AI 原生时代：战略行动与组织重构

定场判断：新旧交替时，先分清什么在变、什么没变。战略框架大多没变，战略回答的始终是「企业如何提供价值」；研究完 AI 原生组织，更要回到这个原点重新审视战略。

• 战略 = 对你这家公司「什么是最重要的」给全体成员一个重要性规则。前提是资源有限，最稀缺的资源是 CEO 与高管团队的时间和注意力——高管常被「看上去重要又紧急」的事推着走，一直在跑但焦点丢了。
• 定义：在特定环境下，为实现长期目标（3–5 年，不是年度规划），对资源和能力实施有效配置与运作。本质是基于一系列假设和判断做出的选择。制定过程：动机 → 觉察（形成假设判断）→ 行动。
• 好战略 = 适合你这家公司的战略：对手拿到会说「太厉害了，但我做不到」。特征：独特、持续、与众不同、短期不可逆（例：药企研发方向、是否投产能——曾有药企只研发不投产，产品上市滞后近一年）。
• 极简框架：想做 × 可做 × 能做，交集极小，「在交集里仍要做选择」。学员评价：「极简就是极难。」
• 「此刻，即未来」——站在未来看现在，今天每个选择都在影响未来。这套战略每年都做一遍，「不断重复会让你对所有认知量变到质变」。

登珠峰与拜财神庙，团队构成、资源、规则全不同（讲师亲历乞力马扎罗：对方带 4 个厨师、一个乐队，是 happy 之旅，也登顶了）。目标不同，团队与资源都不同。

志同 = 共同目标；道合 = 行进规则一致（登珠峰前签生死协议、「路边有尸体不救」——「走之前讲好了，很多事情就不需要讨论」）。工具是使命、愿景、价值选择（建议写「价值选择」而非「价值观」：一写「观」就变成三观之争；选择没有对错，是公司内部的事）。

案例一 · 旺旺上线：产品部做买卖双方即时沟通（IM），运营部背 GMV 指标怕跳单、强烈反对。吵了一上午，有人提「客户第一——对客户有没有好处」，全员沉默后咬牙上线（运营部甚至不好意思提「我的 KPI 要降」）。结果：早期网购最大的障碍是信任，真人即时回答带来温度，卖家还教会买家用支付宝。对照 eBay：留言没人回、留电话被屏蔽。用价值选择裁决 KPI 冲突。

案例二 · 一个像素：广告标题加粗收入涨约 10 个点，被掐掉；后来收入又涨而页面无变化，追问发现广告图片增加了一个像素（流量巨大，一天多赚上百万）。「那两个像素呢？三个？五个？」——这类事只有 0 和 1，没有 0 和 0.1；一旦让它发生就没有尽头。于是定规：两边展示必须一致。对照：两家头部公司的点击商业模式很像，后来一家出了虚假医疗信息——差别就在规则是否事先定好并真的执行。

案例三 · 上市前夕的搜索算法（脱敏）：一个能大幅提升点击的算法会强化广告、伤害体验。集团 CEO 与讲师「不用对眼神就一致认为要上」（依据客户第一）；怎么上：要求把方法分享给广告团队、给 1–2 个月改进、同一时间上线，「愿赌服输」。结果自然流量与收费流量同步提升，不涸泽而渔。

案例四 · 奈飞文化：薪酬始终在市场最高位，匹配极简假期与报销、员工被信任并完全担责、战略目标高度对齐——文化的一致性最重要。先报销付款、财务后复核；对「5000 元报销都要 CEO 批」表示不解——文化的一致性最重要。

三重 buff 叠加：AI 与机器人技术 / 国际关系 / 国内经济下行，「每一层都不小，所以今天做战略难度很大」。

技术换代（用户/场景/体验/门槛）：PC 互联网（一线有 PC 的精英）→ 无线互联网一夜之间覆盖 PC 没触达的人。教训：曾假设「农村人没上网条件」，设村代购点、印目录——事实是一夜之间人人都有手机，「旧商业模式里越成功的，偶像包袱越重、路径依赖越重」（门户几乎全掉下去，但门户养活了今日头条）。一人一机才带来移动支付、个性化推送、短视频。

