看十年——AI时代的商业、组织与战略的本质

我这两年也很焦虑，但这两个月越来越不焦虑了。

过去的焦虑，主要来自不知道未来到底会怎么变：什么是不变的，什么是变的；什么是信号，什么是噪音；什么是真正的大趋势，什么只是小小的浪花。当所有东西都变化得非常快，我们容易眼花心乱、手忙脚乱，越跑、越跟、越慌。

当你对未来越来越清楚，对底层运行规律有了更多了解，反而可以放松下来。这也是“看十年”这个主题的意义。

不管你有没有对未来形成清晰判断，我们所有行动的背后，都有一些隐含的假设。“看十年”，就是逼着我们把这些假设显性化，拿出来讨论，反复推敲。

它提供的是一个思考框架，帮助我们进入战略学习的状态。这个框架，以及基于它得出的所有推论，都是当下的工作假设，必须根据现实反馈不断修正。两个月以后，我的讲法可能又会变化，但有些主线也会因此越来越清楚。

看十年、想三年、干一年，是看同一件事的三个视角。 最难的往往是“想三年”：讲十年的宏观趋势容易，安排今年的工作也相对容易，但能不能理解未来三年左右的结构性变化，才真正考验战略判断。

看十年、想三年、干一年：三个视角之间的张力

今天，我们主要讨论三个大问题：未来三年，AI领域的竞争格局和规律会如何演变？下一个阶段的领跑者，会是新的创业公司、大模型公司，还是已有用户和入口的互联网公司？AI又会以怎样的方式和速度影响各行各业？

这是第三次“看十年”公开课。2017年，我们讨论智能商业，核心是网络协同和数据智能；2023年，我们开始追问AI时代的原生应用会长成什么样；这一次，越来越多的实践让一些规律开始浮现。

接下来的讨论有一个重要前提：超级人工智能的实现仍需要时间；即使机器智能越来越强，人类的创造力、生命力与机器智能之间，依然存在重要的差异和互补性，人仍然是主体。

我会从六个部分展开：智能商业、什么是AI原生、AI的产业化发展阶段、AI时代的价值创造和竞争、创智组织，以及智能战略。

01｜智能商业：AI原生的商业新范式
AI技术带来的根本变化

从供给侧看，AI越来越强大，成本却在不断下降。它最重要的潜力，是极大地提高优质供给的数量和丰富度，打破越来越多领域供给稀缺的瓶颈。

过去两年，我们看到很多AI应用，都在尝试替代简单、重复、相对低价值的工作。这样的应用有价值，但它们从一开始所面对的价值创造空间就比较有限。这也是为什么大家会觉得，AI投入很大，效果却还不够明显。

真正巨大的价值，是打开过去无法充分提供的优质供给。好的私人医生、好的老师、好的专业顾问，以及旅行中能够提供可信建议的信息专家，都很稀缺。如果能够把更多高质量服务带给大众，所创造的价值就会非常大。

技术创新早期，常常先用于降本增效。但技术投入巨大，局部提效所释放的价值却还不够，两者之间就会出现错配。这个阶段又是必要的，因为技术需要在具体场景中不断发展。真正值得期待的拐点，是技术成熟到可以创造过去无法实现的新价值。

从需求侧看，我们容易觉得供给已经非常过剩，所有需求似乎都被满足了。但过剩的往往是简单、同质化的供给，人的真实需求远没有被充分理解和满足。

AI带来的突破，是能够低成本、高效率、持续地与人互动。无论个人助手、家庭管家还是情感陪伴，它们都需要在不断交流中理解一个具体的人。这给个性化需求的发现和实现，打开了新的空间。

千人一面一人千面

每一次技术革命，都会带来商业范式的变化。

工业时代主要解决供给不足，通过标准化、流水线和规模化生产，用同一种产品服务尽可能多的人，这是“千人一面”。

互联网时代提高了匹配效率，让丰富的商品和内容找到更合适的用户，也让用户拥有更多选择。搜索和推荐的发展，使“千人千面”逐步成为现实。

AI时代要进一步走向“一人千面”。同一个人在不同时间、不同场景里的真实意图，可能完全不同。商业需要理解这些变化，动态生成当下最合适的解决方案。

推荐主要是根据人的行为，以及与他相似的人的行为，推断其需求。AI则让商业系统有机会通过持续对话，更直接地理解用户。所以，未来商业的本质，是给大众提供越来越个性化的服务。

