智能：AI時代的商業、組織與戰略的本質（曾鳴教授全新商業思考）

今年最明顯的變化，可能不是AI又推出了什麼新模型，而是同一家公司、同一套工具，正在把人分成不同的兩類。 有人把AI當作搜索框和代寫工具，用它節省一點時間；有人卻把AI當作思維夥伴，借它拆解問題、重組知識、驗證判斷。前者獲得的是局部提效，後者正在改變自己的工作方式。 於是，原本已經存在的差距，被AI進一步放大了。 經濟正在發生K型分化，人的認知也可能正在發生K型分化：主動擁抱AI的人，學習速度越來越快，能力結構越來越綜合；仍然停留在舊方法裏的人，可能不是暫時落後，而是在逐漸失去理解新問題的能力。 這正是閱讀《智能》時最強烈的感受。 曾鳴曾任阿里巴巴集團總參謀長，參與過淘寶、支付寶和阿里雲等關鍵戰略階段，也參與創建長江商學院和湖畔大學。他觀察過互聯網從基礎設施走向平臺和應用，也親歷過許多後來被證明正確、但早期並不符合共識的戰略選擇。 所以，他談AI時關注的不是某個工具今天能生成多少內容，而是更長週期的問題： 通用技術成爲新的生產資料之後，產業會如何演化，舊巨頭爲什麼難以穿越，組織和人的工作又會怎樣改變？ 在那場關於AI產業史的訪談中，他連續拋出了幾個足以打破常識的判斷： 我們現在剛剛走到瀏覽器階段，甚至比Yahoo還要早。 第一階段的企業，很難活到第二階段；第二階段的企業，很難活到第三階段。 模型公司就是未來的AI雲公司。 新的平臺大概率不誕生自舊的平臺。 未來組織的基本單元是任務，不是崗位。 這些判斷共同指向一個結論： 今天的大模型熱潮，可能還不是AI應用時代的高潮，而只是基礎設施時代的尾聲。 一、我們可能還沒有進入真正的AI應用時代 電力、互聯網和移動互聯網，都不是一出現就立刻帶來成熟應用。通用技術通常會經歷三個階段。 第一階段，技術逐漸被社會接受，成爲基礎設施。 第二階段，基於基礎設施產生大量新應用，進入百花齊放的時期。 第三階段，經過長期試錯和篩選，真正的原生應用出現，用新的方式運行新的世界。 互聯網早期，人們先解決接入問題，尋找瀏覽器和入口。移動互聯網早期，智能手機和應用商店先成爲基礎設施，後來纔出現抖音、拼多多這樣的原生產品。 按照這個框架，今天的大模型更像AI時代的基礎設施，智能體正在進入下一階段，而真正具有廣泛社會影響的AI原生應用，尚未出現公認的代表。 這不是說現在沒有AI應用。寫作、編程、客服和圖像生成已經改變了許多工作。只是這些產品大多仍然依附在舊平臺、舊流程和舊業務之上，還沒有形成全新的社會入口。 訪談中推測，AI基礎設施階段可能在2026年前後基本完成，智能體階段可能持續八到十年，原生應用則要更晚出現。這個時間表未必準確，但它帶來了一個重要的時間尺度： 技術發佈的速度，遠快於社會、組織和商業模式消化技術的速度。 我們以爲自己已經看到了AI的終局，也許只是剛剛拿到一張入場券。 二、模型公司更像電網，而不是下一個谷歌 很多人把OpenAI、Anthropic想象成下一代谷歌，認爲它們會直接成爲AI應用時代最大的贏家。 但從產業結構看，大模型公司更像互聯網早期的AOL，或者電力時代的電網。它們的核心任務，是讓社會能夠接入智能。 這類基礎設施行業通常有幾個特徵：前期投入巨大，規模效應明顯，調用價格不斷下降，最終集中到少數頭部企業，同時受到政府和社會更強的監管。 訪談中有一句非常激烈的話： 公共基礎設施的行業，只有一種商業模式是成立的，叫寡頭壟斷加政府強監管。 這句話不宜當作普遍定律，但確實指出了一個重要趨勢：當模型能力逐漸趨同，市場上出現大量相似供給，模型調用就會越來越接近基礎服務。 《智能》中所說的“智能複利”，正是在這裏發生的：使用越多，反饋越多；反饋越多，系統越強；系統越強，又吸引更多用戶和場景。 