AI 原生新創——兩人團隊、六個 Agent、一天取代六個月

本文整理自 Possible Podcast 2026 年 1 月播出的三集系列對談，是系列文章的第三篇。

系列文章：霍夫曼 × Patil 的 AI 原生對談

1. AI 原生工作者的誕生——個人如何用 AI 重新定義工作方式
2. 企業 AI 轉型為什麼還在休息室？——從祕密機器人到工作流革命
3. AI 原生新創：兩人團隊、六個 Agent、一天取代六個月（本篇）——新創公司的 AI 原生實戰

新創的優勢：你本來就什麼都沒有

三集系列對談的最後一集，里德．霍夫曼（Reid Hoffman）和 Parth Patil 把焦點從個人和企業轉向新創公司。霍夫曼是 LinkedIn 的共同創辦人，也是矽谷最活躍的科技投資人之一，透過 Greylock Partners 投資了超過 37 家 AI 公司；Patil 則是他團隊中的 AI 專家，從 Clubhouse 的第一位資料分析師轉型為 AI Agent 開發者，現在負責霍夫曼旗下的 AI 專案，並同時為多家新創提供 AI 導入的顧問服務。

霍夫曼一開場就直說：Patil 是他認識的人裡面「最 AI 原生的」。但 Patil 自己的反應很有意思——他說他大概只算早期的 AI 原生者，下一代會更徹底。他遇過從沒用過實體鍵盤的年輕人，對他們來說滑鼠和鍵盤才是外星科技。

但真正讓這一集有爆發力的，是 Patil 對新創公司的一個觀察。他說，相比於大企業，新創有一個根本性的結構優勢：你本來就什麼都沒有。大企業有上千名員工、既有的流程、層層的審批制度，要導入新技術就像轉一艘航空母艦。但新創公司不是航空母艦，新創公司根本還不存在——用他的原話說，「你預設就是死的」（default dead）。你沒有官僚、沒有慣性、沒有「我們以前都這樣做」的包袱。所以你可以從第一天就以 AI 為前提來設計所有流程。

每隔兩週，重新想像一次「這能用在哪」

被問到「AI 原生到底是什麼意思」的時候，Patil 的回答不是一個定義，而是一種節奏。

他說，幾乎每隔一到兩週，就有某個新的 AI 能力上線——Codex 可以連續工作兩天了、Opus 4.5 如果給它規劃框架就能自主迭代、ElevenLabs 的語音模型突然多了情緒注入功能。每次看到這種新能力，他的反應不是「不錯哦」然後繼續手邊的事，而是出去散步，邊走邊想：這個新能力可以套用在我正在做的哪些事情上？

他的具體流程是：先用文字把目前的工作流程描述清楚——我們現在是怎麼做的、有哪些步驟、哪些是人在做的。然後把這個描述丟給語言模型，附上新能力的說明，問它：「如果我們現在有了這些新能力，該怎麼重新設計這個流程？能不能更平行化、更模組化、讓人做更少苦工？」

然後他會讓模型想一整天，提出幾個不同的方案，再派 agent 去執行。不是每次都成功，但他說常常能走到 80% 的完成度，等於一次省掉上百小時的工作。這就是他所謂的「認知的平行化」——人類本來是瓶頸，同一時間只能做一件事，但有了 agent 之後，你可以把一個任務拆成多個子任務，讓多個 agent 同時在不同方向上推進。

Palette 的故事：兩個人打出企業級戰力

Patil 講了一個他朋友 Emilio 的故事來說明這種新打法。

Emilio 經營一家叫 Palette 的公司，專門做 JavaScript 效能優化——讓 Notion 這類網頁應用跑得更快、更流暢。公司只有兩個人，都是工程師。Patil 在 Claude Code 剛起飛的時候就把它推薦給 Emilio，當時的場景是一群程式設計師朋友在舊金山吃晚餐，Patil 大力推銷，但 Emilio 一開始是有點不以為然的——因為他本身就是非常優秀的 JavaScript 工程師，對 AI 生成的程式碼品質有很高的標準。