一人千面：理解同一个人在不同时间、不同场景中的真实意图

基于意图的需求生成

过去商业的起点通常是产品。企业先对一群用户的可能需求形成判断，再研发产品，之后考虑推广和分销。即使研究工具越来越先进，本质上仍然包含大量事先的揣测。

AI让我们有机会从消费者的意图开始。用户不必先把自己的问题翻译成某个已有商品，商业系统可以直接理解他原本想解决的问题。

比如，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、比较和组合方案；得到确认之后，还可以代为执行。

过去，“以客户为中心”更多是一种价值主张；在这样的商业模式中，它会成为实际运行的起点。AI持续围绕客户理解问题，需求也在人与AI的互动中逐渐形成。

因此，未来商业竞争中一个重要的问题是：谁成为人类表达真实问题的第一站？用户愿意跟谁聊，谁就有机会深入理解用户，并成为价值创造的起点。

从供应链到实时协同网络

最初的变化，可能只是基于意图寻找已有产品和服务，即“意图匹配”。更长远的目标，则是需求与供给同时生成。

“一人千面”不是无限生成商品。它依然受制于性价比和真实供给条件，要在这些约束下，为这个具体的人找到此时此刻最合适的解法。

这需要供给体系发生变化。传统供应链建立在相对固定的企业、流程和商品之上，强调规模化交付。未来的协同网络，则根据具体任务，实时调用不同能力节点，临时组合解决方案。

从固定供应链，到围绕具体任务的实时协同网络

数字化产品和服务会更容易发生这种变化，涉及物理世界的产品和服务会慢一些。今天，一些个人助理虽然已经改善了操作效率，用户体验却还没有发生根本飞跃，一个重要原因就是供给侧尚未充分改变：系统仍然在组合既有的存量产品和服务。

课件用AI短剧展示了这一演进方向：起初是AI写剧本、生成画面、配音和剪辑，提高生产效率；再往前，是根据不同人群生成不同内容版本；更进一步，则根据用户的停留、跳出和反馈，实时调整下一轮互动内容。供给开始随着需求变化而变化。

真正要走向更深入的智能商业，需要在供给侧也完成能力的数字化表达、调用和组合。

从卖产品，到实现人的意图

当智能系统能够围绕人的意图组织供给，商业的起点、过程和结果都会改变。

过去二十年，推荐算法不断发展，注意力、曝光、用户时长成为很多商业模式的基础。用户从产生需求到购买，要经历搜索、浏览、比较，这些过程提供了广告和品牌传播发挥作用的窗口。

如果AI能够在理解意图之后直接交付结果，这个窗口就可能被大幅压缩。竞争也可能从争夺用户时间，转向节省用户时间：用户花在平台上的时间更少，获得的价值却更高。

更重要的是，这种服务会产生独特的学习闭环。大模型提供通用认知能力，但要做好具体场景中的个性化服务，还需要持续理解用户，积累服务过程中不断产生的新反馈。这些经验并不等同于大模型预训练已经覆盖的知识。

所以，大模型公司未必能够覆盖所有商业场景。创业公司仍然有机会通过具体场景中的持续学习，建立自己的能力和竞争优势。

02｜什么是AI原生
假如拿掉AI，这个产品和业务是否仍然成立？

过去两年，很多企业已经经历了几轮AI尝试：让大家使用各种工具，为每个岗位配一个Copilot，把AI嵌入产品和工作流，再用Agent实现流程自动化。

这些工作都有价值，但需要继续追问：我们是否仍然只是在原有框架里提高效率？有没有开始创造过去无法实现的客户价值？

AI原生，是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，并由此释放商业价值。

这里的几个层面是一起演化的：产品改变，工作流要跟着改变，组织也要改变，甚至商业模式都会重新形成。关键是把新技术的根本优势发挥出来。

一个直接的检验是：假如拿掉AI，这个产品和业务是否仍然成立？如果仍然成立，只是效率下降，大概率属于AI增强；如果产品价值、工作流或组织方式都无法成立，才更接近AI原生。

判断AI增强与AI原生的一个直接问题

通用技术大变革的三个阶段

理解AI原生，需要把视野放到更长的技术史中。

AI是一种通用技术：它可以被广泛应用，技术本身会持续改进，还会催生大量互补创新。一个基础突破，需要配套的工程、基础设施和应用创新，才能充分释放价值。这往往是漫长的生态演化过程。

回看几次技术大变革，可以看到三个基本阶段。

第一，基础设施化。新技术逐渐变得可靠、低成本、容易调用，成为整个社会可以使用的基础能力。

第二，原生产品和服务创新。人们开始围绕新技术重新设计产品、流程和商业模式，真正创造大量新的价值。在这一阶段，还可能经历原生应用1.0到2.0的演进。

第三，社会重构。新技术渗透各行各业，改变组织方式、产业结构和社会运行方式。就像今天很多业务天然是数字化的，我们已不再反复强调它们是不是“移动互联网业务”。

从基础设施化，到原生创新，再到社会重构

电气化：基础设施与应用相互推动

电气化提供了一个很好的参照。

从爱迪生点亮曼哈顿的街区，到远距离输电和现代电网逐渐形成，关键变化是电能够作为一种公共服务被调用。企业不必各自解决一整套发电问题，才可能围绕电重新组织生产。

福特的流水线是重要的应用创新。电可以被送到需要的地方，各种电机使生产流程不再被原有动力传输方式限制，标准化和大规模生产由此得到新的发展空间。

面向家庭，变化也不是一夜之间发生的。电灯之后，电熨斗、洗衣机、吸尘器、电冰箱、收音机等产品陆续进入生活。不同应用逐渐改变家庭接电的价值：从“有电更方便”，走向“没有电就很难参与现代生活”。

