读曾鸣的《智能》，我有一种豁然开朗的感觉。
这种感觉来自书里的一条线索：把技术放回商业史，就会发现，我们今天觉得理所当然的公司、部门、岗位乃至产业分工，都有它们出生的年代。它们曾经是解决问题的好办法，后来用得久了，便像商业本来就该有的样子。
AI 让这些习以为常的安排重新变得可疑。为什么完成一件事需要这么多人、这么多部门？为什么一项业务必须由一家完整的公司来承接？有些事情究竟是因为必须如此才这样做，还是因为过去没有别的办法？
读这本书时，我脑子里反复出现的是一个顺序：新技术萌芽——大规模应用——配套的组织形式逐渐长出来。放到今天，就是 AI、大规模应用，以及正在摸索中的 AI 原生组织。
新技术刚出现时，我们通常先拿它做熟悉的事情：让原来的工作更快一点、更便宜一点。用得深入了，才会发现有些流程已经没有必要，有些过去做不成的生意，现在可以做了。组织也就在这个过程中慢慢改变。今天大家都在谈 AI 能做什么，我更关心的是，当这些能力足够普及，企业会怎样做生意，产业又会怎样分工。
工厂电气化的历史，恰好能帮助理解这段变化。
电动机装进工厂以后
经济史学者保罗·戴维研究过这段历史。早期工厂围绕集中动力和传动轴安排机器，设备放在哪里，要迁就动力如何传过去。用上电以后，最初可以只是更换动力来源。等到机器能够由各自的电动机驱动，车间才有条件按照生产流程重新布置，减少搬运，让原先受传动装置约束的布局松动下来。电力的价值，就在这类配套改变中进一步释放。
换到今天，一个部门用 AI 写材料，另一个部门用 AI 审材料，大家都比以前快了，事情却仍然要在几个部门之间走完一圈。等待、转述和反复确认占去的时间，并不会因为材料写得更快就自动消失。
工厂用了电，却仍然围着传动轴摆机器，大致也是这样的处境。
如果要进一步改变，就得重新决定哪些信息可以直接共享，哪些决定可以当场作出，哪些工作已经不必再经过原来的部门。原先依靠汇报掌握情况的管理者，可能需要直接看业务结果；原先按完成多少流程考核的岗位，也要改成对结果负责。这里面牵涉到权力、利益和工作习惯，光靠采购一套软件解决不了。技术越深入业务，越会碰到这些具体的组织问题。
所以，从新技术到新的生产效率，中间往往要经历一轮工作方式的重建。旧组织可以继续运转，也能从新工具中获得一些好处，却未必能把技术的潜力充分用出来。电力改变了工厂内部的生产安排，互联网又把这种变化推到了企业之间：一些原来需要放在同一家公司里的业务，开始可以交给外部伙伴完成。
到了这里，就接上了曾鸣教授几年前的那本《智能商业》。
《智能商业》的另一半
把这本书与曾鸣教授之前的《智能商业》放在一起读，思路是一脉相承的：数据智能 + 网络协同。
这两个概念要放在同一门生意里看，才容易理解。拿服装生意来说，先判断款式、提前下单生产，再通过渠道把货卖出去，一旦判断失误，卖不动的库存就得有人承担。生产批量越大，单件成本可能越低，但看错需求的代价也越高。工厂追求生产效率，商家希望少压库存，各自做出合理选择，放在一起却未必是最好的结果。
如果消费者对款式的反应能够及时传回商家，商家再据此调整补单，工厂能够接住更小、更频繁的订单，仓储物流也能跟着调整，经营方式就开始变了。商家可以先少量试，再根据真实销售追加；工厂接到的生产安排更贴近正在发生的需求。原来主要依靠提前预测、层层备货维持的生意，有机会转向边卖边调整，减少猜错需求带来的浪费。
这件事缺少哪一半都做不成。销售数据看得再准，工厂仍然要求大批量起订、固定周期交货，商家就只能看着机会过去。反过来，供应商再多、连接再方便，如果不知道该做什么、做多少，也不过是把库存风险传给别人。系统根据销售与库存持续调整需求判断，把判断用于补单和排产，再根据结果修正，数据才参与了经营。网络协同则让商家、工厂和物流能够接住这些调整，两者一起作用，才可能改变原来的生意。
它的商业意义在于，需求、生产和履约可以在不同企业之间持续调整，不必每次变化都重新谈一遍、协调一遍。参与这张网络的小企业，也可能获得过去只有大公司内部才组织得起的能力。当然，这需要供应商愿意改排产，商家愿意分享信息，还需要有人把标准和利益安排好。网络协同远比“大家都连上网”多走了几步。
到了《智能》，这条线又往前走了一步。
