Marc Andreessen 借鉴 Replit 创始人 Amjad 的观点，探讨 AI Agent 如何进入企业并推动“自动驾驶公司”的到来。文章提出“混乱”是颠覆性技术落地的重要信号：回顾个人电脑、电子表格和电子邮件的历史，它们均以未经批准、自下而上的混乱方式进入职场，随后企业通过建立合适的“栖息地”（habitat）将其驯服，在保留员工自主性和热情的同时实现有序管控。作者认为 AI Agent 当下的无序使用（聊天窗口、个人账号、零散脚本）正是重大变革的前兆，关键在于谁能“让混乱 reign，再驾驭 chaos”，从而释放组织深层对齐与生产力。
本文介绍 Replit AI 团队关于 agent harness 设计的实证文章：与其让较弱的 router 替强模型选择 LLM，不如解放模型自己决定 effort 档位、何时委派任务以及交给谁。Replit Agent 通过四个可组合委派原语（领域感知子 agent、档位与 effort、可复用子 agent、动态 effort 调整）实现这一目标。生产数据显示，GPT-6 Astra 是首个无需吩咐就例行把实现交给通用 worker 的模型，回访已有子 agent 的比例达 42%。基准测试中 Replit Agent 在 DeepSWE 和 Terminal-Bench 上均优于 sidekick 架构 11~16 个点，且具备成本-质量帕累托有效性。作者将其解读为 Sutton「苦涩的教训」的实例：模型越强，harness 越应少做决定。
Replit 团队分享了其 Agent harness 的设计理念：与其使用模型路由器来选择 LLM，不如让主模型（core loop）自主决定子代理的层级、努力程度和委派方式。文章介绍了四个可组合的 harness 原语：领域感知子代理、子代理分层与努力度、可复用子代理、动态努力调整。在 DeepSWE 和 Terminal-Bench 基准上，Replit Agent 相比 Astra 单模型和 sidekick 架构实现了成本与得分的 Pareto 最优，作者将其视为 Sutton 'bitter lesson' 在 harness 设计中的体现：僵化的脚手架终将被可扩展的通用方法超越。
作者对10家公司进行了AI搜索可见性审计，分析ChatGPT和Gemini在回答软件推荐类问题时实际引用哪些页面。研究发现，AI可见性与被引用页面数量高度相关（相关系数0.91）。各公司获胜策略不同：Vercel靠文档、Zapier靠集成与博客、ElevenLabs为每个产品能力建独立页面、Amplitude主打比较查询。文章逐家分析差距并提出建议：Replit应补'无代码构建部署'内容、Vercel应主动讲清大规模成本、PostHog需瞄准购买决策类查询、ElevenLabs应发布价格对比。
Replit通过引入AI代理实现了公司运营模式的变革。工程师代码输出增长近三倍，代码审查时间保持稳定，质量指标提升。代理系统处理生产事故、代码审查、数据分析等任务，形成自动驾驶公司。员工专注于战略决策，AI执行具体步骤，显著提升生产力和效率。