这个过程形成正反馈：基础设施跨过可用性临界点，原生应用出现；应用提高用电价值，吸引更多家庭接电；市场扩大，再吸引更多应用创新。

所以，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，能否让大量创业者开始探索。

百花齐放，是社会大规模探索的过程

基础设施阶段，技术攻关的方向相对集中；进入应用阶段后，大家反而不知道新技术究竟应该用来做什么，哪些产品有真正的客户价值，用户愿意为什么买单。

于是，大量创业者进入，尝试不同产品、商业模式和生产方式，再由市场进行选择。主导产品形态在这些探索中逐渐形成，随后才可能进入行业整合。

汽车产业就经历过这样的过程。在早期，不仅产品定位不同，连动力选择、制造方法和销售方式都在探索。福特Model T把多种技术整合成结构简单、坚固耐用、容易驾驶和维修的大众产品，再通过流水线扩大供给，竞争才逐步转向规模化生产和服务。

这不是一家公司预先规划出来的完整路径，而是长期社会化探索的结果。

互联网也一样。Web开放和浏览器的发展，同时降低了用户使用和开发者建站的门槛。用户可以通过点击访问网站，开发者也可以更容易地提供服务。随后，门户、搜索、在线零售、在线市场、分类信息、旅行、邮件和即时通信等应用密集出现。

这些历史对今天很有启发：基础设施跨过一个门槛，应用创新的空间就可能被突然打开；而参与者的命运，取决于能否真正发挥新技术的优势。

原生应用1.02.0

Yahoo、Amazon和eBay几乎同时出现，却走出了不同路径。

eBay较早体现了双边市场的网络效应；Yahoo有强大的媒体属性，却没有持续沿着技术主线深入；Amazon选择了一块难啃的业务，被不断推动着投入技术、改进基础设施，并建立新的能力。

因此，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。生在AI时代，不等于AI原生；使用AI的广度，也不等于发挥机器智能优势的深度。

Google可以帮助我们理解原生应用2.0。它把用户体验、算法、基础设施和商业模式创新结合了起来：用户在搜索框里输入问题，就能获得结果；PageRank等技术支持这种体验；分布式计算支持大规模、低成本服务；竞价广告与效果反馈又构成商业闭环。

原生创新需要用户体验、技术、基础设施与商业模式相互支撑

从这个角度看，原生应用1.0，是找到新技术的大众产品形态；原生应用2.0，则进一步形成能够组织复杂供给、满足复杂需求的新系统。

福特让汽车成为大众产品，通用汽车则通过多品牌、多车型、价格层次和组织创新响应更丰富的需求。移动互联网也经历了从新入口到算法动态组织内容、商品和用户的演进。

研究这些历史，最终是为了回到今天：AI处在什么阶段，下一步机会会怎样展开？

03AI的产业化发展阶段
通用机器智能的基础能力已经形成

我的判断是，通用机器智能作为基础设施的轮廓已经初步形成，而且还在高速发展。

一方面，语言、多模态和推理能力持续提高；另一方面，编程、工具调用和Agent的发展，让AI开始具备行动能力。与此同时，算力、API以及按Token计量和收费的方式，也在推动产业基础设施成形。

当一种能力可以被相对统一地计量、交付和调用，它就更接近一种社会基础能力。人们不必自己训练一个模型，才能开始使用智能，就像不必自己建设发电厂，才能使用电。

基于前面讨论的历史框架，我认为我们正在加速进入原生产品和服务大量涌现的阶段。在今天这个时间点，我尤其关注2027—2028年：各种原生产品和服务，有可能在这一阶段更密集地出现。这是我对未来几年的一个重要判断。

但这并不意味着基础设施已经没有问题。应用爆发还需要两个条件继续成熟：Agent开发成本要进一步下降；用户也要能以低成本表达意图、建立信任并使用Agent。

这正是我用“浏览器还没有出现”来作比喻的原因：我们仍在等待某种标志性的产品与交互突破，同时降低开发者和普通用户的门槛。

Agent能力从行动走向责任

Agent的发展，可以从三个层次理解。

第一个层次是能够行动：调用工具，完成具体任务。

第二个层次是能够主动：自主拆解任务，跨步骤持续执行，处理更长程、更复杂的问题。

第三个层次是能够负责：稳定交付结果，让用户理解为什么可以信任它，并且能够接受反馈、积累经验。

Agent的下一道门槛：从能够行动，到能够负责

第三个层次尤其重要。如果AI不能稳定完成任务，用户就很难真正授权。如果它交付之后无法获得反馈，也难以形成持续学习。

所以，接下来的产品和技术创新，不只是让Agent“能做更多事”，还包括让用户愿意托付任务，以及让交付过程形成可理解、可反馈、可改进的系统。

Agent StoreAgent OS

未来可能出现大量不同的Agent：有些高度专业，有些相对通用；有些很快消失，有些不断成长。与此同时，用户会尝试不同产品形态和工作方式，整个社会一起探索什么真正有用。

