"用 AI 降本增效"是句让人放松警惕的话——它让你以为自动化的商业影响就是省钱。其实后面还可以问三四层。

第一问：变便宜之后，需求会增加还是减少？有些市场价跌量涨（杰文斯悖论），有些市场价跌量跌……我们所在市场属于哪一类？

第二问：便宜到极致，品类 commoditized 甚至完全免费之后，会解锁什么？以手机流量为例，4G 之前人人盯着流量费，没人在地铁上刷视频；流量"感觉不要钱"之后，抖音这个物种才可能存在。当一次专家级咨询心理上免费，人会为每封邮件每个决定都问一遍——智能从配给品变自来水，才会解锁大量新形态的用法。我们要去抓新机会，还是守着老市场？

第三问：如果你的生意取决于你做某件事的效率，而 AI 让全行业做这件事都趋近零成本——你的护城河还在吗？你存在的意义还在吗？比如你擅长管理 10000 人呼叫中心，能做好管理和激励，但当人人都能管好 10000 个 Agent 时，我们的壁垒还在么？效率买得到的优势，都会蒸发；活下来的护城河迁到效率买不到的地方：信任、数据、品牌、牌照。

第四问：什么事原来不可能、现在可能了？给每个客户配一个 24/7、记得他前世今生的客户经理——这服务一直存在，叫私人银行，门槛千万级。AI 把它边际成本打到趋零，"被深刻理解"从奢侈品变默认配置，”变成客户肚子里的蛔虫“第一次成了可规模化的普惠生意。

两百年里人造光便宜了一万倍，没有人靠制造更便宜的蜡烛赚大钱。赢家全在"电灯普及，默认晚上能看到东西，不考虑电费"之后长出来的新场景上。智能正在走同样的一条路——不要只考虑降本增效，要看新世界的新场景和机会在哪里，下一代的不夜城在哪里。

我经常劝一些正在做 AI 组织转型的朋友们不要搞降本增效，要搞开疆拓土——降本增效是抢人饭碗，阻力会超乎想象，不如搞点新事儿更简单。

更深一层想，降本增效不仅可能把一些工作给搞没了，也可能把整个生意搞没了。很多生意最扎心的真相是：它赖以存在的根基，其实不是它创造的价值，而是某个环节的成本。

报纸就是。我们以为报纸卖的是里面的洞见、是内容。但用户当年掏钱，本质上买的是"这堆信息被印出来、送到我手上"这件贵事。内容是软的，那道印刷和分发的成本墙才是硬的——正因为做这件事很贵，挡住了大部分人，才有了报社的空间。

所以当互联网把印刷和分发的成本拍到零，真正发生的事不是"报纸变得更难做"，是**报纸存在的理由被抽掉了**。

这时候报社最自然、也最致命的反应，是想"我怎么用互联网给自己提效"——把印刷数字化、把发行做成 App、用算法排版。但提效是没用的。因为你提效的那个环节，本身正在消失。你把一根注定要被拆掉的支柱打磨得再光滑，它还是要被拆掉；你越高效，越证明它不值钱。降本增效做到极致，终点很可能是整个产业一起消失。

真正的机会，不是更高效的报纸，是门户网站，是今日头条、是短视频——它们根本没去"优化报纸"，而是直接去做了一件不需要"报纸"这个容器的全新的事。

所以面对一个被掏空根基的环节，该问的不是"怎么更便宜地把它做完",而是"它没了之后，用户真正要完成的那件事是什么"。盯住那个价值，重构整条流程，去做新的东西。

很多人用 AI 提效，会陷进一个错觉：在某一个环节上把速度拉到 10 倍，仪表盘上数字漂亮极了，然后发现整盘生意几乎没动。

原因不复杂，画张图就懂。假设一条流程有 10 个步骤，你在其中一步上提速一倍——可这一步只占整体的十分之一，其余九步还按原速卡在那儿。算下来，整条流程最多快那么一丁点(5%)。你优化的是一个分子，分母是整条链。

更扎心的是第二种情况：串行、吞吐受限。你把做咖啡的速度提高 10 倍，可一天进店的人就那么多——多出来的产能全是闲置，钱一分没多赚。因为系统的产出从来不由你优化的那一环决定，而由最窄的那一环决定。你没动到瓶颈，等于没动。

大多数人算 AI 提效，算的是"具体工作快了多少"。但企业里真正昂贵的，从来不是工作，是工作和工作**之间**——是交接。

但凡大厂待过的，都知道”交接“并不是一交一接的事儿，其中有大量的上下文传递和摩擦。

每个人脑子里都装着一整套信息和思考：为什么这么做、哪里不能碰、哪些只是假设、哪些风险已经排过、哪些经验没写下来但默认你懂。这些才是真正撑起这份活的东西。问题是，它几乎不可能被完整交出去。

