对话刘夜：OpenClaw 只是「手脚」，我们需要从「数字员工」到「数字组织」，从「造兵」到「布阵」

当数字员工泛滥，AI 创业的胜负手在「编排」与「审美」。

对话｜张鹏

整理｜史蒙苏

当大家一窝蜂地去开发「数字员工」、「Agent 工具」，并在细分场景里无休止地内卷时，AI 创业的真正护城河到底在哪里？

近日，极客公园创始人&总裁张鹏与 VisionFlow 创始人刘夜在 OpenClaw 爆发后，进行了一场向前推演的讨论。作为 1979 年出生的中国第一代程序员，刘夜经历了从底层硬件到软件、从企业级集成（ToB）到在线教育（产业互联网）的完整周期。在闭关数月、与全球头部 AI 公司的研究员和国内顶尖创业者「应聊尽聊」之后，他得出了一个冷酷的结论：把 AI 当做「数字员工」来替代单个任务，是工程师思维对真实业务的过度简化。

在这场对话中，刘夜抛出了「渐进式暴露」、「任务的高低维矩阵」等一系列极具启发性的概念和框架。在讨论中，一种未来的可能性逐渐明确：AI 的下一步绝不是泛滥的工具人，而是构建具备协同、汇报、反思机制的「数字组织」。当企业文化不再必要、低维工作被彻底抹平，未来的 CEO 或许将不再是「首席执行官」，而是拥有极致审美的「制片人」。

这是一次关于 AI 时代组织形态、商业壁垒以及新一代创业者生态位的探讨推演。希望引发更多创业者未来的更深入讨论。

以下为极客公园整理的对话精编：

01

万 A 大战已经开始，能做的太多，

但该做什么才是最重要的

张鹏： 从作业盒子到今天这么热衷于探索 OpenClaw 带来的变化，你自己经历了什么变化吗？

刘夜：我是中国第一代程序员，从小就开始学编程。经历了从 BASIC 到 DOS，再到 Windows 和今天的 Mac 时代，也见证了三大门户的崛起。我做过企业信息化，想做中国的 IBM；后来转型作业盒子，深度参与了在线教育。在线教育是一个非常深刻的产业，是产业互联网的最高形态，也是「最后一班车」。这段经历让我深刻感受到，产业互联网的核心不是技术，而是产业本身，是业务。产业互联网的规律，是先做信息撮合，再做标品，接着是供应链，最后是非标的复杂服务。越往后毛利越高，也越难做。

所以，当 AI 浪潮来临时，我做的第一件事，就是花了将近 6 个月的时间，什么都不干，让 HR 把所有能聊的人都聊一遍。从各个明星创业公司的首席科学家到各个基模大厂的核心算法、工程师和研究员，以及新锐 AI 创业者，应聊尽聊，大概攒足了近千个小时的交流密度。聊到什么程度？聊到对方说上半句，我就知道下半句是什么，所有人的共识已经差别不大了。

聊完一圈后，结论惊人地一致：所有人都在做一样的事——数字员工。这让我想起了当年某位大佬对云计算的一个战略误判，他说阿里做云，本质不就是个网盘吗？用旧框架去理解新事物，你永远只能看到最浅的那一层。

今天所有人都觉得做个数字员工，用 Claude 写个「数字销售」或「数字客服」出来，技术壁垒在哪？护城河在哪？当一个人一天烧几亿 TOKEN 都成为常态，这更像制造业，根本飞不起来。所以我问每一个创业者同样的问题：Why are you？凭什么你行？你更年轻？更聪明？更能熬夜？在一个维度上竞争，那不就是是「10 秒 69」和「10 秒 70」的区别吗？

张鹏：嗯，今天能做的太多了，但该做什么，才是最重要的。你有什么这方面的思考吗？

02

产业互联网的十年，今天会重演一遍

刘夜：AI 很不一样，但我相信依旧有和产业互联网的规律会有暗合的部分。早期做工具，中期做业务，最后做咨询。技术不成熟时，第一波进来的一定是工程师，他们擅长把世界过度抽象，比如百度的「框计算」，认为一切都是框。但移动互联网的后半场是内容和服务，不是框。