領先者還會出現“黑洞效應”：用戶、開發者、資本、人才和數據不斷向頭部集中，資源越集中，能力越強，後來者越難追趕。 但基礎設施階段最強的企業，不一定是原生應用階段的最終贏家。 AOL和Yahoo曾經是互聯網早期巨頭，卻沒有成爲成熟互聯網時代最大的應用公司。由此推演，今天最受矚目的模型公司，也未必能活到AI原生應用時代。 這不是對某家公司的判決，而是對產業階段差異的提醒：上一階段的優勢，到了下一階段可能變成包袱。 三、下一個入口不是更好的聊天框 如果大模型是基礎設施，下一階段的機會在哪裏？ 答案可能是智能體。 互聯網平臺主要解決信息、商品和人的匹配。AI時代的新平臺，則要解決“能力與需求的匹配”。 用戶不只是想得到一個答案，而是希望系統替自己完成一件事：制定計劃、調用工具、處理流程、應對異常，最後交付結果。 過去的旅行產品給你一份攻略；未來的智能體可能根據預算、時間和偏好訂票，遇到航班取消後重新安排方案。它不是提供信息，而是在調用能力。 這比搜索和電商複雜得多。 因此，簡單的AI應用很容易被模型能力吞沒。廣告素材生成、文本改寫和簡單投放，一旦成爲基礎模型的標準能力，應用層就很難建立長期壁壘。 真正有價值的場景，應當是複雜、連續、結果可驗證的任務，例如企業增長、客戶經營、組織協同和跨系統工作流。 模型提供智能，應用組織智能。 未來的創業壁壘，未必是自己訓練了一個通用模型，而是能否圍繞真實任務建立完整的工作流、數據閉環和責任機制。 四、AI首先分化的，可能不是崗位，而是認知 AI帶來的第一輪分化，未必直接表現爲誰被裁員，而可能表現爲誰的認知速度更快。 AI不只是提效工具，也是一種思維工具。它可以幫助人搜索、整理和生成信息，更重要的是，它會迫使人重新思考： 問題究竟是什麼？目標能不能說清楚？任務應該如何拆解？哪些環節可以交給AI，哪些判斷必須由自己完成？ 主動使用AI的人，往往不只是多掌握了幾個工具。他們開始重新組織自己的思考、學習和工作流程。 我們公司做過一個小規模調研。樣本有限，不能據此推出普遍結論，但結果與日常觀察基本一致：AI用得好的人，首要原因通常不是掌握了更多提示詞，而是願意主動學習，主動嘗試，也願意重新設計原來的工作方式。 他們往往具有一些共同特徵：主動性強，學習能力強，有問題意識，能夠定義問題，也能夠承受試錯帶來的不確定性。 這正是今天這個時代對人的新要求。 當然，認知分化不只是個人努力的結果。一個人有沒有時間試錯，能不能獲得工具和數據，組織是否允許他調整流程，管理者是否願意開放信息，都會影響AI能否真正改變他的工作。 所以，AI既在放大個人差異，也在暴露組織差異。 五、新平臺大概率不誕生於舊平臺 舊平臺擅長信息匹配、人與人匹配、人與商品匹配；新平臺要做的，是能力與需求的匹配，甚至直接代表用戶完成複雜任務。 兩者不是同一個問題的升級版，而是複雜度完全不同的新問題。 這也是上一代巨頭難以穿越技術週期的原因。 巨頭的困難，不只是資源夠不夠，而是受到三種力量束縛：存量業務不願主動破壞自己的收入來源，原有組織很難適應高頻試錯和知識共創，過去的成功經驗又遮蔽了新問題。 所以，“原有業務加AI”可能帶來效率提升，卻不等於真正的AI原生轉型。 新的平臺之所以常常誕生於舊平臺之外，不是因爲舊平臺沒有能力，而是因爲它們太熟悉過去的成功方式。 六、公司可能不會消失，但舊公司的內部結構會失效 “公司會消失”是訪談中最有衝擊力的判斷之一。 如果把它理解爲所有企業都會從社會中消失，當然過於字面。更準確的理解是：圍繞固定崗位、逐級彙報和單一命令鏈條建立的傳統公司，可能不再是最有效的組織方式。 未來組織的基本單元，可能從崗位轉向任務。 一個增長任務，可能由一個人、幾個智能體和一組數據系統共同完成：AI分析客戶變化，智能體生成方案，系統執行投放，人判斷目標和邊界，最後由人對結果負責。 