- 日期:2026-10-22
- 来源:阅读原文
- 作者:曾鸣(阿里巴巴前总参谋长;“智能商业”“看十年”公开课主讲人)
- 信源层级:一手(作者本人公开课讲稿)
- 标签:智能商业 / AI原生 / 智能复利 / 创智组织 / 智能战略
- 渠道:微信公众号
- 体裁:访谈
- 一句话:AI 时代价值创造的源泉是“智能复利”——系统在使用中学习、在反馈中增值;而组织竞争的关键,从“执行力×人数”转向“学习循环转一圈要多久”。
〇、开场:为什么“看十年”
- 「我这两年也很焦虑,但这两个月越来越不焦虑了。」焦虑来自不知道什么是不变的、什么是变的;什么是信号、什么是噪音。
- “看十年”= 逼着我们把行动背后的隐含假设显性化,拿出来讨论、反复推敲。它提供的是一个思考框架(当下的工作假设,须随现实反馈不断修正)。
- 看十年、想三年、干一年是同一件事的三个视角。最难的往往是“想三年”——讲十年宏观容易、安排今年工作也容易,能不能理解未来三年左右的结构性变化,才真正考验战略判断。
- 三个大问题:① 未来三年 AI 竞争格局怎么演变?② 下个领跑者是创业公司、大模型公司,还是已有入口的互联网公司?③ AI 如何并多快影响各行各业?
- 重要前提:超级人工智能的实现仍需要时间;即使机器智能越来越强,人类的创造力、生命力与机器智能之间依然存在重要差异和互补性,人仍然是主体。
01|智能商业:AI 原生的商业新范式
1. 技术带来的根本变化
- 供给侧:AI 越来越强、成本不断下降。它最重要的潜力,是极大提高优质供给的数量和丰富度,打破“供给稀缺”的瓶颈。
- 过去两年很多 AI 应用在替代简单、重复、低价值工作——有价值,但价值创造空间从一开始就有限(这也是“AI 投入很大、效果不明显”的原因)。
- 真正巨大的价值,是打开过去无法充分提供的优质供给:好的私人医生、好老师、好顾问、可信的旅行信息专家——都很稀缺。
- 拐点:技术成熟到可以创造过去无法实现的新价值。
- 需求侧:过剩的是简单、同质化的供给;人的真实需求远未被理解。AI 的突破是能低成本、高效率、持续地与人互动——这给个性化需求的发现与实现打开新空间。
2. 从“千人一面”到“一人千面”
- 工业时代:“千人一面”(标准化+规模化);互联网时代:“千人千面”(搜索/推荐提高匹配效率)。
- AI 时代:“一人千面”——同一个人在不同时间、场景里的真实意图可能完全不同,商业需动态生成当下最合适的解法。
- 推荐是根据行为、及相似人的行为推断需求;AI 让系统通过持续对话直接理解用户。→ 未来商业的本质,是给大众提供越来越个性化的服务。
3. 基于意图的需求生成
- 过去起点是产品(先判断需求→研发→推广,含大量事先揣测)。
- AI 让我们从消费者意图开始:用户不必先把问题翻译成某个已有商品,系统直接理解他原本想解决的问题。
- 例:“我想要一个安静、放松、预算三千以内的三天假期”→ 系统继续沟通、澄清→比较组合方案→确认后代为执行。
- “以客户为中心”从价值主张变成实际运行的起点。
- → 核心竞争问题:谁成为人类表达真实问题的第一站?「用户愿意跟谁聊,谁就有机会深入理解用户,并成为价值创造的起点。」
- 从供应链到实时协同网络:最初是“意图匹配”,长远是需求与供给同时生成。传统供应链建立在固定企业/流程/商品上;未来协同网络按具体任务,实时调用不同能力节点、临时组合解决方案。
- “一人千面”不是无限生成商品,仍受性价比与真实供给约束。
- 数字化产品/服务变化更快,涉及物理世界更慢。今天个人助理用户体验未根本飞跃,一个重要原因就是“供给侧尚未充分改变:系统仍在组合既有存量产品和服务”。
- 从卖产品,到实现人的意图:
- 若 AI 能理解意图后直接交付结果,则“搜索→浏览→比较”的窗口被大幅压缩 → 竞争从“争夺用户时间”转向“节省用户时间”(用户花更少时间、获得更高价值)。
- 独特的学习闭环:大模型提供通用认知,但做好具体场景的个性化服务需持续理解用户、积累服务中的新反馈——这些经验不等同于预训练覆盖的知识。
- → 大模型公司未必能覆盖所有商业场景;创业公司仍有机会通过具体场景的持续学习建立优势。
02|什么是 AI 原生
1. 检验问题(金句)
“假如拿掉 AI,这个产品和业务是否仍然成立?”
