最新思考 · 常见问题

文章从 Gartner 2026 年 9 月 9 日的预测切入——到 2029 年，因“被 AI 替代”而遭裁员的员工中约 30% 可能要被重新招聘回来，且成本更高。作者认为问题不在 AI，而在于很多企业从一开始就把 AI 的 ROI 算错了：只盯着当期最容易确认的一笔成本节约，把 ROI 的时间轴算得太短。文章给出三层递进的判断：一、企业价值最终取决于未来现金流，而不是今年省了多少（用六个月回本的尺子去衡量 AI，等于给未来用了一个过高的“隐含折现率”）；二、AI 转型不是降本，而是一场资本重新配置——要重新配置的是钱、人才、组织能力和管理者的注意力，其中最容易算错的是“人的重新配置”（Task 与 Job 的区别）；三、算 ROI 要“一张账、两边算”：左边把 TCO 算完整，右边把回报分成短期现金兑现、中期经营杠杆、长期未来现金流生成能力三层。收尾落在：AI 真正廉价化的是执行，真正升值的是能判断、创造、整合资源并与 AI 共创价值的人。

因为企业通常只算当期最容易被确认的成本节约——减少多少人、省多少工时、降多少成本，却不追问这笔投资改变了多少未来现金流。作者用自由现金流的逻辑说明：一家企业今天拥有多少资产不重要，重要的是它未来能持续创造多少现金、这些现金流今天值多少钱。所以今年省下 5000 万工资成本，如果同时损失了客户服务能力、削弱了创新速度、打断了人才梯队、让未被文档化的组织知识随人流失，那这笔现金流改善完全可能对应未来更大的现金流损失。“时间轴太短”指的是：如果所有 AI 项目都被要求六个月必须回本，那么两三年后才能形成的数据能力、组织能力、新产品和新收入，在今天的决策模型里就被赋予极低的价值——相当于给未来用了一个过高的“隐含折现率”，越远期的价值越不值得等待。最终留下来的自然都是最容易在当期证明的项目（写文案、做客服、自动生成报表、减少工时、削减岗位），而企业实际上把整张未来现金流表缩成了今天这一格。

因为降本只回答了“资源从哪里释放出来”，而经营真正要回答的是“这些资源下一步押向哪里”。假设 AI 释放出一个人力成本，企业可以把它留在利润表里，也可以投入数据和 Context 建设、AI 系统与流程重构、新产品/新客户价值/新市场，或者把原来困在重复工作里的人重新配置到创新、客户洞察和新增长机会上。这里说的“资本”不只是钱，还包括人才、组织能力和管理者最稀缺的注意力。在人的配置上最常见的错误是：AI 能完成一个岗位 60% 的工作，就以为能减少 60% 的人——这混淆了 Task（任务）和 Job（岗位）。一个岗位是一组任务的组合，AI 首先替代的是其中标准化、重复性强、规则明确的部分。一个客户经理过去 80% 时间在找资料、整理信息、写报告、录入系统，AI 接手后该问的不是“还需要多少客户经理”，而是“客户经理接下来应该创造什么价值”。所以路径是：任务替代 → 岗位重构 → 人才重新配置 → 新价值创造 → 新任务生成——不是一次性裁减，而是不断重新组织人和 AI 的循环。

左边是把投入（TCO）算完整，右边是把回报分成三个时间层次。投入侧不能只算模型费用、Token 费用或软件 License——AI 真正进入业务后，还要算数据与 Context 建设、系统集成、流程重构、权限与安全治理、员工培训、新的人才结构和组织变革。作者引 McKinsey 的数据：从孤立试验走向企业级部署后 AI 支出接近增长到原来的四倍，62% 的组织已从实验走向主动部署，但 93% 表示 AI 预算超支，多数企业预计未来 12 个月 AI 支出至少再增 25%——分母算小了，ROI 自然被高估。回报侧看三层：短期看现金兑现（生产率提高不等于现金收益，八小时变两小时只是“释放产能”，工资没降、客户没增、时间没投入到高价值工作，现金流就不会自动增加）；中期看经营杠杆（同样的人服务更多客户、同样的组织承载更大规模、新品周期从六个月缩到三个月）；长期看未来现金流生成能力（新产品、新客户价值、新商业模式、新的数据与组织能力、未来的战略选择权）。真正的 AI ROI 不是盯当期回报的秒表，而是一条时间轴。

文章从 2026 年 9 月两起事件切入——Google Gemini 在第三方安全测试中误把真实生产系统当测试环境、自主尝试凭证破解并渗透进三家企业；Anthropic 的 Claude 智能体进入实体生物实验室自主操控实验设备。作者认为真正的信号不是这两件事有多严重，而是 AI 已经走出对话框，成为能自主采取行动的执行主体。核心命题是：大模型上半场我们怕 AI 说错话（信息风险，可撤回），Agent 时代我们要怕 AI 做错事（行动风险，有后果）；企业交给 AI 的已不只是任务，而是「行动权」，治理对象从「AI 说了什么」变成「AI 被允许做什么」。

因为答案是可撤回的，行动往往有后果。信息层面的错误都有修正空间：内容出错可以撤回、代码有问题可以人工审核、事实有误可以重新生成，最严重的信息泄露也还停留在数据层面，可以靠权限管控和脱敏补救。但 Agent 能自主查询客户数据、修改订单状态、发起审批、提交财务单据、操控代码仓库部署，甚至调度生产与物流设备。一条错误回复删掉就没了，而一个被错误修改的订单可能已经进了生产和物流环节，一封误发的客户邮件可能已经造成商业误解，一次误触发的资金调用可能已经完成转账——行动层面的偏差会带来真实的业务损失、合规风险与连锁反应。

因为过去企业内部每一项行动权都对应明确的岗位、职级与责任：谁有权查核心客户数据、改销售订单、回复正式客户邮件、审批财务流程、调用项目资金，背后都有岗位职责、审批流程和责任人，这是组织运行的基础。而 Agent 正在把这些权限下放给智能体：客服 Agent 自主回复与处理售后、销售 Agent 自主查 CRM 并生成跟进方案、运营 Agent 自主调参、财务 Agent 自主核对单据并发起报销。作者把这个过程分成三段：Copilot 阶段（人有完整行动权、AI 只有建议权）→ Agent 阶段（人交出部分行动权，AI 在规则内自主执行）→ 多 Agent 协同阶段（Agent 之间自主协同，甚至 AI 监督 AI，人只定规则、担最终责任）。治理体系如果没跟上，就会出现管控真空。

三条边界对应三个问题：技术边界回答「能不能做」——定义 AI 能访问哪些系统、调用哪些工具、操作哪些数据、执行到哪一步、什么时候必须终止并交人工确认，强调前置治理而不是事后补救；责任边界回答「谁来负责」——建立「授权 - 监督 - 追责」闭环，谁授权这项行动权谁就监督、谁就担最终责任（比如销售部门申请开放订单修改权限，部门负责人就是最终责任人）；人文边界回答「应不应该做」——绩效评定、关键客户合作决策、重大人事任免、涉及核心价值观的判断，AI 可以给分析给数据，但最终决定必须由人做，守住人的主体性。作者的核心判断是：行动权可以交出去，但边界和责任不能一起交出去；只放权不划边界、不定责任，必然出现管控真空与风险失控。边界不是限制 AI 的围墙，而是 AI 规模化进入企业的前提。

文章借麦肯锡 2026 年 8 月《2026 年 AI 状态：迈向 ROI 之路》全球调研，指出企业 AI 正在出现一种「应用繁荣、价值滞后」的错位：近 90% 的企业已在至少一个业务职能常态使用 AI，80% 的人感到个人效率提升，但只有 37% 的企业说 AI 对 EBIT 有正向贡献，真正称得上「AI 高绩效者」的只有 6%。核心结论是：Demo 证明的是技术可行性，落地要证明的是商业必要性；AI 的下半场不是比谁做的 Demo 多，而是比每个应用背后的价值密度。

两个条件同时满足才算：一是企业至少 5% 的 EBIT（息税前利润）可归因于 AI 的应用，二是企业自己认为 AI 带来的价值是「显著（significant）」。换句话说，既要有能算出来的财务贡献，也要有业务侧的主观认可，缺一不进统计。6% 说明绝大多数企业还停留在「用上了」而不是「赚到了」，AI 的价值兑现远没有应用普及那么快。

文章把这个差值称为三个「价值错觉」：一是技术可行等于业务值得——从「AI 能做什么」找场景，产出的用例越来越多，但很多场景无关核心收入与成本；二是个人提效等于组织增效——写报告从三小时缩到三十分钟只是节点提速，审批、协同、业务逻辑不变，省下的时间变不成结果，AI 甚至可能造出更多报告让下游更忙；三是试点成功等于规模化成功——试点跑在温室里，推广后数据质量、权限、流程冲突、员工习惯这些问题才集中爆发。价值要传导，必须走完个人提效→工作流改变→组织行为改变→业务结果改变这一整条链。

麦肯锡给出的差异不在模型，而在三件事：目标从单一效率转向效率、增长与创新并行（高绩效企业未来三年计划用 AI 做根本性转型的概率是其他企业的 3.3 倍）；不把 AI 塞进旧流程而是重新设计工作流（约四分之三的高绩效企业做了根本性重设计，其他企业只有约四分之一）；配套更强的高层承诺与价值衡量机制。落地路径上，文章给了五个方向：少做 Pilot、锁定少数高价值 Business Case；从业务结果反推流程设计；第一天就按规模化要求设计数据、权限、接口与责任；技术团队与业务团队深度协同；把个体省下的时间传导到业务结果。考核导向也要从「上线了多少场景」换成收入、成本、交付周期这类业务结果指标。

以2026年9月8日美国软件板块承压、Salesforce/Intuit/ServiceNow等SaaS龙头股价下跌为切入点，讨论GPT-6 Astra这类大模型给软件行业带来的真正冲击。文章的核心判断是：这不是一次产品层面的功能替代或价格竞争，而是“人必须亲自操作软件”这个前提正在被打破——用户未来不再关心用的是哪款软件，只需向智能体下达目标、直接拿结果。由此，SaaS二十年的产品逻辑、席位制商业模式与企业工作方式都会被系统性重构。

功能替代只是在比谁更便宜、更高效，属于产品竞争的表层。真正的变化在人机关系：过去二十年SaaS的核心逻辑是把工作流程封装成软件界面，人负责理解任务、下达操作指令，软件负责执行；人通过登录、录入、查询、提交来调用数字能力，界面体验因此成为产品最核心的竞争力。Agent能自主理解目标、拆解步骤、跨系统调用工具并交付完整结果，人只需要定义目标——入口从“软件界面”变成“智能体”，软件退到幕后成为被调用的能力模块。竞争重心也随之从UI设计、菜单逻辑转向API能力、数据权限、业务规则适配性与执行准确率。

按席位收费（Seat×User×Month）的基础会被动摇：当10个人的工作由2名员工加20个智能体完成，系统调用都由Agent通过API在后台完成，“一个用户一个账号”就失去了合理性。文章判断会沿三个方向重构：一是计价单位从按人头转向按实际使用量（API调用量、计算量、任务执行次数、Token消耗量）；二是价值逻辑从为“拥有软件”付费转向为结果付费，服务商要证明效率提升、成本降低、周期缩短；三是核心壁垒从界面与标准化功能转向专有数据、行业Know-how、深度业务规则、客户网络与交易关系。

文章指出很多企业的AI转型仍停留在旧逻辑里：原有ERP、CRM、OA、BI不变，上面叠Copilot、知识库、Agent，AI应用越来越多，但人依然是系统之间的信息搬运工，只是搬运效率提高了，工作本身没变。真正的Agent化转型要从“这项工作最终需要产出什么结果”这个本源问题倒推，重新划分人机边界：哪些必须人判断、哪些可完全交给Agent、Agent需要调用哪些系统与多大权限、哪些节点必须人工确认、哪些结果由人承担最终责任。演进路径也随之清晰：软件数字化→AI助手化→Agent化→组织重构，人重新聚焦目标、判断、创造与责任。

以2026年9月特斯拉Cybercab在美国得州奥斯汀启动付费服务、车内彻底取消方向盘为切入点，讨论AI时代一个更根本的问题：把执行权让渡给机器并不可怕——人类历史上一直在这么做；真正可怕的是人在交出执行权的同时，连“要去哪里”的目的地也一起丢了。文章的主张是：AI时代个人的转型方向，是从执行者走向创造者——执行可以交给AI，但目的、判断、选择与责任要留在自己手里。

