在 AI 巨浪里，别急着问谁赢：张小珺对话曾鸣的 12 个关键判断

这两年，关于 AI 最热闹的问题几乎都指向同一个方向：谁会赢？

OpenAI 会不会赢？大模型公司会不会赢？字节、腾讯、阿里会不会赢？做 Agent 的创业公司还有没有机会？

问题当然重要，但如果把镜头拉得足够远，它们又都太急了。

在张小珺与曾鸣的长对谈里，最有价值的不是对某一家公司的押注，而是一张更大的“产业地图”。曾鸣反复提醒我们：当一项通用技术刚刚改变生产方式时，今天的头部公司、今天的产品形态、甚至今天的公司制度，都未必是下一阶段的答案。

这不是悲观，而是一种更清醒的乐观。旧秩序不稳定，意味着新进入者仍然有机会；工具不断变强，意味着组织与个人也有机会重新选择自己的位置。

把这场访谈拆开看，有十二个彼此相连的判断。它们最终指向同一个问题：在 AI 的巨浪里，我们不该先问谁赢，而应先弄清楚自己正站在哪一段浪头上。

一、AI 不是一个阶段，而是三次价值迁移

曾鸣用产业史给 AI 划出三个阶段：基础设施、应用爆发、原生应用。

第一阶段，是技术被社会广泛接受，逐渐成为基础设施。对 AI 来说，算力、模型、数据、推理服务与开发工具都属于这条链路。它们正在把“智能”变成像云计算一样可以被调用的能力。

第二阶段，是基础设施之上长出海量应用。每一个行业、岗位和流程都会尝试把 AI 接进去。此时会出现大量看上去相似、也很容易被下一次模型升级重写的产品，但这并不意味着应用没有价值。恰恰相反，应用爆发是在替下一阶段收集真实世界的问题：用户到底愿意把什么工作交给机器，哪些任务需要人机协作，哪些场景需要新的标准。

第三阶段，是原生应用阶段。它不是给旧产品加一个 AI 按钮，而是出现一套为新能力而生的入口、交互、组织方式和商业秩序。

互联网史里，浏览器的出现尤其值得类比。浏览器不是互联网本身，却让普通人第一次以低门槛、统一的方式进入互联网。曾鸣的判断是，AI 可能还在等待自己的“浏览器时刻”——一个让能力、需求、权限与任务能够被自然连接的入口。

因此，第一件需要放下的事，是把今天的热闹当成终局。我们也许不是站在 AI 产业的成熟期，而是站在它刚刚开始显露真正形态的位置。

二、阶段性赢家，不等于永久赢家

这也是访谈中最容易引起误解的一点。

曾鸣认为，第一阶段的企业，很难活到第二阶段；第二阶段的企业，也未必成为第三阶段的大赢家。他对 OpenAI、Anthropic 能否成为原生应用时代主导者持保留态度。

这句话不该被理解成“模型公司会失败”，更不该被理解成谁在唱衰谁。它说的是一个更普遍的规律：每一阶段的企业，都会为当时最重要的问题优化；而当问题变了，原来的优势可能会变成惯性。

基础设施公司擅长重投入、规模化、可靠性和标准化。应用爆发期的公司擅长快速试错、理解具体场景。原生平台则需要重新定义用户交互、建立新标准，并形成网络效应。这些能力没有高下之分，但确实不是同一种能力。

历史不负责替今天的公司判决。AOL、Yahoo、黑莓等例子，也不能直接推导出今天任何公司的命运。历史真正提供的价值，是让我们克制地承认：今天的市值、用户量和技术领先，并不自动等于穿越周期的能力。

所以，观察一家公司时，与其问“它现在有多强”，不如问三件事：它是否正在创造新的用户习惯？它的组织是否能适应下一阶段？它是否拥有无法被底层能力升级轻易抹平的任务闭环？

