AI-native 公司不是”加了 AI 的公司”，是先改组织图、再配 truth layer + eval 的公司——任务交给 Agent 执行，人负责指挥和审阅；先让一个小循环跑起来，比开会先定完整方案重要得多。
Groupon 2027 AI-native 时间表——核心是”任务开始交给 Agent 执行，人负责指挥和审阅”。最容易被低估的 AI 变化不在模型发布会，而在组织内部——一个销售能不能自己搭 lead research 仪表盘、一个 PM 能不能直接问代码”这里有没有 hard-code”。提案必须带输入样例、输出样例、失败场景和评估指标 4 件套——”只带一个需求标题已经不够”。
非工程补 AI 能力的路径不是”上培训课”，是”放到能触达的位置”：训练资源、模型访问、共享 connector、MCP、Claude CoWork/Design/Code 全下沉到一线。具体执行是 speedboat 模式——业务 + 工程 2-3 人小队一起搭、一起集成、一起上线。她团队里的 PM 和 UX designer 现在至少都能 ship 到 staging。“成为 builder，不是 vibing 一个原型然后放在那里。成为 builder，意味着你要 ship。”
过去 Masha 倾向先买、先把流程跑通再自建。现在反过来：采购、测试、流程都要时间，自建小版本反而更快更便宜。“基础设施可以买，能形成 unfair advantage 的业务环节要自己建，尤其是 eval，那一层不能外包。” ——eval 是企业的判断力护城河，不能交给 SaaS。
企业卡在 pilot → production 的真正原因不是模型不聪明，是 Agent 不知道按哪套知识行动。Groupon 把这层基础叫 truth layer——每个类别（激光脱毛、按摩等）由对应服务领域的业务专家维护权威 source of truth，做成 AI-readable manifests（category playbook）。关键设计：谁拥有真相，谁维护真相——类别经理不能只讲一次就放手，必须持续写规则；deal 表现能追到 playbook 里某次具体编辑，错了能回源头改。
Groupon 的 eval 体系 3 特征：①确定性规则 + 概率性判断 + 回流循环 三组合 ②按服务层级聚合 insight（按摩 20 种服务生成 60 个 deal 看上下文捕捉；eval 暴露”Reiki massage 偏得厉害”，立刻定位到 playbook 哪条规则）③双阶段上线——早期系统保持开放让团队学习 pattern match，学到足够多后才划门槛（什么指标触发 human review，什么允许全自动）。Groupon 还跑 weekly quality control agents 持续监测。
自主 Agent 的吸引力来自规模，风险也来自规模。后台建议错了 = 内部返工；面向商家/消费者的自动决策错了 = 收入、信任、合规全部受损。Groupon 用小比例 customer rollout 控制 blast radius——换学习速度，守住客户信任。先让系统暴露错误，再用门槛决定什么时候放手，最后才扩大自动化比例——这与 Addy Loop “先仪表化再去扩循环”是同一思路的企业级版。
Masha 一年前还很保守（讨厌”经验不足的人把 thinking 外包给 AI”），现在她变了——因为她先搭了自己的 operating system：stakeholder、strategy、vision、metrics、source of truth、direct reports、决策记录 7 维全部持续进入她的知识库。她不逐封读邮件、不逐条读 Asana，信息先进入 Agent，按月/周策略排序给结论；外部知识（新工具、Claude 变化、GitHub trending repo）也先被 Agent 带回来再判断是否有用。她直接问代码”这里怎么运行”，四周自己写了 2-3 张 code audit tickets。
“不要把理解 AI 的责任委托给 AI 团队”——高管、PM、运营、销售如果只等别人做培训，很快会看不懂自己公司的新生产方式。最好的训练方式是自己搭一个小系统，让 Agent 读你的材料、理解你的目标、帮你完成一个真实任务。
上游：[[未来属于垂直领域Agent]]（同”晚点再听LaterCast”，那篇是”未来形态预测”，本文是”Groupon 企业实证”）+ [[Addy-Osmani-Loop-Engineering]] Loop 5+1 积木（本文”先跑小循环”对应 Loop 最小可用版）+ [[Laurel-CPO-Jiaona-Zhang-公司OS]]（同样是”公司 OS”视角，Laurel 给方法，本文给实证）
同级：[[Datawhale-Claude-Code之父的老板-Fiona-Fung-Agent协作方法]]（Anthropic 管理者视角）+ [[Multica-AI-Native-组织-人是最慢的节点]]（极端样本）+ [[ThinkingAgent-Knock-AI-Native组织5级成熟度模型]]（L3-L4 数据框架，本文是 Groupon 实证）+ [[Capihom-AI-Agent帮上门服务多接单-YC-Root-Access-Avoca]]（同 Capihom 编译系列）
主张 1：AI-native 公司先改的不是产品，是组织图 操作：Seetong 画组织图，把每个岗位标”指挥 Agent”还是”亲自做”，找出 5 个还是”业务提需求-工程写 PRD”老链路的岗位
主张 2：每个职能都能搭 1 个最小 Agent（speedboat） 操作：客服/产品/测试/运营各 1 个最小 Skill，1 周 ship 到 staging（哪怕 60% 完成度）
主张 3：Truth Layer 是 Agent 进生产的瓶颈（eval 不能外包） 操作：设备配置/报警规则/反馈分类的 source of truth 由张威+各产品线 owner 维护 → AI-readable manifests
主张 4：Eval 是企业的护城河，不能外包 操作：设备分诊/反馈分诊 eval suite，验收=该分到正确类别，每周跑 quality control agents
主张 5：高管自己用 AI 是新素养 操作：主人月报加”上周 AI 做的决策数 vs 主人亲自做的决策数”指标对齐 Masha 模式