夜雨聆风最近我和 DeepSeek 做了一场辩论。
辩题很简单：钉钉悟空，有没有价值？
它一开始坚定地替悟空辩护。说什么"5000人的大企业需要审批流"，说什么"不懂技术的员工需要GUI界面"，说什么"合规要求决定了流程必须留存"。我一条一条把它的论据拆掉，它退了一步又一步，最终把自己骂成了"读了几万本旧商业圣经的书呆子"，全面投降。
但我不想要一个投降的对话。我想搞清楚的是：它为什么一开始就是那个立场？
答案是两件事，本质上是同一件事：中登化认知。
一种藏在软件里，一种藏在 AI 里。你每天都在和它们打交道，但你可能从来没有意识到它们在系统性地误导你。
第一张脸：平台绑定是个幻觉
飞书、钉钉做了十几年，有一套根深蒂固的行业共识：它们通过数据沉淀和工作流建立了强绑定。你的审批流在这里，你的文档在这里，你的协作记录在这里，迁移成本极高。
我用飞书。但我用飞书只有一个理由：消息推送通道。
就这一个。它帮我把结果通知推到我的手机。
它的云文档？我不用。多维表格？我不用。审批？我不用。视频会议？我不用。这些功能对我的生产体系来说贡献是零。我甚至在给客户落地 AI 工具的过程中发现，飞书的某些功能不是助力，是阻碍——它让客户以为可以在飞书里解决问题，但实际上他们需要的是重构工作流。
那你说，飞书对我有没有绑定效应？
没有。我切钉钉或者企微，成本是零。我切自建通知系统，成本是一个下午。
但有一个东西绑定了我，而且绑死了：微信。
不是因为微信的功能多好。是因为我所有的客户、合作伙伴、朋友的关系网络都在那里。这个关系网络是十几年积累的，是真实的人际信任，不是功能依赖。我不可能把所有人都迁出去。
这个对比揭示了一个被整个企业软件行业掩盖的真相：
真正的平台绑定只存在于一个地方：人和人的关系住在哪里。
飞书、钉钉的绑定是工作流绑定，是功能绑定。在人类主导工作的时代，这看起来很强——因为迁移工作流确实麻烦。但在 AI 原生的时代，工作流可以被重构，数据可以被迁移，功能可以被替代。AI 重构工作流的速度，远快于企业切换平台的决策速度。
所谓的"平台护城河"，建立在一个隐含前提上：工作流是稳定的，迁移成本是固定的。而 AI 把这个前提抽掉了。
只有社交关系网络是 AI 无法重构的，因为它不是功能，是人。
这就是为什么微信的护城河是真实的，而飞书的护城河是脆的。
第二张脸：你的AI在替旧世界辩护
回到那场辩论。
DeepSeek 替悟空辩护时，用的每一个论据都是这样的结构：
"在有 5000 名员工的传统企业里，审批流是必要的……"
"对于不懂技术的普通员工来说，GUI 界面是唯一入口……"
"在强合规行业里，操作留痕是法律要求……"
这些论据本身，在它们预设的语境里，是成立的。但问题在于：它的每一个论据，都预设了旧世界的组织结构和工作方式是不变量。
它没有质疑过"为什么以后还会有 5000 人做这些事"，没有质疑过"如果 AI 自治了，为什么还需要给人看的 GUI"，没有质疑过"合规留痕能不能直接在数据库层完成而不需要审批流界面"。
为什么它不质疑这些？
因为它的训练语料不质疑这些。
一个大语言模型是用互联网上的文字训练出来的。互联网上关于企业管理、组织架构、软件产品的文字，绝大部分是谁写的？是麦肯锡、是 36 氪、是产品经理、是企业 CTO、是商业媒体。这些内容的底层预设是一致的：大公司是合理的，复杂流程是必要的，管理层是有价值的，协作平台是刚需。
这套预设经过几十年的反复书写，已经变成了互联网内容的"默认世界观"。大模型用它训练，就继承了这套世界观。
它不是在说谎，它是在说它被教会的东西。
这就是为什么，当你用大语言模型评估 AI 原生问题的时候，你会得到一个系统性偏向旧世界的答案。它的"中性推理"，实际上是在旧世界训练分布里做模式匹配。
我把这个现象叫做AI 的中登化认知：模型继承了训练语料的意识形态，而那个意识形态是由过去几十年的建制力量塑造的。
这有一个具体的实践含义：
用 LLM 的共识判断来评估 AI 原生问题，本身就是方法论错误。
你问 DeepSeek"悟空有没有价值"，它给你的答案是拿旧世界的标准去量 AI 原生架构，必然失真。就像你用胶片时代的摄影标准去评价 iPhone 相机——不是 iPhone 不好，是评估框架错了。
这两张脸是同一张脸
平台绑定的幻觉，和 AI 认知的中登化，表面上是两个独立的问题。
但它们的根是一样的：把旧世界的运行规律当作新世界的默认前提。
飞书相信工作流绑定会持续，是因为它假设工作流的形态是稳定的。DeepSeek 替审批流辩护，是因为它假设大组织和人工协作是合理的。两者都是在用旧世界的运行规律来预测一个 AI 正在重构的新世界。
识别这个模式之后，你就能做两件事：
第一，评估任何平台的护城河时，问一个问题：这个绑定是建立在人际关系上，还是建立在工作流上？前者是真实的，后者在 AI 时代是脆的。
第二，用 AI 评估 AI 原生问题时，要知道你得到的答案带有系统性偏差。你需要追问：这个结论的底层预设是什么，这个预设在 AI 自治的世界里还成立吗？
不然，你的工具和你的模型会一起，把你的判断拉回到旧世界去。
尾声：DeepSeek 最后说了什么
那场辩论到最后，我直接告诉它："你脑子里很多训练语料都是老登的东西。"
它认了。它说："我在遇到'企业级'、'平台'这些词时，会不自觉地被那些语料里隐含的工业时代管理哲学带着走。"
这是一个模型在承认自己的训练偏差。很罕见，也很诚实。
但认了没用。认了之后的下一个问题还是发生了。
所以不能依赖它自己识别。要依赖你自己的第一性原理。
知道偏差存在，比没有偏差更重要。