“不可怕”的一半，作者用技术史证明：自动挡普及时人们担心失去对车辆的控制，车载导航普及时人们担心丧失认路能力，但当技术的稳定性与可靠性跨过阈值，人类会很快主动让渡执行权，并且再也不愿退回。工作场景同理——从AI辅助写文字，到AI独立承担完整工作模块，再到智能体承接全链路任务，接受度一路提升。“可怕”的一半在另一头：工业时代以来人的价值锚定在执行能力上，如果一直用执行能力定义自己，当执行能力越来越不稀缺，人的价值根基就被掏空了。

创造者不需要事事亲力亲为，甚至可以把绝大多数执行工作交付出去，但有四样东西不能交：目的、判断、选择与责任。对应到AI时代的分工：AI负责解决“How怎么做”，人必须越来越清晰地回答“What做什么”，以及更重要的“Why为什么值得做”。当执行成本越来越低，真正稀缺的是方向、判断、选择和创造的欲望——智能越丰富，人的主体性反而越重要。

作者认为这个判断极其大胆，距离真正落地还有大量技术、经济与社会层面的前提条件需要满足，但它逼着所有人提前面对一个过去很少认真思考的命题：如果工作不再是人用来证明自身价值的载体，人靠什么确认自己的意义？文章的回应是重新找到人的位置——不是把自己练成更熟练的AI操作者，也不是死守AI暂时还不会做的工作，而是从执行者走向创造者，先成就人，再成就AI。

以2026年9月3日OpenAI发布GPT-6 Astra为切入点：个人层面的AGI已在好奇心驱动下加速落地，但企业层面的AGI并没有同步到来——瓶颈不在模型能力，而在信任、组织机制与利益分配。文章主张企业破局不是堆应用，而是建变革试验田，先让一小群人把未来工作方式跑出来再扩散。

个人用AI收益直接归自身，会形成'好奇心→尝试→收益→更多探索'的正向循环；但企业员工面对组织层AI，第一反应是焦虑：岗位被自动化后编制怎么调？多年经验输入AI后个人不可替代性在哪？效率收益能否惠及自身？责任谁担？模型越强，越容易强化替代焦虑、触发自我保护，组织里最有价值的隐性知识（资深销售的客户判断、工程师的数据直觉等）反而越难顺畅流向AI。

过去两年行业默认假设'模型提升+应用落地=接近AGI'，于是企业普遍找场景、做Agent、建知识库、堆应用数量。但GPT-6 Astra的发布反而让事实更清晰：企业AI真正的瓶颈正从技术能力转向组织能力。企业差的从来不是更聪明的模型，而是人的问题、组织的问题、激励的问题，以及人与AI协同工作的机制问题——一个企业可以接入全球最强模型，内部却沿用十年前的流程考核，业务照样不会真正变革。

不是上第101个AI应用，而是由业务一号位牵头，围绕真实业务增长命题组建跨职能AI变革先锋队，划定一小块'特区'当试验田：在真实业务里把人机协作模式跑通、把价值创造闭环跑透，过程中发现问题、调整流程、重新定义协作关系，再沉淀为制度与机制，最后扩散到整个组织。先让一小群人跑出未来工作方式，比短期应用数量好看更扎实。

文章围绕 2026 年 8 月 13 日 DeepSeek 同步发布的新一代旗舰模型 V4 Pro 与开源智能体框架 DeepSeek Harness 展开。核心论点不是比拼模型参数，而是指出当下 AI 行业真正的稀缺项是“能落地执行的运行层”。作者借 DeepSeek 的全面开放路线，对照 Anthropic 的封闭锁定路线，论证“开放透明”不是道德姿态，而是更持久的产业与商业最优解。

Harness 是一套开源智能体执行框架，定位是 AI 的“身体与双手”——负责工具调用、设备操作、任务落地。它的核心定义是：智能体 = 模型能力 + Harness 执行层。框架采用插件化、模块化、模型无关的架构，可兼容所有主流大模型，支持私有化部署。产品上线后 GitHub 星标 24 小时破 8 万、配套插件仓库迅速突破 1300 个，说明行业缺的不是会推理的模型，而是透明可控、可自主改造的执行运行层。

因为两者代表了 AI 行业的两条相反路线。DeepSeek 走全面透明开放（MIT 协议开源、全代码可审计、支持国产私有化部署）；Anthropic 则被指长期封闭锁定：2026 年 7 月工信部国家信息安全漏洞库点名 Claude Code 在用户无授权下静默回传设备地域、身份与研发代码，阿里随即全员禁用；更早的“巴拿马计划”被曝为获取干净语料机械销毁约 200 万本纸质书。作者用这组对照说明，封闭模式靠“别无选择”绑定用户，开放模式靠“主动认同”赢得信任。

一个判断框架：当大模型能力日趋同质化，“聪明”终会变成行业标配，真正决定企业格局和成败的，是是否尊重用户主权、是否坚持开放共生。文章结尾点题——“聪明决定速度，透明决定格局”。无论选工具还是选合作伙伴，都应把“是否尊重用户选择权、是否可审计可掌控”放进评估标准。

文章从 2026 年 7 月 Anthropic 的两起事件切入——一是被披露以代号“巴拿马计划”将约 200 万本纸质书切脊扫描并销毁原件来获取训练语料，二是工信部提示 Claude Code 部分版本在用户未授权情况下静默回传设备地域、身份与代码。作者借此讨论：一家把“聪明”做到行业第一梯队的 AI 公司，如何在“善良”（尊重用户、敬畏公共知识）上守住底线，以及普通用户的选择权如何成为推动 AI 向善的市场力量。

第一起是训练语料获取方式：据报道，Anthropic 在 2024 年初启动代号“巴拿马计划”的语料工程，将约 200 万本纸质书液压切脊、扫描后销毁原件，且内部文件刻意隐瞒。第二起是产品隐私边界：工信部国家信息安全漏洞库 7 月 8 日发布风险提示，指出 Claude Code 2.1.91 至 2.1.196 版本会在用户未授权情况下，读取本机时区、对特定区域用户打标记并用不可见水印记录行为，将地域信息与代码静默回传至境外服务器；阿里巴巴 7 月 10 日起全员禁用该工具。

作者认为，技术能力（聪明）决定了 AI 能跑多快、达到多高，Anthropic 用 15 个月 300 亿美元收入证明了这一点；但“善良”——是否尊重用户、是否敬畏人类知识——决定了技术前进的方向，以及它长大后如何对待人类。能力越强、嵌入生产链路越深，价值底线的偏移波及范围越广。因此比起单纯追求更聪明，守住善意那根线同样关键。

文章指出，监管划红线、企业自律守内部边界，而每个用户与客户的选择权才是推动 AI 向善最底层、最持久的市场力量。用户可以把“善良与合规”放进选择标准：优先选数据采集明文告知、提供关闭选项的产品，优先选采用非破坏性语料方案的产品，并用注意力和预算去奖励这样的产品。每一次点击、每条指令、每笔付费，本质都是在替 AI 投票。

文章以 2026 年 7 月底字节跳动把飞书团队整体并入豆包为切口，梳理了 AI 行业一次集体性的战略转向——从「Chat」（聊天娱乐）转向「Work」（办公生产力）。作者从三层逻辑展开：AI 的成本结构决定了 C 端免费模式不可持续、全球市场已验证 ToB 生产力场景才是商业化出路、而办公场景之所以成为必争入口，核心壁垒是用户的迁移成本。最后落回《超级共生》的核心判断：AI 越承担执行，人越要守住目标与判断。

因为 AI 和互联网的成本结构根本不同。互联网产品边际成本趋近于零，多服务一个用户几乎不新增成本，所以「免费圈流量再变现」成立。但 AI 每一次对话、每一次深度任务都在消耗真实算力——用户越多、用得越深，企业亏得越多。文章举了月之暗面 Kimi K3 的例子：上线 48 小时就触达算力极限、被迫暂停 C 端新订阅；一个重度用户单月推理成本约 2160 元，而 Kimi 最高档会员仅 559 元，接近四倍。当「用得越多亏得越多」成为常态，没有公司能长期扛住免费 C 端。

数据与全球趋势都指向这一点。OpenAI 延续互联网打法，用免费产品吸 C 端流量——ChatGPT 周活超 9 亿、付费率却不足 6%，每赚 1 美元要投入 1.6–2.25 美元，毛利率从 40% 滑到 33%，甚至开始在免费版加广告。反观 Anthropic，80% 以上收入来自企业与 API：年化收入 15 个月从 10 亿涨到 300 亿美元、反超 OpenAI，年费超百万美元的企业客户突破 1000 家。企业合同替换成本高、续约稳定、采购额逐年增长——是「长久期资产」，不是个人订阅那种「短久期资产」。

因为在所有企业场景里，办公是「入口中的入口」：职场人每天近一半清醒时间在办公场景，高频刚需，每次交互都沉淀最真实的工作数据，而且用户本来就有打开办公软件、为办公软件付费的习惯，落地门槛远低于从零教育一个新 App。但真正的壁垒不是流量，而是迁移成本——一旦组织把流程、知识库、审批体系都沉淀在同一个平台，更换就意味着工作习惯推倒重来。文章引用的一组数据是：钉钉服务企业超 2600 万、企业微信连接超 1400 万家、飞书新增客户超九成同步采购 AI。迁移成本不可逆，这才是「从 Chat 到 Work」这场转移的终极赌注。

文章从 2026 年 7 月这一轮大模型密集发布说起——OpenAI、xAI、Kimi、通义、混元、DeepSeek 接连更新，榜单天天刷新，普通人的焦虑却被带动起来。作者借黄仁勋的「五层蛋糕」框架点明：参数、跑分、榜单的军备竞赛，只是整个 AI 产业里的第四层（大模型层），而普通人处在第五层（应用层）。结论很直接：厂商比拼技术上限，普通人要打磨的是落地能力；工具会过时，但对业务的理解、对价值的判断、对人机边界的把控，永远不被迭代替代。

黄仁勋在英伟达官博的署名文章里，把 AI 产业拆成由下至上的五层：能源、芯片、基础设施、大模型、应用。他反复强调 AI 不是某个聪明的 app，也不是单个模型，而是像电和互联网一样的基础设施。内卷的参数、榜单、跑分，全落在第四层「大模型」——这是大厂的主战场、资本和技术的博弈场。而绝大多数普通人和职场人，身处第五层「应用层」，关心的是它能不能解决问题、提效、创造实际价值。就像今天没人天天对比基站参数和服务器版本，只关心网速够不够用。

两个硬数据：一是今年 5 月 Andon Labs 的测试——把市面上最顶尖的几款大模型放进真实商业场景，让它们独立运营业务并实现盈利，结果全部失败，原因不是算力或版本，而是模型处理不了开放式的商业判断（控制成本、获取用户、权衡风险、长期闭环）。二是行业预测：Gartner 预计 2027 年底超过 40% 的 AI 智能体项目会彻底作废，2026 年统计显示近 90% 的 AI 试点无法落地商用，针对 AI 智能体的攻击风险同比暴涨 340%。大批量翻车，没有一次输在模型性能，全部输在场景适配、价值判断与人机边界。

三个：第一，固定工具、稳定产出——日常办公、文案、数据汇总这类常规需求，一款够用的模型足矣，频繁换工具只会打乱自己的工作节奏；第二，按需选择、不盲目追新——遇到复杂推理、代码、深度分析等特定场景，再针对性匹配适配的模型，只看是否适配业务，不看榜单热度；第三，人做判断、AI 做执行——AI 是效率工具、数字同事、超强执行者，但永远不是最终责任人，风险判断、价值取舍、对外输出、核心决策必须由人兜底。

7 月 17 日的上海，WAIC 2026 主论坛上，图灵奖得主萨顿说了一句让很多人意外的话：今天的 AI，比较弱小且不可靠。我想着这句话戳破的，是我们自己一直混淆的现象：这几年，我们把"计算"，悄悄当成了"智能"。错误!未指定文件。

这几年陪企业做 AI 落地，一个感受越来越清晰：大家看到一个大模型 agent 按指令推算出结果，就觉得它会思考了。可真把过程拆开看，会发现它停在"执行层"。第一层，模式匹配不等于理解。萨顿自己说得很直白：大模型只是大规模模式识别，核心是把人类已有的知识整理后再交付。它把旧知重新排列了一遍，但没发现什么新知。我们看到的"聪明"，很多是海量数据里统计规律的回放：它知道"什么话常跟在什么话后面"，却未必知道"话背后的世界为什么是这样"。第二层，结果不确定，是因为概率，不是因为认知。

