AI未来已来读后感

今天开始读李开复的新书《AI 未来已来》。这本书的定位就很实在，不讲 AI 有多神奇、未来有多科幻，直接讲怎么落地、怎么用，这才是现在大家真正需要的。现在很多人对 AI 的态度还停留在 “这是个新鲜玩意、以后再说”，其实 AI 已经像当年的电、互联网一样，是你不用就会被淘汰的基础设施了。别觉得 AI 离自己远，等你反应过来的时候，会用 AI 的人早就把效率甩你几条街了，这波跟当年互联网普及是一个道理，早用早受益，晚用就被动。

对于企业而言，这本书点破了绝大多数公司 AI 转型失败的真相：很多企业踩了共性大坑 —— 把 AI 转型交给技术部门、只做零散小试点、盲目采购各种 AI 工具，看似热闹，实则完全没有落地效果。书里明确指出，企业 AI 转型，CEO 必须是第一责任人。真正有效的转型，不是跟风玩工具，而是梳理企业业务数据、搭建专属 AI 智能体体系，用 AI 实现实打实的降本增效，最终落地到财报数据的优化上。同时，AI 也在彻底颠覆传统团队模式：过去复杂的层级、信息壁垒，会被 AI 彻底打破；重复性的数据整理、信息统计、基础执行工作，都会被 AI 智能体替代。未来的团队不再靠人多，而是靠 “人 + AI” 的高效协作，一人掌控多个 AI 虚拟员工的 “一人公司” 模式，会成为全新的行业常态。

很多人怕 AI 抢饭碗，其实怕错了对象：AI 不会抢你饭碗，会用 AI 的人才会抢你饭碗。真正会被淘汰的，是那些只会机械重复、不动脑子的人，不管有没有 AI，这种人本来就容易被替代。AI 再厉害，也替代不了人的判断力、共情能力、创造力，这些才是人的核心价值。以后别再跟 AI 比谁干活快、谁记得多，你肯定比不过，你要做的是学会指挥 AI 干活，把自己的时间花在思考、决策、创造这些 AI 干不了的事上。会用 AI 的人，效率是普通人的十倍甚至百倍，这才是真正的差距。

作者上来先讲了一段经济历史：根据测算，公元元年，全球人均年收入相当于今天的 800 美元，直到 1800 年前后才升至 1140 美元。换句话说，人类花了近 2000 年时间，才使得人均年收入提高了大约 4 成，一个人的一生只有区区几十年，其实也不会感受到任何生活水平的改善，甚至几代人的生活场景也不会有什么变化，所以才有了中国那句老话 “不听老人言，吃亏在眼前”—— 在一成不变的社会，老一辈的经验是绝对有效的。后来马尔萨斯总结出一个规律，就是人口增长速度总会追上食物增长速度，人类注定永远生活在温饱线上挣扎，这就是著名的马尔萨斯陷阱。但是这条规律提出之后，一切就都变了，人类世界突然加速繁荣，而且呈现出指数级扩张的趋势。什么叫指数级扩张？就是把人类 30 万年历史压缩成一天的话，那么这一切的变革爆发都发生在最后一分钟。

之前三次工业革命，每一次都把人类社会彻底改写了一遍：蒸汽机让我们不用靠人力畜力，电力让动力进到每个家庭，互联网让信息瞬间传遍全球。而 AI 比这三次加起来还厉害，因为它直接替代的是人的智力，是认知能力，这是以前从来没有过的。以前的机器都是替代人的体力，AI 是替代人的脑力，这完全是另一个维度的革命。说人类正处在 “起飞前夜” 一点都不夸张，等 AI 真正普及开，整个社会的生产方式、组织方式、生活方式都会被彻底改写，我们现在看到的还只是个开头，后面的变化会超出所有人的想象。能活在这个时代，既是幸运，也是挑战，因为变化太快了，稍不注意就跟不上了。

AI 首先冲击的就是认知工作，它让智力不再稀缺。以前的工业革命都是先替代简单劳动，再替代复杂操作，最后才是认知类工作，但是 AI 革命的冲击是相反的，它先冲击的就是智力，让认知类工作最先贬值。这背后是一个认知科学的观点，叫做莫拉维克悖论：对于机器来说，真正困难的不是掌握数理逻辑，而是走路，不是认知推理，而是把玩一个鸡蛋。像走路、维持平衡、在复杂物理环境当中运动或者使用工具，是人类经过了几百万年的演化打磨出来的能力，机器目前在这些方面仍然显得非常笨重。莫拉维克教授提出了一个观点：终有一天机器的智力将全面超过人类，但这并不是一场灾难，而是人类这个物种下一步进化的契机。作者当时就举手提问，如果机器的智力超过人类，那人类的存在的意义到底是什么？教授就反问，你为什么默认为人类存在的意义，必须要建立在最聪明这件事情上。当前这件事其实正在发生，2026 年的 4 月份，谷歌 CEO 就说，现在谷歌 75% 的代码都是由 AI 生成，而且在法律、工程、金融分析、战略咨询以及高管的每天开会所做的事情当中，几乎都被 AI 所冲击。

AI 带来的第二层碾压，就是它的扩散没有摩擦。1998 年比尔盖茨曾问过作者说，语音识别技术普及需要多长时间，他的回答是 5 年，但结果 5 年之后并没实现。随后比尔盖茨说出了那句著名的话：技术的力量往往在短期内被高估，但长期又被低估。这里面有一个重要的前提就是技术的扩散需要相当长的时间，而这个时间给了所有人追赶和调整的机会。在过去的 200 年时间里，它一直有效，但现在它已经失效了。比如电力从诞生到进入 70% 的美国家庭，大概花了 40 年时间，这中间需要在无数的城市铺设电网，修建发电厂，架设变压器，而且整个家用电器产业也是从无到有的建立；电话的渗透率达到同样水平，也花了 80 年的时间，这中间拉线、交换机的建设都需要时间；然而到互联网时代，从诞生到普及只用了 10 多年的时间，要比前面的技术变革时间缩短了很多。然而 AI 的技术扩散可能会瞬间打破这个假设，因为它是纯数字的，运转在第三次工业革命已经建好的基础设施上，也就是说宽带、手机、云都已经万事俱备。所以我们才看到 2022 年 11 月底 ChatGPT 上线，仅仅两个月时间用户就破了 1 亿。另外一家人工智能巨头 Anthropic CEO 达里奥阿莫迪也说，他们原本的计划是每年业务增长 10 倍，但现在远超这个预期，如今他们在一级市场上的估值已经超越了 OpenAI，很多人也都说 Claude 比 GPT 现在更好用。

第三个碾压就是 AI 的边际成本正奔向于 0。在过去，智力是商业当中最贵的一个因素，比如你雇律师、分析师、工程师都要花很多钱，但现在 AI 的出现，让人类的智力变得不再稀缺，甚至快速拉平，单位智能的价格出现了坍塌。很多人现在都在嘲笑豆包，说豆包给的答案经常会出错，但客观来说，豆包在你的所有认识的朋友和亲戚以及同事当中，无论任何领域，都绝对能排到最靠谱的 10% 当中。过去智力是稀缺资源，每一次分析、每一次总结都需要耗费极其高昂的人力成本，而现在认知任务的边际成本正在逼近于软件的调用成本。这就意味着 AI 即将重构的不只是企业的软件预算，更是长期由人力成本、知识劳动和专业服务支出构成的巨大价值池，也就是说你企业原来赖以生存的知识壁垒，现在已经不存在了。那么原本主要发生在软件行业的效率革命正在外溢到几乎所有以人的智力和时间为主要投入的行业，战场就扩大了不止一个数量级，它已经从软件行业延伸到了整个知识劳动和服务经济的领域，这也解释了上面那个主题，为什么 AI 的扩散速度远超过去的技术革命的扩张速度，因为它降价和成本坍塌的速度太快，就比如说现在个人制作者也可以手搓出一部院线电影。

