混沌·AI 院企龙虾大会 · 多视角解构报告
一场发生在 2026 年 4 月的企业 AI 转型分享会，11+ 位演讲者，141 页 PPT。 这份报告的目的不是复述他们讲了什么——而是换 15 个视角反复解剖它，直到你能把这些碎片自己装回去。
开场：为什么需要 15 个视角？
这场分享会的信息密度非常高。11+ 位演讲者各自讲各自的，有做工具的（刘雨飏、雷老虎）、有讲哲学的（韦青）、有讲组织变革的（鉴锋）、有讲价值链的（雷老虎的 T-A-A）、有讲 Agent 平台战争的（孙昊天 / 飞书）、有讲”不可见商业维度”的（傅盛）。
如果你按时间顺序去读这份 PDF，你得到的是一堆互不相关的碎片：一会儿”管理金字塔中层消失”，一会儿”ASK 框架”，一会儿”零方数据”，一会儿”Agentic Company”。碎片的问题不是信息少，而是没有骨架把它们串起来。
**一个视角就是一副骨架。**它决定你从哪里看、舍弃什么、强调什么。换 15 个视角，等于把这堆碎片重新组装 15 次——每一次都暴露出一组新的关系。
这 15 个视角不是随意列举的。它们按”穿透力从深到浅”分四层：
- 第一层（哲学 × 认知）：回到人类怎么认识世界本身。这是韦青和任鑫的层次，几乎不谈具体工具。
- 第二层（权力 × 组织）：AI 重新洗牌的是权力和组织关系，不是任务。中层消失、AI 一号位崛起、CAIO 三角——都是这一层。
- 第三层（战略 × 投资）：老板和 GP 真正在决策的是什么？资源往哪里投？第二曲线在哪里？
- 第四层（技术 × 执行）：五层骨架、Context 战略、90 天路径——这是大部分人会停留的层次，但如果只看这层，你其实看不到这场会上最值钱的东西。
最后用**第五层（矛盾张力）**把前四层贯穿起来——所有值得关注的判断，背后都是某种矛盾的平衡。
读法建议：
- 如果你是 CEO / 一号位：直接跳到视角 4、8、10、15。
- 如果你是战略制定者 / CAIO：视角 5、6、8、11、12。
- 如果你是中层管理：视角 5、7、14、15。
- 如果你是投资人：视角 9、10、11、13。
- 如果你是技术出身想升维：视角 1、2、4、8。
- 如果你只有 30 分钟：读视角 4、10、15，然后再回头。
地图：谁讲了什么
| 演讲者 | 身份 | 页码 | 核心命题 | 代表框架 / 金句 |
|---|---|---|---|---|
| （未署名讲者A） | “龙虾军团” / EasyClaw | 1-5 | 用 AI 团队替代助理团队；中层信息汇聚职能正在消失 | ”月成本 3-5 万 × 人 vs 月成本 3000 美元 × 24/7”；黄仁勋 60 个直接汇报 |
| （未署名讲者B，疑似混沌 AI 院主理人） | HUNDUN 混沌蓝 PPT | 6-14 | 2026 年”+AI 天花板”；老板要成为第一个 AIPM；四大反常识 | 蒸汽机 vs AI；软件淘汰 / 流量已死 / 垂直大模型 / 机器人成熟 |
| 刘雨飏 | 混沌 AI 领教、未来飞马创始人、Z0 Venture Capital GP | 15-28 | AIPM 从”提需求的人”到”交付产品的人”；SLC 思维；三普通人案例 | ”执行层坍塌、决策层爆发”；72h MVP；黄俊博/某林/彭峰 |
| （OPC 倡导者，梦境 AI 团队） | 短剧 AI 创业者 | 29-39 | One-Person Company / One-Product Company 方法论 | OPC 黄金三角（产品架构师/全栈工程师/增长架构师）；梦境 AI Trinity |
| （Hermes Agent 创作者，HER TEMPLES 演讲者） | 自建 Agent 框架技术人 | 40-44 | 自建 Agent 框架 v0.8.0（34 工具集）；HER TEMPLES 个人信息顾问 | HER (Health-Education-Rejuvenation) × TEMPLES (8 领域) + OSINT + 图尔敏 + 罗伯特议事 |
| Mars 任鑫 | AI 炼金术公众号作者 | 45（引用） | AI 转型是三件完全不同量级的事 | 用工具提效 / 为 AI 重建组织 / 打开生态新机会；1956 集装箱类比 |
| 韦青（微软中国 CTO） | 微软嘉宾 | 46-56 | 系统工程视角下的企业智能落地；“人是目的，技术是手段” | 系统论/控制论/信息论；比×/拼×/协√；Automation vs Augmentation；卢德→抗拒→顺应→臣服→融合 |
| 雷老虎 V | 混沌 AI 院核心讲者 | 57-104 | 心态破局 → 智能系统 I-P-O-F → Agentic Company → 数字员工 AR → T-A-A 价值链 → L1-L5 领导者 → 90 天实战 | OpenClaw × Claude Code = AR；五层技术骨架；SEO→GEO→AEO；金谷园饺子馆 |
| 混沌 AI 院团队（李善友 / 张雷 + 主编编委） | 《混沌 AI 商业应用白皮书 2.0》 | 105 | 智库视角的系统沉淀 | 白皮书作为”思想基础设施” |
| 孙昊天（飞书战略负责人） | 飞书 | 106-113 | 飞书三大增强；上下文摩擦 2×2；人 + Agent 双重主体；Agent 生态取代 APP 生态；Context 战略 | ”上下文摩擦是 AI 行业最大的隐形税”；“三不可”（不可读、不可调、不可写）；飞书独家接入 OpenClaw |
| 傅盛 | 猎豹 / 猎户星空 | 114-117 | ”不可见的商业维度”；超级 Agent Vision | 物理街/情绪网络/供应链震荡/时空预测四层；人类 7±2 vs AI 0.3 秒多方案；四 Agent 环状协同（洞察/内容/监测/渠道） |
| （现场观点墙） | 张雷 / 其他主持 | 118 | WWOP 结构总结傅盛、韦青、张雷、孙昊天四人 | ”AI 的天花板就是领导的天花板”；“AI 转型的抓手永远是一把手”；“亲自焦虑 口头鼓励 等待结果” |
| 鉴锋（零一数科 CEO） | 零一数科 | 119-140 | AI 原生 CRM 实战：4 Basecamp + 1 Summit；LTC 全流程 × 四面接管；三坑三转念 | 签单率 25%→65%；市场部 0 人；六平台”乐高城堡综合征”；从”憋大招”到”长出来”；部门 = Agent 行星绕 LTV 太阳旋转 |
| （切场 / 主持） | 数据收束页 | 141 | 行业基准数据墙 | BCG 2026: 6% 有意义商业影响；47% 试点没投产；5% 员工主动用 |
注：未完全署名的讲者（页 1-5、6-14、29-44）部分身份为从内容推断；主要讲者身份明确且贯穿多页。
第一重：哲学 × 认知（底层）
视角 1：哲学视角 —— 变与不变
谁提供了这个视角：韦青（微软 CTO）page 46-56；任鑫引用（page 45）；雷老虎（page 57-65）
核心命题：
AI 时代最稀缺的不是”跟上潮流的能力”，而是辨认什么是变量、什么是常量的能力。韦青的整套方法论就是建立在这个前提上——他罗列了一系列二元对立供现场思考：
- 百米短跑 vs 玄奘之路（短期冲刺 vs 长期远征）
- “马”路 vs “马路”（路径 vs 基础设施）
- 砖混结构 vs 钢架结构（稳定 vs 弹性）
- 目的 vs 手段
- 人 vs 机器
- 名相 vs 本质
- 知 vs 智
- 能动性 vs 主观能动性
- 人性、人性、还是人性……（重复三次）
这不是 PPT 的装饰，是方法论本身——在所有急着落地的讨论开始之前，先问”到底什么在变，什么不在变”。
三大论作为认识论地基（page 52）：
韦青把整个 AI 落地拉回到”老三论”：
- 系统论（中心位）：企业不是一堆模块的总和，是有涌现属性的整体
- 控制论：反馈、闭环、自适应——I-P-O-F 基模（输入-处理-输出-反馈）
- 信息论：信息流、编码、噪声、信号
这三个词 AI 圈已经几十年不提了，但韦青的观点是：新概念（Agent / RAG / MCP / Skill）的底层都是老三论。如果你把老三论真正读懂了，Agent 的行为你就不会被表面命名迷惑。
系统思维的三分（page 53）：
- 硬系统思维：可量化、工程化、有明确目标——适合技术人
- 软系统思维：人因、模糊、不可完全预测——适合业务/管理
- 批判系统思维：反思自身立场、质疑前提——适合战略层
大部分 AI 讨论卡在”硬系统思维”层，所以一到组织变革、文化重塑就失灵。
人机协同的演化阶梯（page 54、56）：
韦青画的这张图是全场最有哲学分量的一张：
卢德主义（砸机器） → 抗拒 → 顺应 → 臣服 → 融合 → 协同（最高阶）对应三幅线描画：
- 左：人和喷气引擎赛跑（比 ×）
- 中：人和机器人对立站立（拼 ×）
- 右：人骑在机器人身上（协 √，关键词：匹配 / 融合 / 驾驭）
“不同的认知高度，会让我们设计出不同的产品和不同的功能，并产生出不同的效果”——这是韦青演讲的核心金句，也是整份报告想传达的元命题：同一件事，认知层次不同，做出来完全不同。
从具体到抽象再到具体的螺旋（雷老虎 page 61-62，借毕加索画牛）：
雷老虎用毕加索”画牛”系列展开了一个和韦青呼应的哲学问题——毕加索从最写实的牛画到最简笔的线条牛，“哪种最值钱？哪种能干活？” 答案是：最值钱的是最写实那张（艺术价值），最能干活的是最简笔那张（抽象精炼到能用）。
这解释了为什么企业里堆砌了一堆”看起来很炫”的 AI Demo 但没人用——Demo 是具象的”值钱”版本，能干活的 Agent 必须经过”抽象压缩”。
洞察：
- **AI 时代的第一个能力不是用工具，是判断变量和常量。**工具永远在变，人和组织的基本运作规律不变。
- 回到老三论能让你比追新闻更冷静。“学不完”不是答案，找变与不变的东西才是。
- **认知高度决定产品形态。**同一个需求，用卢德视角做 / 抗拒视角做 / 协同视角做，结果完全不同。
- **信息过载是”思想肥胖症”（page 60）。**追 AI 新闻比吸毒更让人亢奋但无收获。
应用：下次开 AI 项目评审会之前，先问：这个项目对应的是”硬系统思维还是软系统思维？“是”Automation 还是 Augmentation？“是”换路径还是加个工具？“
视角 2：认知提升视角 —— 心态才是最大的障碍
谁提供了这个视角：雷老虎 page 57-67；傅盛（引用的微软金句）；“观点墙” page 118
核心命题：
page 57 雷老虎开场直接引用微软（Satya Nadella）的话：
“阻碍转型与创新的真正因素，不是技术，是心态！” “The real barrier isn’t technical, it’s psychological.”
