曾鸣第三次「看十年」公开课的整理稿今天上午刚发出来——笔记侠整理，两万多字，讲的是他在杭州湖畔创研中心那场演讲。他开场第一句不是讲趋势，是讲自己的状态：
我这两个月越来越不焦虑了，因为很多东西越看越清楚。
这句话让我停了一下。过去两年 AI 圈的主流情绪恰恰相反——所有人都在焦虑：模型会不会又换代、投入那么大为什么效果不好、拐点到底在哪。而曾鸣是阿里巴巴集团前总参谋长、两次被 Thinkers50 评为全球最具影响力的战略思想家，他的「不焦虑」不是安慰，是一个判断：AI 刚进入第二阶段的开场，应用大爆发还没真正开始，浏览器还没有出现，所有人都在同一条起跑线上。
这场演讲被拆成六个命题（智能商业、AI 原生、产业化阶段、价值创造、创智组织、智能战略），两万多字。但对我最有冲击的只有一个论断，它藏在第一节，篇幅不长，却把我这两年一直在做、却说不清的事一句话说穿了：
真正创造巨大价值的是打开新的供给。好的私人医生、好的老师、好的理财顾问，旅游时能给你真正建议的可信的信息专家，任何一个方面我们都觉得好的供给太少、太稀缺。
不是把现有服务做得更快更便宜，是 让一批过去根本不存在的市场出现。而它之所以现在可能，是因为 AI 把满足每个人具体需求的交付成本打到了极低——低到过去只有富人和大公司买得起的东西，正在变成默认配置。
一、为什么「降本增效」注定让人失望
这两年一个普遍的体感是：AI 投入那么大，效果却不好。
曾鸣给的解释很硬，而且不留情面：
因为 AI 还不够聪明、还太贵，我们今天看到的 AI 使用，都是在试图替代简单、重复、相对低价值的人工。这也是为什么这两年大家总觉得 AI 投入那么大、效果却不好，根本原因是从第一天开始，它产生的价值创造天花板就非常有限。
翻译一下：你现在用它省下的钱，本来就没多少钱。 一份周报从两小时压到二十分钟，省下的是一小时人力；而这一个小时原本创造的价值，本来就有限。投入是新的（模型调用、工程改造、流程重设计），省下的却是存量的边角料——这就是他说的「错配」。
这个判断我认为是对的，而且它有一个更扎人的推论：「降本增效」不是 AI 的初级阶段，是 AI 被误用的阶段。
任何一次大的技术创新，最开始都拿来做降本增效——蒸汽机先用来抽矿井的水，电先用来替代煤气灯。这个阶段必须走，因为只有进了真实场景，技术才会成熟。但如果你把整个战略押在这一段，你就是在用一项通用技术的第一个应用场景，去赌它的全部价值。
真正的大价值在另一侧：打开新的供给。
好的私人医生为什么稀缺？不是因为世界上懂医学的人太少，是因为一个能持续跟踪你、了解你全部病史和生活方式、随时能回答你的好医生，服务你一个人的成本，是你付不起的。这个服务在市场上 根本不存在，不是因为没人想要，是因为交付不起。
好的老师同理，好的理财顾问同理，「旅游时能给你真正建议的可信的信息专家」也同理。这些需求的共同点是：需求早就在那里，无限地在那里，只是从来没有被定价、被交付过。
曾鸣的原话是「人心是贪得无厌的，愿望是无穷无尽的」——我们现在觉得供给已经内卷得一塌糊涂、所有能被满足的需求都被满足了，「实际上完全不是这样……简单的同质化供给当然严重过剩」。
过剩的是同质化供给。稀缺的是 为你这一个人、在此刻这个场景下 的供给。而后者过去无法规模化，只有一个原因：交付它需要一个人（专家、老师、顾问）把注意力专门给你。人的注意力不能复制，所以个性化服务的成本永远下不来。
AI 第一次让「专门为你」这件事可以复制。 这才是全部变化的源头。
二、从「匹配」到「交付」：这一步跨越了四代系统
我在 同一个生意做了四遍：从搜索到 Agent，万物皆排序 里拆过一个规律：搜索引擎、广告系统、推荐系统、Agent 系统，本质是同一个生意做了四遍——在供给和需求之间当中介，提升匹配效率，然后从中抽税。
曾鸣给了这条线一个更长的历史坐标：
过去三十年商业进步背后就是两个技术突破，搜索和推荐，AI 会带来第三次技术突破。
而第三次突破的性质，跟前两次 不一样。这个差别是全文最关键的机制，值得说透：
| 搜索 / 推荐 | AI | |
