一个人，不雇员工，却让 AI 完成 80% 的工作，甚至正向 100% 无人化逼近——John Rush 的“零员工公司”正在重写创业规则：用 AI 替代团队，用自动化替代管理，用速度替代规模。未来独角兽，可能只需要你和一台电脑。
你有没有想过，创业这件事情可能彻底变了？我最近听到一个访谈，让我对未来的公司形态有了全新认知。John Rush，一个声称自己运营着”地球上最自动化组织”的创业者，正在用 AI 颠覆我们对团队和雇佣的理解。
他的公司80%的工作都由AI agent完成，而他的目标是实现100%自动化。这不是什么科幻概念，而是正在发生的现实。听完他的故事后，我意识到我们正处在一个历史性转折点：单人创业者借助AI的力量，可能比传统的大团队更加高效和灵活。
John Rush的经历让我深思。他曾经运营过大型的风险投资支持的初创公司，管理着庞大团队和复杂的组织架构。但最终，他选择了一条完全不同的道路：抛弃传统的雇佣模式，转而与AI agent合作。在他看来，过去10年管理大团队的经历让他”厌倦了与人合作”，而AI的出现为他提供了独自工作的可能性。这种转变不仅仅是个人选择，更代表着商业模式的根本性变革。我开始思考：也许未来最成功的公司，不是那些拥有最多员工的，而是那些最善于与AI协作的。
从团队管理到AI协作的范式转变
John的转变过程让我看到了创业思维的革命性变化。他描述自己”委托了那家风投支持的初创公司，雇佣了CTO和CEO，然后离开公司开始学习AI”。这种决策在传统商业逻辑中几乎不可想象，但在AI时代却显得前瞻性十足。
他开始构建小型工作流工具，后来发展成能够完成大部分重复性工作的AI agent。这个过程中，他必须独自处理所有事务：会计、文书工作、设计、编程、营销、销售。正是这种全方位的痛点，驱动他一个接一个地用AI解决问题。
我发现John的方法论特别有启发性。他没有试图一次性解决所有问题，而是采用了渐进式自动化策略。他目前已经实现了80%的自动化，剩下20%主要集中在编程工作上。
但即使在编程方面，他也找到了巧妙的解决方案：与”co-maker”合作，这些人擅长使用AI编程工具，能够快速将想法转化为代码。这种合作模式完全不同于传统的雇佣关系，更像是项目制的深度协作。
让我印象深刻的是John对验证想法的独特方法。他会先独自验证想法并构建MVP，如果项目没有获得关注就让它自然死去。但一旦能够售出至少10个许可证，这就是产品有效的信号，然后他才会寻找合作伙伴进一步开发。
这种轻量级的验证方式，让他能够同时运行20个项目，快速试错而不会承担巨大的人力成本。我认为这种方法论将成为AI时代创业的标准操作程序：先用AI快速验证，再决定是否投入更多资源。
特别值得注意的是John在税务和会计工作上的突破。他提到今年完全由自己和AI完成了所有税务工作和会计工作，专业人士检查后发现没有任何错误。
这让我意识到，AI在处理结构化、规则性工作方面的能力已经超出了很多人的想象。传统上需要专业知识和大量时间的工作，现在可以通过AI快速准确地完成。这不仅降低了创业成本，也让创业者能够保持对业务各个环节的直接控制。
Lovable：AI时代的原型设计革命
John分享的Lovable使用经验让我对AI工具的潜力有了全新认识。他用Lovable替代了Figma，将其作为原型设计工具。但更重要的是，他把Lovable当作一个智能的对话伙伴，可以与之讨论想法、提出问题、寻求建议。
这种人机交互模式完全颠覆了传统的设计流程。在传统模式下，设计师需要先理解需求，然后在设计软件中创建界面，整个过程可能需要几天甚至几周。而John可以在一天内用Lovable创建10个不同的原型，每个都有不同的想法、设计和用户体验。
