续 AI 预测概率；批次替换为首轮融资季度，使用首轮融资季度 × 行业交互固定效应。 全部回归使用异方差稳健 HC1 标准误。

4 实证结果

4.1 描述统计与 AI 初创企业增长趋势

表 1 为两套样本描述统计。原始均值对比可以看到巨大差异：YC 样本 AI 企业平均员工 12.6 人；非 AI 企业平均 42.3 人；AI 企业层级更少（3.76 对比 5.01），管理者占比更低（17.4% 对比 24.2%），工程师占比更高（44.9% 对比 35.8%），基层员工占比更低（19% 对比 30%）。虽然员工更少，但总融资、估值和同行接近，因此人均融资、人均估值更高。 PitchBook 样本原始差异幅度更小，因为样本行业更加多元，必须依靠行业‑时间固定效应做组内对比。

图 1 展示 AI 企业占比随时间快速上涨：YC 样本 2020 早期批次 AI 标签企业约 15%，2024 批次超过 50%；PitchBook 样本从 2020 年 8% 上涨到 2024 年 20%。也进一步说明控制队列（时间）效应非常必要。

图 2 分 YC 细分赛道统计 AI / 非 AI 企业分布：AI 初创高度聚集法律服务、开发者工具这类知识密集赛道；非 AI 企业更多集中硬件、航空、医疗器械。

4.2 AI 初创企业如何组织？

图 3 员工数量直方图：AI 初创众数低于 10 人；非 AI 企业员工分布更加分散，大量企业员工更多。 图 4 跟踪离开 YC 孵化器之后，随季度推移员工平均规模：AI 企业员工规模大约是非 AI 企业一半；这个差距持续至少三年。附录图 A3 每个批次分开绘制，同一个批次内部，AI 企业员工也更小。附录图 A4 剔除批次‑行业固定效应之后的残差核密度图：分布明显左移，AI 企业员工规模系统性更小。

表 2 回归结果（控制行业 × 时间交互固定效应）： YC 样本水平回归：AI 企业员工平均少 8 人；非 AI 企业均值 34 人。PitchBook 样本平均少 6 人，非 AI 均值 18 人。对数回归（只看至少有 1 名员工企业）：YC 样本 AI 企业规模小 25%；PitchBook 样本小 12%。水平、对数、泊松模型全部得到显著负向结果。附表 A4 使用 YC 自身填报、PitchBook 员工数据替代 Revelio，结论稳健。

企业不仅仅人数更少，人员职能结构完全不同（表 3）。YC 样本 AI 企业工程师占比高约 4.5 个百分点；销售、运营、财务、行政占比显著下降；市场岗位系数为负但统计不显著。PitchBook 样本职能差异幅度更大，全部业务职能占比显著降低。 总结：AI 初创企业工程师占比更高，业务、后台职能人员占比更低。但要注意：整体总员工更少；虽然工程师占比高，但工程师绝对人数依然更少。

表 4 职级构成：AI 企业基层员工占比低约 4 个百分点；资深员工占比高 5 个百分点。PitchBook 样本结果方向完全一致。

有意思的对比：很多任务层面实验证明 AI 对经验少员工帮助更大；但企业层面，原生 AI 初创反而更少雇佣初级员工，更多资深人员。说明 AI 对劳动力市场的影响，取决于 AI 落地在任务层面，还是企业组织层面。

接下来看组织层级。图 5 层级深度分布直方图：AI 初创企业中位数 3 个职级层级；非 AI 企业中位数 4 层。表 5 回归：AI 企业平均层级深度少 0.48 层；管理者占比低 3.7 个百分点。附表 A5 控制企业总员工数，扁平化结果依然成立 —— 扁平化不是单纯因为企业人少。 该结果延续信息技术带来企业扁平化的经典文献逻辑：当生产能力从人力转移到产品，内部知识工作协调、监督的需求下降。