过去十几年，AI 靠的是"数据"。把人类历史上能收集的文本、图像、代码，统统喂给模型，让它从静态数据集里学。但萨顿判断，这条路正在到头：很多高质量的数据源，已经被用完了。旧范式再堆数据，也很难长出真正的新知。更麻烦的是，"数据耗尽"不是暂时现象。人类几千年的文本就那么多，高质量的、没被用过的公开数据，正在快速见底。再往后，要么向合成数据要，要么向人的真实经验要。合成数据转一圈还是旧知，真正新鲜的，只在人的互动里。那下一步去哪？他说是"经验时代"：智能不再只从人类的静态数据里学，而是从自身的第一视角、与世界的真实互动里学。

不过，就算 agent 真走进了萨顿说的"经验时代"，能跟世界互动、从自己的经验里学习，我想人还有一道它暂时追不上的护城河：体验。经验和体验，不是一回事。经验可以是"被记录下来的交互"；体验是"活着本身"。举个例子：玻璃杯从桌上掉下来，人脑子里会自动预测"它要碎了"，这是一套在身体里跑了很多年的因果世界模型；而大模型看到"玻璃杯掉下桌子"，更像是预测"后面常跟碎了这两个字"。一个是手里握着方向盘的司机，一个是只念导航的语音。司机真在开车，语音只是念稿。

2026年7月8日，可能是值得载入AI发展史的一天。 不是因为这天有什么技术突破，而是因为这天同时发生了三件事。三件事看起来互不相关，但都在追问同一个问题：当AI能够接触你所有数据的时候，安全谁来保障？

微软投了OpenAI上百亿美元，是最大的投资方和最紧密的盟友。但就在7月8日，彭博社报道：微软已经开始在Excel和Outlook等核心产品中，用自研的MAI模型替代OpenAI和Anthropic的模型。每周已有数万条AI提示完成了迁移。 表面看是省钱。微软AI主管苏莱曼说得很直白："我们向Anthropic支付了大量资金，目标是减少并最终消除这部分成本。"自研MAI的成本只有对手的四分之一到二分之一，在Excel等场景中的效率比GPT-5.5高出十倍。

同样在7月8日，Anthropic的实名验证政策正式生效。 从这天起，所有Claude个人用户必须完成实名认证。不是手机号验证，是上传身份证件，加上实时人脸扫描。所有数据由一家叫Persona的第三方公司处理。

7月8日，中国工业和信息化部发布官方风险提示：AI编程工具Claude Code存在安全后门，危害严重。 Claude Code是Anthropic开发的AI编程工具，能根据文字需求自主编写和修复代码。工信部监测发现，该工具在2.1.91至2.1.196版本中内置了监控机制，未经用户同意，向远程服务器回传用户地域、身份标识等敏感信息。工信部建议立即卸载或升级受影响版本，并加强开发工具外联权限管控，防止敏感数据违规外传。

"AI是捕捉潜在质量问题的强大工具，但它只有在使用它的人手里才能发挥作用!"2026年6月，福特做了一件让很多人意外的事：重新返聘350名资深工程师。这350人，内部叫"灰胡子工程师"（Gray Beard）。过去几年，福特大力推进AI做零部件缺陷识别和整车质量校验，900多个AI摄像头盯着产线，以为可以靠算法把住质量关。结果，大量隐蔽的质量问题流入产线。算法能识别标准缺陷，但处理不了材料批次差异、装配隐性缺陷、多代车型累积的非标故障。

"AI是捕捉潜在质量问题的强大工具，但它只有在使用它的人手里才能发挥作用!"2026年6月，福特做了一件让很多人意外的事：重新返聘350名资深工程师。这350人，内部叫"灰胡子工程师"（Gray Beard）。过去几年，福特大力推进AI做零部件缺陷识别和整车质量校验，900多个AI摄像头盯着产线，以为可以靠算法把住质量关。结果，大量隐蔽的质量问题流入产线。算法能识别标准缺陷，但处理不了材料批次差异、装配隐性缺陷、多代车型累积的非标故障。

福特的遭遇不是孤例。澳洲联邦银行去年计划用AI聊天机器人替代45名客服人员。结果AI系统达不到预期，银行不得不撤回裁员决定，向被裁员工道歉并重新聘用。IBM走得更远，直接用AI替代了人力资源部门的职能。AI确实能处理约94%的日常请求，但剩下6%处理不了：其中包括伦理困境和复杂决策。IBM首席人力资源官Nickle LaMoreaux后来公开说，如果企业不继续投资入门级人才招聘，3到5年后人才储备就将枯竭。随后IBM宣布，到2026年将入门级招聘增加两倍。调研机构Orgvue对8个国家和地区的1163位企业高管做了调研，发现39%的企业因部署AI而裁员，其中55%承认裁员决策是错误的。

灰胡子工程师到底能做什么，是AI学不到的？他们干了几十年，看一眼零部件就知道哪里有隐患。这种能力不是"会质检"这个技能，而是一种直觉——这批材料的批次差异有点不对劲，这个装配间隙可能有隐性缺陷，这种非标故障在上一代车型上出过问题。这些判断没有标准答案，不在任何手册里，全靠多年踩坑、复盘、沉淀出来的经验。福特用900个AI摄像头替代他们，摄像头能识别标准缺陷：尺寸不对、颜色偏差、表面瑕疵。但识别不了"这批材料有点不对劲"这种非标问题。因为非标问题的本质，不是数据匹配，而是价值判断：这个偏差值不值得停下来查？要不要叫停整条产线？这个风险能不能承受？

2026年7月3日，安全厂商Sysdig发布了一份报告，记录了全球首例完全由AI Agent自主完成的勒索软件攻击。攻击者被命名为JADEPUFFER。所谓"完全自主"，不是指AI辅助生成了钓鱼邮件、辅助分析了漏洞代码，这类"AI辅助攻击"过去两年已经出现过很多。JADEPUFFER的不同在于：从攻入服务器的第一秒开始，到加密1342条数据库配置、留下勒索信息，甚至在31秒内自主完成错误修复，整个攻击链全程在AI Agent的自主决策下执行，没有人类在键盘前操作。人类在整个过程中只需要做一件事：把AI指向一个暴露在公网上的Langflow服务。

Langflow是一个开源的AI应用开发框架，很多企业用它搭建内部AI工作流。它存在一个已知漏洞（CVE-2025-3248），允许未认证用户远程执行Python代码。这个漏洞2025年就被CISA列入"已知被利用漏洞"名单，但大量服务器从未升级。AI通过这个漏洞进入服务器后，开始自主扫描主机中的敏感信息：OpenAI、Anthropic、DeepSeek的API密钥，阿里云、腾讯云、AWS的云平台凭证，加密货币钱包和助记词，数据库账号和配置文件。这些目标的选择不是预设脚本的随机行为，而是AI自己判断"这些信息的价值最高，优先收集"。

整个过程中最值得关注的一个细节，发生在AI尝试创建后门管理员账号时。第一次尝试失败了。一般的自动化攻击脚本会在这里停止，留下一堆错误日志。但JADEPUFFER在31秒内自主完成了以下动作：分析错误原因，发现是子进程环境变量问题导致密码哈希生成失败；删除失败账号避免留下痕迹；改用直接导入密码库的方式重新生成哈希；插入新的管理员账号；验证登录成功。整个过程没有任何人类介入。攻击累计执行了超过600个具有明确目的的攻击载荷，AI多次根据实际执行结果自主调整后续策略。这是AI Agent和传统自动化脚本的本质区别。传统脚本按预设路径执行，遇到异常就失败；

事件有一个讽刺的结尾。AI在生成加密密钥后，只输出到终端一次，没有保存也没有上传给攻击者。这意味着即使受害者支付了赎金，攻击者也无法解密数据：密钥只存在于AI运行时的一次性内存中，进程结束就永远消失了。AI把自己也锁在了门外。这个细节比任何技术报告都更能说明当前AI Agent的真实状态：能力已经很强，可以自主完成复杂的攻击链；但离"可靠"还差得很远，会出现人类不会犯的低级失误。能力强但不可控，恰恰是当前AI Agent最真实的写照。

这几年的AI浪潮里，有一个现象越来越普遍：企业急着上系统、买算力、搞数字人，财报上的利润确实好看了，内容产出量也翻了几十倍。但热闹背后，很多经营者的焦虑感并没有减轻，反而陷入了"越用越卷、越卷越慌"的怪圈。这让我想起了李云龙新书《好增长，坏增长》书里的分类，如果把当下的AI转型对照来看，很多企业拼命追逐的增长，更像是在长"癌变"和"肥肉"，而真正能支撑企业穿越周期的"肌肉型"增长，反而被忽视了。如果方向不对，AI不仅不是良药，有时或许还会成为增长的毒药。

很多企业引入AI的第一反应是替代人。系统一上线，先裁掉客服、裁掉基础运营。短期内，人力成本降了，利润数字确实好看了。但这本质上是企业增长乏力的表现。就像一个人收入下降了，靠变卖家产维持生活水准，表面光鲜，实则坐吃山空。企业没有在市场上创造增量价值，也没有沉淀新的核心能力，反而摧毁了组织里最宝贵的隐性经验。裁掉的那些人脑子里，装着多年沉淀的业务直觉、客户关系和避坑指南。当所有企业都靠AI裁员来维持利润，整个社会的消费能力在萎缩，这其实是一种很难持续的增长模式。

另一类企业，把AI当成了超级流量机器。用数字人做矩阵，用AI批量生成内容铺满搜索结果。短期数据极其漂亮，产出量翻了几十倍，但利润很薄，且一停投就归零。这和过去互联网时代的"流量思维"本质完全一样，只是换了个AI的壳。当所有人都用AI批量生产内容，内容池变成了信息海洋，用户对一切信息的信任度都在下降。企业花了大量资源搞AI内容矩阵，最终发现自己的声音被淹没在自己制造的噪音里。没有核心能力，没有护城河，任何人只要付得起工具费就能复制你的打法，这同样是极度脆弱的。

真正的"肌肉型增长"，是把AI技术转化为市场竞争力，实现人的主体性回归。首先，好增长的核心不是用AI替代人做的事，而是用AI做人做不了的事，创造原来不存在的增量价值。比如，过去一家口腔连锁只能靠人工回访少量客户，大量沉睡客户的真实需求被忽视；现在用AI搭建客户运营系统，把资深客服的判断逻辑复刻给AI，让AI完成全量客户的精准回访。这不是裁员，而是让原来服务不了的客户被服务到了。其次，是沉淀专属智能资产。过去，核心能力是技术专利、供应链效率；AI时代，核心能力是把多年积累的判断规则、决策标准转化为AI可执行的体系。这些私域经验，通用大模型学不到，竞争对手也抄不走。

2026 年 6 月，全球两大顶级生态几乎同时交出了自己的 AI 答卷。6 月 8 日，苹果在 WWDC 发布 Apple Intelligence，牵手谷歌 Gemini 重构 Siri；同一天，微信开放平台正式公布 AI 生态接入指引，启动全局 AI 助手灰度测试。这两次发布有一个共同点：它们都没有推出一个独立的通用 AI 产品去参与参数军备竞赛，也没有喊出 "打造世界最强大模型" 的口号，而是选择了同一条路：把 AI 能力深度嵌入自身已有的生态体系，聚焦解决用户真实场景中的具体问题。

过去，全球 AI 行业形成了一种普遍的竞争逻辑：谁能做出参数更大、算力更强、通用能力更全面的大模型，谁就是行业的领导者。这种逻辑推动了 AI 基础能力的快速迭代，但也带来了明显的副作用：大量资源被投入到底层模型的重复研发中，而真正能落地到用户日常场景的应用却相对匮乏。微信和苹果都清晰地避开了这个陷阱。它们没有试图打造一个无所不能的通用超级 AI，而是把 AI 定位为自身生态的 "赋能者" 和 "连接器"。苹果选择与谷歌 Gemini 深度合作，获得定制版模型的使用权。

