a16z領投500萬美元，給企業(yè)裝了一個真正會思考的大腦

你有沒有想過，為什么公司一旦超過 50 人，就像突然變了一家公司？那些曾經(jīng)在午餐時就能同步的信息，現(xiàn)在需要三個會議才能對齊。那些所有人都清楚的決策邏輯，突然就沒人記得了。更糟糕的是，當你問"我們當初為什么這么做"時，得到的答案往往是"可能要問問當時負責的那個人，但他三個月前離職了"。

這不是管理問題，而是一個規(guī)模化帶來的必然現(xiàn)象。就在最近，一家叫 Sentra 的創(chuàng)業(yè)公司完成了 500 萬美元的種子輪融資，由 a16z speedrun 和 Together Fund 共同領投。參與投資的還有 Parable、Precursor Ventures、Inovia、Backwards Capital、Antigravity Capital，以及一眾來自微軟、Dropbox、Salesforce 和 Slack 的前高管。這家公司正在做一件極其大膽的事：他們想給企業(yè)裝一個真正的大腦，一個能夠記住、理解并學習的組織記憶系統(tǒng)。

當我深入了解 Sentra 后，我發(fā)現(xiàn)他們觸及了一個所有成長型公司都會遇到但很少有人真正解決的核心問題：上下文衰減。而他們提出的解決方案，不是又一個文檔工具或知識庫，而是一種全新的企業(yè)智能形態(tài)。這讓我重新思考了一個根本性問題：在 AI 時代，企業(yè)到底應該如何"思考"？

規(guī)模化如何摧毀組織的認知能力

我觀察到一個有趣的現(xiàn)象：公司的崩潰點總是以可預測的方式出現(xiàn)。當團隊只有 20 人時，你會失去在午餐時同步信息的能力。50 人時，產(chǎn)品和工程的協(xié)調(diào)開始出現(xiàn)裂痕。150 人時，跨職能的上下文完全蒸發(fā)。500 人時，高管們實際上在管理一家他們已經(jīng)不再真正理解的公司。

這個問題的本質(zhì)在于，人類大腦的社交認知能力有上限。鄧巴數(shù)字告訴我們，一個人能維持穩(wěn)定社交關系的人數(shù)大約是 150 人。超過這個數(shù)字，你根本無法記住每個人在做什么，更別說理解他們的決策邏輯了。但公司的規(guī)模化是必然的，于是我們發(fā)明了各種"補償機制"來應對這個問題。

傳統(tǒng)的解決方案是什么？更多的站會、更多的狀態(tài)文檔、更多的儀表盤。每增加一層流程，都在增加摩擦的同時降低真正的理解。Notion 頁面在幾周內(nèi)就過時了，Confluence 變成了文檔墓地。結(jié)果是，組織能夠追蹤關于"發(fā)生了什么"的一切，卻完全不理解"為什么會這樣"。

我曾經(jīng)在一家快速增長的創(chuàng)業(yè)公司工作，六個月內(nèi)團隊從 30 人擴張到 120 人。我親眼看到知識是如何流失的。一個工程團隊花了整整一個月時間為某個功能構建支持，結(jié)果發(fā)現(xiàn)另一個團隊在三個月前就已經(jīng)廢棄了這個功能，沒人告訴他們。這不是溝通問題，而是上下文衰減的必然結(jié)果。當信息分散在數(shù)百個對話中，當決策的背景只存在于某些人的腦海里，這種浪費就無法避免。

Sentra 的 CEO Jae Gwan Park 在他的公告中提到了同樣的觀察："當你只有 3 個創(chuàng)始人時，每個人都知道一切。但幾個月內(nèi)擴展到 50 或 100 人時，你甚至很難記住每個人的名字，更別說保持同步了。人們不再知道為什么要做這些決策，或者更糟的是，人們根本不知道做了什么決策。"這段話精準地描述了每一家成長型公司都會面臨的困境。

為什么現(xiàn)有的解決方案都失敗了

面對這個問題，我們嘗試了各種方法。更多的文檔、更多的會議、更多的工具。但這些方法從根本上都是錯誤的，因為它們把問題理解成了"信息存儲"問題，而不是"認知"問題。

想想你公司里的 Google Drive。10TB 的文件，數(shù)千個文檔，但這不代表公司"有知識"，這只是在囤積。知識不等于存檔。存檔只是靜態(tài)的文物，等待被搜索。一個擁有 10TB Google Drive 的公司不是一個有知識的公司，而是一個囤積者。真正的記憶是理解、連接和持續(xù)學習的能力。