他的测试方法也很独特：将10个原型链接发给朋友，通过视频通话观察他们的使用过程，不提问、不干预，只是静静观察哪个原型最容易理解和使用。
这种快速迭代和验证的方法，让他的创意周期从传统的几个月缩短到几小时。John提到，他现在的迭代周期是3分钟，而与设计师合作的同样周期需要3天。这种速度差异不仅仅是效率的提升，更是创新思维方式的根本改变。
让我思考最深的是John对待AI的态度。他说：”我把AI当作人类对待，我认为这是它对我效果这么好的原因之一。很多人把AI当作技术，试图像对待软件一样以特定方式与之交流。我把它当作人类员工对待。”
这种拟人化的交互方式，让他能够获得更好的结果。他甚至发现，在与AI对话时加入情感和”请”这样的礼貌用词，会让AI的回答准确度提高7%。这提醒我，AI交互的艺术不仅仅是技术问题，更是心理学和沟通学的问题。
我认为John的做法展示了一个重要趋势：创业者不再需要成为所有技能的专家，而是需要成为AI协作的专家。他可以在没有任何设计背景的情况下创建出优秀的用户界面，关键在于他知道如何与AI有效沟通，如何描述自己的愿景和需求。这种能力可能比传统的专业技能更加重要，因为它放大了个人的创造力和执行力。
专业化AI agent与通用AI工具的策略选择
John对不同AI工具的选择策略给了我很多启发。他认为专业化的AI agent在特定任务上表现更好，因为开发者已经解决了所有边缘情况。他提到，虽然像GPT或Claude这样的通用AI很强大，但当它们独自工作时，经常会犯一些愚蠢的错误。而专业化的agent，比如专门用于构建目录数据的AutoGrid工具，在特定领域的表现要好得多。
我发现他的工具组合策略很有意思：先用通用agent获取初始数据和原型，然后在需要真正的全量数据和产品级质量时，转向专业化agent。这种分阶段的工具使用方法，既保证了快速启动，又确保了最终质量。
他提到的工具矩阵很全面：Lovable和V0适合原型设计，Replit适合全栈应用开发，Cursor和Windsurf适合复杂逻辑但需要编程知识，而Bolt则是一个中庸的选择，适合各种场景。
特别让我印象深刻的是他的SEO Bot，这是一个真正意义上的自主AI agent。你只需要提供一个URL，它就会自动进行研究，找到低竞争的关键词机会，计算潜在流量，制定SEO策略，甚至自动创建和发布内容。
John强调这个agent的设计目标是”完全移除用户的工作”，它会持续运行直到被关闭。这种设计理念代表了AI工具发展的方向：从辅助工具转变为自主工作者。
John的观点让我意识到，创业者需要重新思考工具策略。过去我们购买工具是为了提高生产力，但在AI时代，我们应该寻找能够替代工作的工具。John说：”我的主要用户是像我一样忙碌的创业者，他们不想变得更有生产力，他们只想什么都不做，让整个过程自动发生。”这种从”提升效率”到”完全自动化”的思维转变，将重新定义软件行业的价值主张。
我开始思考，也许创业成功的关键不再是拥有最好的团队，而是构建最好的AI agent生态系统。John通过精心选择和组合各种专业化工具，创造了一个几乎可以自主运行的商业机器。这种能力将成为未来创业者的核心竞争力：不是管理人，而是编排AI。
导航网站在AI时代的战略价值
John对导航网站未来价值的观点特别有前瞻性。他认为虽然AI可以回答问题，但关键在于它使用什么数据作为上下文。现在AI聊天机器人的最大进展就是改进它们的上下文和数据来源。AI擅长回答问题，但并不总是知道正确答案，因为这些信息可能不在训练数据中。他提到Grok之所以表现出色，是因为它使用社交媒体和推特数据，拥有更新鲜、更相关的信息源。