于是每一次交接，都先发生一次**压缩**。你脑子里的 100%，最后被压成一份 PRD、一张设计图、一句微信、一场半小时的会——真正递过去的，也许只有最关键的 5%。剩下的 95%，只能靠下一个人在自己脑子里重新建一遍。

于是有几句话会反复出现："你的意思是不是这样？""这个怎么没早说？""这个技术做不了。""我们这周没资源。""我理解的标准不是这个。"——接着又是解释、确认、返工、补说明，再从头来。

所以企业里的交接，从来不是一次干净的"交棒"。它是一整个循环：**上下文压缩 → 信息传达 → 对方重建 → 发现没对齐的地方 → 再补一遍**。真正吃掉时间的不是沟通本身，是等待、返工、反复确认、排期协调，是信息在一次次传递里不断衰减。这些成本，流程图上看不到，却往往是组织里最大的隐性开销。

AI 真正狠的地方，不是把某道工序做快，是让一个人拥有过去要好几个岗位才凑得齐的能力。设计、研究、翻译、写代码、分析数据……过去要一个个部门接力的事，现在一个人借 AI 就能一路做完。他能独立闭环的那个"块"，越来越大。

表面看，这只是"一个人多干了几件事"，而且我们还能评价说”AI 干的没有真的专业人士好“。但真正变了的是：他不用再把自己的上下文一次次压缩、交出去、等别人重新理解。原本四个人接力才干得完的事，现在一个人一口气跑到底。减少的不是三个人工，是**整张上下文传递网络**，是无数个点对点之间的对齐（上下文在一个个人脑之间被反复压缩、传递、误解和重建的过程）。

AI 的能力，远不止让工作更快、流转更快。更重要的是，它可以让所有的工作更高效对齐到同一个方向。对组织来说，**干掉交接**是一个比**干掉任务**更大的机会。

我们优化一个系统，常会说"这里可以省掉人"。听起来像在裁员 & 省工资。但其实不是——真正发生的事更残酷：**可能是让系统解开最大的瓶颈**

想想航天飞机。如果不考虑人，它的代价会小非常多——不用扛着生命维持系统，不用为人能承受的重力上限妥协，不用迁就人那一长串诉求。“有人”和“没人”，成本效率可能差了 100 倍。系统一旦要围着人来建，它的上限就被钉死在人的上限上。

Daniel 用战斗机讲过同一件事，我特别喜欢。一架极其精密的隐身战机，只需要一个人来开。你觉得省下这一个人没多大事？倒过来看：因为驾驶舱里坐着一个人，整架飞机就得围着这个人设计。座舱罩、供氧、增压、弹射座椅、9G 的加速度上限，全是为了那个会累、会分神、要吃饭、要上厕所的身体。

Daniel 的原话是——拿掉飞行员，不是为了省他那点工资，是为了让这架造价上亿的战机，终于能发挥出它全部的性能。

公司就是这架飞机。以人为中心来设计流程，本质上是在说：这台机器，接下来要围着这些人的局限来建。会议是座舱，审批是 9G 上限，工时是体能边界——每一条流程，都是因为有人在流程里，而不得不这样设计的约束。

所以真的要 AI Native 设计，起点可能不是 AI Native 而是 AI Only。

判断一个 AI 产品是不是一层随时会被穿透的薄壳，有个很干净的标准：看它占的是一个**完成型任务**，还是一个**开拓型指标**。

任务，是可以被"做完"的事——翻译这段、总结这篇、生成这张图。它有终点，而模型每一代都在朝那个终点走。你今天能靠它吃饭，是因为你比用户更会使唤模型，赚的是这层能力差。问题是，这层差正是模型升级要替用户抹平的东西。模型一强，壳就被穿透。Task → Model → Done，做完即到头。

开拓型指标不一样。更多客户、更高复购、更高转化——用户真正在意的目标，永远没有"做完"这一说，只有"还能再高一点"。正因为没有终点，你才有了一条可以常年迭代的曲线：用反馈、用接进来的更多工具、用积累的经验、用更新的模型，一圈一圈把结果往上推。Metric → Workflow → Feedback → Model → Metric，这是个会越转越强的闭环。

差别就在这儿：薄壳卖的是"我比你会用模型"，系统卖的是"我有一个能把你在意的指标持续做大的闭环"。所以模型升级，对薄壳是丧钟，对系统是顺风——同一件事，把一边越推越弱，把另一边越推越强。