打個比方，圖書館收藏書籍，但學者閱讀這些書，在不同卷冊之間建立聯(lián)系，并隨著時間發(fā)展出判斷力。我們今天所謂的"機構記憶"，實際上是有良好歸檔的機構失憶癥。文檔躺在那里，但沒人知道它們之間的關系，沒人記得為什么當初要這么寫，更沒人在這些文檔基礎上形成新的理解。

再看看我們依賴的那些碎片化的 SaaS 工具。它們需要持續(xù)的人工喂養(yǎng)。我們在為這些工具服務，而不是它們?yōu)槲覀兎铡Ｎ覀兏鹿巍⒂涗浲ㄔ挕⑻顚懕砀瘢@些工具不是在幫助我們，而是在索取貢獻。每個工具都是一個孤島，它們之間不交流，不理解彼此的上下文。

我認為，這種方法從一開始就注定失敗，因為它把"組織的認知能力"簡化成了"數(shù)據(jù)的存儲和檢索"。就像你不能通過給大腦增加硬盤容量來提高智力一樣，你也不能通過增加文檔數(shù)量來提高組織的智能。真正的智能不在于存儲了多少信息，而在于能否理解這些信息、連接這些信息，并基于這些信息做出更好的決策。

Sentra 提出了一個根本性的轉(zhuǎn)變：從存檔到記憶。他們的目標不是構建一個更好的搜索引擎，而是構建一個真正能夠理解、學習和推理的組織大腦。這在以前是不可能的，但現(xiàn)在技術突破讓它成為可能。

三個技術突破讓組織記憶成為可能

為什么這個問題以前沒有被解決？因為直到最近，AI 還只是檢索工具，而不是推理工具。它能找到一個文件，但無法理解一家公司。Sentra 的聯(lián)合創(chuàng)始人 Ashwin Gopinath 是前 MIT 教授，他在 2023 年發(fā)表了一篇很有影響力的論文 Reflexion，探討了 AI agent 如何通過反饋進行自我改進。這個研究為更具適應性的 AI 系統(tǒng)奠定了基礎。

我認為有三個關鍵的技術突破改變了游戲規(guī)則，讓組織記憶系統(tǒng)從科幻變成現(xiàn)實。

第一個突破是暗物質(zhì)的數(shù)字化。過去，口頭決策、走廊談判、臨時頭腦風暴會在發(fā)生的那一刻就蒸發(fā)掉。這些才是真正重要的東西，真正的決策往往發(fā)生在非正式的對話中，而不是正式的會議紀要里。但這些對話從來沒有被記錄下來，它們就像暗物質(zhì)一樣，存在但不可見。現(xiàn)在，隨著視頻會議、即時通訊工具的普及，這些"暗物質(zhì)"開始可以被捕獲了。Sentra 正是利用這個機會，將這些非正式但關鍵的對話轉(zhuǎn)化為可理解的組織記憶。

第二個突破是上下文窗口的爆炸性增長。從 4K tokens 到超過 1M tokens，這不僅僅是數(shù)量級的變化，而是質(zhì)的飛躍。這意味著 AI 現(xiàn)在可以對整個組織的歷史進行推理，而不僅僅是搜索它。你可以問"為什么我們在去年 Q3 做了這個定價決策"，AI 不是簡單地找到相關文檔，而是理解當時的背景、考慮的替代方案、參與討論的人員、最終的權衡邏輯，并將這些碎片化的信息整合成一個連貫的敘述。

第三個突破是持續(xù)記憶修訂。Sentra 維護著一個關于你組織的活態(tài)狀態(tài)，這個狀態(tài)隨著決策的發(fā)生而更新，不需要模型重新訓練。這是關鍵的區(qū)別。傳統(tǒng)的知識庫是靜態(tài)的，需要人工更新。而 Sentra 的記憶是動態(tài)的，它會自動捕獲新的決策、更新相關的上下文、重新連接相關的信息。這就像人類大腦的工作方式：你不需要"重啟"大腦來記住新的東西，記憶是自然而然地持續(xù)更新的。

Sentra 的 CTO Andrey Starenky 解釋說："Sentra 充當你業(yè)務的大腦，實時真正理解你的團隊在做什么。它優(yōu)化組織思維，使大規(guī)模有效領導成為可能，在這種規(guī)模下，對齊至關重要，清晰度會復合增長。"這段話揭示了他們的核心洞察：組織需要的不是更好的存儲系統(tǒng)，而是一個真正的認知系統(tǒng)。

