3. 避免研究和产品对立 没有规则时，双方无休止扯皮。有了3个月法则，季度初就说清楚什么能做、什么做不了，该等还是该绕路。
三、20个小团队的自治实验
光有3个月法则还不够。ElevenLabs真正激进的是：20个完全自治的小团队。
每个团队5-10人，拥有完整产品决策权。没有副总裁审批，没有跨部门协调会，团队自己决定做什么、怎么做、何时发布。
大部分公司不敢这么干：资源浪费、方向分裂、质量失控。
Mati的答案是：ownership带来的收益远超成本。
"当团队知道这件事完全取决于自己，他们会拼尽全力。如果每件事都要等审批、等资源协调，速度慢10倍。"
但ElevenLabs也不是放任自流，有三个关键机制：
1. 6个月验证期
新团队有6个月证明自己。无法展示价值（用户增长、收入贡献或技术突破），团队解散，成员重新分配。残酷但高效的自然选择。
2. Lead层的跨团队协调
虽然没有副总裁，但有Lead层负责研究、创意工具、AI代理、销售、运营等大方向。Lead不做决策，但在团队间建立连接。
"如果我看到团队A的东西可能帮到团队B，我会建议他们聊聊。"Mati说，"Lead需要极强的上下文切换能力，同时理解20个团队在干什么。"
3. 强制减少透明度
最反直觉的一条。
大部分公司追求透明——所有团队进一个大Slack群，信息完全共享。ElevenLabs反其道而行之：主动限制信息流动。
"如果把人加进所有频道，他会忍不住读所有消息，然后分心。我们发现，减少透明度反而让团队更专注。"
每个团队只知道自己的目标和相关依赖，不需要关心其他19个团队在做什么。专注比透明更重要。
四、呼叫中心里的AI研究员
这套架构能运转，还有个前提：找到真正热爱的人。
Mati在GitHub扫描开源语音项目时，发现一个质量极高的模型。代码漂亮，架构清晰，明显是高手。
联系作者才发现：这人白天在呼叫中心接电话，晚上回家研究AI。
没有名校学历，没有大厂背景，LinkedIn空白。他只是热爱语音技术，所以业余时间做了开源项目。
Mati毫不犹豫招了他。现在，这人是ElevenLabs最顶尖的研究员之一，负责所有数据处理。
"我们不看简历，只看代码。"Mati说，"有真实产出，背景不重要。"
在欧洲，Mati发现了一群被低估的人才。
"在美国，社交时都聊工作。但在欧洲，工作和生活分开，没人愿意晚餐谈工作。"Mati说，"但欧洲也有一群人，非常渴望找到能拼命做事的公司。他们不是不想干，是没地方干。"
ElevenLabs的欧洲团队，成了公司里最拼命的一群人。
五、为什么去中心化反而更快？
为什么20个小团队，比一个大团队更快？
传统AI公司是集中式研究：
所有研究员在一个大Lab，聚焦几个核心模型
产品等研究突破后再开始做
资源集中，但速度慢——任何环节卡住，整个流程停滞
ElevenLabs恰恰相反：
20个小团队并行探索，每个独立试错
研究和产品双轨并行，研究做不出来的，产品绕过
单个团队可能失败，但总有团队会成功
这是分布式试错的逻辑。
就像生物进化：不是一个物种慢慢进化到完美，而是无数物种同时试错，适应环境的存活下来。
ElevenLabs的20个团队，就是20个"物种"。6个月内能验证价值的继续，验证不了的淘汰。
前提是：接受一定的混乱和浪费。有些团队确实在做重复的事，有些方向确实不对。但这些"浪费"的成本，远低于"等待一个大团队慢慢试错"的成本。
六、什么样的公司适合这套玩法？
Mati承认，这套模式有明确的适用边界：
1. 你需要极强的Lead 去中心化不是放任自流。Lead需要极强的跨团队协调能力、上下文切换能力。这样的人很难找。
2. 你的产品要足够模块化 如果产品高度耦合（如操作系统、数据库），20个团队各干各的会导致灾难。ElevenLabs能做到，是因为产品足够模块化：TTS、STT、音乐生成、AI代理相对独立，可以并行开发。
3. 你的团队要足够成熟 小团队完全自治，意味着每个人都要有独立决策、快速执行的能力。如果大部分是新手，他们会迷失在自由里。
七、AI时代的组织哲学
ElevenLabs的故事给了一个关键启发：
在AI时代，组织架构本身就是产品。
传统公司优化"如何让大团队高效协作"——所以有层级、流程、KPI。
但在AI时代，速度和试错能力比效率更重要。你需要的不是一个完美的大模型，而是20个快速迭代的小模型。
3个月法则、20个小团队、无职级制度，这些看似混乱的设计，本质是一种反脆弱性的组织。
单个团队失败不要紧，还有19个在继续；研究3个月做不出来不要紧，产品可以先上。
系统的韧性，来自局部的冗余和混乱。
Mati说："如果你想做一个慢慢打磨的大模型，那就集中所有资源，建一个顶级Lab。但如果你想快速迭代、快速试错，那就把团队拆成20个，让他们自己探索。"
这是两种完全不同的哲学。OpenAI、Google DeepMind选择了前者——集中资源，打磨GPT、Gemini。ElevenLabs选择了后者——分布式探索，每个团队都是独立的增长引擎。
没有对错，只有选择。
但至少，ElevenLabs用3年证明：小团队，也能打败巨头。
三个问题给你：
你的研究和产品，是等待关系，还是并行关系？
你的组织架构，是为了"协调效率"，还是"试错速度"？
你愿意接受20%的混乱，来换取80%的自主权吗？
在AI时代，组织本身，就是你的竞争力。
from a16z
ElevenLabs CEO: Why Voice is the Next AI Interface
