智能：AI时代的商业、组织与战略的本质（曾鸣教授全新商业思考）

今年最明显的变化，可能不是AI又推出了什么新模型，而是同一家公司、同一套工具，正在把人分成不同的两类。 有人把AI当作搜索框和代写工具，用它节省一点时间；有人却把AI当作思维伙伴，借它拆解问题、重组知识、验证判断。前者获得的是局部提效，后者正在改变自己的工作方式。 于是，原本已经存在的差距，被AI进一步放大了。 经济正在发生K型分化，人的认知也可能正在发生K型分化：主动拥抱AI的人，学习速度越来越快，能力结构越来越综合；仍然停留在旧方法里的人，可能不是暂时落后，而是在逐渐失去理解新问题的能力。 这正是阅读《智能》时最强烈的感受。 曾鸣曾任阿里巴巴集团总参谋长，参与过淘宝、支付宝和阿里云等关键战略阶段，也参与创建长江商学院和湖畔大学。他观察过互联网从基础设施走向平台和应用，也亲历过许多后来被证明正确、但早期并不符合共识的战略选择。 所以，他谈AI时关注的不是某个工具今天能生成多少内容，而是更长周期的问题： 通用技术成为新的生产资料之后，产业会如何演化，旧巨头为什么难以穿越，组织和人的工作又会怎样改变？ 在那场关于AI产业史的访谈中，他连续抛出了几个足以打破常识的判断： 我们现在刚刚走到浏览器阶段，甚至比Yahoo还要早。 第一阶段的企业，很难活到第二阶段；第二阶段的企业，很难活到第三阶段。 模型公司就是未来的AI云公司。 新的平台大概率不诞生自旧的平台。 未来组织的基本单元是任务，不是岗位。 这些判断共同指向一个结论： 今天的大模型热潮，可能还不是AI应用时代的高潮，而只是基础设施时代的尾声。 一、我们可能还没有进入真正的AI应用时代 电力、互联网和移动互联网，都不是一出现就立刻带来成熟应用。通用技术通常会经历三个阶段。 第一阶段，技术逐渐被社会接受，成为基础设施。 第二阶段，基于基础设施产生大量新应用，进入百花齐放的时期。 第三阶段，经过长期试错和筛选，真正的原生应用出现，用新的方式运行新的世界。 互联网早期，人们先解决接入问题，寻找浏览器和入口。移动互联网早期，智能手机和应用商店先成为基础设施，后来才出现抖音、拼多多这样的原生产品。 按照这个框架，今天的大模型更像AI时代的基础设施，智能体正在进入下一阶段，而真正具有广泛社会影响的AI原生应用，尚未出现公认的代表。 这不是说现在没有AI应用。写作、编程、客服和图像生成已经改变了许多工作。只是这些产品大多仍然依附在旧平台、旧流程和旧业务之上，还没有形成全新的社会入口。 访谈中推测，AI基础设施阶段可能在2026年前后基本完成，智能体阶段可能持续八到十年，原生应用则要更晚出现。这个时间表未必准确，但它带来了一个重要的时间尺度： 技术发布的速度，远快于社会、组织和商业模式消化技术的速度。 我们以为自己已经看到了AI的终局，也许只是刚刚拿到一张入场券。 二、模型公司更像电网，而不是下一个谷歌 很多人把OpenAI、Anthropic想象成下一代谷歌，认为它们会直接成为AI应用时代最大的赢家。 但从产业结构看，大模型公司更像互联网早期的AOL，或者电力时代的电网。它们的核心任务，是让社会能够接入智能。 这类基础设施行业通常有几个特征：前期投入巨大，规模效应明显，调用价格不断下降，最终集中到少数头部企业，同时受到政府和社会更强的监管。 访谈中有一句非常激烈的话： 公共基础设施的行业，只有一种商业模式是成立的，叫寡头垄断加政府强监管。 这句话不宜当作普遍定律，但确实指出了一个重要趋势：当模型能力逐渐趋同，市场上出现大量相似供给，模型调用就会越来越接近基础服务。 《智能》中所说的“智能复利”，正是在这里发生的：使用越多，反馈越多；反馈越多，系统越强；系统越强，又吸引更多用户和场景。 