这一点是最致命的：以前最值钱的就是人的智力、人的专业知识，律师、医生、分析师、工程师，靠的就是知识壁垒，别人不懂你懂，所以你能收高价。现在 AI 把这个壁垒直接打碎了，以前要花几万块请律师写的合同，AI 几块钱就能写；以前要请分析师做几天的报告，AI 几秒钟就出来了，而且质量还不差。就像豆包，大家都觉得它有时候犯傻，但平心而论，它在任何领域都比你身边 90% 的人靠谱，这就很可怕了。当智力的成本趋近于零，整个靠知识收费的行业都会被重构，原来靠信息差、靠知识壁垒赚钱的生意，很快就做不下去了。而且这个影响不只是软件行业，是所有靠脑子吃饭的行业，律师、咨询、金融、设计、教育，全都会被冲击。以后个人的能量会被极大放大，一个人加几个 AI 工具，就能干以前一个团队的活，比如现在个人都能做出院线级别的电影，这在以前是不可想象的。对普通人来说，这是最好的时代，因为工具太强大了；也是最坏的时代，因为原来的专业壁垒没了，你得重新找自己的价值。

9.23

AI 的第四大碾压级表现，也是最恐怖的一个：AI 正在加速开发自己。之前所有技术革命都靠人类的智能不断升级，AI 革命完全不同，它自己就能加速开发、不断升级，这是对增长框架本身的突破。当 AI 开始自动写代码，它就不只是让程序员效率更高了，而是直接研发出下一代模型，现在已经变成了 “AI 训练 AI”，用当前模型开发下一代模型。OpenAI 和 Anthropic 的部分工程师甚至已经不再亲手写代码，转而去依赖更高效的编程模型。有人提出核心观点：AI 不会停留在人类的认知水平上，一旦 AGI 也就是通用人工智能出现，就可以将 AI 研究本身自动化，而且这个时间点不会很长，大概在 2027 年就会出现。现在 Anthropic 每次发布新模型，都会让 Claude 优化一段模拟训练代码的运行速度，2025 年 5 月最强的 Claude 模型能实现大概 3 倍提速，到了 2026 年 4 月，这个数据已经变成了 52 倍。所以 AI 加速 AI 并不是科幻，而是已经落地的现实。

AI 的第一条铁律就是 “别教它，让它自己学”。以前搞人工智能，都是人把规则一条条写进去，就像教小孩一样，结果教出来的东西很死板，上限就是人的认知；现在的机器学习，直接把数据扔给它，让它自己找规律，结果它能发现人根本发现不了的东西，AlphaZero 自己跟自己下了 4 小时棋，就把人类研究了几百年的象棋全超越了，这就是差距。人脑的问题是总喜欢总结规律、走捷径，不会去翻全量数据，所以总有偏差；机器不会，它每次都把所有数据过一遍，反而能找到最本质的规律。所以以后别总想着 “我来教 AI 怎么做”，你要做的是给它足够多的数据，让它自己学，它学出来的东西，往往比你教的强得多。

图灵奖得主萨顿就说过，凡是试图把人类知识手工塞进机器的方法，短期内都会领先，但长期都会停滞，真正笑到最后的永远都是那些让算力和数据自己去发现规律的通用方法。AI 的第二条铁律就是数据决定上限。AI 模型训练圈有一句话叫做 “再多的数据都不嫌多”，这其实就说明数据的规模与质量，决定了一个模型能达到的天花板，算法虽然很聪明，但是他学不到数据里面根本不存在的东西。比如说现在有个笑话，说还有什么是你知道而大模型不知道的，答案就是关于你的那些身高体重、血压血脂，他肯定是不知道；但是当你把自己所有的体检数据分享给大模型的时候，他会比你更了解你自己的健康状况。所以这也就证明他不是不知道，而是没有数据，当有了充足的数据之后，他就会变得无所不知了。

所以作者提出了一句话叫做 “算力是引擎，数据是燃料，二者缺一不可”。大家可以想想，算力这个东西现在显然是美国占优势，英伟达的算力芯片比我们要领先三年左右；但是如果说到数据，我们会有更多的用户，提供更多的应用场景，所以显然中国在数据上具有强大的后发优势。中国 AI 在本土市场有 5 亿月活左右，而美国本土只有 2.5 到 3 亿用户，差了一半。现在美国也找到了新的方法，就是向全球用户开放，这样它的月活就能拉到 10 亿，这也是它大模型现在依旧保持持续领先的最主要原因。而我们也有应对办法，虽然我们大模型还稍微落后，但是我们便宜，而且开源，所以现在越来越多的应用者开始分层管理他的 AI 应用，也就是复杂问题才会调用美国的大模型，简单问题都交给我们处理了，这也是我们争夺全球用户的一个主要手段。但估计很快美国就会要求强制二选一，也就是说你要用美国模型，就不能再用中国模型，这是美国一贯的套路和限制中国发展的方法。

现在大模型的发展已经非常快了，即使没有很多的算法和模型架构上的重大突破，只要持续的投入更多算力、更多数据，并扩大模型参数，更强的能力就会稳定的涌现出来。所以这也就告诉我们，AI 的进步是不可阻挡的，而且可能会越来越快，而且对于我们的投资也有很强的指导意义，不要轻易给这波科技行情设限，他的景气可能会超乎你的想象。前沿模型的演进大致会遵循三段式的路径：首先就是以海量数据训练，吸纳全世界的知识；再通过强化学习锤炼逻辑推理能力；进而持续提升其在真实场景当中的规划、执行和自我矫正的能力。通过这三段叠加，通用智能正在变得无比强大。而且它正在向着多模态演变，也就是说不光能输出文字，还能够看得懂视频，听得懂语音。之前很长一段时间，音视频都是一个巨大的黑箱，明明有很高的价值，但却没办法使用，但现在 AI 已经把这扇大门推开了，现在一个模型已经能够同时理解文字、图像、音频、视频和代码。

多模态最厉害的地方不是 “能看能听”，是它把所有信息都打通了，能统一推理，以前需要好几个人、好几个系统配合干的活，现在它一个人就能闭环干完，这对企业流程的改造是颠覆性的。而且以前企业里 80% 的数据都是沉睡的，各种文档、录音、视频，根本没法分析，现在多模态 AI 能读懂了，这些沉睡的数据一下子就变成了金矿。以后模型会越来越便宜、越来越同质化，大家都能用一样的基础模型，真正拉开差距的是你自己的独家数据 —— 你十年积累的客户记录、业务流程、行业经验，这些是别人抄不走的，你用这些数据喂出来的 AI，就是只属于你的竞争力。所以企业搞 AI，别光盯着买什么模型，先把自己的数据整理好、用起来，这才是正事。

作者把手写代码阶段定义为软件 1.0 阶段，而神经网络模型定义为软件 2.0 阶段，那么软件 3.0 阶段，就是用自然语言来描述意图，由 AI 来生成代码。目前这个事儿其实已经落地了，现在程序员基本不怎么用写代码的，他只要去做验证和测试就可以了。而这个方法其实加速了 AI 的学习，AI 编程已经成为了模型公司竞争最为核心最激烈的战场。