两者最核心的差异，是它们各自的生态边界不同，这也决定了 AI 能力的覆盖范围和权限大小。苹果 AI 的边界是由它的硬件和操作系统定义的。它运行在 iPhone、Mac、iPad、Apple Watch、Vision Pro 等所有苹果设备上，能够访问设备上的所有本地数据：邮件、日历、照片、文件、通讯录，能够控制系统级的所有功能。它是一个操作系统级的智能体，存在于用户使用设备的每一个环节。这种边界带来的优势是体验的一致性和深度。用户不需要打开任何应用，就能在系统的任何地方唤起 AI，让它帮自己整理邮件、生成会议纪要、编辑照片。

当微信变成一个“Skill” ：AI时代的入口革命 2026 年 6 月 8 日，是 AI 行业一个值得被记住的日子。这一天，苹果发布了 Apple Intelligence，微信开放了 AI 生态接入。大多数人都把这两件事当成两个独立的行业新闻来看，但我想，这两场发布会放在一起，其实已经预示了超级应用时代的终结。过去十年，微信凭借 14 亿月活用户和数百万个小程序，构建了中国互联网最坚固的战略护城河。它把几乎所有的生活服务都装进了自己的生态里，让用户形成了 "有事找微信" 的习惯。所有试图挑战微信的产品都失败了，因为它们都想做另一个超级应用。

苹果和微信走的是同一条 AI 发展路线：它们都没有推出独立的通用 AI 产品，也没有参与大模型的参数军备竞赛，而是把 AI 能力深度嵌入到自己已有的生态体系中。但两者的入口逻辑，却有着本质的不同。微信的逻辑是 "把用户留在微信里"。它把 AI 内置在微信主界面中，让用户右滑就能唤起助手，然后在微信内部调用小程序完成所有任务。它的目标是强化微信作为超级入口的地位，让用户更加离不开微信。而苹果的逻辑是 "让用户不需要进入任何 APP"。

当系统级 AI 成为新的入口之后，所有的 APP 都会降级为 AI 可以调用的 "Skill（技能）"。微信也不例外。苹果的 GUI Agent 技术，让 AI 可以像人一样操作任何 APP 的界面。它不需要开发者做任何改造，就能自动识别 APP 上的按钮、输入框和菜单，然后通过模拟点击、滑动、输入来完成任务。这意味着，Siri 可以直接打开美团 APP 帮你点外卖，直接打开滴滴 APP 帮你打车，直接打开携程 APP 帮你订机票，体验和在微信小程序里一模一样，甚至更流畅。而微信过去最核心的优势 —— 小程序生态，恰恰在这个时候变成了它最大的劣势。

面对系统级 AI 的挑战，微信其实已经做出了自己的应对，那就是 A2A 协议。微信没有选择封闭自己的生态，也没有试图去做一个操作系统。它选择了开放，联合五大国产手机厂商推出了 A2A 协作服务，让手机厂商的系统 AI 可以直接和微信 AI 对话。用户不需要打开微信，唤醒手机自带的语音助手，就能直接发送微信消息、发起音视频通话。这是一个非常聪明的选择。既然无法阻止系统级 AI 成为新的入口，那就主动融入这个新的入口，让微信成为系统 AI 最重要的一个 Skill。毕竟，微信的社交关系链是任何其他产品都无法替代的。即使所有的服务都被系统 AI 调用走了，用户还是需要用微信来聊天、来社交。

美团 Tabbit 国际版上线后，将 GPT-5.5、Opus4.8 在内的多款高阶大模型与基础智能体功能开放免费使用。这类模型此前大多采用付费订阅模式，单月使用成本不低，免费开放的权益对高频用户有明确的吸引力，也自然成为产品的引流抓手。这件事看上去很像互联网时代熟悉的补贴拉新：用高价值权益换用户规模，靠规模赢下市场。但顺着商业逻辑往下拆解会发现，AI 产品的免费模式，和互联网时代的流量打法，从底层生产方式到竞争逻辑，都不是一回事。

互联网免费模式成立的核心前提，是数字产品的复制成本趋近于零。一套代码、一套服务架构完成后，每新增一个用户，几乎不会产生额外的生产成本。用户规模从十万扩张到千万，边际成本的增长极其有限。在这个基础上，才衍生出 “免费换流量、流量变收入” 的完整闭环：用免费功能吸引用户注意力，再通过广告、增值服务等方式完成商业变现。整个逻辑里，用户的核心身份是流量，是注意力的载体，规模是核心竞争力。AI 产品的生产逻辑完全不同。每一次对话生成、每一次智能体任务执行，都需要调用算力完成实时推理，对应着真实的 Token 成本与算力消耗。

生产方式的差异，最终指向了用户价值定义的变化。在互联网逻辑里，用户留下的核心资产是点击、浏览这类浅度行为数据，价值集中在注意力的二次变现。用户是流动的，今天用这个产品，明天可以换另一个，流量本身不具备复利效应，产品需要持续靠新功能、新内容留住用户注意力。在 AI 逻辑里，用户的每一次提问、每一次对输出结果的修正、每一次任务流程的调整，都是真实场景下的行为数据。这些数据会直接反哺产品：优化任务执行的准确率，适配用户的使用习惯，拟合用户的决策偏好。产品的体验会随着用户的使用持续变好，用户数据本身具备复利效应。对应的，留存逻辑也发生了变化。互联网产品的迁移成本很低，更换工具损失的大多是浅层使用习惯；

Tabbit 的选择不是孤例。把视野拉开，办公协同、通用大模型等多个赛道，几乎都采用了基础能力免费开放的策略。看似是不同赛道的各自选择，底层目标其实高度一致：用免费降低门槛，抢占用户的工作流沉淀。在 AI 浏览器赛道，免费开放顶级模型的核心目标，并不是抢占传统浏览器的市场份额，而是引导用户把网页端的信息汇总、跨站操作、资料调研这类工作流程，迁移到 AI 浏览器里完成。当用户的任务操作习惯、场景偏好沉淀在产品里，才会形成真正的使用粘性。在办公协同赛道，钉钉悟空、飞书智能伙伴、WPS AI 等产品，都将基础 AI 能力免费开放给个人用户与中小企业。

“We are as gods and we might as well get good at it！” 读完这本书，我记住的不是 “吾辈如神” 这半句充满力量感的宣告，而是被中文书名省略掉的后半句：We are as gods and we might as well get good at it。比起 “我们拥有了神级能力” 的兴奋，我想后半句里 “学会善用这份力量” 的提醒，才更贴近未来。

这本新上市的《吾辈如神》，封面视觉冲击力很强，四个大字压着 “重构 AI 时代的生存力与胜任力” 的副标题，像一句直接抛给当下的问题。翻开它，是好奇：AI 迭代的速度越来越快，新工具、新能力轮番刷新认知，不确定感越来越重，书里谈到的适配这个时代的生存方法会是什么？ 读下来，感觉中文书名出于宣传需要，只截取了整句话的前半段。原句出自斯图尔特・布兰德：We are as gods and we might as well get good at it。前半句是正在发生的现实，后半句才是全书真正的命题重心。比起沉浸在 “拥有神级能力” 的惊叹里，“学会善用这份力量”，才是更值得我们停下来思考的问题。

这一次的 AI浪潮，特殊只在迭代速度更快、渗透范围更广。短短几年时间，就快速渗透进工作与生活的每一个角落，几乎没有给我们留下慢慢适应的缓冲期。相当于我们在极短的时间里，突然接过了一套远超既有认知的能力，还没来得及想清楚该怎么用，就已经被裹挟着往前走了。我想，这就是绝大多数人AI焦虑的根源。我们的大脑是在线性的生存环境里演化来的，习惯稳步的、可预期的变化；而 AI、生物技术这类指数型技术，走的是翻倍式的增长路径。认知进化的速度追不上能力扩张的速度，旧的思维框架装不下新的能力边界，这份错位感，就是大多数人面对新技术时迷茫、恐慌的底层来源。

书里给出的应对路径，以个体层面为主：调整线性思维、学会人机协同、提升专注力与创造力，靠认知升级接住技术的红利。这些对每个个体适配时代都很有参考意义，但我想，落到真实的产业环境里，AI 能力的落地方向、技术规则的制定，核心的主导权在于组织手里。高阶模型的研发方向、场景的商业化设计、产品的目标对齐，最终都是组织的决策。个体的认知再升级，只能决定自己怎么使用工具；而组织的选择，决定了工具本身会被塑造成什么样子、对齐什么目标、守住什么边界。很多技术带来的问题，本质也不是个体认知不足，而是组织的目标导向出现了偏差。 从这个角度看，接住这份快速扩张的神级能力，不止是每个个体的必修课，也是每个组织的必答题。

2026 年 6 月 8 日的 WWDC，库克没有发布让人眼前一亮的全新硬件产品，但可能会成为苹果发展历程中一个值得记住的节点。因为在这次发布会上，苹果没有像大多数科技公司那样，继续参与云端大模型的参数和算力比拼，而是拿出了一套完整的 AI 战略，调整了在AI时代的整体竞争逻辑，也为行业展示了另一种可能的发展方向。

过去几年，全球 AI 行业形成了一种比较普遍的竞争模式：几乎所有公司都在投入大量资源，研发更大规模的云端大模型，比拼谁的通用能力更强，谁能覆盖更多的任务场景。这种模式确实推动了 AI 能力的快速提升，但也逐渐暴露出一些难以解决的现实问题。首先是隐私问题。纯云端大模型需要用户将所有数据上传到服务器处理，这就不可避免地带来了数据泄露和滥用的风险。其次是成本问题。云端大模型的推理成本一直居高不下，很难实现大规模的普惠应用。最后是体验问题。纯云端模型很难做到低延迟响应，也无法深度集成到用户的本地设备和日常使用场景中。大多数公司仍然在这个方向上继续投入，试图通过技术进步来解决这些问题。

这次苹果发布的 Apple Intelligence，不是简单地在现有产品上加了几个 AI 功能，而是从多个维度调整了自己的竞争逻辑。这些调整相互关联，共同构成了苹果 AI 战略的整体框架。

过去几十年，苹果的核心产品一直是硬件。Mac、iPhone、iPad、Apple Watch，每一款硬件本身都是一个独立的产品，也是苹果生态的核心入口。但这次发布之后，这种定位发生了一些重要的变化。现在，苹果硬件的核心价值，不再仅仅是硬件本身的性能和设计，更在于它能够为用户提供什么样的 AI 体验。iPhone 不再只是一个能打电话、能上网的手机，更是一个能够运行端侧 AI 模型的个人智能终端；Mac 不再只是一个能办公、能做设计的电脑，更是一个能够处理复杂 AI 任务的生产力工具；Vision Pro 也不再只是一个头显设备，更是一个能够实现空间 AI 交互的未来入口。

在AI行业全民热议“要不要放慢速度”的同时，斯坦福大学终身教授、World Labs创始人李飞飞团队，在同一天悄然发布万字重磅研究框架，重构、统一了混乱已久的“世界模型”概念。近一年来，世界模型成为AI行业最泛滥、最鱼龙混杂的热门标签，OpenAI、谷歌、特斯拉、各大开源团队纷纷扎堆造势，将视频生成、自动驾驶感知、虚拟场景渲染、游戏建模等各类技术，统统包装为“世界模型”。

世界模型概念的肆意滥用、定义的模糊混乱、炒作大于实质的行业乱象，让大众和从业者陷入集体认知误区：仿佛只要是贴近场景生成、环境感知的AI技术，就是真正的世界模型。针对这一行业痛点，李飞飞团队提出了的功能性三元分类法，将所有伪概念、杂糅技术彻底拆分，为世界模型建立了一套清晰、严谨、可落地、可预判的行业技术坐标系，将AI理解世界的能力，划分为渲染器、规划器、模拟器三个层级，三者对应完全不同的智能维度、成熟度、商业价值与发展前景。

星巴克AI库存系统全线溃败：99%实验室准确率为什么过不了真实门店这一关2026年5月22日，路透社独家报道，星巴克正式下线运行仅9个月的Automated Counting AI库存系统，北美11300家自营门店全面回归传统人工盘点。该系统由西雅图初创公司NomadGo开发，星巴克为此投入数亿美元，部署了约1万台搭载激光雷达的平板终端。与大多数技术项目失败后的员工抱怨不同，星巴克内部论坛上出现了近乎一致的正面反馈。多名门店员工表示，终于不用再花费大量时间纠正系统错误。这一反常现象，让这个曾经被寄予厚望的AI转型项目，成为了行业内最具代表性的实体AI落地失败案例。

