對話｜張鵬

當大家一窩蜂地開發「數字員工」、「Agent 工具」，並在細分場景中無休止地內卷時，AI 創業的真正護城河到底在哪裡？

近日，極客公園創始人兼總裁張鵬與 VisionFlow 創始人劉夜在 OpenClaw 爆發後，進行了一場向前推演的討論。作為 1979 年出生的中國第一代程式設計師，劉夜經歷了從底層硬體到軟體、從企業級整合（ToB）到在線教育（產業互聯網）的完整週期。在閉關數月、與全球頂尖 AI 公司的研究員和國內頂尖創業者「應聊盡聊」之後，他得出了一個冷酷的結論：把 AI 當做「數字員工」來替代單一任務，是工程師思維對真實業務的過度簡化。

在這場對話中，劉夜拋出了「漸進式暴露」、「任務的高低維矩陣」等一系列極具啟發性的概念和框架。在討論中，一種未來的可能性逐漸明確：AI 的下一步絕不是泛濫的工具人，而是構建具備協同、匯報、反思機制的「數字組織」。當企業文化不再必要、低維工作被徹底抹平，未來的 CEO 或許將不再是「首席執行官」，而是擁有極致審美的「製片人」。

這是一次關於 AI 時代組織形態、商業壁壘以及新一代創業者生態位的探討推演，希望引發更多創業者對未來的深入討論。

以下為極客公園整理的對話精編：

01 萬 A 大戰已經開始，能做的太多，

但什麼才是最重要的

張鵬：從作業盒子到今天，你如此熱衷於探索 OpenClaw 帶來的變化，你自己經歷了什麼變化嗎？

劉夜：我是中國第一代程式設計師，從小就開始學編程。經歷了從 BASIC 到 DOS，再到 Windows 和今天的 Mac 時代，也見證了三大門戶的崛起。我曾從事企業信息化，想打造中國的 IBM；後來轉型加入作業盒子，深度參與在線教育。在線教育是一個非常深刻的產業，是產業互聯網的最高形態，也是「最後一班車」。這段經歷讓我深刻感受到，產業互聯網的核心不是技術，而是產業本身，是業務。產業互聯網的規律是：先做資訊撮合，再做標品，接著是供應鏈，最後是非標的複雜服務。越往後，毛利越高，也越難做。

因此，當 AI 浪潮來臨時，我做的第一件事，就是花了將近 6 個月的時間，什麼都不做，讓 HR 把所有能聊的人都聊了一遍。從各個明星創投公司的首席科學家，到各個基模大廠的核心算法、工程師和研究員，以及新銳 AI 創業者，凡是能聊的都聊了，累積了近一千個小時的交流密度。聊到什麼程度？聊到對方說上半句，我就知道下半句是什麼，大家的共識已經差別不大了。

聊完一圈後，結論驚人地一致：所有人都在做同樣的事——數字員工。這讓我想起了當年某位大佬對雲計算的一個戰略誤判，他說阿里做雲，本質不就是個網盤嗎？用舊框架去理解新事物，你永遠只能看到最淺的那一層。

今天所有人都覺得，當個數位員工，用 Claude 寫出一個「數位銷售」或「數位客服」，技術壁壘在哪？護城河在哪？當一個人一天燒掉幾億 TOKEN 都成為常態，這更像製造業，根本飛不起來。所以我問每一個創業者同樣的問題：Why are you？憑什麼你行？你更年輕？更聰明？更能熬夜？在一個維度上競爭，那不就是「10 秒 69」和「10 秒 70」的區別嗎？

張鵬：嗯，今天能做的太多了，但該做什麼，才是最重要的。你有這方面的思考嗎？

02 產業互聯網的十年，今天會重演一遍

劉夜：AI 很不一樣，但我相信仍會與產業互聯網的規律有某些暗合之處：早期做工具，中期做業務，最後做諮詢。技術不成熟時，第一批進來的一定是工程師，他們擅長將世界過度抽象，例如百度的「框計算」，認為一切皆是框。但移動互聯網的後半場是內容與服務，而非框。

具有工程背景的人對組織的想像，往往過度簡化了業務。你看整個第一代互聯網三大門戶，最終跑得最好的是騰訊和阿里，而它們與技術稍遠，卻與產業很近。今天也一樣，技術正變得越來越不重要。