9.24

程序员要失业了吗？现在人已经不用亲自写代码了，主要工作变成了给 AI 反馈，哪里有精确的验证和反馈信号，AI 的能力就在哪里爆发，现在甚至开始让机器自己给自己反馈，自己完成整个循环。很多人觉得程序员要失业，但这只看到了表面，忽略了两个更大的机会。第一个是需求释放：过去编程成本太贵，只有大厂养得起长期开发团队，很多小厂、小部门、小业务线因为规模小、回报低，软件需求就被搁置了。其实人类对软件的需求是没有边界的，AI 把编程的成本门槛打没了，每家企业、每个部门、每个业务场景都能有自己的定制工具，AI 编程打开的不是存量市场，是一个巨大的增量空间。第二个机会是执行能力变强：过去一个想法从提出到上线，要经过需求文档、排期、开发、测试、部署一长串流程，少则几周多则几个月，现在中间环节全被压缩了，业务判断能在极短时间直接变成行动，更多公司愿意低成本快速试错。

当 AI 会思考也会做事之后，它就不再只是个工具，而是一个 “智能体” 了。早在 1987 年，大家就在畅想智能体助理能帮我们订机票、订行程、处理工作、做表格，当年苹果还拍了个叫《知识导航者》的宣传片，深入人心，如今这一切真的照进现实了。作者把 AI 和人的协作方式分成四级：第一级是聊天机器人；第二级是工具型 AI，你让它干一件明确的小事，比如翻译文件、总结财报、把录音转文字，它能高质量完成；第三级是副驾驶型 AI，在你旁边搭把手，但方向盘始终在你手里，每个节点都由你来确认；第四级就是智能体，也就是 Agent，这一级发生了权力的真正交接 —— 你只需要提一个宏观目标，它能自己拆分成若干步骤，从头到尾给你完成，你在旁边不用干预，就像端到端的自动驾驶，你只要说个目的地就行。但作者也点破：今天大多数企业买的 AI 工具，其实还停留在第二级和第三级之间，只是被包装成了第四级的样子来卖。

作者拆解智能体给出了一个公式：智能体 = 模型 + 工具 + 记忆 + 知识，四个部分缺一不可。模型是整个系统的认知引擎；工具是智能体跟外部世界交互的桥梁；记忆是智能体理解具体语境的前提，比如在企业场景里，它得知道某个客户三天前投诉过、上次会议决定了什么，没有这些记忆，每次对话都是一张白纸，根本融入不了业务；知识就是给智能体答疑解惑，比如你得给它灌输企业的客服体系、定价规则，它理解了才能干活。很多企业光盯着买最强的模型，其他三个方面没跟上，结果智能体就会一本正经地胡说八道。而且智能体也要术业有专攻，专业的事交给专业的智能体，别指望一个智能体解决所有问题，这跟人类劳动一样，越聚焦越专业。特别是决策复杂、风险大的时候，单一视角很危险，作者甚至建议让不同的智能体站在不同部门的利益角度相互争论，从而得到最优解。智能体还有一个比人类强的地方：它更敢说真话。人类社会碍于情面和利益，大家都倾向互相吹捧、避免正面否定，真正的问题往往被礼貌的措辞弱化了；而智能体没有情面要维护，也没有私利要算，完全可以站在客观角度直接指出问题，这种 “制度性诚实” 是人类很难稳定做到的。

这个按年份看技术边界的视角特别清晰：2024 年 AI 还只能干单任务，大家觉得没啥；2025 年就能跑完整工作流了，一个岗位的活它能从头干到尾；2026 年直接开始替代整个职能部门了，这速度是一年一个台阶，快得吓人。以前说 AI 替代工作，大家觉得是慢慢替代，现在看是按 “工作流”、按 “部门” 成建制地替代，不是一个人一个人替代，是整个部门的活全交给 AI 干。尤其是人力资源、客服、基础法务、基础财务这些流程化、标准化的部门，首当其冲，因为这些部门的活最容易被拆成工作流，AI 跑起来最顺。在这些部门工作的人，真得有危机感了，不是说马上就失业，但三五年内，这些部门的人数肯定会大幅缩减，留下来的人也得转型成 “管 AI 的人”，而不是 “干活的人”。

作者认为，智能体真正的战场在企业端，而不在消费者端。消费者每月付几十美元订阅 ChatGPT、Claude，其实很难覆盖大模型的开发成本，这也是市场普遍质疑大模型没有变现渠道的重要原因，怎么算这笔账都不划算。但企业端的逻辑完全不一样，有两把尺子衡量价值：第一把是替代真人岗位的成本，一个能端到端处理客户投诉的智能体，或者能完成基础法律合同审查的智能体，它的参照物不是几十块钱的软件订阅费，而是背后真人的岗位成本。比如一个投诉中心几百人，每人月薪 3000，一个月就是 30 多万，一年几百万，再加上社保、办公空间、培训、管理摩擦，弄不好上千万，如果有个智能体能做同样的工作，老板就愿意支付大几百万甚至上千万的成本。第二把尺子是创造利润的增量，红杉资本的研究指出，企业 AI 的付费方式正在从买 API 调用、买 Token、买 SaaS 席位，向 “为工作成果付费” 演进。原来一套财务软件是帮你做好报表，现在你要买的是解决方案 —— 它给你做好了、申报成功了，不需要你再动手；原来招一堆程序员或找外包写软件，现在通过 AI 直接买一个成品。软件行业过去几十年建立的逻辑正在被智能体彻底颠覆，大家不再为工具付费，而变成了为结果付费。

这就带来了组织形式的全面变革：一人公司会大量涌现。山姆・奥特曼曾经预测，未来会出现一个价值 10 亿美元的一人公司，也就是说一个个体户就等于一个独角兽。这主要得益于 AI 时代产生了各种各样的智能体，不需要先招一屋子工程师，不需要组建法务团队、财务团队，也不需要再有销售和运营，这些基础工作，不同的 AI 智能体就全都给你干了。所以你以后会领导千千万万个智能体在工作，有的智能体是你直接领导，有的智能体还会管理下面的智能体。这听起来比较可怕，那人类的就业空间到底在哪呢？智能体现在都已经强大到这种程度，再过几年，恐怕企业高层都难以幸免。未来的职场，不是人跟人竞争，是 “人 + AI” 跟 “人 + AI” 竞争，你带的 AI 团队越强，你就越厉害，这个时代已经来了。

9.25

智能会变得越来越便宜，直到可以忽略不计。作者统计，在相同智能水平之下，AI 推理成本两年内大约下降了 99.4%，也就是说两年时间 AI 几乎就不要钱了 ——2022 年 11 月每百万 Token 大概是 20 美元，2024 年 10 月已经下降到了 7 美分。现在出现了一个很奇怪的情况：训练模型很贵、数据中心很贵、芯片和电力都很贵，但这些不断迭代的投入之后，Token 却变得越来越便宜，一方面是模型能力在大幅提升，另一方面是成本在大幅度下降，智能现在正变得像电一样，便宜到单次使用成本几乎无需单独核算。