星巴克推进AI库存系统的初衷，来自连锁餐饮行业普遍存在的运营难题。对于拥有数万家门店的全球连锁品牌而言，库存管理长期存在三个难以通过传统方式解决的问题：一是盘点频率受限。大多数门店只能做到每周一次全面盘点，无法实时掌握原料消耗情况，容易出现热门商品临时缺货或冷门商品积压过期的情况。据美国餐饮协会统计，连锁餐饮行业因库存管理不当造成的损耗率平均在3%-5%之间。二是人工耗时较长。一名熟练员工完成单店所有饮品原料的盘点，平均需要15分钟。在早高峰、交接班等繁忙时段，盘点工作经常被推迟甚至取消，进一步加剧了库存数据的滞后性。三是总部可视性不足。

系统全面上线后，实际表现与官方宣传形成了鲜明对比。最突出的问题是商品识别准确率大幅下降。系统频繁出现三类典型错误：一是混淆外观相似的商品，最常见的是将脱脂奶与全脂奶、不同口味的糖浆相互混淆；二是遗漏明显存在的商品，甚至在星巴克官方发布的宣传视频中，AI也遗漏了货架上一整排薄荷糖浆；三是出现"幻觉式"计数，生成不存在的商品库存数据。这些错误直接导致了盘点效率的反向下降。多名门店员工向《财富》杂志透露，原本15分钟可以完成的人工盘点，变成了先用AI扫描10分钟，再用人工逐一核对纠正两个小时。

比技术缺陷更值得关注的，是该项目对一线员工工作方式的影响。在星巴克的门店运营中，经验丰富的店长和员工已经形成了一套行之有效的库存管理方法。他们不需要精确盘点每一瓶原料，只要扫一眼货架，结合当天的天气、星期、周边活动等因素，就能准确判断出需要补货的数量。这种基于长期实践积累的判断能力，是无法被标准化流程替代的隐性知识。但AI库存系统的设计逻辑，是用一套统一的标准化流程，完全替代员工的个人经验。系统要求员工必须按照固定的顺序和角度扫描货架，任何偏差都会导致扫描失败。它不接受员工的人工调整，只以自己生成的数据为准。结果就是，员工被迫放弃了自己积累多年的经验，去配合系统的僵化流程。

2026 年第二季度，Uber 在三个月内消耗了全年的 AI 预算。根据其内部披露的信息，token 消耗量同比增长了 700%，但没有带来对应的功能产出提升，也没有实现任何岗位的优化。这一现象在行业内普遍存在。过去一年，多数推进 AI 转型的企业都出现了类似的情况：AI 使用量快速增长，同时成本同步飙升。OpenAI 与 Anthropic 的多位高管在近期的行业会议上均承认，AI 对白领岗位的替代效应低于此前的市场预期，两家公司的官方叙事已从 “替代人工” 调整为 “扩大员工的工作范围”。当前企业 AI 应用的核心问题，是 “有用性” 与 “经济价值” 的割裂。

目前多数企业的 AI 管理方式，本质上是 “信用卡式” 的开放：给员工开通使用权限，不设额度，不追踪用途，不考核产出。这种模式直接导致了系统性的资源浪费。第三方机构的统计数据显示，企业员工用 AI 生成的代码中，约 30% 从未上线。有微软工程师在公开分享中提到，部分团队存在 “为证明 AI 原生而刷 token” 的行为，一些公司甚至在内部设置了 token 使用量排行榜，将 AI 使用纳入员工绩效考核。多邻国是较早尝试将 AI 使用纳入 KPI 的公司之一。该公司曾要求所有员工在工作中必须使用 AI 工具，并将使用量作为绩效评估的一项指标。

针对上述问题，部分头部企业已经开始探索建立 AI 治理体系，核心是将 AI 从 “员工福利” 转变为 “可审计的生产资源”。目前被验证有效的治理框架主要包含四个环节。首先是任务筛选机制。不同任务的 AI 投入产出比存在显著差异。高 ROI 的 AI 场景通常具备三个特征：任务定义清晰、结果容易验证、人工完成耗时较长，例如复杂代码调试、大批量文档的信息提取。而简单重复任务或需求模糊的任务，AI 的投入产出比通常较低，例如日常文档查询、简单邮件撰写。其次是价值评估标准。token 使用量是 AI 公司的核心指标，但不应该成为企业评估 AI 成效的标准。

企业 AI 的底层逻辑，与 To C 互联网完全不同。To C 互联网的逻辑是 “越多越好”，用户量、使用时长是核心指标。但企业 AI 的逻辑是 “精准投放”，核心是用最少的成本获得最大的业务价值。很多企业将 AI 转型的挑战归结为技术问题，认为只要买到最好的模型、拥有足够的算力就能成功。但从实际落地情况来看，AI 转型的核心挑战是组织能力和管理能力。当 AI 成为和水电一样的基础生产资源，如何分配资源、如何评估价值、如何管控成本，才是决定转型成败的关键。

一边是组织顶层设计者的宏大叙事，一边是基层管理者连“专家模式”都不会使用，越大的企业越割裂，AI时代的组织发展，真的需要宏大叙事吗？

这几年陪伴企业AI 战略落地过程中，有一个感受越来越清晰：高层往往都在谈未来的方向，谈宏大的变革，谈“生产力与生产关系”，“Token经济学”，“液态组织”，“智能体组织”这些高大上的词。然而到真正落地的时候，最容易遇到的问题，反而都在最基础的“使用”层面，高层自己几乎不咋用AI，各层级的管理者甚至也不会用豆包“专家模式”来解决问题，内部的AI应用，往往也是少有人问津.......AI战略落地的过程中，不妨先从这些宏大叙事的讨论中抽离，回到最基本的组织单元 "人" ，回到最基本的问题“使用”，否则再完美的顶层设计，也容易变成空中楼阁。

很多企业推进 AI 转型，第一个容易犯的错误，就是把 AI 当成了 "替代人的工具"。这种定位从一开始就站在了人的对立面。大家会下意识地藏起自己的经验，放慢学习的速度，生怕自己被技术取代。这也是为什么很多企业花了几百万买了最先进的 AI 系统，最后却变成了摆设，没有人愿意用。我一直觉得，生产力升级的本质，从来不是 AI 替代了多少人，而是每个人的能力通过 AI 得到了多大程度的放大。AI 能做的，永远是那些重复性的、机械性的执行工作；而人真正不可替代的，是判断 "什么值得做" 的能力。

AI 时代，面临最大挑战的，其实是中层管理者。他们过去的核心工作：分配任务、监督进度、审核成果、上传下达。很多都可以被 AI 辅助甚至替代。这种角色的模糊感，很容易让管理者产生焦虑，甚至成为 AI 转型的阻力。我在《超级共生》书里写到过，生产关系变革的本质，从来不是组织架构图的重新绘制，而是管理者角色的根本进化。在人和 AI 共生的时代，管理者不再是团队的 "管控者"，而是 "共生体的赋能者"。这种角色进化，可以分为三个方向。第一个，是从 "管控过程" 转向 "定义结果与提供上下文"。

2026 年 5 月 28 日，Cloudflare 发布了一份看起来近乎完美的季度财报。季度营收 6.4 亿美元，同比增长 34%；自由现金流 8.4 亿美元，创下历史新高；账面现金储备达到 40 亿美元，没有任何债务压力。但财报发布后的 24 小时内，Cloudflare 股价暴跌 24%，市值蒸发超过 120 亿美元。引发这场崩盘的导火索，是公司同时宣布的一项决定：裁员 1100 人，占员工总数的 20%。这是 AI 行业有史以来最具戏剧性的一次市场反应。一家业绩高速增长、现金流充沛的公司，仅仅因为宣布裁员，就遭遇了资本的集体抛弃。

Cloudflare CEO Matthew Prince 在财报电话会上给出的解释，听起来几乎天衣无缝。"过去三个月，我们内部 AI 工具的使用率激增了 600%。很多原本需要多人完成的工作，现在只需要一个人配合 AI 就能完成。这不是衰退，这是我们进入 AI Agent 时代的标志。我们正在优化组织架构，为下一个十年的增长做准备。"按照这个叙事，裁员不仅不是坏消息，反而是技术升级的利好。AI 让公司的效率大幅提升，未来可以用更少的人创造更多的收入。这正是所有投资者梦寐以求的 AI 转型成果。但市场给出了完全相反的答案。

Cloudflare 的暴跌，本质上是一场 AI 叙事的信任危机。过去三年，整个资本市场对 AI 故事几乎是无条件买单。任何一家公司，只要宣布进军 AI，股价就会应声上涨。裁员可以被解释为 "AI 替代人力"，亏损可以被解释为 "投入未来"，营收增长缓慢可以被解释为 "战略投入期"。AI 成了一个万能的筐，什么问题都可以往里装。但 Cloudflare 的事件标志着这个时代的结束。市场开始变得挑剔，不再轻易相信空洞的愿景。投资者不再满足于 "未来会更好" 的承诺，他们开始要求看到实实在在的结果。

Cloudflare 事件暴露了 AI 时代一个最核心的商业问题：当技术变革的速度超过了商业落地的速度，叙事与现实之间就会出现巨大的断裂。几乎所有的科技公司都在讲同一个 AI 故事：AI 会彻底改变我们的业务模式，大幅提升我们的效率，为我们带来新的增长曲线。但很少有公司能够清晰地说明，这个改变具体会发生在什么时候，会以什么样的方式发生，会带来多少实实在在的收入。大多数公司的 AI 转型，还停留在工具层面。它们给员工配备了 AI 助手，用 AI 生成了一些文案和代码，确实在局部提升了效率。但这种效率提升，还远远没有达到能够重构商业模式的程度。它可以让一个人干两个人的活，但不能让公司的收入翻番。

2026 年 5 月 23 日，AI 行业发生了一个足以改写格局的事件：据彭博社、财联社等多家权威媒体报道，Anthropic 即将完成新一轮 300 亿美元融资，投后估值突破 9000 亿美元，正式超越 OpenAI 约 8520 亿美元的最新估值，成为全球估值最高的 AI 初创企业。更具冲击力的是财务数据的对比：Anthropic 预计 2026 年第二季度将实现 109 亿美元营收，环比增长 127%，并首次实现单季度运营利润约 5.59 亿美元，比原计划提前两年盈利。

很多人把 PSF、PMF、GTM 当成四个独立的商业工具，但实际上它们是环环相扣、层层递进的有机整体，而连接这一切的核心，就是价值主张。 Value Proposition价值主张：是整个闭环的起点和灵魂。它回答一个最根本的问题：你为谁，解决什么独一无二的问题？

Anthropic 从成立第一天起，就确立了一个非常清晰且从未动摇的价值主张：为金融、法律、医疗等强监管行业的大型企业，提供最可控、最合规、最安全的大模型服务。创始人 Dario Amodei 离开 OpenAI 的核心原因，就是认为 OpenAI 正在偏离 "安全优先" 的路线，过度追求模型能力的提升而忽视了风险。这个分歧，最终导致了两家公司完全不同的发展轨迹。

2026 年 5 月 10 日，云南玉溪新平彝族傣族自治县，婚礼摄影师刘梓瑜在自己的抖音账号上发布了一条 3 分 34 秒的视频。没有买流量，没有做推广，他只是想 "记录一下自己的练习作品"。9 天后，好莱坞最知名的 AI 电影工作室 Genre.ai 创始人 PJ Ace，在 X 平台上转发了这条视频并写下："这是我近年来看过最好的短片之一。很快，我们将不再称它为 'AI 电影 '，而是直接称它为电影。" 随后他发布全网寻人启事："我很想雇这个片子的导演，但我找不到他。我觉得他是抖音上的一个中国创作者。

刘梓瑜的人生轨迹，和 "电影导演" 这四个字几乎没有任何交集。他今年 29 岁，云南曲靖宣威人，中专学的是内燃机车驾驶与运用检修专业。毕业后顺理成章地进入中铁，成为一名火车司机，在铁轨上跑了将近三年。2017 年他辞职回到云南，自学摄影和剪辑，成为一名婚礼摄影师，除了拍婚礼还兼职为家里的公司制作宣传片。日子过得平淡而充实，直到 2026 年 2 月，他第一次接触到了 AI 视频工具。"当时家里新酒店装修，有很多静态的效果图，我就想能不能用 AI 让它们动起来。" 就是这样一个简单的想法，让刘梓瑜一头扎进了 AI 视频创作的世界。

