中经记者 陈靖斌 深圳报道

在大模型能力持续外溢、AI Agent逐步具备“任务执行能力”的2026年，一种以“少量人+AI系统”为基本单元的创业组织形态，正从边缘实验走向现实应用。不同于此前“云端工具+人工协作”的范式，这一新形态开始尝试将AI嵌入研发、运营乃至组织结构本身，重构企业运行逻辑。

“OPC不是一个人硬撑一家公司，而是少量人带着一组AI员工，把一家真实公司持续运转起来。”无派科技创始人孙宏量在接受采访时直言。与常见的“AI提效”叙事不同，这一判断指向的是更底层的变化：AI正在从辅助工具转向执行主体，并逐步进入企业核心生产流程。

图/无派科技创始人孙宏量

这种变化也带来一个尚未被充分回答的问题——当AI可以承担跨岗位、跨链路的完整任务闭环时，传统以“岗位分工”为基础的组织结构，是否仍然是企业运行的最优解？而所谓“一人公司”，究竟是效率工具的升级，还是组织范式的重构？

从“一个人全包”，到“AI接管整条生产线”

从“一个人做多工种”，到“AI承担完整链路任务”，无派科技的演进路径呈现出一条清晰的技术——组织协同演化轨迹。

“早期做iBeta尝鲜派、Pasty水印相机时，本质上还是一个人做很多工种，只是通过脚本和自动化把效率提高了一些。”孙宏量向记者回溯称。这一阶段，自动化更多停留在“工具层”，尚未触及组织结构本身。

转折发生在大模型与智能体能力跨越式提升之后。

“我意识到，AI不只是回答问题，而是已经可以写代码、补测试、整理需求、生成运营内容，甚至参与开发它自己所在的系统。”孙宏量表示。在这一判断下，其团队开始将零散能力沉淀为名为SunCodexClaw的AI集群系统，并逐步引入角色分工、上下文记忆与执行链路。

这一过程并非一次性完成，而是经历了多轮关键迭代。

“第一步是把需求、开发、测试、部署、运营这些原本割裂的流程打通；第二步是让AI从‘给建议’变成‘直接执行任务’；第三步是明确人机边界。”孙宏量介绍称。在这一阶段，人主要负责方向、架构与验收，AI则承担可流程化、可并行的执行工作。

在具体业务层面，这种重构已经嵌入多个项目。

以“老孙的店”及自营电商为例，AI集群覆盖了从需求拆解、接口与后台代码生成，到商品文案、海报设计、数据整理、日报生成，再到部署发布与线上问题排查的完整链路。“过去需要产品、前后端、设计、运营、运维多人接力，现在很多链路可以由少量人配合AI完成闭环。”孙宏量表示。

在Todoo应用及“土豆子”硬件相关业务中，AI的参与范围进一步延展至嵌入式开发与跨端协同。“AI会参与模块开发、测试补全、日志分析、部署脚本、OTA流程整理，以及微博、公众号等内容工作。”他补充称。

更值得注意的是，AI系统本身也处于持续“自演化”状态。

“SunCodexClaw很多能力，是在服务这些项目的过程中，由AI参与开发并不断迭代出来的，相当于一边支持业务，一边完善自己。”孙宏量向记者表示。这种“生产系统反向优化自身”的机制，使得AI不再是静态工具，而成为组织能力的一部分。

在运行效果层面，变化首先体现在节奏与组织结构上。

“很多以前按周推进的需求，现在可以做到当天拆解、开发、测试和上线。”孙宏量指出。同时，原本依赖跨岗位沟通的流程，也逐步在同一系统内闭环完成。

但在这一阶段，约束亦同步显现。

“AI的上下文稳定性、结果一致性，以及复杂任务下的误判，还有跨项目协同时的边界控制，都还需要人来设计和兜底。”孙宏量坦言。

从“AI跑全流程”，到“公司必须可控”

如果说AI集群带来的变化首先体现在执行层效率，那么其真正的约束，则来自“企业作为组织体”的运行逻辑。

“OPC最难的地方，不是让AI产出内容，而是让它在真实公司里可靠运行。”孙宏量向记者强调。在其看来，公司并非技术演示环境，而是包含数据安全、权限控制、线上发布、售后响应与品牌风险等多重约束的复杂系统。

这一差异直接决定了人机分工的边界必须被严格定义。

“必须非常清楚：哪些事情可以让AI直接执行，哪些必须人工确认，哪些数据必须隔离，哪些决策必须由人拍板。”孙宏量表示。如果缺乏这一边界设计，虽然效率提升，但组织将变得不可控。

在具体实践中，其团队将问题转化为工程化流程。

“我们会把公开信息、内部信息和敏感信息区分开，不让所有任务在同一权限层运行。”孙宏量介绍称。在开发与上线环节，AI可以参与代码生成、问题排查与流程执行，但关键发布与最终验收仍由人完成。

这一机制实质上确立了“责任主体不外包”的原则——AI可以深度参与执行，但不承担最终决策责任。

从结构性角度看，这种模式的成立依赖于三类条件的同时具备。

其一，是AI能力从“点状辅助”走向“链路执行”，使得完整业务流程可以被拆解并部分自动化。

其二，是组织规模约束与成本压力的持续强化。在传统模式下，跨岗位协作意味着沟通成本与管理复杂度同步上升，而AI集群在一定程度上替代了这一中间层。

其三，是业务形态本身具备高频迭代与跨端协同特征。孙宏量指出，在Apple生态工具与AI硬件等赛道中，“需要快速试错、跨端协同、持续迭代”，这为OPC模式提供了适配场景。

但与此同时，制度与环境约束仍在形成过程中。

“最大的挑战，是合规、知识产权、数据安全和平台规则还在快速变化。”孙宏量表示。在这一背景下，小团队在经验与资源上的不足，成为其扩张过程中的现实掣肘。

对于政策环境，其提出三点期待：一是明确OPC及“超级个体”的政策定义与服务接口；二是在算力、云资源与模型调用上降低试错成本；三是在知识产权保护、融资通道与创新产品准入上提供更具可操作性的支持。

回到创业方法论层面，其总结亦指向“流程优先”的逻辑。

“不要把OPC理解成一个人做所有事，而是少量核心成员借助AI，把能力边界放大很多倍。”孙宏量向记者表示。在其经验中，过度依赖单次生成结果、权限边界不清以及任务拆解不够细，是最主要的“踩坑”来源。

“最重要的不是追最新工具，而是先把真实业务流程梳理清楚，再判断哪些环节适合交给AI。”他补充称。

在这一逻辑下，OPC并非简单的“减人增效”，而更接近于一次围绕“执行权重新分配”的组织实验——当AI可以承担越来越多的流程节点时，企业的核心不再是岗位数量，而是对流程、边界与责任的定义能力。

（编辑：赵毅 审核：童海华 校对：颜京宁）