張鵬：這一波文科生挺開心的，不會寫代碼 似乎 也沒關係了。但長期來看，到底 AI 時代對人的要求是什麼樣的？什麼變化了？

劉夜：在中國的人才結構中，我發現了一個問題。中國的第一代程式設計師就是產品經理，因為當時並沒有產品經理這一崗位。產品經理成為一個廣為人知的崗位，是在 2010 年前後，喬布斯發布 iPhone4、張小龍提出產品觀之後，才出現了「人人都是產品經理」的說法。在此之前，程式設計師同時承擔產品經理的工作，先有程式設計師，後有產品經理，因此第一代程式設計師都是產品經理。第一代程式設計師學習編碼並非為了工作，而是出於興趣，他們憑藉熱愛投入其中。正是這些不被定義、跳出常規的人，才最為出色。

但第二代程式設計師，近十年的產業互聯網把程式設計師變成了「碼農」，產品經理成了建築師，碼農被馴化得不思考業務。今天 AI 來了，「碼」的部分被消除了，不進化，他們真只剩「農」了。這批年輕人很優秀，但他們對產業的理解是空白的。所以，當下的「萬 A 大戰」，本質上還是工具層的泛濫。

你看產業互聯網後期，阿里、美團這樣的公司，都是标配使用頂尖諮詢公司（MBB）背景的人做商業分析，用諮詢公司的人帶領產品經理做業務流程，因為互聯網產品經理腦子裡天生沒有系統。飛書就是這樣做出來的。字節雖然是純互聯網公司，但也大量使用諮詢公司來建立內部流程。在 AI 時代，這個規律只會加強，不會減弱。

03 企業的問題，從來不是員工問題，而是組織問題

張鵬： 所以，你覺得卷「數字員工」這個單點，意義不大。

劉夜：這是我最核心的一個判斷：數字員工不是終局，數字組織才是。如果數字員工氾濫了，連招聘崗都不存在了，所有人都能擁有好的數字員工，那然後呢？那個公司就都能賺錢和成功了嗎？其實所有公司的問題，都是戰略問題和組織問題，從來不是員工問題。

因此，今天的 Agent 仍是在為人做事，而非為人決策。我們內部改造了 OpenClaw，開發了一個稱為 MetaOrg 的系統。它本質上是一個能夠生成 agent 團隊的核心。我們解決任何任務時，都不是派單一員工，而是建立一個「組織」來解決問題。這個組織具有協同關係、報告關係、使命、目標與行動方式。

張鵬：但未來有沒有可能，一個人就是一個部門？甚至就是一家公司？

劉夜：這是個非常好的問題。我們還是回到具體任務上，比如用 AI 製作一個短視頻或撰寫一份文件時，需要多輪對話。你說一句，它回一句，再給它反饋，這就是工具人式的使用方式，它只是很聰明。

因此，人與部門的概念，並非數量上的多與少。我們在描述一個高級職位的職責說明時，通常是：第一，能做事，能處理各種任務；能使用各種工具。而高級職位則是能夠理解意圖、主動規劃路徑、主動執行、實現交付、定期回報、反思並總結交付成果，並根據成果的偏差動態調整策略。這就是高階能力。

張鵬：一個合格的部門，得是「L4 級別的自動駕駛」。

劉夜：是的。當給它一個技能，它就能完成複雜任務；給它一個技能系統，它就能完成複合型複雜任務；當有多個智能體（agent）協同編排時，就能完成更複雜的事，例如拍攝一部短劇。我經常在與員工開會時說，你們使用 MetaOrg 時，不要把自己當成主管，而要當成董事長。你們要努力探測它的邊界。

未來年輕人創業，以前說家裡給 50 萬創業，未來也許是給一個 TOKEN 預算去試錯。你願意花多少 TOKEN，決定了它能做多高級的崗位。越高級的崗位，推理鏈路越長，越需要反覆試錯、迭代和總結。

張鵬：回到剛才的那個問題，如果有一組 agent，它可以被拆解成更細的單元，或類似於崗位與能力的分解。當它形成一個團隊面對核心任務時，每個個體的人才質量就決定了成敗。這又回到了上一個時代的商業組織競爭邏輯：人才密度，也就是人才質量高，組織的核心任務就更容易實現、勝出。