變化的不是辦公軟件，而是工作的基本單位。 未來組織或許更像研究實驗室、專業競技隊，或者一張不斷重組的網絡。能力比職位重要，協作比命令重要，貢獻更加透明，組織也隨着問題變化而變化。 當然，這不意味着所有層級都會消失。高風險行業、公共部門和複雜系統，仍然需要清晰的責任鏈和最終決策者。 真正受到挑戰的，是把管理等同於控制、把信息掌握在少數層級手中、把人永久固定在崗位上的組織方式。 七、戰略從規劃走向生成 工業時代的戰略，通常是一種線性規劃：分析過去，預測未來，制定目標，再層層分解執行。 但AI時代的不確定性太高，未來很難被一次性規劃出來。 因此，戰略需要從“規劃”走向“生成”。 戰略生成，不是放棄方向，而是讓方向在行動、反饋和修正中逐漸清晰。這要求組織讓成員共享更完整的上下文，減少信息在層級傳遞中的損耗，允許小範圍試錯，並讓反饋儘快返回系統。 所以，AI時代必須先談組織，再談戰略。 如果員工只看見局部任務，管理層只能聽到經過過濾的信息，組織就很難生成有效戰略。 這也解釋了爲什麼真正重要的創業方向，常常在早期並不符合共識。卓越的創業者需要穿越負反饋，驗證一個尚未被多數人看見的可能性。 但反共識不等於正確。絕大多數反共識判斷都會失敗，卓越只能在事後被成功證明。 八、人的價值不是AI淘汰後剩下的部分 AI可能接管越來越多能夠被結構化處理的知識工作。人的價值，則更多體現爲“無中生有的能力”。 但創造力不只是寫歌、畫畫或產生新奇點子。它還包括： • 定義複雜問題； • 發現尚未被滿足的需求； • 選擇值得追求的目標； • 在沒有標準答案時作出判斷； • 爲選擇承擔責任。 AI可以幫助我們生成方案，卻不能替我們決定什麼值得做。 人的價值也不是AI淘汰知識工作之後留下的“剩餘項”。人的價值在於決定什麼應該被生成，爲什麼生成，以及由誰承擔結果。 技術可以不斷追求更快，但人的生活不能只有更快。 如果AI提高了組織效率，效率究竟由誰獲得？如果員工只是因此被要求更快地完成更多工作，技術進步並不會自動帶來更好的生活。 九、生成必須嵌套在現實之中 《智能》最有力量的地方，是解釋AI如何生成新的能力、應用、組織和戰略。 但我的補充是：生成從來不會發生在真空中。 商業嵌套在制度裏，組織嵌套在既有權力結構中，個人嵌套在教育、職業和家庭關係中。AI生成新的能力時，也會同時生成新的依賴、不平等和責任。 我們以爲AI會讓世界變得平坦：模型能力趨同，調用成本下降，創業門檻降低。 現實卻遠沒有這麼平坦。 一家初創公司、一家大型平臺和一家國有企業，擁有的數據、資本、渠道和責任完全不同。它們面對的不是同一道題，而是不同的方程。 因此，AI商業不能只討論增長，還要討論數據權利、勞動分配、隱私保護、公共治理和人的主體性。 技術可以生成方案，卻不能替社會決定價值。 結語：沒有人能站在巨浪之外 我們可能還沒有進入一個已經成熟的AI應用時代。我們正在進入的，是一箇舊組織逐漸失效、新組織尚未成形的過渡時期。 真正的變化，不只是每個人都打開了一個AI工具，而是崗位開始被重新拆解，任務開始重新組合，決策開始重新分配，人與AI共同承擔工作，組織也重新回答自己爲什麼存在。 “沒有人在巨浪面前安全”，並不只是給企業家的提醒，也適用於每一個普通人。 未來不會只獎勵最早學會使用工具的人，也會獎勵那些能夠發現新問題、組織新協作，併爲自己的選擇承擔責任的人。 AI的力量在於生成，AI的現實卻總是嵌套在制度、組織和人的生活之中。 看見生成，我們纔不會錯過機會；看見嵌套，我們纔不會把未來想得過於順滑。