很多人第一反应是这是不是又在补贴烧钱？作者认为并非如此，而是四股力量同时踩下了油门。第一股是架构和训练优化，让模型更加省力，不再需要消耗那么多算力；第二股是硬件在进步，比如英伟达的 Blackwell，推理性能提升了 30 倍，虽然 GPU 仍然很贵，但事实上花同样的钱买到的 Token 数量比上一代多了几十倍，而且现在还有专门的推理芯片，可以进一步压缩成本；第三股是工程化和规模效应，让昂贵的集群被更充分地使用，工程师每天都在努力让昂贵的 GPU 尽量减少空转，比如把模型处理过的上下文显存切分成若干可以灵活调用的小区块，按需分配、按需回收，杜绝浪费；第四股是开源和竞争，把效率红利直接让渡给了市场，比如中国的 DeepSeek、千问这样的高质量基座模型越来越多，模型访问权就不再稀缺了，只要某家公司敢提价，客户就会转向其他平台。作者预计，智能降价不会是一次性的折扣，而是一场持续多年的效率跃升的变革，会越来越便宜。

作者还讲了一个 “杰文斯悖论”：瓦特改良蒸汽机，提升了煤炭利用效率，但英国的煤炭总消耗量却不降反升，也就是说效率越高、越便宜，你就用得越多，于是它就更便宜。技术进步不会让需求收缩，反而会打开被抑制的需求空间，历史上不断在上演这样的故事：晶体管越来越便宜，计算机和手机的需求就变得越来越多；上网流量变得越来越便宜，耗费的流量就越来越多。所以 AI 的需求不仅不会萎缩，还会加速增长，比历史上任何一次杰文斯悖论都会更加凶猛，要知道智能是没有上限的，以后不光人类要使用 AI，AI 本身也要使用 AI，它消耗的 Token 可能就完全不是一个量级的。谷歌的报告显示，旗下产品每月处理的 Token 量，2024 到 2025 年一年时间增长了 50 倍，而且还在呈现加速状态，2026 年相比前两年增长了 330 倍；字节跳动也发布报告，说 2026 年是 2024 年的 1000 倍。

很多企业搞 AI 转型有个误区：以为买个大模型账号、充点 Token 就算智能化了，其实根本不是。Token 便宜只是第一步，真正难的是配套体系：你得把自己的数据接进去、得管权限、得校验 AI 输出的对错、得出错了能纠正、得有专门的人管这套系统，这些东西才是真正的门槛，也不会因为 AI 便宜就消失。就像当年电便宜了，但你企业得自己铺电线、装变压器、配电工，不是说电价降了你就自动电气化了。所以以后企业之间的差距，不在谁买得起 AI，而在谁能把这套配套体系搭好，把 AI 真正融进业务流程里，搭不好的，就算 AI 免费，你也用不出效果。

作者说，未来的成熟企业管理会有两支队伍，一支是人类劳动力，另外一只是智能体劳动力，管理智能体将会像管理电力和信息系统一样，成为企业运营能力的重要组成部分。哪个智能体在上、哪个智能体在下、谁接受谁的管理，需要企业主凭借着自己的智力来搭建，当然这可能不是一蹴而就的，比如你先有一个智能体，就相当于一个员工，随后智能体不断增加，那么你的层级设置就很有必要了。作者认为降本只是入场券，真正的牌局还在后面，未来 AI 的核心能力应该还是增效，以及提高企业的护城河。以前大家都是人，虽然能力的差距是巨大的，但终归干同样的事情还是可以比较的；那未来大家如果用 AI、用智能体去竞争，那么差异将会变得非常大，甚至可能天差地别。只要飞轮一旦打开，有的企业进入正向循环，有的企业在原地打转，那么只需要几个月的时间就会完全拉开差距，甚至是几何级的差距。

以前竞争是 “人跟人比”，你 996 我也 996，差距拉不大；现在是 “人跟 AI 比”，你要睡觉、要休息、要一个个招人，人家 AI24 小时干活，几秒钟复制一千个员工，还不用培训，这根本不是一个量级的竞争。而且 AI 自己还在指数级变强，你好不容易追上一代，人家已经出到第十代了，越追差距越大。这就是为什么说先发优势极其重要，率先跑通商业模式的公司，能瞬间把杠杆拉满，直接赢家通吃，后来者连喝汤的机会都没有。对创业者来说，现在就是窗口期，一旦这个窗口关上，后面再想进来就难了；对大企业来说，也不能躺着，你不快速用 AI 改造自己，转眼就被新公司用 AI 降维打击了。

作者认为这会层层递进，给企业造成结构性的冲击。第一层就落在个人工作上，那些重复的、可预测的任务，比如填表、对账、筛选，这完全就可以交给不知疲倦的智能体员工，把人解放出来，去做真正有判断力的事情；第二层冲击就是落在组织协作上，大量的执行工作可以由智能体员工承担，企业内部因为人而产生的政治阻力、沟通延迟、部门壁垒将被大量的消解，企业运转会上一个台阶；第三层冲击就是落在企业的竞争力上，当智能体员工承担起主要的执行工作的时候，那么战略执行会更好更快，运营成本会更低。就拿投资来说，最大的损耗其实就是人性的损耗，比如明明建立起一个很好的策略，但是你就是执行不下去，总在执行当中出这样或那样的问题，而当你把这些东西都变成量化语言交给机器的时候，执行摩擦损失就消失了，所以这也就是为什么人类交易员现在已经逐渐被市场所淘汰，说白了就是人没有机器更加可靠。

90% 的企业都说自己在用 AI，但只有不到 4 成都拿到了实实在在的财务回报，说明大部分企业都是在 “凑热闹”，买了工具、开了账号，但根本没用出效果，跟当年企业上云、搞数字化是一个套路，概念炒得热，真正落地见效的少。这也说明 AI 不是万能药，不是你买了就能赚钱，得有配套的流程、数据、人才，得真正融进业务里，不然就是花冤枉钱。接下来作者肯定会讲怎么跨过这个 “梦想和现实的差距”，这才是对企业最有用的部分。

9.26

为什么九成企业都在用 AI，却只有不到四成真正赚到了钱？麻省理工的报告把这个断层叫做 “学习鸿沟”—— 企业 AI 项目失败，往往不是因为底层模型不够聪明，而是因为系统没有真正接入企业的工作流、上下文、数据流和反馈系统。模型跑起来不难，但如果它吸收不了真实业务的反馈、沉淀不下企业的操作经验，就没法跟着业务一起进步。说白了，你只是把 AI 当成一个外来工具，没把它融进企业的整个反馈流程里，它自然产生不了业绩。

作者点出一个扎心的现实：真正能改善财报的场景，是跨部门的定价决策、供应链优化、核心产品创新，这些地方对 AI 需求最迫切，但落地门槛也最高，牵扯的利益相关方太多；相反，会议纪要、文案撰写这些无关紧要的事，推进起来阻力最小，但也根本带不来什么回报。这就导致绝大多数企业，都把 AI 部署在了完全没价值的地方 —— 企业不敢把 AI 放在关键岗位上，都先放在无关紧要的岗位上试试水，自然也就带动不了业绩增长。

这就是典型的 “拣软柿子捏”：难的、能赚钱的地方不敢碰，先拿写文案、记会议纪要这种没价值的事试水，美其名曰 “循序渐进”，最后 AI 用了一堆，业绩一点没涨，还反过来抱怨 AI 没用。其实不是 AI 没用，是你没把它用在能产生价值的地方。真正能赚钱的事肯定难，肯定要动既得利益、要跨部门协调，但你不敢碰这些，光在边角料上使劲，当然看不到回报。企业搞 AI 得敢把它放到核心业务里，不然就是瞎折腾。

