曾 鸣：很多AI只是在干活，并没有真正为结果负责

先想象一个场景。

你买了一辆车，开了五年。五年过去，你的驾驶技术越来越熟练，可车还是那辆车。它不会因为你开得更多就变得更好，相反，零件会磨损，动力会下降，漆面会老化，故障隐患也会越来越多。你积累的那些经验，比如雨天怎么刹车、山路怎么过弯，都留在了你的脑子里，和这辆车没有关系。

过去几百年，我们熟悉的世界大多是这样子：几乎所有东西都是越用越旧的。机器会磨损，人会疲劳，公司做大了也常常变得迟缓。用曾鸣书院创始人、阿里巴巴集团前总参谋长曾鸣的话说，在过去，增长往往意味着消耗。

但现在，有一类东西反过来了：它越用越强。

在新书《智能：AI时代的商业、组织与战略的本质》里，曾鸣讨论的正是这个变化：当AI技术继续高速发展，商业、组织和战略这些最重要的领域，会发生什么根本性的变化？

这本书是他继《智能商业》《智能战略》之后，面对AI时代的一次集中思考，他试图从第一性原理出发，去推演未来商业世界背后的底层规律。

同样一辆车，特斯拉为什么不一样

还是回到车的例子。

特斯拉的自动驾驶，和前面那辆普通汽车最大的不同在于：车卖出去之后，并没有停止成长。每一辆特斯拉在真实道路上跑过的每一段路，遇到的复杂路况、极端天气、边界场景和异常情况，都可能变成数据，反馈回系统，用来训练模型、优化策略。也就是说，你每开一次车，不只是用车，也是在帮这个系统变得更聪明。

曾鸣把这种机制称为“智能复利”。一个系统干的活越多，见过的场景就越多，获得的反馈也越多。这些反馈会继续优化系统，让它能力变强。系统越强，就越能处理更复杂的任务，也能获得质量更高的反馈。这个循环一旦跑起来，能力就会像利息一样不断累积。

在曾鸣看来，这正是AI时代最重要的底层机制之一。工业时代有规模经济，规模越大，成本越低；互联网时代有网络效应，使用的人越多，网络越有价值；到了AI时代，对应的就是智能复利：用得越多，系统自己越强。过去，增长常常只是结果。现在，增长本身也可能反过来增强能力。

越用越强，不等于一定能赢

不过，智能复利能创造价值，并不等于企业一定能建立竞争优势。曾鸣特别提醒，系统变强和企业甩开对手，是两回事。

在那些简单、标准、谁都能做的任务上，大家其实会一起进步。你在变强，对手也在变强，最后差距很难拉开，竞争又会回到拼价格、拼补贴的老路上。

真正能拉开差距的，是复杂任务。

复杂任务很看重长期积累的经验。一个系统过去踩过哪些坑、犯过什么错、在困难情况下怎么权衡，这些都会影响它之后的表现。对于一个系统来说，这些都是无法直接复制的经验。当能力差距大到会影响“这件事到底交给谁”时，事情就变了：人们会把最重要、最难的任务交给那个更可靠的系统。越难的任务，带来的反馈越有价值；反馈又让系统更强；更强之后，它会继续吸引更多关键任务。

曾鸣把这种滚雪球式的优势增长称为“黑洞效应”：一旦突破临界点，领先优势就会不断放大。你与其说是在和某一家公司竞争，倒不如说是在和整个生态的流向竞争。因为复杂任务高度依赖一步步走过来的经验，后来者即使拿到同样的数据，如果没有经历过同样的过程，也很难复制出同样的能力。所以在AI时代，领先一步，往往就意味着领先一个阶段。

为什么很多公司用了AI，却没见变强？

智能复利听起来很有吸引力，但回到现实，我们会发现，真正“越用越强”的系统并不多。很多公司明明已经接入AI、上线智能客服、做了自动化流程，可组织能力并没有明显提升。

问题出在哪？曾鸣的回答是：很多AI只是在干活，并没有真正为结果负责。

以AI客服为例，回答订单查询、物流状态、退款规则这类标准问题，它通常没什么问题。但一旦遇到规则冲突、异常情况，或者用户带着情绪来沟通，系统就很容易出错。这时企业只能安排真人在旁边盯着，随时检查、纠正，甚至直接接管。看起来是AI在处理任务，真正兜底的还是人。

两方面的问题随之出现。一是规模做不大，因为每个任务都要人盯着，AI处理得越多，需要看着的人也越多。更关键的是，AI拿不到完整、真实的反馈。它看到的，往往是被人工筛过、改过的结果。它没有机会从头到尾看清一件事是怎么出错的，用户真实反应是什么，最后结果又是怎样发生的。一旦“行动-结果-反馈”这个闭环断掉，智能复利就无法真正运转起来。