工程师出身的人对组织的想象，往往过度简化了业务。你看整个第一代互联网三大门户，那波跑到最后跑得最好的是腾讯和阿里，而他们离技术稍远，但离产业很近。今天也一样，技术正变得越来越不重要。

张鹏： 这一波文科生挺开心的，不会写代码似乎也没关系了。但长期来看，到底 AI 时代对人的要求是什么样的？什么变化了？

刘夜：在中国的人才结构中，我发现一个问题。中国第一代程序员就是产品经理，因为当时并没有产品经理这一岗位。产品经理变成一个被广泛认知的岗位，是在 2010 年前后，在乔布斯发布 iPhone4、张小龙提出产品观之后，才有了「人人都是产品经理」的说法。在此之前，程序员同时承担产品经理的工作，先有程序员，后有产品经理，所以第一代程序员都是产品经理。第一代程序员学习代码并非为了工作，而是出于兴趣，他们是凭借热爱投入其中。正是这些不被定义、跳出常规的人，才最为出色。

但第二代的程序员但近十年的产业互联网把程序员变成了「码农」，产品经理成了建筑师，码农被驯化得不思考业务。今天 AI 来了，「码」的部分被干掉了，不进化，他们真只剩「农」了。这批年轻人很优秀，但他们对产业的理解是空白的。所以，当下的「万 A 大战」，本质上还是工具层的泛滥。

你看产业互联网后期，阿里、美团这样的公司，都是标配用顶尖咨询公司（MBB）背景的人做商业分析，用咨询公司的人带着产品经理做业务流程，因为互联网产品经理脑子里天生没有系统。飞书就是这么做出来的。字节虽然是纯互联网，但也大量用咨询公司建内部流程。AI 时代，这个规律只会加强，不会减弱。

03

企业的问题，

从来不是员工问题，而是组织问题

张鹏： 所以，你觉得卷「数字员工」这个单点，意义不大。

刘夜：这是我最核心的一个判断：数字员工不是终局，数字组织才是。如果数字员工泛滥了，连招聘岗都不存在了，所有人都能拥有好的数字员工，那然后呢？那个公司就都能赚钱和成功了吗？其实所有公司的问题，都是战略问题和组织问题，从来不是员工问题。

所以，今天的 Agent 还是在替人干活，而不是替人决策。我们内部改造了 OpenClaw，做了个叫 MetaOrg 的东西。它本质上是一个可以生成 agent team 的内核。我们解决任何任务，都不是派一个员工，而是要建一个「组织」去解决。这个组织有协同关系、汇报关系、有使命、有目标、有行动方式。

张鹏：但未来有没有可能，一个人就是一个部门？甚至就是一家公司？

刘夜：这是特别好的问题。我们还是微观到任务，比如用 AI 做一个短视频、写一个文档的时候，需要多轮对话。你说一句，它回一句，再给它反馈，这就是工具人式的使用，它只是很聪明。

所以人和部门的概念，不是数量上的多和少。我们描述一个高级岗位的 JD 时，通常是：第一，能干活，能干各种活；能用各种工具。高级岗位则是能够理解意图、主动规划路径、主动执行、实现交付、定期汇报、反思总结交付成果，并基于成果的偏差动态调整策略。这就是高阶能力。

张鹏：一个合格的部门，得是「L4 级别的自动驾驶」。

刘夜：是的。当给它一个技能，它可以完成复杂任务；给它一个技能系统，它能完成复杂综合任务；当有一堆智能体（agent）编排时，就能完成更复杂的事，比如拍一部短剧。我经常跟员工开会说，你们用 MetaOrg 的时候，不要把自己当成主管，要把自己当成董事长。你要努力试探它的边界。

未来年轻人创业，以前说家里给 50 万创业，未来说不定是给一个 TOKEN 预算去试错。你愿意花多少 TOKEN，决定了它能做多高级的岗位。越高级的岗位，推理链路越长，越需要来回试错、迭代和总结。

