曾鸣谈AI产业演进：从模型领先到应用与组织重构

一、嘉宾背景

曾鸣是企业战略专家、教授、阿里巴巴集团前总参谋长，也参与过长江商学院和湖畔的创建。在《张小珺商业访谈录》中，他与主持人张小珺从互联网产业的研究与实践谈起，讨论AI正在进入什么阶段，以及企业如何为尚未定型的未来做准备。

曾鸣将自己的战略研究方法归于学术训练与企业实践的结合。参与阿里高速发展的过程，让他有机会检验既有理论，并从实践中提炼新的框架。与此同时，他持续研究前沿产业，使战略研究既关注方法，也追问下一步机会可能出现在哪里。

这段经历也使他的讨论不断往返于产业选择与组织执行之间。他回顾淘宝、支付宝和阿里云的创立，强调战略并不止于作出一次正确选择。以阿里云为例，服务什么场景、架构能否支持多个场景、采用何种技术路径，都会在后续决策中继续带来挑战。这些回顾呈现了亲历者对战略落地复杂性的认识，也构成他分析AI的经验背景，但并不能自动验证他对未来的预测。

二、本期主要内容

曾鸣将通用技术的产业化分为三个阶段：基础设施形成，海量应用展开探索，原生应用最终出现，并改变底层运行方式。这一划分贯穿整场讨论。他借此辨认产业在不同阶段需要积累的能力，以及企业面临的竞争问题如何变化。

他判断，2026年标志着AI基础设施阶段基本完成、智能体应用阶段开启。一个依据是Token逐渐成为智能调用的度量和计费单位，使前沿能力能够被规模化采购；另一个信号是Agent开始展现独立完成任务的潜力。这是他对产业成熟度的判断，并不意味着所有任务都已得到可靠解决，也不意味着大众产品已经成熟。

应用探索为何不能跳过？他用今日头条到抖音的演化解释这一过程：早期产品探索推荐算法，带宽和算力持续改善，短视频形式再与推荐机制结合，才形成新的应用。应用在使用技术的同时，也帮助技术寻找发展方向。沿着这一历史框架，他估计第二阶段可能有八至十年的空间；这是对探索周期的判断，并非确定的产业时间表。

在基础设施层，曾鸣将大模型公司视为潜在的AI云公司，预计它们会与既有云厂商发生碰撞和整合。基础设施投入巨大，社会又需要稳定供给和供应商替代，由此他推演，未来可能形成少数厂商竞争、政府强监管的格局。这仍是对商业结构的预测，终局尚未形成。

应用入口的机会，在他看来是统一Agent标准，降低开发和调用门槛，作用类似浏览器。但他明确指出，抽象的历史规律无法推导具体的交互形态。更远一步的Agentic OS被他放在第三阶段：系统理解用户意图，再直接调度Agent完成任务。它需要Agent与原生硬件经过充分探索，目前的形态与赢家都未知。

节目所称的“龙虾”，展示了独立执行任务的潜力，也暴露出早期产品的不成熟。曾鸣将它视为极客和敢于尝试的CEO参与的早期实验。他同时限定，在自己的有限观察中，尚未看到足够好的大众To C Agent。智能体应用阶段已经开启，与成熟消费产品仍待出现，在他的判断中并不矛盾。

三、核心观点：推理、例子与边界

曾鸣对当前模型领先者能否赢得原生应用竞争持保留态度，原因在于两个阶段需要不同的能力。基础设施首先要解决技术可用性；应用则要回答用户究竟需要解决什么问题、产品应以什么形式交付，以及哪些新技术能够支撑体验。产品原创力、用户同理心和应用技术，不会随着模型排名领先而自然获得。因此，模型领先不意味着必然成为原生应用的赢家。这一判断来自他对产业演进的推演，也不意味着OpenAI或Anthropic注定失败。

模型领先仍可能带来持续积累的优势。曾鸣用“智能复利”描述其中的机制：AI参与模型训练，组织持续聚焦，技术研发与运营相互强化，使领先者有可能更快地改善能力。但他明确区分了这种积累与完全自主的自我学习。AI已经参与训练的部分环节，并不等于模型已经能够独立改造自身。

广告业务呈现了应用竞争中的另一层区别。生成广告素材、完成单次投放，与承担复杂的增长任务，所涉及的问题范围并不相同。前两类任务的后续成长空间可能有限，也更容易被基础模型的进步覆盖；增长任务则包含更多相互关联的判断与行动。曾鸣看重复杂任务，是因为执行、反馈和技术改进可能在其中不断积累，形成继续成长的空间。

不过，任务复杂并不自动构成壁垒。按照曾鸣的设想，应用要形成智能复利，需要Agent独立执行任务，获得真实世界的反馈，再通过算法、上下文管理、记忆和交互创新改善表现，并将能力延伸到其他场景。执行数据需要转化为改进，单点能力也需要具备迁移的可能。他同时表示，自己尚未看到成熟的相应场景。因此，这仍是一套有待实践检验的竞争机制，而非对现有应用已经形成复利的确认。

他对网络效应的理解也由此发生变化。同类数据不断增加，可能逐渐出现边际收益递减；多样场景与复杂连接，则可能带来新的洞察，扩大智能的能力边界。他用“黑洞效应”描述这种扩展场景、吸收能力的过程。这个比喻指向一种可能的机制，访谈中并没有给出可验证的量化关系，接入场景的数量也不能直接换算成智能水平。

Agent平台要解决的，则是执行背后的信任问题。用户将重要任务、隐私或资金交给Agent之前，需要判断它是否具备相应能力、如何收费，以及授权范围是否合适。曾鸣认为，新的入口可能帮助用户承担其中一部分判断。但形成入口有其前提：先有成功的Agent，吸引用户和开发者，才可能逐步建立事实标准。既有流量不足以单独完成这一过程，统一标准也无法替代产品的实际成功。

