ARTICLE · 1234221
AI 时代的商业:从效率工具到一人千面
本文导读
· 这一轮 AI 挪动的不是效率上限，是商业的起点
· 从约束、原生、意图，一路推到供给、调度与复利
· 把 AI 当工具，只会得到一条更快的旧路径
· 写给要重设产品、组织与平台的决策者
01技术不决定结构，被改变的约束才决定
技术本身并不会直接决定商业结构。真正决定商业结构的，是技术改变了经济系统中的某些基本约束条件。
工业时代被改变的是成本结构。机器、厂房、铁路、电力需要巨额前期投入，投入完成后边际生产成本迅速下降，于是长出了规模经济。
互联网把连接成本压低到接近于零，长出了网络效应。AI 突破的约束是“高质量智力极其稀缺”：优秀医生的判断、顶级工程师的经验无法复制。互联网能让专家被更快找到，却不能让专家变多。
机会在两侧。供给侧，AI 最大的潜力是提高优质供给的数量与丰富度，好的私人医生、好的老师、好的专业顾问一直稀缺。
需求侧，所谓供给过剩往往只是同质化供给的过剩，人的真实需求远未被理解。
“AI 投入很大，效果却还不够明显”是普遍的体感，原因就在这里。过去两年多数应用在替代简单、重复、低价值的工作，有价值，但一开始面对的价值创造空间有限。
用效率工具的思路算账，等于默认约束没变，自然只能算出降本增效这一层。
02AI 原生是一道检验题，不是一句标签
定义值得逐字记住：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。
假如拿掉 AI，这个产品和业务是否仍然成立？
仍然成立、只是效率下降，大概率只是 AI 增强；产品价值、工作流乃至组织方式都无法成立，才更接近 AI 原生。
过去两年为每个岗位配 Copilot、把 AI 嵌进流程，都有价值，但都要回到同一个追问：是否仍只是在原有框架里提高效率？
传统企业把 AI 附着在原有流程上，AI 原生组织围绕 AI 重新组织任务本身。未来很多企业之间的差距，可能不再是谁拥有 AI，而是谁真正形成了 AI 原生的任务系统。
还要破一个错觉：生在 AI 时代不等于原生。Yahoo、Amazon、eBay 几乎同时出现却路径不同。
Google 之所以被称为互联网原生应用 2.0，是因为它把搜索框、PageRank、分布式基础设施与“意图—竞价广告—效果反馈”的闭环集成在一起。
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。
03基础设施已成，原生产品却未至
AI 产业化分三段：基础设施建设、智能体大爆发、AIOS 逐步形成。
标志也清楚。2022 年年底 ChatGPT 发布，两个月内月活突破 1 亿，成为历史上增长最快的消费级应用。
到 2026 年，“基于 Token 形成的共识”标志第一阶段初步成形。
黄仁勋在英伟达 GTC2026 提出 Token Factory，说未来的数据中心本质上在生产 Token，像工业时代的炼油厂持续输出能源。
奥尔特曼则反复强调，OpenAI 提供的不是某个应用，而是 Token 本身。
基础设施化的判据是三个“可”：
· 可计量
· 可组合
· 可规模化使用
三者合起来，人类第一次把智力本身，转化成一种可以被大规模调用的能力。
通用技术走的是同一条路：基础设施化、原生产品创新、社会重构。电气化是参照。
从爱迪生点亮曼哈顿街区到现代电网成形，电成为可调用的公共服务，企业不必自己发电，才可能围绕电重新组织生产。福特流水线、电熨斗、洗衣机、电冰箱都是随后的应用创新。
应用爆发并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。时间判断也具体：2027—2028 年，原生产品和服务可能更密集地出现；当下更接近“浏览器还没有出现”的位置。
Agent 还要完成三级跳：从能调用工具的行动，到能自主拆解执行的主动，再到能稳定交付并获得信任的负责。
基建已成、原生产品未至，就是当下的坐标。
04起点从商品换成具体的人的意图