這件事的核心在於，如果未來 AI 都是萬能的，我們都可以調用最好的 AI，那麼除了商業組織能因更高效地提供不同細分服務而創造價值外，在另一個維度上，是否還需要回歸到「人才密度」這一層面——無非是你的 agent、bot 在這個體系中拆解出的原子級能力更高，「人才密度」就更高，在複雜任務中，結果、效率甚至創新都會更好。我不確定這是不是正確的推論？

劉夜：我同意這個觀點。企業內部通常有一個部門，大型企業稱之為 OD，即組織發展。衡量一個組織能否打勝仗，通常的做法是將對手的所有人才拉出來進行對標，透過判斷人與崗位、能力與崗位的匹配強弱，來預測戰爭的結果。因此，一般企業打勝仗靠的是組織能力，而非業務策略。最典型的例子就是阿里。阿里極其重視組織建設，因此如今能迎來「第二春」。因為創始團隊會老化，但組織可以生生不息。本質上，如果有一天我們是競爭對手，都在使用 AI，我建立了一個強大的 AI 組織，具備很強的 AI 組織發展能力。我該如何構建這個組織？我會逐一打開所有競爭對手的 agent skill system，分析它們的技能代碼。然後在我的體系中編寫更優秀的技能，甚至補齊它們缺失的職能。例如，我有戰略部，會先進行觀察與分析。

華為有「五看三定」的方法論。我跟朋友開玩笑說，我們創業只要用這一套，就能擊敗 99% 的競爭者。所謂五看，是看行業趨勢、看市場客戶、看競爭對手、看自身能力、看戰略機會；三定則是定控制點、定目標、定策略。這套方法論足以篩選掉絕大多數競爭者。因為大多數人下棋是亂下的，他們依賴快速思考，而高手默認開啟的是深度思考與推理模式。第一反應是，我要作為統帥去思考這件事該怎麼做。

張鵬：所謂「五看三定」本質上就是不要「應激反應」，要固化一個長推理的過程的意思吧。

劉夜：高手都是透過深度研究與思考模型，先了解全球的最佳實踐與資訊，再進行總結分析與深入思考推理，最後才提出答案，出手即一招制敵。

所以我認為未來的競爭核心只有一件事，就是為傳統產業的業務進行建模，將其抽象為具備系統能力且能進行智能體編排的能力。這就是新一代的組織發展（OD）能力，並將升級為 AIOD，這是未來唯一的核心競爭力。

阿里的核心優勢在於建組織，組織建設到位後，無論面對什麼對手、開展什麼業務，都能具備競爭力。而且馬雲曾說，打仗的目的並非一定要佔領某個領域，而是通過打仗實現組織的成長。阿里是以組織成長為核心衡量標準，來判斷一場仗是否值得打，這是一種非常高階的思維。馬雲本人就像一個超級資訊樞紐，每年飛行 200 次獲取各類資訊，回來後用於完善組織建設。他才是真正意義上的董事長，而非單純的首席執行官。

這就是我們所見到的最高級的組織形態——能夠跨越幾代人、覆蓋不同產業，既能持續獲得成功，在陷入衰退後還能調整回升。通常而言，一家公司如果十年內任命錯了首席執行官，大概率會走向衰敗。所以說，以史為鑑，用更高維度的視角降維看待當下的發展，即便對現有模式做一些裁剪和優化，也比從底層從零開始構建要高效得多。

現在任何人都能輕鬆搭建一個 agent，員工的上手門檻極低，再加上開源社區的加持，行業已無太多秘密可言。在工具層面的內捲，永遠比不上開源社區。那麼，什麼才是開源社區所不具備、無法複製的核心競爭力？

04 The Physics of AI Organizations: Why Is "Progressive Exposure" Key?

張鵬：在上個時代談論組織時，會強調組織文化、價值觀、KPI 等一系列內容。當我們從上個時代的組織管理過渡到 AI agent 組織的新時代，哪些內容可以徹底摒棄，哪些內容可以保留但需要轉化？