|---|---|---|
| 干的事 | 从现成供给里 挑 最接近你的 | 为你的意图 生成 当下最合适的组合 |
| 对你的理解 | 从你的行为、和与你相似的人的行为 猜测 | 持续对话中 知道 |
| 供给约束 | 供给是固定的商品库 / 内容池 | 供给可以被实时组装、临时生成 |
| 收入来自 | 匹配税：广告、佣金、注意力变现 | 对结果负责，直接交付结果 |
| 个性化的上限 | 千人千面（分群） | 一人千面（此时此地此人） |
曾鸣那句关于推荐的话，是我今年读到的最锋利的产品判断之一：
推荐本质上还是从人的行为、特别是和你相似的人的行为，来猜测你可能的需求，AI 不用猜测，AI 就是知道。
「猜」和「知道」的差别，不是精度差别，是 成本结构差别。
推荐系统猜你，是因为它不认识你——它只能通过「和你相似的人做了什么」来推断，所以它必须维护一个巨大的商品库/内容池，然后在你身上做匹配。这套系统的价值上限被供给池锁死了：池子里没有的东西，它推得再准也变不出来。
AI 知道你要什么，是因为它可以 跟你聊、替你办、为你现做。于是它的价值不再受供给池限制——池子里没有，它可以去全网找；找不到，可以让供给方按需生成；实在没有，它可以自己交付。
这就是曾鸣说的分界线，我认为是全篇最该被产品人划出来的一句：
第一步还是意图匹配，商品要从现成的商品库中去选。更长远的第二阶段，是需求与供给同时生成。
匹配是在存量里分配，交付是创造增量。 过去三十年所有互联网公司赚的都是匹配税；AI 时代真正的大钱，在「过去交付不起、所以从来没被服务过」的那片空白市场里。
这也解释了他对 Manus 那类产品的评价——用户用了觉得「体验好像还没有那么大变化」，本质上是因为「供给侧还没变化，他们是用现有的存量产品和服务做效率提升。供给侧的变化才能带来体验的实质性飞跃」。
三、这件事在我自己身上已经发生了
抽象讲不如看一手案例。我说两个我自己身上的。
第一个，企业侧。 两周前我写过 AI 时代的中小企业，需要一台 AI 路由器。那篇的起点是一个纯供给问题：配置复杂网络，过去需要有人真的懂 VLAN、NAT、策略路由、DNS、防火墙、VPN。这种人在市场上稀缺且昂贵，中小企业养不起——所以它们的网络要么外包给服务商（贵、响应慢），要么由某个「懂点电脑的同事」兼职（错一次全线断网）。
这不是需求问题，是 交付成本问题。需求一直都在：中小企业当然想要一个专业网络工程师。
而当路由器具备结构化状态查询、事务化变更、自动化验证和可靠回滚之后，AI 就能从「网络配置顾问」变成「网络运维工程师」——它可以读懂当前状态、生成变更计划、在隔离环境测试、失败自动回滚。交付一个「专业网络工程师」的边际成本，从一份年薪，变成几次模型调用。
这就是「过去只有富人和大公司买得起的服务，正在变成默认配置」的具体形态。 一家十个人的公司，第一次可以有一个不睡觉、不出错、成本可忽略的网络专家。这个市场过去不存在，不是因为没人想要。
第二个，个人侧。 我的钉钉数字员工「涌现」每天早上八点跑一轮「早读」：读公众号后台、读 GA、digest 小红书、更新 token 消耗、读 aibase，五步，预算一小时，跑完把报告发给我。
这是一份完全为我一个人定制的信息服务。它关心什么栏目、按什么口径汇总、哪些异常要报哪些不用报，全是我一个人的偏好——这种服务在市场上的定价方式是：雇一个助理，或者订一份行业情报服务（后者是「千人一面」的，因为它必须服务很多人才能摊薄成本）。
而它的真实成本是一段 SPEC 加几次模型调用。我在这件事上花的时间，主要是 把「我要什么」说清楚——这正是我在 做好一个钉钉数字员工，只有三件事 里写的 SPEC 与 Evals。
两个案例的共性，我认为就是这次变化的全部机制：
需求存在（一直都在，无限地在那里）
↓
过去：交付需要专家工时 → 工时不可复制 → 成本无法摊薄 → 市场不存在
现在：交付需要「说清目标 + 验收规则」→ 判断可固化复用 → 成本趋近边际 → 市场出现