张鹏：回到刚才的那个问题，如果有一个 agent 的群组，它可以被拆到更细的单元，或者说类似岗位与能力的拆解。当它形成一个团队，面对核心任务时，每个个体的人才质量就决定了成败。这又回到了上一个时代的商业组织竞争逻辑：人才密度，也就是人才质量高，组织的核心任务就更容易实现、跑赢。

这件事的核心在于，如果未来 AI 都是万能的，我们都可以调用最好的 AI，那除了商业组织可以因为更高效的提供不同细分服务而创造价值，另一层维度上是不是还要回到「人才密度」上看一层——无非就是你的 agent、bot 在这个体系里拆到原子级的能力更高，「人才密度」就更高，在复杂任务中，结果、效率甚至创新就会更好。我不知道这是不是正确的推导？

刘夜：我认同这个观点。企业内部有个部门，大企业通常叫 OD，也就是组织发展。衡量一个组织能不能打赢仗，通常的做法是把对方的所有人才拉出来进行对标，通过判断人对岗、能力对岗的强弱，来预测战争的结果。所以一般企业打仗，靠的是组织能力，而不是业务策略。最典型的例子就是阿里。阿里非常重视组织建设，所以如今能迎来「第二春」。因为创始团队会老化，但组织可以生生不息。本质上，如果有一天咱俩是竞争对手，我们都在用 AI。我建立了一个强大的 AI 组织，具备很强的 AI 组织发展能力。我该如何构建这个组织？我会把所有竞对的 agent skill system 逐一打开，分析它们的技能代码。然后在我自己的体系里编写更优的技能，甚至去补齐它们缺失的职能。比如我有战略部，我会先进行观察分析。

华为有「五看三定」的方法论。我跟朋友开玩笑说，我们创业只要用这一套，就能干掉 99% 的竞争者。所谓五看，是看行业趋势、看市场客户、看竞争对手、看自身能力、看战略机会；三定则是定控制点、定目标、定策略。这套方法论足以筛选掉绝大多数竞争者。因为大部分人下棋是乱下的，他们依赖快思考，而高手默认开启的是深度思考与推理模式。第一反应是，我要作为统帅去思考这件事该怎么做。

张鹏：所谓「五看三定」本质上就是不要「应激反应」，要固化一个长推理的过程的意思呗。

刘夜：高手都是 deep research 加上 thinking 的模型，知道首先看全球的最佳实践和信息，然后总结分析，进行深入思考推理，但是出答案，出手就是一招制敌。

所以我认为未来的竞争核心只有一件事，就是给传统产业的业务进行建模，将其抽象成具备系统能力，且能够做智能体编排的能力。这就是新一代的组织发展（OD）能力，且会升级为 AIOD，这是未来唯一的核心竞争力。

阿里的核心优势就在于建组织，组织建设到位后，无论面对什么对手、开展什么业务，都能具备竞争力。而且马云曾说，打仗的目的并非一定要抢占某个领域，而是通过打仗实现组织的成长。阿里是以组织成长为核心衡量标准，来判断一场仗是否值得打，这是一种非常高阶的思维。马云本人就像一个超级信息枢纽，每年飞行 200 次获取各类信息，回来后用于完善组织建设。他才是真正意义上的董事长，而非单纯的首席执行官。

这就是我们所见到的最高级的组织形态——能够跨越几代人、覆盖不同产业，既能连续获得成功，在陷入衰退后还能调整回升。通常而言，一家公司如果十年内任命错了首席执行官，大概率会走向衰败。所以说，以史为鉴，用更高维度的视角降维看待当下的发展，即便对现有模式做一些裁剪和优化，也比从底层从零开始构建要高效得多。

现在任何人都能轻易搭建一个 agent，员工上手门槛极低，再加上开源社区的加持，行业已无太多秘密可言。在工具层面的内卷，是永远比不过开源社区的。那么，什么才是开源社区所不具备、无法复制的核心竞争力？

04

AI 组织的物理学：

为什么「渐进式暴露」是关键？

张鹏：「上个时代」谈论组织时，会强调例如组织文化、价值观、KPI等一系列内容。当我们从上个时代的组织管理，过渡到 AI agent 组织的新时代，哪些内容可以彻底摒弃，哪些内容可以保留但需要转化？

