核心观点 AI的瓶颈正从“模型智能”转向“人类行为惯性、产品交互范式、企业流程适配、算力基础设施与安全治理”等现实经济阻力，技术能力跃迁速度远超社会与经济适应速度[3][11][74] 一、AI采用与经济惯性 - Sam Altman承认低估了经济与人的惯性，2023年GPT-4出现时他原以为软件行业会很快被重新洗牌，但三年后发现企业采购、组织流程、人的工作习惯不会同步变化[3][11] - 经济有非常强的惯性：人们继续做原来的事，继续从原来的公司采购，也继续希望用熟悉的方式使用工具，这反而让巨大转型更平滑、更缓慢[11] - 以Netflix早期邮寄DVD为例，他惊讶于为什么那么多人继续去Blockbuster，说明习惯的力量比技术圈想象得难得多[12] - 即使拥有Codex工具，Sam Altman自己仍像过去二十年一样点开邮件、复制粘贴、维护待办清单，这种个人行为迟滞解释了AI生产率悖论[3][14][15] 二、产品瓶颈与“iPhone时刻” - 当前AI阶段类似iPhone出现前的智能手机，技术拼图基本出现，但缺少彻底改变人机交互的“iPhone时刻”[16] - 最新一代模型已经相当聪明，但更受限于AI掌握的关于用户的有效上下文信息数量[17] - 模型能阅读数万页上下文并在几秒内准确运用，这是人类无法做到的，将带来全新协作体验[18] - 产品层面尚未充分思考：赋予模型比任何人所能掌握的更多上下文信息，并帮助人就重大决策提供建议[18] 三、算力与基础设施战略 - 大规模算力建设正在迅速成为“历史上最昂贵的基础设施项目”之一[4][21] - 算力扩张涉及复杂供应链问题：自研芯片、晶圆厂供应链、机架制造、电力系统，加上技术、商业、政策、物流和能源[21] - AI竞争已不仅是算法竞赛，也是资本组织能力、能源能力和供应链能力的竞争[4] - OpenAI将大部分精力放在研究和算力上，认为创造足够聪明的模型并让大量人充足使用智能是最重要的事[20] 四、平台战略与产品取舍 - OpenAI希望更像平台公司而非产品公司，理想形态是统一AI入口加一套让开发者自由构建业务的API[4][51] - 公司放弃过一些“不错但不是最重要”的产品，例如去年放弃了Sora（好产品但消耗算力），砍掉了名为Atlas的网页浏览器[53] - 核心战略是打造用于知识工作并最终用于科学研究的通用智能，以及自研芯片、建设数据中心、编写基础设施软件等上游工作[53] - 直接产品将从聊天机器人逐渐变成更持久的Agent，主动帮助用户完成各种事情[52] 五、AI安全与真实世界迭代 - Sam Altman担心两个风险：一是AI能力过强导致人类失去控制，二是为避免第一种风险导致权力集中到少数公司、模型或个人手里[5][32] - 主张通过真实部署、事故报告、复盘和持续修正来提高安全性，而不是完全在实验室里预演社会后果[5][36] - ChatGPT推出不到四年就有十亿人在使用，处理敏感且重要的事务，公司能够交付被广泛认为安全的产品[38] - 认为在象牙塔里闭门造车无法做到安全，脱离现实绝非破局之道[39][40] - 模型能力极其强大，进步曲线极其陡峭，未来将不得不做出一系列艰难决定，比如什么时候推迟开发[41] 六、小企业创业潮与个人自主权 - AI正在降低创业门槛，预计将出现历史上规模最大的一波小企业创业潮[45] - 整个AI行业包括OpenAI自身都没有足够重视这件事，也没有做出足够多产品去加速它[45] - AI的目标应该是扩展人的自主权，而不是削弱它[33] - 不能因为不信任人类就逐渐把世界控制权和决策权交给模型，那是一种非常反人类的立场[32] 七、非共识押注与创业方法论 - 2015年成立OpenAI时，很多人认为AGI几乎不可能实现，公司因公开追求AGI被领域内很多权威批评[22] - 后来真正押注大语言模型时又被批评了一次，但高风险下注本身没有问题，只要一旦成功就极其有价值[22][23] - 真正优秀的研究员往往是非共识的、有新方法、高能量且不太“标准化”[23] - 创业投资经历让Sam Altman容易接受幂律法则：最成功的一笔投资可能超过其他所有投资加起来[22] 八、YC方法论对OpenAI的影响 - YC推动了快速迭代的创业方式：尽早发布V1，即使不够好甚至有点尴尬，通过真实用户反馈更快变好[59] - ChatGPT上线前Sam Altman知道Paul Graham会说什么：虽然还早、还不完美，但正确做法就是发布[59] - 行动快、持续迭代与成功之间的相关性非常高[60] - OpenAI成立后四年半没有发布任何产品，与YC经典建议完全相反，必须学习在没有客户外部信号的情况下进行管理[63][64] - 公司用Dota 2时期强化学习击败人类玩家的排行榜来模拟用户反馈，这非常客观、真实[64] 九、从成功中学习 - Sam Altman认为从成功中学到的东西比从失败中多得多[63] - 失败的原因千头万绪，很难理清真正因果关系，而成功经验应用到未来实践帮助更大[63] - 从YC成功和OpenAI成功中汲取的经验弥足珍贵[63] - 公司从“无监督情感神经元”论文起步，最终演变成GPT-1及后续版本，规模法则研究给了继续扩展模型的信心[67]