我发现John对数据质量价值的理解很深刻。他认为未来的导航网站将代表细分领域内最高质量的内容。比如Future Tools或Future Pedia这样的AI工具目录，创建者花费大量时间策划AI工具列表，发现优缺点，进行比较，寻找评论。这些数据非常宝贵，当你将这些数据输入到大语言模型中，然后询问”我应该为这个问题使用什么工具”时，模型就有了真正优质的目录数据来回答问题。
让我印象深刻的是他关于LLM选择数据源逻辑的观察。他注意到当他在Grok上搜索独立制作者时，系统给出建议并提供链接，点击后发现链接指向他自己创建的indie maker目录。这证明了大语言模型在选择数据来源时，倾向于选择目录而不是博客文章，因为目录明显是更高努力的内容。构建目录需要几个月甚至几年时间，而博客文章可能只是一个晚上的工作。
John的经历让我思考导航网站的演化方向。他认为随着进入数据量指数级增长的世界，问题变成了从大量选择中挑选什么。LLM已经在大量使用目录，当它们需要选择正确的数据来源时，倾向于选择目录因为这显然更合理。
同时，人们通过LLM发现目录后，通常会点击进入网站进行更深入的浏览，而不是继续使用LLM作为代理。
我认为John的观点揭示了一个重要趋势：在AI时代，策展和质量控制的价值将大幅提升。当内容生成变得廉价和容易时，高质量的人工策展将变得更加珍贵。导航网站的价值不再仅仅是信息聚合，而是质量保证和专业判断。这对内容创业者来说是一个巨大机会：专注于策展而不是创造，专注于质量而不是数量。
SEO与AIO：搜索优化的演进逻辑
John对SEO（搜索引擎优化）到AIO（AI优化）转变的看法很有启发性。他认为这两者的游戏规则本质上是相同的，不是什么全新的游戏。他很少看到LLM回答时引用的网页链接不在Google搜索结果的前列。如果你在SEO上表现好，在Google和Bing上排名靠前，大多数情况下你也会出现在LLM的上下文和RAG中。
我同意John的基本观点，但我觉得还有一些细微差别值得探讨。他认为虽然可能找到一些技巧方法，但长期来看最好的数据仍然会获胜，而最好的数据就是人们会分享的数据。我的看法是，在AI时代，域名权威性和声誉可能会变得更加重要，因为将会有大量内容涌现。LLM需要更多依赖内容发布者的身份、社交信号、关注者数量和真实互动等因素来判断可信度。
John分享了一个有趣的实验：他有一个新网站，没有任何反向链接，只有他发布的一条推特链接到这个网站。这条推特变成了病毒式传播，第二天他就从Google获得了大量流量，这意味着Google的算法现在会考虑来自社交媒体的反向链接，特别是来自知名账户的链接。这个观察很重要，说明搜索引擎正在将社交信号纳入排名算法。
让我担忧的是当前搜索生态系统面临的挑战。John提到Reddit现在被大量操控，人们创建假账户在Reddit上垃圾评论，因为Google很重视Reddit上的讨论。这种操控行为在LinkedIn和Twitter上也在发生，没人知道如何应对。
这让我想起早期我在加密货币领域的经历，当时我们就预见到AI会被用于网络垃圾信息，讨论过通过发布成本来限制垃圾信息的可能性。
我认为未来的搜索优化将更多依赖于权威性建设而不是技术操作。就像John提到X平台的优势，因为它使用自己的信息流和内容来提取数据，所以很容易追溯整个链条：谁在写回复、他们有多少关注者、谁在关注他们、是否经过验证、之前是否有过违规行为等。
这种基于平台自身数据的权威性验证，可能是解决虚假信息问题的关键。我甚至怀疑X平台可能会检查DM互动作为社交信号，这种深层次的关系验证将使算法更加智能和准确。