三、模型会很重要，但模型不必吞噬一切

围绕 AI 的另一场争论，是“模型会不会吃掉所有应用”。

曾鸣给了一个很有启发性的类比：大模型公司更接近未来的 AI 云公司。它们像曾经让用户接入互联网的服务商，正在让更多人低成本接入智能。

这意味着，模型层会极其重要，也会非常昂贵。它需要算力、工程、数据、可靠性与治理能力，最终很可能走向规模集中、重资产和强监管。这是一门大生意，却不意味着它天然拥有所有面向用户的价值。

用户从来不为 token 本身付费。用户付费，是为了完成一件工作：让销售机会推进、让客服问题闭环、让财务对账完成、让研发协作更快、让内容生产更可靠。

应用层的机会，就藏在这些具体结果里。如果一家产品只是换一个提示词、套一个界面，模型升级当然会很快抹平它；但如果它把模型接进真实流程，承担领域判断、权限协作、结果验证和责任交付，模型越强，反而越能放大其价值。

所以，对创业者而言，最重要的不是证明“我也用了最强模型”，而是回答：没有某一个模型优势时，我还剩下什么？客户为什么离不开？客户每一次使用，是否让下一次交付更好？

四、真正的大机会，可能在 Agent 的入口

如果模型是基础能力，那么下一阶段最值得看的，可能是 Agent 的入口。

今天我们已经有很多聊天框，也有很多号称能执行任务的智能体。但一个真正的 Agent 入口，不是更会聊天，而是能理解用户目标、连接不同工具、处理权限、保留上下文、展示过程，并对结果负责。

这是一件比做聊天机器人难得多的事。

因为信息搜索错了一条结果，用户可以自己修正；让 Agent 修改文件、访问客户系统、安排日程、执行交易，用户需要的首先是信任。权限边界是否清楚、过程是否可见、操作能否撤销、责任由谁承担，这些并不是后来才补的合规条款，而是产品能否成为入口的前提。

入口之争，本质也是标准之争。浏览器使内容能被相对统一地访问；Agent 也需要任务如何表达、工具如何调用、身份如何验证、结果如何回传的共同语言。谁能让这些摩擦足够低，谁就有机会在用户、开发者和服务提供者之间建立网络效应。

但入口不必从宏大的“AI 操作系统”开始。它更可能先从一个高频、跨工具、结果可验证的任务中长出来：研究、销售跟进、开发协作、财务对账。先成为一个具体任务的默认入口，才有资格慢慢扩大边界。

五、新平台为什么常常不来自旧平台

许多人会问，既然巨头有钱、有用户、有工程人才，为什么不能直接赢下新平台？

因为新平台解决的是新问题，而旧组织往往是围绕旧问题优化出来的。

过去的互联网，擅长解决信息与需求的匹配：人找到内容，商家找到用户，广告找到流量。AI 要逐步解决的，是能力与需求的匹配：一个目标出现后，谁能完成、如何协同、如何验证、谁来负责。这种复杂度完全不同。

旧平台当然可以给现有产品加上 AI 功能，也可能因此获得显著效率。但这不自动等于 AI 原生产品。AI 原生产品会重新改变交互方式、数据流、定价逻辑和组织结构。如果一个企业仍然只把 AI 当作优化旧漏斗的插件，它可能提高了效率，却错过了重新定义用户关系的机会。

大公司的难点不在资源不足，而在资源已经被旧业务的成功逻辑绑定。越成熟的体系，越难允许一小群人长期做不符合旧 KPI、甚至可能伤害旧收入的尝试。

这也是为什么 AI 转型不能只交给一个“创新部门”。CEO 必须参与关键取舍：哪些旧指标可以暂时放下，哪些新任务值得投入，什么样的组织可以不按原有规则考核。

六、AI 不会先消灭公司，它会先消灭无效层级

曾鸣说“公司会消亡”，很容易被理解成“所有人都会单干”。但更准确的理解是：作为工业时代产物的科层制公司，可能不再是组织复杂协作的唯一方式。

传统组织的基本单位是岗位。岗位意味着稳定职责、清晰边界、层级汇报与流程审批。它在稳定环境中极其有效：每个人知道自己负责哪一段，管理者负责协调和控制。

但 AI 会让信息搜集、文本处理、分析整理、跨部门沟通的成本迅速下降。很多工作将不再需要通过层层转发才能完成。组织更可能从“岗位中心”走向“任务中心”：面对一个问题，动态组合最合适的能力，明确决策权和验收标准，而不是先看谁属于哪个部门。