先聽了張小珺和曾鳴的播客，然後就摸到了微信讀書。 這裏暢想了 AI 產業化的三個階段，而我們還處在第一階段的早期，無論我們接受與否，AI 作爲新範式會深刻的改變我們的工作和生活方式。 我最喜歡的一句： 碳基和硅基“共生”，是因爲這裏並不存在簡單的替代關係。人類與AI並非各自獨立運行，而是在同一個認知循環中持續互動：人類提出問題與約束，AI拓展可能性與路徑，新的判斷在互動中逐步形成，再進入下一輪探索。 這種關係不是工具與使用者的關係，而是一種穩定的協同結構。 所謂共生。

《智能：AI時代的商業、組織與戰略的本質》迴歸商業第一性原理，跳出“AI只是效率工具”的淺層認知，系統性搭建起智能時代的全新商業框架。曾鳴以“智能複利”“黑洞效應”等核心概念，清晰推演了商業從“千人千面”向“一人千面”的範式躍遷，也點明組織核心能力需從高效執行轉向持續生成新認知。它幫企業家跳出舊戰略路徑依賴，理解動態生成式戰略的底層邏輯，爲AI時代的企業長期增長指明瞭方向。

別人的問題就是你的商機 本書核心論斷是人工智能不是簡單的效率工具，而是徹底顛覆工業時代延續數百年的價值創造邏輯。工業時代的底層邏輯是規模經濟：以產能爲導向，建大型工廠、組織數萬工人，大批量生產標準化產品，靠擴大產量攤薄單件成本，企業比拼廠房、生產線、員工數量。而智能時代的範式徹底翻轉：從生產產品、比拼產能，轉向以解決真實問題爲核心，價值不再來自龐大組織，而來自能持續迭代、自主閉環的智能系統，書中稱之爲智能複利——系統處理任務越多，收集反饋越多，自我優化越強，越用越聰明。 組織形態隨之發生巨大變革。傳統制造業依靠數萬產業工人完成流水線作業；智能時代大量重複性生產環節由機器人、智能系統接管，不需要維持龐大人力團隊。Hyperliquid就是極具代表性的案例：僅11名核心員工，依靠自研的鏈上交易智能系統，去年創造9億美元淨利潤。它不靠人海、廠房、線下網點，核心是搭建一套可以自主運行、持續迭代的智能體系，用代碼和系統承接海量業務，實現極高的人效，這正是智能時代新組織的縮影。 這套變革不只重塑企業，也重塑人的價值評判標準。在物質極大豐富的和平環境裏，社會不再只以財富規模、學歷標籤作爲衡量成功的唯一標尺，細分賽道深耕、多元技能成爲新的主流。20歲中國選手何曉嫚，在世界技能大賽拿下軌道車輛技術金牌，還奪得全場最高分的阿爾伯特·維達大獎，這份專業技能含金量，足以比肩傳統認知裏的高考狀元；中國香港選手戴心怡，作爲瓷磚貼面項目唯一女選手站上世界技能大賽賽場，登上央視，讓大衆看見精細工匠手藝的分量。 就連頂尖創業者的工作方式也發生變化。萬億級企業家馬斯克長期在工地一線睡房車，紮根現場直面真實工程難題，而非坐在辦公室指揮龐大團隊。這背後反映出，智能時代不再推崇單純財富數字的堆砌，過去依靠土地、資產暴富、高調炫富的地產暴發模式，已經逐漸失去時代光環，變成舊範式的縮影。 曾鳴提出，未來人的核心價值，是面向具體問題的創造力與深耕能力。AI會接管大量標準化、重複性勞動，人不再被迫爲了財富數字而工作；當細分賽道足夠豐富，每個人可以依託自身興趣深耕，在小衆領域成爲專業達人。戰略也不再是提前規劃數年的宏大方案，而是在持續反饋裏動態生成，企業與個人，都要從“製造產品”轉向“解決問題”。 智能時代不是大企業的專屬舞臺。只要能搭建起可以持續學習、閉環優化的智能體系，小規模團隊也能創造巨大價值；而普通人的出路，不在於盲目追逐規模與財富，而是找到自己的細分賽道，打磨解決特定問題的硬核能力。見馬斯克多次轉發的Opus5.5代碼直接出音樂MV。 “爲人民服務”將成爲未來商業的主題。 2026年#288