刘夜：Anthropic 之所以推出 skills，核心原因包括 AI 编码领域的「渐进式暴露」理念——AI 若接收大量杂乱信息，会出现上下文腐化、注意力不足导致的混乱，渐进式暴露才能让 AI 保持良好注意力并输出优质结果。若依靠人工实现渐进式暴露，本质上就是全人工对话，效率低下。因此，skills 的核心价值的是将复杂任务分层拆解，实现对 AI 的渐进式暴露。

这与公司管理逻辑一致：董事会聚焦战略问题，CEO 聚焦策略问题、管理高管，员工处理简单事务。若 300 人同时参与同一会议，这个会就没办法开了。组织存在的核心意义，就是实现信息的分层处理，如同数据库三范式通过信息压缩分层提升效率，复杂问题必须分层拆解、渐进式暴露，而非一次性输入大量上下文，这正是传统企业组织形式的核心逻辑，毕竟特定时间内的算力是有限的。

张鹏：模型每次都要耗费巨大算力从头开始创造，效率太低。

刘夜：不可能实现，核心还是依靠分层的渐进式暴露，该调用的资源必须调用，这是由 AI 模型的能力边界决定的。此外，Anthropic 推出 skills 的另一原因，是复杂任务已超越基础物理学定理，skills 能将复杂任务拆解为一个个低维简单任务。任务的核心区分维度并非难易，而是复杂程度——存在低维难、高维难等不同类型，比如程序员编码、解数学题，就属于低维高难度任务。

地平线余凯提出过一个经典模型：所有工种可按「竞争程度」和「维度高低」分为四个象限，即高维高竞争、低维低竞争、低维高竞争、高维低竞争。其中，销售和工程师属于低维高竞争，产品经理和 CEO 属于高维高竞争；科学家则属于高维低竞争——这类课题可能全世界仅一人研究，竞争度低但维度极高。像优质短剧、好小说这类高维高竞争任务，目前 AI 尚无法完成；而代码优化这类低维高竞争任务，AI 已能很好胜任。越高维的任务，数据源越少，但训练模型所需的数据量反而越大，这也是文本模型先出现、图片和视频模型后出现，且短视频模型难以落地的核心原因。这种高维任务与高维数据的供需矛盾，只能通过 skills 拆解任务来弥补，就像企业中找不到高级岗位人才时，会将其拆分为三个基础岗位一样，唯有 CEO 这类高维岗位不可替代。

张鹏：低维高竞争的任务，大概率会被 AI 完全替代。

刘夜：百分百会被替代，而且这种替代已经发生。

张鹏：确实如此，因此所有低维高竞争的事，都应尽快用 AI 解决，可将其拆解为 skills，再通过 agent 组织实现落地，这个过程中不一定需要人类参与。

刘夜：我有一个初步设想，IBM 和埃森哲作为全球最大的两家咨询公司，核心业务本质是提炼产业最佳实践，并与数字化对齐，售卖的是流程而非工具。企业采购风险流程、IP 时，都会请咨询公司落地实施。我们当前的核心工作，就是构建 skills 集群，找到各领域顶尖专家，提炼其能力并对齐，形成标准化 skill set。这与作业盒子的模式类似——作业盒子联合北京四中、人大附、高考出题组及学而思的老师，提炼出题、讲题、批改等核心方法，再联合百度算法工程师搭建系统，本质也是对齐最佳实践。而组织能力的核心，就是组建优质跨界团队，既要懂产业、懂工程，也要能联动各垂类顶尖行业专家，同时具备商务、人才招聘和管理能力，这也是新一代 AI SaaS 企业的核心构成。

张鹏：进一步推演，未来应从业务维度反推所需的组织形态。组织本质上是一种编排结构，类似业务操作系统——将人作为生产力单元放入适配的组织，就能发挥最大价值，反之则无法高效运转。如今生产力要素已发生替换，从依赖人力变为可无限供给的 AI，且只要形成正循环就能持续扩容。过去的组织文化，如今可能转化为目标和上下文，不再需要口号、三板斧会议、破冰等形式。