System 3：從個體智能到集體智能的躍遷

Sentra 提出了一個我認為非常深刻的概念框架，借用了 Daniel Kahneman 的思維系統(tǒng)理論。Kahneman 說人類思維有兩種模式：System 1 是快速、直覺的思維，System 2 是緩慢、理性的思維。Sentra 將這個框架應用到組織層面，提出了一個創(chuàng)新的觀點。

在組織中，System 2 是結(jié)構化輸出：Jira 工單、產(chǎn)品需求文檔、季度報告。這些是正式的、可見的、有格式的。但 System 1 是原始認知：會議和對話中的談判，決策真正發(fā)生的地方。大多數(shù)工具只捕獲 System 2，但 System 2 是衍生的。當某件事變成工單時，真正的思考已經(jīng)在別處發(fā)生了。

我深有體會。作為產(chǎn)品經(jīng)理，當我寫 PRD 時，真正重要的決策往往已經(jīng)在前一周的幾次非正式討論中完成了。PRD 只是這些討論的總結(jié)，而那些討論中的權衡、爭論、妥協(xié)，才是真正的決策邏輯。但這些往往不會被記錄，它們存在于參與者的記憶中，隨著時間流逝而消失。

Sentra 直接捕獲 System 1，構建對決策如何做出、項目如何演變、上下文如何在公司中流動的真正理解。這已經(jīng)很強大了，但 Sentra 更進一步。當 AI 將 System 1 和 System 2 在整個公司范圍內(nèi)編織在一起時，會出現(xiàn)新的東西。他們稱之為 System 3：組織層面的集體智能。

System 3 不是個體優(yōu)化工作流程的單人游戲，而是多人認知游戲。組織不再只是存儲它的思考，而是作為一個連貫的實體真正地思考，而不僅僅是試圖保持一致的個人集合。這是一個質(zhì)的飛躍。想象一下，一個公司就像一個有機體一樣思考，每個部門都是這個有機體的一部分，它們通過一個共享的神經(jīng)系統(tǒng)連接在一起，信息自由流動，決策基于整體的理解而非局部的視角。

這聽起來很抽象，但實際應用場景非常具體。一個工程師問"為什么架構是這樣的"，立即得到完整的決策歷史，不需要找人喝咖啡，不需要在舊的 PRD 中考古。一個 VP 剛加入公司，一周內(nèi)就能問 Sentra "為什么 Q3 的定價決策是這樣的，誰不同意，之后發(fā)生了什么變化"，這些上下文過去需要六個月的走廊對話才能獲得。一個創(chuàng)始人周一早上醒來，得到一個跨工程、銷售和運營的綜合報告，不是需要協(xié)調(diào)的狀態(tài)文檔，而是一個連貫的敘述，風險已經(jīng)浮出水面。一個 COO 注意到偏離，不需要四個會議來三角定位，而是得到完整的決策歷史、障礙，以及誰需要在場。

我認為這種轉(zhuǎn)變的意義不亞于從個人電腦到互聯(lián)網(wǎng)的跨越。個人電腦讓個體變得更強大，互聯(lián)網(wǎng)讓個體連接起來。而 System 3 讓組織作為一個整體變得更智能。協(xié)調(diào)稅被削平，流程變得可選，因為系統(tǒng)本身理解上下文，自動傳播相關信息。

這對企業(yè)意味著什么

當我深入思考 Sentra 的影響時，我意識到這不只是一個工具，而是一種新的組織運作模式。它改變了企業(yè)的基本能力邊界。

今天的 AI agent 確實令人印象深刻，但從根本上說是單人游戲。Claude Code、Copilot、Operator，它們擅長一個人可以向一臺計算機描述的任務。它們不理解組織。我們要解決的問題不是"如何自動化我的個人工作"，而是"當上下文每天在數(shù)百次對話中碎片化時，如何讓 50 個人保持一致"。

Glean 搜索文檔，Copilot 總結(jié)你面前的內(nèi)容。但它們都不構建記憶，都不會將三月的對話、六月的決策和九月的后果連接起來。為什么它們做不到？因為這是一個研究問題，而不只是工程問題。