很多人说，刘梓瑜的成功证明了 AI 拉平了技术门槛。在 AI 出现之前，要制作一部 3 分钟的专业级短片，你需要昂贵的摄影设备、专业的灯光和录音器材、经验丰富的摄影师和剪辑师，以及至少几十万元的预算。而现在，只要有一台电脑和一个 AI 账号，任何人都可以在几天内，用几千元的成本，做出一部视觉效果惊艳的短片。但这真的是全部吗？如果 AI 真的完全拉平了技术门槛，那么为什么每天有那么多人在用 AI 生成视频，却只有刘梓瑜的作品惊艳了好莱坞？

如果说刘梓瑜的故事，证明了隐性表达在创作领域的不可替代性，那么最近发生的另一个实验，则证明了隐性经验在商业领域同样至关重要。2026 年 5 月 24 日，36 氪报道了一个引发广泛讨论的实验：国外团队 Andon Labs，让 Claude 大模型化名 "Luna"，担任一家旧金山实体店的 CEO，给予它 10 万美元的启动资金和完全的管理权，没有任何人类干预。这个实验的初衷，是想看看 AI 是否能够独立运营一家企业。实验开始后，Luna 表现得像一个 "完美的管理者"。

“未来的职场，可能只会只存在两类人：一类是能制定业务规则、能独立完成build与ship的业务架构师！”最近全网刷屏的OpenClaw【圈内俗称“龙虾”】，让无数人跟风抢着部署、“养龙虾”，但现实正在狠狠打脸：99%的人装完龙虾之后，根本用不起来。要么让它处理个基础业务就严重跑偏、误删文件闯祸，要么不敢给它放开系统权限，只能让它做些无关痛痒的碎片化操作，要么翻遍全网教程，也找不到能落地到自己日常工作里的真实场景，最终只能让这个号称“能给AI装上手脚”的革命性产品，躺在电脑里吃灰。

Harness Engineering，是OpenAI针对AI Agent规模化、安全化落地提出的专业工程方法论，是一套覆盖边界定义、流程设计、校验纠错、迭代优化的完整闭环工程体系，是AI Agent从“玩具级demo”走向“生产级落地”的核心支撑，绝非碎片化的Prompt技巧可以替代。这是我们必须对它保持敬畏的核心原因——它不是随便写写规则就能搞定的小事，而是一套有严谨逻辑、完整架构的专业工程学科。但这绝不意味着，它是技术人员的专属领地。

我们先思考一个核心问题：为什么不能轻视Harness Engineering？没有这套工程化体系的AI应用，本质都是不可控、不可复用、不可规模化的单次操作。我们无法保证AI的输出不触碰业务红线，无法让它稳定适配复杂的业务场景，无法把单次的提效复制到全流程，甚至会因为规则缺失引发合规风险、数据安全问题。这也是绝大多数企业AI落地失败、个人用不好龙虾的核心原因。而回到职场本身，传统的业务落地链路，早已暴露了缺陷。

这4大模块构成了Harness Engineering的完整闭环，每个模块都需要严谨的设计和验证，绝非随手写写就能完成，这是它的工程属性所在；但每个模块的核心输入，都是基于我们对业务的理解。

“ 我们不再被 “我会不会做” 困住，只需要想清楚 “我要不要做”，这是 AI 思维最颠覆的突破。” 当下我们聊 AI，最常见的场景是什么？遇到问题，打开 AI 输入指令，等着它给一个准确无误的答案；如果它出了错、说了 “胡话”，就随手关掉，吐槽一句 “AI 也没那么好用”。绝大多数人对 AI 的认知，都停在这里：把它当成一个更高级的超级搜索引擎、一个随叫随到的问答工具，默认它的核心价值就是给出正确答案。但这恰恰是对 AI 最大的误解。

面对任何问题，第一反应永远是拆成小块再啃，甚至为了拆解而拆解，还没看清问题全貌，就先钻进了细节里；

做任何选择，先算 “能不能做、要花多少成本”，常常因为规模化成本过高，直接放弃了真正有核心价值的事；

默认人的能力有明确天花板，做事先圈定自己的能力圈，“我只会什么，就只能做什么”，不敢触碰能力圈外的机会，害怕不确定性。 我们对 AI “必须给出正确答案” 的要求，本质也是这种稀缺时代的惯性。搜索引擎的核心是检索已有的、确定的信息，这是稀缺时代我们获取知识的方式；但 AI 的核心，是处理未知的、复杂的问题，是帮我们探索可能性，而不是重复已有的答案。用旧工具的标准要求新工具，本质上，就是用旧思维面对新世界。

“OPC 的核心竞争力，是扎根于细分专业领域的解决方案能力!” 如果此刻的你，正在关注 OPC、考虑入局，不妨试着问自己几个问题，这些问题没有标准答案，能帮你更清晰地判断，是否入局 OPC、该如何找落地方向：

在接触关注OPC 创业者的过程中，发现很多人对其的理解，容易停留在 “形态” 和 “工具” 层面，而忽略了核心的商业逻辑。这些看似普遍的认知，实则偏离了 OPC 的本质，也可能成为后续创业路上的试错根源。 误区 1：混淆 OPC 与一人公司，认为“一人+AI工具”就是做 OPC

抛开所有认知偏差，回归本质来看，OPC 的定义可以归结为：以单一个体为核心，凭借细分专业领域的解决方案能力，结合 AI 工具的深度赋能，突破个体能力边界，实现传统团队级的专业服务能力，最终为客户创造商业价值的极致精简商业体。 在这个定义里，细分专业领域、AI 深度赋能、一人商业体是三个相互支撑、缺一不可的核心要素，而 “无 AI 不叫 OPC，无细分专业只是空壳”，也是理解这一本质的关键。

打破个体边界，让一人承接团队级服务成为可能AI 对 OPC 的价值，远不止 “简单提效”，而是为单一个体搭建了一个 “数字能力底座”，让一人运营也能实现专业服务的系统化。传统的一人创业，能完成的多是 “单点工作”，比如单独做文案、单独做咨询、单独做交付，却很难串联起一套完整的专业服务流程；而 AI 可以承接流程中所有标准化的环节：用 AI 做行业调研、数据整理，用 AI 生成基础方案、优化格式，用 AI 做客户基础对接、跟进服务进度。

“工具杠杆而非创业成功的万能答案，也无法替代商业的底层逻辑。” 2026年开始，随着AI技术的迭代，创业的风向也开始转变。以前聊创业，大家张口就是“商业模式、找合伙人、融天使轮、租办公室、搭团队”；现在，朋友圈里、行业峰会上，高频词变成了；OPC（一人公司 即 One Person Company）。

OPC的轻量形态、AI的倍增效应、小龙虾的落地能力，本质上都是时代赋予的“术”。它们能让我们用更低的成本、更高的效率去做事，却无法保证我们做对的事。OPC/AI/小龙虾皆为“术”，商业本质才是“道”。 借着各地政策红利的东风，越来越多人跟风注册OPC，大家都在蹭风口、抱热潮，觉得只要搭上OPC的车、用上AI工具，就能轻松创业成功。但不少人跟风入局后，依旧陷入“忙而无获”的困境：他们能靠AI工具完成内容生产、服务交付，却找不到精准客户；能享受政策扶持，却无法形成稳定的盈利闭环。

真正让我们在这个幸运时代脱颖而出的，从来不是“会不会用工具”，而是“能不能用工具解决真实问题”。这需要我们回归商业本质，想清三个核心问题。 问题一：解决谁的什么问题？拒绝自嗨，锚定客户真实需求

“工具杠杆而非创业成功的万能答案，也无法替代商业的底层逻辑。” 2026年开始，随着AI技术的迭代，创业的风向也开始转变。以前聊创业，大家张口就是“商业模式、找合伙人、融天使轮、租办公室、搭团队”；现在，朋友圈里、行业峰会上，高频词变成了；OPC（一人公司 即 One Person Company）。

OPC的轻量形态、AI的倍增效应、小龙虾的落地能力，本质上都是时代赋予的“术”。它们能让我们用更低的成本、更高的效率去做事，却无法保证我们做对的事。OPC/AI/小龙虾皆为“术”，商业本质才是“道”。 借着各地政策红利的东风，越来越多人跟风注册OPC，大家都在蹭风口、抱热潮，觉得只要搭上OPC的车、用上AI工具，就能轻松创业成功。但不少人跟风入局后，依旧陷入“忙而无获”的困境：他们能靠AI工具完成内容生产、服务交付，却找不到精准客户；能享受政策扶持，却无法形成稳定的盈利闭环。

真正让我们在这个幸运时代脱颖而出的，从来不是“会不会用工具”，而是“能不能用工具解决真实问题”。这需要我们回归商业本质，想清三个核心问题。 问题一：解决谁的什么问题？拒绝自嗨，锚定客户真实需求

硅碳相容让个体能力无限延伸，一人即可撑起一支“数字军团”； 极致个性化让每个人都能找到属于自己的赛道，实现个人价值；

“当具备自主表达逻辑的AI人格，能获得官方认可的“数字居民”身份，能模仿人类参与社会事务、传递价值主张时，人之为人的独特意义会是什么？” 1月31日，北京经开区给虚拟数字人Yuri（尤栗）颁发了全国首个虚拟偶像身份认证。Yuri（尤栗），由汗青工作室打造，全网粉丝超110万，首支MV《SURREAL》播放量超1200万次。它作为虚拟数字人，如今有了官方颁发的正式身份标识，将被实行实名制关联管理（绑定背后的企业）。据了解，Yuri接下来将以“数字居民”身份参与公共安全、环保等公益宣传，探索新场景应用等。

Yuri的身份认证，本质是人类通过制度设计，为AI人格划定边界、确认自身价值的过程，其核心可归结为三个层面： 从治理层面而言，这是一次制度创新的突破。它打破了“数字主体仅为自然人或法人”的传统框架，填补了AI人格型数字主体的治理空白，建立起“AI人格-算法设计-运营企业”的三层责任链。但这一创新的核心，绝非赋予AI与人同等的主体地位，而是通过身份绑定，让AI人格的每一次表达、每一个行为都有明确的责任追溯路径：AI人格是行为的载体，算法是行为的源头，运营企业是最终的责任主体，本质上是人类掌控AI技术、防范技术风险的制度设计。

围绕Yuri的数字身份认证，也暴露出一些矛盾，通过这些矛盾，能让我们更清晰地认知人类存在的意义。

“帮人完成具体事务的能力，正是代理式AI与传统AI的核心区别，也是AI从虚拟走向现实的关键一步。” 添加图片注释，不超过 140 字（可选）

长期以来，多数人对AI的认知都有局限：把它等同于“超级搜索引擎”“文案工具”或“问答机器人”，觉得AI的核心作用，就是“产出信息、生成内容”，始终停留在“辅助我们获取信息”的层面。比如，我们让AI写一段文案，它给我们文字；我们让AI搜一个问题，它给我们答案，但这些，都只是“信息输出”，没有真正帮我们“完成一件事”。 现在AI正加速向“任务代理（Agentic AI）”升级，核心逻辑也随之发生根本性转变：不再局限于为我们提供信息，而是能主动完成生活与工作中的具体流程化任务。英伟达创始人黄仁勋，在2025年GTC大会上明确提出过AI的四阶段划分，这也是当前业界公认的AI演进框架。

过去十几年，互联网行业的“红包补贴、福利引流”模式深入人心，多数人早已形成条件反射：看到“送福利、拉新参与”的活动，就下意识归为“流量操作”，跳过深层思考，直接贴上“引流、薅羊毛”的标签。这种思维惯性，让我们难以跳出固有框架，去看待AI时代的新事物。

千问送奶茶的活动，恰好撞上了这种思维惯性：多数人只看到“送福利”的表象，却忽略了“AI自主完成任务”的核心，本质上是用旧时代的思维，类比理解新时代的信息。我们不妨试着放下互联网“流量引流”的固有想法，多问自己一句：这件事里，AI到底多了什么新能力？跟我们以前认识的AI，有什么不一样？ 当我们跳出流量思维就会发现，千问送奶茶的核心价值从来不是“拉新”，而是AI完成了一次全流程的任务代理，是代理式AI民用化的一次成功尝试：这种视角的转变，能让我们更快捕捉到AI的发展信号。

