思考 - Dan's Blog

AI

当AI开始制造通胀：效率革命之前，先是一场资源争夺导语

7月10日，美联储向国会提交最新货币政策报告。报告里有一句很容易被忽略的话：今年通胀压力的上升，不只来自关税和中东局势，也来自AI基础设施建设。这件事有些反直觉。过去几十年，我们习惯把数字技术和“降成本”联系在一起。软件可以复制，信息可以即时传输，互联网把交易成本压到很低。按照这个经验，AI似乎也应该天然带来通缩：更少的人完成更多的事，企业效率提高，商品和服务变便宜。但现实正在展示另一条路径。AI当然可能在长期提高生产率，却首先制造了一场规模庞大的资源争夺。芯片、存储、电力、土地、数据中心、冷却设备和专业人才，都在被迅速重新定价。 AI的效率革命，可能要先经过一段“成本膨胀期”。一、AI不是一团飘在云端的软件人们谈AI时，往往看到的是聊天窗口，容易忘记窗口背后是一套越来越重的工业系统。训练和运行模型需要高端芯片与存储，需要数据中心，需要稳定电力和电网扩容，也需要工程建设、散热系统与大量专业人员。国际能源署预计，全球数据中心用电量将从2025年的约485太瓦时，增加到2030年的约950太瓦时；其中，面向AI的数据中心用电增长更快，五年内可能达到原来的三倍。所

AI

当AI开始谈节俭：真正稀缺的不是算力，而是价值密度

导语巴黎的凡尔赛宫里，香槟、礼服和烟花照旧；但今年AI行业谈论最多的，却不是如何把模型做得更大，而是怎样让它更便宜。 7月8日至9日，超过8000名AI创业者、芯片厂商和投资人聚集在巴黎参加RAISE Summit。路透社对现场的描述很有意味：会场外是AI产业最华丽的资本叙事，会场内讨论的却是芯片效率、数据中心成本、推理耗电，以及如何避免把昂贵的token浪费在重复任务上。会议期间，巴黎热浪下的临时停电还一度切断麦克风和网络，让这场关于AI能耗的讨论获得了某种意外的象征性。这可能是一个值得记录的变化：AI没有降温，但它开始谈节俭了。过去两年，行业的核心问题是“模型还能不能更强”；接下来，企业真正面对的问题会变成“这么强的模型，究竟值不值得用在这里”。当技术从稀缺走向充裕，竞争的重点就会从能力上限，转向单位成本能够创造多少真实价值。一、AI正在遭遇自己的“供强需弱” 几乎在同一时间，中国人民银行在第二季度货币政策委员会例会后指出，当前经济仍面临“供强需弱”的矛盾。世界银行7月7日发布的《中国经济简报》也认为，2026年初中国经济受到高技术投资和出口支撑，但内需仍偏弱，

AI

AI开始要回款：组织红利不再靠想象力导语

今天最值得看的，不是又有哪家公司发布了新模型，也不是哪一款AI产品参数更强，而是资本市场开始认真追问一个更朴素的问题：AI到底什么时候回款？ 7月9日，Apollo首席经济学家Torsten Slok在一篇题为《A Slower AI Payoff Would Be Everyone’s Problem》的文章中提醒，如果AI投入的回报比市场预期来得更慢，问题就不会只停留在科技板块。因为过去一段时间，AI几乎成了支撑美国市场和经济叙事的核心变量。一旦现金流兑现延后，而资本开支、折旧和债务压力按时到来，估值、利润率、信用风险都可能一起承压。 Apollo，2026-07-09 <https://www.apollo.com/wealth/insights-news/insights/daily-spark/a-slower-ai-payoff-would-be-everyones-problem> 这个提醒有意思的地方在于，它不是在否定AI，而是在给AI重新定价。过去市场愿意为“未来生产力”提前买单；现在市场开始问：未来什么时候变成现金流？这其实也是所有组织接下来都会遇到的问题。

AI

AI治理的拐点：真正的红利属于有边界的组织

导语今天值得看的，不是又一个模型发布，也不是某家公司又把AI接进了某个办公软件，而是日内瓦的一场会议。 7月6日，首届“人工智能治理全球对话”在瑞士日内瓦开幕。联合国秘书长古特雷斯在开幕致辞中说，希望这个对话能把全球参与转化为全球行动，让人工智能变得“更安全、更公平、更普及、更符合伦理”。他提出的四个优先事项是：安全、人权、能力建设和透明。这些词听上去很宏大，甚至有点像国际组织文件里常见的表达。但如果放到企业管理场景里看，它其实指向一个很具体的变化：AI竞争正在从“谁更快采用工具”，进入“谁更会设置边界”的阶段。过去一年，很多组织谈AI，关键词是效率、降本、自动化、智能体、全员使用。下一阶段，真正拉开差距的，可能不再是有多少人开通了AI账号，而是组织有没有能力回答几个更朴素的问题：哪些任务可以交给AI，哪些任务必须留给人；哪些输出可以直接进入流程，哪些必须复核；哪些员工行为是创新试错，哪些已经触及数据、合规、伦理和客户信任的边界。一、技术红利的上半场，