4.3 更少的人，可以创造同等价值吗？

一个潜在担忧：会不会 AI 初创企业规模小、架构扁平，仅仅代表项目质量差、潜力有限？AI 降低创业门槛，大量低质量项目入场。我们对比融资与估值。

表 6A 面板（总融资、总估值）：YC 样本 AI 企业总融资低 15%，估值没有统计显著差异。PitchBook 样本结果反转：AI 企业总融资高 15%，估值高 58%。差异来源于 YC 筛选非常严格，YC 内部项目质量差距被压缩；PitchBook 覆盖全部生态，差异放大。

更有意义的指标：人均融资、人均估值。图 6 人均估值原始分布：AI 企业分布明显右移，同样人数获得更高估值。表 6B 面板回归结果：YC 样本人均融资高 12%，人均估值高 30%；PitchBook 样本人均融资高 33%，人均估值高 76%。两套样本结论高度一致。 注意：估值是投资人对未来现金流预期，不是已经实现的产出，衡量资本市场感知的生产率。 另外观察：人均估值提升幅度，大于人均融资提升幅度。如果 AI 企业只是拿到更多钱，两个指标涨幅应当接近。估值相对融资不成比例上涨，说明投资人预期：在给定资本、人力投入条件下，AI 初创未来生产率更高。

4.4 AI 初创企业区位与员工画像

大量文献证明组织变革会改变企业选址、人才池。附录表格给出相关结果。 AI 初创地域更加集中：相比非 AI 企业，总部设在旧金山概率高出 20 个百分点；反映对稀缺 AI 人才、顶尖 AI 实验室地理邻近性的需求。 人口统计学、教育背景：AI 企业员工研究生学历占比更高；PitchBook 样本显示女性员工占比更低，亚裔占比更高，员工毕业院校声望更高。 这带来新的问题：AI 驱动新型组织模式带来的收益，能否公平分配？已有证据显示不同群体生成式 AI 采纳率本身就存在差距，可能进一步拉大绩效差距，无论是个体劳动者还是创业者。

5 产品路径与流程路径的实证检验

前一章已经确认：控制行业、时间，原生 AI 初创规模更小、架构更扁平、技术人才更密集、资本效率更高。但还需要区分背后机制：到底是员工使用 AI 工具（流程路径），还是产品内部嵌入 AI（产品路径）带来这些组织差异。本章分别度量两条路径，分析各自解释力。

5.1 度量产品路径、流程路径

产品路径度量：基于 YC 创始人对业务的描述文本，先人工阅读 40 份 AI 企业描述归纳模式，提炼分类框架；再用大模型把 990 个 AI 标签 YC 企业全部自动归类。 四类分类（图 7，表 7）

1. 自主工作流产品（43%）
   AI 完成过去由人类完整承担任务。例：Artisan AI 销售代表自动挖掘线索写邮件；Aurelian AI 接警调度。AI 直接承担完整岗位工作，企业不需要搭建庞大内部团队交付该服务。
2. 专家增强产品（24%）
   AI 工具增强专业人士原有工作流。例：Tower 帮助律师处理尽调；Medium Biosciences 用 AI 设计治疗蛋白。AI 不会直接替代专家岗位；而是把能力放到产品，让用户获得更强能力，企业不需要雇佣大量专家提供服务。

前两类合计占全部 AI 标签企业 67%，属于典型把 AI 嵌入对外交付产品。

3. AI 基础设施产品（15%）
   开发工具、平台，供其他开发者搭建部署 AI。Roboflow 计算机视觉平台；Exa 向量搜索引擎。向外部开发者输出模型、数据流水线、部署能力。
4. 其他（18%）
   AI 作用描述模糊，游戏、机器人平台等，无法归入上面三类。

回归分析产品路径变量时，我们把这套分类规则同样运行在全部 YC 企业样本（无论是否打 AI 标签），实现对称编码。

流程路径度量：从招聘公告文本构建代理指标。收集截止 2025‑01 全部非人力外包岗位招聘公告。建立词典，包含 33 款生成式 AI 工具（ChatGPT、Claude、GitHub Copilot、Cursor、Midjourney 等）。虚拟变量AI Process：企业任意一条招聘公告明确提到词典中具体工具，取值为 1。