我暂时把其中可能出现的入口称为“Agent Store”。它未必是今天App Store的翻版，也未必只是一个产品列表。用户需要的是发现、选择、评判、管理和使用Agent的办法，包括计费、反馈等一系列机制。

这个入口可能是个人助手、某种超级应用，也可能依托新的终端形态。目前都还没有确定，重要的是找到Agent的大众产品形态，让开发和使用都足够容易。

在足够丰富的Agent供给之上，才有可能进一步形成“Agent OS”：用户只表达目标，由系统动态组织不同Agent、数据、工具和现实供给，一起完成任务。

Agent OS以丰富的Agent供给和协同能力为前提

我想强调，现在把Agent OS当成已经成熟的答案，还为时过早。它是更长远的演化方向。需要先经历应用的百花齐放，才可能逐渐形成相对稳定的入口和系统结构。

对于创业者，当前最重要的机会，是参与真实应用的探索，找到能够成立的客户价值，而不是等待所有标准和答案都已经确定。

04AI时代的价值创造和竞争
智能复利：系统的使用过程，成为学习和增值的过程

回到经济学的基本问题：农业时代，土地是关键生产要素；工业时代，资本成为规模化生产的重要基础；智能时代，智能本身开始成为可以规模化生产和调用的生产要素。

当人类能够规模化调用通用智能，价值创造的源泉是什么？工业时代靠规模经济，互联网时代靠网络效应，AI时代又靠什么？

我的一个初步判断是“智能复利”。

一个系统完成真实任务，获得反馈，基于反馈提高能力；能力提高之后，它可以处理更复杂的任务，获得更高质量的反馈，再进一步增强能力。系统在被使用的过程中，也在学习和增值。

AI独立上岗，是最艰难的一步

把智能复利的飞轮转起来，并不容易。目前能够明显体现这一机制的实践仍然有限。

最大的挑战，是让AI真正跨过“能用”和“不能用”之间的门槛。我把它称为“60分奇点”：AI终于可以独立上岗。

在此之前，要做大量艰苦的工作。你需要设计Agent，准备它需要的知识和上下文，把人的经验传递给它，为它提供练习和验证的场景，再找到愿意共同探索的客户，让它逐步进入真实业务。

独立上岗的关键有三个：能够接过一项端到端的任务；直接面向结果，而不只是完成几个动作；能够得到真实、完整的行动与结果反馈。

独立上岗：端到端任务、结果责任与真实反馈闭环

对所有希望推动AI落地的人，最具体的问题是：第一个让Agent独立承担的真实任务是什么？它需要怎样的技术、产品、知识和经验？什么样的客户最可能帮助你迈出第一步？

在课程中，我用Claude与Claude Code的相互促进来说明智能复利的早期迹象：更强的模型支持更复杂的研发与客户任务，真实任务带来更多反馈，也提高研究和工程效率，再促进模型、Agent和评测体系的改进。这呈现的是能力、任务和研发效率相互推动的可能性。

黑洞效应：能力差距怎样被持续放大

当系统跨过一定的任务复杂性门槛，智能复利可能进一步转化为竞争优势的持续扩大。

用户倾向于把更复杂、更重要的任务交给更可靠的系统；这些任务带来更高质量的反馈，进一步强化系统能力；开发者、数据和信任又向这样的系统集中。于是，领先不只是一次性的性能差异，还可能改变后续资源流向。

我把这种现象称为“黑洞效应”。但它的形成有前提，课件中列出了四个相互关联的条件。

首先，学习空间要足够大。任务复杂度高，系统仍然有持续提高的空间。

其次，能力差异要转化为用户能够感知的价值。只有系统自己认为指标变好了，用户没有感觉，还不够。

再次，反馈要具有路径依赖。真实任务中形成的经验，不能被轻易复制。

最后，能力差距能够持续影响任务分配。更强的系统获得更多、更复杂的任务，才可能继续拉大差距。

黑洞效应的四个前提：能力提升如何进一步转化为竞争优势

所以，AI时代值得重视的一条竞争主线，是系统进化的速度。它能不能进入持续学习和能力扩张的循环，决定了它是否有机会接住更高价值、更复杂的业务。

移动互联网时代，我们常说“高频打低频”；AI智能体时代，我用“高维吞低维”来描述一种可能的竞争趋势。网络效应带来赢家通吃，智能复利则可能形成“智者恒强”。

这并不意味着所有应用必然被同一个系统覆盖。通用与垂直、大场景与小场景之间的边界，仍然需要研究。值得不断追问的是：我们正在积累什么能力，系统是否真的越做越聪明？

05｜创智组织：AI原生的组织新范式
AI如此强大后，人怎么办？

讨论AI原生组织，最终要回答的，是未来组织会长成什么样，它的基本组织原则是什么。

这里有两个根本问题：当AI可以完成越来越多的工作，人的独特价值在哪里？当每个人都可能成为超级个体，组织又应该做什么？

这涉及三个相互关联的层面：个人需要什么能力，社会的分工合作会怎样变化，以及组织如何形成持续创造的集体能力。

从知识工作者到创智人才

这两年，很多年轻研究者和创业者在新的浪潮中展现出很强的创造能力。除了专业知识，我观察到两个突出特征。

第一个是高能动性。他们会主动发现机会、提出问题、寻找资源，遇到障碍时继续探索新的路径，并愿意从想法到执行承担责任。

第二个是超强的学习能力。他们像一台学习机器：理解自己怎样思考和决策，主动寻找反馈，快速修正，能够从第一性原理出发重新构建问题。

AI进一步放大了这些能力。一个人可以借助AI快速进入新的领域，把更多时间用于提出问题、建立模型、创造解决方案。原来必须通过许多配套岗位才能完成的工作，现在可能由少数人和Agent共同完成；传统的专业壁垒也因此变得更加开放。