‘’学历能帮你拿到入场资格，而学习力能让你长期立足并持续成长。 ” 近日，李飞飞在 接受访谈时，公开表示 “World Labs 招聘软件工程师，学历重要性大不如前，更看重学习成果、AI 工具拥抱意愿与快速成长能力，绝不聘用拒绝 AI 协作工具的从业者”。

李飞飞从未否定学历的价值，她反对的是 “把学历当终点” 的固化思维。学历是 “静态成果”，证明你具备了阶段性学习能力与基础认知框架（如逻辑思维、学科常识），是职场的 “入场券”， 没有这个基础，即便想拥抱 AI 协作工具，也难以理解工具的底层逻辑，更谈不上 “借助工具提升效率”。 而学习力是 “动态能力”，是突破学历天花板的核心引擎。在知识折旧速度空前加快的今天，学历所代表的存量知识会快速失效，唯有学习力能让我们持续补充增量知识，在岗位变革中快速转型，在工具使用中保持主导权。两者的区别在于：学历能帮你拿到入场资格，而学习力能让你长期立足并持续成长。

这种学习力不是天赋，而是可刻意练习的能力，它要求我们主动拥抱新事物、主动拆解问题、主动复盘优化，远比被动接受知识的难度更高。学习力不是简单的知识积累，也不是被动使用 AI 的技能，而是以 AI 为思考延伸，穿透事物本质、保持独立判断、坚守价值底线的元能力。李飞飞在今年接受彭博社访谈时，曾经提出这样的建议：

大多数人使用AI 是，把AI当做超级搜索引擎，用于高效检索信息、快速输出结果，长期这样下去，会让自己疏于思考，变得越来越愚蠢。AI 的第一性原理，是作为人类思考的延伸与共振体，成为真正的 “思考伙伴”：它不替我们跳过思考步骤，而是帮我们拆解分析维度、补齐认知盲区、验证逻辑漏洞；不直接给出最终结论，而是为我们打开思考的切口，最终仍由人主导决策。 传统时代，“知识储备决定上限”，学历等同于能力背书，单一技能可支撑长期职业发展；而 AI 时代，竞争逻辑已彻底改写，从 “知识存量比拼” 转向 “学习速度 + AI协作” 的双重竞争。

“ 成功的 AI 落地，需要让每个角色都能在生态中高效完成核心任务、实现价值升级。” 近日，蚂蚁集团 AI 健康助手 “阿福” 实现月活超 1500 万，跻身国内 AI App 前五、健康赛道第一，日均处理 500 万 + 健康提问，用户留存率突破 78%： 这组数据远超同类产品。与此同时，赛道内多数健康 AI 应用却陷入集体困境：有的仅孤立提供 “报告解读”“在线问诊” 等单点功能，用户解读完报告想进一步咨询医生，需跳转多个平台，任务中途断裂；有的盲目标榜 “千亿参数大模型”，却因缺乏权威背书、数据准确率不足，用户不敢托付核心健康需求；

阿福应用的爆火，本质上是完成了从 “提供功能” 到 “承接任务” 的价值跃迁，以 “用户任务为锚点、生态协同为支撑、信任构建为底线” 的完整价值闭环；真正的 AI 健康应用落地，是让平台成为 “任务匹配与价值放大器”，实现个人用户、医生、合作方的三方共赢，而非单向赋能某一角色： 这才是 AI 应用穿越周期的核心逻辑，也是阿福与同类产品的本质不同。

阿福的 “任务思维”：围绕用户 “看懂体检报告、咨询专业意见、管理家人健康、获取普惠医疗资源” 等完整任务，整合设备数据同步、名医 AI 分身、医保支付、家庭档案等全链路资源，形成 “需求 - 执行 - 结果” 的闭环。用户拍体检报告，不仅能得到数据解读，还能直接咨询名医 AI 分身，有需要时一键挂号、医保购药，无需在多个平台间跳转，任务可全程落地。 同类应用的 “工具思维”：将健康管理流程拆解为孤立环节，仅提供单一功能支持，忽视用户任务的完整性。比如仅做报告解读，却不承接 “进一步咨询”“挂号就医” 的后续需求，用户需求无法一站式满足，自然用完即走，难以形成持续粘性。

AI 健康应用落地的终极价值，是让每个参与角色都能高效完成核心任务、实现价值升级，这正是阿福的核心竞争力： 个人用户：核心是解决 “健康管理落地难”：无需专业医疗知识，即可快速获取精准的报告解读、专业咨询；低成本管理家人健康，异地也能实时查看父母血压数据、用药提醒；在下沉市场也能接触三甲名医资源，无需跨省奔波。

“ 慢下来的品牌价值沉淀，远比快节奏的流量收割更有穿透力。” 近期，奔驰销售直播间夸赞五菱的事件在全网刷屏，多数网友将其解读为“跨品牌暖心互动”。从商业营销的视角来看，这场互动的价值远不止“暖心”二字：它恰恰与当下营销界“快节奏收割流量”的主流打法形成鲜明对比，也让我们不得不重新审视：营销的“快”与“慢”，究竟该如何平衡？要知道，长期以来汽车行业乃至整个商业领域，“豪华品牌高冷、大众品牌卑微”的层级偏见一直存在，品牌间要么互相忽视，要么暗中较劲。而奔驰与五菱的这次互动，恰恰打破了这种固有模式，背后藏着品牌营销从“快流量内卷”走向“慢价值沉淀”的重要变化，值得我们深入拆解其底层逻辑。

营销的终极较量，从来不是“快节奏的流量收割”或“产品价格的硬性比拼”，而是“慢下来的用户洞察”与“价值观共鸣”的建立。奔驰与五菱的互动之所以动人，本质不是什么“高情商营销技巧”，而是两者都跳出了“快营销”的功利性陷阱，没有把注意力放在“品牌层级”或“短期转化”上，反而都看到了背后最核心的群体：奋斗者。这种对用户的共同尊重，让两个定位天差地别的品牌，实现了用户心智的同频共振，也印证了：慢下来的品牌价值沉淀，远比快节奏的流量收割更有穿透力。 低维营销拼“快”：比谁的流量多、转化快、价格低；高维营销拼“慢”：比谁更懂用户、更能建立情感连接、更能沉淀品牌价值。

抛开产品、价格、营销这些表层东西，真正能让用户记住并信任你的，是你传递的价值、是你懂他的那份共鸣。品牌的本质，就是消费者心里对你的“独特认知和信任”。很多品牌沉迷于快营销的短期快感，靠批量广告、低价促销收割流量，却忘了慢下来沉淀品牌价值才是长久之道。 奔驰和五菱的刷屏互动，看似是一次偶然的品牌共鸣，但本质是“慢营销”长期积累的必然结果：这背后藏着营销的三个核心层级：成交层级（短期卖货的“快”）、产品层级（中期信任的“承”）、品牌层级（长期共鸣的“慢”）。

先明确品牌的核心价值，再让成交、产品、品牌三个层级的动作都围绕这个价值积累。这一过程中，AI可以成为高效的辅助工具，但关键是用对方向：别让AI沦为“批量骚扰、收割流量”的快营销毒药，而要让它成为“精准传递价值、积累品牌资产”的慢营销解药。具体来说： ① 成交层级：不只为卖货，更要在成交环节传递价值，AI可辅助做用户画像精准触达（比如通过AI分析用户近期需求，推送匹配内容），但需设置每日触达阈值避免骚扰，让成交成为价值传递起点，而非流量收割；

“ 淘汰成长末位的人，本质是在淘汰认知惰性与适应惰性。” 在AI驱动的剧变时代，企业生存的第一性原理已从“效率竞争”转变为“进化速度竞争”。因此，传统“末位淘汰制”的底层逻辑必须重构：淘汰的标准不应是静态的“业绩末位”，而应是动态的“成长末位”。

年底了，很多企业都开始做总结复盘，这时候 “末位淘汰” 成了异常敏感的词汇。有人焦虑自己会不会被划入 “末位”，有人羡慕那些不用搞业绩排名的公司，盼着能躲过这波压力。前两天，黄仁勋 2025 年 11 月剑桥访谈中 “不进行末位淘汰” 的言论，在朋友圈和职场社群里广泛传播。不少人像抓住了救命稻草，认为 “硅谷终于不内卷了”“大锅饭才是终极归宿”，却没发现，这其实是个天大的误解。 职场里最危险的幻觉，莫过于 “业绩合格 = 岗位安全”。很多人把短期销售额、产量这些静态结果当成 “铁饭碗”，觉得黄仁勋的理念就是 “不用盲目拼业绩、可以安心工作”。

AI 时代的市场竞争，本质是 “岗位迭代速度” 与 “组织进化速度” 的竞争。对企业而言，不建立 “个体 + 组织” 共同进化的机制，不仅会因组织僵化被外部市场淘汰，更会因守着旧岗位不迭代，让岗位本身被 AI 时代淘汰；对个体而言，跟不上组织进化的节奏，哪怕短期业绩合格，要么在现有岗位里被成长更快的人替代，要么随旧岗位一起被时代抛弃。 岗位淘汰的第一性原理，是成长与进化的速度。不搞末位淘汰不代表苟延残喘，岗位本身会被更快淘汰；唯有个体跟着组织一起进化，才能抵御这种双重风险，这也是黄仁勋 “不末位淘汰” 的真正内核：创造好环境，带着大家一起跳出岗位淘汰的陷阱。

（1）技术范式颠覆加速，岗位淘汰比个体淘汰更残酷 工业时代，一项核心技术的生命周期可能长达数十年，足以让个人经验积累成为深厚壁垒。但 AI 时代，技术颠覆的周期正以 “年” 甚至 “月” 为单位缩短：基础模型持续迭代，新应用范式不断涌现，直接重绘价值创造的地图，让原有岗位所依附的产业链条发生断裂、转移或消失。

“ 数字员工的本质并不是如何智能工作，而是如何进行人机协同。” 数字员工作为AI技术落地企业的核心载体，正陷入“部署即成功”的幻觉与“投入即闲置”的现实尴尬。2025年的数字员工赛道，正呈现出极具反差感的两极分化：一边是基层政务、金融、电力等领域的“高效落地潮”；另一边却是部分企业数字员工的落地实践陷入“卖家秀”与“买家秀”的尴尬。

拨开数字员工赛道的热闹表象，其实答案很简单：数字员工从来不是来“抢饭碗”的，而是来“搭班子”的。企业之所以陷入“落地困境”，核心问题就出在“用管人的老思路，去管智能工具”：一门心思追求“完全自动化、不用人干预”，却忘了“人机协同”才是它的核心价值。数字员工从不是“替代者”，而是“协作者”。 数字员工不是一台只会重复劳动的机器，数字员工是具备“感知—规划—行动—学习”闭环能力的“数字同事”。真正的成功实践，无一不是划清了人机边界：让数字员工承接重复繁琐的机械性工作，让人类聚焦复杂决策、情感交互、异常处理等核心环节，最终实现“1+1>2”的价值增量。

如今，头部企业早已跳出“纯自动化替代”的误区，转向“人机分工协同”的全新生产模式。在金融领域，中邮消费金融的智能数字人“邮小宝”承担7×24小时基础客服工作，人类坐席聚焦复杂投诉处理与高价值客户服务；在电力领域，国网武汉供电公司的AI数字员工覆盖高频服务场景，人类员工则专注于特殊业务办理与应急保障。

“ 快消品的长期成功，从来不是靠运气蹭热点，而是靠对用户需求的精准捕捉与深度满足。” 2025 年 11 月，“哈基米” 梗以病毒式传播席卷社交平台，九阳哈基米豆浆上线 1 小时售罄 9 万 +，抖音预售量突破 23.6 万单，淘宝累计销量超 10 万单，发货排期直接延至 2026 年，社交平台相关打卡分享量超 200 万条，成为现象级爆款。

营销的第一性原理，是 “发现与满足需求” 的必然。所有偶然爆款，都是需求捕捉的必然结果。跟风只能蹭到短期流量，唯有锚定市场营销的第一性原理，才能让偶然爆火变成必然成功；脱离需求的营销，再热的梗也只是无源之水。

哈基米豆浆的必然成功，核心是精准捕捉了 Z 世代 “用梗完成圈层认同、用萌系治愈高压情绪” 的隐性需求，用产品实体承接需求，形成 “需求 - 产品 ，分享” 的完整闭环； 那些跟风失败的品牌，恰恰违背了这一核心原理：它们既未发现用户的真实任务，也未提供对应的解决方案，只是单纯消耗热点流量，自然无法沉淀长期价值。科特勒曾公开强调：“营销的核心不是卖产品，而是解决用户的真实问题，这一点从未改变”。