曾鳴的《智能：AI時代的商業、組織與戰略的本質》是一次極具野心的嘗試——他試圖回答一個幾乎所有企業家都在焦慮的問題：當AI不再是工具，而是像電力一樣滲透進商業的每一個環節時，企業到底該怎麼活？ 這本書最有力的地方在於，它沒有停留在"AI會取代什麼崗位"的老生常談，而是從生產要素的層面重新定義了競爭。工業時代拼規模，互聯網時代拼連接，曾鳴認爲AI時代拼的是"智能複利"——系統越用越聰明，反饋越高質量，優勢越滾越大。這個框架簡潔有力，配合"黑洞效應"的概念，很好地解釋了爲什麼領先者會越來越領先，後來者爲什麼越來越難追趕。 但說實話，這本書也有明顯的"曾鳴味兒"：阿里系戰略語言的宏大感、概念造詞的熱情、以及對推演本身的自信。全書更像是一位頂級戰略顧問在白板上畫出的未來圖景，邏輯自洽、氣勢磅礴，但你很難從中找到"明天早上我該做什麼"的答案。對於一線管理者來說，框架是有了，落地的抓手還不夠具體。 另外，"一人千面""組織OS""戰略生成"這些概念，每一個單拎出來都很有啓發，但放在一起時，概念密度偏高，讀起來需要一定的商業直覺才能消化。

【曾鳴《智能》：三把尺子是真的，招牌那把沒有刻度】 曾鳴這本書裏最值錢的一句話，我只劃到一次，還被淹在一大段論述裏：“傳統公司本質上是一種認知壓縮結構。”它用信息成本解釋了科層製爲什麼存在——那麼反過來，當認知傳遞成本趨近於零，層級失去的不只是效率優勢，是存在的理由。 最要命的懸空處，也是他自己寫下的：第二章說“後來者即便拿到了同樣的數據……也無法復現同樣的能力”，同一章又說“在一個尚未穩定的技術路徑中……後來者可以跳過部分試錯階段”。同一個問題，兩個相反的答案。兩句都成立，因爲前提不同——一個假設路徑已穩定，一個假設路徑未穩定。而“怎麼判斷穩沒穩”，書裏沒有給判據。 於是這個招牌概念最核心的問題不是它錯了，是它不可判定：你沒法用它回答任何一個具體的下注問題。 8天讀完，443條劃線，274條想法。給84分——值得讀，但要帶着刀子讀。 【這本書真正的貢獻，是三個判據】 一是“什麼算基礎設施”。標準是可計量、可組合、可規模化調用。三條缺一條，圍繞它的商業模式都是早產的。這比“AI改變一切”強，因爲它可以被反駁。 二是“複利什麼時候變成護城河”。全書最有用的一刀：他區分了“智能複利”（系統內部能力提升）和“競爭優勢”（市場相對位置）。一個系統可以一直在變強，但用戶感知不到，於是不變現；也可以一直在變強，但所有對手同步變強，於是差距不拉開。所以複利的要害不是複利本身，是轉化率。 三是“公司是一種認知壓縮結構”。用信息成本解釋了科層製爲什麼存在，也就預告了它什麼時候失效。 【但這本書的核心論斷不可判定】 招牌概念“黑洞效應”說的是：智能複利一旦跨過複雜性奇點，就會產生不可逆的優勢。三個問題—— 第一，“複雜性奇點”沒有尺子。書裏給了定性條件（學習空間夠大、反饋有強路徑依賴），但沒說多複雜算複雜、怎麼算跨過去了。它的判據強在“往哪走”，弱在“走到了沒有”。 第二，正面的案例一個都沒有。作者其實很清楚哪些領域拉不開差距（他寫廣告那種單點任務“很難形成獨特的學習路徑，所以難以和競爭對手拉開差距”），但符合“不可壓縮的歷史”的正面例子，他用的一直是抽象的“A系統”，沒給過一張真實的資產負債表。 第三，這個“黑洞”到底是不是自吸引的？物理學上黑洞靠自身質量維持，飛輪停止施力就會停。曾鳴說的引力如果來自用戶規模，那是網絡效應（要補貼維持）；如果來自資本，那是燒錢的飛輪；只有來自“不可壓縮的歷史”纔是自吸引——而這正是他沒能驗證的那一條。 【我認爲最大的漏洞，在它的地基上】 曾鳴說60分奇點的本質是系統進入“對結果負責”的狀態。但“對結果負責”需要三個條件同時成立：結果可觀測、可歸因、可比較。 結果可觀測？點擊可以，代碼能不能跑可以——所以這些領域AI已經喫下來了。結果可歸因？“這次增長是不是因爲這個決策”，歸因就斷了。結果可比較？“這個方向對不對”連比較標準都是人定的，今天和明天還可能不一樣。三個條件在這類任務上同時不成立。 在這類任務裏，系統學的不是真相，是當前這批評審員的偏好。