我遇到过一位创业者，为了招聘优秀人才，先用AI系统地学习对方的论文和工作。等到见面时，他已经能够围绕对方真正关心的问题展开深入交流。这种认知上的共鸣，是吸引人才的重要基础。

我把这样的人称为“创智人才”：能够选择值得追求的方向，定义有价值的问题，创造新的认知，并组织人类与机器智能把它落地的新型创造性人才。

创智人才：定义问题、创造认知，并组织人类与机器智能落地

因此，当我们讨论AI会取代多少工作时，也应该反过来问：当重复的脑力劳动被逐步接过去，人能成为怎样的人？我们是否能把更多能力用在创造上，并与AI共同进化？

招聘之前，先问工作能不能由Agent完成

面对新的工作需求，传统组织首先想到的是：这是什么岗位，要招什么人，向谁汇报？

一些AI创业团队的起点已经不同：我们到底要完成什么任务，需要什么能力组合，其中哪些可以由Agent承担？剩下的能力，现有的人能否提供？只有这些问题回答之后，才讨论是否需要招人。

这意味着，组织开始从岗位出发，转向从任务出发。岗位把一组相对稳定的工作固定下来，而任务单元围绕一个明确结果，动态组合需要的能力。

未来的组织图，可能越来越像工作如何完成的流程图。先定义目标和问题，再拆解任务，明确直接负责人，围绕结果组织人、Agent、Skill、工作流、数据与反馈。

从岗位和部门，转向围绕结果运行的任务单元

一个人不一定长期固定在同一个岗位，但要对自己承担的任务和结果负责。高能动性的人可以主动认领重要问题，团队也可以根据能力与任务的匹配形成协作。

这会改变管理的重心。管理者需要考虑一个任务需要哪些能力，哪些应该内部沉淀，哪些适合按需调用，谁来判断、验收并承担最终责任。

一个优秀的管理者，越来越需要让正确的能力，在正确的时点，以正确的顺序被调用，同时让参与其中的人和AI获得学习与成长的机会。

人使用Agent，还是Agent调用人的能力？

还有一个很重要的思路变化。

我们现在习惯问，人怎样使用Agent。另一种思考方式是：能否让Agent承担完整任务，遇到困难时，再调用人的专业能力？

两者的关键差异，在于人的贡献是否回到系统的学习闭环中。如果Agent一遇到难题就把工作彻底交给人，问题虽然解决了，但AI可能没有学到解决问题的过程。

如果工作流围绕Agent完成整个任务来设计，它在适当环节获得人的帮助，而人的判断、处理过程和结果又被系统吸收，那么这次协作就可能成为下一次能力改进的来源。

移交给人，还是调用人的能力：关键在于经验是否回到学习闭环

这不是一个简单的技术动作。它要求我们理解AI的能力边界、任务结构和反馈方式，也要求重新设计权责、权限与协作。AI原生组织，是这些机制共同演化的结果。

组织整体智能化：为什么每个人提效，公司却未必变强？

很多企业已经投入大量精力使用AI，为什么组织整体效率的提升仍然有限？

一方面，可能还没有找到真正的AI原生产品和服务，创造的价值不够大；另一方面，个人效率提高，并不自动意味着组织整体变得更聪明。

一个研发工程师效率提高了，但他的工作仍然卡在传统流程和部门衔接中，整个组织的效能就未必有相应变化。

未来组织真正重要的，是过去难以高效做到的两件事。

第一，集体智慧的形成。每个人感知到的变化、发现的问题、形成的洞察，都有机会改变整个组织的认知。

第二，集体智慧的应用。每个人面对具体任务时，都有机会调用整个组织积累的高质量认知，获得相关的背景、经验和判断框架。

组织整体智能化：既形成集体智慧，也让个体能够调用集体智慧

做一个简单的想象：如果CEO能够与每位员工一起处理问题，员工得到全局视角和长期经验，CEO也得到一线的信息，决策质量会怎样变化？

现实中，一个人的时间与注意力有限，不可能真的无处不在。但AI有机会帮助我们建立一种双向的认知流动：一线经验进入组织，组织的整体认知又支持一线。

过去，管理是在专业智能稀缺的条件下，通过分工、流程与协调，把有限能力转化为规模化产出。未来的“创智”，则围绕真实任务连接人的创造力与机器智能，在解决问题后把经验沉淀为可复用的组织认知，再用于下一轮决策。

