智能复利:AI时代项目经理的真正战场不在效率里

工业时代比规模，互联网时代比网络效应，AI时代比什么？

曾鸣在《智能》里给出的答案是"智能复利"——增长不再只是让企业变大，而是让系统本身变聪明。当能力差距积累到一定程度，还会触发"黑洞效应"，后来者越来越难追。

这篇文章想聊的是：对项目经理来说，这个变化到底意味着什么？

我会从三个层面展开：

• 项目选择层：别总想着把问题简化，越复杂的问题，智能复利的壁垒越高
• 项目执行层：从"交付功能"转向"交付能力"，AI项目经理的核心工作是设计飞轮
• 个人能力层：你的护城河不在AI里，在定义问题、判断价值、设定边界这三件事上

全文约6000字，如果你正在做AI相关的项目，或者在想"AI时代项目经理还有什么价值"，这篇应该能给你一些启发。

一、一个被低估的变化

人人都在说"AI提效"。

写代码更快了，客服自动回复了，PPT一键生成了……听起来都是好事。但如果你只看到"效率提升"这一层，可能会错过AI时代真正重要的变化。

曾鸣在《智能》这本书里提出了一个非常硬核的判断——AI时代，价值创造的源泉和竞争优势的基础，变了。

工业时代，核心规律是规模经济：规模越大，单位成本越低，竞争力越强。互联网时代，核心规律是网络效应：用户越多，网络越有价值，越能吸引更多用户。AI时代，核心规律叫智能复利。

这不是换个名词的文字游戏。这是增长逻辑的底层切换——增长不再只是让企业变大，而是让系统本身变聪明。

对项目经理来说，这个变化尤其关键。你手上的项目，很可能正在用旧时代的方法论，做新时代的事。

二、三代增长飞轮：项目经理的三种打法

先把三代增长逻辑放在一起看，区别一目了然：

前两个时代有一个共同点——系统一旦建好，最重要的任务是提高运行效率。工厂是这样，互联网平台也是这样。项目经理的核心能力，是把既定的东西管好。

但AI时代不一样了。

系统不再只是执行既定规则，而是在运行过程中持续生成新的能力。这意味着什么？意味着项目的"交付物"变了。

以前你交付的是一套功能、一个平台、一套流程。交付完了，项目就成功了。现在你交付的是一个会成长的系统。上线那天，不是终点，而是起点。

如果一个AI系统上线时什么样，一年后还是什么样——那这个项目，本质上还是在用工业时代的思路做AI项目。

三、智能复利不是护城河，黑洞效应才是

这里有一个很重要的概念边界，必须先讲清楚。

你可能会说："越用越强"这不新鲜啊——淘宝的推荐系统不就是越用越准吗？抖音的算法不就是数据越多越精准吗？这跟以前说的"数据飞轮"有什么区别？

区别在于：数据飞轮是"用数据优化一个固定任务"，智能复利是"系统本身在长出新能力"。

推荐系统再怎么优化，干的还是推荐这件事。它不会因为推荐得越来越准，就突然学会帮你做商品定价、帮你做库存管理、帮你做客服对话。它的能力边界是一开始就定死的。

但智能复利不一样。当系统在复杂场景中积累了足够多的连续反馈，它的能力边界是会扩张的——今天只能做简单派单，明天就能处理异常订单，后天就能预测商家出餐时间，大后天甚至能帮商家做菜品推荐。系统不是在"把一件事做得越来越好"，而是在"能做的事越来越多"。

前者是量变，后者是质变。这才是智能复利真正厉害的地方。

很多人以为"越用越强"就是壁垒。不对。

在标准化、可复制的简单任务上，各家AI系统往往是"同时进化"的。你家AI客服能回答常见问题，我家的也能。大家都在迭代，用户很难感受到明显差异。竞争到最后，还是回到价格、渠道、补贴这些传统维度。