四個月後，他們又吃了一次飯。這次 Emilio 主動把 Patil 拉到旁邊說：他們正在啟動一個企業級合作案，團隊還是只有兩個人。因為 Codex 能在 20 分鐘內解決那些他要花一整個禮拜才能搞定的晦澀問題。身為一個什麼都要自己扛的創辦人，把多日的程式問題委託給 AI 系統，讓他有餘裕去處理其他責任，這完全改變了他的經營方式。

Patil 觀察到一個模式：當他把前沿的 AI 工具放到真正厲害的工程師手上，效果比在他自己身上更驚人。那些工程師會變得更有野心，提前達到他們原本覺得還很遠的里程碑，然後重新思考他們的團隊應該怎麼組建——圍繞著這種新的「打法」來設計。

六個 Agent 的翻譯流水線

但三集系列中最精彩的案例，是 Patil 正在幫霍夫曼的 Possible Podcast 做的事：用 AI 把英語 Podcast 重新製作成多國語言版本，不是加字幕，不是翻譯逐字稿，而是用霍夫曼和共同主持人 Aria Finger 的聲音，重新「演出」一段法語、中文、印地語的對話。

Patil 的上一份工作在 Clubhouse，那家公司的國際化團隊有 20 到 25 人，光是進入一個新市場就要花好幾個月。這個經驗讓他對「多語在地化」有多困難有切身的理解。但他也正是因為這個背景，才在看到 AI 語言模型加上語音模型的組合時，立刻意識到這個問題可以被重新拆解。

他的做法是：把問題完整描述給 Codex，口述了大約十分鐘，然後要求它設計一個「把 Podcast 重新動畫化為五種語言」的 agentic workflow。一天之內，Codex 和 Claude Code 聯手建出了第一版。

最終的系統用了六個 Agent，各自負責一個步驟：

第一個 Agent 把原始逐字稿拆成一輪一輪的對話——這是霍夫曼說的、這是 Aria 說的、這又是霍夫曼。第二個 Agent 為每一輪對話標注情緒——這段是「認真的」、這段是「微笑的」、這段是「強調語氣」、這段是「好奇地提問」。這些情緒標籤會在後面指導語音生成的語調。第三個 Agent 負責翻譯，但不是逐字翻譯，而是「transcreation」——保留原意但適應目標語言的文化和慣用語。第四個 Agent 驗證翻譯，確保翻完之後對話的標籤和結構仍然完整。第五個 Agent 用 ElevenLabs 的聲音模型生成語音，使用霍夫曼和 Aria 的聲音複製品。第六個 Agent 再把生成的語音轉回文字，跟原本的翻譯比對，確認輸出跟預期一致。

所有 Agent 都跑在 GPT-4.1 上，使用 OpenAI 的 Agents SDK。Patil 特別提到，整個系統之所以可能，是因為他從一開始就告訴最聰明的模型：「我們要用 agent 的架構來解決這個問題。」他不是先想好架構再去實作，而是把問題丟給模型，讓模型來設計 agent 的分工。

加拿大法語的教訓：翻對了但不在地

最有意思的插曲發生在法語版上線之後。

霍夫曼因為近年在法國的科技生態中投入不少心力，所以法語是第一個上線的語言。他們把成品拿給法國朋友聽，得到的回饋是：「這聽起來像加拿大法語。」

他們本來不知道這有差別。AI 翻譯在「法語」的層級是正確的，但在「哪個地方的法語」這個層級出了問題。法語在巴黎、蒙特婁、日內瓦、達卡聽起來都不一樣，而他們的法國受眾期待的是巴黎口音和巴黎的表達方式。

這件事迫使他們回頭重新設計流程。不只是換一個翻譯模型的參數，而是要重新訓練聲音——做出一個「巴黎法語版的霍夫曼」——然後重新調整翻譯 Agent 的指令，讓它區分法國法語和加拿大法語。ElevenLabs 的語音混合工具（voice remixing）讓這件事技術上可行。