领先者还会出现“黑洞效应”：用户、开发者、资本、人才和数据不断向头部集中，资源越集中，能力越强，后来者越难追赶。 但基础设施阶段最强的企业，不一定是原生应用阶段的最终赢家。 AOL和Yahoo曾经是互联网早期巨头，却没有成为成熟互联网时代最大的应用公司。由此推演，今天最受瞩目的模型公司，也未必能活到AI原生应用时代。 这不是对某家公司的判决，而是对产业阶段差异的提醒：上一阶段的优势，到了下一阶段可能变成包袱。 三、下一个入口不是更好的聊天框 如果大模型是基础设施，下一阶段的机会在哪里？ 答案可能是智能体。 互联网平台主要解决信息、商品和人的匹配。AI时代的新平台，则要解决“能力与需求的匹配”。 用户不只是想得到一个答案，而是希望系统替自己完成一件事：制定计划、调用工具、处理流程、应对异常，最后交付结果。 过去的旅行产品给你一份攻略；未来的智能体可能根据预算、时间和偏好订票，遇到航班取消后重新安排方案。它不是提供信息，而是在调用能力。 这比搜索和电商复杂得多。 因此，简单的AI应用很容易被模型能力吞没。广告素材生成、文本改写和简单投放，一旦成为基础模型的标准能力，应用层就很难建立长期壁垒。 真正有价值的场景，应当是复杂、连续、结果可验证的任务，例如企业增长、客户经营、组织协同和跨系统工作流。 模型提供智能，应用组织智能。 未来的创业壁垒，未必是自己训练了一个通用模型，而是能否围绕真实任务建立完整的工作流、数据闭环和责任机制。 四、AI首先分化的，可能不是岗位，而是认知 AI带来的第一轮分化，未必直接表现为谁被裁员，而可能表现为谁的认知速度更快。 AI不只是提效工具，也是一种思维工具。它可以帮助人搜索、整理和生成信息，更重要的是，它会迫使人重新思考： 问题究竟是什么？目标能不能说清楚？任务应该如何拆解？哪些环节可以交给AI，哪些判断必须由自己完成？ 主动使用AI的人，往往不只是多掌握了几个工具。他们开始重新组织自己的思考、学习和工作流程。 我们公司做过一个小规模调研。样本有限，不能据此推出普遍结论，但结果与日常观察基本一致：AI用得好的人，首要原因通常不是掌握了更多提示词，而是愿意主动学习，主动尝试，也愿意重新设计原来的工作方式。 他们往往具有一些共同特征：主动性强，学习能力强，有问题意识，能够定义问题，也能够承受试错带来的不确定性。 这正是今天这个时代对人的新要求。 当然，认知分化不只是个人努力的结果。一个人有没有时间试错，能不能获得工具和数据，组织是否允许他调整流程，管理者是否愿意开放信息，都会影响AI能否真正改变他的工作。 所以，AI既在放大个人差异，也在暴露组织差异。 五、新平台大概率不诞生于旧平台 旧平台擅长信息匹配、人与人匹配、人与商品匹配；新平台要做的，是能力与需求的匹配，甚至直接代表用户完成复杂任务。 两者不是同一个问题的升级版，而是复杂度完全不同的新问题。 这也是上一代巨头难以穿越技术周期的原因。 巨头的困难，不只是资源够不够，而是受到三种力量束缚：存量业务不愿主动破坏自己的收入来源，原有组织很难适应高频试错和知识共创，过去的成功经验又遮蔽了新问题。 所以，“原有业务加AI”可能带来效率提升，却不等于真正的AI原生转型。 新的平台之所以常常诞生于旧平台之外，不是因为旧平台没有能力，而是因为它们太熟悉过去的成功方式。 六、公司可能不会消失，但旧公司的内部结构会失效 “公司会消失”是访谈中最有冲击力的判断之一。 如果把它理解为所有企业都会从社会中消失，当然过于字面。更准确的理解是：围绕固定岗位、逐级汇报和单一命令链条建立的传统公司，可能不再是最有效的组织方式。 未来组织的基本单元，可能从岗位转向任务。 一个增长任务，可能由一个人、几个智能体和一组数据系统共同完成：AI分析客户变化，智能体生成方案，系统执行投放，人判断目标和边界，最后由人对结果负责。 