在 AI 圈的讨论中，有一个问题一直悬而未决：AI 智能体到底能在多大程度上改变一家公司的运作方式？是停留在"写代码辅助"的工具层面，还是能真正重塑组织形态？
Replit CEO Amjad Masad 给出了一个大胆的答案。他提出的「自驱型公司（The Self-Driving Company）」概念，在发布仅一天多就获得了超过 110 万浏览量。这不是空谈——Replit 用过去 6 个月的内部实践，交出了一些非常硬核的数据，也第一次让外界看到了"AI 智能体编织进公司肌理"之后，组织效率会发生怎样的质变。
数据不说谎：代码产出 3 倍，事故反降
最直观的变化发生在工程团队。从 2026 年 1 月到 6 月，Replit 工程师的代码提交行数增长了 5.8 倍。剔除招聘因素后，固定团队的人均产出也达到了此前的 2.9 倍。
更令人惊讶的是，这些数字伴随着质量指标的改善。代码审查延迟保持稳定，PR 回滚率和新建事故数量并未增加——反而有所下降。团队规模翻倍的同时，人均产出提升到三倍，质量还在变好，这在传统工程管理中几乎是"不可能三角"。
这里的关键在于：智能体不仅写代码，还参与了代码审查、事故调查、根因分析。人工代码审查配有智能体共同审查者，帮助捕获更多缺陷；事故调查由智能体协助定位根因，平均缓解时间（MTTM）正在缩短。代码审查的人工时间节省了 30%，且比例仍在上升。
如何运作：从"AI 助手"到"组织基础设施"
Replit 的做法不是让工程师多了一个 AI 工具，而是把智能体系统编织进了公司的运作体系——从"个人工具"升级为"组织基础设施"。
第一步：基础设施先行
一月底，Replit 启用了内部智能体实验基础设施：智能体运行框架、微型虚拟机、远程文件系统，加上访问策略、令牌代理、审计日志和 ZeroTrust 网络保护。然后让智能体接入 GitHub、GCP、Azure、Linear、Notion、Slack、Zendesk 等日常系统。当智能体获得跨系统上下文后，生产力实现了跃升。
第二步：「智能体管理者」模式
每位员工都可以使用一个管理型智能体，它能启动多个子智能体，代表你编排它们循环协作。工程师设计出"循环"（loop）：派出一组智能体去完成可验证的任务，自己则专注于更高层次的判断。Replit 的 CTO 甚至借助一群智能体，攻破了一个困扰团队已久的网络问题。
第三步：自改进的闭环
Replit 的 AI 团队构建了一套持续学习系统：分析用户反馈，提出改进建议，结合基准测试和 A/B 测试验证效果。Replit Agent 正在自我改进——这是最令人振奋的"自驱"案例。
从工程到全公司：一场自然的扩散
智能体的使用率很快从工程团队扩散到全公司，主要得益于 Slack 界面。其他团队看到工程师在 Slack 中给智能体分配任务，也开始自行尝试。
数据团队为智能体提供了数据仓库语义层，让任何人都可以提出商业智能问题并获得可靠答案，数据团队则能把时间投入到最困难的问题上。
销售团队利用智能体寻找产品合格线索，由于能使用内部知识（客户使用情况、项目活跃度、合同细节），外联沟通更具针对性。客户经理用它为每个客户准备定制化的沟通内容和演示文稿。
营销团队只需一条提示词，就能让智能体根据工程和产品团队的对话与文档起草产品规格说明，不必参加每一场会议。
支持团队处理最难工单的速度提高了 60%。智能体调查问题、遵循标准流程、选择标准回复或升级给工程团队。
在每个案例中，人都没有被自动化取代，而是从执行者变成了指挥者——这正是"自驱型公司"的核心逻辑。
一个意外的副产品：重新思考"自建还是采购"
当内部智能体系统成熟后，Replit 发现了一个意外的变化：他们对外部工具的需求大幅下降。一个年费达七位数的 SaaS 方案被停用了，因为内部构建的应用表现更好。一个竞品告警排查工具，质量相近但运行成本是 Replit 内部方案的十倍。一个自动化渗透测试工具，发现的漏洞更少，成本却高出十倍。
「自驱型公司」不仅改变了内部效率，还从根本上改变了公司的技术采购策略——通过自建智能体系统，许多过去需要购买的外部工具，现在都可以用更低的成本在内部实现，且质量更高、定制化更强。
框架：自驱型公司的三个层次
Replit 的实践揭示了一个清晰的三层框架：
- 建立跨系统智能体访问权限——让智能体能够调用 GitHub、Slack、数据仓库、工单系统等所有关键工具，获得完整上下文。
- 设计"智能体管理者"而非单点工具——每个员工有一个管理型智能体，可以调遣多个子智能体完成复杂任务，自己负责判断和决策。
- 让智能体参与闭环验证——不仅仅是执行，还要参与检查、测试、审查，形成"执行→验证→优化"的循环。
值得注意的是，Claude Code 之父 Boris Cherny 在同期分享的《AI 采用步骤》表格中，将"自驱型公司"定位为第 3 阶段「受监督的自主运行」，并在少数闭环场景中触及第 4 阶段「AI 原生」。这与 Replit 的实际表现高度吻合。
推演：这不仅仅是 Replit 的故事
Replit 作为一家 AI 应用开发公司，当然有天然的技术优势。但"自驱型公司"的框架是通用的：人设定方向，AI 智能体负责执行和验证，两者之间是"指挥"而非"替代"关系。
这一框架的普适性在于：任何拥有内部知识库、跨系统协作需求、以及重复性工作流的组织，都可以从工程团队开始，逐步将智能体扩散到数据、销售、营销、支持等职能。关键在于，这不是"买一个 AI 工具"就能解决的问题，而是需要从组织架构和基础设施层面进行设计。
正如 Amjad Masad 所说："这只是开始。"随着模型能力的持续提升，自驱型公司的边界还将被不断推远。而下一个问题可能更值得思考：当 AI 智能体成为公司运作的默认基础设施，管理者的角色会发生什么变化？