工具先行的宿命：「技术来了第一件事是工具先行，工具不能持续带来价值就必然速上速下」——爆款工具类应用用户快上快下，最终活下来的是有持续价值的。看技术冲击要看市场变化、门槛降低、新场景，脱离这些谈原生没意义。

AI 的 S 曲线四层（硬件基础设施 / 核心技术 / 模型 / 原生应用）：导入期（科研）→ 成长期（算力与模型、风投在此段）→ 扩展期（我们今天在这里）：工程化、门槛降低、「一切皆可调用」的 Agent 范式，ToB 先爆发 → 成熟期：应用价值最高、「曲线这里都已经是万亿了」。

影响轴 = 数字化程度：受冲击顺序——① 软件、数字内容、电商（跌得最快）② 咨询、法律、财务、设计 ③ 教育、医疗（个性化需求高、供给不足，「彻头彻尾的改变」）④ 制造、建筑、农业更远。「过去数字化投入只产出 CEO 看的报表，现在数字化程度决定了你对 AI 的使用深度；行业数字化不高而你有数据，就有了先机。」

K 型经济（2025）：投资分化、收入增速（人均 5% / 中位数 4.4% / 城镇 4.3%）、消费没消失，在重新分配（社零 3.7 / 服务零售 5.5 / 网上零售 8.6——只有网上在增，因便宜）。

能做 = 客观看自己（资源 / 能力 / 擅长）——「AI 时代什么变得很重要？数据。」客户 = 认同你提供的客户价值的那些人：客户 overlap 不能替代客户价值（物业公司做电商不可能成功——业主认知里物业只提供物业服务；支付宝账号直到余额宝、移动支付才被认知到价值）。

魔豆妈妈案例：平台信用只看交易笔数，系统跑出 1 万多笔 1 块钱交易，按惯例应关店——实为一位母亲为孩子筹款。管理者选择不关店，而是「挖一条沟把善意引出来」：平台发商品、保障交易安全，成为平台公益的起点。

战略拆解 = 定死三件事（战略锚点）：① 客户是谁 ② 客户价值是什么 ③ 如何构建、传递并保持。挂画例：钉子/绳子/3M 贴是同一需求的三种客户价值，各有生穴（为什么来）与死穴（为什么走）。

• 想做＝全球最大 C2C 平台；能做＝年轻有活力更本土；可做＝列尽模式后只做 C2C；战略＝「以个人间电子商务为核心、成为最大的网上消费者社区」。
• 判断：网民与电商渗透率都不高；假设：10 年后所有消费者都上网购物 → Who＝所有消费者，不是对手的存量用户（对手市占 95%，「心很凉」，但「岛上的人都不穿鞋，才是真正的大市场」）。「我根本不是要跟对手打，我要的是网民的第一次购物。」
• 两个数字：抢第一次在线购物 + 推到 8 次（买够 8 次变忠诚用户）。
• 预算：5000 万人民币 vs 对手近 5000 万美元（约 9 倍）；对手以约 3 倍价买断门户网站独家。
• 打法：不看门户，锁定北上广深杭 5 城线下（电视、路牌、车身——当时线下没有网站投）；制作成本远高于发布成本（包下全市户外点位只放两周，撤了点位也空着）；对别人的报价抬价搅局、报完就撤。
• 客户价值四条：便宜、丰富、安全、方便；生穴＝便宜（广告只讲便宜），死穴＝品质与交易安全（先钱货两清→第三方担保；再货要对版→图片实拍）；卖家侧没流量就给「有乐趣、有希望」。生死两穴同时使力。