AI

AI变慢的时候，组织才真正开始进场

这几天有一条新闻很值得放在一起看：据路透社7月2日报道，Meta内部会议上，扎克伯格承认AI Agent的发展速度没有达到此前预期，相关组织重组也还没有兑现预想中的结果。过去几个月，Meta并不是没有投入。相反，它是最激进的玩家之一：削减岗位、重组团队、把大量员工转向AI相关方向，同时继续维持巨额算力投入。如果只把这条新闻理解成“Meta暂时慢了”，就有点可惜。它更像是AI产业进入下半场的一个小切口：当模型能力、算力预算和组织重组都已经摆上桌面之后，真正难的事情才开始出现——不是让AI回答问题，而是让AI在一个真实组织里稳定地办事。过去两年，AI带来的兴奋感主要来自“能力跃迁”。一个工具突然会写代码、会总结材料、会生成方案、会检索信息，足以让人相信很多工作会被快速重构。于是企业很自然地形成一种期待：既然模型能力进步这么快，组织效率也应该同步提升；既然Agent可以调用工具、执行任务，那么大量流程就应该很快自动化。但真实世界的组织不是一个干净的实验环境。一个Agent要在企业里真正办事，首先要知道自己可以访问什么数据、可以调用什么系统、可以替谁做决定、遇到例外时交给谁、做

AI

标题：当隐形冠军也开始失速：AI时代，优势正在从经验转向学习速度

导语：今天最值得琢磨的一条新闻，不是某个大模型又提升了多少分，也不是某家公司又买了多少GPU，而是《华尔街日报》关于德国Mittelstand的报道：这个曾经被视为德国工业灵魂的“隐形冠军”群体，正在被中国制造企业逼到一个很不舒服的位置。这条新闻表面看是中德制造业竞争，往深处看，其实是一个更大的变化：过去几十年，企业竞争依赖的是经验、工艺、客户关系和稳定积累；而现在，竞争越来越依赖组织的学习速度、重组能力和系统动员能力。AI只是把这个变化加速了。正文：德国的Mittelstand，曾经是管理学和产业研究里很漂亮的一个样本。它们不一定大，不一定出名，却在细分领域做得极深：机器、零部件、工艺设备、专用系统，很多都是全球产业链里“缺了不行、换了很难”的环节。这类企业的优势，过去很清楚：长期主义、工程师文化、稳定的客户关系、代际传承的工艺能力。它们不靠流量，不靠概念，也不靠短期资本故事，而是靠几十年把一个很窄的产品做到极致。但今天的问题是，世界变了。《华尔街日报》今天的报道提到，

AI

驻场工程师时代：AI红利开始考验组织接口

导语这两天有一条新闻很值得放在一起看：微软宣布成立 Microsoft Frontier Company，投入25亿美元，派工程师深入客户企业，帮助它们把AI真正做进业务系统。几乎同一时间，中国6月制造业PMI重回扩张区间，其中高技术出口和AI相关硬件需求仍是重要支撑；国内“人工智能+消费”的政策信号，也在推动AI从实验室、办公桌，继续走向商品、服务和生活场景。表面看，这是AI产业继续升温。换个角度看，它其实说明一个更重要的变化：AI竞争正在从“谁有模型”转向“谁能把模型嵌进组织”。一、AI落地开始从“采购软件”变成“改造现场” 过去一年，企业谈AI，大多还停留在三个动作：买账号、接模型、做试点。一个部门做几个demo，一个团队试一个知识库，一个职能条线跑一个智能助手。热闹是热闹，但多数项目停在了“可演示”而不是“可持续”。微软这次成立Frontier Company的意义，不在于又多了一个AI产品，

AI

AI的第二张账单：效率红利开始进入治理阶段

过去一年，关于AI的讨论有一个共同的底色：先把它用起来。能不能写材料，能不能做代码，能不能查数据，能不能替代一部分分析和客服。很多组织的AI实践，本质上还停留在“工具扩散”阶段——给员工账号，做几场培训，鼓励大家多试。但最近几条新闻放在一起看，味道已经变了。一方面，AI正在更深地嵌入行业工作流。6月30日，FactSet与Google Cloud宣布战略合作，要把Gemini模型、企业搜索和金融数据能力嵌入FactSet Workstation，并共同开发面向组合管理、交易顾问、公司金融等场景的AI agent。这不是再做一个通用聊天入口，而是把AI放进金融专业人士每天使用的数据、研究和决策系统里。另一方面，企业也开始面对AI的第二张账单。7月初，有报道称，UBS近期接触到的企业中，不少已经开始给AI支出“踩刹车”，原因不是不看好AI，而是token消耗、预算上限和投资回报开始变成现实问题。更早一些，关于AI agent token消耗的研究也指出，在复杂任务中，agent的消耗可能呈现高度波动，甚至同一任务不同运行之间成本差异很大，而且更高消耗并不必然带来更高准确率。