重要区分例子： 案例 Overlap（S24）岗位描述通篇讲多模态 AI 智能体、AI 产品，但全部是要开发到对外产品里，没有提到员工日常使用哪一款 AI 辅助工具，所以AI Process=0。 案例 Fintool（W23）招聘写 “我们大量使用 V0、Cursor 等 AI 工具”，描述员工内部办公开发使用工具，AI Process=1。

在有有效招聘公告的 1666 家企业样本内：产品路径指标在 AI 标签企业占 69.8%，非 AI 企业 16.1%；流程路径指标 AI 企业 13.5%，非 AI 企业 5.2%（倍数 2.6 倍）。流程路径整体占比绝对值很低，一部分是早期工具尚在发展，一部分招聘公告本身不会全部写明员工内部工具栈。

表 8 回归，同时放入产品路径、流程路径，控制批次‑行业固定效应、招聘公告数量。 结果：产品路径是造成小团队、扁平化组织的核心驱动因素。产品路径虚拟变量显著：员工数量少约 10 人；对数规模小 14.4%；泊松模型系数‑0.212；层级深度少 0.21 层。 流程路径几乎没有解释力：对数、泊松、层级、管理者占比全部不显著。仅仅给员工配备 AI 工具，并不能带来更小的企业、更扁平组织。

5.2 在哪些行业 AI 原生效应最强？

产品路径逻辑：AI 嵌入产品，把知识工作转移到产品端；那么原本商业模式极度依赖大量人力交付服务的赛道，AI 带来的规模压缩效应会最大，例如心理咨询、家教、远程服务。 文中举两组对比案例： Educato AI（AI 备考平台，7 名员工）对比 Careerist（非 AI 平台，依靠真人辅导，912 名员工）； Legion Health（AI 精神科平台，28 人）对比 Intellect（真人心理咨询师网络，446 人）。

进一步系统回归检验（表 9）：将 PitchBook 行业合并为三类：软件（基准组）、服务交付行业（医疗服务、商业非金融服务、媒体，过去营收增长必须同步扩张工时人力）、其他行业（生物医药、硬件、金融科技等）。 基准软件行业：AI 企业员工规模小约 25%； 服务交付行业交互项显著为负，叠加之后，服务赛道 AI 初创企业员工数仅仅是非 AI 同行 30%；层级扁平化幅度也更大。其他行业交互项统计不显著。 案例和量化回归互相印证：当业务模式从靠人交付服务转向靠产品内部 AI 算力交付，AI 对企业组织冲击最大。

6 讨论与结论

技术一直在重塑组织形态；各界纷纷猜想 AI 会重复这一过程。本文实证表明：控制行业、成立时间，原生 AI 初创企业员工规模小 25%，组织层级深度少半层，员工以资深技术人才为主，估值水平与同行相当。这种组织差异集中出现在把 AI 嵌入对外销售产品的企业。样本中三分之二原生 AI 初创将 AI 内置进产品；在那些传统上依靠大量人力交付服务的行业，AI 带来的人员缩减、扁平化效应最强。

研究局限

1. AI 识别依靠 YC 自我标签，存在两种偏差：有的企业深度使用 AI 但是不打标签；也有企业为热度贴标签。
2. 本文属于横截面描述证据，不能完全确定因果：观察到的组织差异，既可能来自产品架构改变；也可能是特定类型创始人自我选择进入 AI 赛道。
3. 样本时间跨度有限，只观察企业早期阶段；我们无法回答：当 AI 企业持续做大，未来会不会重新膨胀层级，重新回到传统大型组织模式。

对劳动力市场的启示

单家 AI 原生企业，相比同行业非 AI 同行雇佣更少员工；但这不代表整个 AI 领域总就业一定萎缩。如果 AI 大幅降低创业门槛，诞生数量足够多新初创企业，总的劳动力需求完全可以上升。YC 样本里三年之后 AI 企业平均员工只有非 AI 企业一半；要抵消该效应，创业数量大约需要翻倍。PitchBook 数据看到：2024 年 AI 赛道首轮融资企业数量接近 2020 年 8 倍；虽然一部分会替代旧企业，但全社会总就业需求提升是有可能发生的。