这样，组织就有机会形成“价值创造—认知进化—更高质量价值创造”的循环。它不仅完成工作，也在完成工作的过程中持续学习。

组织OS：让组织智能体运转的底座

我把未来的创智组织，理解为一个能持续学习、协同行动、自我进化的组织智能体。它是人与Agent共生的协同网络，人依然承担目标、权责和最终判断。

组织OS，则是让这个智能体运转的制度、机制与技术底座。

如果说AI让大量计算单元能够连接起来处理复杂问题，那么在组织中，我们也需要思考，如何帮助人的“大脑联网”。这要求共享的超越信息本身，还包括背景、判断过程、认知与反馈。

目前，我还没有看到一个完整成熟的组织OS案例，但可以看到许多局部探索，以及越来越清楚的方向。

第一步是组织记忆。把事实、判断、分歧、历史决策及其来源组织起来，让需要的人和AI在正确的时刻调用。

为什么现在很多人愿意把讨论录下来？因为讨论过程本身包含大量决策背景。如果这些内容没有被保留，AI就无法理解“为什么会作出这样的决定”。所以，我们需要提高工作与决策的可见性，并明确哪些信息需要留痕、哪些工作需要更新、上下文如何同步。

第二步是AI学习。假如AI持续理解多位高管的思考与决策，它能否提出新的观察，像一个新的讨论参与者那样，帮助团队发现原来没有看见的问题？这比单纯记录和检索，更接近认知共创。

第三步是反馈与进化。新洞见、新决策经过真实结果验证，再反过来更新共同认知、Skill和下一轮决策。

第四步是技术底座。身份权限、生产系统的数据接入、记忆与索引、执行调度、评估与版本治理，都需要逐步建立。

组织OS的运行：记忆、学习、反馈与技术底座

对已有企业，这不一定意味着推倒所有旧系统。原有SaaS可以成为新系统调用的功能与数据来源，关键是能否把它们连接到新的学习过程里。

我也看到一些创业团队，分享工作的方式从最终文档转向完整的思考对话。只看两页决策结论，很难知道对方依据什么作了判断；如果能够看到上下文和推理过程，协作就可能进入认知层面。

当然，组织越复杂，权限和隐私边界就越重要。透明不能只是一句文化口号，它需要与实际的信息机制、职责和技术设计共同成立。

共创：从规模优势，到进化速度

组织的竞争优势，可能从“执行力乘以人数”，逐渐转向“学习循环转一圈需要多久”。

人和AI形成共同认知，进入真实行动，获得反馈，再改进Skill与Agent；循环不断推进，执行质量提高，客户得到的方案也越来越好。

共创需要相应的文化、制度和工具。它不只是信息共享，也不只是把一个决定授权下去，而是不同的人与AI一起生成更好的理解。

这会改变领导者的工作。领导者的核心职责，是建设一个能自我进化的人机协同系统，并帮助团队理解为什么做一件事：目标是什么，背景是什么，有什么约束，可以调用什么资源。

Context, not Control。提供充分上下文，让团队自主寻找解决方案，同时给出及时、有效的反馈。

但有了共享信息，还要有信任、承诺以及深度互动。激励机制也需要从管控行为，转向激发探索，让人愿意面对难题、提出新想法，并从失败中学习。

领导者依然要决定重大取舍，明确风险边界，承担最终责任。对中层而言，单纯信息中转、进度汇总的工作会减少，人才成长、能力建设、关键判断与利益协调仍然重要。

领导者的新职责：建设系统、对齐认知、激发探索并承担责任

创智人才的内在系统，要更加稳定

这里还需要补充一个经常被忽视的方面：能力被AI放大，情绪噪音也会被放大；团队越小，个人的负面作用越容易冲击整个团队。

在高压、高速、高不确定的环境下，一个稳定的内在系统非常重要。

它首先意味着更少自欺，能够看清自己在逃避什么。问题不会因为被回避而消失，往往只会在之后以更大的代价回来。

其次，是面对冲突不逃避。关系债积累越久，协作成本越高。团队需要把冲突转化为可以理解和处理的信息，而不是一直压着不谈。

再次，是能够承受失败。创新本来就包含大量实验，一次失败可以是系统反馈，而不必直接变成对自我价值的否定。理解反馈，快速进入下一轮，才可能持续成长。

所以，创智人才不只有强大的理性与学习能力，也需要自我觉察、建设性互动与内在成长。

能力越被放大，越需要稳定的内在系统

总体而言，我理解的AI原生组织，有几个重要方向：组织整体智能化；拥有强大学习闭环；围绕任务形成能力协同网络；创智人才越来越像共同承担责任的合伙人；以共创为原则，以群体智慧进化为目标。

这些机制仍处于探索中，尚未形成一个可以直接复制的完整范本。但我们已经可以用这些问题，重新检视自己的组织。

06｜智能战略
战略成为组织的日常工作

传统战略流程，大家很熟悉：制定五到十年的规划，每年开战略会，再把战略拆解成目标，交给组织执行，用KPI考核。

这套体系在行业结构相对稳定、变化趋势比较清楚的时候，比较容易发挥作用。但颠覆性技术创新带来了漫长而不确定的转型期，既有经验越来越不够用，战略也越来越难以通过一次性的分析完成。

