Ang Iyong Bagong Trabaho ay Mag-onboard sa Mga Ahente ng AI: Paano Talagang Gumagana ang Mga Katutubong Kumpanya ng AI

In This Article

Minamahal na mga subscriber, ginugol ko ang nakalipas na ilang buwan sa pakikipanayam sa mga pinuno sa mga kumpanyang katutubong AI. Kumbinsido na ako ngayon na: Ang pag-onboard at pamamahala ng mga ahente ng AI AY ang trabaho, anuman ang iyong function. Sa libreng deep dive na ito, gusto kong ibahagi kung paano ipinapatupad ng tatlong kumpanya ng AI-native —Linear, Ramp, at Factory — ang prinsipyong ito. Narito ang ilang mga quote mula sa bawat isa:Nan Yu (Head of Product, Linear): "Magkakaroon ka ng mga miyembro ng AI team na maaari mong bigyan ng mga gawain at kausapin tulad ng kung paano ka nakikipag-usap sa mga tao." Geoff Charles (CPO, Ramp): "Kung hindi mo ginagamit ang Claude Code, kahit na ano ang iyong tungkulin, malamang na hindi maganda ang iyong pagganap." na maaaring tawagan ng sinumang empleyado.” Magbasa para sa panloob na pagtingin sa kung paano gumagana ang bawat kumpanyang katutubong AI.Linear: Paggawa ng mga ahente ng AI na mga first-class na kasamahanMaaari kang @banggitin ang isang ahente upang lumikha at magtalaga ng isyu sa isa pang ahenteAng diskarte ng Linear sa mga ahente ay hinuhubog ng kanilang produkto. Naniniwala si Nan (Linear's Head of Product) na:Ang mga ahente ay dapat na mga first-class na empleyado. Dapat mong maidagdag ang mga ito sa mga proyekto, italaga ang mga ito sa mga isyu, at banggitin sa mga komento. Gayunpaman, naniniwala rin si Nan na ang tao ay palaging nananagot sa kinalabasan. Narito kung paano gumagawa ang Linear ng mga produkto na may mga ahente sa bawat hakbang: Unawain ang problema. Binabasa at ibubuod ng mga ahente ang bawat pag-uusap ng customer mula sa Intercom, Zendesk, at Gong. Awtomatikong gumagawa sila ng mga isyu, inaalis ang dupe sa mga ito laban sa backlog, at itinatalaga ang mga ito sa tamang team. Tukuyin ang solusyon. Dahil may access ang mga ahente sa mga pag-uusap ng customer, matutulungan ka nilang umulit sa isang spec sa pamamagitan ng pagkuha ng mga insight na naka-back sa data mula sa maraming channel. Gumawa ng plano. Maaaring hatiin ng mga ahente ang iyong spec sa mga konkretong tiket at awtomatikong iruta ang mga ito sa tamang mga koponan. Sa Linear, ginagawa na ngayon ng mga ahente ang karamihan ng mga tiket. Ang trabaho ng tao ay suriin ang kanilang trabaho at ayusin ang konteksto sa paglipas ng panahon. Ipatupad. Direktang itinatalaga ang mga bug at maliliit na feature sa mga ahente tulad ng Codex at Cursor. Para sa mga kumplikadong feature, inilunsad ng mga inhinyero ang Claude Code at ginagamit ang Linear MCP para makuha ang buong konteksto ng isyu. Mula sa Nan: Parang ang saklaw ng kung ano ang maaaring pangasiwaan ng mga ahente ay lumalawak bawat quarter. Ang mga bagong modelo at harness ay nagtutulak sa hangganan mula sa mga simpleng pag-aayos hanggang sa lalong kumplikadong mga proyekto. Gusto mo bang bumuo sa mga ahente tulad ng Linear? Narito ang 4 na praktikal na hakbang na ibinahagi ni Nan sa kung ano ang magagawa ng iyong team ngayon: Ang bawat developer ay dapat mag-default sa isang nangungunang agentic coding tool. Ito ang pinakamadaling unang hakbang. Ibigay ang opisyal na tool (Cursor, Claude Code, o Codex) at pamahalaan ito para makita mo ang paggamit. Supplement na may async cloud coding agent. Maaaring one-shot ng mga ahente ng background ng Async ang karamihan sa maliliit na pagbabago at pag-aayos ng bug. May magagandang alok dito ang Cursor at Devin. Ipilit na direktang gumagana ang mga designer at PM sa codebase. Ang mga ahente tulad ni Claude ay nagbubukas ng isang low-friction path para sa mga PM at designer na direktang gumawa ng mga pagbabago sa codebase. Dapat magsikap ang lahat na maging isang tagabuo. Ang mga PM at marketer ay dapat mag-default sa isang interface ng AI. Ang mga function na ito ay dapat na gumagawa ng 80-100% ng kanilang trabaho sa pamamagitan ng isang chat interface — maging iyon ay Claude, ChatGPT, Notion AI, o isang katulad na