所以曾鸣认为，真正的关键转折，是AI能不能从“人替它兜底”，走向“它自己对结果负责”。这是搭建智能系统时最难迈过去的一道关。只有当企业敢把一部分结果责任交给系统，任务规模才可能做大；任务做大了，真实反馈才会不断涌入；有了反馈，智能复利的飞轮才可能真正启动。

这也提醒企业重新看待增长。收入、市场份额、日活这些数字，正在从“原因”变成“结果”。真正重要的问题，是你的系统有没有形成一个能自己跑起来的完整任务闭环。

从“千人千面”到“一人千面”

曾鸣把商业的演变分成三段。工业时代是“千人一面”，供给有限，一款产品卖给尽可能多的人，可口可乐、麦当劳这样的标准化商品和服务都是这个逻辑。互联网时代是“千人千面”，平台通过推荐系统把人分成不同类型，再把更合适的内容、商品和服务推给他们。到了AI时代，曾鸣认为商业会进一步走向“一人千面”：商业系统不再只是判断“你是哪类人”，而是开始理解“你当下到底想解决什么问题”。

从类型到问题，关键的区别在于：一个人的行为看得见，但他真正的意图往往藏在背后。

书里举了一个例子。一个人反复看儿童绘本，从行为数据看，标签很清晰，就是对童书感兴趣。可他为什么看？可能是刚当上爸爸，想培养孩子的阅读习惯；可能是要给朋友的孩子挑礼物；也可能是打算做童书生意，正在摸行情。行为看起来差不多，背后要解决的问题却完全不同。

过去的商业模式只能推测“你大概是哪类人”，然后给你推一堆绘本。AI第一次有机会通过一次次深入互动，真正理解你要解决的具体问题。正如《智能》中一书中所言，“谁定义了需求，谁就定义了市场”，当需求和供给都能被实时生成，商业比拼的重点也会变化，不再只是占有多少资源，而是能不能把资源组织起来，持续满足真实需求。

更深层次的变革：组织和战略

AI对商业模式的冲击，最终会引发两个更根本性的变革。

变革之一在于组织。曾鸣提出了一个很现实的问题：为什么AI明明让每个人都变强了，可组织却常常没跟上，还是层层开会、反复汇报、跨部门扯皮？在他看来，我们今天熟悉的公司制度，本来就是工业时代的产物。它的目标，是让一大群人高效执行既定答案。但相比于执行，AI最擅长的其实是不断生成新的解法。它还接手了很多过去靠中层完成的信息整理和协调工作。这样一来，组织最重要的能力，就从能高效执行跃迁为能不断形成新的理解。未来的竞争，很可能会变成组织和组织之间的智能高下。

变革之二在于战略。有些公司看起来战略特别清晰、规划特别完整，反而更容易被变化打个措手不及。美国在线教育平台Chegg就是一个典型例子。它长期定位于学生学习支持市场，用户群体清楚，订阅模式稳定，从传统战略眼光看，几乎挑不出大问题。但生成式AI出现后，学生获取知识的方式发生了根本变化。原来依赖的“内容供给+订阅服务”模式，在短时间内失去了吸引力。

Chegg并非没有战略，但它的战略建立在以下前提上：学生获取知识的方式不会发生结构性变化。当前提被瓦解，再严密的战略也会随之失效。

反过来看，OpenAI和亚马逊AWS的很多关键路径，也并不是一开始就完全规划好的，恰恰是在不断行动、反馈和调整中长出来的。

于是曾鸣给战略下了一个新的定义：战略不是先制定好再执行，而是在持续行动中生成的。相较于手里有一个好战略，真正厉害的公司，在于其拥有一套能不断生成好战略的机制。

我们正在进入的，不只是一个新技术时代

在这些变化的背后，曾鸣看到的是同一件事：世界正在从依靠固定结构运转，转向在不断的生成中自我增长和创造。

由此他给出了一个更大的判断：AI是人类第一次去创造智能本身。过去所有商业制度、组织和管理理论，其实都默认了一个前提：人是这个世界上唯一会思考、会创造的主体。而AI的出现，第一次让这个前提松动了。

当然，曾鸣也在书中提醒，这些思考都是面向未来的推演，真实世界只会比任何预测都更复杂。《智能》没有给出某个确定的答案，它所提供的是一组坐标，以帮助我们理解眼前这些混沌变化。在一个没人能准确预言未来的时代，理解变化背后的底层逻辑，或许本身就是参与未来的起点。

正如本书结尾的那句话：过去，创业者是在一个既有世界中寻找机会；今天，越来越多的人开始参与一个新世界本身的生成。