过去，系统可以传递订单、记录库存，遇到需求含糊、条件变化或几种方案需要取舍，仍然得靠人来理解和协调。AI 开始参与判断、拆解任务和调整方案，意味着网络里可以调用的能力更多了。以前连起来的是信息和已经定义好的流程，往后，一部分需要临时商量、凭经验处理的工作，也有机会进入协作网络。
曾鸣在书里谈“智能复利”，我觉得要和这个变化一起看。同样使用一个模型，两家公司做过的业务不同，遇到的问题不同，最后积累下来的能力也会不同。一家只是用它处理零散工作，另一家能把任务、结果和修正过程持续留下来，后者才有条件在下一次遇到类似问题时少走弯路。模型本身之外，企业与真实业务接触的深度，也会影响它能走多远。
但数据不会自己变成经验。客户有没有满意，产品为什么没卖动，一次交付出了问题究竟卡在哪里，需要有人追下去。有时反馈在外部伙伴手里，有时各部门对好坏的理解根本不一样。只有把这些环节接起来，“越用越好”才有业务上的依据。
从《智能商业》读到《智能》，我更关注的也正是这个变化：智能能力越来越容易获得之后，企业原有的分工还有多少必要？有些岗位的工作方式需要变，有些业务甚至未必还需要留在公司内部。
AI 原生组织的边界
谈 AI 原生组织，很容易想到人少：过去一百个人做的事，现在十个人就够了，再往前想就是一个人的公司。
人数减少当然可能发生。但如果工作仍然按照原来的部门和流程展开，仅仅少雇了几个人，还不足以解释这种组织的新意。
一家公司的形状，与它过去怎样获得能力、怎样协调工作有关。某些能力在外面不好找，找到也难以稳定配合，就需要招聘、培养，放进部门里。工作复杂了，再增加负责协调的人。组织逐渐变厚，有时是官僚化，有时确实是在当时条件下不得不支付的成本。
当部分能力可以按需获得，参与者能理解共同的任务，工作结果也有办法检验，企业就可以重新考虑：哪些事情值得长期养一个团队，哪些可以借助外部协作完成？一家公司的边界，会随着这个答案改变。
拿一个设想中的消费品项目来说。一个小团队负责判断人群与产品方向，把部分研究、设计和经营分析交给能够调用工具、执行任务的 AI 智能体，再接入外部的打样、生产和履约服务。需求发生变化，就相应调整任务和合作组合。它不必为了验证一个新想法，先把传统公司的部门复制一遍。
当然，样品要真的做出来，产能要有人安排，交付质量也不能靠模型口头保证。组织形式能走多远，取决于这些环节能否跟上。只有内部办公变聪明，供应商和生产环节仍然接不起来，小团队的能力边界就还在那里。
因此，看 AI 原生组织，只盯着一家公司的内部还不够。我们看到的可能是一家很小的公司，支撑它的却是一张很大的网络。规模没有凭空消失，只是未必都体现在同一家公司的员工名册和资产负债表上。一个团队能做多大的生意，要连同它能够组织起来的外部能力一起看。
书里谈到组织记忆，也就容易理解了。合作成员可以变化，任务可以重新组合，但为什么作过某个判断、试过什么办法、哪里失败过，需要留得下来。否则每换一批人或智能体，事情就得从头解释。组织的持续性，既要靠人之间的信任，也要靠共同积累的经验能够被后来者理解和使用。
网络协同还缺什么
读到这里，我对网络协同仍然有些意犹未尽。
书里讨论了供需网络，也讨论了由 AI 调度不同能力的系统。但把任务分派出去之后，各方为什么愿意接，愿意交出多少信息，能不能持续合作，还有许多值得展开的地方。
还是前面那门服装生意。商家希望工厂看到销售数据后及时调整生产，工厂却要考虑，为你预留了产能，订单最后没来怎么办。工厂希望拿到更准确的需求，商家又担心，客户和销量都交出去了，会不会被合作伙伴绕开。双方都知道配合起来效率更高，也不意味着双方愿意承担同样的风险。
AI 可以把排产方案算得更细，把需求变化看得更快，却不会因此消除商家和工厂之间的利益差异。每个智能体背后，都有委托它做事的人和企业。让几个智能体达成一项技术上的安排，与让它们代表的企业接受这项安排，是两回事。
过去解决这类问题，一个办法是把相关业务收进同一家公司，用内部管理来协调；另一个办法是依靠平台，由平台提供交易规则、信用记录和结算服务。前者要承担较重的组织成本，后者则意味着参与者要接受平台的规则。平台把生意组织起来，也因此有了决定流量怎么分、交易怎么收费的权力。