智能复利只是基础，真正的分化发生在复杂任务上。

复杂任务的反馈，不是一次简单的对错判断。它是一连串连续、完整、带有因果关系的经验。这些经验买不来、抄不到、也没法一蹴而就。

当能力差距积累到一定程度，就会触发黑洞效应——一个自我强化的正循环：

更强能力→ 承接更多高价值任务 → 获得更高质量反馈 →能力进一步增强

因为更强，所以市场越来越愿意把最有价值的任务交给它；而这些高价值任务又让它进一步变强。差距一旦形成，后来者越来越难追。

对项目经理来说，这个逻辑的启示是——

你做的项目，是在简单任务上跟人卷效率，还是在复杂任务上建飞轮？

这决定了你的项目，是AI时代的"流水线工人"，还是"黑洞制造者"。

四、为什么大多数AI项目的飞轮转不起来？

一个扎心的问题：既然智能复利这么厉害，为什么绝大多数AI项目上线后就没然后了？

曾鸣的答案很直接：AI始终没有真正对任务结果负责。

举个例子。很多公司做AI客服，目标是"自动回复率达到80%"。但自动回复了不代表问题解决了。客户满不满意？有没有转化？有没有复购？AI不负责。

没有责任，就没有真实反馈。没有反馈，就没有学习。飞轮自然转不起来。

飞轮启动的临界点，曾鸣叫"60分奇点"——系统必须先跨过一个基础能力门槛，能独立对结果负责，智能复利的循环才能开始转。

这对项目经理的冲击是巨大的。因为它直接挑战了我们做项目的默认方式：

• 传统项目：需求明确→设计→开发→测试→上线→验收。项目结束。
• AI项目：上线只是开始。你得设计反馈机制、迭代机制、能力评估机制。项目没有"结束"那一天。

更反常识的是刘雪峰在解读里补充的一点：过去互联网创业讲"精益创业、小步快跑、快速迭代"，但在智能复利的逻辑下，太简单的MVP反而很难启动飞轮。

为什么？因为任务太简单，反馈质量太低，系统学不到真东西。你跑了一年，收集了一堆"对/错"的二元反馈，模型能力还是在原地踏步。

当然不是说简单任务不能做——做效率工具也有它的价值，能帮企业省钱、帮人省时间。但如果你指望靠它建立长期壁垒，那可能打错了算盘。简单任务的智能复利，是所有人都在同时增长的"水涨船高"，不是你独有的护城河。

这就引出了项目经理在AI时代第一个要转变的思维——从项目选择开始，就要有飞轮意识。

五、启示一：选问题，要选复杂的，别选简单的

项目经理的本能是什么？拆解问题、简化问题、把复杂问题拆成一个个可执行的小任务。

这个本能在工业时代是对的。在AI时代，可能恰恰是错的。

因为越简单的问题，智能复利的壁垒越低；越复杂的问题，飞轮转起来之后越难被追上。

举个例子。你做一个项目，是帮销售团队做"AI自动写邮件"。这个问题很简单，输入客户信息，输出一封邮件。上线快，效果也好衡量。但问题是——所有人都能做。你的竞争对手花两周就能做出一个差不多的东西，大家又回到同一起跑线。

但如果你做的是"AI销售助理"——不只是写邮件，而是从线索挖掘、客户画像、沟通策略、跟进节奏到成交复盘，全流程参与。它要对最终的转化率负责。这个问题复杂得多，上线慢，评估难，但一旦跑通，它积累的是一整套销售场景的反馈数据。这些数据，别人很难直接复制。

国内有个很典型的例子——美团的智能调度系统。

最早的时候，它就是个简单的派单工具：谁离得近派给谁。但随着订单量越来越大、场景越来越复杂，它开始考虑天气、路况、骑手状态、商家出餐速度、甚至用户的历史偏好。每多一个维度，调度就更准一点；调度越准，骑手体验越好，商家越依赖，订单就越多；订单越多，数据就越丰富，模型就越强。