更多深度AI访谈精华：aihuangshu.com
三、20个小团队的自治实验
光有3个月法则还不够。ElevenLabs真正激进的是：20个完全自治的小团队。
每个团队5-10人，拥有完整产品决策权。没有副总裁审批，没有跨部门协调会，团队自己决定做什么、怎么做、何时发布。
大部分公司不敢这么干：资源浪费、方向分裂、质量失控。
Mati的答案是：ownership带来的收益远超成本。
"当团队知道这件事完全取决于自己，他们会拼尽全力。如果每件事都要等审批、等资源协调，速度慢10倍。"
但ElevenLabs也不是放任自流，有三个关键机制：
1. 6个月验证期
新团队有6个月证明自己。无法展示价值（用户增长、收入贡献或技术突破），团队解散，成员重新分配。残酷但高效的自然选择。
2. Lead层的跨团队协调
虽然没有副总裁，但有Lead层负责研究、创意工具、AI代理、销售、运营等大方向。Lead不做决策，但在团队间建立连接。
"如果我看到团队A的东西可能帮到团队B，我会建议他们聊聊。"Mati说，"Lead需要极强的上下文切换能力，同时理解20个团队在干什么。"
3. 强制减少透明度
最反直觉的一条。
大部分公司追求透明——所有团队进一个大Slack群，信息完全共享。ElevenLabs反其道而行之：主动限制信息流动。
"如果把人加进所有频道，他会忍不住读所有消息，然后分心。我们发现，减少透明度反而让团队更专注。"
每个团队只知道自己的目标和相关依赖，不需要关心其他19个团队在做什么。专注比透明更重要。
四、呼叫中心里的AI研究员
这套架构能运转，还有个前提：找到真正热爱的人。
Mati在GitHub扫描开源语音项目时，发现一个质量极高的模型。代码漂亮，架构清晰，明显是高手。
联系作者才发现：这人白天在呼叫中心接电话，晚上回家研究AI。
没有名校学历，没有大厂背景，LinkedIn空白。他只是热爱语音技术，所以业余时间做了开源项目。
Mati毫不犹豫招了他。现在，这人是ElevenLabs最顶尖的研究员之一，负责所有数据处理。
"我们不看简历，只看代码。"Mati说，"有真实产出，背景不重要。"
在欧洲，Mati发现了一群被低估的人才。
"在美国，社交时都聊工作。但在欧洲，工作和生活分开，没人愿意晚餐谈工作。"Mati说，"但欧洲也有一群人，非常渴望找到能拼命做事的公司。他们不是不想干，是没地方干。"
ElevenLabs的欧洲团队，成了公司里最拼命的一群人。
五、为什么去中心化反而更快？
为什么20个小团队，比一个大团队更快？
传统AI公司是集中式研究：
所有研究员在一个大Lab，聚焦几个核心模型
产品等研究突破后再开始做
资源集中，但速度慢——任何环节卡住，整个流程停滞
ElevenLabs恰恰相反：
20个小团队并行探索，每个独立试错
研究和产品双轨并行，研究做不出来的，产品绕过
单个团队可能失败，但总有团队会成功
这是分布式试错的逻辑。
就像生物进化：不是一个物种慢慢进化到完美，而是无数物种同时试错，适应环境的存活下来。
ElevenLabs的20个团队，就是20个"物种"。6个月内能验证价值的继续，验证不了的淘汰。
前提是：接受一定的混乱和浪费。有些团队确实在做重复的事，有些方向确实不对。但这些"浪费"的成本，远低于"等待一个大团队慢慢试错"的成本。
六、什么样的公司适合这套玩法？
Mati承认，这套模式有明确的适用边界：
1. 你需要极强的Lead 去中心化不是放任自流。Lead需要极强的跨团队协调能力、上下文切换能力。这样的人很难找。
2. 你的产品要足够模块化 如果产品高度耦合（如操作系统、数据库），20个团队各干各的会导致灾难。ElevenLabs能做到，是因为产品足够模块化：TTS、STT、音乐生成、AI代理相对独立，可以并行开发。
3. 你的团队要足够成熟 小团队完全自治，意味着每个人都要有独立决策、快速执行的能力。如果大部分是新手，他们会迷失在自由里。
七、AI时代的组织哲学
ElevenLabs的故事给了一个关键启发：
在AI时代，组织架构本身就是产品。
传统公司优化"如何让大团队高效协作"——所以有层级、流程、KPI。
但在AI时代，速度和试错能力比效率更重要。你需要的不是一个完美的大模型，而是20个快速迭代的小模型。
3个月法则、20个小团队、无职级制度，这些看似混乱的设计，本质是一种反脆弱性的组织。
单个团队失败不要紧，还有19个在继续；研究3个月做不出来不要紧，产品可以先上。
系统的韧性，来自局部的冗余和混乱。
Mati说："如果你想做一个慢慢打磨的大模型，那就集中所有资源，建一个顶级Lab。但如果你想快速迭代、快速试错，那就把团队拆成20个，让他们自己探索。"
这是两种完全不同的哲学。OpenAI、Google DeepMind选择了前者——集中资源，打磨GPT、Gemini。ElevenLabs选择了后者——分布式探索，每个团队都是独立的增长引擎。
没有对错，只有选择。
但至少，ElevenLabs用3年证明：小团队，也能打败巨头。
三个问题给你：
你的研究和产品，是等待关系，还是并行关系？
你的组织架构，是为了"协调效率"，还是"试错速度"？
你愿意接受20%的混乱，来换取80%的自主权吗？
在AI时代，组织本身，就是你的竞争力。
from a16z
ElevenLabs CEO: Why Voice is the Next AI Interface
更多深度AI访谈精华：aihuangshu.com