变化的不是办公软件，而是工作的基本单位。 未来组织或许更像研究实验室、专业竞技队，或者一张不断重组的网络。能力比职位重要，协作比命令重要，贡献更加透明，组织也随着问题变化而变化。 当然，这不意味着所有层级都会消失。高风险行业、公共部门和复杂系统，仍然需要清晰的责任链和最终决策者。 真正受到挑战的，是把管理等同于控制、把信息掌握在少数层级手中、把人永久固定在岗位上的组织方式。 七、战略从规划走向生成 工业时代的战略，通常是一种线性规划：分析过去，预测未来，制定目标，再层层分解执行。 但AI时代的不确定性太高，未来很难被一次性规划出来。 因此，战略需要从“规划”走向“生成”。 战略生成，不是放弃方向，而是让方向在行动、反馈和修正中逐渐清晰。这要求组织让成员共享更完整的上下文，减少信息在层级传递中的损耗，允许小范围试错，并让反馈尽快返回系统。 所以，AI时代必须先谈组织，再谈战略。 如果员工只看见局部任务，管理层只能听到经过过滤的信息，组织就很难生成有效战略。 这也解释了为什么真正重要的创业方向，常常在早期并不符合共识。卓越的创业者需要穿越负反馈，验证一个尚未被多数人看见的可能性。 但反共识不等于正确。绝大多数反共识判断都会失败，卓越只能在事后被成功证明。 八、人的价值不是AI淘汰后剩下的部分 AI可能接管越来越多能够被结构化处理的知识工作。人的价值，则更多体现为“无中生有的能力”。 但创造力不只是写歌、画画或产生新奇点子。它还包括： • 定义复杂问题； • 发现尚未被满足的需求； • 选择值得追求的目标； • 在没有标准答案时作出判断； • 为选择承担责任。 AI可以帮助我们生成方案，却不能替我们决定什么值得做。 人的价值也不是AI淘汰知识工作之后留下的“剩余项”。人的价值在于决定什么应该被生成，为什么生成，以及由谁承担结果。 技术可以不断追求更快，但人的生活不能只有更快。 如果AI提高了组织效率，效率究竟由谁获得？如果员工只是因此被要求更快地完成更多工作，技术进步并不会自动带来更好的生活。 九、生成必须嵌套在现实之中 《智能》最有力量的地方，是解释AI如何生成新的能力、应用、组织和战略。 但我的补充是：生成从来不会发生在真空中。 商业嵌套在制度里，组织嵌套在既有权力结构中，个人嵌套在教育、职业和家庭关系中。AI生成新的能力时，也会同时生成新的依赖、不平等和责任。 我们以为AI会让世界变得平坦：模型能力趋同，调用成本下降，创业门槛降低。 现实却远没有这么平坦。 一家初创公司、一家大型平台和一家国有企业，拥有的数据、资本、渠道和责任完全不同。它们面对的不是同一道题，而是不同的方程。 因此，AI商业不能只讨论增长，还要讨论数据权利、劳动分配、隐私保护、公共治理和人的主体性。 技术可以生成方案，却不能替社会决定价值。 结语：没有人能站在巨浪之外 我们可能还没有进入一个已经成熟的AI应用时代。我们正在进入的，是一个旧组织逐渐失效、新组织尚未成形的过渡时期。 真正的变化，不只是每个人都打开了一个AI工具，而是岗位开始被重新拆解，任务开始重新组合，决策开始重新分配，人与AI共同承担工作，组织也重新回答自己为什么存在。 “没有人在巨浪面前安全”，并不只是给企业家的提醒，也适用于每一个普通人。 未来不会只奖励最早学会使用工具的人，也会奖励那些能够发现新问题、组织新协作，并为自己的选择承担责任的人。 AI的力量在于生成，AI的现实却总是嵌套在制度、组织和人的生活之中。 看见生成，我们才不会错过机会；看见嵌套，我们才不会把未来想得过于顺滑。