Patil 說，這個插曲讓他意識到，真正的在地化不是「每種語言一個版本」，而是「每個地區一個版本」。同一個道理推到印度，會變成六、七種不同語言的在地版本。他後來試著用自己的聲音複製品生成了印度六種語言的版本，拿給父母聽。他說父母的反應是「這聽起來像是馬哈拉施特拉邦的 NPR」，品質好到讓他們下巴都掉了。

而當他第一版的法語翻譯流水線跑通之後，Codex 問了他一句：「要不要我把其他 68 種語言也打開？」他說他還沒準備好——因為每種語言都需要母語專家來做品質把關——但技術上，切換語言只需要改一個參數。

人類專家不是被取代，是被重新定位

Patil 在描述翻譯專案時反覆強調一件事：AI 處理了大量的粗活，但最後的品質把關必須有人類專家。他們為每種語言找了母語人士來做審校，這些人的工作不是從頭翻譯，而是聚焦在幾個 AI 最容易出錯的地方：慣用語的轉換、科技術語的在地化表達、以及「transcreation」——某些概念在另一種語言裡沒有直接對應，需要用那個文化自己的方式重新解釋。

他的結論是：一個技術人配上幾個語言專家，就能完成以前 25 人團隊花六個月才能做的事。專家的角色從「做所有事」變成「做 AI 做不好的那幾件事」，而後者往往是最需要文化理解和語感判斷的部分——恰好也是人類最不可替代的部分。

知識圖譜：跟自己三年的技術探索對話

在第二集中，Patil 展示了一個他用 Repl.it 做的私人工具，值得在新創的脈絡下重新理解。

他讓一個 agent 掃描他過去三年所有專案的程式碼，辨識出他用過的所有技術、框架、工具，然後用微軟的 GraphRAG 技術建成一個三維知識圖譜。整個東西完全是 Vibe Coding 出來的——他估計自己親手寫的程式碼不超過 1%。

然後他做了一件更有趣的事：他問這個知識圖譜本身，「你能不能教自己怎麼加上一個語音助手？」圖譜就自己修改了自己，加了一個語音按鈕，讓 Patil 可以用口語跟自己三年的技術經驗對話。他在 Podcast 中現場示範，對著它說「帶我到 Claude Code 的節點，告訴我關於 Claude Code 的事」，然後圖譜就導航到對應的節點，用語音回答他。

Patil 認為，類似的東西最終會出現在每一家公司裡——一種由 agent 管理、互動式的、不斷演化的知識 wiki。不是那種靜態的、沒人更新的企業維基，而是一個你可以跟它對話的活系統。霍夫曼延伸說：「想像每個人有自己的維基百科，每個團隊有自己的維基百科，每個專案有自己的維基百科，每家公司有自己的維基百科。」

創始團隊的新邏輯

霍夫曼問 Patil：今天的創始團隊跟五年前有什麼不同？

Patil 的回答很具體。首先，你的第一個技術人（CTO 或技術共同創辦人）應該已經會用 Claude Code 或 Codex，而且要很快地進階到同時操控一小隊——大約 20 個——coding agent 的水準。這有學習曲線，但投報率極高，因為這個能力會一路延伸到後續所有的招聘中。

其次，每個團隊成員都應該有一筆 AI 運算預算。Patil 把它比喻為「等同於一個外包人力的費用」——Claude Code 的使用費加上其他 agent 的費用。把這筆錢花在 AI 工具上，比同樣的錢花在多請一個人上，產出可能更高。

第三，找通才型的人。能快速切換角色的人——一個 PM 如果能 Vibe Code，能用原型快速說服團隊嘗試新的設計方向（即使那個原型不是生產級的），這個 PM 能讓整個團隊快好幾週。