DIKW 阶梯：数据「37.8」→ 信息「37.8 是摄氏体温」（带情境）→ 知识「超过 37.2 可能发烧」（书上有）→ 能力（医生量体温、看嗓子、问诊 → 判断感冒初期 → 开药）。知识到能力这一跳，靠隐性知识（书本没有的经验判断）。

波兰尼：「我们知道的比我们能说出来的多得多。」经典 SECI（社会化→外显化→组合化→内隐化）的最大约束是人：销冠说不说得全、培训师好不好、学员吸收好不好——「这一切都是人约束了能力的转化。」

全量社会化 → 全部外化：模型带参数、辨识当下情境 → 生成行动指南 → 人的能力约束被打破；唯一还剩人的约束在「协作」。收数据三条硬标准：

• 结构化 + 非结构化都要（「过去 20 年是把非结构化变结构化才能用，AI 厉害的地方是可以处理非结构化」）；
• 闭环数据（有因果：我做了什么 → 发生了什么）；
• 全量（工作数据、客户数据、说了什么、客户反馈、最后有没有成单）——「top sales 可能未必意识到我这个行为是有用的」，所以不能只靠专家自己写 SOP。

证据一 · 教育机构 8 阶段话术实验：销售流程拆成开场白/取得信任/探寻需求/答疑/介绍产品/扩大需求/试成交/结束八段，与成单最相关、金牌与新人差距最大的是探寻需求、扩大需求、试成交。用金牌话术训练 AI 辅助新人：探寻需求时间下降、扩大需求接近专家、试成交增加，语义分析显示新人话术向专家模式收敛——「真的把能力萃取出来了」。

证据二 · 理想销售助手田野实验（五屏界面）：工作台 / 任务列表 / 沟通前客户卡 / 沟通总结 / 实时话术——「每天告诉你应该跟谁打电话、要说什么，沟通完还有总结，客户优先级每天都排好」→「妥妥地把能力给他了」。实验组订单 +13.2%，每单沟通耗时下降 26%。分层数据最反直觉：

商业最大悖论：规模化 vs 个性化。能力解绑把个性化成本约束打开了——能力长在基础设施上、每次调用付 token 费，与长在人身上的成本比最起码 1/100；「传统经济能力长在人身上，AI 我把它叫做规模化能力经济」。

上一个时代关键词是「匹配」（我已有的，找最接近你需求的）；下一个时代是「生成」（先理解你，再按你的需求做出来）。「所有的决胜都在意图」——注意力经济之后是意图经济。AI 原生产品的思维要「从预设变成你能期待它涌现」；ToB 是有限的涌现，好坏取决于有没有足够数据。

引流型 vs 核心业务 agent（战略性判断）：律所把过往案子做成 skill 放公开市场＝「自损」；硅谷一家公司把省钱 agent 放公开市场引流、支付 agent 绝不外放（还先申请专利、专门方式保护卡号）。「要求团队贡献 skill，贡献了以后放公共市场还是公司内部，需要我们的判断力。」协作系统三层：个人型 agent → 企业内部 agent + skill → 外部能力市场；竞争力 = 你独有的 agent / skill + 微调数据。

硬件两条判据：① 低摩擦入口（本来就要戴的东西才有人戴）② 降低情境表达成本——「就这么一点点降低，商业机会就是巨大」。正面案例：幼儿园腕表本来只采运动/心率数据，偶然发现「心跳异常 → 几天后感冒」，长成儿童健康预测模型——数据全量、含非结构化、闭环，模型才可能出来。

「AI 影响组织最关键的动因是：能力可以流动。」过去 100 年管理都在管人；能力能被萃取出来 → 既要管人，还要管能力，「能力要长在企业的系统之中」。现实骨感：80% 的 AI 项目没有实现预期（IBM 约 25% 得到预期回报，MIT：绝大多数尚未产生可衡量的损益表现）。

四个难点：① 锯齿形边界（详见附录 D）② 部门踩脚（能力边界扩大，职责边界要重新定位）③ 责任没有解绑——「AI 不帮你背锅，最后人还是要背锅的」④ 因此只能以任务和边界重组组织，而不是功能分工的矩阵型。