先听了张小珺和曾鸣的播客，然后就摸到了微信读书。 这里畅想了 AI 产业化的三个阶段，而我们还处在第一阶段的早期，无论我们接受与否，AI 作为新范式会深刻的改变我们的工作和生活方式。 我最喜欢的一句： 碳基和硅基“共生”，是因为这里并不存在简单的替代关系。人类与AI并非各自独立运行，而是在同一个认知循环中持续互动：人类提出问题与约束，AI拓展可能性与路径，新的判断在互动中逐步形成，再进入下一轮探索。 这种关系不是工具与使用者的关系，而是一种稳定的协同结构。 所谓共生。

《智能：AI时代的商业、组织与战略的本质》回归商业第一性原理，跳出“AI只是效率工具”的浅层认知，系统性搭建起智能时代的全新商业框架。曾鸣以“智能复利”“黑洞效应”等核心概念，清晰推演了商业从“千人千面”向“一人千面”的范式跃迁，也点明组织核心能力需从高效执行转向持续生成新认知。它帮企业家跳出旧战略路径依赖，理解动态生成式战略的底层逻辑，为AI时代的企业长期增长指明了方向。

别人的问题就是你的商机 本书核心论断是人工智能不是简单的效率工具，而是彻底颠覆工业时代延续数百年的价值创造逻辑。工业时代的底层逻辑是规模经济：以产能为导向，建大型工厂、组织数万工人，大批量生产标准化产品，靠扩大产量摊薄单件成本，企业比拼厂房、生产线、员工数量。而智能时代的范式彻底翻转：从生产产品、比拼产能，转向以解决真实问题为核心，价值不再来自庞大组织，而来自能持续迭代、自主闭环的智能系统，书中称之为智能复利——系统处理任务越多，收集反馈越多，自我优化越强，越用越聪明。 组织形态随之发生巨大变革。传统制造业依靠数万产业工人完成流水线作业；智能时代大量重复性生产环节由机器人、智能系统接管，不需要维持庞大人力团队。Hyperliquid就是极具代表性的案例：仅11名核心员工，依靠自研的链上交易智能系统，去年创造9亿美元净利润。它不靠人海、厂房、线下网点，核心是搭建一套可以自主运行、持续迭代的智能体系，用代码和系统承接海量业务，实现极高的人效，这正是智能时代新组织的缩影。 这套变革不只重塑企业，也重塑人的价值评判标准。在物质极大丰富的和平环境里，社会不再只以财富规模、学历标签作为衡量成功的唯一标尺，细分赛道深耕、多元技能成为新的主流。20岁中国选手何晓嫚，在世界技能大赛拿下轨道车辆技术金牌，还夺得全场最高分的阿尔伯特·维达大奖，这份专业技能含金量，足以比肩传统认知里的高考状元；中国香港选手戴心怡，作为瓷砖贴面项目唯一女选手站上世界技能大赛赛场，登上央视，让大众看见精细工匠手艺的分量。 就连顶尖创业者的工作方式也发生变化。万亿级企业家马斯克长期在工地一线睡房车，扎根现场直面真实工程难题，而非坐在办公室指挥庞大团队。这背后反映出，智能时代不再推崇单纯财富数字的堆砌，过去依靠土地、资产暴富、高调炫富的地产暴发模式，已经逐渐失去时代光环，变成旧范式的缩影。 曾鸣提出，未来人的核心价值，是面向具体问题的创造力与深耕能力。AI会接管大量标准化、重复性劳动，人不再被迫为了财富数字而工作；当细分赛道足够丰富，每个人可以依托自身兴趣深耕，在小众领域成为专业达人。战略也不再是提前规划数年的宏大方案，而是在持续反馈里动态生成，企业与个人，都要从“制造产品”转向“解决问题”。 智能时代不是大企业的专属舞台。只要能搭建起可以持续学习、闭环优化的智能体系，小规模团队也能创造巨大价值；而普通人的出路，不在于盲目追逐规模与财富，而是找到自己的细分赛道，打磨解决特定问题的硬核能力。见马斯克多次转发的Opus5.5代码直接出音乐MV。 “为人民服务”将成为未来商业的主题。 2026年#288