bagay. Nakikita ni Nan ang hinaharap kung saan makikipagtulungan ang mga tao sa mga ahente sa spec level — tinutukoy kung ano ang kailangang itayo at bakit — at pagkatapos ay ipasa ang mga bagay sa mga ahente para pangasiwaan ang lahat sa ibaba ng agos. Noong 2025, nagpadala ang Ramp ng 500+ feature, umabot sa $1B na kita, at ginawa ang lahat ng ito sa pamamagitan ng 25 PM. Ginawa nila ito sa pamamagitan ng pag-aatas sa bawat solong function (eng, produkto, disenyo, benta, marketing, legal, pananalapi) na sumakay at makipagtulungan sa mga ahente. Nagbahagi si Geoff (CPO Ramp) ng isang framework para sa pagsusuri ng AI proficiency para sa bawat empleyado na nakikita kong napakapraktikal ng paggamit: GPT00: Minsan ay napakapraktikal ng paggamit ng mga empleyado sa Chat. Ang mga taong ito ay malamang na wala sa kumpanya nang mahabang panahon. Kung hindi ka self-starter na may growth mindset patungo sa AI tools, sinabi ni Geoff na magiging napakahirap na sanayin kang maging excel.L1: Gumagamit at nagsasaayos ng mga GPT, proyekto, at panloob na tool ng AI. Ang mga taong ito ay nag-eeksperimento sa AI ngunit hindi pa nakakapag-automate ng totoong trabaho.L2: Bumubuo ng app na nag-o-automate ng bahagi ng kanilangtrabaho. Ang mga taong ito ay maaaring gumawa ng code o magbigay ng makabuluhang feedback sa trabaho ng ibang tao gamit ang AI tool.L3: Mga tagabuo ng system. Binubuo ng mga taong ito ang imprastraktura at kasanayan ng AI na nagpapabilis sa lahat ng iba pa sa team. Ang layunin ng kumpanya ay itulak ang lahat sa hagdan. L0s self-select out. Ang L1 ay naging L2. Ang L2 ay naging L3. At ang mga L3 ay nakakaimpluwensya sa natitirang bahagi ng organisasyon. Nagbahagi rin si Geoff ng 5 hakbang na maaaring gawin ng anumang kumpanya para maging AI-native:Alisin ang lahat ng alitan. Magbigay ng access sa mga sikat na tool ng AI na walang mga hadlang sa mga token o badyet at lumikha ng isang panloob na imbakan ng mga kasanayan sa AI na maaaring makuha ng sinuman. Kung mahirap ang pag-setup, karamihan sa mga tao ay hindi magpapatibay. Gawing nakikita ang pag-aampon. Gumawa ng mga pampublikong channel ng Slack kung saan maaaring ibahagi ng mga tao ang kanilang binuo. Sa lahat ng bagay, ipakita ang mga hindi inhinyero na gumagawa ng mga kahanga-hangang bagay, tulad ng pagbuo ng pananalapi ng isang treasury system o pag-automate ng marketing sa paggawa ng website. Magbigay ng hands-on na suporta. Mag-host ng mga oras ng opisina na maaaring salihan ng sinuman upang bumuo ng mga kasanayan sa AI at mga daloy ng trabaho. Magtalaga ng mga eksperto sa AI na ang buong trabaho ay mag-ebanghelyo, mag-set up ng mga tao, at tulungan silang maabot ang "aha sandali." Subaybayan ang paggamit at mamagitan. Sinusubaybayan ng Ramp ang pagkonsumo ng token sa mga tool ng AI bawat empleyado. Ibinahagi ng pamunuan ang data na ito upang lumikha ng natural na pananagutan at humakbang kapag mababa ang paggamit ng isang tao. Gawin itong kinakailangan sa pag-hire. Kasama na ngayon sa mga panayam sa PM ang isang nakatuong session kung saan kailangan mong bumuo ng isang gumaganang produkto at pagkatapos ay ipaliwanag kung bakit mo ito ginawa at kung paano ito gumagana. Ibinubuod ni Geoff ang kanyang pilosopiya sa pamumuno para sa bawat tungkulin sa Ramp sa isang linya: Ang iyong trabaho ay ang pag-automate ng iyong trabaho. Mula kay Geoff: "Kung sasabihin ko sa aking koponan ng 10 beses na ang CTA ay kailangang nasa itaas ng fold, ang pag-aayos ay hindi sinasabi ito sa ika-11 beses. Itina-encode ang feedback na iyon sa isang automated na proseso ng pag-desenyo ng crit o kasanayan sa AI." upang hindi na muling mangyari ang Ramp sa isang araw. ang mga kumpanya ay gumagamit ng mga ahente ng AI, ipinapakita ng Pabrika kung ano ang mangyayari kapag bumuo ka sa paligid nila mula sa unang araw. Ang Factory ay isang 55-taong kumpanya ng AI software development na nagkakahalaga ng $300M na nakaayos sa paligid ng AI mula sa simula. Narito ang pinagkaiba nila: Mag-hire ng mga product engineerAng pabrika ay hindi kumukuha ng mga PM at engineer