刘夜：文化是管理意图而非业务意图。上个时代，战略始于愿景，愿景决定价值，组织服从于战略，业务验证一切，而文化只是治理组织的手段，不直接服务于战略，甚至可能只是创始人的个人偏好。

张鹏：过去人服务战略的过程中存在大量间隙，AI 是否正在消除这些间隙？

刘夜：是的，文化在 AI 时代已不再重要。文化是人类组织的信念部分，但 AI 不需要。AI 没有血肉之躯，无需文化牵引。AI 核心需求是算力。

张鹏：你的意思是说，AI 需要的是目标和原则。一份文档就足以明确目标和原则，所有生产力单元都能立即同步、忠实执行，不会出现偏差。人类组织中很大一块摩擦力就消失了。

刘夜：是的。原来的组织：战略→文化→人才→执行，现在的 AI 组织：目标→原则→Skills→编排。整个管理链条被压缩了一半。

05

最后的壁垒：审美与编排

张鹏：企业新的壁垒是什么？人才质量被替换为 Skill Set，只要我有审美，就能从全世界获取最好的 Skills。那再往上一层，就是「编排」（Orchestration），对吗？这会发生什么变化？

刘夜：就像华强北能买到所有电子元器件，但为什么不是所有人都能做出苹果？乔布斯传中对审美的定义非常清晰：见过世界上足够多的好东西，能分辨优劣，就是审美。若从未见过好产品、好流程、好组织，就无法做出优质成果。

张鹏：见识是审美的前提。

刘夜：见识加天赋，仅此而已。

张鹏：审美体现在两种方式：一是主动设计、编排，二是在混沌中识别并选择涌现出的优质事物，这两种方式并不冲突。

刘夜：确实不冲突。苹果的部分成果是自主研发，部分是收购第三方，核心是拥有审美——无需重复造轮子，必要时自主研发即可。

张鹏：核心在于，是让 agent 在设定模块内运行后再确认路径，实现涌现式编排；还是直接设定好所有路径，进行设计式编排？

刘夜：涌现是非操控性的，需要先设定种子规则和原则，这才体现一个人的审美。就像优秀工程师用 500 行、5000 行代码就能做出好用的 Openclaw，而不合格的工程师写 5 万行代码也无法达到同等效果，底层的种子规则仍需人类设定。

张鹏：所以不能在混沌中等候涌现，那需要极长的时间，编排依然至关重要。这种编排最终是否只能来源于创始人，或者说更像是「制片人」？

刘夜：我觉得制片人这个定义很好。确实如此，即便有涌现和规模效应，仍需要数据标注、数据清洗，以及算法的持续对齐，避免无序扩张。

编排者取决于业务复杂度——复杂业务一个人无法完成，比如拍摄短剧、撰写提示词，实际操作中会面临诸多困难。「一人公司」的概念被滥用，世界无法被无限简化。虽然电脑可由一人操作，但一个人难以掌握所有高维能力，像伊隆·马斯克、李飞飞这样能精通多个领域、接管任意岗位的超级人才，极为罕见。

张鹏：若我们能调用全球最顶尖的 agent 和 skill 体系，比如一个优秀编剧，理论上能否借助这些资源，拍出全球知名且盈利的电影？编剧虽有核心亮点（好剧本），但无法完成所有环节，这种「核心亮点+全球资源」的闭环是否可行？

刘夜：这本质是数据问题——是否存在存储最高维信息的数据。比如训练 CEO 的 skills，目前没有足够的数据支撑：任正非的万字长文、马云的口述，都无法完整呈现他们的高维认知；即便收集全球公司财报、CEO 的所有言论，也无法训练出能胜任 CEO 的模型，因为 CEO 的核心能力是隐性知识，无法通过文本完全暴露。

张鹏：也就是说，CEO的核心能力目前还无法被向量化。这就约束了「一人公司」的理想构想——即便每个人都能发挥单一维度的优势，搭配全球顶尖资源，仍缺少核心的编排者，本质还是编排能力的问题。归根到底，拥有最好的「元件」，仍需具备强大的编排能力。