劉夜：Anthropic 推出 skills 的核心原因，包括 AI 編碼領域的「漸進式暴露」理念——若 AI 接收大量雜亂資訊，會出現上下文腐化與注意力不足所導致的混亂，唯有漸進式暴露才能讓 AI 保持良好注意力並輸出優質結果。若依賴人工實現漸進式暴露，本質上就是全人工對話，效率低下。因此，skills 的核心價值在於將複雜任務分層拆解，實現對 AI 的漸進式暴露。

這與公司管理邏輯一致：董事會聚焦戰略問題，CEO 聚焦策略問題、管理高層，員工處理簡單事務。若 300 人同時參與同一會議，這個會就沒辦法開了。組織存在的核心意義，就是實現資訊的分層處理，如同資料庫三範式透過資訊壓縮分層提升效率，複雜問題必須分層拆解、漸進式暴露，而非一次性輸入大量上下文，這正是傳統企業組織形式的核心邏輯，畢竟特定時間內的算力是有限的。

張鵬：模型每次都要耗費巨大算力從頭開始創造，效率太低。

劉夜：這不可能實現，核心仍需依賴分層的漸進式暴露，必須調用的資源就必須調用，這是由 AI 模型的能力邊界所決定的。此外，Anthropic 推出 skills 的另一個原因，是複雜任務已超越基礎物理學定理，skills 能將複雜任務拆解為一系列低維簡單任務。任務的核心區分維度並非難易，而是複雜程度——存在低維難、高維難等不同類型，例如程式員編碼、解數學題，就屬於低維高難度任務。

Horizon 的 Yu Kai 曾提出一個經典模型：所有職業可根據「競爭程度」和「維度高低」分為四個象限，即高維高競爭、低維低競爭、低維高競爭、高維低競爭。其中，銷售和工程師屬於低維高競爭，產品經理和 CEO 屬於高維高競爭；科學家則屬於高維低競爭——這類課題可能全球僅有一人研究，競爭度低但維度極高。像優質短劇、好小說這類高維高競爭任務，目前 AI 尚無法完成；而代碼優化這類低維高競爭任務，AI 已能很好勝任。越高的維度任務，數據來源越少，但訓練模型所需的數據量反而越大，這也是文本模型先出現、圖片和視頻模型後出現，且短視頻模型難以落地的核心原因。這種高維任務與高維數據的供需矛盾，只能透過 skills 拆解任務來彌補，就像企業中找不到高級崗位人才時，會將其拆分為三個基礎崗位一樣，唯有 CEO 這類高維崗位不可替代。

張鵬：低維高競爭的任務，大概率會被 AI 完全替代。

Liu Ye：百分百會被取代，而且這種取代已經發生。

張鵬：確實如此，因此所有低維高競爭的事務都應盡快用 AI 解決，可將其拆解為 skills，再透過 agent 組織實現落地，這個過程中不一定需要人類參與。

劉夜：我有一個初步構想，IBM 和埃森哲作為全球最大的兩家諮詢公司，其核心業務本質是提煉產業最佳實踐，並與數位化對齊，銷售的是流程而非工具。企業在採購風險流程、知識產權時，都會邀請諮詢公司進行落地實施。我們目前的核心工作，就是構建 skills 集群，尋找各領域頂尖專家，提煉其能力並進行對齊，形成標準化的 skill set。這與作業盒子的模式類似——作業盒子聯合北京四中、人大附、高考出題組及學而思的老師，提煉出題、講題、批改等核心方法，再聯合百度算法工程師搭建系統，本質上也是對齊最佳實踐。而組織能力的核心，在於組建優質的跨界團隊，既要懂產業、懂工程，也要能聯動各垂直領域的頂尖行業專家，同時具備商務、人才招聘與管理能力，這也是新一代 AI SaaS 企業的核心組成。

張鵬：進一步推演，未來應從業務維度反推所需的組織形態。組織本質上是一種編排結構，類似業務操作系統——將人作為生產力單元放入適配的組織，就能發揮最大價值，反之則無法高效運轉。如今生產力要素已發生替換，從依賴人力變為可無限供給的 AI，且只要形成正循環就能持續擴容。過去的組織文化，如今可能轉化為目標和上下文，不再需要口號、三板斧會議、破冰等形式。

劉夜：文化是管理意圖，而非業務意圖。上個時代，戰略始於願景，願景決定價值，組織服從於戰略，業務驗證一切，而文化僅是治理組織的手段，並不直接服務於戰略，甚至可能只是創始人的個人偏好。