这并不意味着管理者没有价值。恰恰相反，管理中最有价值的部分会更突出：定义方向、提供上下文、培养人才、处理冲突、分配责任、守住长期约束。真正会被压缩的，是转发信息、维护审批链、催促进度却不产生判断的中间环节。

组织变革也不必先从一张大组织图开始。选一条跨团队、高频、结果可衡量的任务链，减少不必要交接，让决策和验收更透明，再把 AI 放进信息整理与流程编排。局部的成功，往往比“全面组织升级”的口号更有力量。

七、未来组织更像球队，而不是流水线

AI 放大个人能力之后，“一人公司”成了一个迷人的想象。但复杂创造仍然需要互补：有人定义问题，有人理解技术，有人贴近用户，有人承担交付责任。

因此，未来组织不一定更小，却会更像一支高透明的球队。

球队的关键不在所有人做同一件事，而在每个人知道自己为什么被调用、如何与其他人配合，以及最终以什么结果判断。这需要透明的贡献机制，也需要共同的上下文。

所谓自驱，也不是“没有人管”。自驱必须建立在清楚的使命、可获得的资源、可信任的同伴和明确的边界上。没有上下文的自由，只会让每个人各自猜测；只有控制的组织，又会让团队在未知里失去创造力。

这也是“Context not Control”在 AI 时代重新重要的原因。控制适合路径已知的工作；上下文适合路径还在生成的工作。领导者的角色因此改变：从任务分配者，变成上下文设计者。他要讲清为什么做、什么不能牺牲、如何判断质量、哪些信息必须共享。

八、战略不是一份 PPT，而是一套生成系统

变化这么快，战略还有没有意义？曾鸣的回答是，战略不仅仍然重要，而且比过去更重要。

只是战略不应再被理解为一份写完、挂墙、按年度执行的线性规划。

AI 时代最危险的战略，可能恰恰是那份看起来很完整的 PPT。它有市场规模、有收入预测、有竞争分析、有三年路线图，却把一切建立在过期的能力边界和静态的竞争关系上。

战略真正需要变成一种生成系统：组织能否持续接收一线信号，能否形成有价值的假设，能否小规模验证，能否把学习反馈到资源配置里。

这也解释了为什么组织先于战略。如果信息不流动、不同意见无法被提出、失败没有被记录，再聪明的战略部门也只能得到失真的输入。组织决定它能看见什么，而看见什么，决定它能生成怎样的战略。

一个实用做法是：为每个关键判断写下假设、信号、里程碑和反证条件；定期复盘哪些假设失效；把资源从“历史成功”转移到“新证据”。这听起来朴素，却比写一份更长的行业报告更接近真正的战略能力。

九、“看十年、想三年、干一年”的真正难点

曾鸣提出“看十年、想三年、干一年”。这不是把时间尺度拉长，而是把不同的工作放回不同的尺度。

看十年，是追问方向与使命：我们究竟想参与一个怎样的未来？干一年，是把愿景落到今天的产品、交付和现金流。最难的是中间的三年：它既不能靠短期数据外推，也不能只停留在宏大叙事；它要求团队做创造性的资源取舍。

许多公司有两种极端。一种把远景变成数字 KPI，逼团队给出没有依据的预测；另一种只看当季执行，把所有探索都压缩成短期回报。前者制造幻觉，后者扼杀创新。

三年的价值在于，它迫使团队把长期方向翻译成可验证的里程碑。每个重要投入都要回答：它服务于哪个中期假设？什么证据出现时，我们应该加码？什么信号出现时，我们应该停止？

