思考

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

管理

缩量淘汰赛里，腰部车企最怕把“活着”误认为“赢了”

李斌在重庆汽车论坛上给了一个判断：2026 年国内汽车零售量可能同比下滑 15% 到 20%。 这个判断之所以值得看，不只是因为数字难看。乘联分会的数据已经把背景铺出来了：今年前五个月，国内乘用车零售累计销量同比下跌约 19.5%；6 月第一周零售 22.8 万辆，同比下降 23%，环比 5 月同期也下降 11%。 更值得玩味的是，新能源渗透率还在继续往上走，6 月第一周已经到 66.7%。也就是说，行业不是简单地“新能源不好卖了”，而是在一个总量收缩的市场里，新能源继续挤压燃油车，主机厂之间再重新分配更小的需求池。 这时候，腰部车企和供应商面对的问题，就不是“保利润”还是“拼份额”这么简单。 真正的问题是：自己还有没有资格参与下一轮牌桌。 如果有资格，短期可以流血，但必须有边界、有目标。 如果没有资格，

AI

黄仁勋的极简 AI 经济学

黄仁勋那句“买得越多，省得越多”，第一次听起来很像一个顶级销售的促销话术。 问题是，他卖的东西并不便宜。GPU 很贵，数据中心很贵，电力、网络、散热、土地和资本成本也都不便宜。如果只按传统 IT 采购的口径去看，这句话甚至有点反常：买得越多，明明花得越多，为什么会省？ 这里真正要拆开的，不是价格，而是单位产出。 黄仁勋讲的“省”，不是供应商给了多少折扣，而是加速计算把一件事的时间、电力、人力和机会成本同时压下来。原来要十小时跑完的任务，现在十分钟完成；原来不值得单独自动化的流程，现在可以被低成本推理覆盖。这个时候，贵的不是 GPU，贵的是继续用低效方式处理同样的问题。 所以，这套“极简 AI 经济学”的第一层，其实很简单： 电力 + GPU + 模型 = token。 把电力送进数据中心，用

AI

SpaceX 上市，真正上市的不是一家火箭公司

刷到 SpaceX 上市的消息，最容易被那些数字带着走。 募资规模、估值、市值，个个都大。大到最后，人反而容易只记住一个结论：马斯克又赢了一次。 但我觉得，这件事不能只当成一家火箭公司敲钟。 SpaceX 上市，本质上是一个过去长期处在封闭系统里的东西，第一次被放到公开市场里定价。 这个系统里，有私人资本的耐心，有政府订单的支撑，有可回收火箭带来的工程冲击，也有马斯克个人叙事的放大。过去它可以在相对少数人的共识里运行，现在要接受每天开盘、收盘、财报、事故、延误和监管的共同检验。 这才是最值得看的地方。 第一层，是技术和商业的关系变了。 SpaceX 最早打动市场的，是可回收火箭。它把“上天”这件过去高度依赖国家预算和少数承包商的事，做成了一门可以持续迭代的工程生意。 但现在支撑估值的，已经不只是发射本身。 真正被定价的，是发射之后的那一整层空间基础设施：Starlink、卫星互联网、未来的轨道算力，甚至更远的火星叙事。 说白了，市场买的不是一支更便宜的火箭队，而是一个产业链上移的可能性。 从运载工具，

管理

清官之害：读《老残游记》想到的组织灰度

有些书，年轻时读是看故事，隔几年再读，就会看到人和权力之间更隐秘的关系。 《老残游记》给我的这种感觉尤其明显。它不像很多晚清谴责小说那样，把矛头主要对准贪官污吏。刘鹗真正写得用力的地方，反而是那些看起来更“正确”的人：清廉、刚直、有名声，也自认为站在正义一边。 所以那句“赃官可杀，清官更可杀”，读起来才让人心里一沉。 它不是在替贪官开脱，而是在提醒我们：有一种恶，不是从欲望里长出来的，而是从自以为正确里长出来的。前者容易识别，后者更难防范。 清官为什么更难纠偏 《老残游记》里写刚弼，很值得反复看。 他不是传统意义上的坏人。他不收钱，不徇私，也不贪图享受。放在任何一个组织里，这样的人都很容易被视为“可靠干部”：不犯错、守规矩、有原则，甚至有一点让人放心的 कठ。 但问题也正出在这里。 刚弼办案时死扣教条，刚愎自用。他相信自己的判断，也相信自己的清名。越是这样，他越没有退路。