nang hiwalay. Sa halip, kumukuha sila ng mga inhinyero ng produkto na namamahala at nakikipagtulungan sa mga ahente ng AI. Ang isang karaniwang araw ay ganito ang hitsura:Suriin ang mga bakas mula sa mga pagtakbo ng ahente upang makita kung saan gumawa ang system ng hindi magandang desisyon. Sumulat ng mga pag-aayos hindi bilang code, ngunit bilang pamamahala (hal., isang update sa isang kasanayan, isang bagong lint na panuntunan, o isang pinong automation) Suriin lamang ang mga PR na ibina-flag ng mga ahente bilang mataas ang panganib (ang mga ahente ang bahala sa iba). Magmungkahi ng mga bagong ideya at pag-prioritize ng debate sa mga kasamahan at AI. codebase na maaari silang aktwal na magtrabaho upang maging epektibo. Ang factory scores codebases sa limang maturity level, at ang Level 3 ("Standardized") ay kung saan ang karamihan sa mga team ay kailangang maghangad muna. Factory's agent readiness frameworkEncode expertise into reusable skills Kapag ang iyong codebase ay agent-ready, ang susunod na hakbang ay ang pagbibigay sa mga ahente ng kaalaman na gumawa ng mahusay na mga desisyon sa pamamagitan ng mga kasanayan (karaniwang text markdown file lang). Gumagamit ang pabrika ng mga kasanayan upang i-encode ang kaalaman ng eksperto at kumpanya sa isang bagay na maaaring gamitin ng sinumang ahente o empleyado. Narito ang isang listahan ng mga kasanayang internal na ginagamit ng Factory at nagli-link sa kanilang mga markdown file para makopya at baguhin mo:Kasanayan sa pamamahala ng produkto. Mga prinsipyo ng produkto, isang 11-star na framework ng karanasan (hiniram mula sa Brian Chesky ng Airbnb), template ng PRD, rubric sa pagmamarka, at gabay sa wika lahat sa isang markdown file. Kasanayan sa pagsasama ng Front UI. Nagtuturo sa Droid kung paano bumuo ng mga feature gamit ang sistema ng disenyo ng Factory, mga routing convention, at mga pamantayan sa pagsubok. AI data analyst skill. Magpatakbo ng pagsusuri sa paggalugad, bumuo ng mga visualization, at bumuo ng mga istatistikal na ulat gamit ang buong Python ecosystem.Kasanayan sa mga panloob na tool. Bumuo ng mga admin panel, support console, at operational dashboard na may wastong mga kontrol sa pag-access at pag-audit sa pag-log in.Vibe coding skill. Mabilis na mag-prototype ng mga bagong web app mula sa simula gamit ang mga modernong framework. Kung maaari mong i-encode kung ano ang alam ng iyong pinakamahusay na mga tao sa mga kasanayan, hindi mo kailangang kumuha ng mga espesyalista para sa bawat function.6 na hakbang para maisagawa ang lahat ng ito.Linear: I-default ang bawat developer sa isang agentic coding tool tulad ng Cursor, Claude Code, o Codex. Kumuha ng mga PM at designer sa codebase. Hayaan silang magsumite ng PR at ship code gamit ang mga ahente. Ihinto ang pagruruta sa bawat maliit na pagbabago sa pamamagitan ng isang engineer.Mula sa Ramp: Sukatin ang kahusayan sa AI sa iyong team. Ang balangkas ng 4 na antas ng Ramp ay nagbibigay sa iyo ng isang nakabahaging bokabularyo para sa kung nasaan ang mga tao at kung saan sila kailangang pumunta. Subaybayan ang paggamit ng AI at gawin itong bahagi ng mga inaasahan sa pagganap. Hindi mo mapapabuti ang hindi mo nasusukat, at mahalaga ang mga insentibo. Mula sa Factory:I-iskor ang iyong codebase para sa pagiging handa ng ahente. Gamitin ang mga antas ng pagiging handa ng ahente ng Factory para maunawaan kung handa na ang iyong codebase. I-code ang kadalubhasaan ng iyong team sa mga kasanayang magagamit muli. I-encode kung ano ang alam ng pinakamahuhusay mong tao sa mga file ng kasanayan at gawing madali para sa mga tao at ahente na gamitin ang mga ito. Bigyan sila ng konteksto, ikonekta sila sa iyong operational stack, at panatilihing may pananagutan ang isang tao para sa kanilang mga resulta. Ipaalam sa akin kung ano ang iniisip mo sa mga komento!

You May Also Like

13 Trending Songs on TikTok in March 2026 (+ How to Use Them)

China’s Cybersecurity Agency Issues Security Warning About OpenClaw

Our Best AI PM Workflows for Prototyping, Strategy, and Personal OS (2026)