这样，愿景不会变成空话，执行也不会变成盲目忙碌。

十、同质化供给，终会把价格拉回成本

对 AI 创业者而言，访谈中最残酷、也最实用的一条判断是：只要供给同质化，就很难获得高额利润。

AI 会让复制变得更快。一个模型能力、一套提示词、一个漂亮界面，都可能在几个月内被其他人追上。技术领先很重要，但它只是入场券，不是定价权。

真正能留下价值的，是客户不愿轻易迁移的东西：嵌进业务的工作流、长期积累的数据、被验证过的交付质量、责任承担、团队使用习惯，以及随着使用越来越好的反馈闭环。

这也是为什么不能被早期 ARR 的快速增长迷惑。一个月的收入乘以十二，并不意味着商业模式成立。更值得看的是续费、使用深度、毛利变化、竞争增加后的价格弹性，以及客户是否真的把产品嵌进了自己的关键流程。

创业者应该少问“我的模型比别人强多少”，多问：“客户为什么离不开？”“没有模型优势时我还剩什么？”“每多服务一个客户，单位经济性是变好还是变差？”

十一、优秀与卓越，差的不只是执行力

曾鸣区分“优秀”和“卓越”。优秀，往往意味着在已经被证明的路径上做到更好；卓越，则常常来自对新路径的发现。

所以，卓越经常带有反共识。

但反共识不是故意唱反调，更不是把市场主流观点反过来念一遍。真正有价值的少数派判断，来自对用户、技术和产业结构的长期观察，也来自对自身无知的诚实承认。

成功企业常常做过反共识选择，但这不意味着反共识一定成功。两者之间，隔着证据、试验、组织能力和运气。

把反共识变成能力的方法，不是高喊口号，而是写下你不认同的共识，说明你看到了哪些被忽略的事实，设计低成本实验，并提前定义失败条件。这样，少数派判断才不会只是创始人的个人气质，而会成为组织能够学习和迭代的机制。

十二、最后回到人：AI 时代更稀缺的，是创造力

这场对谈最后仍然落回到人。

AI 工具让人更高效，也让人更容易疲惫。它可以持续处理信息、生成文本、执行流程，但人仍然有生理节奏、注意力边界和意义需求。如果每一次效率提升都被新的输入和任务填满，我们得到的可能不是创造力，而是更快的耗竭。

未来个人真正稀缺的能力，不只是会不会用某个工具，而是能否提出值得解决的问题，能否把散乱信息组织成独到判断，能否与他人完成高质量协作，并在结果不确定时承担责任。

这意味着，每个人都应该把自己经营成一组可迁移的能力：理解真实场景、组织信息、设计流程、做领域判断、验证结果、与人协作。工具会持续变化，但能把工具接进问题与结果之间的人，会不断获得新的杠杆。

也因此，要给自己保留一些“无用时间”。阅读、散步、跨领域对话、远离即时反馈，未必直接产出，却可能让分散的信息重新组合。AI 时代最奢侈的能力，可能不是永远在线，而是在喧闹中仍能保留独立判断和长期注意力。

结语：先看清浪头，再决定怎么游

这场访谈并没有提供一个简单答案：哪家公司必胜，哪个赛道必投，哪种组织必然取代另一种组织。

它提供的是一套更有用的提问方式。

我们处于基础设施、应用爆发还是原生入口的哪一个阶段？我们解决的是信息匹配，还是能力匹配？我们的产品是在套用模型，还是在形成真实任务闭环？我们的组织仍然依赖控制，还是已经能够提供共同上下文？我们的战略是在外推过去，还是在生成未来？

巨浪面前，没有谁天然安全。但也正因为如此，未来从来不会只属于今天最强的人。

别急着问谁赢。先看清你正在建设什么，以及你是否有能力在下一次浪头到来前，重新学习、重新组织、重新创造。

资料来源：张小珺《商业访谈录》第153期《和曾鸣聊产业史观：残酷的真相、会消亡的公司、优秀≠卓越、“OAI、Anth大概率不是原生时代大赢家”》，2026年9月3日，154分钟。本文为公开访谈观点的评论性整理，不构成投资建议。