这句话放在分享会开头，意思非常明确：大部分企业 AI 转型不是技术不够用，是人的心态跟不上。
心态障碍的三种具体表现：
- 信息焦虑症（page 58-60）：追 AI 新闻追到精神内耗，“你要还想好好活着，就别紧盯有关 AI 的新闻”——一名 AI 科学家对雷老虎说的话。用”肉体肥胖症 vs 思想肥胖症”做视觉隐喻：信息过量和食物过量一样，最后消化不了。
- 技术自恋（刘雨飏 page 23）：某林案例——一开始搭完整的法律 RAG 知识库，在比赛中拿了奖，但没人愿意为冷冰冰的法条付费。“技术实现是 0 到 0.5，商业闭环才是 0 到 1。”
- “+AI”惯性（page 6）：头痛医头脚痛医脚，局部修补，公司总收入没变化，最终陷入”老板员工角色倒挂”——老板焦虑得最厉害，员工反而观望。
观点墙 page 118 的残酷总结：
- “抓手永远是一把手”（原文写作”抓挠”但显然是”抓手”）
- “亲自焦虑 口头鼓励 等待结果”——这是大部分老板的心态路径，典型的”动嘴不动手”模式
- “突破自己的信息茧房 看到真相”
“唯一的变量是你”（page 65）：
雷老虎全场最重的金句之一：
真正决定输赢的问题，已经不再是谁认识更多”新龙虾”（模型/工具）……而是谁能更快完成自身的进化。 龙虾（模型）会继续进化。Agent 会从”会回答”走向”会行动”。工具会无休止地更新。这些都是已经确定的常量。 唯一的变量，是你。
这和韦青的”变与不变”框架完美呼应：工具都是常量，人是变量。
“换路径 ≠ 多用 AI”（page 66-67）：
雷老虎用一个巨大的蓝色箭头贯穿屏幕，上书”而是’换路径’“。核心断言：
企业 AI 转型，真正要完成的不是”多用 AI”……而是”换路径”。 这不是一次采购，这是一次换装（换血）。
把”AI 转型”定义为路径切换而非存量增加——这是心态升级的关键命题。
认知升级的三个阶梯（综合雷老虎 L1-L5 与韦青认知高度）：
| 阶梯 | 心态特征 | 行为 | 典型陷阱 |
|---|---|---|---|
| L1 个人层 | ”学不完，学不完” | 追新闻、买课、焦虑 | 思想肥胖症 |
| L3 业务层 | ”AI 能让业务增加什么” | 找场景、做 Demo、上试点 | ”+AI” 天花板 |
| L4 原生层 | ”如果业务从零开始，我会怎么搭” | 重构组织、重建流程、重做产品 | 路径依赖 |
| L5 生态层 | ”我能不能成为别人的基础设施” | 让别人的 Agent 基于我跑起来 | 野心不够 |
反常识洞察：
- **信息茧房在 AI 时代更严重，不是更轻。**算法只给你”你想看”的内容。
- 技术焦虑是假问题。真正的问题是”我敢不敢把现在的路径推翻重来”。
- **亲自焦虑不算数。**老板的焦虑必须转化为亲自上手（做第一个 AIPM、当 CAIO），否则就是”口头鼓励 等待结果”。
应用：
- 老板：先自测——你是在”学 AI 工具”还是在”重新设计组织”？前者是 L1，后者是 L4。
- 中层：你的 AI 项目是解决”管理层想看什么”还是”一线要什么”？（鉴锋第三坑的核心警示）
- 所有人：每周问自己一次——“这周我做的事，是’+AI’ 还是’换路径’？“
视角 3：反常识视角 —— 四大反常识 + 真实数据墙
谁提供了这个视角：page 10-14（四大反常识）；page 141（企业 AI 落地 N 个真实问题）；page 86-88（意图运营关键数据）
核心命题：
这场分享会最反泡沫的两个页面：第 10-14 页的”四大反常识”（混沌 AI 院讲者）和第 141 页的”企业 AI 落地 N 个真实问题”。前者打破”AI 行业的主流叙事”，后者打破”AI 转型成功率的幻觉”。
四大反常识（page 10-14）：
反常识 ①：软件行业正在被淘汰？
软件 = 数据集 + 代码
- Vibe Coding / Agentic Coding / Harness Engineering：次抛型软件频繁出现，动态数据集成为企业最宝贵资产
- 软件正在 Agent 化、Skill 化
- 1 个人干完一个团队的活
这里反的是什么：反的是”软件公司估值基于产品复杂度”的传统逻辑。当一个人用 Vibe Coding 能在周末做完产品，软件的稀缺性不在于”代码难写”，而在于”数据集+Agent化”。
反常识 ②：流量逻辑已死？
人货场里的”场”正在消失
- 流量逻辑：SEO → GEO（生成式 AI 优化）→ AIO（Agent Intent Optimization）
- 电商从”人找货”折叠为”单一智能体 + AI 供应链”
- 核心抓手：构建 Agent 友好型供应链
这里反的是什么：反的是所有依赖”买流量”的商业模式。当用户不再点击、不再浏览，而是直接让 Agent 下单，“流量”这个词都失去意义。
反常识 ③：我其实需要的是垂直大模型？
垂直大模型的训练成本已从千万级降至百万级
- 单一垂直模型 > 数十个碎片化 Agent 拼凑
- 政府专项补贴（page 13 列出 6 个中医药相关政策，上限 50 万-1000 万）
- 建议：基于开源基座快速启动垂直模型的微调与适配
这里反的是什么：反的是”Agent 乐高派”——即把业务拆成几十个 Agent 然后串起来。这个讲者明确认为，垂直大模型的稳定性远超 Agent 拼装。这个观点在业界是少数派，但提供了一个重要的反向思考。
反常识 ④：机器人已经规模化成熟？
未来 1-2 年，服务机器人成本有望从万元级降至千元级
- 硬件成本结构性崩塌
- 具身智能从实验室走向大规模商用
这里反的是什么：反的是”机器人还很遥远”的普遍认知。当成本到千元级，每家餐馆、每个社区都可以部署。
真实数据墙（page 141）：
这一页把整场分享会”企业 AI 转型”的乐观氛围猛地拉回地面。11 条真实数据（多家机构 2024-2026 年报告）：
| 企业 AI 真实问题 | 支撑数据 |
|---|---|
| 不知道从哪个场景开始 | BCG 2026：只有 6% 的企业实现有意义商业影响 |
| 试点一堆但无法规模化 | 47% 的成功试点永远没有投产（AgileSoftLabs 2025） |
| 买了工具没人用 | 全球 5% 的员工主动使用 AI（BU Questrom 2025） |
| 成本严重超预期 | 实际成本是初始报价的 2-5 倍 |
| 数据散落、质量差 | 84% 的 AI 项目遇到数据质量问题 |
| 培训承诺与实际脱节 | 部署后 81% 承诺培训，但仅 54% 执行（Stanford 2026） |
| ROI 无法验证 | 第一年 ROI 常只达预期的 40-60% |
| 员工停留在早期阶段 | 85% 员工仍仅使用早期功能 |
| 熟练度更致命 | 失败因素中熟练度占 38%，技术问题仅 16% |
| 部门壁垒与员工抵抗 | 工作流重设计对高效企业是普通企业 3 倍 |
| 没有唯一负责人 | C-suite 主导成功率 78%，中层主导远低（Stanford HAI 2024） |
这一页的价值：
- 把”6% / 47% / 5% / 2-5 倍 / 84% / 38%“这些数字放一起，你会立刻明白：AI 转型的失败率远比成功率高。
- “失败因素中熟练度占 38%，技术问题仅 16%” —— 这个数据是心态视角（视角 2）的硬证据。
- “C-suite 主导成功率 78%，中层主导远低” —— 直接支撑视角 4（CEO 视角）的天花板假说。
辅助反常识（page 86-88 雷老虎的数据）：
- 93%：AI 查询在零点击状态下就获得了满足 —— 流量运营的死刑判决
- 23 倍：真正发生点击的 AI 流量，转化率可达传统自然搜索的 23 倍 —— 意图运营的价值证明
- 2.8% vs 16.8%：Google 传统搜索 vs AI 搜索的转化率对比
- 41% → 18%：广告信任度的崩塌
- 47%：获流成本逆势上涨
- 2.6 倍：基于零方数据的营销点击率
- 3-4 倍：T-A-A 三者闭环的 ROI 是不闭环企业的倍数
洞察：
- **反常识不是新鲜感的追求，是认知纠偏的刚需。**这场会上的四大反常识，每一条都指向”主流共识可能是错的”。
- **数据墙的残酷不是为了吓人，是为了校准预期。**以为 AI 转型成功率很高的人，看了 page 141 会重新做判断。
- “失败因素中熟练度占 38%，技术问题仅 16%“彻底改变了问题定义——AI 转型从技术问题变成了组织学习问题。
应用：
- 在任何 AI 项目 Kick-off 之前，把 page 141 打印出来贴墙上。
- 当有人说”我们要搞一个垂直大模型”时，反问”相比于 10 个 Agent 拼装，成本/稳定性对比是什么”。
- 当有人说”我们要做流量增长”时，反问”AIO 是什么？Agent 友好型供应链是什么？“
第二重：权力 × 组织（中层）
视角 4：CEO / 一号位视角 —— 天花板假说
谁提供了这个视角：page 3（黄仁勋 60 个直接汇报）；page 8（老板要成为第一个 AIPM）；page 76-77（L1-L5 领导者层级）；page 118（观点墙：“AI 的天花板就是领导的天花板”）
核心命题：
这场分享会贯穿始终的一个等式：
AI 的天花板 = 领导者的天花板
任何企业的 AI 能力都不会超过它 CEO 的认知上限。page 77 雷老虎把这点写得最残忍：
最大的误判：把 AI 困在员工层
- 员工层的 AI，不会自动长成业务层的价值。
- 这不是自然生长的过程，而是领导跃迁的过程。
- 没有对应层级的一号位，就没有对应层级的 AI 价值。
这是对”自下而上让员工用起来”路线的直接否定——不是说员工用不重要，而是说员工层的 AI 不会”长”到业务层，必须有一号位主动把它拉上去。
L1-L5 价值层级（page 76）：
| 层级 | 一号位 | AI 形态 | 价值创造 | 能否爆发 |
|---|---|---|---|---|
| L1 | 本人 | 个人提效工具 | 单点效率 | 不能 |
| L2 | 职能一号位 | 流程协同 | 团队效率 | 不能 |
| L3 | 产品 / BU / CEO | 产品增值 | 业务增长（商业价值爆发点） | 能 |
| L4 | AI 原生企业一号位 | 原生重构 | 无 AI 不成立 | 能 |
| L5 | 平台负责人 | 生态引领 | 行业规则重构 | 能 |
关键标注：“商业价值爆发点”在 L3-L4 之间。这告诉我们：
- 停留在 L1 L2 的 AI 投入，ROI 始终打不开。
- 真正的爆发必须依赖产品/BU/CEO 层的亲自下场。
- L4 和 L5 是少数企业能达到的，但一旦达到就是质变。
CEO 要做的三件具体事：
第一件：成为第一个 AI 产品经理（page 8）
“老板的认知进化捷径：成为第一个 AI 产品经理”
- 重构商业模式
- 从零建设组织
- 制定 AI 价值地图
- 重新创业的心态
- 核心建议：大船旁边建小船，打造 AI 原生企业
这不是让 CEO 去学写代码。是让 CEO 承担 AIPM 应该承担的工作——定义”做什么不做什么”、定义”好产品的标准”、对 MVP 亲自试用做判断。
第二件：重构信息权（page 3）
黄仁勋的做法：
- 英伟达 60 个直接汇报
- 每人每周提交前 5 项工作
- AI 全部汇总分类，随时追问：“研发这周有什么异常？""谁在做重复的事？”
- “不是一份报告——是活的数据库，随时按你的想法重新排列”
这背后是 CEO 信息架构的重构——从”中层汇总后报告”变成”直接从原始数据里问”。中层作为”信息汇聚的枢纽”因此消失（PPT 原话：中层正在消失）。
第三件：建立 CAIO × AI 业务架构师 × AI 产品经理三角（page 80-83）
雷老虎提出的”AI 领导者实用搭配”：
CAIO（战略决策者）
定方向、给资源
/ \
AI 业务架构师 AI 产品经理 / 技术实现
业务核心骨干 CTO / 高潜产品经理或开发
懂痛点、推变革 懂工具、做落地
\ /
1 + 1 + 1 > 10候选人画像（page 83）：
- CAIO：老板 / 核心高管 / 业务一号位 / 二代（关键：必须是企业最高层）
- AI 业务架构师：业务一号位 / 业务核心骨干 / 高潜 / 业务架构师
- AI 产品经理：CTO / 高潜产品经理或开发 / 综合能力强的年轻人
反直觉点：
- CAIO 不是招聘一个外部高管，而是老板亲自担任，或指定核心二代。
- AI 产品经理不需要专门招，CTO 或高潜年轻人就可以。
- 三角的意义在于”1+1+1 > 10”——缺一不可。
观点墙的 CEO 视角金句（page 118）：
- “AI 的天花板就是领导者的天花板”（张雷）
- “AI 转型的抓手永远是一把手”
- “亲自焦虑 口头鼓励 等待结果”（警告 CEO 的典型错误）
- “决策与判断：CEO 核心价值要求更高”
- “每个 CEO 都会有一支 AI 团队”（未来期望）
观点墙的深度洞察：
“亲自焦虑 口头鼓励 等待结果”这 12 个字是对 80% 的中国老板画像——嘴上说 AI 重要，但把项目交给 CIO/CTO 就等着看 ROI，自己不亲自下场。这个路径在 L1-L5 里永远停留在 L2。
洞察：
- **CEO 的角色不是”批准 AI 项目”，是”亲自做 AIPM”。**如果 CEO 不亲自试用、不亲自定义价值、不亲自决定取舍，AI 就永远卡在 L1-L2。
- **中层作为信息汇聚枢纽正在消失。**黄仁勋的 60 个直接汇报+AI 活数据库是新管理范式。
- CAIO 不是招聘岗位，是一号位自任的角色。
- **“商业价值爆发点在 L3-L4”是最重要的定量断言。**这意味着绝大部分企业的 AI 投入目前都在”爆发点之下”。
应用：
- 对自己做 L1-L5 自测——你目前的 AI 投入在哪一层？
- 设计下一步：如何从 L2 跳到 L3？（不是加人、不是加预算，是改变一号位参与方式）
- 谁是你的 CAIO / AI 业务架构师 / AI 产品经理？这三个角色是否已经定人？如果没有，你就还没真正开始。
视角 5：权力重构视角 —— 谁在消失，谁在崛起
谁提供了这个视角：page 3（中层消失）；page 16（执行层坍塌，决策层爆发）；page 21（职业分化）；page 79（人 + 数字员工系统）；page 80-83（CAIO 三角）