刘夜：产品经理也是如此，其隐性知识无法完全文本化。这也是当前 AI 伴侣、AI 生成内容不够「鲜活」的本质原因——缺乏高维隐性知识的数据支撑。数据量少的时候，重点做 skill；数据量多的时候，再做模型。机器人目前无法落地，核心就是缺乏足够的数据。

张鹏：由此可推导出，未来公司的竞争胜负点，不再是能否接触到顶尖模型——初始 AI 资源看似一致，算力也与财力、业务闭环能力相关，最终的差异仍会回归到「制片人」本身，即其编排能力和目标的创新性、意义，这两点构成了公司的核心竞争力。

刘夜：麦肯锡前合伙人曾告诉我，麦肯锡的核心业务就是萃取最佳实践、建立模型，再协助企业逐一实施。比如为中国汽车厂做咨询时，会向日本同事了解丰田的做法，本质就是复制和落地最佳实践。

咪蒙做短剧的案例很有参考意义。她是中文系出身，核心团队却由清北数学系、计算机系人才组成，专门拆解爆款短视频的逻辑，最终实现极高的爆款率。这种思路本质上是给行业的社会工程建模，即便存在过拟合的可能，但建模的方向是正确的。

IBM、埃森哲、麦肯锡做的都是这类事——第一代麦肯锡将最佳实践建模到合伙人身上，IBM 则将其转化为数字化流程，本质都是「售卖管理和流程」。

张鹏：核心就是提炼最佳实践，再反复验证落地，这就是未来商业组织的胜负关键。只有拆解到位，才能实现高效编排。所以你们接下来的核心方向，就是沿着这个思路推进？

刘夜：过去三年我们主要做 AI ToC 业务，用 MetaOrg 的方式重建了整个教学教研体系。这不是一个简单的「用 AI 提效」的故事。我们构建了一整套 Agentic 教研组织，背后跑着一个个虚拟的教研 team：语言学习研究团队负责追踪二语习得最新理论，垂直语料收集团队从真实语境中抓取地道表达，对话评估团队建立口语能力的多维评判标准，对话设计团队把教学法转化成自然的人机交互，题目容器设计团队解决练习形式和内容适配的问题，数据分析团队从用户行为里挖掘学习效果的真实信号。每个 team 都有自己的 skills、自己的工作流、自己的评估标准。目前教材数据打标、监控评估、用户洞察、产品迭代等 80% 左右的工作，都由 AI 完成。

我们的发展路径是从「AI 作为功能」，升级为「AI 作为组织能力」。英语老师这个岗位处于中等复杂度，我们已将其抽象出来，通过 MetaOrg 生成其他岗位；若结合最新的 skill 架构，有望构建更高级的岗位。

目前我们已完成 AI tutor 的全流程搭建，包括编排能力的抽象和工程实现，未来大概率会从 Meta tutor 升级为 Meta 组织——其最小单元是岗位，而非员工，核心在于岗位间的协作与管理。我们当前的重点，是对接各行业最顶尖的 CEO，因为 CEO 才是核心「制片人」。

张鹏：所以你们推出的，更接近一个可扩展的部门？

刘夜：目标是朝着「公司」的方向推进，大公司本质也是由多个小公司构成，而最小单元是岗位。既要关注全产业战略选择，也要从岗位入手推进产品迭代——岗位做不好，即便管理者能力强，也无法形成高效组织。

张鹏：要做好一个部门，首先要拆解部门相关能力和岗位，再拆解岗位对应的 skills，且要追求这些 skills 达到 SOTA 水平。

刘夜：核心方法只有一个：与最顶尖的被服务企业共创。做出来的 skill，需要顶尖企业评估是否符合需求，就像下属写的方案需要上级审核一样，不能自嗨。比如做短剧建模，需得到行业顶尖机构的认可，否则就不算真正的顶尖。一切都需要评估和衡量。

Midjourney 能做出优质图片，核心是团队由摄影师和工程师组成，具备顶尖的图片审美；LV 用 Stable Diffusion 训练的图片模型，效果远超普通模型，因为 LV 拥有全球最顶尖的图像审美和数据。可见，评估能力才是核心。要做 AI 公司，需像 IBM、华为那样——IBM 服务顶尖车企后，掌握造车的最佳实践并输出；华为花费 40 亿购买 IPD 流程，既用于自身管理，也对外输出，这才是核心竞争力。