張鵬：在過去的人力服務戰略過程中存在大量缺口，AI 是否正在消除這些缺口？

劉夜：是的，文化在 AI 時代已不再重要。文化是人類組織的信念部分，但 AI 不需要。AI 沒有血肉之軀，無需文化牽引。AI 核心需求是算力。

張鵬：你的意思是，AI 需要的是目標和原則。一份文件就足以明確目標和原則，所有生產力單元都能立即同步、忠實執行，不會出現偏差。人類組織中的很大一部分摩擦力便消失了。

劉夜：是的。原來的組織：戰略→文化→人才→執行，現在的 AI 組織：目標→原則→Skills→編排。整個管理鏈條被壓縮了一半。

05 最後的壁壘：審美與編排

張鵬：企業新的壁壘是什麼？人才質量被替換為 Skill Set，只要我有審美，就能從全世界獲取最好的 Skills。那再往上一層，就是「編排」（Orchestration），對嗎？這會發生什麼變化？

劉夜：就像華強北能買到所有電子元件，但為何不是所有人都能做出蘋果？《喬布斯傳》中對審美的定義非常清晰：見過世界上足夠多的好東西，能分辨優劣，就是審美。若從未見過好產品、好流程、好組織，就無法做出優質成果。

張鵬：見識是審美的前提。

Liu Ye: 僅此而已，見識加上天賦。

張鵬：審美體現在兩種方式：一是主動設計、編排，二是在混沌中識別並選擇湧現出的優質事物，這兩種方式並不衝突。

Liu Ye: 確實不衝突。蘋果的部分成果是自主研發，部分是收購第三方，核心是擁有審美——無需重複造輪子，必要時自主研發即可。

張鵬：核心在於，是讓 agent 在設定模組內運行後再確認路徑，實現湧現式編排；還是直接設定好所有路徑，進行設計式編排？

劉夜：湧現是非操控性的，需要先設定種子規則和原則，這才體現一個人的審美。就像優秀工程師用 500 行、5000 行代碼就能做出好用的 Openclaw，而不合格的工程師寫 5 萬行代碼也無法達到同等效果，底層的種子規則仍需人類設定。

張鵬：所以不能在混沌中等待湧現，那需要極長的時間，編排依然至關重要。這種編排最終是否只能來源於創始人，或者說更像「製片人」？

Liu Ye: I think this definition of producer is excellent. Indeed, even with emergence and scale effects, data annotation, data cleaning, and continuous algorithm alignment are still required to prevent disorderly expansion.

編排者取決於業務複雜度——複雜業務一個人無法完成，例如拍攝短劇、撰寫提示詞，實際操作中會面臨諸多困難。「一人公司」的概念被濫用，世界無法被無限簡化。雖然電腦可由一人操作，但一個人難以掌握所有高維能力，像伊隆·馬斯克、李飛飛這樣能精通多個領域、接管任意崗位的超級人才，極為罕見。

張鵬：如果我們能調用全球最頂尖的 agent 和 skill 體系，例如一位優秀的編劇，理論上能否借助這些資源，拍出全球知名且盈利的電影？編劇雖有核心亮點（好劇本），但無法完成所有環節，這種「核心亮點+全球資源」的閉環是否可行？

劉夜：這本質上是數據問題——是否存在存儲最高維信息的數據。例如訓練 CEO 的技能，目前缺乏足夠的數據支持：任正非的萬字長文、馬雲的口述，都無法完整呈現他們的高維認知；即使收集全球公司的財報和 CEO 的所有言論，也無法訓練出能勝任 CEO 的模型，因為 CEO 的核心能力是隱性知識，無法通過文本完全暴露。

張鵬：也就是說，CEO 的核心能力目前仍無法被向量化。這限制了「一人公司」的理想構想——即使每個人都能發揮單一維度的優勢，並搭配全球頂尖資源，仍缺少核心的編排者，本質上仍是編排能力的問題。歸根到底，擁有最好的「元件」，仍需具備強大的編排能力。

