ARTICLE · 1068831
用了两年AI我才想明白,优势从来不在工具上
上个月，我们去做 AI 落地诊断。客户的负责人把笔记本转过来给我看。
屏幕上是一份清单，二十几行，是他们两年里上过线的 AI 项目：智能客服、合同助手、周报生成、知识库问答。一行一行，都标着绿色的“已交付”。
他挺得意，问我：“我们算走得挺前面了吧？”
我没直接接话，反问了一句：这二十几个里面，哪一个是你做完之后，对手更难追上的？
他把清单从上往下拉了一遍，又拉了一遍。然后说：“好像……没有。”
这两年，我在几十家公司的会议室里，听到的几乎是同一个故事。AI 确实用起来了，效率也确实上去了，但那种“我更安全了”的感觉，一直没来。
曾鸣在新书《智能》里，把这件事说得很不客气：智能复利是价值创造机制，不是优势生成机制。
翻译过来就是：AI 能让你变强，但不会自动让你赢。
上一篇我们讲“越用越强”，讲的是 AI 时代的第三种增长引擎。那句话没错，只是很多人只看了上半句。
一、都在一起变强，差距就拉不开
回到那份清单。智能客服、合同助手、周报生成，这些活你的对手也在做，用的很可能是同一批工具，花的钱还未必比你多。
曾鸣在书里写过一句很冷静的话：
竞争优势永远是相对的。如果多个企业建立了类似的学习闭环，同时在类似任务中持续获取反馈，那么它们可能会同时变强，即彼此之间的差距未必会被拉开。
曾鸣《智能》
你跑得很快，但当所有人都跑得很快的时候，速度本身就不构成优势了。有意义的从来不是绝对速度，是相对速度。
这句话听着泄气。其实它是在替你省钱，省下来的是真金白银。
去年有一家客户，在这类项目上投了小几百万。年底复盘，业务方给的评价是“好用”。我只问了一句：如果明天把这些工具全换成竞品，你们会损失什么？他想了很久，说：大概要重新培训几天。
几百万买回来的是方便，不是不可替代。方便这个东西，是会跟着价格走的。
所以真正的问题只有一个：你让 AI 做的，是哪一类任务？
二、简单任务和复杂任务，是两种东西
我习惯把企业交给 AI 的活，分成两堆。
一堆是简单任务：查订单、写周报、生成合同初稿、标准问答。规则清楚，答案唯一，反馈也同质：对，或者错，没有多余的信息。
另一堆是复杂任务：非标报价、异常处理、带着情绪的客户、几个部门之间的取舍。这些活没有标准答案，做得好和做得一般之间，隔着一大片灰度。
同样是 AI，喂进这两堆活，长出来的东西完全不一样。区别到底在哪，曾鸣有一句话说得最准，也是整本书里被划线最多的一句：
值得读两遍。
简单任务里，一次反馈就是一次独立的学习。这单查完了，下一单重来，经验并不累积。
复杂任务不是这样。它跨时间、跨步骤、跨场景：你踩过哪个坑、在什么情况下让过步、哪条修正路径是你自己摸出来的。这些碎片要连起来，才构成一个系统的能力。
而这些东西，买不到。
我们自己也在这上面交过学费。
2023 年，我们给一家客户做了一套东西，验收那天所有人都很满意。半年后复盘，我发现我们做的几乎全是“谁都能做”的那一半：把常见问法整理进去，把固定流程自动化。它确实省了人力，但它没有让这家客户比任何同行更难被替代。
那天复盘完，我在会议纪要里写下一句话：我们交付的是效率，不是壁垒。而效率，是会贬值的。
左边是重复，右边是积累。谁能积累，谁才可能拉开差距。
三、黑洞效应：任务、数据、信任，都在往一处流
当差距大到一定程度，事情的性质会变。
客户开始把最难、最要紧的活，交给自己最信得过的那个系统。活越难，回来的反馈越值钱；反馈越值钱，系统长得越快；系统长得越快，越多的关键任务往它那里聚。
所谓“流向”，其实不是随机的。它是被引力拉出来的。
曾鸣把这个滚雪球的过程，叫做黑洞效应。高价值任务流、稀缺反馈数据、开发者能力、用户信任，都会慢慢往少数系统身上集中。
到这里，智能复利完成了一次跃迁。它不再只是“让能力变强”，而是变成了“让差距变大”。
后来者为什么追不上？我读到过一个解释，当时停了很久：
因为 A 系统拥有那段“不可压缩的历史”。在这种路径依赖的学习体系中，很多经验无法被直接购买，也无法被快速复制。
曾鸣《智能》
后面还有一个更具体的画面：一个系统走过 A—B—C 这条错误修正路径，由此长出了自己的判断权重。后来者拿到同样的数据，没走过同一段时间，没经历同一串修正，还是长不出同一个东西。
数据可以复制，历史不行。
互联网时代的差距，是可以用钱追平的。补贴、低价、更好的体验，用户的迁移成本说到底只是改个习惯。这次不一样，后来者撞上的不是对手的产品，是对手走过的那条路本身。