对AGI发展路径的思考
John关于AGI（通用人工智能）发展路径的观点让我重新思考了技术进步的本质。他的争议性观点是”我们不会通过LLM达到AGI”，认为我们已经实现了大部分进展，更多进展将来自软件本身而不是LLM。这个观点与主流观点截然不同，但他的论据值得深思。
John的观察基于他作为AI工具的深度用户的直接体验。他指出，当你观察AI的进步时，很难确定新的飞跃是因为LLM还是因为LLM之上的软件。作为直接使用大量AI和LLM API的用户，他能够清楚地看到不同模型之间的差异。他发现模型之间的差异并没有那么巨大，GPT-3.5到GPT-4的改进比GPT-4之后的所有改进都要大。
但当你使用工具、应用和AI agent时，感觉却完全不同，那里的变化是巨大的。这表明进步主要来自软件而不是底层模型。他将这种情况比作计算机的发展：计算机硬件在AI出现之前一直在变得更好更智能，但它永远不会导致AGI，是软件让硬件看起来智能。
同样，我们将看到更多基于AI的软件和工具被开发出来，它们将相互连接，但要达到AGI，需要更强的基础—LLM本身。
John的观点提醒我们关注一个重要趋势：真正的AI能力可能不在于单一模型的智能程度，而在于多个专业化系统的协调配合。就像他的业务运营模式一样，未来的AI系统可能是由众多专业化agent组成的生态系统，每个agent在特定任务上表现卓越，通过智能协调实现复杂目标。这种分布式智能架构可能比单一的超级智能模型更实用、更可靠、也更容易控制。
AI时代的教育理念与未来准备
John关于儿童教育的观点给了我很多启发，特别是在AI时代如何培养下一代的思考。他认为对孩子来说，学什么并不重要，重要的是训练大脑肌肉。无论是什么活动，只要能帮助训练大脑肌肉就是好的，甚至电子游戏也能让孩子变得更聪明。虽然游戏的缺点是可能过于有趣，让其他事情显得无聊，但它确实是大脑训练的有效方式。
我特别认同John对编程教育价值的强调。他认为编程是训练大脑的最佳方式，就像健身房举重一样，而且它具有成瘾性，是一种你真正喜欢做的大脑训练方式，没有电子游戏那种无法停止的副作用。
这个观点很有道理：编程需要逻辑思维、问题分解、抽象思维和系统性思考，这些能力在AI时代仍然珍贵。更重要的是，理解编程逻辑有助于更好地与AI协作。
让我印象深刻的是John如何将孩子融入他的工作中。他在家工作，白天时孩子们会过来观察他的工作。当他用Lovable做原型设计时，孩子们会问他在做什么，他会解释并让孩子们尝试提示AI。
这种互动不仅为他的工作带来了新鲜创意，也让孩子们从小就接触到AI协作的思维方式。他甚至会要求孩子们给他一些随机想法或提示，这让他的工作变得更有创造性。
我认为John的做法揭示了AI时代教育的一个重要方向：不是教孩子具体的技能，而是培养他们与AI协作的能力。传统教育注重知识传授，但在AI能够快速获取和处理信息的时代，更重要的是培养提问能力、创意思维和判断能力。
孩子们需要学会如何有效地与AI交流，如何评估AI的输出，如何将AI作为思维伙伴而不是替代品。
John提到如果孩子的想法成功了，他会把他们列为联合创始人，这种态度体现了对创意的尊重和对下一代的投资。我觉得这种家庭创业文化可能是AI时代教育的一个重要组成部分：让孩子们从小就参与真实的创造过程，体验从想法到产品的完整流程，培养他们的创业思维和执行能力。这比传统的课堂教育可能更适合准备他们面对快速变化的未来。
对2050年的预测与反思
John对2050年的预测既有趣又令人深思。他想象的未来场景像《机器人总动员》中的世界：建筑物完全封闭，没有窗户，人们在建筑物内通过神经链接直接连接到计算机。这种预测反映了对技术过度依赖的担忧，也体现了对人性在高度自动化世界中角色的思考。
