20个小团队打败谷歌:ElevenLabs如何用「3个月法则」重构AI组织
一家AI语音公司,没有副总裁、没有层级,20个5-10人的小团队完全自治。
听起来像组织管理的灾难——重复造轮子、方向不一致、资源浪费。
但ElevenLabs用3年时间证明,这套看似混乱的体系,反而成了对抗谷歌、亚马逊的秘密武器。基础设施团队从3人扩展到11人,产品线从单一语音合成扩展到音乐生成、AI对话代理,建立了10,000个声音的市场,向创作者支付了1000万美元。
CEO Mati透露的核心武器,是一条简单到极致的规则:如果研究团队 3个月 内搞不定,产品团队可以用任何方法先上。
一、9个月的拉锯战
2022年,ElevenLabs最高频的用户需求是:能不能加个滑块,调节语速?
这在传统音频软件里是标配。但Mati和研究团队的态度是:绝不。
"我们不想变成上一代音频编辑工具——100个滑块,需要专业培训才会用。"Mati说,"AI应该自动理解,什么场景用什么语速,不需要人工调节。"
研究团队开始攻关:让模型根据上下文自动判断语速。新闻播报,语速稳定;对话场景,语速自然。
1个月过去,没搞定。3个月、6个月,依然没进展。
产品团队急了:"这需求10行代码就能完成,为什么要等?"
研究团队委屈:"相信我们,再给点时间。"
这是所有AI公司的两难:等研究突破,产品错过窗口期;用临时方案,研究努力被浪费。
9个月后,研究还是没突破。产品团队加了滑块,用户满意度立刻飙升。
这场拉锯让Mati意识到:公司需要一个明确规则,平衡研究理想主义和产品现实主义。
二、3个月法则:AI时代的组织协议
解决方案简单到意外:
如果研究预计超过3个月,产品可以用任何方法先上——调用其他模型、写传统代码、甚至手工处理。
为什么是3个月?
"我们要求研究团队规划每季度能交付什么,哪些是长期项目。"Mati解释,"3个月是一个季度,这是我们能接受的等待上限。超过这个时间,市场不等人。"
这条规则背后的三层逻辑:
1. 给研究足够尊重
太短(1个月)研究没时间创新;太长(6个月)产品被拖死。3个月是双方的平衡点。
2. 承认AI研究的不确定性
传统软件可以精确排期,AI不行——你不知道模型优化需要1周还是1年。超过3个月的,默认高风险,产品不必等待。
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。