当任务成为协作的基本单元，组织结构也可能随之变化。曾鸣预测会衰亡的是依靠岗位、层级和命令线运转的科层制公司制度，分工与合作仍会存在。他设想，人和AI围绕任务的定义、拆解、认领及交付展开协作，自主行动能力、透明的贡献和成员之间的互补因此更为重要。一人公司是个人能力被AI放大的阶段性表现，复杂任务中的组织与合作仍有必要。这是他对组织演化方向的设想，尚不能作为普遍适用于企业的结构方案。

“战略生成”进一步连接了组织与战略判断。人和AI通过任务流、共享上下文和执行反馈，可能形成原先未曾想到的洞察。由此，组织如何传递信息、如何协作，也成为战略的一部分。如果信息仍被层级切碎，只给管理层增加生成工具，未必能形成他期待的群体智慧。共享上下文能否持续改善决策质量，访谈没有提供效果验证；这一设想提出了新的组织设计问题，具体的治理方式仍待探索。

谈及战略判断，曾鸣也保留了对成功者叙事的警惕。反共识并不保证成功，卓越需要事后认定；使命必须来自真实的相信，不能只是写在墙上的口号。成功者曾经逆势而行，并不能证明反对者越多，方向就越正确。对于人的长期价值，他更强调创造力：原创地定义复杂问题，以及围绕情感、成长和幸福需求进行创造。在他对未来的判断中，这些能力将更为重要，教育也应给予更多探索空间；访谈并未将其展开为一套已经验证的培养方案。

还要把入口、能力匹配与自动调度分开。入口先通过标准和信任降低选择成本，帮助用户判断能力、费用、隐私和授权；Agentic OS则是更晚阶段按用户意图自动调度Agent。把两者混在一起，会把生态形成的前置条件误写成已经成熟的系统能力。

组织大脑与CEO角色是同一变化的另一面。曾鸣把面向组织的Agent、组织操作系统或CEO Agent视为可能的应用方向；当协作不再主要依赖控制和命令，创业者也不能继续保持老板心态，而要更接近服务型CEO，为成员提供上下文、资源和共创环境。这是他对角色变化的预测，不是所有企业都已验证的管理范式。

四、学习与应用

按照曾鸣的阶段划分，企业首先需要判断：自己还在寻找方向，还是已经拥有值得复制的运营原型。探索期需要一号位带队，降低试错成本，让现实反馈不断修正认知；进入发展期，则要以强壮的原型建立可规模化的闭环运营模式。将这一框架用于管理，可以在扩张前明确原型如何完成交付、哪些环节仍依赖临时补救，以及什么条件变化会使它失效。这是由其阶段判断推导出的用法，访谈并未报告相应的实施结果。

机器人行业说明了探索期为何需要保留不同路线。曾鸣认为，先追求大脑泛化，或先打通具体场景，两条路在逻辑上都成立。前一条路需要回答能力覆盖范围有多大、在重要场景中的效果是否足够；后一条路则要面对场景规模和后续扩张能力的约束。团队可以据此提出各自的验证条件，而不能仅凭历史类比提前判定赢家。在方向尚未收敛时，保留路线选择的余地与尽快获得真实反馈，需要一并权衡。

对于Agent公司，技术投入的重点在于区分可调用的基础能力与需要自行积累的应用技术。曾鸣认为，通常无须重复开发能够替代调用的基础大模型，但应用公司仍须投入技术研发。沿着这一判断，可以检查更换模型供应商后任务表现会损失什么，以及哪些上下文和执行机制仍然有价值。由于模型与应用技术的边界还在演化，这种区分也需要不断调整，不能固化为永远不训练任何模型的规则。

收入增长同样需要放回竞争条件中判断。曾鸣警告，将当前增速外推十二个月，可能制造增长幻觉，掩盖即将到来的业务天花板。企业可以据此推演：如果模型直接覆盖现有功能、竞争者增加或价格承压，业务会发生什么变化。有人付钱能够说明当下存在价值，却不足以单独证明长期议价能力。他认为竞争可能推动定价从客户价值转向边际成本，这一判断适合用来检验业务承压能力，尚不能直接转化为每家公司的利润预测。

“看十年、想三年、干一年”的关键，则在于用中期两三步里程碑连接长期方向与近期取舍。团队可以为每一步写清目标，说明当期投入服务于哪一步，以及为此暂时放弃什么。曾鸣强调，具体周期可以随行业调整，核心是跨周期的选择。如果里程碑全部落在收入增长上，下一阶段所需的能力仍可能被遗漏；它们也应帮助团队判断，方向是否变得更清楚。

在组织工具上，曾鸣设想AI能够追踪自然语言目标，提醒团队是否偏离OKR。他还转述了李志飞用三天写出内部运行体系框架的例子。前者是机制设想，后者是一次搭建经历的转述，均未构成组织绩效改善的验证。将其用于实践，可以先选择边界清楚的任务，检查共享目标是否减少理解分歧、提醒是否有用，以及由谁确认最终调整。搭建速度与协作质量仍需分别检验。

评估AI工具还需要考虑人的承受能力。曾鸣提醒，高效率工具可能使人极度疲惫，因此需要隔绝部分输入，寻找符合生物人的节奏，以及与AI协作的新平衡。个人与团队可以主动减少输入，预留消化和恢复时间，观察加速是否带来了更好的判断。创造力需要注意力，组织也需要持续工作的能力，处理速度并非衡量智能协作的唯一尺度。

来源

• 原始节目：153. 和曾鸣聊产业史观：残酷的真相、会消亡的公司、优秀≠卓越、“OAI、Anth大概率不是原生时代大赢家”