真正的分野不在个性化程度，而在商业系统从哪里开始理解需求。千人一面的合理性来自当时最稀缺的不是理解用户，而是稳定供给：只有标准化，才能规模化；只有规模化，才能低成本。
企业面对的不是一个个具体的人，而是平均用户。可口可乐、麦当劳、宝洁、沃尔玛都长在这套逻辑上。
千人千面把核心问题换成降低选择成本。搜“跑鞋”出现成千上万个结果，推荐系统用点击、停留、购买预测偏好。它的天花板是结构性的。
连续看七八个相似视频就能判定兴趣，但记录的是注意力的去向，不是问题的指向。
新手父亲、送礼的朋友、研究市场的人在绘本前的行为几乎没有区别，意图却完全不同。它始终在回答“你属于哪一类人”，而不是“你正在面对什么问题”。
一人千面则是围绕每一个具体的人、在每一个具体情境中生成当下最合适的解。
一个人说“我想要一个安静、放松、预算三千以内的三天假期”，系统可以继续与他沟通、逐步澄清需求，再寻找、比较、组合方案，确认之后代为执行。核心问题随之变成“谁成为人类表达真实问题的第一站”。
意图与需求必须分开：需求是被压缩过的表达。传统商业要求把复杂状态翻译成商品语言，“学习不好”变成“上课外班”，“增长困难”变成“做投放”，这一步转化本身就可能偏离。
商品只是工具，目的才是本体。
05需求可以被生成，稀缺的是判断力
范式迁移的实质不是系统更懂需求，而是商业第一次参与需求本身的生成。过去的调研、画像、推荐算法都假设需求先存在、企业只是去识别它。
但最重要的需求往往模糊、未成形，只是一个尚未被定义的问题场。
用户只说半夜总醒、起床很累，系统结合作息、光照与健康数据，识别出昼夜节律紊乱、光照不足与长期焦虑的综合作用。谁定义需求，谁就定义了市场。
判断力比生成力更稀缺。一个中年用户同时有睡眠、体脂、久坐、压力与心血管风险，系统完全可以生成 5 套方案，优秀系统会先聚焦睡眠，因为它可能连带改善其他几项。
教育场景同理，如果系统只是无限生成学习需求，学生只会越来越焦虑。品牌信任的判据也随之改写：过去因为产品稳定可靠，未来因为它能帮你识别真正重要的问题。
过渡态需要单独识别。“意图理解＋库存匹配”可称为意图匹配，是未来几年 AI 商业发展的主要目标：
· 智能体能理解多代同行、行动能力有限、舒适度优先
· 能排除高海拔目的地、过滤转机过多的航班
· 但只能在已有航班与酒店里选择
一个左手用刀、手腕有轻微关节炎的用户，也只能在现有商品库里找最接近的一把。它都只是更高级的匹配者，存在的原因是理解能力已经突破，生成供给仍未成熟。
06供给被解构，竞争单位变成能力与速度
希音常被解释成供应链效率高，这个简化站不住。如果仅仅是效率问题，传统服装企业通过优化流程也可以逐步逼近，但现实是大多数企业很难复制希音的模式。
机制是反馈驱动：新款初始生产量非常小，上线后看点击、转化、复购，好的迅速追加、差的迅速下架。
传统是“需求—被预测—生产计划—供给”，希音是“小规模供给—进入市场—产生反馈—再决定规模”。供给不再是预测的结果，而是反馈过程的产物。
链因此变成网。Shopify 不直接生产商品、不控制库存，把供给能力拆成商家、开发者、第三方物流支付营销等模块节点，靠组合响应需求。
传统供应链像铁路，线路、车站、方向都固定；供给生成时代更像互联网路由，每一次请求都重新寻找最优路径。
养老空间改造是典型。空间设计、适老化家具、智能照护、本地施工、医疗监测、家庭远程协同，过去是若干独立购买行为，整合责任在消费者身上，现在是一个整体求解任务。
AI 短剧给出内容侧的三层演进：
· AI 写剧本、生成画面、配音、剪辑，提高效率
· 按不同人群生成不同版本
· 按用户停留、跳出与反馈，实时调整下一轮互动内容
到第三层，供给开始随需求变化。
07平台争的是调度规则的定义权
需求与供给都动态之后，决定效率的不再是生产，而是调度。
过去约两百年，竞争中心是生产能力。互联网优化的是已有供给的连接效率，所以调度仍只是辅助能力。一旦供给可以生成，资源本身不再稀缺，真正稀缺的是组织好资源的能力。
商业的基本单位随之从交易变成协同。“下周带父母去成都，希望行程舒适、不赶时间”不会被理解成一张机票，而是被理解为一个持续展开的协同任务。