核心命题：
AI 不是让每个人都变强，是让权力重新洗牌。大部分讨论集中在”AI 会替代哪些人”——但这场会提出了更重要的命题：“AI 让谁的权力变大，让谁的权力变小”。
五个权力方向：
方向一：中层消失（page 3、page 16）
混沌讲者画了一张经典”管理金字塔”，把中层用红 X 打掉。理由：
- AI 替代了中层最核心的两个职能：信息汇总 + 信息再分发
- 黄仁勋 60 个直接汇报证明：扁平化是可能的
- 亚马逊、谷歌用 AI 生成绩效评估和人员优化建议
刘雨飏用”执行层坍塌，决策层爆发”的图（page 16）给出更精细的版本：
- 下沉到 Agent：画图、写代码、分析（传统中层的”执行型任务”）
- 上升到人类大脑（AIPM）：洞察、商业、审美（传统中层难以触及的”决策型判断”）
方向二：执行层”被史诗级放大的决策层”
page 16 金句：“AI 消灭的不是产品经理，而是’只会提需求’的传声筒。”
这句话非常精准——PM 这个职位不会消失，但PM 作为”跨部门协调者/翻译官”的角色会消失，PM 作为”产品定义者/交付者”的角色会放大。page 21 的对比表：
| 维度 | Traditional PM | AIPM |
|---|---|---|
| 核心角色 | 翻译官 / 协调者 | 创造者 / 交付者 |
| 工作模式 | 跨部门资源博弈，穿透五座大山 | 驾驭智能体军团，端到端执行 |
| 核心壁垒 | 流程管理与画原型写文档 | 判断力、鉴赏力、共情力 |
| 个人天花板 | 组织职级与汇报线 | 想象力与商业闭环的边界 |
“从’提需求的人’到’交付产品的人’，这是产品经理最光荣的回归。”
方向三：AI 一号位崛起（page 79）
这是整份报告最激进的命题。page 79 画了 Before / After：
Before（工业时代）：
- 1 Manager → 6 Human Employees（树状结构）
- “管理人的时间和体力”
After（智能时代）：
- 1 AI 一号位 → 若干 Human Role（Review & Iterate）↔ 若干 Digital System（Execution）
- “管理数字员工的能力和产出”
每个人都是 AI 一号位：组织基本单位从”单人”升级为”人 + 数字员工系统”。
金句：“不会给 AI 下目标的人，迟早被给目标的人取代。”
这句话比”AI 替代人”的说法更精准——不是 AI 替代你，是会用 AI 的人替代你。
方向四：CAIO 崛起（page 80-83）
新的组织里会出现一个新 C 级高管——Chief AI Officer。但它不是从 CIO/CTO 演变的，而是：
- 老板自任
- 某核心高管升格
- 业务一号位转型
- 二代接班（企业二代担当）
注意：CAIO 不是 IT 背景的人。这个命题很反常识——它说明 AI 不是 IT 问题，是业务+战略问题。
方向五：部门 Agent 化（鉴锋 page 139-140）
零一数科的”太阳系”终极愿景：
- 中央太阳 = LTV（客户生命周期价值）北极星
- 外圈行星 = 营销 Agent、销售 Agent、客服 Agent
“打破传统部门墙。各部门的职能逐渐演变为、或被视作一个个’特定功能 Agent’。”
部门的边界消失，部门变成”特定功能 Agent”绕核心指标（LTV）运行。这对传统组织架构的冲击是毁灭性的。
权力重构矩阵（自绘总结）：
| 角色 | AI 时代前 | AI 时代后 | 权力变化 |
|---|---|---|---|
| CEO | 批准决策 | 亲自做 AIPM、自任 CAIO | 权力变大（直接操作 AI 团队） |
| CAIO | 不存在 | 战略制定者 | 新角色 |
| 中层经理 | 信息汇总+分发 | 消失 or 转为 AI 业务架构师 | 权力变小 |
| 传统 PM | 翻译官 | AIPM（交付者） | 能力上限升高 |
| 资深技术 | 架构师 | CTO 候补 AIPM 或 AI 业务架构师 | 权力变大 |
| 一线业务 | 被动执行 | 每个人都是 AI 一号位（管 Agent） | 能力上限升高 |
| 外包团队 | 承接项目 | 被”内部孵化”替代（零一数科案例） | 权力变小 |
| 广告投放 | 买流量 | 被 AI 推荐替代 | 权力变小 |
反常识洞察：
- **权力重构不是线性的，是跳跃的。**不是”中层的权力慢慢减少”，是”中层这个层级直接消失”。
- **“AI 让每个人都变强”是假命题。**真相是：AI 让能用 AI 的人变得更强，其他人变得更弱。
- **CAIO 不是 CIO 升级版。**CAIO 是业务/战略背景的高管或老板自任，和 CIO 是平行关系。
- **部门 Agent 化是”组织去中心化”的极限形式。**每个部门都是一个 Agent，所有 Agent 绕共同 KPI（LTV）运行。
应用：
- 做组织画像：列出你公司里现在的中层职位。哪些是”信息汇总分发”型？这些职位 2-3 年内风险很高。
- 做自我画像：你目前是”传声筒”还是”创造者”？如果是前者，需要紧急转型。
- 做组织设计：你的企业有没有 CAIO？谁最合适？如果没有明确的人，你就没有开始 AI 组织重构。
视角 6：组织形态视角 —— 三次组织跃迁
谁提供了这个视角：page 7（蒸汽机 vs AI 时代）；page 66-67（换路径）；page 104（新旧路径切换）；page 140（AI Native 组织）；鉴锋 page 132-140（三坑三转念）
核心命题：
AI 时代的企业组织不是”加个 AI 工具”那么简单。它是第三次组织跃迁——和从手工作坊到河边工厂、从河边工厂到蒸汽机工业同等量级的跃迁。
page 7 蒸汽机 vs AI 时代对比（混沌讲者的重要框架）：
| 对比维度 | 蒸汽机时代（工业革命） | AI 时代（智能革命） |
|---|---|---|
| 初期产业应用形态 | 河边工厂内替代水轮，沿用原有厂房与流程 | 传统流程内嵌入 AI 单点提效，沿用原有组织与业务流程 |
| 核心变革时间节点 | 1785 年后，1800 年全面爆发 | 现阶段为初期应用，重构期尚未全面到来 |
| 核心变革动作 | 脱离河流限制，以蒸汽为核心重构厂房、动线、生产体系 | 脱离传统流程限制，以 AI 为核心重构业务、组织、决策体系 |
| 生产力跃迁形式 | 人力/水力 → 蒸汽动力的规模化连续生产力 | 人工/数字化 → AI 原生的智能化无限生产力 |
隐含观点：**我们现在都还在”河边工厂”阶段。**所有”+AI”项目都只是把 AI 当作”水轮替代”用——沿用旧厂房、旧流程。真正的变革（新厂房、新动线、新生产体系）还没到来。
这也解释了为什么 page 141 BCG 数据说”6% 的企业实现有意义商业影响”——94% 的企业还在河边工厂阶段。
三次组织跃迁（综合所有讲者）：
跃迁 1：手工作坊 → 工业组织
跃迁 2：工业组织 → 数字化组织
跃迁 3：数字化组织 → AI 原生组织（Agentic Company）这场分享会最多被提到的词是 Agentic Company（雷老虎提出）。它定义了第三次跃迁的终点。
Agentic Company 的四大特征：
| 维度 | 传统数字化组织 | Agentic Company |
|---|---|---|
| 基本单元 | 人 | 人 + 数字员工系统（AR） |
| 工作方式 | 人操作系统（填表、审批） | AI 驱动流程，人做判断 |
| 部门关系 | 部门墙，跨部门协调昂贵 | 部门 = Agent 行星，绕共同 KPI |
| 学习曲线 | 员工培训（5% 主动用 AI） | 系统进化（数据飞轮自我强化） |
从”+AI”到”Agentic Company”的路径切换（page 104）：
雷老虎用 4 组”旧 → 新”箭头收口：
| 旧路径 | 新路径 |
|---|---|
| 工具化 | 数字员工系统 AR |
| 员工个体化 | 企业级龙虾（ABU，Agentic Business Unit） |
| 一号位缺失 | AI 领导者（CAIO） |
| 供给侧内卷 | Token-Agent-Attention 价值链 |
底部金句：“这不是战术优化，这是彻底的路径切换。”
AI Native 组织的进化案例：零一数科（page 132-140）：
鉴锋用”三坑三转念”给出 Agentic Company 的真实演化路径：
坑 1：外部依赖之坑
- 现象：投入近 200 万人民币 外包开发，周期严重超期，团队数字化信心受损
- 病因：外部团队缺乏行业背景；沟通链路过长
- 转念 1：解散外包，从”憋大招”走向”长出来”
- 动作：果断解散原市场部，归零设计，转向内部孵化
- 成果：1 产品 + 3 实习生 做出”AI 线索官”初代产品，商机承接率 100%
坑 2：架构之坑
- 现象：飞书多维表堆砌 80+ 个自动化工作流，系统极度耦合，BUG 频发
- 病因：误把”轻量工具”（飞书多维表）当”万能底座”
- 转念 2：独立架构，从 Demo 到 PMF 的产品进化
- 三阶梯：
- Step 1 Demo：飞书多维表搭雏形
- Step 2 MVP：接入财务合同流程，倒逼全员使用
- Step 3 PMF：用 Clow 独立编程，保持飞书 API 对接
坑 3：组织适配之坑
- 现象：员工对 AI 系统强烈抵触，推广阻力大，使用率低
- 病因：价值错位（偏向管理端需求），缺乏激励（只是增加负担）
- 转念 3：从”冷血监工”到”销冠助理”
- 三项动作：身份重塑（业务伙伴）+ 提供弹药（深度客户档案）+ 神级助攻（销冠级赢单策略）
底部金句：“用户思维至上。拒绝为了 AI 而 AI，让团队看到实打实的赢单率提升。”
无边界 AI Native 组织的终极愿景（page 140）：
两条核心论点：
- 打破传统部门墙。各部门的职能逐渐演变为、或被视作一个个”特定功能 Agent”。
- 所有 Agent 不再各自为战，而是高度协同，共同服务于同一个终极目标——客户生命周期价值（LTV）北极星指标。
太阳系图的寓意：组织 = 行星系统，太阳（北极星指标）在中心，Agent 是行星。部门墙消失、科层消失，只剩下”目标 → Agent 群 → 执行”。
洞察：
- **我们还在”河边工厂”阶段。**这是最重要的时间定位——不是”AI 时代快结束”，而是”真正的重构还没开始”。
- **Agentic Company 不是新名词，是新组织形态。**它的基本单元是”人 + 数字员工系统”，不是个人。
- **组织跃迁不可能渐进。**零一数科的经验说明：改良（憋大招/多平台拼接/管理驱动）都会撞墙，只有路径切换（长出来/独立架构/用户导向）能真正成立。
- **部门 = Agent 行星是未来 3-5 年的真实画面。**不是科幻，是零一数科的现实。
应用：
- 做组织诊断：你的公司在三次跃迁的哪个阶段？（大部分企业还在跃迁 2 的尾期，刚开始跃迁 3）
- 做路径选择：是”+AI”（改良）还是”换路径”（AI Native）？选错方向会浪费 3-5 年。
- 做坑预判：鉴锋的三坑很真实——外包、架构、组织适配。新项目开始前，先预判自己会踩哪个坑。
视角 7：中层管理视角 —— 消失还是转型
谁提供了这个视角：page 3（中层消失）；page 80-83（AI 业务架构师角色）；鉴锋全案例（中层的重生路径）
核心命题：
如果你是中层管理者，这场分享会对你最核心的信息有两条，而且是矛盾的：
- 信息 A（page 3）：中层正在消失。AI 替代了你的信息汇总+分发职能。
- 信息 B（page 80-83）：中层可以转型为”AI 业务架构师”——1+1+1 > 10 三角的关键一员。
**这两条信息不是否定彼此，而是在描述不同命运的中层。**真正的问题是：你是哪一种中层？
两种中层的画像：
| 维度 | 消失型中层 | 转型型中层 |
|---|---|---|
| 核心动作 | 信息汇总、上报、分发任务 | 洞察业务痛点、设计 AI 解法 |
| 对业务的了解 | 停留在 KPI 和流程层面 | 深入到一线真实工作场景 |
| 对 AI 的态度 | ”我不懂，交给 IT” | 亲自用、亲自提需求、亲自迭代 |
| 在新三角里的位置 | 无 | AI 业务架构师 |
AI 业务架构师的候选人画像（page 83）：
业务一号位 / 业务核心骨干 / 高潜 / 业务架构师
关键词是”懂痛点、推变革”——这正是好中层原本的核心价值。所以中层不是全部消失，是”信息汇聚型中层”消失，“业务架构型中层”升级。
中层转型的三条路径：
路径 1：向上，成为 CAIO 或 AI 业务架构师
如果你是企业核心业务的一号位（某条线或某个 BU 的负责人），你就是 CAIO 或 AI 业务架构师的天然候选。
自问：
- 我对本条业务的痛点了解到什么程度？（不是 KPI 层，是具体场景层）
- 我能不能用 AI 工具亲自做一个 MVP（哪怕粗糙）？
- 我能不能代表业务方提出”如果没有当前流程约束，AI 应该怎么做”的重构方案？
路径 2：向下，成为”会用 AI 的个体贡献者”
如果你不想承担更重的变革责任，可以选择回到专家路径——做最会用 AI 的业务专家。page 16 刘雨飏的图说得很清楚：决策层在”史诗级放大”。如果你能在本条业务里做”一个人产出整个团队的量”（借助 AI），你的价值反而上升。
自问：
- 我能不能在本条业务里，用 AI 把单日产出做到 10 倍？
- 我愿不愿意放弃管理岗位，回到产品/研发/运营的一线专家角色？
路径 3：平行，成为”Agent 的设计者”
鉴锋给了一个反直觉的模板：零一数科的核心产品是”AI 线索官”，做 AI 线索官的不是原市场部，而是 3 个实习生 + 1 个产品。
这意味着中层可以转型为”设计数字员工”的架构师——你原来管 10 个销售，现在管”销售 Agent + 3 个监督员”。
自问：
- 我能不能定义出我部门内所有”重复性、规则性”工作，并把它们变成 Agent 的规格说明书？
- 我能不能接受未来管理的不是 10 个人，而是 10 个 Agent + 2 个监督员？
中层最应该警惕的三个误区：
误区 1：把”我管过 XX 团队”当成资历