所以在 AI 时代，领先一步，往往意味着领先一个时代。
同样的数据，走不出同样的路径。
三个人人都见过的黑洞
Anthropic
这是曾鸣在访谈里唯一点名的公司。它没有把 AI 当成挂在业务旁边的工具，而是直接把 AI 用进了大模型的生产线。业务越做越像 AI 原生，生产力就出现了断层。
抖音
每一次滑动、停留、划走都是反馈。数据越多，推荐越准；推荐越准，人越离不开；人越离不开，创作者就越往这里聚。
特斯拉
每辆上路的车，都是一台在跑的数据采集终端，每一次接管、每一次人工纠正，都在回流。这点我们第 3 篇讲过，这回只说结论：它的对手买的不是同一辆车，是同一段历史。
三个故事说的是同一件事：黑洞吸走的不是用户，是继续变强的机会。
四、黑洞效应的四个前提
说到这里，很容易滑向一个让人泄气的结论：这是巨头的游戏。
先别急。下面这四个前提，才是这一篇最该存下来的部分。
黑洞效应要成立，需要四个前提同时满足，缺一个都不行：
▲ 长按截图，发给正在做 AI 规划的同事
四个都成立，复利才会从“让你变强”升级为“让差距变大”。缺一个，钱花得再多，你也只是在跟着行业一起变强。
但我想说的重点在后半句：这四个前提不是用来评价别人的，是用来挑场景的。
五、不是每家企业都要当黑洞
说到底，绝大多数企业成不了黑洞，也不该去当黑洞。这没什么好遗憾的。黑洞效应的机制是通用的，你不需要赢下整个生态，只需要在一个足够窄的地方，让别人抄不走。
窄、深、闭环，就三个字。
窄，是挑大厂看不上、同行懒得做的场景。窄一点好，窄了才轮得到你做透。
深，是把反馈收进自己手里。谁能拿到完整的“行动—结果—反馈”，路径就长在谁身上。
闭环，是敢把结果责任交出去。反馈回不来，前面两件事都白做。
有一位做工业设备维保的客户，是我特别想讲的例子。
第一次去他们那儿，接待我的是售后主管。我问他这套东西是怎么来的，他没直接答，先把我拉到工位上，翻开电脑里的一个台账。每一行是一次报修：客户怎么描述的、拍了什么照片、当时判断是什么毛病、最后换了哪个件、有没有返修。
这本台账，他们记了六年。前面几年纯粹是老师傅的习惯，因为客户总说不清毛病出在哪，只能靠记录慢慢猜。
后来他们只做了一件事：把这本台账喂给模型，做成远程故障诊断。客户一发来照片和描述，系统先给一个判断，工程师再到现场验证。
第一年没什么动静。第二年，工程师开始发现，系统给的方向比自己快。第三年，他们的远程判断准确率，超过了设备原厂。
原厂为什么不做？这块业务太薄，看不上。同行为什么不做？要攒够六年的维修记录，太慢。
他们赢在一个很小的口子上——小到不值得别人弯腰去捡。
曾鸣在书里点破过这件事：很多公司“使用的是 AI 工具，不是构建 AI 系统”。
工具随时可以换。系统换不掉。
一个转向也正在发生：过去我们看一家企业，习惯从市场出发，看规模、看份额、看对手；现在得同时往智能系统内部看一眼，看学习机制、看反馈结构、看能力往哪儿长。
同一个市场里，一口深井，胜过十个浅坑。
六、两个可以马上量化的指标
判断一家公司的 AI 走到哪一步，不用看它买了多少工具。有两个数，比任何工具清单都实在：
第一个数说的是你有没有系统，第二个数说的是你的组织跟没跟上。
这两个数，我在客户那儿问过很多次。第二个数通常比第一个数难看。技术从来不是门槛，门槛是没有人愿意先把自己那个岗位交出去。
七、自检：你们行业里，黑洞会是谁
最后留六个问题。对着你们最想做的那件事，一个一个答：
第 4 题是关键。答“不能复现”的，里面藏着你的黑洞雏形。
我们自己也还在那六个问题上打勾。有一年多时间，我们的答案一直卡在四题：方向是对的，就是不够深。写这篇文章的时候，我们也没把自己摘出去。
这份自检表适合发给正在做 AI 规划的同事。不用全看懂，先对齐一件事：我们正在做的这件事，是在跟行业一起变强，还是在给自己攒护城河。
· · ·
这个系列在讲什么
“智能”系列第 4 篇。我们沿着曾鸣《智能》这本书的框架，把 AI 时代的商业逻辑拆开讲。
第 1 篇你的企业不是在落地AI，是在给AI打下手——60 分奇点
第 2 篇你买了AI的“电”，不等于完成了“电气化”——AI 产业化三阶段
第 3 篇越用越强：AI时代出现了第三种增长引擎——智能复利
第 4 篇（本篇）你以为在跟同行竞争，其实是在跟整个生态的流向竞争——黑洞效应
后面还有 8 篇，讲一人千面、智能调度、共生智能体、组织 OS 和战略生成。不想错过的，点个关注。
自检做完想聊聊的，评论区见。说说你们行业里，那个黑洞会是谁。