现有大量 AI 劳动力文献使用 “岗位 AI 暴露度” 指标，预测哪些岗位会被 AI 影响。暴露度指标的局限：只能识别 AI有可能产生影响的地方，不等于现实企业已经实际落地 AI。本文补充新证据：直接区分初创企业是否自我认定 AI 原生，区分 AI 用在内部流程、还是嵌入对外产品，观察真实组织结果。

核心理论贡献：区分产品路径、流程路径

过去绝大多数 AI 实证、田野实验聚焦流程路径：企业学会把 AI 映射到内部业务流程，就能改善营收增长，降低资本需求。本文重点凸显产品路径的重要价值。 案例与量化结果共同解释原生 AI 企业为什么是现在这种组织形态：企业把大量原本内部完成的知识工作，迁移到对外交付的产品内部；依靠更小、更扁平团队实现业务规模化扩张。

更广义的启示：AI 不仅仅让现有组织效率变高，AI 正在改变组织本身的形态。企业越来越多直接调用基础大模型获得能力，而不是全部依靠内部员工一点一滴搭建能力。管理者的核心难题不再是积累庞大内部人力产能，而是如何把外部模型能力整合进产品、生产体系。本文研究的初创企业，正是这场变革的早期样本。未来创业战略、组织研究最重要议题，就是理解哪些企业能够完成这种新型组织转型，以及转型如何实现。

参考文献（略）

图表说明

图 1：AI 企业占比随时间变化A 子图 YC 样本：W20‑F24 各批次中自我标记 AI 标签的初创企业占比，样本 2786 家。B 子图 PitchBook 样本：按首轮融资季度，模型预测为 AI 企业占比，样本 45313 家，其中 5599 家预测 AI。PitchBook 数据 2024Q3 之后融资记录覆盖率大幅下降，故截止该季度。YC AI 状态来自企业自主选择标签；PitchBook AI 来自在 YC 样本训练的随机森林模型预测。

图 2 YC 细分赛道 AI、非 AI 企业分布统计至少 20 家企业的 40 个细分赛道；按 AI 相对占比排序。AI 初创集中知识工作赛道；非 AI 集中医疗设备、金融、硬件赛道，N=2786。

图 3 员工数量直方图（区分 AI / 非 AI）YC 样本，至少有一名 Revelio 匹配员工 N=2233；员工数做缩尾处理上限 50（95 分位）；数据 2025‑01。AI 初创（红色）大量集中在小于 10 员工区间，非 AI（蓝色）分布更靠右。

图 4 离开 YC 之后，随季度推移平均在职员工数量红色 AI 初创，蓝色非 AI；无匹配员工季度员工数记 0。时间窗口：离开孵化器后 1‑12 个季度，最多跟踪三年。同样时间点 AI 企业员工规模大约是非 AI 企业一半，差距长期存在。

图 5 组织层级深度直方图层级深度定义：企业员工内部出现过多少个不同 Revelio 职级等级。N=2233。AI 初创（红色）大量集中在 1‑3 层；非 AI（蓝色）大量分布 4‑7 层。AI 企业整体层级更浅、更扁平。

图 6 人均估值直方图样本：同时拥有 Revelio 员工、PitchBook 估值记录 N=1046；人均估值缩尾处理上限 1000 万美元（97 分位）。红色 AI 初创分布明显右移：同等人数获得更高估值。

图 7 YC 带 AI 标签 990 家企业大模型分类结果43%：AI 完成过去人做的工作；24%：AI 让专家工作更快更好；15%：AI 是供别人搭建部署的基础设施；18% 其他。合计 67% AI 企业把 AI 嵌入对外交付产品。

表 1 描述统计A 面板 YC 样本；B 面板 PitchBook 样本，以预测概率 0.5 划分 AI / 非 AI。报告员工数、层级、管理者占比、基层 / 资深员工占比、工程师占比、融资估值、人均指标均值标准差。