作者总结了企业 AI 转型最常犯的三个错误，而且经常同时出现。第一个错误：把 AI 转型全权交给 CIO 也就是首席信息官。CIO 的级别远远不够，他的权限仅限于 IT 系统，很难推动核心业务流程重构，也协调不动各部门，这种事只能 CEO 亲自推动，别人来做都是层级错配。第二个错误：采用自下而上的转型方式，各部门自己申请工具，财务部要个财报助手，客服部要个自动回复机器人，人力资源部要个简历筛选系统，公司按部门需求采购，结果 AI 系统在各部门各自为战，形成不了闭环，最后 AI 得出的结果还是要人去沟通，人的效率直接封死了 AI 的上限，只能降本没法增收，看起来热热闹闹，实际是虚假的推进感。第三个错误：被一大堆 SaaS 智能体迷了眼，现在客服、HR、财务的智能体五花八门，每个单拿出来都好用，但没有一个能同时打通财务、供应链、销售和客户数据，最后公司看上去到处都是 AI，企业层面却没什么改变，本质上还是没从 “买工具” 的老思路里跳出来，钱都给软件商续命了，自己没真正转型。

CEO 抓 AI，就抓一件事：这东西到底能不能影响利润表？是能多赚钱，还是能少花钱？说别的都没用。很多项目汇报起来天花乱坠，效率提升多少、覆盖多少场景，一问到对财报有啥影响，就说不上来了，这种项目就是纯浪费钱。AI 不是搞形象工程，不是用来汇报的时候显得 “我们公司很先进”，是要真金白银落到利润上的。而且这事必须 CEO 亲自抓，因为下面人都不会真的对利润负责，他们只会对自己的 KPI 负责，会搞一堆好看但没用的东西。只有老板自己盯着 “能不能赚钱”，AI 转型才不会跑偏。

作者给了 CEO 两个具体动作：第一件事，CEO 自己要成为公司第一个深度 AI 用户，亲自去用、去判断哪些有用哪些没用，当中肯定会有人抗拒，也会有人为了自己的目的鼓吹某些 AI 工具，到底有没有回报，得 CEO 自己拿主意。第二件事，招一个专门负责 AI 转型的副总裁或者 AI 助理，这个人要懂 AI 产品、懂技术、也懂公司业务，直接向 CEO 汇报。作者举了个例子：有个 500 强的董事长自己搞 AI 转型，算力、模型、智能体部署了一堆，钱花了不少，一点效果没有，找作者咨询，作者就告诉他不能让 CIO 管，得找个专门的 AI 负责人。后来从作者团队借调了一个骨干过去，帮着建团队、改流程，一年之后，这家企业 AI 转型的回报远远超过了之前的投入，现在已经有了自己的 AI 团队。

现在模型能力涨得很快，智能体的价格每个季度都在减半，能干的事越来越多，很多 CEO 就容易产生一个想法：把最强的模型买进来，对接上公司数据，加几个智能体，就让它开始干活。但作者说这个流程根本不对。他打了个比方：就像每年校招进来的名牌大学毕业生，面试的时候表现得特别优秀，业务部门满是期待，但入职之后，如果没人专门带他，不告诉他公司内部的规则、系统入口、业务语言，全靠他自己摸索，他很快就会寸步难行。比如 CRM 系统里的客户状态，什么叫 “潜在商机”、什么叫 “跟进中”，区别到底是什么？他想学但没有权限，想去拜访客户也不知道从哪入手。这些事对老员工来说不难，但对一个对公司内部规则一无所知的新人来说，就是个隐形迷宫，地图还不在他手里，只能一点一点碰壁，聪明才智根本用不上。

AI 其实就是这个聪明的应届毕业生，甚至处境还要更糟 —— 人起码还能主动开口问，模型不会，对于它完全搞不清楚的事，只会给你一套错误答案，还显得信心十足，这就是 AI 总爱 “一本正经胡说八道” 的原因，最后你还得专门找个员工去识别这些 AI 幻觉。所以核心是先要让 AI 弄懂企业，得把企业的基础资料系统地灌给它。有些企业觉得冤：我们确实把文件、会议纪要都丢给 AI 了啊？但这远远不够，读几份文件跟读懂一家企业根本不是一回事。对企业真正有价值的问题，不是从一份文件里摘出一句话，而是要在不同系统、不同时间、不同业务对象之间建立联系。简单把企业资料都塞给模型，不但不会让它变聪明，反而会让它更混乱，因为模型对企业数据没有天然的辨别能力 —— 人看文件会有眼力见儿，会揣摩领导意图，会看最终修改时间推测哪个是最终版本，但 AI 不知道哪些是正式文件、哪些是过期文件，你不给它梳理清楚，就是输入垃圾、输出垃圾。

9.27

很多企业买了 AI 工具却没效果，核心问题是没把企业资料系统喂给 AI，AI 不懂公司业务。比如问供应链为什么延误，AI 只会从物流、合同、财务文件里各摘一段拼凑成报告，看似专业实则可能全错，还看不出错在哪。正确答案不在某段文字里，在几个事实的相互关联中，AI 必须懂供应商、合同、订单之间的关系，才能给出靠谱结论。

员工私下用 AI 都挺好，公司正式部署反而没效果，因为企业有两组数据：一组是给领导看的、层层审批过的报告简报；另一组是真实版本 —— 会议室真实讨论、群聊情绪、客户没解决的投诉，这些 “沉睡的数据” 从来没被认真分析过。系统里显示 “已解决” 的投诉，可能客户是愤怒挂的电话；会议纪要写 “问题已解决”，其实大家根本没达成共识，领导看到的全是被美化过的版本。

每个公司都有两套数据，一套给领导看的 “官方版”，一套是真实发生的 “现实版”，AI 要是只喂第一套，跟传统报表没区别；只有把真实的情绪、矛盾、没解决的问题也分析透，才能真正帮你看到公司的问题。

有家公司用 AI 客服把投诉处理时间从十几分钟降到两分钟，看似高效，其实是客户被 AI 的废话气到直接挂电话，服务质量反而暴跌，最后只能换回人工。AI 要真正分析好沉睡数据，关键是能还原背后的情绪 —— 同样的文字，听音频能听出愤怒，看文字只会觉得语气平和，读不懂情绪就看不到真实状况。很多企业搞 AI 只看 “处理时长” 这种数字，不管客户是不是被气走了，表面效率提升，实际客户全跑了。AI 要是连情绪都读不懂，搞客服只会越搞越糟。

完整的企业 AI 决策中枢需要四块拼图：一是大脑（模型，负责推理）；二是本体（把客户、合同、审批流程等核心概念和关系定义清楚，相当于企业地图）；三是导航系统（实时掌握公司每笔交易、每个动态的最新状态）；四是操作系统（像项目经理一样拆解任务、给不同智能体分工、追踪进度）。大部分企业搞 AI 就只有 “大脑”，买了个大模型就以为完事了，后面三块全没有，所以 AI 根本干不了活。缺哪块都不行，光有聪明的脑子，没有地图、没有实时路况、没有手脚，还是啥也干不成。

“本体” 这张企业地图最关键：把公司里的人、客户、产品、订单、合同、规则都定义清楚、建立联系。没有这张图，AI 看什么都是问号 —— 这个客户归谁管？这笔合同谁审批？产品编码和库存单位是不是一回事？只能瞎猜。有了地图，AI 的每一步推理都有据可查。这些业务规则对老员工是常识，对 AI 必须明确定义，不然它就会瞎搞。