如果仍然成立、只是效率下降 → AI 增强;如果产品价值、工作流或组织方式都无法成立 → 更接近 AI 原生。
- AI 原生 = 以可规模化调用的机器智能为起点,重新设计产品、工作流和组织,创造过去无法实现的客户价值。 产品/工作流/组织/商业模式一起演化。
2. 通用技术大变革的三个阶段
- 基础设施化(变得可靠、低成本、易调用)
- 原生产品和服务创新(含“原生应用 1.0 → 2.0”)
- 社会重构(渗透各行各业,改变组织/产业结构/社会运行方式)
3. 电气化参照
- 关键变化是电成为“公共服务”可被调用——企业不必各自解决整套发电问题。
- 福特的流水线是重要应用创新;家庭端从电灯→电熨斗/洗衣机/冰箱/收音机渐进改变“接电的价值”(从“有电更方便”到“没电就很难参与现代生活”)。
- 正反馈:基础设施跨过可用性临界点→原生应用出现→应用提高用电价值→更多家庭接电→市场扩大→更多应用创新。
- → 应用爆发不要求基础设施先完全普及;更关键的是它是否已经足够好用,能让大量创业者开始探索。
4. 原生应用 1.0 与 2.0
- Yahoo/Amazon/eBay 几乎同时出现、路径不同:eBay 体现双边市场网络效应;Yahoo 有媒体属性但没沿技术主线深入;Amazon 选了一块难啃的业务,被推着投入技术、建新能力。
- 判断:“原生不是由企业出生的年代决定的,而是由它在多大程度上发挥了新技术的根本优势决定的。生在 AI 时代,不等于 AI 原生;使用 AI 的广度,也不等于发挥机器智能优势的深度。”
- Google = 原生应用 2.0 的样板:用户体验+算法+基础设施+商业模式相互支撑(搜索框→PageRank→分布式计算→竞价广告闭环)。
- 1.0 = 找到新技术的大众产品形态;2.0 = 进一步形成能组织复杂供给、满足复杂需求的新系统。(福特→通用汽车)
03|AI 的产业化发展阶段
- 判断:通用机器智能作为基础设施的轮廓已经初步形成,仍在高速发展(语言/多模态/推理提高 + 编程/工具调用/Agent 行动能力 + 算力/API/按 Token 计量收费)。
- 当一种能力可被相对统一地计量、交付和调用,它就更接近社会基础能力。
- 重要判断(时间点):“我尤其关注 2027—2028 年:各种原生产品和服务,有可能在这一阶段更密集地出现。”
- 两个待成熟条件:① Agent 开发成本进一步下降;② 用户能以低成本表达意图、建立信任并使用 Agent。
- → “这正是我用『浏览器还没有出现』来作比喻的原因”——仍在等待某种标志性的产品与交互突破。
1. Agent:从行动 → 主动 → 负责
- 能够行动(调用工具、完成具体任务)
- 能够主动(自主拆解、跨步骤持续执行)
- 能够负责(稳定交付结果、让用户理解为何可信、能接受反馈、积累经验)
- 第三层尤其重要:“如果 AI 不能稳定完成任务,用户就很难真正授权。如果它交付之后无法获得反馈,也难以形成持续学习。”
2. 从 Agent Store 到 Agent OS
- 未来可能出现大量不同 Agent(有的很快消失、有的不断成长)。入口暂称 “Agent Store”(未必是 App Store 翻版):用户需要发现、选择、评判、管理和使用Agent 的办法(含计费、反馈)。
- 更长远:Agent OS——用户只表达目标,系统动态组织不同 Agent、数据、工具与现实供给一起完成任务。
- ⚠️ 克制:“现在把 Agent OS 当成已经成熟的答案,还为时过早。” 需先经历应用百花齐放。
- 对创业者:当前最重要的机会,是参与真实应用的探索,找到能成立的客户价值,而不是等待所有标准和答案都确定。
04|AI 时代的价值创造和竞争
1. 智能复利(本题核心)
- 农业时代土地、工业时代资本、智能时代“智能本身开始成为可规模化生产和调用的生产要素”。
- 工业靠规模经济、互联网靠网络效应,AI 时代靠“智能复利”:
- “60 分奇点”:让 AI 独立上岗是最难的一步。“独立上岗”三个关键:① 能接过一项端到端任务;② 直接面向结果(不只是完成几个动作);③ 能得到真实、完整的行动与结果反馈。
- 举例:Claude 与 Claude Code 的相互促进(更强模型→更复杂研发/客户任务→更多反馈→更高研究工程效率→反哺模型/Agent/评测)。
一个系统完成真实任务→获得反馈→基于反馈提高能力→能力提高后处理更复杂任务→获得更高质量反馈→再增强能力。系统在被使用的过程中,也在学习和增值。
2. 黑洞效应(能力差距如何被放大)
- 用户把更复杂、更重要的任务交给更可靠的系统→带来更高质量反馈→进一步强化能力→开发者/数据/信任集中。
- 四个前提:① 学习空间足够大(任务复杂度高);② 能力差异转化为用户能感知的价值(“只有系统自己觉得指标变好了,用户没感觉,还不够”);③ 反馈具有路径依赖(真实任务经验不能被轻易复制);④ 能力差距能持续影响任务分配。
- 竞争主线 = 系统进化的速度。
- “移动互联网时代我们说『高频打低频』;AI 智能体时代,我用『高维吞低维』来描述一种可能的竞争趋势。网络效应带来赢家通吃,智能复利则可能形成『智者恒强』。”
- ⚠️ 但:这不意味着所有应用被同一系统覆盖。“值得不断追问的是:我们正在积累什么能力,系统是否真的越做越聪明?”