区块链在这里才有值得讨论的位置。曾鸣此前就谈过，它可能促进网络协同。我更感兴趣的是，当合作越来越频繁、参与者可以动态组合时，能否有一部分共同规则和交易记录，由各方共同核验，而不必完全交给某一家企业掌握。
例如，哪些订单已经确认、哪笔款项已经锁定、满足什么条件后可以结算，如果有一份各方认可、可核验的共同记录，就可能减少逐家核对的工作。对于边界清楚、结果能够验证的交易，还可以事先约定执行规则，让结算随条件达成而发生。参与者仍然需要决定愿不愿意做这笔生意，但履约过程中的一部分确认和对账成本，有机会降下来。
当协作被拆成更小、更频繁的任务时，这一点尤其值得研究。一笔大订单可以花几天谈、安排专人盯，大量小任务如果也要逐笔这样处理，节省的人力很可能又耗在协作上。AI 能降低做事的成本，配套的交易机制还得让人们付得起合作的成本，细密的分工才有可能持续。
当然，账本不能替代全部商业判断。工厂有没有按要求生产、货物质量是否合格，仍然要依靠可靠的检验；设计好不好、服务是否满意，更难用一个自动条件概括。技术可以让约定更容易核验和执行，却不能替各方谈出一套公平的分配方案。很多场景下，由一个大家信任的平台处理，依然可能更省事。
所以，对网络协同的期待，还应该包含对协作规则的讨论。参与者积累的信用能不能带走，换一个平台是否要从头开始，客户关系和业务反馈会留在谁手里，这些都会影响企业愿意投入多少。即使采用了区块链，也要继续看入口、数据和规则到底由谁控制，不能凭技术名称判断权力已经分散。
数据智能与网络协同放在一起，讨论的也就不只是效率。企业可以在一张网络里做成更多事情，同时也可能更加依赖组织这张网络的人。新技术给小企业带来多大空间，平台从中获得多大权力，最终会体现在这些具体安排里。
产业里的位置
沿着这条线看 AI，技术突破和产业机会之间，还有相当长的一段路。一个模型能够做什么，只能解释其中一部分。谁把它放进业务，谁组织生产和交付，谁接触客户并获得持续反馈，会共同决定这门生意最后是什么样子。
一种变化发生在智能的供给端：怎样把能力做得更强、更便宜、更可靠。另一种变化发生在使用这些能力的产业里：哪些需求原先服务不起，哪些交易原先协调不动，哪些组织成本原先只能忍着。后者要进入具体业务，处理大量没有统一答案的事情，也因此很难只靠模型发布的节奏来判断进展。
同一种 AI 能力，进入不同产业，遇到的限制会很不一样。数字化交付的业务，可能较快重组工作；涉及工厂、设备和线下服务的业务，还需要现实中的生产与履约跟着改变。有些环节的判断成本降下来了，稀缺的产能、渠道和客户关系却可能因此更加值钱。
“智能越来越便宜”，并不能直接推导出原来的公司都没价值了。模型可以帮助设计更多产品，但生产、渠道和客户信任依然要靠经营获得。哪一项能力容易买到了，哪一个环节仍然决定生意能否做成，需要分开看。前者可能很快成为行业标配，后者则可能获得更大的议价空间。
书里谈到的“点、线、面”，在这个背景下也更容易理解。
有的企业提供一项可靠能力，有的围绕需求组织完整服务，有的搭建让各方合作的网络。战略选择里很重要的一步，是弄清楚自己准备处在哪一层，以及为什么别人愿意持续和自己合作。
这里面没有一个人人都该去抢的平台位置。如果谁都想把客户和数据留在自己手里，让其他人只做可替换的供应商，网络协同也很难凭愿景就建立起来。新组织能否成立，最终要让参与者算得过各自的账。
“新技术萌芽—大规模应用—配套组织形式”，这条线让我对商业史有了更切身的理解。
每一个时代的企业，都在当时的技术条件下安排分工、协调合作。技术条件变了，原来合理的安排就需要重新考虑。AI 原生组织会长成什么样，不能只从今天的公司减掉一些人去想，还要看哪些新的合作开始划算，哪些原来没人服务的需求开始有了生意可做。
曾鸣的这本《智能》，让我觉得豁然开朗的地方就在这里。
模型还会进步，但围绕模型重新组织产业的事情，不会由模型替我们完成。工厂怎样接订单，企业怎样和外部伙伴合作，客户愿意为什么付钱，这些变化需要在一门门具体生意里慢慢发生。
再看 AI 创业，我会更愿意多花些时间理解这些事情。一家小公司究竟能组织起多大的能力，一家大公司又有哪些过去必须承担的成本可以卸下来。把这些问题想清楚，才有可能知道，自己准备在新的产业分工里做哪一门生意。