过去中层的价值核心是”管人”——现在管人的权力被 AI 分走了（黄仁勋 60 个直接汇报说明这一点）。如果你的简历只有”管理经验”，没有”业务 know-how”和”AI 使用经验”，你的市场价值在快速下跌。
误区 2：把”AI 学习”交给下面
中层常见策略是：“让团队里的年轻人学 AI，然后报告给我”。但 AI 的核心是亲自使用才能形成判断力。让别人学、自己听汇报，和你原来被 CEO 抱怨”亲自焦虑口头鼓励”是一样的错误——只是尺度变小了。
误区 3：等”上面规划好再落地”
“我等公司 AI 战略出来再行动”——这种等待姿势本身就是被淘汰的信号。真正的 AI 业务架构师是自己推动 AI 战略在本部门成形，而不是等别人写好。
中层转型的 90 天操作化（借鉴雷老虎 90 天框架 + 鉴锋三转念）：
| 阶段 | 时间 | 具体动作 | 里程碑 |
|---|---|---|---|
| 诊断期 | 1-2 周 | 把本部门所有”重复性、规则性、高耗时”工作列出来 | 得到一张”可 AI 化任务清单” |
| 试点期 | 3-4 周 | 选 1 个最小切口（不一定是最痛的，而是最容易跑通的），亲自用 AI 工具做 MVP | 至少能 Demo 一次 |
| MVP 期 | 5-8 周 | 找 1 个真实业务场景倒逼使用，积累 VOC | 有用户真实反馈 |
| 扩展期 | 9-12 周 | 把 MVP 扩展为本部门的 Agent 工作流 | 部门日常有 AI 参与 |
第 90 天的自我评估：
- 我用 AI 是”辅助人”（Augmentation）还是”替代任务”（Automation）？
- 我部门的一线员工是”求着快点做”还是”抗拒使用”？（参考鉴锋 page 127 的反转时刻）
- 我能不能用 2 个月完成原本 1 个季度的工作？（鉴锋零一数科的基准）
洞察：
- **“中层消失”是对一种中层的死刑，是另一种中层的解放。**信息汇聚型 → 消失；业务架构型 → 升级为 AI 业务架构师。
- **中层最致命的误区是”让别人学 AI”。**亲自用、亲自判断、亲自定义好坏——这是新中层的核心能力。
- **管人 → 管 Agent 是中层的新工种。**而且这个工种的基本单位是”1 个 Agent + 2 个监督员”，比”10 个人 + 1 个经理”的管理面积大得多。
应用：
- 做 180 度自我审视：你过去 12 个月的工作，哪些是”信息汇聚”？哪些是”业务架构”？如果前者占比 >60%，危险。
- 立刻开始”亲自用 AI”的实验。不是听汇报，是自己用。
- 把本部门所有”重复性、规则性”任务列出来，这就是你未来 24 个月要替换的工作。
第三重：战略 × 投资（上层）
视角 8：战略视角 —— 三件完全不同量级的事
谁提供了这个视角：Mars 任鑫 page 45；page 6（+AI 天花板）；page 66-67（换路径）；雷老虎 page 104（路径切换）
核心命题：
Mars 任鑫在公众号文章里提出的命题（page 45 引用），是这场分享会最简洁也最重要的战略框架：
“最近天天和大厂朋友聊，感觉所有人都觉得光是’把 AI 工具用起来提效’是不够的。 但——不够在哪里，要做什么，并看不清楚。 用 AI 提效是一回事，为 AI 重建组织是另一回事，看到 AI 在生态层面打开了什么新机会又是另一回事。 这三件事的难度、投入和回报完全不在一个量级上，但我们把它们混在一起叫 ‘AI 转型’。”
他用 1956 年纽约港集装箱革命作类比——同样是”用集装箱”，有人在旧码头边加了几个集装箱（提效），有人重新设计了码头和航运流程（重建组织），有人看懂了集装箱会让全球供应链重新洗牌（生态新机会）。结果三类人的命运完全不同。
三件事的战略矩阵：
| 维度 | 第一件：用工具提效 | 第二件：为 AI 重建组织 | 第三件：打开生态新机会 |
|---|---|---|---|
| 对应雷老虎的 L 层 | L1 L2 | L3 L4 | L5 |
| 本质 | 把现有流程加速 | 重新设计组织基本单元 | 重新定义行业规则 |
| 资源投入 | 小（工具费 + 培训） | 中（组织变革 + 流程重建） | 大（长期研发 + 生态投入） |
| 回报周期 | 3-6 个月见效 | 1-3 年见效 | 3-10 年见效 |
| 成功率 | 中（但天花板低） | 低（踩坑多） | 极低（但赢家通吃） |
| 典型动作 | 接入 GPT/Claude API | 部门 Agent 化、CAIO 任命 | 做垂直基座、做 Agent OS |
| 典型陷阱 | +AI 天花板 | 组织抗拒 / 信息茧房 | 看不到 / 看到了不敢干 |
| 典型案例 | 飞书 CLI + GPT 写会议纪要 | 鉴锋零一数科（市场部 0 人） | 雷老虎的 OpenClaw + Claude Code 生态 |
三件事的战略选择权衡：
“+AI” 天花板（page 6）：
混沌讲者在 page 6 画出的三大困境：
- 头痛医头脚痛医脚：修补单点场景，无法触动整体业务架构；仅能在局部环节产生有限的效率提升
- 公司总收入没变化：持续投入高昂的算力与研发成本，但缺乏量化指标，价值衡量模糊
- 老板员工角色倒挂：陷入”技术先行”的误区，从技术验证到业务价值转化的完整闭环难以形成
这是”只做第一件事”的必然结果——工具用得再多，公司总收入不变。
“换路径”（page 66-67）：
这是”第二件事”的本质。雷老虎用贯穿屏幕的蓝箭头标注”而是’换路径’“，配文：
“企业 AI 转型，真正要完成的不是’多用 AI’……而是’换路径’。” “这不是一次采购，这是一次换装（换血）。”
生态新机会的三个线索：
这场会上提到”第三件事”的线索相对少（毕竟主要面向企业老板），但有几条隐含：
- 雷老虎的 OpenClaw × Claude Code = AR 公式（page 71）：如果 OpenClaw 真的成为”数字员工的动力引擎”，它会是一个新的基础设施层——类似云计算对 2010 年代的意义。
- 飞书的”Agent 操作系统”定位（page 109）：“平台要成为一个 Agent 操作系统”——这是对”第二件事”（组织重建）和”第三件事”（生态平台）的同时下注。
- page 12 垂直大模型：训练成本从千万级降至百万级，加上政府补贴（page 13），意味着每个细分行业都可能出现”垂直大模型基座”这样的新基础设施角色。
- Agent 友好型供应链（page 11）：“告别传统的广告投放内卷，转向适配智能体交互的柔性供应链体系建设”——这可能是最大的生态性机会，因为它在重定义供应链本身。
战略层的关键决策点：
决策 1：你的企业处在三件事的哪一阶段？
90% 的企业还在第一件事（+AI 提效），少数在第二件事（组织重建），极少数在第三件事（生态新机会）。最危险的不是做第一件事，而是**“以为自己在做第二件事，其实还停留在第一件事”**——比如请了 CAIO 但 CAIO 只负责”引入 AI 工具”。
决策 2：你的资源分配合理吗？
一个反直觉的建议：资源不要全部投入第二件事。第一件事虽然天花板低，但回报快、风险小，应该保持 30-40%；第二件事是核心（40-50%）；第三件事即便只投 10-20%，也可能是下一个 10 年的主引擎。
决策 3：你看到了什么别人没看到的生态机会？
这是最难的战略问题。线索：
- 哪些”交易成本”在 AI 时代会被重定义？（供应链？招聘？客户发现？）
- 哪些”壁垒”正在崩塌？（软件复杂度？流量壁垒？）
- 哪些”新基础设施”会成为关键？（垂直大模型？Agent OS？零方数据？）
洞察：
- **把三件事分开是战略清醒的起点。**把它们混在一起叫”AI 转型”，是战略糊涂的开始。
- 回报不对称：第三件事虽然难，但赢家通吃。
- **最大的风险不是做错方向，是”以为在做大事，其实在做小事”。**请了 CAIO、成立了 AI 委员会——如果实质动作还是”加工具”，就还在第一件事。
- 集装箱类比的深层含义：集装箱出现后 20 年，全球航运格局被重写。AI 的时间窗口可能更快。
应用：
- 开 AI 战略会之前，用 Mars 的三件事框架给每个 AI 项目分类。
- 做资源分配决策：今年 AI 预算 100 万，第一件事占多少？第二件事占多少？第三件事占多少？
- 写一份内部文件：“本公司在 AI 时代的第三件事假设是什么？“（即生态新机会）如果你的团队对这个问题没有任何假设，你还没开始真正的战略思考。
视角 9：投资视角 —— GP 在这场会上看到了什么
谁提供了这个视角：刘雨飏本身（Z0 Venture Capital GP）；page 90（OpenClaw 零方数据）；page 99（双向资产沉淀）；page 101（4 类需求发现 Agent）；page 102-103（T-A-A 价值链 ROI 3-4x）
核心命题：
这场分享会有一个容易被忽视的特殊身份——刘雨飏同时是 Z0 Venture Capital GP。这意味着他的判断不只是”怎么做 AIPM”，更是”什么样的 AIPM / 什么样的公司值得投”。
用投资人视角重读这场会，你会看到和普通观众完全不同的东西。
投资人关注的三个”资产”维度：
资产维度 1：零方数据（Zero-party Data）
page 90 雷老虎的核心断言：
“OpenClaw 策略：精准捕获’零方数据’” “在信息洪流中，犹如破壳之钳，精准夹取最稀缺的深度意图。” “用户通过 AI 多轮对话，主动交出的最真实偏好与最高购买意图。” “基于此的营销点击率比传统方式高出 2.6 倍。”
零方数据 vs 一方数据 vs 三方数据：
- 三方数据：外部数据源（行为历史推断）→ 精度低
- 一方数据：用户在自己产品上的行为（点击、浏览）→ 精度中
- 零方数据：用户在 AI 对话中主动披露的意图（“我想找 200 元以下的轻量咖啡豆”）→ 精度极高
投资含义：**能获取零方数据的公司 = 在 AI 时代有新型数据壁垒的公司。**这个壁垒比”流量壁垒”和”规模壁垒”更硬，因为它基于用户和 AI 的对话亲密度。
资产维度 2：双向资产沉淀（page 99）
金谷园饺子馆案例里的关键金句：
“传统的排队软件只记录’几号’，Agent 记录的是’偏好’与’习惯’。这就是资产。”
双向的含义：
- 商家端沉淀：用户 Context（偏好、购买习惯、决策模式）
- 用户端沉淀：“AI 记住我”的体验（个性化推荐精准度）
投资含义：能做双向资产沉淀的业务 = 有锁定效应的业务。用户一旦在某个 AI 助理/Agent 上沉淀了 Context，迁移成本极高——这是 AI 时代的”新 Moat”。
资产维度 3：企业 Context 战略（page 111）
孙昊天的核心断言：
“大模型能力会越来越商品化，模型、架构差异不会成为你的壁垒。 真正拉开差距的，是 AI 是否读到了你公司的真实上下文。”
三不可（企业数据对 Agent 的现状诊断）：
- 不可读：数据散落，Agent 读不到
- 不可调：API 不标准，Agent 调不动
- 不可写：缺乏反馈闭环，Agent 无法沉淀记忆
投资含义：解决”三不可”的基础设施型公司 = 下一个云计算级别的机会。飞书的定位就是要成为这个”企业 Context 基础设施”。
投资人在这场会上识别的 5 类标的：
标的 1：AI 工具类（最拥挤赛道）
- 举例：各种 Agent 框架、各种 Coding 工具
- 风险：同质化严重，9 成会死
- 筛选标准：能否独占某个垂直场景 + 能否获取零方数据
标的 2：AI 基础设施类（最稀缺赛道）
- 举例：OpenClaw（动力引擎）、飞书（企业 Context 平台）
- 风险：需要极大资源和时间
- 筛选标准：能否成为下一个”Agent OS”
标的 3：AI Native 企业服务（最清晰赛道）
- 举例：零一数科的 AI CRM / AI 线索官
- 风险：行业壁垒不够，容易被大厂入侵
- 筛选标准：是否有深度行业 Know-How + 是否形成数据飞轮
标的 4：垂直大模型（反常识赛道）
- 举例：医疗、法律、教育等垂直领域
- 风险：技术更迭快，可能被基座模型降维打击
- 筛选标准：训练数据的稀缺性 + 监管壁垒 + 政府补贴兜底（page 13）
标的 5：具身智能 / 机器人（长线赛道）
- 举例：服务机器人、家庭机器人
- 风险：硬件迭代慢，技术周期长
- 筛选标准：成本下降曲线 + 应用场景明确 + 供应链掌控
投资人的”看人”框架：
这场会上关于”什么样的人值得投”的线索非常多：
page 15 刘雨飏自己的简历：
- 2016：AI + 食安督导，行业前三，1000 家门店，千万人次/日
- 2018：Top500 技术咨询
- 2022：国资混改企业 IT 转型，业绩 5 倍 IT 成本 50%
- 2025：未来飞马 Harness 开放平台
这是一个典型的 GP 自我画像——技术背景 + 业务成功 + 资本运作。Z0 Venture Capital 大概率会找具备类似画像的被投。
page 22 三普通人案例：
- 黄俊博（大三学生）：独立发布全端法律 AI，打通 API 计费
- 某林（离职 SaaS PM）：跨界开连锁炸串店，用 AI 做商圈分析
- 彭峰（装修包工头）：零代码创办【自传语伴】App，单场直播成交 10 万
投资含义：这三个案例的”可投性”并不高（规模太小），但它们定义了”什么是 AIPM 合格样本”——闭环能力 > 背景资源。GP 找的不是”最强背景的人”，而是”能自己跑通闭环的人”。
page 31 OPC 黄金三角：
- AI 产品架构师（思考 0-1）
- AI 全栈工程师（打穿 MTP）
- AI 增长架构师（构建增长）
三角的投资含义：任何一个被投团队，如果三角缺一角，都有硬伤。GP 会用三角做”team 尽调”——看你是不是三角齐全。
投资人必问的 5 个问题（整理自全场分享）：
- 你的项目在 L1-L5 的哪一层？（L1-L2 的项目，GP 一般不会投）
- 你的零方数据 / 企业 Context 是什么？能不能形成数据飞轮？
- 你的 OPC / 团队三角是否齐全？
- 你的 T-A-A 是否闭环？（Token-Agent-Attention，page 102 数据：闭环企业 ROI 是不闭环的 3-4 倍）
- 你的业务在 Mars 的”三件事”里是哪一件？（第一件事一般不投，第二第三件事才是 GP 的菜）
反常识洞察：