劉夜：產品經理也是如此，其隱性知識無法完全文本化。這也是當前 AI 伴侶、AI 生成內容不夠「鮮活」的本質原因——缺乏高維隱性知識的數據支援。數據量少的時候，重點做 skill；數據量多的時候，再做模型。機器人目前無法落地，核心就是缺乏足夠的數據。

張鵬：由此可推導出，未來公司的競爭關鍵，不再在於能否接觸到頂尖模型——初始 AI 資源看似一致，算力與財力及業務閉環能力相關，最終的差異仍會回歸到「製片人」本身，即其編排能力與目標的創新性與意義，這兩點構成了公司的核心競爭力。

劉夜：麥肯錫前合夥人曾告訴我，麥肯錫的核心業務就是萃取最佳實踐、建立模型，再協助企業逐一實施。例如，在為中國汽車廠提供諮詢時，會向日本同事了解豐田的做法，本質就是複製和落實最佳實踐。

咪蒙製作短劇的案例具有很高的參考價值。她雖為中文系出身，但核心團隊由清華和北京大學數學系、計算機系的人才組成，專門拆解熱門短視頻的邏輯，最終實現極高的爆款率。這種思路本質上是為行業的社會工程建模，即使存在過擬合的可能，但建模的方向是正確的。

IBM、埃森哲、麥肯錫所做的都是這類事——第一代麥肯錫將最佳實踐模型化至合夥人身上，IBM 則將其轉化為數位化流程，本質都是「銷售管理和流程」。

張鵬：核心在於提煉最佳實踐，並反覆驗證落實，這就是未來商業組織的勝負關鍵。只有拆解到位，才能實現高效編排。所以你們接下來的核心方向，就是沿著這個思路推進？

劉夜：過去三年，我們主要專注於 AI ToC 業務，並以 MetaOrg 的方式重建了整個教學與教研體系。這並非一個簡單的「用 AI 提升效率」的故事。我們構建了一整套 Agentic 教研組織，背後運行著一個個虛擬的教研團隊：語言學習研究團隊負責追蹤二語習得的最新理論，垂直語料收集團隊從真實語境中抓取地道表達，對話評估團隊建立口語能力的多維評判標準，對話設計團隊將教學法轉化為自然的人機互動，題目容器設計團隊解決練習形式與內容適配的問題，數據分析團隊從用戶行為中挖掘學習效果的真實信號。每個團隊都有自己的技能、工作流程和評估標準。目前，教材數據標註、監控評估、用戶洞察、產品迭代等約 80% 的工作，均由 AI 完成。

我們的發展路徑是從「AI 作為功能」升級為「AI 作為組織能力」。英語老師這個崗位處於中等複雜度，我們已將其抽象出來，並透過 MetaOrg 生成其他崗位；若結合最新的 skill 架構，有望構建更高等級的崗位。

我們目前已完成 AI 教練的全流程搭建，包括編排能力的抽象與工程實現，未來極有可能從 Meta 教練升級為 Meta 組織——其最小單元是崗位，而非員工，核心在於崗位間的協作與管理。我們當前的重點，是對接各行業最頂尖的 CEO，因為 CEO 才是核心「製片人」。

張鵬：所以你們推出的，更接近一個可擴展的部門？

劉夜：目標是朝著「公司」的方向推進，大公司本質上是由多個小公司構成，而最小單元是崗位。既要關注全產業戰略選擇，也要從崗位入手推進產品迭代——崗位做不好，即便管理者能力強，也無法形成高效組織。

張鵬：要做好一個部門，首先要拆解部門相關能力和崗位，再拆解崗位對應的 skills，且要追求這些 skills 達到 SOTA 水平。

劉夜：核心方法只有一個：與最頂尖的被服務企業共同創造。所開發的技能，必須由頂尖企業評估是否符合需求，就像下屬撰寫的方案需要上級審核一樣，不能自嗨。例如，進行短劇建模，必須獲得行業頂尖機構的認可，否則就不算真正的頂尖。一切都需要評估與衡量。

Midjourney 能製作優質圖片，核心在於團隊由攝影師和工程師組成，具備頂尖的圖片審美；LV 使用 Stable Diffusion 訓練的圖片模型，效果遠超普通模型，因為 LV 擁有全球最頂尖的圖像審美和數據。可見，評估能力才是核心。要成為 AI 公司，需像 IBM、華為那樣——IBM 在服務頂尖汽車製造商後，掌握造車的最佳實踐並輸出；華為花費 40 億購買 IPD 流程，既用於自身管理，也對外輸出，這才是核心競爭力。