你给 AI 一堆 Excel，在它眼里就是一堆零散的字，根本不知道谁跟谁有关系，只能瞎蒙。得把公司的业务规则、流程、关系都给它讲明白，画成一张地图，它才能准确干活，这些常识你不告诉它，它永远不知道。

这张企业地图得由懂业务的人来画，现在 AI 能听懂人话，业务人员直接用大白话就能构建和修改地图，不用工程师翻译，当然最好配个懂 AI 的工程师辅助，避免理解偏差。光有静态地图还不够，还得有实时上下文 —— 上午有货下午可能缺货，昨天没钱今天可能回款，每签一份合同、每处理一个工单，相关状态都要同步更新，出现异常马上预警。

最后一块 “操作系统” 让 AI 真正能动手：调度系统负责把任务分给不同智能体、追踪进度；执行系统负责真正操作，而且得先在 “沙盒” 里模拟试验，确认不会闯祸再真执行，每一步都检查对错，错了马上改；接入系统负责对接 CRM、财务、合同等现有系统；控制系统负责权限管理，什么级别的智能体能干什么事，跟员工一样要有权限限制。AI 干活不能直接上真实系统，得先在模拟环境试一遍，不然搞错合同、财务就是大损失；而且 AI 也得有权限，不能让客服 AI 随便查公司财务。这几块都配齐了，AI 才是个靠谱的数字员工，不是只会聊天的玩具。

9.28

AI 时代的护城河。传统的品牌、牌照、技术优势这些护城河，在 AI 时代都在被冲击：智能体能替用户完成迁移，用户粘性没了；AI 让信息更透明，品牌溢价被压缩；AI 编程让技术研发不再有壁垒。作者认为，AI 时代真正的护城河只有两个：构建数据飞轮的能力，和组织代谢的能力。

以前的护城河在 AI 时代都不好使了，你品牌再大，AI 一比价用户就跑了；你技术再强，AI 几个月就能抄出来。真正能守住的，是你用得越多、数据越多、AI 越聪明的 “飞轮效应”，还有你组织能不能跟着快速变，这两样别人抄不走。

所谓数据飞轮，就是企业一直产生供应链、产品、财务、人员等各种数据，这些数据不断反哺 AI，让 AI 持续进化，进而获得更多数据优化系统，形成正反馈。构建飞轮有五步：一是高层下定决心，把 AI 嵌入核心业务，别只停留在部门试点；二是把老员工脑子里的经验（怎么处理棘手客户、怎么评估合同风险）结构化沉淀进系统，不怕人走；三是选最匹配业务场景的智能体，不一定选最强的；四是从客服、合同审批这种小闭环开始跑通；五是把小闭环打通成大闭环，让数据在各环节流通，系统就能自我进化。

数据飞轮说白了就是 “越用越聪明”，你用得越多，喂给 AI 的数据越多，它就越懂你家业务，干活就越准，然后你就更愿意用，形成正向循环。而且这个飞轮一旦转起来，差距会越拉越大，后来者根本追不上，所以现在就是窗口期，早转早受益，等别人飞轮转起来了你再想追，门都没了。

数据飞轮的本质，是一套由智能体执行、企业知识喂养、闭环数据持续迭代的自我进化系统。量化投资行业已经跑通了：数据喂给模型，模型做判断，策略直接下单，最后复盘反馈回模型调整，全程几乎不用人干预，一个量化团队几个人就能管几十只产品。这种护城河和过去最大的区别是它是动态的、会加速的，每用一次就强一次，每转一圈就把对手甩开一截。但数据飞轮只是一半，另一半是组织代谢能力 ——AI 系统变聪明了，你的组织架构、人员配置也得跟着变，不然 AI 再强，人跟不上、部门墙还在，照样发挥不出效果。

作者举了 Palantir 的案例：这家美国大数据公司从来不自己训练大模型，认为大模型早晚会变成便宜货，真正的护城河是把模型接入客户的真实业务，帮客户建立企业本体、绘制业务地图、跑通闭环，让 AI 稳定产出价值。他们会派驻厂工程师手把手帮客户落地，2025 年营收 45 亿美元，5 年涨了 3 倍，市值 4500 亿美元，2026 年可能再翻倍。作者说自己都是 Palantir 的学习者和模仿者。

Palantir 的思路特别清醒：大模型谁都能买，不是核心竞争力，真正值钱的是 “帮客户把 AI 用起来” 的能力。这就跟当年电力革命一样，发电机不是护城河，帮工厂把电接进生产线、改造流程才是。以后 AI 行业最赚钱的，可能不是做模型的，是帮企业落地 AI、做交付和服务的，因为这活又脏又累，别人不愿意干，反而成了壁垒。

接着讲怎么给 CEO 装一套 “老板 AI”。很多大老板最头疼的不是定战略，是战略落不了地：会上定好的事，下属满口答应，执行就是推不动，招了一屋子聪明人，却因为理解偏差、办公室政治，信息传下去全变了味，这就是大公司病。信息在公司里流动有三重损耗：一是有损压缩，一线的真实细节层层上报，到老板那只剩干巴巴的摘要，预警信号全被过滤了；二是信息茧房，每个部门只看到自己那一块，销售知道客户骂产品烂，产品部门根本不知道；三是主动过滤，也就是报喜不报忧，没人愿意带坏消息见老板，坏消息都被包装成了好听的话。

大公司病的根源就是信息失真：老板听到的全是被层层过滤、美化过的信息，根本不知道一线真实发生了什么，决策自然就错了。而且各部门都只看自己的一亩三分地，互相甩锅、互相隐瞒，问题都被捂着，等到爆出来就已经晚了。这就是为什么老板总觉得 “我明明说得很清楚，下面就是干不对”，不是下面人笨，是信息在传递过程中早就变形了。

作者自己也是老板，深有体会：产品、销售、运营三个部门永远互相看不上 —— 销售觉得产品烂，产品觉得销售不给力，产品和销售都觉得运营啥也没干，运营觉得没自己公司早散了，会上表面和谐，底下暗潮涌动。他当年在谷歌带的团队，全是从各大公司挖来的牛人，个个独当一面，凑在一起反而成了竞争对手，表面和谐，私下互相拆台。只要有人的地方就有江湖，部门之间互相甩锅、互相隐瞒，这是人性，靠管理很难根治。AI 最大的价值可能就在这：它不讲情面、不搞办公室政治，能把真实数据直接摆到老板面前，谁干得好、谁在甩锅、问题出在哪，一目了然，不用再靠人汇报、靠猜。以后老板做决策，不用再听各部门各说各话，直接看 AI 给的真实数据和完整拼图，很多内耗自然就没了。

9.30

这部分内容看不下去了，作者这是在卖他的系统呢，都是软广告。实在不想写感想了。

10.1

这事儿本质是矛盾的：老板想啥都看得见，员工想留点私人空间。就算嘴上说不监控隐私，数据真存下来了，员工心里肯定不踏实。以后劳资谈判这块肯定要出标准，不然老板随便拿个 AI 就把员工一举一动都录下来，那上班也太没安全感了。

"人人负责等于人人不负责"，大公司推个事，签一堆字、开一堆会，真出了错谁都能撇清。DRI 这个机制就是把话说死 —— 这事就是你的，干成了算你的，干砸了你担着，没人能替你推。再加上 AI 帮着盯进度、做辅助，这种小团队带兵打仗的模式，确实比层层汇报高效多了。