同一个大模型，可以撑起一层壳，也可以撑起一个系统。区别从来不在用没用 AI，在你把它架在一个会被做完的任务上，还是一个永远能再优化的指标上。

AI 对组织最大的价值并不是“干活”，而是“协调”。

大多数人问的是"AI 能帮我自动化什么"。这个问题没错，但它偷偷藏了一个假设：系统不变，我只是把其中某一步换成机器。这是把 AI 当执行工具——一个更快的零件。

在协调层上，这个问题该换成："AI 能协调出什么新的工作系统？"——它不再假设流程不动，而是承认整盘棋可以被重排。

前者是优化旧流程，后者是长出新流程。同样地，评判 AI 的尺子也得换。别再问"它有多聪明"，那是在测一个零件好不好用；要问"它有效吗、放进去之后冒出了什么新系统"，那才是在测整盘棋怎么变了。

举例来说，任务层思维会问”AI 能不能回复客服工单“，而协调层思维会问”有了 AI 之后，从用户投诉，到筛选和识别问题，到确定改进方案，到实施后闭环监控，这个漫长而断裂的流程可以重做么？新系统可能产生的新价值是什么？”

这个视角，看到的新机会更多，天花板也更高。

生产力的爆发，未必是因为更好的技术、更猛的机器，也可能是更好的协调机制——大家的辛苦产出能拼到一起。

历史上这样的事儿很多：技术没怎么动，光是把接口打通、让各干各的力气能对上，价值就爆发了。

比如螺丝。1841 年以前，每个工坊的螺纹各拧各的，英国全国几百万颗螺丝彼此装不上。惠特沃斯定了一个统一的螺纹标准之后，所有的维修、装配、采购的成本一下子全降了下来。

比如枪。早年一把枪坏了，得送回找枪匠手工锉配；做成零件可互换之后，士兵在战场上自己抽个标准件就能修好。技术没突破，可“一支枪坏了能就地复活”，在打仗时是生死级的差别。

比如流水线。它也不算技术突破，是工作流改进，但福特装一台车的底盘从 12 个半小时压到 93 分钟，车价从 825 美元掉到 260 美元。

真正创造价值的，从来不是哪个零件更厉害，而是“大家能不能拼到一起”这件事本身。省钱、提效、好维修，全是从这儿长出来的。

可历史上，协调本身的代价大得吓人。它的前提是逼所有人配合：同一把枪、同一颗螺丝、同一条轨距。

铁轨就是最狠的例子。美国南方为了能跟北方接上轨，1886 年硬把上万英里铁路在两天内集体改窄，每根钢轨挪位、每个车轮重调；英国那场“轨距战争”更拖了几十年，最后靠立法才收场。

枪也一样反直觉——为了做到零件可互换，成本一开始不降反升：Hall 步枪比普通枪贵，政府在兵工厂砸了 5 年、15 万美元才把这套系统养出来，便宜是很久以后才慢慢来的。

所以协调层的价值虽然大，但它带着一道又贵又慢的入场费：得所有人先坐下来，达成共识、统一标准、彼此配合。这张门票太贵，贵到历史上大多数本该发生的协调，根本没发生。

AI 真正不一样的地方就在这儿：它能在协调层干活，而且不需要大家先达成共识。

比如之前要做所谓“数字化转型”，需要员工按照格式要求填各种表格（提供结构化数据）作为基础，很难推下去。现在用 AI 来直接抽取非结构化数据（比如客户聊天记录、会议纪要）自己做结构化存储。达到一样的效果，但是不需要员工配合，就容易了很多。

再比如我在用 AI 做视频，发现 HeyGen 出的 HyperFrames 这个框架不错，但不完全满足我的要求。如果还是前 AI 时代，我就只能完整使用它们家工具，然后自己再手工调整成自己想要的样子，人肉拼装两段不同的“工作轨道”。但现在只需要和 CC 说一下我的诉求，它就会直接学习 HyperFrames 里对我有用的部分，然后完全重构一个更适合我的版本给我，毫无摩擦。

这些过程中，AI 就是那个站在中间的万能接口，把过去的胶水活儿（把非结构数据结构化，把不同结构的数据联通）都能干完。这时大规模复杂协调的成本就会大幅度降低——这可能是创造新时代的“流水线”的基础条件。

如果真是这样的话，现在最重要的是找到“T 型车”（有价值的市场 & 适合新流水线制造）。

高速上，看到路旁大楼招牌坏了，文字残缺，第一反应居然是“这张图崩了”。。。