表 2 AI 状态对企业员工规模回归分别水平、对数、泊松三种模型。YC 二元 AI 标签；PitchBook 连续 AI 预测概率。全部控制批次 × 行业（YC）/ 首轮融资季度 × 行业（PitchBook）交互固定效应。对数回归排除员工 = 0 企业。HC1 稳健标准误。p<0.1，p<0.05，p<0.01。

表 3 AI 对职能人员占比回归七个职能：工程师、科研、销售、市场、运营、财务、行政。样本为至少匹配一名员工企业。

表 4 AI 对职级构成回归被解释变量：基层员工占比、中级占比、资深员工占比。

表 5 AI 对组织层级回归被解释变量：层级深度（不同职级数量）；管理者岗位占比。

表 6 AI 与融资、估值结果A 面板总融资、总估值对数；B 面板人均融资对数、人均估值对数。

表 7 产品路径四类分类，附带企业实例1）自主工作流产品；2）专家增强产品；3）AI 基础设施；4）其他。每个类别列举 YC 真实公司案例与业务说明。

表 8 产品路径、流程路径回归对比样本：至少一条非外包岗位招聘公告 YC 企业。AI‑Product 虚拟变量：属于自主工作流、专家增强两类；AI‑Process 虚拟变量：招聘公告出现指定 AI 工具词典。控制招聘公告对数、批次‑行业交互固定效应。核心结论：产品路径显著降低员工规模、扁平化层级；流程路径没有显著解释力。

表 9 异质性分析：软件 / 服务交付 / 其他行业交互回归基准组软件行业；交互项 AI× 服务交付。服务业赛道 AI 带来的规模缩减、扁平化效应显著放大。

附录部分：样本筛选漏斗、分类提示词、AI 工具词典、行业报告汇总、稳健性检验表格、人口地理回归、附图残差核密度图等（原文附录）。

附录简要翻译

A.2 产品路径分类方法从 40 条随机业务描述归纳出 4 类框架，使用 GPT‑4.1 结构化输出，读取企业名称、批次、一句话简介、完整描述，输出一句话 AI 价值说明 + 四分类标签。提示词见原文。

A.3 流程路径：33 个 AI 工具词典

• 编码通用 AI 助手：ChatGPT、GitHub Copilot、GPT‑4、Claude、GPT‑3.5、Cursor、Zed、Devin、Codeium、V0、Cline、Sourcegraph Cody、JetBrains AI、Microsoft Copilot、Poe。
• 工作流创意工具：Midjourney，Stable Diffusion，ElevenLabs，DALL・E，Harvey AI，RunwayML，Adobe Firefly，Pika Labs，11x，Granola，Mem.ai，Read.ai，Loom AI，Zapier AI，Rewind AI，Superhuman AI，Sora。

不纳入 Hugging Face，文本分析发现招聘提到 Hugging Face 几乎全部指 “开发产品使用该库”，而不是员工日常办公辅助工具。我们只抓取员工内部使用工具。选择 “具体工具名称匹配” 而不是模糊 “使用 AI 工具” 关键词，提升指标精确度。

A.4 行业报告综述现有行业报告观察 AI 初创企业人均营收、人均估值更高，达成 ARR 里程碑速度更快，但缺少严格对照组，没有控制行业、成立时间；本文填补该空白，做系统组内对比。

样本筛选漏斗YC 原始 2891 家；匹配 PitchBook 2786 家；Revelio 至少 1 员工 2233 家。 PitchBook 原始首轮融资 2020‑2024 共 47007 家；Revelio 至少 1 员工 41214 家。

稳健性：控制企业员工数量之后，层级扁平化结论不变。AI 企业层级更少、管理者占比更低，不是单纯因为人少。

人口、地理附录回归结论：AI 初创总部旧金山占比更高；员工研究生学历占比更高；PitchBook 样本女性员工占比更低，亚裔占比更高，毕业院校声望得分更高。

注：文中人名、机构名统一采用中文通用译法；统计术语、计量经济学名词保持国内学术通用表述。Working Paper工作论文；Valuation估值；Hierarchy Depth层级深度；VC‑backed startups风险投资支持初创企业。