曾鸣的《智能：AI时代的商业、组织与战略的本质》是一次极具野心的尝试——他试图回答一个几乎所有企业家都在焦虑的问题：当AI不再是工具，而是像电力一样渗透进商业的每一个环节时，企业到底该怎么活？ 这本书最有力的地方在于，它没有停留在"AI会取代什么岗位"的老生常谈，而是从生产要素的层面重新定义了竞争。工业时代拼规模，互联网时代拼连接，曾鸣认为AI时代拼的是"智能复利"——系统越用越聪明，反馈越高质量，优势越滚越大。这个框架简洁有力，配合"黑洞效应"的概念，很好地解释了为什么领先者会越来越领先，后来者为什么越来越难追赶。 但说实话，这本书也有明显的"曾鸣味儿"：阿里系战略语言的宏大感、概念造词的热情、以及对推演本身的自信。全书更像是一位顶级战略顾问在白板上画出的未来图景，逻辑自洽、气势磅礴，但你很难从中找到"明天早上我该做什么"的答案。对于一线管理者来说，框架是有了，落地的抓手还不够具体。 另外，"一人千面""组织OS""战略生成"这些概念，每一个单拎出来都很有启发，但放在一起时，概念密度偏高，读起来需要一定的商业直觉才能消化。

【曾鸣《智能》：三把尺子是真的，招牌那把没有刻度】 曾鸣这本书里最值钱的一句话，我只划到一次，还被淹在一大段论述里：“传统公司本质上是一种认知压缩结构。”它用信息成本解释了科层制为什么存在——那么反过来，当认知传递成本趋近于零，层级失去的不只是效率优势，是存在的理由。 最要命的悬空处，也是他自己写下的：第二章说“后来者即便拿到了同样的数据……也无法复现同样的能力”，同一章又说“在一个尚未稳定的技术路径中……后来者可以跳过部分试错阶段”。同一个问题，两个相反的答案。两句都成立，因为前提不同——一个假设路径已稳定，一个假设路径未稳定。而“怎么判断稳没稳”，书里没有给判据。 于是这个招牌概念最核心的问题不是它错了，是它不可判定：你没法用它回答任何一个具体的下注问题。 8天读完，443条划线，274条想法。给84分——值得读，但要带着刀子读。 【这本书真正的贡献，是三个判据】 一是“什么算基础设施”。标准是可计量、可组合、可规模化调用。三条缺一条，围绕它的商业模式都是早产的。这比“AI改变一切”强，因为它可以被反驳。 二是“复利什么时候变成护城河”。全书最有用的一刀：他区分了“智能复利”（系统内部能力提升）和“竞争优势”（市场相对位置）。一个系统可以一直在变强，但用户感知不到，于是不变现；也可以一直在变强，但所有对手同步变强，于是差距不拉开。所以复利的要害不是复利本身，是转化率。 三是“公司是一种认知压缩结构”。用信息成本解释了科层制为什么存在，也就预告了它什么时候失效。 【但这本书的核心论断不可判定】 招牌概念“黑洞效应”说的是：智能复利一旦跨过复杂性奇点，就会产生不可逆的优势。三个问题—— 第一，“复杂性奇点”没有尺子。书里给了定性条件（学习空间够大、反馈有强路径依赖），但没说多复杂算复杂、怎么算跨过去了。它的判据强在“往哪走”，弱在“走到了没有”。 第二，正面的案例一个都没有。作者其实很清楚哪些领域拉不开差距（他写广告那种单点任务“很难形成独特的学习路径，所以难以和竞争对手拉开差距”），但符合“不可压缩的历史”的正面例子，他用的一直是抽象的“A系统”，没给过一张真实的资产负债表。 第三，这个“黑洞”到底是不是自吸引的？物理学上黑洞靠自身质量维持，飞轮停止施力就会停。曾鸣说的引力如果来自用户规模，那是网络效应（要补贴维持）；如果来自资本，那是烧钱的飞轮；只有来自“不可压缩的历史”才是自吸引——而这正是他没能验证的那一条。 【我认为最大的漏洞，在它的地基上】 曾鸣说60分奇点的本质是系统进入“对结果负责”的状态。但“对结果负责”需要三个条件同时成立：结果可观测、可归因、可比较。 结果可观测？点击可以，代码能不能跑可以——所以这些领域AI已经吃下来了。结果可归因？“这次增长是不是因为这个决策”，归因就断了。结果可比较？“这个方向对不对”连比较标准都是人定的，今天和明天还可能不一样。三个条件在这类任务上同时不成立。 在这类任务里，系统学的不是真相，是当前这批评审员的偏好。