05|创智组织
1. 人的独特价值在哪
- 从知识工作者到创智人才,两个突出特征:① 高能动性(主动发现机会/提出问题/找资源/担责);② 超强学习能力(像一台学习机器:理解自己怎样思考决策、主动找反馈、快速修正、从第一性原理重构问题)。
- “创智人才”定义:能够选择值得追求的方向,定义有价值的问题,创造新的认知,并组织人类与机器智能把它落地的新型创造性人才。
2. 招聘之前,先问工作能不能由 Agent 完成
- 传统组织:先问“什么岗位、招什么人、向谁汇报”。
- AI 原生团队:“我们到底要完成什么任务,需要什么能力组合,其中哪些可以由 Agent 承担?剩下的能力现有的人能否提供?” → 组织从“岗位”转向“任务”。
- “未来的组织图,可能越来越像工作如何完成的流程图。” 先定义目标/问题→拆解任务→明确直接负责人→围绕结果组织人、Agent、Skill、工作流、数据与反馈。
3. 人使用 Agent,还是 Agent 调用人的能力?(关键思路)
- 另一种思考方式:让 Agent 承担完整任务,遇到困难时再调用人的专业能力。
- 关键差异:人的贡献是否回到系统的学习闭环中。 「如果 Agent 一遇难题就把工作彻底交给人,问题解决了,但 AI 可能没学到解决问题的过程。」
- 「如果工作流围绕 Agent 完成整个任务来设计,它在适当环节获得人的帮助,而人的判断、处理过程和结果又被系统吸收,那这次协作就可能成为下一次能力改进的来源。」
4. 组织整体智能化(为什么每个人提效、公司却没变强)
- “个人效率提高,并不自动意味着组织整体变得更聪明。”(研发工程师效率提高,但工作仍卡在传统流程和部门衔接中)
- 未来真正重要的两件事:① 集体智慧的形成(每个人感知/发现/洞察都有机会改变整个组织认知);② 集体智慧的应用(每个人面对任务都能调用组织积累的高质量认知)。
- 想象:“如果 CEO 能与每位员工一起处理问题——员工得到全局视角和长期经验,CEO 得到一线信息,决策质量会怎样变化?”
5. 组织 OS
- 创智组织 = 一个能持续学习、协同行动、自我进化的组织智能体;人是目标、权责和最终判断的承担者。组织 OS = 让这个智能体运转的制度、机制与技术底座。
- 四步:① 组织记忆(把事实、判断、分歧、历史决策及来源组织起来,在正确的时刻调用);② AI 学习(AI 持续理解多位高管的思考决策→像新讨论参与者那样提出观察);③ 反馈与进化;④ 技术底座(身份权限、生产系统数据接入、记忆与索引、执行调度、评估与版本治理)。
- 金句(为什么录下来):「为什么现在很多人愿意把讨论录下来?因为讨论过程本身包含大量决策背景。如果这些内容没被保留,AI 就无法理解『为什么会作出这样的决定』。」
- 共创:竞争优势从“执行力×人数”转向“学习循环转一圈需要多久”。
- 领导者的新职责:“Context, not Control。提供充分上下文,让团队自主寻找解决方案,同时给出及时、有效的反馈。”
6. 创智人才的内在系统
- “能力被 AI 放大,情绪噪音也会被放大;团队越小,个人的负面作用越容易冲击整个团队。”
- 三条:① 更少自欺(看清自己在逃避什么);② 面对冲突不逃避(关系债积累越久,协作成本越高);③ 能够承受失败(一次失败可以是系统反馈,不必直接变成对自我价值的否定)。
06|智能战略
- 战略成为组织的日常工作(颠覆性创新带来漫长不确定的转型期,一次性分析不再够用)。
- Vision-Driven Strategy Discovery(愿景驱动的战略发现):愿景—战略—行动—洞察的持续迭代(本质是学习闭环)。
- 「我们谈了这么多,究竟有什么新的洞察?有哪些理解与原来不同、与外部共识也不同?」
- 为什么仍需相对稳定的愿景:复利来自在一个方向上持续积累(客户理解、技术、经验、认知都需要时间)。「如果一会儿向南、一会儿向东、一会儿向北,积累很难持续。」但愿景同样需被现实检验,不能变成拒绝反馈的理由。
- 行动的作用 = 产生反馈:一次失败的实验可能带来很有价值的结构性信息。