核心观点 - 企业面对AI应聚焦于业务是否值得被AI重做、AI是否进入真实交付、客户是否愿意为结果付费，而非争论概念名称[8] - AI原生公司的核心是AI帮人做判断、给人下任务、让组织持续优化，而非使用多少模型或自动化[32][33] 业务判断：三道“否决门” 第一扇门：问题本身是否持续增加 - 业务需求需为绝对增量，行业结构变化导致旧问题未解、新问题不断涌现，原有解决方式已跟不上[13][15] - 小额逾期债权处置领域：线上立案通路增多、银行处置需求与预算增加、监管合规要求提高，旧有粗放处置方式难以为继[15] - 数字版权侵权治理领域：AIGC降低内容上线门槛，侵权从图文扩展到直播、短视频、图片等多模态场景，且反复发生、形态复杂[15] - 只有问题持续增加，才可能形成真实付费意愿[16] 第二扇门：AI是否改写单位经济或服务边界 - AI需改变成本、复杂度与服务规模，并真正进入交付链，而非仅作为员工辅助工具[18] - 小额逾期债权处置：大模型批量生成高质量法律文书，将材料、回复、立案、任务编排连成作业链，每月立案规模达数千至上万笔[19] - 数字版权治理：多模态模型覆盖更多内容形态，连接识别、投诉、取证与案件推进，每月立案规模达上千笔[19] - 规模变化来自整条交付链的重新组织，单一文书生成器或识别工具无法实现[20] - 关键成本可能在短时间内下降一个数量级，企业需对技术拐点保持敏感[21] - 反例：AI生成法律合同质量高，但客户无法独立验证质量，也不愿为差异付费，商业闭环未成立[21] 第三扇门：能否借到第一曲线的力 - 第二曲线不应从零开始，企业已有的客户理解、流程经验、合规边界、数据与执行基础可降低启动成本与试错风险[22] - 小额逾期债权处置复用对信贷、客户、法律流程、合规边界与批量执行的理解[22] - 数字版权治理复用法律与执行基础，但需重建内容采集与识别、版权权利链、新客户关系与场景判断[22] - 行业知识需来自现场处理问题的业务经验，而非概念性认知[24] 二维价值模型 - X轴为AI带来的规模与效率，Y轴为业务向上创造的新价值[28] - 小额逾期债权处置：X轴为立案、材料与跟进的规模化，Y轴从单一司法处置走向有温度的调解服务，帮助借款人通过分期安排度过困难[28] - 数字版权治理：X轴为检测、投诉与立案效率，Y轴从一次打击走向持续治理与运营，帮助品牌在合法授权环境下运行[28] - 两条轴同时成立，第二曲线才有长期价值[29] AI原生公司的三个核心变化 变化一：AI帮人做判断 - AI最大价值是让真实情况持续被看见，人可将精力放在更高层抉择上[35] - 需两块基石：清晰的数据（结构化、可校验、带判据）与清晰的业务know-how（提炼为可操作规则、判据与边界）[36] - 业务规则写入作业系统知识文档，系统知道信息真源、什么条件下采取什么动作、什么情况必须回到人判断[36] 变化二：AI给人下任务 - AI持续读取一线事实，发现问题后补齐影响与证据，生成待判断事项[39] - 已有明确规则时，系统直接编排任务、发起执行与跟进；涉及新事实、不可逆动作或边界不清时，回到人做关键抉择[39] - IP业务中检查、投诉、立案、跟进，小贷业务中当事人沟通、法院对接、调解通知、材料发送，均在明确规则下由系统推进[42] - 人负责关键判断与不可逆决策：什么值得做、什么算做对、什么不能做[43] 变化三：AI让组织持续优化 - 作业飞轮：目标与策略任务化→明确编排与验收标准→人或Agent执行→独立验证结果→结果、反馈与新需求写回系统[46] - 经验飞轮：从真实运行证据中提炼候选经验→人工分级与定标→确认的策略、口径、红线写回唯一真源→下一轮执行与验收直接调用[46] - 人负责定方向、定标准、守红线，系统负责将可执行经验变成动作，并将动作证据送回判断环节[47] 组织分工与工具适配 分工模型 - 左边：AI从一线事实中识别问题与机会，补齐影响与证据[54] - 右边：AI编排执行与修正，取得验证与反馈[54] - 中间：人决定什么值得做、什么算做对、什么不能做，并写成策略、验收标准与边界[54] - 出现新事实或系统执行不了、验证不了时，问题回到人重新判断[54] 会议与报表变革 - 