虽然这听起来像反乌托邦，但John的逻辑有其合理性。他认为AI和机器人将使一切变得超级便宜甚至免费，人类将不得不发明游戏来找到存在的意义，因为没有什么是他们必须做的，一切都是可选的。然后人们会创造竞争性游戏来维持社会地位和目标感，而在线游戏最终会胜过线下游戏，因为它们在AI的帮助下会变得更有趣。
我对John的预测有不同看法。虽然我同意技术过度使用的风险确实存在，但我也看到了相反的趋势。比如在旧金山，尽管人们大量使用技术，但同时也热衷于户外活动和徒步旅行。我认为会有一个过渡期，在这个时期人们可能确实会过度使用技术，但最终会找到平衡。
一些人会深度沉浸在虚拟体验中，而另一些人会选择花更少时间使用技术，让技术处理他们不想做的无聊工作，从而有更多时间进行真实世界的活动。
我觉得John的预测忽略了人类对真实体验和社交连接的深层需求。即使技术能够提供完美的虚拟体验，人们仍然会渴望真实的触觉、气味、真实的人际关系和物理世界的探索。更可能的情况是，AI会承担越来越多的重复性和认知性工作，让人们有更多时间专注于创造、探索、艺术、运动和深度人际关系等真正人性化的活动。
我认为关键在于如何引导这种转变。就像John提到的，他鼓励创业者要孩子，并使用更多AI来获得更多时间。在公司实际运营期间生孩子可能是最好的时机，因为这为孩子提供了在其他地方无法获得的教育体验。这种将生活、工作和技术有机结合的方式，可能比完全沉浸在虚拟世界中更加健康和可持续。未来的挑战不是避免技术，而是学会明智地使用技术来增强而不是替代人类体验。
零员工公司模式的深层思考
听完John的访谈，我对未来的商业模式有了全新的思考。零员工公司不仅仅是一种成本控制手段，更代表着组织形态的根本性变革。传统公司的大部分成本和复杂性来自人力资源管理：招聘、培训、协调、激励、评估等。而在零员工公司模式中，这些复杂性被大大简化，创业者可以专注于最核心的价值创造活动。
John的经验让我意识到，这种模式的成功关键在于AI工作流的设计能力。就像传统公司需要优秀的管理者来协调团队一样，零员工公司需要创业者成为AI编排的专家。这要求创业者具备系统性思维，能够将复杂的业务流程分解为可以由AI执行的具体任务，并设计好这些任务之间的协调机制。
我认为这种模式特别适合几类业务：第一，信息密集型业务，如内容创作、数据分析、市场研究等；第二，标准化程度高的业务，如某些类型的软件开发、客户服务、财务处理等；第三，规模化要求不高的利基市场业务。这些领域的共同特点是工作相对标准化，决策规则相对清晰，适合AI的当前能力水平。
但我也看到这种模式的局限性。对于需要复杂人际交往、创意协作、或者处理高度不确定性问题的业务，纯粹的零员工模式可能不够。
John自己也承认，在需要编程等复杂工作时，他仍然需要与co-maker合作。这说明混合模式可能更现实：核心团队极小，大部分操作性工作由AI完成，特定专业工作通过项目制合作解决。
从社会影响角度看，我觉得零员工公司的兴起可能会促进就业市场的进一步专业化和项目化。传统的全职雇佣关系可能会被更灵活的专家合作关系取代。这既带来机会也带来挑战：一方面，专业人士可以更自由地选择项目和工作方式；另一方面，也需要新的社会保障和职业发展机制来支持这种新的工作模式。我相信随着这种趋势的发展，我们会看到更多支持零员工公司和自由专业人士生态系统的服务和平台出现。
本文由人人都是产品经理作者【深思圈】，微信公众号：【深思圈】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