这里要区分清楚：美团的增长当然有网络效应（用户多→商家多→骑手多→用户更多），但网络效应只能解释"为什么越来越大"，解释不了"为什么越来越聪明"。

同样是外卖平台，为什么有的调度体验明显不如美团？这里面当然有骑手密度、商家覆盖、补贴策略等多重因素，但有一个因素经常被忽略——调度系统处理复杂场景的能力不在一个层级上。遇到暴雨天、商圈爆单、商家出餐慢这些边缘场景，系统的应对能力差距，比常规场景下的差距大得多。

前者是网络效应，后者才是智能复利。两者经常同时出现，但不是一回事。网络效应让你变大，智能复利让你变强。

当然，美团的壁垒是多方面的，智能复利只是其中之一。但它是最容易被忽略的那个——因为它看不见、摸不着，不像骑手数量和市场份额那样可以直接量化。但恰恰是这种"处理复杂场景的经验"，最难被后来者复制。你可以花钱招骑手、补贴用户、挖算法工程师，但你没法直接买来十几年跑下来、在各种极端场景里摔打出来的系统能力。

简单任务，大家同时进化；复杂任务，才会拉开差距。

当然，复杂任务不是没有代价的。问题越复杂，60分奇点就越高，你需要投入的资源越多、等待的时间越长，还可能永远跨不过去，死在黎明前。自动驾驶就是最典型的例子——足够复杂、壁垒足够高，但行业烧了十几年、上千亿美金，至今还没几家真正跨过商业化的临界点。

所以这不是一道"选简单还是选复杂"的是非题，而是一道平衡题：你需要在"能活下去"和"能建壁垒"之间找一个平衡点——从一个相对简单的切入点起步，保证项目能活下来，然后逐步往复杂任务延伸，让飞轮一点点转起来。

怎么找这个平衡点？没有标准答案，但有一个判断标准可以参考：你的项目，有没有一条从"做工具"到"对结果负责"的路径？如果有，哪怕现在只是个简单工具，它也有长出飞轮的可能。如果没有，那它可能永远只是个效率工具。

所以，下次做项目规划的时候，别总想着"怎么把问题简化"。反过来想想——这个问题够不够复杂？有没有机会让系统对最终结果负责？如果答案是否定的，那这个项目的长期价值可能很有限。

六、启示二：从"交付功能"转向"交付能力"

选对了问题，接下来是怎么干。

传统软件项目，交付的是一套功能。功能上线了，验收通过了，项目就成功了。

AI项目不是这样。AI项目交付的是一种会成长的能力。

这意味着项目的成功标准要彻底改写：

• 不是"功能全不全"，而是"系统有没有学习机制"
• 不是"上线时的准确率"，而是"上线六个月后的能力提升曲线"
• 不是"用户满意度评分"，而是"用户愿不愿意把更难的任务交给它"

Palantir的模式很值得参考。他们有一种角色叫"前沿部署工程师"（FDE），工程师直接蹲在客户现场，边看真实业务边改代码、调模型、抽象组件。每嵌入一家客户，平台就更强一点。

在投资人眼里，FDE团队不是成本中心，是护城河本身。

对项目经理来说，这意味着你要重新设计项目的"后半段"：   

1. 反馈闭环设计：系统上线后，谁来给反馈？反馈什么？反馈怎么回流到模型？——这些不是运维的事，是项目设计阶段就要考虑的核心架构。  
2. 能力评估体系：怎么判断系统"变强了"？不能只看准确率，要看它能处理的任务复杂度、场景覆盖度、边界情况处理能力。  
3. 迭代节奏设计：不是"一个版本一个版本地发"，而是"持续学习、持续进化"。项目管理的粒度，从"版本"变成了"反馈循环"。

一句话：AI项目经理的核心工作，不是管交付，是设计飞轮。

当然，不是每个项目都能从一开始就奔着飞轮去。很多时候你手上的就是一个领导拍板的"AI提效项目"，就是个简单工具。这种情况下也别急，可以从几件小事开始埋种子：把考核指标从"自动回复率"换成"问题一次解决率"、让系统也"看看"人工怎么处理疑难问题、从某个中间环节开始让系统对结果负责。