任务负责人＝完整结果负责人：拆解定义任务、判断锯齿边界、决定 AI 介入环节与深度、调配人 / skill / agent、验收、背锅。渐进放开 SOP（邮件 agent 范式）：先分类 → 不准就磨合 → 人工先 check → 约 95% 准确率才交 → 部分收回、部分放开，「不是一出去就回不来的」。

AI 原生组织三层：

• 薄的核心判断层（人 + AI，人为主）：问题定义、价值选择、战略、最终负责、校准三个世界模型；
• 灵活的任务单元层（人为主）：以任务为中心，每种任务一个负责人；
• 厚的能力网络层：data、skill、模型、agent 的动态能力网络——「以前 top sales 走了能力带走，我们希望人走了能力留下」。

运营智能中枢 = 战略锚点的系统化，求的是「智能的复利」：中心（锚点）＝战略目标和价值判断标准——「如果没有这个锚点，AI 是没有路的」「这就是我上午花一上午讲战略的原因」；三个模型：企业世界模型（我们如何运转：收入成本因果、任务进展、能力边界）/ 客户世界模型（理解每一个客户，不是模糊群体）/ 市场世界模型（竞争、技术、政策、宏观，从一年看一次到实时反馈）。为什么必须有中枢：AI 全进来后执行无摩擦、极快——「对了就非常好，错了就迅速死掉」，必须组织级统筹。

管理重构：从「配置人力」转向「人和 AI 的系统能力 / 能力编排」；规则前置、实时检验、治理嵌入执行（「不是让 AI 闯了祸才开始」）。雇佣重思：考核集中在判断力（定义问题、判断方案可行性、验收）；招聘看通用判断力 + 情境判断力生成速率，「不是只思考他会不会用 AI」。

「梯子消失了」与次级循环：能力都结晶了，新人怎么长出判断力？「有意识地不要把全部梯子都扯掉，总要有人接上」。技术革命的管理创新＝初级循环 + 次级循环——这一次 AI 的挑战是极其的快，伤害立刻显现（梯子消失、谄媚偏差、防蒸馏、能力萎缩），次级循环要在实施 AI 的同时启动：认知发展与判断力培养、信任机制（skill 分成 / 调用计费）、薪资结构重构。能力不能仅变成 skill 和 agent，要变成运营。

• 能力萎缩（哈佛实验）：用 AI 组成绩 +48%，撤掉 AI 后反而低于基准线——对低能力者伤害更大。应对：刻意锻炼、保留无 AI 条件下的独立能力评估；
• 谄媚效应（斯坦福）：AI 顺着你且越来越严重，比「茧房效应」更隐蔽——「会让每一个人都认为他自己很厉害」。应对：合规红线判定必须独立于业务意图；
• 人的最终边界 = 判断力：「判断哪些工作 AI 可做、可信赖，哪些必须人做。而且这个判断不是一次性的，是持续的判断」——因为锯齿边界会随数据积累移动。

1. AI 只有放大没有对错 → 越早把使命与价值选择写清楚越省成本；
2. 壁垒已上移：私有数据 + 专属情境 + 能力进化闭环 + 隐性知识——「行业的知识壁垒瞬间被打破，用知识库 + 算法 + 标准」，反过来说谁先建闭环数据谁先有壁垒；
3. 信任是下一轮最稀缺的资源，工作场景的信任必须可检验；
4. 客户不买 AI，只买效果好又便宜（颠覆门槛：1/10 的价格、1/100 的成本）。案例：一家审核公司想降价进市场，没有信任背书就先买一家有人工资质的小公司，用 AI 重做流程建立背书，降到 1/2 价格——客户无感，对手连连大败；
5. 新事物永远从非既得利益者长出：外部找没业务的边缘伙伴，内部找没包袱的新人，先做标杆；
6. 先捡摩擦最小的地方下手，接受不完美；模型是插拔式的、别追基建，此刻已经可用。