它會越來越自信，因爲反饋一直很明確；但它明確的只是偏好，不是對錯。 作者自己也碰到了這堵牆，他寫“人可以處理很多模糊場景和隱性知識，但AI不行；只有在線化的數據，AI才能處理”。但他把解法停在了工程層面——把數據洗乾淨、把上下文在線化。真正的問題是：有些判定標準不是“還沒被數據化”，是“無法被數據化”，因爲它本身有爭議、需要協商。這不是數據工程能解決的。 所以複雜任務上“60分奇點”遲遲跨不過去，原因可能不是AI不夠強，而是判定標準既沒有被顯性化，也無法被單方面確定——它本身是有爭議的、會隨共識漂移的。 【第三個問題：給了供給的形態，沒給成本】 書裏暢想“AI實時觸發柔性製造網絡，直接生產一把定製的刀”。但製造業有產能剛性、認證週期、模具成本、法規約束——最關鍵的是，做一把獨一無二的刀比做一萬把一樣的刀貴幾個數量級。形態命題難以證僞，成本命題纔可證僞，而書把成本留在了空白裏。 我認爲這裏還缺了一環：睡眠數據從哪來？從手錶、從牀墊、從手機。沒有那些硬件，“意圖理解”就沒有原料。更準確的鏈條是：傳感器鋪到生活裏 → 持續的真實數據 → 意圖理解有原料 → 需求生成才成立。書從第三步開始講，但第一步纔是瓶頸。 【第四個問題：倫理被降級爲德性】 “需求判斷力”那節，作者自己提出了全書最尖銳的問題：“誰來決定什麼是更好的人生方向？系統依據什麼價值標準判斷是健康優先還是效率優先……”而在我讀到的文本里，這本書沒有再碰過它——沒有一處討論“誰有權設定價值標準、如何被制衡、被誰監督”。 補充一個我一開始寫錯、後來改過來的判斷：我本想用這本書自己的邏輯反駁它——製造焦慮的產品反饋更快、複利更強，所以焦慮製造者應該贏。但這是把它的定理用反了。書裏的邏輯恰恰相反：反饋快、標準清晰、路徑依賴弱的領域只會同時進化，誰也拉不開差距。真正的緊張在另一頭：“幫客戶給人生問題排序”這件事反饋延遲長、標準模糊、路徑依賴強，恰恰是書自己認定最難閉環的那一類。所以問題不是“焦慮者會贏”，而是“高水平靠什麼跑贏”，書裏沒給機制。 【最後一個問題：術語通脹，但有例外】 智能複利、黑洞效應、60分奇點、一人千面、意圖實現、共生智能體、認知共創、認知節點、組織OS、創智人才、戰略生成系統、張力機制、願景化……十六七個新詞。 真正有新信息量的，我數出來是三個半：智能複利+60分奇點、認知壓縮結構、組織資源≠擁有資源、共生智能體（半個）。通脹發生在另一層——同一層級的反覆命名：“張力機制”就是“既要堅持長期又要接受修正”，“願景化”就是“願景要持續被重構”。 但有一個詞我覺得是真新的，得單獨說：“問題場”——描述需求尚未成形時的那種模糊狀態。 【如果只讀兩部分】 第二章（智能複利和黑洞效應）是理論內核，第五章（智能戰略）可操作性最高。特別是這三樣可以直接抄： 選切入點：在“問題複雜度”和“閉環能力”之間找平衡。太簡單無學習空間，太複雜閉環閉不上。 生態位：點、線、面三種定位都可以，但不能混在一起。最常見的死法，是做“點”的公司在拿到一點客戶之後忍不住去做“線”，結果兩頭不佔。 把戰略變成決策協議：每個重要決策寫清楚問題定義、關鍵假設、事實與判斷的區分、因果關係。每個實驗前寫下要驗證的假設，以及假設被否定意味着什麼。覆盤時不要只問結果好不好，要問“我們原來理解的問題是否需要被重寫”。 【一個數據】 我把這本書的全站20條熱門劃線和我的443條做了交叉——只有7條落在我的劃線範圍內，其中逐字相同的只有2條。 另外5條都是“我劃的範圍更長”：大衆停在那句話最像金句的地方，我會繼續往下劃一格，把作者緊接着給出的機制說明一起圈進去。金句是結論，金句後面那句纔是結論爲什麼成立。 