- 三种失衡:长期太强→空想型公司;短期太强→追风型公司;中期太弱→缺少路径逻辑,愿景与行动连接不上。
- 战略生成系统 = 算法(共同方法论)× 算力(高质量认知网络)× 数据(真实反馈):
- 算法:组织共同理解、使用的战略方法论(共同语言);
- 算力:有多少高质量的人才参与协同网络,最重要的是让不同人的大脑真正连接起来,而不只是把许多人放在同一个会议室里;
- 数据:组织能否持续获得真实、准确、具体、丰富、及时的反馈。
- “真正的战略共识,不仅是『走哪条路』,更是『我们如何判断哪条路值得走』。” 更深的对齐是理解彼此为什么这样思考。
- “AI 越重要,线下高质量互动越重要。”(「曾参加一些战略会,几十个人坐在一个房间里,却都对着协同文档敲字——工具提高了信息共享效率,但面对面的争论与深度碰撞也可能被削弱。」)
- “未来的战略竞争,可能越来越不只是『谁的战略更好』,而是『谁的战略系统更强』。”
结语
- 如果六个议题只带走一个词:Learning Loop(学习闭环)。
- 三条落地:① 从自己开始,用起来(“你使用 AI 的深度,会影响你对它的判断”);② 已有业务可等待适合自己的工具成熟,不必把每个新工具立即变成组织任务;③ 坚定但有节奏地推动 AI 升级——结合自己条件判断什么现在做、什么观察、什么从小点切入。
- 收尾:「真正有价值的事情,往往需要长时间积累。即使变化如此之快,十年也足以孕育一个新的时代。」
- “大舍大得,大赌大赢,大拙大巧。外在的能力在被放大,内在的稳定与心力也需要成长。”
读后判断
- 这是本周第 15 条同轴信源,也是份量最重的一篇——它把前 14 条的散点收成了一个“体系”。 前 14 条各自讲了“判断最贵/上下文是资产/可验证性/原生组织/注意力瓶颈”,曾鸣给了它们一个统一的战略框架(智能复利 = 价值创造源泉;学习闭环 = 组织竞争力;AI 原生 = 检验标准)。它几乎可以直接当那篇《同轴综述》的骨架。
- “AI 原生”的检验问题,与你“数字化 vs AI 化”是同一位阶的工具。 曾鸣:“假如拿掉 AI,这个产品和业务是否仍然成立?”(成立→增强;不成立→原生);你:“产出是人早知道的事(数字化)还是人原本给不出的判断(AI 化)”。两把尺子可以并列使用——一个测“业务形态”,一个测“价值层次”。
- “智能复利”与你的“智能是为了下一次智能”,是同一件事的两种说法。 曾鸣的版本更“系统”(工程/商业视角),你的版本更“主体”(人的视角)。两者可以互相引用:你的那句是“人的版本”,他这句是“系统的版本”。
- “60 分奇点 / AI 独立上岗三要素”(端到端 + 面向结果 + 真实反馈)——这是我们做 Agent 产品可以直接用的验收标准。 对照小龙虾/深脑:我们的 agent 现在停在第一层(能行动)还是第二层(能主动)?有没有一个真正“独立承担端到端任务”的案例? 这是最该自问的。
- “Context, not Control”——这句话几乎是给造物云/团队的现成管理原则。 且它和你上周归档的“共享 agent 让经验跟着工作传播”“组织 OS 的第一步是组织记忆”完全同源。→ “组织记忆”四步(记忆→学习→反馈→底座)可以直接当深脑的产品路线图。
- “黑洞效应四前提”是本周最硬的一组竞争分析工具(学习空间大 / 能力差异转为可感价值 / 反馈有路径依赖 / 差距持续影响任务分配)。→ 可以用来拷问任何 AI 产品:你满足几个前提? 也直接回答了“我们的护城河在哪”。
- 它给了一个明确的时间判断(可证伪):“尤其关注 2027—2028 年”。 这是具体、可验证、可过期的判断——这种判断才值钱(对照我上周那条被“Anthropic 做 Duet”推翻的判断:曾鸣这种带时间窗的判断,反而经得起检验)。
- ⚠️ 可核钩子:① 一手(作者公开课讲稿),引用时以本文为准;② “60 分奇点”“黑洞效应”“Agent OS”“组织 OS”是曾鸣自创概念,属分析框架、非既定事实,引用须标明来源;③ “2027—2028 原生产品密集出现”是预测,非结论。