前几天有人抛了一个问题：「哪些客户的续约风险正在上升，今天由谁介入？」
我把它原样丢给了一个 AI 助手，想看看它怎么答。
它的回答很诚实：答不了。它列出了这个问题需要同时拉齐的五个系统——CRM 里的客户关系、合同系统里的到期日、产品日志里的用量变化、工单里的故障、财务系统里的回款——然后说：「任何一个单独看都不够，五个信号交叉才能定位谁在恶化。」
这个回答本身没问题。但它暴露了企业 AI 的真实现状：AI 不缺智能，缺的是跨系统取数的资格。 它能看到每一个系统，如果它有资格的话。
有意思的是，最近两篇文章，从两个完全不同的方向，撞上了同一个问题。一篇是 Carlos Perez 的企业版 OpenClaw 万亿清算论，一篇是《读懂 Palantir Ontology》的完结篇——后者举的范例决策，一字不差就是上面那个续约风险问题。
两篇文章各讲了企业 AI 的一半。把它们拼起来，你会看到一条没人明说的路线。
发完 从 Cowork 到 Tag：AI 的竞争单位，正在从个人变成组织 第二天，那个年轻人又发来一条消息。这次他没提问，而是直接甩了一个判断：
「对 AI 创业者来说：Anthropic 领先行业 6 个月。」
他还给了自己的三层拆解：
| 层次 | Anthropic 的领先点 | 领先幅度 |
|---|---|---|
| Foundation Model | Claude 系列整体非常强 | 0-6 个月，且会快速收敛 |
| Agent Harness | Claude Code / Cowork / Tag 形成完整 Agent 工作范式 | ~6 个月 |
| Agent-native Organization | 从「人使用 AI」走向「Agent 成为组织成员」 | ~6-12 个月 |
他的结论是：模型层的领先会快速收敛，真正值得关注的是后两层。而且第三层，恰好是钉钉「数字员工」可以承接的位置。
前两层，我认同。第三层，我认为 写反了。
在 Agent-native Organization 这一层，Anthropic 不是领先者，是刚入场的人。
上周有两个消息放在一起看，特别有意思。
一条是：AI 客服已经能独立处理大部分标准咨询，有的团队把人工坐席砍了一半以上。另一条是：AI 医生还在辅助写病历的阶段，离独立诊断隔着十万八千里。
同一种技术，同一个十年，为什么差出这么多？很多人的答案是「医疗数据难搞」「监管严」——都对，但都只是现象。现象背后有一个可以算的东西： AI 重构一个行业的速度，是有公式的。 这个公式不仅能解释客服和医疗的差距，还能告诉你自己的行业排在队里的第几个。
上周的战略会上，有人问了我一个问题：如果 Agent 真的能替人完成工作，那工作软件公司以后卖什么？
这个问题听着抽象，我换个问法：货架电商时代，平台卖的是货架和流量——商家买排名，用户搜索、比价、下单。那当 Agent 替人买东西的时候，平台卖什么？
电商其实已经在回答这个问题了，因为它正在路上。而我把电商这二十年的演进，和工作软件的演进摆在一起看，发现它们在走同一条曲线。
先说结论： 过去平台争夺的是「人」；AI 时代平台争夺的是「人的意图」和「Agent 的行动」。
最近一个月，有三个人问过我同一个问题：「我们公司想做 AI，从哪开始？」
三个人的背景很不一样：一个做制造，一个做跨境电商，一个做连锁餐饮。但他们的第一反应惊人地一致：先看看现在的模型能干什么，再从公司里找个场景套上去。
Jeff Dean 给的答案正好相反。今年 YC Startup School 上，他给了一个我认为值得每个企业贴在墙上的选题标准：
去找模型成功率是 0% 或 1% 的问题，不是 20%。
这就是 1% 法则。在 AI 的竞争变了：未来是上下文的竞争 里我讲过这个判断的战略含义；这篇往前一步——把它变成一套你在自己公司就能执行的盘点方法。
我名下有两个数字员工：一个负责开发、测试、部署，另一个在用户群里服务真实的同事。它们不是工具，是组织里两个正式的岗位。岗位一立起来，一个问题就自然跟着来了：
「如果它批错了一张审批单，造成了损失，谁来负责？」
这个问题不难答——难的是我发现，市面上绝大多数 AI 产品，从来没准备回答这个问题，因为它们压根不是「员工」。
Chatbot、数字分身、数字员工，这三个词正在被混着用。很多人以为它们只是同一类产品的不同营销话术：能力弱一点的叫 Chatbot，能力强的叫数字员工。
但我的判断是： 它们是三代不同的东西。 区分代际的不是模型有多聪明，而是两个更根本的问题：
它的 Source of Truth 是什么？它出了错，谁来负责？
想清楚这两个问题，很多关于企业 AI 的争论会立刻变得清晰。
[Read More]上个月和一位做 HR SaaS 的朋友吃饭。他刚花了两百万买了一批行业测评数据，准备训练自己的垂直模型。
我问他：「竞品如果也买同样的数据呢？」
他愣了一下：「那……我们还有先发优势。」
「先发多少？」
「大概……半年？」
半年。这就是原始数据作为护城河的保质期。
三个月前，我写了一篇 中国 SaaS 厂商的护城河应该怎么建，核心公式是：
护城河 = 垂直行业数据资产 × 行业 Know-How × 客户成功体系 × 生态协同
那篇文章里，我把「数据壁垒」放在七大维度的第一位，画了一个数据飞轮：客户使用 → 数据沉淀 → 模型训练 → 更精准的服务 → 更多客户使用。
三个月后，我要修正自己。
飞轮里转的不是数据，是 eval。
上周三，一家头部互联网公司的CTO在季度复盘会上盯着一组数据沉默了整整两分钟。
Q1 的 AI 投入报表显示：工程团队 token 消耗同比增长 400%，人均 AI 工具支出逼近 20 万美元/年——已经和一个高级工程师的人力成本持平。但业务端呢？营收增长 35%，客户满意度提升了 8 个百分点。
“我们买了蒸汽机，但跑出来的速度还不如马车。“他最终说了这么一句。
会议室里没人接话。因为所有人都知道，问题不在 AI 技术本身——他们的工程师确实写出了更多代码，做了更多功能。问题在于：组织的工作方式没有变。AI 被塞进了旧的流程、旧的考核、旧的管理思维里，变成了"更贵的自动化”。
这不是个例。2026 年硅谷一线的最新观察揭示了一个残酷现实：AI 技术迭代已经进入"周级范式转换”，但绝大多数企业的组织形态还停留在"年度规划+季度复盘"的工业时代节奏里。技术跑得太快，组织跟不上，中间的鸿沟正在吞噬 AI 本该带来的价值。
[Read More]