讓數(shù)百萬 tokens 的組織上下文產(chǎn)生連貫意義需要新的科學。Sentra 的團隊在 MIT 構建了 Reflexion，現(xiàn)在他們將其擴展為"操作強化"：通過維護錯誤形成時的短期記憶，他們實現(xiàn)了實時修正，大大提高了性能。他們展示了用這種方法微調(diào)的 40 億參數(shù)模型在編碼基準上與 GPT-3.5 和 GPT-4o 相匹配。他們正在將這些能力擴展到增加上下文長度、改進時間推理，以及建模決策如何在組織中傳播。

這帶來了一個重要的護城河。隨著時間推移，Sentra 在一家公司內(nèi)運行的每一個月，都變得更難被替換。關于這個特定組織如何溝通的學習上下文是不可導出的。OpenAI 在 2027 年從頭開始，對你的公司零歷史上下文。這種護城河隨著使用時間的增長而加深，就像人類專家的經(jīng)驗一樣。

從商業(yè)價值角度看，Sentra 解決的是一些非常實際的痛點。新員工入職時間從幾周縮短到幾天，因為"關于 X 我應該問誰"有了答案。狀態(tài)更新和決策日志是自動化的，不再需要追著人要。領導者每周得到一個關于團隊在哪里偏離、什么需要注意的綜合報告。這些都直接轉(zhuǎn)化為成本節(jié)省和效率提升。

但更深層的價值在于，它改變了組織的能力上限。過去，公司的規(guī)模受限于創(chuàng)始人或領導者能夠直接管理的復雜度。Paul Graham 說過"創(chuàng)始人模式"，意思是創(chuàng)始人需要深入?yún)⑴c細節(jié)。但當公司到了幾百人規(guī)模，創(chuàng)始人不可能參與每個會議，了解每個決策。Sentra 改變了這個限制：創(chuàng)始人可以在 200 人規(guī)模保持創(chuàng)始人模式，不是因為他們參加每個會議，而是因為他們有一個 agent 參加并真正理解它聽到的內(nèi)容。

組織的暗知識與決策痕跡

Sentra 觸及了一個我認為被嚴重低估的問題：組織的暗知識。在任何公司里，真正運行企業(yè)的是一個缺失的層：決策痕跡。例外、覆蓋、先例和推理，這些目前存在于 Slack 線程和人們的腦海中。

一個 VP 在 Zoom 上批準了一個折扣。一個支持主管基于三個系統(tǒng)的綜合分析進行升級。連接數(shù)據(jù)和行動的推理從未被當作數(shù)據(jù)對待。當 Sentra 捕獲這些時，先例變得可搜索。一次性例外變成了機構知識。

想象一下這個場景。銷售團隊給一個大客戶特殊折扣，這個決策在一次視頻會議中口頭批準了。沒有正式文檔，沒有記錄，只有參與會議的幾個人知道。三個月后，另一個銷售代表遇到類似情況，但不知道有這個先例，要么給了不一致的答案，要么重新走一遍審批流程。這種信息不對稱每天都在發(fā)生，浪費時間、造成不一致、降低效率。

通過 Sentra，這個口頭決策被捕獲、理解并整合到組織記憶中。下次類似情況出現(xiàn)，相關的先例會自動浮現(xiàn)。這不只是搜索，而是理解上下文、識別相似性、連接相關決策的能力。

這種能力的影響是深遠的。OKR 反映實際發(fā)生的事情，而不是理想中應該發(fā)生的事情。項目狀態(tài)自動更新，因為系統(tǒng)理解進展和障礙。那個默默解決三個團隊障礙的工程師終于被看見，因為系統(tǒng)捕獲了他的貢獻。CRM 條目從對話中自動填充，銷售代表不再需要手動記錄每次交流。

當有人問"我們?yōu)槭裁催@樣做"時，有一個答案，不是猜測，而是實際的決策痕跡。這種透明度對于組織學習至關重要。只有當你理解過去的決策邏輯時，你才能做出更好的未來決策。

結(jié)尾

也歡迎大家留言討論，分享你的觀點！

覺得內(nèi)容不錯的朋友能夠幫忙右下角點個贊，分享一下。您的每次分享，都是在激勵我不斷產(chǎn)出更好的內(nèi)容。

歡迎關注深思圈，一起探索更大的世界。

- END -

兩個“特別坑”的AI產(chǎn)品創(chuàng)業(yè)方向，你知道嗎

速度將成為AI時代唯一的護城河

a16z重磅預測：Vibe coding贏者通吃？錯了，垂直專業(yè)化才是未來