它会越来越自信，因为反馈一直很明确；但它明确的只是偏好，不是对错。 作者自己也碰到了这堵墙，他写“人可以处理很多模糊场景和隐性知识，但AI不行；只有在线化的数据，AI才能处理”。但他把解法停在了工程层面——把数据洗干净、把上下文在线化。真正的问题是：有些判定标准不是“还没被数据化”，是“无法被数据化”，因为它本身有争议、需要协商。这不是数据工程能解决的。 所以复杂任务上“60分奇点”迟迟跨不过去，原因可能不是AI不够强，而是判定标准既没有被显性化，也无法被单方面确定——它本身是有争议的、会随共识漂移的。 【第三个问题：给了供给的形态，没给成本】 书里畅想“AI实时触发柔性制造网络，直接生产一把定制的刀”。但制造业有产能刚性、认证周期、模具成本、法规约束——最关键的是，做一把独一无二的刀比做一万把一样的刀贵几个数量级。形态命题难以证伪，成本命题才可证伪，而书把成本留在了空白里。 我认为这里还缺了一环：睡眠数据从哪来？从手表、从床垫、从手机。没有那些硬件，“意图理解”就没有原料。更准确的链条是：传感器铺到生活里 → 持续的真实数据 → 意图理解有原料 → 需求生成才成立。书从第三步开始讲，但第一步才是瓶颈。 【第四个问题：伦理被降级为德性】 “需求判断力”那节，作者自己提出了全书最尖锐的问题：“谁来决定什么是更好的人生方向？系统依据什么价值标准判断是健康优先还是效率优先……”而在我读到的文本里，这本书没有再碰过它——没有一处讨论“谁有权设定价值标准、如何被制衡、被谁监督”。 补充一个我一开始写错、后来改过来的判断：我本想用这本书自己的逻辑反驳它——制造焦虑的产品反馈更快、复利更强，所以焦虑制造者应该赢。但这是把它的定理用反了。书里的逻辑恰恰相反：反馈快、标准清晰、路径依赖弱的领域只会同时进化，谁也拉不开差距。真正的紧张在另一头：“帮客户给人生问题排序”这件事反馈延迟长、标准模糊、路径依赖强，恰恰是书自己认定最难闭环的那一类。所以问题不是“焦虑者会赢”，而是“高水平靠什么跑赢”，书里没给机制。 【最后一个问题：术语通胀，但有例外】 智能复利、黑洞效应、60分奇点、一人千面、意图实现、共生智能体、认知共创、认知节点、组织OS、创智人才、战略生成系统、张力机制、愿景化……十六七个新词。 真正有新信息量的，我数出来是三个半：智能复利+60分奇点、认知压缩结构、组织资源≠拥有资源、共生智能体（半个）。通胀发生在另一层——同一层级的反复命名：“张力机制”就是“既要坚持长期又要接受修正”，“愿景化”就是“愿景要持续被重构”。 但有一个词我觉得是真新的，得单独说：“问题场”——描述需求尚未成形时的那种模糊状态。 【如果只读两部分】 第二章（智能复利和黑洞效应）是理论内核，第五章（智能战略）可操作性最高。特别是这三样可以直接抄： 选切入点：在“问题复杂度”和“闭环能力”之间找平衡。太简单无学习空间，太复杂闭环闭不上。 生态位：点、线、面三种定位都可以，但不能混在一起。最常见的死法，是做“点”的公司在拿到一点客户之后忍不住去做“线”，结果两头不占。 把战略变成决策协议：每个重要决策写清楚问题定义、关键假设、事实与判断的区分、因果关系。每个实验前写下要验证的假设，以及假设被否定意味着什么。复盘时不要只问结果好不好，要问“我们原来理解的问题是否需要被重写”。 【一个数据】 我把这本书的全站20条热门划线和我的443条做了交叉——只有7条落在我的划线范围内，其中逐字相同的只有2条。 另外5条都是“我划的范围更长”：大众停在那句话最像金句的地方，我会继续往下划一格，把作者紧接着给出的机制说明一起圈进去。金句是结论，金句后面那句才是结论为什么成立。 