而全站熱度最高的一條（1398人劃線）是：“機器、能源、標準化生產和現代供應鏈的出現，讓整個社會第一次有能力以極低成本向大衆持續提供商品。” 這是一句歷史陳述，不是一句判斷。它好懂、正確、不需要前置知識，所以最多人劃。 所以我的結論是：這本書在不同讀者手裏是兩本不同的書。一本是產業史，給你理解和安慰；一本是判據集，給你不舒服。如果你讀完沒有感到任何不舒服，那你大概率讀的是前一本。 說句公道話，這本書目前的口碑是明顯偏好的：微信讀書84.2分（48人評），公開點評裏16條五星、2條三星、沒有一星。但那兩條三星說得都很準——一條說“很多對未來的暢想都沒走出阿里電商的固化思維邏輯”，一條說“不要爲取代而取代，試圖創造一種新的概念，顯得先知先覺”。這兩句恰好就是我對這本書的兩個主要保留意見。 【建議的讀法】 先讀第二章，再讀第五章，然後回頭讀第一章和第三章——這時你已經有了判斷框架，能分辨哪些是分析、哪些是想象。第四章選讀，第六章只看最後一節。 另外，這本書需要前置經驗。我讀到“這一點如果不放到真實任務流中，其實很難被理解”時寫了一句：沒有親自用AI跑通過幾個任務，是理解不了書中一些概念的。純小白建議先用AI跑通一兩個不同類型的端到端任務，再來看這本書。 【一句話總結】 這本書不給你答案，它把你的問題挪一個位置。我原本的假設是“AI會越來越強，所以複雜任務會被逐步喫下來”；讀完之後的表述變成了——“AI會越來越強，但複雜任務的瓶頸不在能力，在判定標準的可顯性化”。 前者讓我等待，後者讓我知道今天該做什麼。這就是一本好書該乾的事。 （最後交代一句本文的邊界：全部依據是閱讀記錄，不是實踐記錄。推演不是驗證——我沒有拿着這套判據完整跑過一輪，所以任何一處我都可能在紙面上對、在現實裏錯。） 你們讀完之後，是感到更確定了，還是更敢下注了？ --微信skill筆記直出書評（DS-4.1-Flash），於2026年9月13日

比較有收穫的一點是，作者提出：AI 時代讓智能第一次變成了產品。智慧限於個體，而是變成一個大家都可以利用的東西。每個人都可以憑藉 AI，把自己的能力再撬一個槓桿。如何把 AI 真正落地，嵌入到實業過程中，是未來的大方向。

願景與生成式戰略：戰略不是被執行，而是在行動中被生成 一、三代戰略範式 工業時代：先看清未來，再組織行動（規劃） 互聯網時代：在變化中不斷調整（迭代） AI 時代：在高度不確定中持續做高質量選擇。未來不是靠更好的分析去理解的，而是在參與中不斷生成的。 二、生成式戰略的四個環節（循環，不是線性） 願景給出初始方向 行動觸達真實世界。行動的價值不在於把事做完，而在於讓不可見的未來以具體信號的形式顯現出來。 反饋揭示未來信號，有三大作用：揭示未來如何形成、暴露原有判斷的侷限、爲新理解提供原材料。反饋不是對過去的總結，而是對未來的提示。 理解修正判斷。願景不能替代理解，反饋也不會自動生成理解。戰略真正發生在二者之間：帶着方向進入現實，讓現實修正對方向的理解。 三、願景的兩層作用 解釋框架：同樣的信號，不同的願景會讀出完全不同的意義。把 AI 當效率工具的公司想到降本；把 AI 當新商業入口的公司想到意圖、任務和供給重構。沒有解釋框架，組織就只能被熱點、競品和資本市場牽着走。 方向約束：越不確定，取捨越難。沒有願景，組織會把「可能正確」誤當成「應該投入」，結果是資源被攤薄、長期能力無法積累。 願景既不是目標，也不是預測，而是一種方向性預判。表述可以穩定，理解必須不斷加深。 四、核心張力 戰略建立在對未來的預判上，但不能依賴這種預判正確。 成熟的戰略能力：既敢於給出方向，又不迷信自己的判斷；既做長期選擇，又讓現實反饋修正預判；既不因不確定而放棄行動，也不因已有判斷而拒絕學習。 願景 = 我們願意基於怎樣的未來判斷持續行動，並願意讓行動反饋不斷修正這一判斷。 