AI

AI红利的下一站，是把组织变成可调用的系统

导语有时候，一个宏观数据比一篇热闹的技术报道更能说明问题。 6月30日，国家统计局公布的数据显示，中国制造业PMI回到50.3，重新站上扩张区间。路透社在同一天的报道里，把这个变化和全球AI投资需求联系起来：芯片、计算机和其他AI相关产品的出口需求，正在对中国制造形成支撑。7月1日，RatingDog中国制造业PMI继续处在51.7的扩张区间，二季度平均值达到2020年四季度以来最高。这组数据并不意味着经济已经全面转暖。恰恰相反，它更像是在提醒我们：今天的增长并不是均匀发生的。AI相关产业链在跑，地产和部分消费仍然偏弱；高技术出口在提供增量，但价格和就业端仍有压力。宏观上看，这是一次“结构性恢复”；组织上看，这是一次更深层的分化。 AI红利已经不再只是技术公司的事情，也不只是制造企业多接几笔订单的事情。它正在变成一个更朴素的问题：一个组织能不能把外部技术浪潮，翻译成内部的流程效率、人才结构和决策速度。一、AI正在从“需求故事”变成“产能故事” 过去两年，很多人谈AI，谈的是模型、参数、算力、应用入口。那是技术供给侧的语言。今天从PMI和出口链条里看到的AI，则更接近产

AI

AI红利不是订单，而是组织再设计

导语昨天公布的6月PMI有一个值得放在一起看的细节：制造业PMI回到50.3的扩张区间，外部报道把这一轮改善与AI相关硬件和高技术出口联系在一起；同一天，AWS宣布投入10亿美元建立一支面向客户现场的“嵌入式AI工程师”团队，把工程师直接派进客户组织，帮助客户把AI写进真实流程。这两件事看似一件在宏观，一件在企业服务，其实讲的是同一个主题：AI红利正在从“有没有模型、有没有算力、有没有订单”，转向“一个组织能不能把新技术吸收到自己的流程、岗位和决策机制里”。主体一、AI正在托起一部分增长，但增长的质地并不均匀 6月制造业PMI重回扩张，表面看是一个温和的景气修复信号。生产指数、新订单指数同步改善，说明制造端和需求端都有边际好转。但更值得关注的是结构：高技术、AI相关硬件和出口需求更强，小企业、就业、价格等指标仍然偏弱。这意味着我们面对的不是传统意义上的全面复苏，而更像是一种结构性托底。AI产业链、绿色技术、智能终端相关环节在向上走；地产链、传统消费、低端制造和部分服务业仍在承压。宏观数据好一点，不等于所有企业都好一点；产业有增量，不等于组织自然获得红利。这也是

AI

AI 的下一站，不是替代人，而是重新定义消费

这几天看到一条新闻：商务部等 8 个部门发了一个关于“人工智能+消费”的文件。这种新闻平时很容易被扫过去。因为标题看起来像政策文件，里面又是智能手机、智能电脑、智能家电、AI 眼镜、智能网联汽车、养老机器人、陪伴机器人、AI 生活助手这些词。每一个都听过，每一个好像也都不新鲜。但我觉得，这件事还是值得多看一眼。过去两年，我们谈 AI，更多是在企业里谈。它能不能帮我们写材料、写代码、做会议纪要、做客服、做培训课件、做人力数据分析。说到底，大家最关心的是一件事：它能不能帮组织提效。这是很自然的。企业总是先从效率看技术。一个新工具，如果能少花时间、少用人、少返工，就有价值。但“AI+消费”讨论的其实是另外一个问题：AI 能不能让普通人重新产生购买理由？这就不一样了。

管理

HR进入战略核心之后，为什么反而更难？

* 原文：使命驱动（Mission）——特斯拉7任人力资源负责人深度研究读完那篇特斯拉七任 HR 负责人的梳理，我没有被“使命驱动”四个字打动，反而是一个数字让我停了一下：七任。二十年，七任人力资源负责人。有人干了八年，有人只待了一年多。这个频率本身就说明了一件事：特斯拉的 HR 不是在一个稳定制度里自然运转，而是在一家高度依赖创始人意志的公司里，反复寻找那个“此刻最合适的人”。这件事比特斯拉那些经典管理语录更值得看。使命不是口号，是一套筛选机制很多公司都讲使命。但在大多数组织里，使命更像墙上的一句话。开会时会念，年会时会讲，招聘页面上也会放。但它很少真正进入人的选择、评价和淘汰。特斯拉不太一样。它把“加速世界向可持续能源转变”这句话，变成了人才筛选的第一道门槛。不是先筛学历，不是先筛大厂背景，而是先筛一个人愿不愿意为了一个长期目标，承受短期的高压、不确定性和反常规节奏。这不是鸡汤。这是很硬的一套机制。 Arnnon Geshuri 从 Google

当AI开始制造通胀：效率革命之前，先是一场资源争夺 导语