我们已经看到几个变化。首先，战略成为组织的日常工作，需要持续作出高质量决策。其次，决策之后还要不断修正，环境不会因为你已经作出选择就停止变化。再次，战略与产品、技术、运营越来越紧密，无法简单地分解后逐层传递。

战略复杂性也越来越超出个人的能力。掌握关键知识、接近真实场景的人，都需要参与。 战略不再只是CEO或少数高管的事情，它需要成为整个组织的能力。

愿景驱动的战略发现

我把AI时代的战略模式称为Vision-Driven Strategy Discovery，愿景驱动的战略发现。

一方面，战略是在探索中逐渐发现的，没有人能够凭空推导出全部正确答案；另一方面，探索需要方向，否则就不知道应该往哪里试、往哪里积累。

这两个方面必须同时存在。

愿景—战略—行动—洞察：持续迭代的战略发现过程

这个过程本质上也是一个学习闭环。

先有对未来的思考，形成愿景，提供方向与价值基准。在此基础上，建立当前的战略框架，包括路径选择、重要里程碑、关键能力积累和客户价值创新。

然后进入行动，尽可能完整地收集真实反馈。对反馈作出解释，在其中寻找新的洞察，再用洞察校准愿景、调整战略，并指导下一轮行动。

我和创业者讨论时，经常问：我们谈了这么多，究竟有什么新的洞察？有哪些理解与原来不同，与外部共识也不同？

洞察不一定能靠一套线性分析方法直接推导出来，它更可能在持续的互动、行动和反馈中涌现。战略生成系统的价值，就是让这样的过程可以不断发生。

为什么仍然需要相对稳定的愿景？

愿景的重要性，在于让组织在变化中保持方向。

复利的一个重要来源，是在一个方向上持续积累。客户理解、技术、经验和认知，都需要时间形成。如果一会儿向南、一会儿向东、一会儿向北，积累很难持续。

愿景提供参照，我们才有可能判断某次行动意味着什么、哪些能力值得建设，以及怎样理解新的反馈。

但愿景同样是需要被现实检验的判断。它不能变成拒绝反馈的理由。方向保持相对稳定，路径则在探索中越来越清楚，必要时也要对原来的判断作出修正。

比如，你是否相信未来几年是应用大量涌现的阶段？你是否相信创业公司在其中有机会？这些看似宏观的判断，会实际影响你今天选择做什么、不做什么。

在行动中发现什么值得做

在战略发现体系中，行动除了完成任务，还有一个重要作用：产生反馈。

当你不知道哪条路更好，就需要通过实验了解现实。行动的价值不仅体现在结果本身，也体现在它带来了什么信息，帮助你排除了什么误解，形成了什么新判断。

一次失败的实验，可能带来很有价值的结构性信息。它让你理解某个方向为什么走不通，也可能让新的机会显现出来。

因此，战略制定和执行越来越难以割裂。行动既是执行，也触发新的战略思考；后续思考，又会改变下一轮行动。

看十年、想三年、干一年的迭代闭环

“看十年、想三年、干一年”，就是对这个过程的一种通俗表达。重要的并不是三个数字，而是长期、中期和短期之间的张力。

看十年，是Visioning，是努力理解未来可能的结构性变化。看得远，也在逼着自己看得深：什么是底层驱动力，什么只是暂时噪音？

想三年，是以终为始，基于对未来的理解，谨慎选择定位与发展路径。至少要想清楚未来几个重要里程碑，以及这些选择是否在为更长远的方向积累能力。

干一年，是把判断落实到行动，获得真实的市场反馈，并推动下一轮学习。

“看十年、想三年、干一年”是持续学习和调整的闭环

长期视角太强，组织容易变成空想型公司：远方讲得很多，却找不到当下的切入口。短期视角太强，组织容易变成追风型公司：不断被眼前流量、数据和机会拉着走。中期视角太弱，则缺少路径逻辑，愿景与行动连接不上。

愿景驱动的创业者，往往要艰苦地寻找“未来在当下的投射点”；机会驱动的创业者，则要在第一阵风还在时，看清第二阵风、第三阵风可能从哪里来，而不是只想着把眼前机会用到极致。

因此，我与创业者深入讨论战略时，常从三年目标切入。这个目标不是财务模型线性推导出的三年预算，而是基于业务理解形成的具体想象：它要有足够的牵引力，也要有现实可行性，让组织可以一步一步走向未来。