- **AI 时代的核心资产是”对话”，不是”流量”。**零方数据和企业 Context 是新型资产。
- AI 工具赛道是红海，AI 基础设施和 AI Native 服务是蓝海。
- **GP 不看你用了多少 AI 工具，看你有没有”跑通闭环”。**这是 page 30 金句”闭环能力 > 背景资源”的投资人视角翻译。
- **“双向资产沉淀”是 AI 时代的新 Moat 定义。**传统 Moat（规模、品牌、网络效应）需要重新估值。
应用：
- 做路演前先自测：你是 L1-L5 的哪层？你的零方数据是什么？你的闭环完成了吗？
- 做战略复盘：你的公司在”三件事”里是哪一件？如果还在第一件，GP 为什么要投你？
- 做团队盘点：你的 AI 核心团队是否三角齐全？如果缺一角，这是高优补齐的事。
视角 10：第二曲线视角 —— +AI 天花板与”大船旁建小船”
谁提供了这个视角：page 6（+AI 天花板）；page 8（大船旁建小船）；page 66-67（换路径）；page 132（AI Native 生存战）
核心命题：
查尔斯·汉迪的”第二曲线”理论在这场会上被反复印证——传统企业想活过 AI 时代，不能在老业务上加 AI，要在旁边起一条新曲线。
混沌讲者 page 8 的建议简短而致命：
“老板的认知进化捷径：成为第一个 AI 产品经理” “大船旁边建小船，打造 AI 原生企业！”
第一曲线（+AI）和第二曲线（AI Native）的结构对比：
| 维度 | 第一曲线（+AI） | 第二曲线（AI Native） |
|---|---|---|
| 基本策略 | 在现有产品/流程加 AI | 重新定义产品和组织 |
| 心态 | ”怎么用 AI 让现在更好" | "如果从零开始，我会怎么建” |
| 资源占用 | 主要占老业务资源 | 独立资源池 |
| 责任人 | 现有业务 Leader | 单独的一号位 / 老板自任 |
| 考核指标 | 加到老 KPI 上 | 独立 KPI（通常是 AI Native 特有指标） |
| 风险 | 被老业务惯性拖累 | 资源不足，起势慢 |
| 回报 | 线性提升 | 非线性跃迁 |
| 天花板 | 低（page 6 已经撞墙） | 高（L3-L5 价值爆发） |
为什么要建第二曲线而不是改造第一曲线？
page 6 混沌讲者给的三个”+AI”困境：
- 头痛医头脚痛医脚：修补单点场景，无法触动整体业务架构
- 公司总收入没变化：持续投入高昂的算力与研发成本，但缺乏量化指标
- 老板员工角色倒挂：陷入”技术先行”的误区
这三个困境的共同根源是：老业务的组织惯性和流程惯性，比 AI 工具的变革力量大得多。所以如果你在老体系里做 AI 改造，最终结果是老体系吞噬 AI 工具，而不是 AI 工具重构老体系。
唯一的解法是切割——让新业务在新组织、新团队、新 KPI 下独立生长。
第二曲线的典型范式：鉴锋零一数科
鉴锋的案例几乎是第二曲线理论的教科书示范：
传统思路（如果鉴锋走第一曲线）：
- 给市场部配 AI 工具
- 给销售部配 AI 助手
- 优化现有 CRM 系统
鉴锋的第二曲线：
- 解散市场部（归零设计）
- 用 1 产品 + 3 实习生重新做一个 AI 线索官
- 独立架构（Clow 平台），不在老 CRM 上加功能
- 北极星指标改为 LTV（客户生命周期价值），而不是继续用传统的销售 KPI
结果：签单率 25% → 65%，市场部从”有人”到 0 人，2 个月完成季度签约目标。
这就是”大船旁建小船”的实战版本。
第二曲线的三种启动模式：
模式 A：老板亲自带小船（page 8 建议）
- CEO 亲自担任 CAIO
- 组建 3-5 人的独立小团队
- 汇报线直接到 CEO，不经过现有中层
- 典型案例：page 8-9 所描述的”老板作为第一个 AIPM”模式
模式 B：挖一个内部”变革推动者”（page 80-83 CAIO 三角）
- 从现有业务一号位中找最合适的 1 位，升任 CAIO
- 给独立预算 + 独立团队 + 直接到 CEO 的汇报线
- 典型案例：雷老虎的”AI 领导者实用搭配”
模式 C：外引 + 内嫁接（少数成功案例）
- 从外部引入有 AI Native 经验的资深人
- 嫁接在原有业务核心部门之外
- 风险：水土不服，离职率高
第二曲线的常见失败模式（综合 page 141 + 鉴锋案例）：
失败模式 1：小船没有独立指挥权
- 现象：CAIO 名义上独立，实际要和原 CIO / CTO 争预算
- 结果：小船被大船吞噬
失败模式 2：小船用的是大船资源
- 现象：AI 新业务用的是原有 CRM 的数据、原 Finance 的预算流程、原 HR 的考核标准
- 结果：流程摩擦让小船无法起飞
失败模式 3：老板亲自焦虑但不亲自做（page 118 观点墙金句）
- 现象：老板说 AI 很重要，每周开会问进度，但不亲自用 AI 工具
- 结果：CAIO 成了”替罪羊”，3 个月后项目被砍
失败模式 4：小船的 KPI 沿用大船的
- 现象：AI Native 业务仍然用”月度营收”考核
- 结果：小船被迫走向短期变现，失去 Native 特征
第二曲线的时间窗口：
page 7 的蒸汽机类比隐含一个时间观：
- 1785 年蒸汽机发明
- 1785-1800：河边工厂阶段（初期应用）
- 1800 年后：全面重构爆发
对应到 AI：
- 2022 年 ChatGPT 发布
- 2022-2025：+AI 天花板阶段（初期应用）
- 2026+：全面重构爆发
这意味着 2026 年是关键时间窗口——再晚 1-2 年启动第二曲线，你的竞争者可能已经在 Agentic Company 形态里抢占位置。
洞察：
- **第一曲线撞顶不是失败，是信号。**看到”+AI 天花板”的瞬间，应该立刻启动第二曲线。
- **小船需要独立指挥、独立预算、独立 KPI、独立汇报线。**四个”独立”缺一不可。
- **“大船”不是要被放弃，而是继续产生现金流为小船输血。**第二曲线不是推翻第一曲线，是接棒。
- **最危险的姿势是”既不想改大船，也不想建小船”。**这是 90% 老板的真实状态。
应用：
- 画出你的企业当前的曲线图：第一曲线在哪？增长率？天花板在哪里？
- 画出你理想的第二曲线：它不在”现有产品加 AI”上，而在哪里？
- 做 4 项独立检查：你的小船有没有独立指挥、独立预算、独立 KPI、独立汇报线？哪一项缺了？
视角 11：价值链视角 —— T-A-A 与 SEO→GEO→AEO
谁提供了这个视角：雷老虎 page 85-104（完整 T-A-A + 营销权力三迁移）
核心命题：
雷老虎在分享会后半段做了一次”价值链级别”的重构——他用 T-A-A（Token-Agent-Attention） 这个三要素框架，把 AI 时代从供给端到市场端的整条价值链串了起来。
更重要的是，他把营销权力的历史演化用 SEO → GEO → AEO 三阶段做了精确定位——这是理解”流量时代终结”最清晰的一张地图。
T-A-A 价值链（page 102）：
Token（词元）——燃料 Agent（智能体）——引擎 Attention（注意力）——转化器
[认知生产要素] [人机协作单元] [稀缺主观资源]
供给侧能力 组织形态 需求入口
↓ ↓ ↓
供给端 企业端 市场端关键断言：三者闭环的企业，ROI 是不闭环企业的 3-4 倍（page 102）
这个框架的深层含义：
- Token 是新的”石油”——所有 AI 能力流转的底层生产要素
- Agent 是新的”工厂”——不是人的工厂，是智能体工厂
- Attention 是新的”货币”——在泛 Agent 时代，真正稀缺的是能进入用户决策链的注意力
两种读法（page 85 和 page 102）：
雷老虎故意用两种顺序呈现 T-A-A：
- page 85：Attention → Agent → Token（从市场回溯供给）——适合”我想做 AI 营销”的人
- page 102：Token → Agent → Attention（从供给到市场）——适合”我想做 AI 基础设施”的人
**同一条价值链，方向不同，目的不同。**这是一个非常精妙的设计——让投资人和创业者从两个方向都能定位自己的位置。
综合框架图（page 103）：
雷老虎的最完整图：
供给端 企业端（Agentic Company） 市场端
Token 图标 顶：商业价值锚点 / 负责任 AI / AI Agent 业务形态 Attention 图标
（数字石油） 金字塔： （眼睛+增长箭头）
L3 业务层（AI 领导者）
L2 部门层（主管管理）
L1 岗位层（员工岗位）
基本单元：AR 类人力（OpenClaw、Skill、Agent）
箭头：企业级 Agent → 个人级 Agent
↓
挣钱 / 省钱 / 增量（下方增长目标）这张图把 T-A-A、Agentic Company、L1-L5、AR 数字员工、OpenClaw 全部整合进一张画——是整场分享会最完整的”企业 AI 转型成功标准图”。
营销权力的三次大迁移（page 93）：
这是全场最有”历史感”的框架之一：
| 迁移 | 全称 | 争夺核心 | 受众行为 | 时代特征 |
|---|---|---|---|---|
| SEO（1998+） | Search Engine Optimization | 排序权（位置与点击） | 搜索-浏览-点击 | 用户主动找 |
| GEO（2023+） | Generative Engine Optimization | 认知权（推荐与信任） | 提问-零点击获取答案 | AI 替用户答 |
| AEO（2025+） | Agentic Engine Optimization | 执行权（决策与成交） | 需求发起-智能体代执行 | AI 替用户做 |
权力的每次升级都更深入决策链：
- SEO：争夺位置（我出现在搜索结果的哪里）
- GEO：争夺信任（AI 在回答时是否提及我）
- AEO：争夺执行（AI 在下单时是否选我）
反常识洞察：**SEO → GEO → AEO 的过渡期是非常短的，可能只有 2-3 年。**这意味着如果你的业务还在做 SEO 优化（买关键词、做 SEM），你已经在做一个即将淘汰的战略。
“点击”定义的质变（page 87-88）：
雷老虎用两个对比说明”点击”的本质变化：
过去：点击是探索
- 用户搜词 → 翻 10 个网页 → 比较方案 → 凑判断
- 点击意味着”我开始了解”
现在：点击是终局
- AI 研究、筛选、压缩复杂度 → 极少数终局点击
- 点击意味着”我已经想明白，只差最后确认”
数据支撑：
- 93% 的 AI 查询在零点击状态下就获得满足
- 但真正发生点击的 AI 流量，转化率是传统自然搜索的 23 倍
- Google 传统转化率 2.8%，AI 搜索转化率 16.8%
这个数据意味着流量运营的死刑——过去”点击数 / 流量 / 曝光”作为核心指标的时代结束了。未来只有两类流量：
- 零点击（AI 直接给答案，你根本没被访问到）
- 终局点击（AI 已经推荐你，用户只是来确认）
意图运营 vs 流量运营（page 89）：
| 流量运营（Traffic Operations）❌ | 意图运营（Intent Operations）✅ |
|---|---|
| 等用户搜到你 | 更早识别需求的生成 |
| 拼谁的内容产量更多 | 拼谁更早理解用户真正要解决的问题 |
| 买更多的前端曝光 | 让自己进入 AI 推荐体系的答案链路 |
核心变化：运营重点从”产生流量”变为”识别意图”。这是一个从外向内（拉流量到自己）到从内向外（让 AI 推荐自己）的 180 度反转。
四类需求发现 Agent（page 101）：
短期实操建议——企业应该立刻部署的 4 类 Agent：
| Agent 类型 | 核心任务 | 数据源 |
|---|---|---|
| 社交媒体监听 Agent | 监听抱怨与情绪，而非热搜 | 真实需求藏在吐槽和求助里 |
| 搜索意图分析 Agent | 判断用户处在哪个阶段（信息收集 / 方案比较 / 临门决策） | 搜索查询数据 |
| 产品空白分析 Agent | 找对手忽视的长尾需求、细分场景 | 市场数据 + 竞品数据 |
| 零方数据挖掘 Agent | 通过互动测验和对话，引导用户主动披露目标与约束 | 用户对话 |
实证数据：某企业运用相关体系将线索成本降低了 38%。
金谷园饺子馆案例——AEO 的实战范本（page 96-100）：
这是雷老虎给出的”小店做 AEO”的完整样本：
时间线：
- 2026.04.08：北邮边上的”金谷园饺子馆”零预热发布基于 MCP 协议的 SKILL
- 24 小时内：刷屏 AI 圈，阅读量 10 万+
- 官方置顶：扣子 Coze 官方亲自评论
- 2026.04.14：更新为”金谷园.Skill”，支持全自动 AI Agent 在线取号，加入美团首批 AI 助理体验官生态
链路对比（page 97）：
- 传统链路：打开 App → 搜索餐厅 → 查看菜单 → 决定（4 步）
- AEO 新链路：想吃饺子 → Agent 调用 → 进店（3 步，几乎一步到位）
三层金字塔价值（page 99）：
| 层级 | 价值 |
|---|---|
| 用户价值（顶层） | 减少等待焦虑 / 极简无缝体验 / 基于上下文的个性化推荐 |
| 商家价值（中层） | 极大降低获客成本 / 沉淀高维度用户意图数据 / 构建数字护城河 |
| AI 底层支撑 | 支撑以上两层 |
关键金句：
“传统的排队软件只记录’几号’，Agent 记录的是’偏好’与’习惯’。这就是资产。”
“金谷园做的，不是’取号功能的数字化’，而是’把自己变成了 AI 时代可被发现的服务节点’。”
“这个动作，可能比 100 万广告预算更有价值。”
洞察：
- T-A-A 是 AI 时代的价值链模型——和工业时代的”原料→工厂→市场”同等量级的框架。
- **SEO 死了，GEO 在过渡，AEO 正在崛起。**如果你的营销策略还停留在 SEO，你已经晚了两代。
- **“点击”这个词的含义已经变了。**93% 的 AI 查询零点击就满足——“曝光量/点击量”不再是核心指标。
- **金谷园案例证明：小店也可以成为”AI 时代可被发现的服务节点”。**门槛不是规模，是有没有接入 Agent 生态。