而全站热度最高的一条（1398人划线）是：“机器、能源、标准化生产和现代供应链的出现，让整个社会第一次有能力以极低成本向大众持续提供商品。” 这是一句历史陈述，不是一句判断。它好懂、正确、不需要前置知识，所以最多人划。 所以我的结论是：这本书在不同读者手里是两本不同的书。一本是产业史，给你理解和安慰；一本是判据集，给你不舒服。如果你读完没有感到任何不舒服，那你大概率读的是前一本。 说句公道话，这本书目前的口碑是明显偏好的：微信读书84.2分（48人评），公开点评里16条五星、2条三星、没有一星。但那两条三星说得都很准——一条说“很多对未来的畅想都没走出阿里电商的固化思维逻辑”，一条说“不要为取代而取代，试图创造一种新的概念，显得先知先觉”。这两句恰好就是我对这本书的两个主要保留意见。 【建议的读法】 先读第二章，再读第五章，然后回头读第一章和第三章——这时你已经有了判断框架，能分辨哪些是分析、哪些是想象。第四章选读，第六章只看最后一节。 另外，这本书需要前置经验。我读到“这一点如果不放到真实任务流中，其实很难被理解”时写了一句：没有亲自用AI跑通过几个任务，是理解不了书中一些概念的。纯小白建议先用AI跑通一两个不同类型的端到端任务，再来看这本书。 【一句话总结】 这本书不给你答案，它把你的问题挪一个位置。我原本的假设是“AI会越来越强，所以复杂任务会被逐步吃下来”；读完之后的表述变成了——“AI会越来越强，但复杂任务的瓶颈不在能力，在判定标准的可显性化”。 前者让我等待，后者让我知道今天该做什么。这就是一本好书该干的事。 （最后交代一句本文的边界：全部依据是阅读记录，不是实践记录。推演不是验证——我没有拿着这套判据完整跑过一轮，所以任何一处我都可能在纸面上对、在现实里错。） 你们读完之后，是感到更确定了，还是更敢下注了？ --微信skill笔记直出书评（DS-4.1-Flash），于2026年9月13日

比较有收获的一点是，作者提出：AI 时代让智能第一次变成了产品。智慧限于个体，而是变成一个大家都可以利用的东西。每个人都可以凭借 AI，把自己的能力再撬一个杠杆。如何把 AI 真正落地，嵌入到实业过程中，是未来的大方向。

愿景与生成式战略：战略不是被执行，而是在行动中被生成 一、三代战略范式 工业时代：先看清未来，再组织行动（规划） 互联网时代：在变化中不断调整（迭代） AI 时代：在高度不确定中持续做高质量选择。未来不是靠更好的分析去理解的，而是在参与中不断生成的。 二、生成式战略的四个环节（循环，不是线性） 愿景给出初始方向 行动触达真实世界。行动的价值不在于把事做完，而在于让不可见的未来以具体信号的形式显现出来。 反馈揭示未来信号，有三大作用：揭示未来如何形成、暴露原有判断的局限、为新理解提供原材料。反馈不是对过去的总结，而是对未来的提示。 理解修正判断。愿景不能替代理解，反馈也不会自动生成理解。战略真正发生在二者之间：带着方向进入现实，让现实修正对方向的理解。 三、愿景的两层作用 解释框架：同样的信号，不同的愿景会读出完全不同的意义。把 AI 当效率工具的公司想到降本；把 AI 当新商业入口的公司想到意图、任务和供给重构。没有解释框架，组织就只能被热点、竞品和资本市场牵着走。 方向约束：越不确定，取舍越难。没有愿景，组织会把「可能正确」误当成「应该投入」，结果是资源被摊薄、长期能力无法积累。 愿景既不是目标，也不是预测，而是一种方向性预判。表述可以稳定，理解必须不断加深。 四、核心张力 战略建立在对未来的预判上，但不能依赖这种预判正确。 成熟的战略能力：既敢于给出方向，又不迷信自己的判断；既做长期选择，又让现实反馈修正预判；既不因不确定而放弃行动，也不因已有判断而拒绝学习。 愿景 = 我们愿意基于怎样的未来判断持续行动，并愿意让行动反馈不断修正这一判断。 