建立战略生成系统

今天，比起苦思冥想下一次战略突破在哪里，更值得投入的，是建立一个能够持续产生高质量判断的系统。

借用机器学习的框架，可以从算法、算力和数据三个方面理解它。

算法，是组织共同理解和使用的战略方法论。参与讨论的人需要有基本的思考框架与沟通语言，能够讨论取舍、路径，以及短期和长期之间的关系。

算力，是有多少高质量的人才参与这个协同网络，以及他们的认知深度、广度和丰富度。这里最重要的，是让不同人的大脑真正连接起来，而不只是把许多人放在同一个会议室里。

数据，是组织能否持续获得真实、准确、具体、丰富、及时的反馈。只有真实反馈进入闭环，才能推动真正的学习和洞察。

战略生成系统：共同方法论、高质量认知网络与真实反馈

这也是为什么我先讲组织，再讲战略。战略生成系统，是组织OS的重要组成部分。个人在一线感受到的变化和独特思考，需要被组织吸收，成为共同认知；这些认知又要支持每个人更好地决策。

战略过程越来越像共同拼图和建模：大家把自己看见的现实放在一起，形成更完整的理解。与此同时，组织基于共同认知支持分布式决策，再通过每个决策产生的反馈修正共同认知。

支持这种过程的工具，也需要超越传统的协同文档，进一步向组织OS演进。

真正的战略共识，是推理方式的共识

真正的战略共识，不仅是“走哪条路”，更是“我们如何判断哪条路值得走”。

如果只交流决策结论，大家看起来达成一致，但面对新的情况，判断仍然可能很不一样。更深的对齐，是理解彼此为什么这样思考，依据什么作出取舍，以及如何解释变化。

即使获得同样的信息，每个人也可能得出不同结论。把这些判断过程放在一起讨论，才有机会形成认知的突破。

战略共识：从共同结论，走向共同的判断方式

愿景可以成为共同的世界观，判断方式可以成为共同的推理方法，反馈成为共同学习的输入，行动成为共同探索的过程。组织中的每一点行动，都在为系统学习；系统的每次学习，也能被组织各部分继续使用。

AI越重要，线下高质量互动越重要

强调组织OS和AI，并不意味着可以忽略人与人面对面的深度交流。恰恰相反，当AI承担更多基础工作，高质量的线下互动可能变得更重要。

我曾参加过一些公司的战略会，几十个人坐在一个房间里，却都对着协同文档敲字。工具确实提高了信息共享效率，但面对面的争论和深度碰撞，也可能在这个过程中被削弱。

我们推动战略共创会，是希望通过深入互动，共同创造新认知，形成战略共识，并推动集体认知模式升级。它不只是交换信息，而是面对真实难题，坦诚地讨论彼此的判断。

这需要文化基础：真诚、真实、开放、勇敢、深刻，以及全身心投入。谁来参与也非常重要，要让具有不同经验、掌握鲜活信息、愿意思考的人进入讨论，而不只按岗位和级别安排座位。

认知发生突破，共识才能真正涌现；参与其中的人理解了为什么这样选择，也更容易形成拥有感，在执行中作出高质量判断。这样的共创，往往也是很深的团队建设。

未来的战略竞争，可能越来越不只是“谁的战略更好”，而是“谁的战略系统更强”。运营决策越来越自动化，人承担的判断越来越战略化；组织能否持续输出决策、获取反馈、修正认知，成为更深层的竞争力。

战略，逐渐成为组织智能的产物。

结语｜学习闭环、远见与初心

如果今天六个议题只带走一个词，我希望是Learning Loop——学习闭环。

机器学习需要反馈闭环；创智人才需要理解自己如何学习，持续改进判断；团队像优秀球队，在训练和实战中共同成长；组织既要帮助其中的人、Agent和团队形成学习闭环，也要让自己成为持续学习的系统。

业务同样如此。每个业务，都需要成为围绕具体用户与场景持续学习的系统，才能提供越来越好的服务。

从个人、团队到组织与业务，学习都需要形成闭环

我不希望这次分享带来更多焦虑。我们可以坚定地相信AI具有很大的发展空间，也要看到，应用创新阶段的机会会比基础设施阶段更加丰富。对用户的理解、共情能力、场景经验与创造力，都可能在新的价值创造中发挥作用。

但这最终要落实到行动。

第一，从自己开始，用起来，学习和理解AI。你使用AI的深度，会影响你对它的判断。

第二，对许多已有业务而言，可以等待适合自己的工具和解决方案逐步成熟，不必把每一种新工具都立即变成组织任务。

第三，坚定但有节奏地推动业务和组织的AI升级。结合自己的条件判断，什么值得现在做，什么还需要观察，什么可以从一个具体的小点切入。

AI增强，是很多已有企业需要走过的过程；同时，我们也要理解更长远的AI原生产品与组织可能是什么样子，让眼前的行动与未来方向建立联系。

务实地推动：从自己开始，从具体的小点切入，把握升级节奏

真正有价值的事情，往往需要长时间积累。即使变化如此之快，十年也足以孕育一个新的时代。

远见与初心依然重要。远见帮助你走向未来，初心帮助你面对诱惑与恐惧。接下来，我们可能需要作出不少重要取舍：什么该要，什么不该要，是否需要脱胎换骨，以及如何一步一步走过去。

大舍大得，大赌大赢，大拙大巧。外在的能力在被放大，内在的稳定与心力也需要成长。

祝大家好运。