应用：
- 重新审视你的营销预算分配：SEO / GEO / AEO 各占多少？如果 SEO > 80%，危险。
- 做一个 AEO 试点：把你最核心的服务做成 Skill，接入 MCP 协议，看看会不会像金谷园一样获得 10 万+。
- 盘点你的”数据资产”：你能获取零方数据吗？用户在你的产品里披露了什么意图？
第四重：技术 × 执行（表层）
视角 12：技术架构视角 —— 数字员工五层骨架
谁提供了这个视角：雷老虎 page 68-75（AR / ASK / 五层骨架 / 四大机制）；page 106-112（飞书 Agent 平台）；雷老虎 page 40-44（Hermes Agent 自建框架示范）
核心命题：
**数字员工（Agent Resource，AR）是可以被工程化的。**雷老虎给出了整场会最有”工程魂”的一组框架——从”数字员工应该具备什么”（ASK）到”数字员工的骨架长什么样”（五层），每一层都有可量化的指标。
技术视角的价值不是”会写代码”，而是看到系统的骨架而不只是表面的 UI。
数字员工的四大基本属性（page 69）：
2x2 象限，每个属性配一个图标和说明：
| 属性 | 定义 | 反面（通用 LLM 的问题） |
|---|---|---|
| 主动性（火箭图标） | 不只是响应指令，更是推进目标 | 只等指令，不会推进 |
| 专属性（盾牌图标） | 拒绝通用废话，适配企业商业调性 | 说大话、空话、套话 |
| 稳定性（齿轮图标） | 情绪零波动，可用率与错误率极度可控 | 幻觉、不稳定、崩溃 |
| 忠诚度（链条图标） | 绝对服从数据合规，审计轨迹完全透明 | 数据泄漏、不可审计 |
关键观察（底部被遮挡但可推断）：“现有的通用大模型……普遍缺乏’A’。没有约束……带来的不是资产……组织风险。”
A 是 Attitude（态度）——通用 LLM 缺的就是”企业专属态度”。不经过驯化的 LLM 不等于数字员工。
ASK 框架（page 70）：
三圆维恩图，对 HR 经典模型”能力 = ASK”的再利用：
| 维度 | 含义 | 关键问题 | 类比 |
|---|---|---|---|
| A（Attitude，态度） | 愿不愿意干？能不能被目标驱动？ | 主动性如何？ | 动机 |
| S（Skill，技能） | 会不会干？工具与流程的工程化封装 | 技能封装率？ | 能力 |
| K（Knowledge，知识） | 懂不懂业务？企业私有上下文与隐性规则 | 知识覆盖率？ | 背景 |
反直觉组合：
- 有 S 无 AK = 执行器（只会用工具，不懂业务、没主动性）
- 有 K 无 A = 百科全书（懂业务但不主动行动）
- 有 AK 无 S = 说大话的人（有想法但不会落地）
- 三者俱全 = 合格数字员工
实证数据：华为——技能封装使自助率提升 20%（page 70 引用）
OpenClaw × Claude Code = AR 公式（page 71）：
雷老虎的核心组合拳：
OpenClaw（动力/意愿）× Claude Code（能力/智力） = Agent Resource（合格数字员工）拆解：
- OpenClaw 解决”愿不愿”：让 AI 主动推进任务，克服困难，完成闭环（对应 Attitude）
- Claude Code 解决”能不能”：百万 Token 推理，处理多步专业任务（对应 Skill + Knowledge）
乘法关系的哲学意义：任何一项为 0，最终结果为 0。只有动力（主动推进）或只有能力（智力强），都不构成数字员工。
五层技术骨架（page 72）：
从下到上（实际 PPT 从上到下）：
| 层级 | 核心组件 | 技术实现 | 量化指标 |
|---|---|---|---|
| 入口层 | 全触点覆盖 | 飞书 / 钉钉 / MCP 协议 | （覆盖度） |
| 动力层 🔴 | ReAct 规划 | OpenClaw 框架 | 主动任务 > 60% |
| 能力层 | 百万 Token 推理 | Claude Code | 任务完成率 > 90% |
| 记忆层 | 企业知识库 | RAG + 业务档案 | 知识覆盖率 > 80% |
| 备用层 | 多模型冗余 | 故障转移 | 可用率 > 99.5% |
🔴 动力层用红色重点标注——这是本次新标准的关键变化。过去的 Agent 框架只有”能力层 + 记忆层 + 备用层”（工具、知识、冗余），缺少”动力层”（主动意愿）。这也是为什么大部分企业 AI 项目”建了系统但没人用”——系统只有能力，没动力。
四大运行机制（page 75）：
2x2 机制矩阵：
| 机制 | 解决什么 | 核心问题 |
|---|---|---|
| 动力机制（愿不愿干） | 基于 OpenClaw 建立行动、推进、调度、闭环的意愿 | 为什么干 |
| 能力机制（能不能干） | 基于 Claude Code 与 Skills 封装，确保交付质量 | 怎么干 |
| 模式机制（在什么岗位干） | 界定 AI 角色、系统权限边界与人机协同 SOP | 在哪干 |
| 壁垒机制（怎么防抄袭） | 私有知识库 + 跨会话记忆，建立短期难复制的壁垒 | 抄不走 |
壁垒机制的深度：这不只是技术壁垒，是商业壁垒。私有知识库 + 跨会话记忆 = 任何竞争者即便有更强的模型也无法复制的积累。这是 AI 时代的新 Moat。
实际落地样本：飞书 Agent 平台（page 106-112）：
孙昊天给出了”Agent OS”的一种典型实现——飞书。
飞书给 Agent 带来的三大增强（page 106）：
- 完整上下文：AI 能阅读你的所有文档、日历、消息等，默认拥有完整背景
- 工具使用：不仅能回答问题，更能直接以你的身份调用系统操作执行
- 在你的工作流中：极大降低摩擦，实现工作场景内的连续对话
关键命题：“上下文摩擦是 AI 行业最大的隐形税”（page 107）
用 2x2 矩阵（page 107）把 AI 工具定位清楚：
| 简单上下文 | 复杂上下文 | |
|---|---|---|
| 简单问题 | 问答/闲聊（豆包、ChatGPT） | 问企业信息 / 数据（飞书擅长） |
| 复杂问题 | 深度研究 / Coding（Gemini、Claude Code） | 真实的业务决策（飞书让频次提高） |
飞书的定位：占据”复杂上下文”的两个象限——即企业内部场景。这个矩阵同时回答了三个问题：（1）每类工具服务谁；（2）为什么飞书要做 Agent 平台；（3）未来 Agent 必然分层。
两个演进方向（page 108-109）：
- 演进 1：从服务人，到服务人和 Agent——双重主体
- 演进 2：Agent 生态取代 APP 生态——平台变为 Agent 操作系统
未来软件交互的三种形态：GUI（图形界面）+ CLI（命令行）+ Agent（智能体）。GUI 占比会持续下降。
另一个典型：Hermes Agent 自建框架（page 40-44）：
技术规格：
- 版本：v0.8.0 (2026.4.8)
- 模型：claude-opus-4.6 / gemma4:4b（本地）
- 工具集：34 个工具，涵盖 browser / clarify / code_execution / cronjob / delegation / file / homeassistant / image_gen / memory / session_search / skills / terminal / todo / tts / vision / web
- 上下文：133,072 tokens
- Provider 支持：copilot / ollama-local / Anthropic 等多家
这个样本的意义：证明”自建 Agent 框架”是可能的。一个人 + 一套开源工具，可以做出具备 34 工具集、13 万 Token 上下文的企业级 Agent 框架。这呼应了 page 22 “闭环能力 > 背景资源”的命题。
洞察：
- 数字员工是可工程化的，不是只能”试一试”。五层骨架每一层都有量化指标。
- **动力层（Attitude）是传统 Agent 框架缺失的关键层。**大部分企业 AI 项目失败的根因是”只有能力没动力”。
- **Agent OS 是新一代操作系统概念。**飞书押的就是这个。
- **Context 是新的差异化壁垒。**飞书、OpenClaw、Claude Code 都在围绕”谁能处理最复杂的 Context”竞争。
应用：
- 用五层骨架自检你的 AI 项目：哪一层最弱？大概率是动力层。
- 用 ASK 框架自检你的数字员工：A、S、K 缺了哪一项？
- 如果你在做 Agent 平台类产品，定位在 2x2 的哪个象限？
视角 13：数据 / Context 视角 —— 新的壁垒是上下文
谁提供了这个视角：page 90（零方数据）；page 99（双向资产沉淀）；page 111（Context 战略+三不可）；page 124（向量归一）；page 129（数据归一化）
核心命题：
AI 时代的核心壁垒不是模型，不是算力，是 Context（上下文）。
孙昊天 page 111 说得最直接：
“大模型能力会越来越商品化，模型、架构差异不会成为你的壁垒。 真正拉开差距的，是 AI 是否读到了你公司的真实上下文。”
这是一个非常重要的战略判断——模型大概率会变成水、电、煤这样的基础设施（甚至更快），所以模型本身不能作为壁垒。能形成壁垒的是”你公司独有的、AI 能读到的上下文”。
Context 的三个层级：
层级 1：个人 Context（最浅层）
- 用户在某 AI 助手上沉淀的偏好、习惯、历史对话
- 例子：ChatGPT 记住你说过的内容、偏好的风格
层级 2：企业 Context（中层）
- 企业内部所有文档、消息、业务流程、组织知识
- 例子：飞书接入全部企业数据让 Agent 可读
- 核心壁垒层
层级 3：行业/生态 Context（最深层）
- 行业经验、规则、暗知识、生态关系
- 例子：垂直大模型沉淀的行业知识
- 最长期但最难积累
企业 Context 的”三不可”（page 111）：
孙昊天用三个词精准诊断了 90% 企业数据对 Agent 的现状：
| 问题 | 表现 | 后果 |
|---|---|---|
| 不可读 | 数据散落在 SaaS、本地文件、邮件、IM 里 | Agent 根本读不到 |
| 不可调 | API 不标准，调用权限复杂 | Agent 读到了也用不了 |
| 不可写 | 缺乏反馈闭环，Agent 输出无法回流 | 无法形成记忆和迭代 |
破解”三不可” 是飞书的核心战略定位：
- 接入全链路业务数据
- 挖掘组织隐性知识
- 建立”人 + Agent 双重主体”的协作机制
零方数据：新型数据资产（page 90）：
数据资产的新分类：
| 类型 | 来源 | 精度 | 成本 | 典型例子 |
|---|---|---|---|---|
| 三方数据 | 外部购买 | 低 | 低 | 第三方用户画像 |
| 一方数据 | 自己产品行为 | 中 | 中 | 用户点击、停留 |
| 零方数据 | AI 对话主动披露 | 极高 | 高 | ”我想找 200 元以下的轻量咖啡豆” |
关键数据：基于零方数据的营销点击率比传统方式高出 2.6 倍（page 90）
零方数据的独特性：
- 它不能通过”行为推断”得到——必须用户主动说
- 它需要一个 AI 对话界面作为”入口”
- 它可以被累积和沉淀——形成”用户意图档案”
这也解释了为什么大厂都在卷 AI 对话入口（夸克、文心、通义、豆包）——谁拥有对话入口，谁就拥有零方数据的第一现场。
双向资产沉淀（page 99）：
金谷园饺子馆案例的深层价值：
商家端资产：
- 用户偏好（“这位客户不吃辣”）
- 购买习惯（“每次点两斤猪肉大葱”）
- 决策模式（“怕等，怕贵，看评价”）
用户端资产：
- “我的 AI 知道我喜欢什么”（省决策成本）
- “我的 AI 能直接替我做”（省时间）
关键金句（page 99）：
“传统的排队软件只记录’几号’，Agent 记录的是’偏好’与’习惯’。这就是资产。”
数据归一化：从”脏数据”到”真资产”（鉴锋案例 page 124、129）：
鉴锋零一数科的一个技术细节非常值得关注——向量匹配归一：
问题：
- 客户可能被称为”零一数科”/“零一科技”/“零一”/“Digital Tech 01”等 N 种说法
- 传统 CRM 里这会是 N 条不同记录
- 导致看板不准、分析失效
解法：
- 通过向量匹配，把所有变种归一到同一个实体
- 准确率 98%
- 一套主数据库 + 语义识别 + 统一实体
page 125 硬数据：
- 看板准确率 Before：不可信 → After：≈98%
- 销售使用率 Before：< 30% → After：> 80%
这说明：脏数据处理干净是 AI 能发挥价值的前置条件。page 141 数据也印证了这点——84% 的 AI 项目遇到数据质量问题。
Context 战略的三个操作建议（page 111）：
| 维度 | 动作 |
|---|---|
| 接入全链路业务数据 | Context 不只是文档，还包括日历、消息、流程、历史决策 |
| 挖掘组织隐性知识 | 如何通过激励、文化激发团队沉淀 Context 的意愿和能力 |
| 破解”三不可”痛点 | 从数据底座层面改造”不可读、不可调、不可写” |
Context 资产的估值模型（自拟）：
| 问题 | 回答 | 估值影响 |
|---|---|---|
| 你的企业 Context 是否集中可访问？ | 是 / 否 / 部分 | 是 +++ |
| 你是否有独特的行业/业务 Context？ | 是 / 否 | 是 +++ |
| 你的 Context 能否跟用户互动产生零方数据？ | 是 / 否 | 是 ++ |
| 你的 Context 能否形成数据飞轮（使用→沉淀→更强）？ | 是 / 否 | 是 +++ |
| 你的 Context 的可迁移性如何？ | 低 / 中 / 高 | 低 ++（壁垒深） |
综合评分高的企业：在 AI 时代会是稀缺标的。
反常识洞察：
- **模型会商品化，Context 不会。**这是最重要的战略判断。