这门课的精要来自一天半课堂录音 → 转写 → AI 总结 → 人工校订。把这套方法教给你，四步做出可用的纪要：

① 主体锁定（防张冠李戴）

总结前先锁死主体：把公司/产品/人物的唯一口径写进提示词（例：「太一云＝unibest.cc，是优贝德自建的网站，不是任何挂牌公司」）。AI 不锁主体就会按同名实体拆开写——这一步能消掉八成离谱错误。

② 三层输出（结构模板）

要求 AI 按三层产出：全文纪要（分章 + 表格化）→ 贯穿全场的判断（编号金句）→ 行动表（对象 + 周次）；保留原文关键句和数字、结论加粗；要求标注转写错误与不确定处。

③ 内容校正（校正版才是定稿）

对照原录音回炉校对：数字、身份、书名、口误逐条改（例：「智能的复利」曾被转成「福利」、「SaaS」被转成「sars」、课程名「后E」被转成「后羿」）。AI 纪要不是定稿，校正版才是。

④ 提示词黄金四条 + 软修正

• 给背景（这是什么场景、给谁看）· 给约束（不能编、要标注不确定）· 给格式（三层结构）· 给受众（读者水平、要能直接用）；
• 软修正：发现偏差不要整段重来，点出具体句子让它改——「第 3 节的数字不对，原话是……请只改这一处」。

配套：WorkBuddy 使用说明书 index.html（怎么用工具）· 案例溯源 案例 F（一次真实实操的完整记录）· 培训方案 training.html。

题眼：「能力能否被解绑，与人能否把建议转化为行动，是两个问题。」左半看解绑的能力质量，右半看人的内化能力 / 判断力——很多 AI 项目死在把这两件事当一件办。

任务内部五环节：定义任务 → 方案生成 → 验证 → 执行 → 结果验收。AI 强在方案生成/部分执行，定义/验证/验收需要人——生成又快又便宜，验证跟不上就堵在验证环节（「很多人认为那个垃圾代码还是我自己写得快」）。所以要分环节用 AI、重配验证人力、小规模试行后再放大，不要「token 放开让所有人敞开用」。

上线前自检三问：① 这个任务封闭吗（有对错、重复性强）？② 结果可验证、闭环数据够吗？③ 情境依赖高吗？——三格都好才优先做代理模式；有一格差就先做增强，攒够闭环数据再放开。先做锯齿里最封闭的那一格，不要一上来就做「给我一个战略」。

五屏界面（工作台 / 任务列表 / 沟通前客户卡 / 沟通总结 / 实时话术）不是「UI 参考」，是 AI-SECI 做成产品后的样子：Input 全量数据 → 模型外化 → Output 行动指南 → 行动 → 结果回流。「妥妥地把能力给他了」——不是给了信息，是把金牌销售的判断力贴着动作全程发下去了。

1. 把「优先级」做成默认，而不是筛选器——固化的是「这 100 条线索今天该动哪 3 条」的隐性判断；
2. 三段式时间轴：事前给方向、事中给话、事后给结论——「加个聊天框」是「你问它才答」，这是「它按时间轴主动推」，完全不是一回事；
3. 输出「下一句 / 下一步」，不是「一份报告」——颗粒度细到可以直接执行；
4. 每个动作自动变成结果数据回流——没有第 ④ 屏，前四屏都退化成静态知识库；
5. 能力来自全量行为数据，不是专家写的 SOP——「top sales 未必意识到我这个行为是有用的」；
6. 敢给可证伪的数字，才叫闭环——「意向高 80%、30 天内成交」意味着后面能拿结果回算。

一个必须守住的边界：第 ⑤ 屏给的是候选话术，不是自动发送；第 ④ 屏的意向等级要人确认。「别把它做成全自动外呼——那不是能力解绑，是把责任也交出去了。」权限可以给智能体，责任必须留在人手里。