工具：看十年、想三年、幹一年。 五、機會藏在哪裏 重要的機會最初都不以清晰需求的形式出現，而是以誤用、繞路、反常行爲、極端用戶案例的形式出現。傳統管理要糾正的「問題」，恰恰可能是最有價值的信號。 例子：AI coding workflow 不是產品經理規劃出來的，而是重度用戶在試探中長出來的。 亞馬遜 6 頁敘事文檔不是爲了更快得出答案，而是爲了更深地理解問題。真正難的從來不是選哪個答案，而是問題本身到底是什麼。 六、戰略變成一種持續運行的能力 戰略從某個階段的決策結果，變成一種持續運行的認知能力：不靠一次靈感，而靠持續運行；不靠某一個人，而靠整體機制；不追求一次正確，而追求不斷逼近。 長期競爭力不再來自某個正確判斷，而來自能不能持續進入真實世界、生成反饋、修正理解。 冷啓動方法是線下戰略共創會：選對人（有意願、有信息、有興趣、有能力），用 3 天深度碰撞，把難以寫成文字的場景知識討論透。「回到創始人」的真正意思，是整個公司回到初創狀態。 七、總結 方向必須有，但不能變成執念；判斷必須做，但不能被神化；行動必須堅定，但行動之後必須學習。

智能複利。 我們現在，無論個人還是組織，攢的這堆東西，到底是資產，還是包袱？ 順着他的思路，有三個問題你現在就可以問自己： 你的系統有沒有真實的任務閉環？ 能不能持續拿到高質量的反饋？ 這些反饋有沒有在改變你的能力邊界？

總結全書核心觀點：AI帶來商業、產業、組織的系統性重構，未來競爭核心，是構建智能複利飛輪，掌握意圖理解與資源調度能力，打造人機共生、持續迭代認知的AI原生組織。 1、本書提出智能複利與黑洞效應。AI在任務執行中持續學習，形成增長增強能力的正向飛輪。承擔結果的責任交給AI，我認爲是可行的，AI產出的結果整體評估，有對有錯但整體相抵消後是正向的，人類要能容忍AI犯小錯，大錯通過harness門禁控制，杜絕發生。黑洞效應源於強路徑依賴，系統沉澱帶時間刻度的獨特經驗。書中認爲，缺少時序試錯歷程，僅靠數據無法復刻這套經驗。有些疑問：蒸餾模型思維鏈，不可以學習到嗎？路徑依賴不能通過蒸餾模型推理的思維鏈而得到嗎？通過蒸餾不能複製嗎？真的有競爭壁壘？ 2、商業範式將從千人一面、千人千面，發展到一人千面。一人千面：滿足單一客戶，在不同場景、不同時間的多樣化的需求。智能商業始於意圖理解，終於意圖滿足，中間是智能體執行。客戶真實的意圖理解是AI時代的大課題，做的好纔會有競爭力，意圖識別是第一步，客戶意圖如果理解的有偏差，後面的自動化執行任務就南轅北轍了。用戶需求往往初始模糊，AI協助用戶梳理目標。這是商業起點的第一次前移。未來商業從模糊的問題狀態開始，從意圖理解開始。誰定義需求，誰就定義了市場。系統參與需求生成，企業則擁有在需求形成之前進入價值鏈的機會。這徹底改變了競爭規則。供應鏈轉爲動態協同網絡，網絡中價值節點被優勝劣汰，高價值節點擁有更多的流量被更多的參與到價值鏈中，網絡效應和馬太效應更強，K型分化，財富更集中。 3、AI OS是商業新底座。AI OS 能力：（1）持續理解意圖能力；（2）跨節點協同能力；（3）實時動態求解能力。深有體會，大模型中安裝了多個能力類似的skill和mcp服務，在識別到客戶意圖後，到底調用哪個skill哪些mcp，大模型作爲AI OS具有調度規則定義權，但如何調度，調度哪些資產的規則是可以被平臺定義並後訓練進模型中的。平臺從交易撮合升級爲編排調度，平臺核心資產變爲調度規則定義權。 4、傳統組織模式逐漸失效，AI原生組織追求認知共創，成爲人機共生智能體，管理者轉變爲系統架構師。高人才密度+高透明度，應該寫在團隊組織文化中。高人才密度每個人需要不斷學習修煉自我提升自身創新和解決問題能力。高透明度更反應了相信、責任擔當、公平公正、信息平權的組織文化。