張鵬：本質上就是依照最佳實踐拆解 skill，實現 skill 的 SOTA，再升級為崗位和部門的 SOTA，最終編排成業務的 SOTA，這是通向業務頂尖的明確路徑。還有一個關鍵問題：如何保持 skill 的與時俱進？就像地球生物圈的變異，每個時代的 SOTA，在下一個時代可能會被淘汰，如何應對這種變化？

劉夜：核心邏輯與人類和生物進化一致，即感知、規劃、行動、反思。保持組織的高人才密度和跨界屬性，一端對接技術前沿（研究者），一端研究業務模式，同時與行業頂尖客戶共創，在真實場景中持續評估和優化，這是唯一的方法。

張鵬：由此反推，頂尖公司所形成的最佳實踐體系，能幫助中檔公司實現跨越式提升，但這類體系大概率只有具備資源與財力的公司才能使用，中小企業和年輕創業者難以負擔。諮詢行業已從傳統服務升級為工具化產品，新生代的機會是否只能在 skill 層面？如何在 skill 層面實現顛覆性創新，避免行業陷入「貴族循環」？

劉夜：在上一代 SaaS 行業中，Salesforce、Palantir、Notion、Slack 等企業，有的專注通用工具，有的提供整合服務，證明年輕創業者仍舊有機會——遠離自身不具優勢的業務，聚焦通用技能，找到合適的生態位。Notion 就是典型例子，不涉及具體業務流程，僅抽象出文本記錄功能，成為通用工具。世界最終將是無數智能體（agent）的分工協作，年輕人需先找到生態位，再結合自身優勢發力，锚定未來趨勢，避免成為時間的敵人。過去十年，第一代互聯網創業者多為海歸（依賴認知優勢），第二代多為程式設計師（依賴工具爆發），第三代產業互聯網多為二次創業者，規律清晰，年輕人需看清中局與自身優勢。

張鵬：所以你認為技能層面的局部創新與優化作用有限，那麼新生代的最大機會可能在於目標創新——識別時代湧現的新目標，結合優質技能並持續進化，才能在新目標上構建新體系，實現突破。

劉夜：技能的競爭非常微妙，當前技能雖熱門，但若有人能對齊更頂尖的人類專家，打造出更優秀的技能，現有技能便會被取代。這又回歸到護城河的問題：先發者未必能笑到最後，很可能成為更高維對手的「土壤養分」。

張鵬：最怕成為「載入程式」，僅為更高維度的對手完成基礎鋪墊。若僅在現有目標上進行效率優化，毫無意義，且效率優勢最終將被抹平。因此，新生代要實現突破，必須在目標上做出根本性差異。

劉夜：沒錯，自身無法成長為核心力量，只是滋養了更高維的對手。商業的本質很樸素，核心是明確客戶是誰、如何服務客戶、如何讓客戶离不开你。任何年輕人若想不清楚客戶是誰，就無法實現優化。

張鵬：還需關注增量市場，在存量市場中競爭難度極大。若你們的業務取得成功，會將對應領域的公司拉到同一先進水平，這些公司既有財富也有認知，年輕人很難在存量中與之競爭。

劉夜：在上一代 SaaS 行業中，Notion、Slack 等企業的成功，核心就是目標差異化。

在上一代 SaaS 發展初期，中國基金多傾向投資科學家，後來發現，科學家更適合交流合作，而非創業——科學家所處的高維低競爭領域，與商業世界的高維高競爭邏輯不同，領域維度越高，切換到新領域的難度越大，核心思維模式完全不同。任何領域早期都是技術競爭（低維高競爭，技術不成熟），技術成熟後，就進入商業競爭（高維高競爭，產業人、產品經理、業務從業者主導）。比如蘋果手機剛推出時，排行榜應用多為程式員開發；幾年後產業互聯網興起，排行榜上的程式員主導的產品就全部被取代。

若 AI 時代延續移動互聯網的邏輯，矽谷的核心力量仍會是具備經驗的從業者，就像中國產業互聯網多為二次創業者一樣。年輕人的機會，仍在於找到差異化目標。