由人驱动的会议易被汇报质量左右，公司将经营事实、会议内容与问题状态放入系统，AI先整理事实、提出待判断问题[54] - 人开会只处理系统无法判断的部分，结论直接进入任务、OKR与验收，不再依赖会后人工转述[54] - 传统管理报表减少，系统持续呈现经营信息，异常与需判断事项直接暴露，人无需经过多层沟通才知道发生了什么[54] Skills管理方式 - 用Skill写清一类工作怎样做才对[56] - AI架构与设计决策Skill：结论基于可信知识库[58] - 马斯克五步工作法Skill：判断一件事该不该做，顺序为质疑、删除、简化、加速、自动化[58] - 需求验证Skill：只检查生产环境问题是否真实解决，不能因看起来完成就关单[58] - 会议Skill：提炼AI判断不了的问题，生成会前概要交给人拍板[58] - 四类Skill分别对应定方向、做判断、验结果、人拍板，管理闭环不再主要靠人记得住、追得动[59] AI Native环境对人的五个新要求 - 选择难而正确的问题：方向错误，自动化只会让错误跑得更快[62] - 深入一线，看见真实：核心管理者需直接看系统与客户交互，判断离真实越远，系统学到的东西越易失真[62] - 做对比做出来更重要，允许快速修正：错误能被看见、控制、快速写回规则[62] - 开放数据，沉淀判断：事实、推断与决策分开，经过确认的判断进入唯一真源[63] - 持续学习，越做越轻松：允许推翻旧结论、重构流程，每次运行产生的经验进入系统[63] 作业系统知识中枢 - 截至2026年8月11日，系统有300篇文档、8个一级板块、44个二级目录，Markdown正文非空字符约239万[66] - 一级目录包括核心纲领、项目目标、背景知识、系统模块、作业策略、黄金案例、工程规范、事故复盘[66] - 每篇文档需说明真源性质，写清规则正文与引用关系[66] - 文档由人与AI共建，多个Skill持续维护，负责内容真源、结构巡检、AI注入链与事故教训更新[67] - 知识被下一轮任务、判断与验收直接调用[67] AI原生转型的实践建议 三块基本功 - 数据治理：从一张核心业务表开始，理清一个真实业务的状态、结果与关键字段[72] - 知识沉淀：先用10篇Markdown把一个领域讲清楚，将规则、经验、判断与边界从人脑中写出来[73] - Skills封装：将一条作业规范写成系统可执行的Skill，明确目标、输入、步骤、风险、验收与回写方式[73] 六条操作原则 - 工具与模型尽量统一，团队统一使用Claude Code，关键任务使用能力更强的模型[75] - 规范先行：没有目标、验收与边界，不随意开项目[76] - 尽量闭环交付：人定义目标、标准与红线，Skill让AI端到端完成任务，人负责验收结果[76] - 部署方式优先考虑云端，除非有明确数据合规、网络隔离或成本结构要求[76] - 允许持续重构：认知、模型与工具快速变化，旧结论与旧流程需被推翻[77] - 结果验收：代码、报告与方案只有经过独立验收后才采信、合并或外发[78] 五个判断问题 - 问题真的在增加吗？小贷看逾期长尾，数字版权看持续复发[79] - AI是否改写了成本、复杂度或规模？模型能力必须进入交付链[79] - 能否借到第一曲线的力？已有客户理解、法律流程、执行基础与行业经验能否降低学习成本[79] - 客户真正买的结果是什么？小贷买回款，版权买侵权率下降，交付动作不能代替客户结果[79] - 结果能否独立验证并与收费绑定？客户行为、业务结果与付费才是商业证据[79] 商业验证警示 - 客户说想要不能算商业验证，技术验证通过也不等于商业验证通过[82] - 证据不足时，不要用愿景代替答案，企业需回到业务结果判断客户是否真正需要、结果能否验证、价值能否收费[82] - 所有商业价值都是社会价值的变现，企业用AI重做老问题，最终需回答为客户、行业与社会创造了什么真实结果[83] 现场问答要点 实体场景（如房产门店）如何开始做AI - 从门店里一个具体、反复发生的问题开始，不要先搭覆盖所有业务的大系统[87] - 围绕客户画像、跟进、内容、客服或门店运营，明确数据来源与有效结果，再决定工具如何进入流程[87] 法律服务行业被AI改变的方向 - 批量、标准化、规则明确的事务更快进入AI作业链；复杂诉讼、争议解决与不可逆判断仍需律师承担责任[88] - 机会不只是让文书写得更快，而是重新看服务如何交付、质量如何验证、客户愿意为什么结果付费[88] 传统企业组建AI小团队的0到1路径 - 更看重动手能力与把问题做成闭环的能力[89] - 从最小业务单元开始，让团队学习基础编辑与编程概念，从第一个真实程序与流程开始[89] - 团队负责人必须愿意进入业务现场，能把问题、规则、数据与验收写清楚，并持续跟进结果[89]