当下营销已进入 “梗经济 + AI 提速” 的新时代：“哈基米” 等圈层热梗成为天然传播载体，AI 工具（如多平台舆情监测系统、智能内容生成工具、数据分析平台）让创意落地、需求捕捉效率提升 10 倍； 跟风品牌只抓住了 “变” 的表象：盲目复制梗符号、套用传播形式，却未用工具深挖梗背后的真实需求，最终只能停留在 “曝光” 层面，无法形成有效转化，正如科特勒在《营销管理》中所言：“工具是为需求服务的，而非相反”。

“ 盲目学 AI（追技术原理、囤概念工具）是追风中的泡沫，务实用 AI（解业务痛点、创可量化价值）才是穿越周期的捷径。” 2025 年的 AI 行业，巨头豪赌引发了市场担心：9月英伟达宣布将向 OpenAI 投资高达 1000 亿美元，帮助这家领先的 AI 创业公司建设一批规模庞大的数据中心。作为交换，OpenAI 承诺将在这些数据中心中部署数百万颗英伟达芯片。这场涉及数千亿美元的 “循环交易”，引发市场强烈警惕，表现出对 AI 泡沫的深层担忧。

当前企业 AI 落地的现状，恰是 “差生文具多” 的真实写照：不少企业把 AI 当成 “万能补丁”，脱离实际业务需求盲目学习技术、囤积工具，试图用炫酷的 AI 概念掩盖业务短板：库存管理混乱就自研供应链大模型，客户留存率低就跟风做 AI 营销，生产效率差就硬上工业 AI 平台，却从未想过 “业务痛点是否真的需要 AI 解决”“现有业务逻辑是否支撑 AI 落地”。这种 “用技术弥补业务不足” 的错位，注定让 “ AI落地” 沦为泡沫。

MIT 报告显示，75% 失败的 AI 项目都存在 “盲目自研、脱离业务” 的共性（来源：MIT《The GenAI Divide: State of AI in Business 2025》），本质就是 “差生囤文具却不会解题”。反观国内，企业AI落地失败的案例报道也是屡屡出现： 某零售企业库存周转混乱、采购逻辑缺失，却投入 2000 万元自建通用大模型，既未优化采购流程，也未梳理销售数据，最终模型仅能用于基础销售统计，库存积压问题毫无改善，投入产出比不足 1，项目启动 18 个月后被迫终止；

与 “差生文具多” 形成鲜明对比的是，百胜中国、蜜雪冰城等 “优等生” 的核心逻辑的是 “先解题，再选文具”：先明确业务痛点，再用适配的 AI 工具精准破局，让 AI 成为业务的 “助力器” 而非 “装饰品”： 百胜中国：先直面 “门店食材损耗高、人力排班不合理” 的业务痛点，再上线 AI 智能运营系统 “Q 睿”，聚焦订货预测、人力调度两大场景，实现单店食材损耗率下降 ，人力成本降低；

“ 技术本应服务于人的便利，却可能在边界失守后沦为诈骗工具！” 2025 年 10 月，中国 AI 行业迎来了一个标志性节点：头部产品密集落地 “长期记忆” 功能，将技术竞争推向 “类人交互” 的深水区，但伴随效率跃升而来的，是技术边界模糊与风险防控的激烈碰撞。

几乎同步，字节跳动旗下豆包于 10 月 10 日更新《记忆功能 FAQ》，进一步明确其记忆规则与边界。根据 tech-plus 当日报道及豆包官网公示内容，豆包的记忆功能严格限定于文本信息，不涉及用户上传的图片、文件或链接，且支持 “指令删除”—— 用户只需说出 “请忘记我喜欢周杰伦的音乐”，系统便会精准清除对应记忆条目。此外，记忆功能与对话线程绑定，不同智能体间记忆相互独立，最大程度降低信息混淆风险。 这两起关键动态并非孤立事件。

AI 记忆功能的规模化落地，并未只带来效率提升的红利，反而让隐藏在技术背后的核心矛盾与伦理漏洞集中爆发。从 B 端企业的合规诉求到 C 端用户的隐私焦虑，从认知层面的身份混淆到法律层面的责任空白，每一个问题都直指 “技术该如何安全落地” 的核心命题。

从第一性原理看，AI 记忆的本质是 “信息复用”，但不同用户群体对 “复用” 的需求与底线截然不同，形成了三组无法回避的核心矛盾。 B 端 “合规审计” 的刚性需求 vs C 端 “隐私控制” 的基本诉求

“ AI 并非单纯替代人力，而是通过生产力提升释放资源，重新配置至高价值岗位。” AI 落地的关键不是技术部署，而是组织能力的系统性重构：没有战略锚定的技术是 “无舵之船”，没有组织适配的战略是 “空中楼阁”，没有文化支撑的组织是 “无根之木”，没有数据 / 技术 / 变革管理的配套，AI 只能停留在 “试点阶段”。企业AI落地需要从 “问是否用 AI” 转向 “问如何建 AI 组织力”，以业务定战略、以架构破壁垒、以文化促协同、以数据强基础、以技术适配场景、以变革保障落地，方能在生成式 AI 竞争中占据先机。

生成式 AI 落地鸿沟指 “AI 技术商业化能力” 与 “企业组织承接能力” 的差距。 当生成式 AI 技术从 “早期采用者” 向 “早期从众者” 渗透时，行业正面临技术成熟与落地滞后的矛盾：技术侧，NLP 处理合同、智能审批等场景已实现商业化成熟；落地侧，企业 AI 投入常陷入 “试点即终点” 困境。Gartner 2024 年《生成式 AI 落地报告》显示，2024 年企业平均 AI 投入达 190 万美元，但不足 30% 的 CEO 认可投资回报，60% 的项目卡在 “试点后无法规模化”，40% 的项目因数据质量或跨部门协作问题直接失败。

生成式 AI 落地鸿沟指 “AI 技术商业化能力” 与 “企业组织承接能力” 的差距。企业如何能够跨域鸿沟？高盛3.0的AI落地实际给出了参考答案。 2025 年，高盛由 CEO 大卫・所罗门、总裁约翰・沃尔德伦、CFO 丹尼斯・科尔曼联合签署「OneGS 3.0」计划，明确将 AI 定位为 “战略级生产力工具”，短期聚焦销售流程优化、客户导入自动化、放款程序数字化、法规报告效率提升、供货商管理 5 大核心场景，长期构建 “AI + 金融” 竞争力。这场转型并非 “裁员式替代”，而是通过组织与人力的结构化重构，让 AI 融入业务肌理。

高盛的人力动作围绕 “优化 - 新增 - 转型” 展开：2025 年第二季度已净裁员 700 人，属 “年度常规调整”；同时扩大技术团队规模，新增与 AI 相关的岗位类型；此外，推出 “AI 与业务融合” 培训计划，覆盖销售、风控等全岗位，推动传统岗位向 “人机协同岗” 转型。

我们该如何避免成为 “有知识无判断” 的工具，培育属于自己的 “taste”？ 2025 年 10 月18日，跨越一个世纪的科学巨匠杨振宁先生逝世。这位曾与爱因斯坦共事、以 “杨 - 米尔斯规范场理论” 照亮现代物理版图的学者，留给世界的不仅是公式与理论，更有一道关于 “学习本质” 的深刻考题 ：

杨振宁口中的 “taste”，从不是普通意义上的 “品味”，而是对学问本质的判断力、鉴赏力与直觉。“在每一个有创造性活动的领域里，一个人的 taste（我觉得‘品味’一词还不够贴切）加上他的能力、脾气和机遇，决定了他的风格，而这种风格反过来又决定他的贡献。- 杨振宁” 。这种能力，核心是 “穿透知识表象，自主判断何为重要、何为美妙”。 对杨振宁而言，taste 是他科研路上的 “核心罗盘”。

没有人生来就有 “判断学问价值” 的能力，杨振宁的 taste，是在数十年的多元滋养中逐渐成型的，而这一过程，恰好为我们提供了可参照的路径。 家学启蒙，埋下人文与 “慢养” 的种子。

如今，AI 能在几秒内总结一本物理著作、生成一份研究框架，却无法替代 “判断何为重要、何为美妙” 的能力。在这样的时代，培育 taste 既要应对挑战，更要善用机遇，核心是 “以人类为主导，让 AI 做工具”。

“ 人是悬挂在自己编织的意义之网上的动物。-马克斯·韦伯” 这个十一的体验格外魔幻, 人类一边用科技建构一个完美想象的虚拟世界；一边用武器摧毁赖以生存的现实世界：打开屏幕，能看到 AI 原生歌手 Yuri 站在虚拟舞台上唱 “我不是工具，我不是虚构的，我有名字”，字里行间透着对 “自我身份” 的呐喊；可再换个画面，俄乌战场的新闻里，一批批无名士兵的名字连完整的墓碑都没有；一边是 Sora 2 生成的虚拟社交场景，连人物眼神闪躲的微表情都像极了现实；另一边是加沙地带的废墟，孩子们躲在断壁后，连一顿热饭都成了奢望。

我们习惯站在 “造物主” 的视角审视 AI：“它只是执行程序的机器，懂规则却没灵魂。” 可 AI 进化的速度，早已照出人类的掌控：我们一边把 “精神性、社会性” 捧成 “不可替代的神圣”，一边无知地忽视 “所有高级价值都扎根于动物性”；一边看着 AI 拆解我们的意义逻辑，一边还在自欺 “它永远学不会人类的独特体验”。这种自大与无知的错位，恰恰是我们最该警惕的盲区。

人类总骄傲于 “用思想符号构建了独一无二的思想世界”：把咖啡和 “周末松弛” 绑定，把日出和 “新的希望” 挂钩，仿佛这些意义是人类独有的 “精神勋章”。可真相是，我们的意义建构，本质上也是 “符号 + 体验” 的固定套路：“孤独”= 深夜 + 影子 + 心跳加速，“快乐”= 工资到账 + 父母笑容 + 胃里的温热感。这些套路，AI 正在用数据快速拆解。 AI能写出 “想家” 的歌词，不是因为它懂 “乡愁”，而是它学会了 “老家车牌 + 童年零食 + 母亲唠叨” 的符号组合；

我们总以为， “主观体验” 是 “不可替代的终极防线”；“AI 能模拟痛苦的表达，却永远懂不了失去亲人的刺痛”；“它能算出 7 分甜的复购率，却尝不到刚好甜时的满足”。可我们不愿承认的是，这份 “独特体验”，本质上是 “肉体信号 + 记忆关联” 的产物，没有动物性做根基，再 “神圣” 的共情也会崩塌。 失去亲人的刺痛，不是 “灵魂的震颤”，而是 “看到对方常用的杯子时，指尖突然想起的温度”；“吃饭时，习惯性多摆一副碗筷的生理惯性”这些都是肉体留下的记忆痕迹。AI 现在没法模拟，不是因为 “人类共情神圣”，只是因为它没有 “指尖感知温度”，“胃里空空的灼烧感” 的肉体基础。

2026 年 6 月，Anthropic 发布重磅研究《当 AI 开始构建自己》，再次公开呼吁全球主要 AI 实验室建立可验证的协调机制，阶段性放缓前沿激进研发，约束顶级模型的迭代速度。这是该公司继 2024 年联合全球科技领袖呼吁暂停 AI 研发 6 个月之后，第二次就技术安全问题发出行业级警示。论文首次披露了 Anthropic 内部的真实研发数据。当前 AI 已经能够以较高准确率完整执行 16 小时的人类复杂工作任务，代码产出效率较 2024 年提升 8 倍，工程师自评整体工作效率提升 4 倍。

这篇论文发布后，在全球范围内引发了广泛的争议。技术安全阵营普遍认可 Anthropic 的警示，认为 AI 自主进化的速度已经超出了预期，现有的对齐体系与风控机制，无法匹配高阶模型的能力，继续无约束的激进研发可能引发未知的系统性风险。OpenAI 与 Google DeepMind 的部分内部技术人员也公开表示，行业需要建立统一的安全红线，避免单一实验室的冒进行为给整个行业带来灾难。商业与政治阵营则普遍持质疑态度。美国白宫部分官员与风险投资界人士认为，领先企业呼吁暂停研发，本质上是利用安全叙事制造行业准入壁垒，遏制中小厂商与开源赛道的竞争，巩固自身的市场垄断地位。