工具：看十年、想三年、干一年。 五、机会藏在哪里 重要的机会最初都不以清晰需求的形式出现，而是以误用、绕路、反常行为、极端用户案例的形式出现。传统管理要纠正的「问题」，恰恰可能是最有价值的信号。 例子：AI coding workflow 不是产品经理规划出来的，而是重度用户在试探中长出来的。 亚马逊 6 页叙事文档不是为了更快得出答案，而是为了更深地理解问题。真正难的从来不是选哪个答案，而是问题本身到底是什么。 六、战略变成一种持续运行的能力 战略从某个阶段的决策结果，变成一种持续运行的认知能力：不靠一次灵感，而靠持续运行；不靠某一个人，而靠整体机制；不追求一次正确，而追求不断逼近。 长期竞争力不再来自某个正确判断，而来自能不能持续进入真实世界、生成反馈、修正理解。 冷启动方法是线下战略共创会：选对人（有意愿、有信息、有兴趣、有能力），用 3 天深度碰撞，把难以写成文字的场景知识讨论透。「回到创始人」的真正意思，是整个公司回到初创状态。 七、总结 方向必须有，但不能变成执念；判断必须做，但不能被神化；行动必须坚定，但行动之后必须学习。

智能复利。 我们现在，无论个人还是组织，攒的这堆东西，到底是资产，还是包袱？ 顺着他的思路，有三个问题你现在就可以问自己： 你的系统有没有真实的任务闭环？ 能不能持续拿到高质量的反馈？ 这些反馈有没有在改变你的能力边界？

总结全书核心观点：AI带来商业、产业、组织的系统性重构，未来竞争核心，是构建智能复利飞轮，掌握意图理解与资源调度能力，打造人机共生、持续迭代认知的AI原生组织。 1、本书提出智能复利与黑洞效应。AI在任务执行中持续学习，形成增长增强能力的正向飞轮。承担结果的责任交给AI，我认为是可行的，AI产出的结果整体评估，有对有错但整体相抵消后是正向的，人类要能容忍AI犯小错，大错通过harness门禁控制，杜绝发生。黑洞效应源于强路径依赖，系统沉淀带时间刻度的独特经验。书中认为，缺少时序试错历程，仅靠数据无法复刻这套经验。有些疑问：蒸馏模型思维链，不可以学习到吗？路径依赖不能通过蒸馏模型推理的思维链而得到吗？通过蒸馏不能复制吗？真的有竞争壁垒？ 2、商业范式将从千人一面、千人千面，发展到一人千面。一人千面：满足单一客户，在不同场景、不同时间的多样化的需求。智能商业始于意图理解，终于意图满足，中间是智能体执行。客户真实的意图理解是AI时代的大课题，做的好才会有竞争力，意图识别是第一步，客户意图如果理解的有偏差，后面的自动化执行任务就南辕北辙了。用户需求往往初始模糊，AI协助用户梳理目标。这是商业起点的第一次前移。未来商业从模糊的问题状态开始，从意图理解开始。谁定义需求，谁就定义了市场。系统参与需求生成，企业则拥有在需求形成之前进入价值链的机会。这彻底改变了竞争规则。供应链转为动态协同网络，网络中价值节点被优胜劣汰，高价值节点拥有更多的流量被更多的参与到价值链中，网络效应和马太效应更强，K型分化，财富更集中。 3、AI OS是商业新底座。AI OS 能力：（1）持续理解意图能力；（2）跨节点协同能力；（3）实时动态求解能力。深有体会，大模型中安装了多个能力类似的skill和mcp服务，在识别到客户意图后，到底调用哪个skill哪些mcp，大模型作为AI OS具有调度规则定义权，但如何调度，调度哪些资产的规则是可以被平台定义并后训练进模型中的。平台从交易撮合升级为编排调度，平台核心资产变为调度规则定义权。 4、传统组织模式逐渐失效，AI原生组织追求认知共创，成为人机共生智能体，管理者转变为系统架构师。高人才密度+高透明度，应该写在团队组织文化中。高人才密度每个人需要不断学习修炼自我提升自身创新和解决问题能力。高透明度更反应了相信、责任担当、公平公正、信息平权的组织文化。