- **“数据”不等于”Context”。**很多企业有大量数据但没有可用的 Context——散在几百个地方、格式不一、不可调用。
- **零方数据是 AI 时代最值钱的数据。**但只有拥有 AI 对话入口的企业才能获取。
- **数据归一化（向量匹配）是”脏数据到真资产”的关键一步。**很多企业跳过这步，直接上 Agent，结果数据飞轮根本启动不了。
应用：
- 做 Context 审计：你的企业数据中有多少是”可读 + 可调 + 可写”的？
- 做零方数据路径设计：你的产品有没有 AI 对话入口？用户有没有主动披露意图的场景？
- 做数据飞轮设计：使用 → 沉淀 → 让 Agent 更强 → 更多使用。这个飞轮你的业务闭环完成了吗？
视角 14：落地视角 —— 从”憋大招”到”长出来”
谁提供了这个视角：雷老虎 page 84（90 天实战框架）；鉴锋 page 132-140（三坑三转念）；page 141（失败数据）
核心命题：
AI 落地的失败率远高于成功率（BCG 2026：6%；AgileSoftLabs：47% 试点不投产；BU Questrom：5% 员工主动用）。但这场分享会给出了两个方法论——雷老虎的 90 天框架（怎么启动）和鉴锋的三坑三转念（怎么迭代）——合起来是一套完整的”从启动到 PMF”的工作流。
雷老虎的 90 天实战框架（page 84）：
启动期 模块一 模块二 模块三
（第0周） （1-4 周） （5-8 周） （9-12 周）
↓ ↓ ↓ ↓
AI 诊断 AI 场景方案 AI 场景 Demo AI 场景试点
立项 （深挖痛点） （0→1 原型） （跑通闭环）核心原则：
- 每 4 周一个里程碑
- 每个阶段都有明确的交付物
- 不做”长期规划”，只做”4 周承诺”
这个框架的实操价值：
- 启动期：找到”卡点”——不是做最好的场景，而是做最容易出 Demo 的场景
- 模块一：方案设计——此时还没写一行代码
- 模块二：0→1 Demo——跑通技术可行性
- 模块三：试点落地——验证业务闭环
反直觉点：不先做规模化推广。90 天结束，只需要有一个能 Demo 的试点，不需要全员上线。这和传统 IT 项目的”规划-开发-上线-推广”四阶段完全不同。
鉴锋的三坑三转念（page 132-138）——AI Native 落地的”失败学”：
鉴锋给出了整场分享会最宝贵的反面案例：AI Native 组织不是一场可以完美规划的发布会，而是一场在”外包、架构、人效”三大坑点中摸爬滚打的生存战。
坑 1：外部依赖之坑
- 投入近 200 万人民币，开发周期严重超期
- 外部团队缺乏行业背景，沟通链过长
转念 1：解散外包，从”憋大招”走向”长出来”
- 动作：果断解散原市场部，归零设计，转向内部孵化
- 最小单元：1 产品 + 3 实习生
- 成果：做出 AI 线索官初代产品，商机承接率 100%
深层洞察：AI 项目的成败不在于投多少钱，而在于能不能”让最懂业务的人亲自下场”。200 万外包做不出来的东西，3 个实习生 + 1 产品经理在内部做出来了。
坑 2：架构之坑
- 飞书多维表堆砌 80+ 个自动化工作流
- 系统极度耦合，BUG 频发，维护成本指数级上升
- 把”轻量工具”当”万能底座”
转念 2：独立架构，Demo → MVP → PMF 三阶梯
| 阶段 | 动作 | 关键特征 |
|---|---|---|
| Demo（快速验证） | 飞书多维表搭”AI 线索官”雏形 | 技术可行性验证 |
| MVP（强制跑通） | 接入财务合同流程，倒逼全员使用 | 积累真实 VOC |
| PMF（价值闭环） | 用 Clow 独立架构，保持飞书 API 对接 | 升级为 AI CRM |
关键细节：Step 2 “强制跑通”是反直觉的——不等大家自愿用，而是把财务合同流程接入，让大家不得不用。这和”要让员工爱上 AI”的主流叙事完全相反。
深层洞察：AI 项目的”强制使用阶段”是必经的。没有强制使用，就没有真实 VOC；没有真实 VOC，就没有 PMF。
坑 3：组织适配之坑
- 员工对 AI 系统强烈抵触
- 推广阻力大，使用率低
- 价值错位：系统偏向管理端需求（强制录入便于监控），脱离一线实际
- 缺乏激励：员工视为”增加工作量的负担”
转念 3：从”冷血监工”到”销冠助理”
- 身份重塑：将系统从管理工具重构为业务伙伴
- 提供弹药：AI 自动生成深度客户档案
- 神级助攻：AI 输出销冠级别的赢单策略
- 核心原则：“用户思维至上。拒绝为了 AI 而 AI，让团队看到实打实的赢单率提升。”
深层洞察：员工抗拒的不是 AI，是”不够聪明的 AI”（page 127 金句）。当 AI 帮员工赢单、提升收入，员工会”求着快点做”（page 127 Before-After）。
两套方法论的综合：
| 阶段 | 雷老虎 90 天框架 | 鉴锋三坑三转念 |
|---|---|---|
| 启动前 | AI 诊断立项 | 警告：不要外包 |
| 1-4 周 | AI 场景方案 | 最小单元启动（1 产品 + 3 实习生） |
| 5-8 周 | 0→1 Demo | 警告：不要把轻量工具当万能底座 |
| 9-12 周 | 试点落地 | 强制跑通 + 独立架构 |
| 后续 | （未展开） | 警告：价值错位会导致员工抗拒 |
企业 AI 落地的 11 条”坑”（page 141 + 其他）：
综合 page 141 数据 + 鉴锋三坑 + 全场其他警示，整理出 11 条最常见的坑：
- 不知道从哪个场景开始（BCG 2026: 6%）
- 试点一堆但无法规模化（47% 试点不投产）
- 买了工具没人用（5% 员工主动用）
- 成本严重超预期（实际是报价的 2-5 倍）
- 数据散落、质量差（84% 项目遇到）
- 培训承诺与实际脱节（81% 承诺，54% 执行）
- ROI 无法验证（第一年只达预期 40-60%）
- 员工停留在早期阶段（85% 仅用初级功能）
- 熟练度更致命（38% 失败因素）
- 部门壁垒与员工抵抗（需要工作流重设计）
- 没有唯一负责人（C-suite 主导成功率 78%）
洞察：
- **AI 落地不是规划问题，是”踩坑 + 转念”的迭代问题。**最好的方法论不是”避开所有坑”，而是”踩坑后能快速转念”。
- **“憋大招”是最危险的落地姿势。**不如”长出来”——最小单元启动，快速迭代。
- **“强制使用阶段”是必经的。**自愿使用的 AI 项目很难有真实 VOC。
- **AI 项目的失败因素 38% 是熟练度，16% 是技术。**解法在组织学习，不在技术选型。
应用：
- 用 90 天框架启动你的下一个 AI 项目：4 周方案、4 周 Demo、4 周试点。
- 用三坑做项目自检：你有没有在踩外包坑、架构坑、组织适配坑？
- 用 11 条失败模式做风险评估：你的项目在哪几条上风险最高？
第五重：矛盾与张力（贯穿）
视角 15：矛盾张力视角 —— 五组核心张力
核心命题：
所有前 14 个视角，本质都在讨论某种”张力”——A 和 B 之间的权衡。这场会上反复出现的张力，可以浓缩为 5 组核心张力。
理解张力比理解立场更重要——因为最好的判断永远是”在某种张力下的平衡”，而不是”选 A 或选 B”。
张力 1：速度 vs 完整性（憋大招 vs 长出来）
代表观点：
- 憋大招派（传统 IT）：设计周到、投入充足、一次到位
- 长出来派（鉴锋）：1 产品 + 3 实习生、快速迭代、以战养战
平衡点：速度优先于完整性，但必须选对最小切口。
鉴锋 200 万外包的失败和 3 实习生的成功，不是”小团队更聪明”，是”小团队能快速试错”。但如果切口选错了（比如一开始就做”全员 CRM 上线”），再小的团队也做不成。
反常识洞察：
- 完整性是 AI 项目的诅咒。完美规划 = 慢 = 死。
- 但不是所有事都适合”长出来”——核心架构（数据底座、权限体系）一旦选错，后面长 100 个 Agent 也是白搭。
张力 2：集权 vs 分权（AI 一号位 vs 全员 AI）
代表观点：
- 集权派（雷老虎 L3-L5 爆发点）：必须有一号位亲自下场
- 分权派（page 79 每个人都是 AI 一号位）：每个人都应该管数字员工
平衡点：战略和资源分配必须集权，执行和应用必须分权。
CEO 是战略层的 AI 一号位（CAIO），每个员工是执行层的 AI 一号位（管自己的数字员工）。这两层不冲突，反而互补。
反常识洞察：
- 没有集权的 AI = 1000 个碎片 Agent，价值为 0（不形成合力）
- 没有分权的 AI = 顶层规划，底层不配合，永远落不了地
张力 3：Automation vs Augmentation（替代 vs 增强）
代表观点：
- Automation 派（任务自动化）：让 AI 替代重复任务，解放人力
- Augmentation 派（韦青）：让 AI 增强人类能力，人 + AI 更强
平衡点：Automation 是战术，Augmentation 是战略。
对具体重复任务用 Automation；对业务决策、客户关系、核心创造用 Augmentation。
反常识洞察：
- 全 Automation 路线的风险：组织失去”人在回路”的判断力，一旦 AI 出错无法兜底
- 全 Augmentation 路线的风险：成本太高，规模化不经济
韦青的核心建议（page 55）：“Automation(任务的自动化) vs. Augmentation(人类能力的强化)” ——这不是选择题，是两条并行的路。
张力 4：+AI vs AI Native（存量改造 vs 增量重建）
代表观点：
- +AI 派（page 6 三大困境）：在现有流程加 AI，成本低、阻力小
- AI Native 派（page 104 换路径）：重新设计组织和流程
平衡点：+AI 是前 1-2 年的必然选择，AI Native 是 2-3 年后的唯一选择。
时间窗口关键：2026 年可能是转折点——以前 +AI 还能带来 ROI，以后 +AI 的 ROI 会越来越低（因为竞争者已经进入 AI Native 层，你做 +AI 反而拖累竞争力）。
反常识洞察：
- 同时做 +AI 和 AI Native 是可行的，但必须分团队。大船 +AI，小船建 AI Native。
- 最危险的是”只做 +AI 不建小船”——2026 年之后会被快速超越。
张力 5：短期 ROI vs 长期能力（挣快钱 vs 建护城河）
代表观点：
- 短期派（股东压力、季度业绩）：AI 投入要有 ROI，不能烧钱
- 长期派（page 111 Context 战略）：AI 的真正价值是”建壁垒”，短期 ROI 看不到
平衡点：短期 ROI 来自”+AI 提效”（第一件事），长期能力来自”Context 资产 + 零方数据 + 数据飞轮”。
反常识洞察：
- 只看短期 ROI 的企业会错过 AI 时代。因为”Context 壁垒”是 5-10 年才能显现的，短期看都是在烧钱。
- 只看长期能力的企业会死于现金流。没有短期 ROI 输血，长期能力建不起来。
最佳姿势：用”+AI”产生短期现金流，用”AI Native”投入长期能力。两条腿走路。
5 组张力的综合图：
集权 ←——————————→ 分权
↕ ↕
速度 ←→ 完整性 短期 ROI ←→ 长期能力
↕ ↕
Automation ←————————→ Augmentation
↕ ↕
+AI ←—————————————→ AI Native所有张力的终极根源：“确定性”与”不确定性”的张力。
- 集权/速度/Automation/+AI/短期 ROI = 追求确定性
- 分权/完整性/Augmentation/AI Native/长期能力 = 追求不确定性下的适应性
AI 时代的最大悖论是：不确定性在增加，但企业天生偏好确定性。
突破口：
- 老板必须把自己从”决策者（追求确定性）“转型为”判断者（拥抱不确定性）”
- 组织必须从”执行机器（低容错）“转型为”学习机器（高容错）”
洞察：
- 没有单一正确答案，只有张力下的平衡。
- 大部分失败来自”只选一边”——全集权、全速度、全 Automation、全 +AI 的结果都是死亡。
- **张力的平衡点会随时间移动。**2024 年的最佳平衡和 2026 年的最佳平衡完全不同。
- **感知张力的能力 = 战略家的基本功。**不能感知张力的人，只能做执行者。
应用：
- 用 5 组张力对你的 AI 战略做自检：你在每组张力上是哪个位置？是否过于偏向某一边？
- 每月一次张力校准：张力的平衡点在过去一个月有没有移动？你的战略是否需要调整？
- 把”感知张力”作为下一代管理者的核心能力来培养。
终局：如果你是……
如果你是 CEO / 一号位
你看到的核心信息：
- “AI 的天花板就是领导者的天花板”——你不能再把 AI 交给 CIO/CTO 去处理。
- 成为第一个 AIPM + 自任 CAIO + 大船旁建小船——这三个动作缺一不可。
- 警惕”亲自焦虑 口头鼓励 等待结果”的典型错误——这是 80% 的 CEO 的真实状态。
你应该立刻做的 5 件事：
| 动作 | 时间 | 可验证指标 |
|---|---|---|
| 1. 亲自用 AI 做一件本周的工作 | 今天 | 能讲出用法的优缺点 |
| 2. 画你的 L1-L5 定位图 | 本周 | 明确当前位置 + 目标位置 |
| 3. 确定 CAIO 人选 | 2 周内 | 发布任命 |
| 4. 定义你的第三件事假设 | 1 个月内 | 写出 1 页”本公司生态级 AI 新机会” |
| 5. 启动大船旁的小船 | 3 个月内 | 独立团队 + 独立 KPI + 独立预算 |
你最应该警惕的 3 个误判：
- 把 AI 当 IT 问题（给 CIO 处理）
- 只做 +AI 不建小船（短期有 ROI，长期被超越）
- 请了 CAIO 但不授权（形式主义）
如果你是战略制定者 / CAIO
你看到的核心信息：
- 三件事分层（Mars 任鑫）：每个 AI 投入分清是第一/二/三件事。
- CAIO × AI 业务架构师 × AI 产品经理三角：团队必须三角齐全。
- 价值链重构（T-A-A）：从”做流量”转为”做 Context + 零方数据 + Agent 生态位”。
你应该立刻做的 5 件事：
| 动作 | 时间 | 可验证指标 |
|---|---|---|