最後，Patil 和霍夫曼都強調了一件容易被忽略的事：技術人的第一份工作不只是建自己的開發環境，而是放大非技術合夥人的能力。如果你是 CTO，你應該確保你的商業合夥人也在用最好的 AI 工具——不是只有工程團隊在享受 AI 加速，而是整個創始團隊都在加速。

「能不能不提 AI？」

三集系列的尾聲，霍夫曼問了一個很尖銳的問題：你怎麼分辨一家新創的 AI 是真的還是行銷話術？

Patil 的回答是：當你看到「AI-enabled」「AI-powered」這類字眼時，如果對方沒辦法再往下講一層——用的是哪個模型？AI 在流程中扮演什麼角色？拿掉 AI 之後這個產品還有沒有意義？——那就值得懷疑。

他舉了一個很直觀的例子：有人在乎 Uber 用的是什麼資料庫嗎？乘客只在乎安全地從 A 點到 B 點。技術是手段，不是目的。如果你不說「AI」就沒辦法解釋你的產品在做什麼，那也許 AI 根本不是重點。

然後他說了一段在整個三集裡可能最值得記住的話。他說，他嚮往的未來是 AI 在底層運作、被視為理所當然的世界——因為它就是那麼好用，好用到完全退入背景，不需要特別拿出來講。AI 不應該是主角，它應該服務於真正的目標：創作一件新東西、學會一件新事情、打造一個新產品。當 AI 融入背景、不再被特別標榜的時候，才是它最好的狀態。

我的觀察

Podcast 翻譯案例最有啟發的不是技術細節，是 Patil 的思維路徑。 他看到「把 Podcast 做成多語版本」這個需求時，第一反應不是「該用什麼工具」，而是「這個問題可以被拆成哪些子任務」。先拆成對話輪次、再加情緒標籤、再翻譯、再驗證、再生成語音、再驗證語音。每個子任務都小到可以獨立交給一個 Agent 去做，彼此之間的銜接用結構化資料（JSON）來保證。這種「先拆解、再平行化」的思維模式，才是 AI 原生的核心能力——它不依賴特定工具，無論模型怎麼換代都適用。

加拿大法語的插曲暴露了 AI 翻譯真正的風險不是「翻錯」，而是「翻對了但不在地」。 這對臺灣企業做東南亞市場也是一記警鐘。AI 可以把中文完美翻譯成印尼語，但那是雅加達的印尼語還是泗水的印尼語？是正式場合的用法還是日常對話的語感？這種差異不會被翻譯品質檢測工具抓到，因為從語法和詞彙的角度來看它完全正確。只有當地人聽了才會說「這不像我們」。這意味著 AI 翻譯的品管重點不應該是「有沒有翻對」，而是「聽起來像不像那個地方的人在說話」。

「技術人的第一份工作是放大非技術合夥人」這個觀點在臺灣的新創生態中非常反常識。 臺灣的技術共同創辦人通常把 80% 的精力放在產品開發和工程基礎設施上，覺得商業端的事是另一個人的責任。但 Patil 和霍夫曼的主張是：如果你的商業合夥人還在用手動方式做競品分析、市場研究、客戶溝通，而你的工程團隊已經在享受 AI 帶來的三倍速提升，那你的團隊就像一台一邊是渦輪引擎、另一邊是腳踏車踏板的車——再快也跑不直。讓整個團隊同步加速，比讓技術端獨自衝刺更重要。

「能不能不提 AI 就描述你在做什麼」是目前最好的 AI 新創試金石。 這個問題的殺傷力在於它逼你回到產品的本質。如果你的回答是「我們幫企業自動化客服回覆」，那很清楚，AI 是手段，客服效率是目的。但如果你的回答只能是「我們用 AI 做一些很厲害的事」，那就代表你可能還沒想清楚你到底在解決什麼問題。Patil 說得很好：沒有人在乎 Uber 用什麼資料庫。使用者在乎的是從 A 到 B 的體驗。當 AI 退入背景、變成理所當然的基礎設施時，才是它真正發揮價值的時候。