很多老板以为 AI 能代替老员工，上来就大裁特裁，结果裁到最后才发现，那些藏在老员工脑子里的 "潜规则" 和应急经验，AI 根本学不会，客户照样丢、生产线照样崩。正确顺序肯定是先把老员工脑子里的东西 "蒸馏" 进系统，再谈裁员，不然就是抽自己的血。

"蒸馏员工技能" 这个说法听着就发凉。现在的监控软件、录屏系统，本质就是在干这个 —— 你每天怎么干活、怎么处理问题，AI 都学着呢，等学会了，你这个位置也就没了。打工人以后真得有危机感，别光埋头干活，得想办法让自己变成 "设计 AI 的人"，而不是 "被 AI 学走的人"。

任何组织变革上来就大刀阔斧动老业务，大概率死得很惨 —— 既得利益者抱团反抗，新方法又没验证过，最后两头不是。先在新业务里试，打赢几场漂亮仗，大家看到好处了，再慢慢渗透到老业务里，这才是稳妥的路子。

大厂那一套 "P 几级、M 几级" 的层级体系，本质就是为了管理人设的 —— 人多了管不过来，只能一层一层叠。现在 AI 能把很多中间协调、上传下达的活干了，这些纯做 "传声筒" 的中层，自然就没存在必要了。以后真不是岗位保不保的问题，是你能不能学会指挥 AI、当那个 DRI，学不会，被替代就是早晚的事。要学会指挥AR，否则铁定会被淘汰掉。

10.2

分权和收权本来就是个平衡术。DRI 制看着很美，但人财物一旦全放出去，时间长了人家凭什么还听你的？所以系统上要统一数据、统一目标，钱袋子上得攥紧，不然最后养出一堆独立小王国，公司被掏空了都不知道。这跟治国一个道理，中央集权和地方分权的度，永远是个难题。

讲完公司怎么转，该说说打工人自己怎么办了。大家怕被 AI 替代，这早就不是预言，是正在发生的事。作者曾预测 2035 年美国有四到五成工作在技术上能被机器干，现在看替代速度比他当时想的还快。未来每个人大概四种结局：第一种是当 "指挥官"，一个人带一大群智能体干活，产出放大十倍几十倍，就是公司要找的 DRI，收入暴涨，未来当事业部老大；第二种是做 "离不开人的人对人的工作"，比如搞定大客户、做咨询、调解矛盾，靠的是人和人之间的信任和情感连接，执行越便宜，这种工作越值钱；第三种是橡皮图章岗，流程里签个字、盖个章那种，马上消失；第四种是原来觉得有点门槛的认知类工作，AI 成本比你低，你还不学新东西，那就被淹了。

说白了就两条路：要么学会指挥 AI 当小老板，要么去干 AI 干不了的、必须跟人打交道的活。中间那批 "只会按流程走、既不懂 AI 也不会跟人打交道" 的人，就是最先被干掉的。以后真不是你努不努力的问题，是你站在哪条赛道上的问题，站错了赛道，再努力也没用。

第二种工作的核心 —— 情绪价值。以后解决问题本身不再是难事，难的是让人开开心心地把问题解决了。这代年轻人从小鸡娃内卷，多少都有点心理问题，真正会共情、能给人提供情绪价值的人少得可怜，这技能未来会非常稀缺。就算是公司中高层也别觉得自己稳，中层未来也就四种下场：要么升成 "诸侯" 当指挥官，要么转成带 AI 的 "教练"，这两种还有饭吃；剩下的要么先留下来顶着过渡，等 AI 把你经验蒸馏完了再被裁，要么就是那种只会开会传话、落地啥也干不成的，直接优化。

会不会被替代，关键看你愿不愿意进步。AI 先替掉的一定是拒绝改变的人。而且更残酷的是，岗位是整个消失的，不会因为你个人努力就给你留个坑 —— 一个工程师要是还只干 AI 比他干得又快又好的活，早晚被替；但会用 AI 的工程师，价值反而被放大了。AI 还把技能门槛拉低了：不会写代码能做应用，不会画图能出设计，对新手的帮助甚至比对专家还大。斯坦福和 MIT 做过研究，大企业里新客服一上来用 AI，很快就能干到老员工的水平，那公司凭啥还留着月薪两万的老员工，不换个五千的新人？这就是现在 35 岁门槛越来越严的原因 —— 以前还得算培训成本，现在 AI 一接手，门槛直接降到零，公司裁起人来手更狠。

作者给打工人画了两张 "安全地图"，横纵坐标一样：横轴是工作自由度，纵轴是跟人打交道的依赖度。越靠右上（自由度高、又离不开人）越安全，越靠左下（自由度低、又不用跟人打交道）越危险。智力工作里，右上角是骨干教师、心理治疗师、B 端大销售；左上角要靠人扛责任的，像法官、财务顾问、放射科医生，现在还留着人主要是让你背锅；最惨左下角就是数据录入、基础编码，AI 自己就干了。

这个四象限挺实在的。你可以自己对着套一套：你现在干的活，是天天按流程走、不用跟人打交道的那种，那真得早点想后路；要是干的活需要你自己做判断、还得跟客户或同事处关系，那暂时还稳。当然也别太乐观，连放射科医生这种看似铁饭碗的，AI 读片子比人快多了，留着人主要是出了事有人负责，哪天责任界定清楚了，这位置也就悬了。

再看体力活。右上角最安全的是临终关怀、上门私厨、护理、助产这些，必须有温度又得灵活跑现场，比智力工作者安全多了；右下角像水电改造、管道抢修、灾后救援，虽然不用跟人多打交道，但活太杂太乱，机器人现在还干不利索；左上角像理发、收银，属于人跟机器搭伙干；最左下角的产品质检、仓库分拣、流水线装配，早就被机器接管了。整体看，体力活里自由度高的右边那片，目前风险都不大，毕竟机器人在物理世界里灵活度还差点意思。

挺反直觉的：以前觉得坐办公室写代码高级、送快递体力活低贱，结果 AI 时代反而送快递、搞装修、做护理这种 "得人跑现场、得跟人打交道" 的活更安全，坐在电脑前按流程敲键盘的反而最先被替。以后真不是学历越高越安全，得看你干的活 AI 能不能隔着屏幕搞定 —— 能隔着屏幕搞定的，早晚被替；得真人到场、得跟人打交道的，才是真护城河。

10.3

聊普通人怎么应对 AI 时代。作者认为最大的机会就是干 DRI—— 在 "执行几乎不要钱" 的时代，敢拍板、敢担责、会指挥 AI 大军的人，会成为公司里最稀缺、最值钱的角色。同时 "一人公司" 也会爆发：过去得凑齐设计、开发、营销、客服、财务一整个团队干的事，现在一个人加一堆 AI 就能搞定。一批新岗位也冒出来了，比如智能体开发、AI 质检、AI 审计、提示工程师这些，三年前根本不存在，要的不是写代码，是你对业务的判断力、以及能看出 AI 靠不靠谱的敏感度。

AI 不是来抢人类饭碗的，是把整张饼做大。以前全球产出有天花板，就是因为人有生理极限 —— 一天就干 8-10 小时，一次只能盯一件事。AI 不知疲倦，能同时跑成百上千个并行进程，过去一次摊一张饼，现在能摊一百张。人负责判断方向、拍板担责，AI 负责无限执行，两边相乘，价值会爆炸。但他也有个疑问：以后生产端成本趋近于零、物质极大丰富了，谁来消费？人消费有天花板，除非 AI 和机器自己也变成消费者，不然这个循环还是转不起来。