| 1. 写 AI 战略框架（三件事分类 + 资源占比） | 2 周内 | 1 页战略文档 |
| 2. 做 T-A-A 闭环诊断 | 1 个月内 | 明确 Token / Agent / Attention 是否闭环 |
| 3. 做 Context 资产审计 | 1 个月内 | 知道哪些数据”可读/可调/可写” |
| 4. 定 90 天试点 | 3 个月内 | 有可 Demo 的第一个试点 |
| 5. 建 Agent 工厂流水线 | 6 个月内 | 部门 Agent 化的路线图 |
你最应该避开的 3 个陷阱：
- 试图完美规划（憋大招）——坑 1 外包陷阱
- 把轻量工具当万能底座——坑 2 架构陷阱
- 为了 AI 而 AI（管理视角 vs 用户视角）——坑 3 组织陷阱
如果你是中层管理者
你看到的核心信息：
- 两种中层，两种命运：信息汇聚型消失，业务架构型升级。
- AI 业务架构师是新的高阶岗位——你能不能转过去？
- “让别人学 AI，自己听汇报”是最危险的姿势。
你应该立刻做的 5 件事：
| 动作 | 时间 | 可验证指标 |
|---|---|---|
| 1. 做 180 度自我审视 | 本周 | 诚实回答：你过去 12 个月是”信息汇聚”还是”业务架构”？ |
| 2. 列”可 AI 化任务清单” | 2 周内 | 本部门所有重复、规则性工作 |
| 3. 亲自上手 1 个 AI 工具 | 1 个月内 | 能给下属做 Demo |
| 4. 选 1 个小切口做试点 | 3 个月内 | 能有 1 个”AI 辅助业务”的案例 |
| 5. 做 90 天后的自我评估 | 3 个月后 | 用视角 7 的三条自评标准 |
你最应该警惕的 3 个误区：
- “我管过 XX 团队”当成资历（过时资历）
- 让年轻人学 AI 自己听汇报（最危险姿势）
- 等公司 AI 战略出来再行动（等待即淘汰）
如果你是投资人 / GP
你看到的核心信息：
- AI 工具赛道已拥挤，基础设施和 AI Native 服务是蓝海。
- 零方数据 + 双向资产沉淀是新型 Moat。
- 投资标的的 5 个核心问题：L1-L5 定位、零方数据、团队三角、T-A-A 闭环、三件事分类。
你应该立刻做的 5 件事：
| 动作 | 时间 | 可验证指标 |
|---|---|---|
| 1. 重审被投项目的 L 定位 | 2 周内 | 每个项目明确 L1-L5 位置 |
| 2. 用 5 个核心问题筛选新标的 | 持续 | 新增筛选标准 |
| 3. 研究 3 类基础设施标的（Agent OS、垂直大模型、零方数据收集器） | 1 个月内 | 每类选 3-5 个候选 |
| 4. 投后辅导：帮被投把 T-A-A 跑通 | 持续 | 每个被投 ROI 提升 3-4x |
| 5. 建”三件事分类”的投资组合 | 3 个月内 | 第一/二/三件事的标的比例 |
你最应该避开的 3 个盲区：
- 把”AI 功能”当”AI 业务”投（+AI 天花板项目）
- 忽略数据壁垒（只看模型/技术）
- 忽略 CEO 是否亲自下场（没有 AIPM CEO 的项目，长期风险高）
如果你是技术出身想升维
你看到的核心信息（这是用户特别提到的视角）：
- 技术视角的价值不在于”会写代码”，在于”看到系统的骨架”。（视角 12）
- 非技术视角比技术视角更稀缺。（视角 1 哲学、视角 2 认知、视角 8 战略、视角 15 张力）
- 从 CTO 到 AI 业务架构师到 CAIO，是技术人的升维路径。
你应该立刻做的 5 件事：
| 动作 | 时间 | 可验证指标 |
|---|---|---|
| 1. 读 3 本韦青推荐的系统论书 | 3 个月内 | 能用三大论+系统思维分类解释 AI 项目 |
| 2. 亲自做 1 个业务场景的 MVP | 1 个月内 | 直接和业务 Leader 对话 |
| 3. 学会”从业务痛点出发”而不是”从技术可行性出发” | 持续 | 每个方案都能讲清业务价值 |
| 4. 重新定位：你是 CTO 还是 AI 业务架构师？ | 6 个月内 | 能成为 CAIO 三角的一角 |
| 5. 建立自己的”非技术思维”工具箱 | 持续 | 5 组张力、3 件事、L1-L5 都能熟练运用 |
你最应该警惕的 3 个路径依赖：
- 在 AI 时代仍然用”工具思维”（我要用什么工具）而不是”场景思维”（我要解决什么问题）
- 只看技术壁垒不看 Context 壁垒（模型会商品化）
- 拒绝升级到业务/战略层（留在 CTO 岗位的机会成本在指数级增长）
如果你是想系统学习的人
你的学习路径（综合 page 51 韦青书单 + page 110 推荐 + 全场洞察）：
阶段 1：底层认知（3 个月）
- 《操作系统精髓与设计原理》（计算机底层）
- 《系统思想、系统实践》（英）彼得·切克兰德（系统论）
- 《大脑与行为》David Eagleman（认知科学）
- 李宏毅《生成式人工智慧》（AI 基础）
- 吴恩达 AI for everyone（AI 应用基础）
阶段 2：亲自落地（6 个月）
- 选 1 个小场景，从 0 做一个 AI 应用（像彭峰一样）
- 学 Vibe Coding（Claude Code、Cursor、Trae 任选）
- 学 Agent 框架（Hermes Agent 开源版 / OpenClaw / MCP 协议）
- 建自己的第一个”数字员工”
阶段 3：视野拉升（持续）
- 追 3-5 个一线实践者（刘雨飏、雷老虎、鉴锋、傅盛等）
- 订阅 Mars 任鑫”AI 炼金术”这类深度思考类公众号
- 进 1 个核心社群（混沌、飞马等）
- 少看 AI 新闻（page 58：你要还想好好活着，就别紧盯 AI 新闻）
附录
附录 A：核心术语词典（按字母顺序）
- AEO（Agentic Engine Optimization）：智能体引擎优化。继 SEO/GEO 之后的第三代营销权力形态，争夺的是执行权
- Agentic Company：雷老虎提出的 AI 原生企业概念，基本单元是”人+数字员工系统”
- AIPM：AI Product Manager，AI 产品经理，从”提需求的人”升级为”交付产品的人”
- AIO：Agent Intent Optimization，智能体意图优化，同 AEO
- AR（Agent Resource）：雷老虎造词，对 HR 的类比，指企业数字员工资源
- ASK：Attitude-Skill-Knowledge，数字员工的能力三要素（态度/技能/知识）
- CAIO（Chief AI Officer）：首席 AI 官，必须由老板或核心高管担任
- Context 战略：孙昊天提出的企业 AI 差异化核心——企业私有上下文
- GEO（Generative Engine Optimization）：生成式引擎优化，争夺 AI 推荐里的认知权
- I-P-O-F：Input-Process-Output-Feedback，雷老虎引用的智能系统基模
- L1-L5：AI 领导者价值层级，L3-L4 之间是商业价值爆发点
- LTC：Lead To Cash，从线索到现金的全流程
- LTV：Lifetime Value，客户生命周期价值，AI Native 组织的北极星指标
- MCP：Model Context Protocol，由 Anthropic 提出的 Agent 上下文协议
- OPC（One-Person Company / One-Product Company）：一人公司/一品公司
- OpenClaw：雷老虎核心产品，Agent 动力引擎，解决”愿不愿干”
- SLC：Simple, Lovable, Complete，72 小时 MVP 方法论
- T-A-A（Token-Agent-Attention）：雷老虎的价值链三要素
- 三不可：不可读、不可调、不可写——企业数据对 Agent 的现状诊断
- 三件事（Mars 任鑫）：用工具提效 / 为 AI 重建组织 / 打开生态新机会
- 四大反常识：软件淘汰 / 流量已死 / 垂直大模型 / 机器人成熟
- 五层技术骨架：入口层 / 动力层 / 能力层 / 记忆层 / 备用层
- 零方数据（Zero-party Data）：用户在 AI 对话中主动披露的意图数据
- HER TEMPLES：HER(Health-Education-Rejuvenation) + TEMPLES(8 维度) 个人信息顾问框架
附录 B：全场最重要的 20 句金句
- “AI 的天花板就是领导的天花板”（page 118 观点墙）
- “AI 转型的抓手永远是一把手”（page 118）
- “亲自焦虑 口头鼓励 等待结果”（page 118，对 CEO 误区的总结）
- “用 AI 提效是一回事，为 AI 重建组织是另一回事，看到 AI 在生态层面打开了什么新机会又是另一回事。这三件事的难度、投入和回报完全不在一个量级上。“（Mars 任鑫 page 45）
- “企业 AI 转型，真正要完成的不是’多用 AI’……而是’换路径’。“（雷老虎 page 66-67）
- “阻碍转型与创新的真正因素，不是技术，是心态！“（引用微软 Satya，page 57）
- “唯一的变量，是你。“（雷老虎 page 65）
- “AI 消灭的不是产品经理，而是’只会提需求’的传声筒。“（刘雨飏 page 16）
- “从’提需求的人’到’交付产品的人’，这是产品经理最光荣的回归。“（刘雨飏 page 21）
- “闭环能力 > 背景资源。在 AI 时代，无论技术高低，只要能洞察痛点、设计商业、指挥 AI，普通人也能跑出超级闭环。“（OPC 定义，page 30）
- “最大的误判：把 AI 困在员工层。员工层的 AI，不会自动长成业务层的价值。“（雷老虎 page 77）
- “不会给 AI 下目标的人，迟早被给目标的人取代。“（page 79）
- “大模型能力会越来越商品化……真正拉开差距的，是 AI 是否读到了你公司的真实上下文。“（孙昊天 page 111）
- “上下文摩擦是 AI 行业最大的隐形税。“（孙昊天 page 107）
- “不同的认知高度，会让我们设计出不同的产品和不同的功能，并产生出不同的效果。“（韦青 page 56）
- “人是目的，技术只是手段。“（韦青 page 48）
- “你要还想好好活着，就别紧盯有关 AI 的新闻。“（一名 AI 科学家 page 58）
- “系统有了，行为没变；数据不真，智能无从谈起。“（鉴锋 page 122）
- “让 AI 驱动流程，人做判断。“（鉴锋 page 131）
- “传统的排队软件只记录’几号’，Agent 记录的是’偏好’与’习惯’。这就是资产。“（雷老虎 page 99）
附录 C：全场核心框架索引
- L1-L5 价值层级（雷老虎 page 76）
- CAIO × AI 业务架构师 × AI 产品经理三角（雷老虎 page 80-83）
- ASK 框架（雷老虎 page 70）
- 五层技术骨架（雷老虎 page 72）
- T-A-A 价值链（雷老虎 page 102）
- SEO → GEO → AEO 营销权力三迁移（雷老虎 page 93）
- 90 天实战框架（雷老虎 page 84）
- 三坑三转念（鉴锋 page 132-138）
- Before/After 组织对比（page 79）
- 三大论（系统论/控制论/信息论）（韦青 page 52）
- 系统思维三分（硬/软/批判）（韦青 page 53）
- I-P-O-F 智能系统基模（page 63）
- HER TEMPLES 方法论（page 44）
- OPC 黄金三角（page 31）
- 2×2 上下文摩擦矩阵（page 107）
- WWOP 观点墙结构（page 118）
- 三件事分类（Mars 任鑫 page 45）
- 四大反常识（page 10-14）
- AI 落地 11 条坑（page 141 + 综合）
附录 D：演讲者 IP 与核心产品索引
| 演讲者 | 核心 IP / 产品 | 核心可追踪资源 |
|---|---|---|
| 刘雨飏 | 未来飞马 / Harness / OpenClaw 专利 / Z0 VC | 混沌 AI 领教 |
| 雷老虎 V | OpenClaw × Claude Code / 企业级龙虾 / 雷老虎 V 公众号 | 晒了 10 年的公众号 |
| 鉴锋 | 零一数科 / Clow 平台 / AI 线索官 / AI CRM | 零一数科官网 |
| 韦青（微软） | 系统工程论 | 微软中国博客 |
| 傅盛 | 超级 Agent Vision / 猎户星空 | 猎豹移动 |
| 孙昊天 | 飞书 Agent 平台 / Context 战略 | 飞书官方 |
| 李善友 / 张雷 | 《混沌 AI 商业应用白皮书 2.0》 | 混沌 AI 院 |
| Mars 任鑫 | AI 炼金术公众号 | 公众号搜索 |
尾声：这不是一份总结，是一份开始
这场分享会最大的价值，不是让你”知道了 AI 怎么转型”——那是 Google 搜索能告诉你的。
它的真正价值，是让你有一张可以反复使用的视角地图——当你下次听到”某某公司做 AI 转型”的新闻时，你能用 15 个视角反复审视它：
- 他们在 L1-L5 的哪一层？
- 他们是”+AI”还是”换路径”？
- 他们的 CAIO 三角齐全吗？
- 他们有零方数据 / Context 资产吗？
- 他们是自己亲自下场，还是”亲自焦虑口头鼓励”？
- 他们的短期 ROI 和长期能力平衡吗？
- 他们在踩哪几个坑？
**视角地图是长期资产。**一次性知识（什么是 MCP、什么是 Agent、什么是 Context）都会过时，但”怎么想这件事”的视角不会。
韦青 page 56 的金句可以作为这份报告的结尾：
“不同的认知高度，会让我们设计出不同的产品和不同的功能，并产生出不同的效果。”
15 个视角，15 种认知高度。
你从哪个高度看，就能看到哪一层的 AI 时代。
本报告附属文件：
raw-notes.md（全量 141 页原始笔记）perspectives/（15 个独立视角卡片，每个视角可单独阅读）infographic.png（多视角框架可视化图）
如需深入某个视角，直接打开对应 perspectives/NN-xxx.md。