飞轮不是一天转起来的。但你得先把齿轮装上。

七、启示三：你的护城河，是AI做不了的那三件事

聊到这里，最扎心的问题来了——既然AI系统会越用越强，那项目经理自己呢？你设计的飞轮转起来了，你的位置在哪？

很多人焦虑——AI会不会把项目经理也替代了？进度表AI能生成，风险AI能识别，甚至连汇报PPT AI都能写。那项目经理还有什么价值？

答案不在AI能做什么里，而在AI做不了什么里。

智能复利的飞轮再厉害，它也需要人来启动、来校准、来踩刹车。这些事，AI做不了。具体来说，有三件事：

第一件：定义问题。

AI可以优化效率，但它不知道该优化什么效率。AI可以生成方案，但它不知道这个方案对业务到底有没有价值。AI可以越用越强，但它不知道自己变强的方向对不对。

"我们做这个AI项目到底是为了什么？"——这个问题，必须由人来回答。

第二件：判断价值。

AI能算准确率、召回率、响应时间，但它算不出"这个结果对用户来说到底重不重要"。一个95%准确率的客服系统，和一个85%准确率但能解决真正疑难问题的客服系统，哪个更有价值？AI给不了答案。

价值判断，是人的事。

第三件：设定边界。

系统越智能，能力边界就越重要。什么任务可以放手让AI做，什么必须人来兜底？出了问题谁负责？权限怎么分级？这些边界不是技术问题，是组织问题、责任问题、甚至是伦理问题。

AI跑得越快，越需要有人握住缰绳。

这三件事——定义问题、判断价值、设定边界——就是项目经理在AI时代的真正护城河。

说个具体的场景。以后项目评审会，你不用再抢着说"这个我来排进度"——AI比你排得好，还能同时排三个版本给你选。你也不用抢着说"风险我来识别"——AI扫一遍所有历史项目，风险比你列得还全。

你要抢的，是那句："等等，我们做这个到底是为了什么？"

这句话，AI说不出来。但它决定了整个项目的方向。

当然，这些能力不是项目经理独有的。产品经理需要定义问题，业务负责人需要判断价值，任何跟AI协作的人，都需要学会设定边界。这是AI时代所有人都需要升级的通用能力。

但对项目经理来说，这件事最紧迫。

因为你原来最熟练的那些技能——排进度、控风险、写汇报、协调资源——恰恰是AI最容易替代的部分。别人升级这些能力是"加分"，你升级这些能力是"保命"。其他人是在原来的基础上长出新能力，而你可能需要重新定义自己的核心价值。

系统越智能，做这三件事的人就越重要。因为AI能处理的事情越多，剩下的那些AI处理不了的事，就越关键、越稀缺、越值钱。

AI模型是平权的，谁都能用。但"人+AI"怎么协作、边界在哪、方向对不对，这个设计是你的。

这才是你真正的、别人抢不走的护城河。

八、回到最初的问题

工业时代比规模，互联网时代比网络效应，AI时代比什么？

比的不是谁的模型更大，不是谁的算力更强。

比的是——谁的系统能在真实任务中持续学习，谁先跨过60分奇点，谁先形成黑洞效应的正循环。

而对项目经理来说，比的是——你是在做一个"上线即巅峰"的AI工具，还是在设计一个"越用越强"的增长飞轮。

增长不再只是让企业变大，而是让系统本身变聪明。

这是AI时代最底层的商业逻辑切换，也是每个项目经理都该想清楚的一道题。

参考来源：

• 曾鸣《智能：AI时代的商业、组织与战略的本质》
• 刘雪峰解读《智能》（得到·每天听本书）
• 快刀广播站《二刷曾鸣教授新书〈智能〉，分享我的四条笔记》