按天气调整日期、按老人健康状态调整航班、按实时交通优化酒店位置、延误自动重排。价值创造从成交时刻移到持续优化过程。
订单变成不断被重写的动态任务流，客户关系从获客—成交—复购变成长期协同，内部结构从分段式分工变成同步协作。AIOS 带来的最大变化不是商业更智能，而是商业终于摆脱了交易瞬间主义。
平台的资产因此换位。过去的平台是把市场数字化，上架的是已经存在的供给，消费者表达的是已经形成的需求。
现在需要的是能持续协调多方资源完成任务的机制。“带行动不便的母亲去医院，途中顺路取药”要求同时协调无障碍车辆、预约时间、实时拥堵、药房配药与路线重排，平台从撮合者变成跨资源网络的实时任务协调中心。
过去的平台最重要的资产是流量，未来的平台最重要的资产将是调度规则定义权。
第三阶段，平台的核心能力不再是信息排序，而是任务调度；过去人需要理解软件，未来系统会越来越需要理解人的任务。
调度壁垒有累积性：不是别人没有资源，而是有同样的资源也达不到同样的组织效率。行业集中因此表现为调度中心越来越少。
08价值靠复利，优势会在少数点塌成黑洞
智能复利是 AI 时代价值创造的基本机制，对应规模经济之于工业时代、网络效应之于互联网时代。
循环本身不复杂：系统执行任务→获得反馈→反馈进入优化→能力增强→处理更复杂的任务→获得更高质量的反馈。
前提是一个过去没有的性质：传统资产使用即损耗，而 AI 系统的使用过程第一次成为学习过程与增值过程，增长直接增强能力。
但复利不等于优势。智能复利是一种价值创造机制，而不是优势生成机制。
两道转化都难过。能力到用户价值会遇边际递减，指标在进步而体验变化越来越小。
用户价值到竞争优势会遇同时进化，多家企业在类似任务上建类似闭环，可能一起变强，市场看到的是“大家都不错”，竞争回到价格、渠道、资源。
国内多家自动驾驶公司在相近时间进入真实道路学习，各家都在迭代，用户却很难指出哪个明显更好。
分水岭是 60 分奇点：从“人对 AI 负责”变成“AI 对结果负责”。
反例是 AI 客服，一旦涉及跨规则冲突、异常情况或用户情绪就容易出错，企业安排人工监控、纠正、接管，任务规模无法扩大，反馈更被污染。系统没有经历完整的“行动—结果—反馈”闭环，它们使用的是 AI 工具，不是构建 AI 系统。
正例是 Copilot：早期开发者逐段检查、大量修改，可靠性提高后直接接受建议，生成的代码进入生产环境。
跨过奇点之后变的不是能力，而是分工关系：系统成为默认执行者，人退到例外的位置。关键不是 AI 更强了，而是人不再需要对每一次行动负责。
黑洞效应需要四个条件同时成立：
· 学习空间足够大
· 能力差距能被用户持续感知，没有行为改变就没有市场结构改变
· 反馈具有强路径依赖，能力差距可以持续影响任务分配
四者齐备，智能复利才从能力增强机制跃迁为能力差距放大机制，能力开始吸附任务与用户信任。这是特定条件下的演化路径，是理解未来的框架，不是当下现实。
市场化的表述更直接：高维吞低维、智者恒强。
竞争目标也在迁移。过去二十年商业模式建立在注意力、曝光、时长之上，AI 直接交付结果后这个窗口会被压缩，竞争也可能从争夺用户时间，转向节省用户时间。
边界同样清楚：大模型提供通用认知能力，但具体场景的个性化服务需要持续积累服务过程中的新反馈，大模型公司未必能够覆盖所有商业场景。
写在最后
把“拿掉 AI 还成立吗”变成立项前的必答题。答案是“成立，只是更快”，就按增强项目管，考核降本增效；答案是“不成立”，就按原生方式重设产品、工作流与组织。
选一个足够小但能被系统独立负责的闭环任务，尽快跨过 60 分奇点。任务价值越大，交责门槛越高，可不交责就没有完整反馈，复利不会开始。
把供给从预测改成反馈：先小批量放进市场，让点击、转化、复购决定追加还是下架，能力模块化与反馈速度比产能规模更值得投入。
想清楚自己在调度结构里的位置：做定义调度规则的面，做被平台集成的点，还是做直接对结果负责的线。三种定位都可以有很好的发展，但它们是不同的发展战略和路径，不能混在一起。
如果只带走一句话：把 AI 当工具，你会得到一条更快的旧路径；把 AI 当起点，才可能得到一条新的商业路径。
曾鸣教授原文链接如下：