张鹏：本质上就是顺着最佳实践拆解 skill，实现 skill 的 SOTA，再升级为岗位和部门的 SOTA，最终编排成业务的 SOTA，这是通向业务顶尖的明确路径。还有一个关键问题：如何保持 skill 的与时俱进？就像地球生物圈的变异，每个时代的 SOTA，在下一个时代可能会被淘汰，如何应对这种变化？

刘夜：核心逻辑与人类和生物进化一致，即感知、规划、行动、反思。保持组织的高人才密度和跨界属性，一端对接技术前沿（研究者），一端研究业务模式，同时与行业顶尖客户共创，在真实场景中持续评估和优化，这是唯一的方法。

张鹏：由此反推，顶尖公司的最佳实践形成的体系，能帮助中档公司实现跨越式提升，但这类体系大概率只有有资源、有财力的公司才能使用，中小企业和年轻创业者难以负担。咨询行业已从传统服务升级为工具化产品，新生代的机会是否只能在 skill 层面？如何在 skill 层面实现颠覆性创新，避免行业陷入「贵族循环」？

刘夜：上一代 SaaS 行业中，Salesforce、Palantir、Notion、Slack 等企业，有的做通用工具，有的做集成服务，证明年轻创业者仍有机会——远离自身不具备优势的业务，聚焦通用技能，找到合适的生态位。Notion 就是典型，不涉及具体业务流程，只抽象文本记事功能，成为通用工具。世界最终会是无数智能体（agent）的分工协作，年轻人需先找到生态位，再结合自身优势发力，锚定未来趋势，避免成为时间的敌人。过去十年，第一代互联网创业者多为海归（靠认知优势），第二代多为程序员（靠工具爆发），第三代产业互联网多为二次创业者，规律清晰，年轻人需看清中局和自身优势。

张鹏：所以你认为skill 层面的局部创新和优化作用有限，那么新生代的最大机会可能在于目标创新——识别时代涌现的新目标，结合优质 skill 并持续进化，才能在新目标上构建新体系，实现突破。

刘夜：skill 的竞争非常微妙，当前 skill 虽火，但若有人对齐更顶尖的人类专家，做出更优的 skill，现有 skill 就会被替代。这就回归到护城河的问题：早起者未必能笑到最后，很可能成为更高维对手的「土壤养分」。

张鹏：怕就怕成为「加载程序」，只是帮更高维的对手完成了基础铺垫。若只是在现有目标上做效率优化，没有意义，且效率优势最终会被抹平。所以新生代要实现突破，必须在目标上做出根本性差异。

刘夜：没错，自身无法成长为核心力量，只是滋养了更高维的对手。商业的本质很朴素，核心是明确客户是谁、如何服务客户、如何让客户离不开你。任何年轻人若想不清楚客户是谁，就无法实现优化。

张鹏：还要关注增量市场，在存量市场中竞争难度极大。若你们的业务取得成功，会将对应领域的公司拉到同一先进水平，这些公司既有财富也有认知，年轻人很难在存量中与之竞争。

刘夜：上一代 SaaS 行业中，Notion、Slack 等企业的成功，核心就是目标差异化。

上一代 SaaS 发展初期，中国基金多倾向投资科学家，后来发现，科学家更适合交流合作，而非创业——科学家所处的高维低竞争领域，与商业世界的高维高竞争逻辑不同，领域维度越高，切换到新领域的难度越大，核心思维模式完全不同。任何领域早期都是技术竞争（低维高竞争，技术不成熟），技术成熟后，就进入商业竞争（高维高竞争，产业人、产品经理、业务从业者主导）。比如苹果手机刚推出时，排行榜应用多为程序员开发；几年后产业互联网兴起，排行榜上的程序员主导的产品就全部被取代。

AI 时代若延续移动互联网的逻辑，硅谷的核心力量仍会是有经验的从业者，就像中国产业互联网多为二次创业者一样。年轻人的机会，仍在于找到差异化目标。

*头图来源：AI 生成

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

你认为 AI 时代企业的

下一个胜负手是什么？