这个 "谁来消费" 的问题其实挺关键的。AI 把活都干了，普通人要是没了收入，拿啥买东西？就算东西再便宜，没钱还是消费不了。 "AI 自己成为消费者" 有点科幻，但现在已经有迹象了 ——AI 之间互相调用 API、互相交易，真到那一步，普通打工者的位置就更尴尬了。

作者也承认，财富暴涨不代表公平分配。总盘子做大几十倍，照样有人赚翻、有人遭殃。在丰饶世界里，普通人真正的危机有三个：一是找到生活的意义 —— 以后可能靠 AI 征税发基本收入，饿不死，但人活得没社会价值了；二是尊重不同活法，比如陪孩子、照顾老人，现在不算正经工作，以后会越来越值钱；三是分配问题，财富正在向极少数人集中，以前是二八法则，现在变成 2% 和 98%。

这段最容易让人不舒服但也最清醒。总说 AI 时代分配不均，但真把自己拉到全球比，咱们其实已经是既得利益者了。以后就算发基本收入，饿不死人，但 "活着没啥奔头" 这件事可能比没钱更难熬 —— 以前大家忙着上班，没空想人生意义，以后时间全还给你了，反而得想清楚自己到底要干嘛，这其实是更大的挑战。

作者说，工业革命用 200 年把人都绑在 "工作" 上，现在第一次把时间还给人类。以前越活越忙，顾不上家；以后机器把活干了，人可以把时间花在陪家人、照顾老人、看孩子成长上。真正要想清楚的是：你有没有勇气重新定义 "什么叫有价值的一生"，以前觉得升官发财就是一切，以后这套标准可能真要变了。

这话听着像鸡汤，但其实挺实在。我们这代人从小被教育 "好好工作、事业成功"，结果以后工作本身都被 AI 干了，那我们奋斗到底图啥？以后真不是 "卷到当 CEO 就赢了"，而是你能不能找到自己真正想干的事 —— 可能是陪家人，可能是搞点爱好，可能是帮别人。这套价值观的转换，比学 AI 工具难得多。

AI 本质上就是个 "超级归纳机"，历史上发生过的事它都能学，但它不会凭空蹦出来一个从来没人干过的方向。所以以后 AI 替代的是 "照经验办事" 的人，真正稀缺的是那种敢在没数据的时候押注、敢在所有人都不看好的时候往前冲的人。这种能力教不会、学不来，只能靠阅历和悟性，这也是 AI 永远抄不走的东西。

以后 CEO 真不是管执行的，执行全是 AI 和中层的事，老板就干四件事：看准未来、敢担风险、死磕信念、把控品味。这些事看着虚，但每件都是公司生死线。AI 能算概率，但它不敢赌、也没有审美、更不会信一个没人信的东西。以后这种 "反着直觉下注" 的能力，就是老板和普通打工者之间最后的护城河。

10.4

作者不光举美国的例子，也提到 1985 年张瑞敏砸冰箱 —— 在那个家电不愁卖的年代，他当着工人面抡锤砸掉有问题的冰箱，还销毁了 75 台残次品，工人都不理解，因为残次品就算便宜处理给本厂职工都有人抢。但张瑞敏这一砸，既体现了 "品味"（不满足于 "能卖出去就行" 的及格线，自己定了个没人要求的质量标准），也体现了 "信念"（用让人心疼、忘不掉的方式把质量标准砸进每个人心里）。这事让 AI 来判断根本得出这个结论，因为当时市场根本不会惩罚他卖残次品。几十年后，这一砸成了海尔最硬的质量招牌。这事最妙的地方在于：在当时的 "理性计算" 里，砸冰箱纯纯是亏的，残次品卖了就是钱，砸了啥也没有。但这种 "反数据" 的决定，最后成了品牌最值钱的资产。AI 只会算当下的账，它永远算不出这种 "今天砸钱、未来立牌子" 的长期价值 —— 因为这账根本不是算出来的，是创始人信出来的。

企业家真正能超过 AI 的，就是品味、信念、勇气、远见这四样，因为它们全是归纳法推不出来的，甚至跟 AI 的理性判断反着来。真正的破坏式创新，本来就是在现有规则的灰色地带干出来的：当年小岗村 18 户农民分地，让 AI 判这是要掉脑袋的事；后来傻子炒瓜子差点被打成资本家，现在成了改革先锋。你要是创业前事事问 AI，它肯定给你列一堆风险，最后劝你 "别干"，那你啥也别干了。老齐也补了个例子：有人想做财税合规软件，告诉他哪些事违法，这根本做不起来 —— 因为 AI 已经能告诉你 "这也不能干那也不能干" 了，你要真有价值，得告诉人家 "这事怎么干才不违规"，这代价软件公司根本扛不起。 

但作者也泼了冷水：品味多走一步就是独断，远见离了地面就是好高骛远，信念过了头就是固执，勇气没了分寸就是鲁莽。有人说这四样根本就是幸存者偏差 —— 你只看见马斯克成了，一堆敢冒险的老板早就死半道上了。创新不是规划出来的，是天时地利人和凑出来的，而且有窗口期。比如当年叱咤风云的地产老板，倒退十年看全是有远见、敢担风险的典范，现在风口一过，入狱的入狱、破产的破产。中国人讲盖棺定论，人不上岸、不退休、不谢幕，啥时候都可能翻盘，也啥时候都可能翻车。 这盆冷水浇得特别清醒。别听了前面几段就觉得 "我也敢冒险就能成"，大部分敢赌的人都成了垫脚石，只是没人写他们的故事。而且时代风口这个东西特别邪门，你在对的时间做了对的事，就是英明；风口过了你还不收手，之前的英明全变成笑话。所以有远见是本事，知道什么时候该收手，更是本事。

作者说，当智能变得像电一样便宜，老板最值钱的东西就不再是 "聪明"，而是知道该用哪台机器解决哪个人类问题。以后 AI 负责低头拉车，人负责抬头看路，大家拼的就是方向感。表面上用 AI 改造公司是为了多赚钱、不被同行淘汰，但往深了想 —— 每次把重复劳动甩给 AI，省下来的都是人最稀缺的东西：时间、判断力、和那点影响判断的人格。以后人有大把时间想路怎么走，人和人的差距就在选路上，还会被 AI 放大：有人借 AI 飞黄腾达，有人被 AI 挤得没饭吃、彻底没用。 

这本书核心就是教老板怎么用 AI 改造企业架构 —— 用 "大模型 + 企业本体 + 业务地图" 打通部门墙，再让老板用那套 "老板 AI"（他理解成企业里的锦衣卫 / 东厂西厂）收集一线沉默信息、盯着各部门执行。普通人的出路也说透了：去做跟人打交道、自由度高的活，努力当那个能指挥一群 AI 的 DRI。 以前你脑子里的经验、你讲出来的东西，能卖钱；现在 AI 几个月就学完了，以后单纯卖知识真的卖不动了。以后值钱的不是 "你知道什么"，而是 "你能判断什么、你敢担什么责、你能连接什么人"—— 这几样，AI 真学不走。

AI 发展速度快得吓人，2026 年都可能是 AGI 元年，GPT6 已经强到连自己的推理过程都不展示了，人类可能已经看不懂它是怎么想的。以后 AI 会不会聪明到连判断、创新都替人干了？真到那天，人还剩啥价值？谁也说不准。但潘多拉魔盒已经打开，退不回去了，咱能做的就是做好准备，迎接这个完全不确定的未来。