# generated by hugo AI
关键的一步不是「AI 会写代码了」，是 专家工时被替换成了可复用的判断。工时每次都要重新付费，判断说清一次就永久生效。
四、最强反方：交付成本没降，只是搬了家
必须正面回应一个反方，因为它相当有力：
你说成本坍缩了，可成本明明还在。 token 要钱，工程改造要钱，SPEC 要人写，Evals 要人定，最要命的是——AI 交付的结果对不对，最后还得人来判断。你只是把「雇专家」的钱，换成了「雇人验收」的钱，甚至更贵，因为验收一个你不知道怎么做出来的东西，比自己做一个还难。
这个反驳有一半是对的，而且对的那一半正是我这篇的落脚点。
成本确实没有消失，它 换了地方：从供给侧的专家工时，转移到需求侧的判断与验收。但这个转移不是等价的搬家，因为两边的经济学性质完全不同：
| 专家工时（旧成本） | 判断与验收（新成本） | |
|---|---|---|
| 是否可复用 | 不可，每次都重新付费 | 可，说清一次永久生效 |
| 是否随规模递减 | 不递减，服务 100 人要 100 份 | 递减，同一条 SPEC 服务所有人 |
| 谁承担 | 服务商，最终转嫁给用户 | 用户自己，但用户本来就在判断 |
| 能否沉淀为资产 | 不能，随人离职归零 | 能，变成 SPEC / Evals / Skill |
第三行是最要紧的：用户本来就在为自己的需求做判断，只是过去这个判断无法兑现成交付物——你想清楚了要什么，市面上没有，你还是只能买一个凑合的。现在判断可以直接兑现了。所以这不是新增成本，是 过去被浪费掉的那部分成本第一次产生了回报。
我在 品味不是一块，是三半：其中一半正在贬值 里写过这个分化：最佳实践的理解正在被模型吃掉，判断结果好坏的能力在涨价，而 把判断固化成载体的能力 决定前一半死掉之后后一半能不能留下来。个性化交付成本坍缩，本质上就是「固化判断」这件事第一次有了商业回报——你写的每一条 SPEC、定的每一条验收规则，都在把一个原本不存在的服务变成可交付的。
至于「验收比自己做还难」——这在今天部分成立，也正是当前 Agent 落地最大的瓶颈。曾鸣在同一场演讲里把它点成了 Agent 能力的第三阶段：
Agent 还有第三个在应用阶段必须克服的、最重要的技术创新，就是要能够负责任。如果 AI 不能对结果负责，我们还是不敢把任务交给它。
所以诚实的说法是：交付成本已经坍缩了，验收成本还没有。 前者是既成事实（我的早读任务、AI 路由器的变更验证都在跑），后者是接下来两三年真正的战场——这也是他判断「浏览器还没出现」的实质含义：不是模型不够强，是 低成本的用户交互方式（让普通人容易表达意图、建立信任、验收结果）还没被发明出来。
五、这对做产品的人意味着什么
如果上面的判断成立，有两个直接推论，我认为比「要拥抱 AI」有用得多。
第一，别再卷匹配了。
在存量供给里把推荐做得更准，是在一个已经被四代系统抽了三十年税的池子里抢份额。曾鸣说得很直接：未来商业的竞争，「最重要的是抢夺人类表达真实意图的第一入口。你愿意跟谁聊，那个 AI 就掌握了你的真实信息，它可能就是你商业化开始的地方」。
意图入口之争不是匹配精度之争。你不可能靠「比对手更懂用户画像」赢，因为对手也在猜；你能赢的方式是 让用户愿意把意图直接告诉你——那需要的是信任和一个能兑现意图的交付能力。
第二，去找那些「需求无限、供给为零」的领域。
判据很简单，问三个问题：
- 这个服务今天有没有人想要？（需求侧：普遍、强烈、长期存在）
- 它今天为什么没有被规模化交付？（如果答案是「技术上做不到」，那不是机会，是坑；如果答案是「需要一个专家把注意力专门给你」，那就是机会）
- AI 能不能把「专门给你」的边际成本压到接近零？
三个都答「是」的地方，就是一个过去不存在、现在可以创造的市场。曾鸣点名的私人医生、好老师、理财顾问、可信的旅游信息专家，全都符合。而在我自己的射程里，中小企业的专业 IT 运维、个人级的信息情报服务、小团队的组织级知识管理，也都符合。
顺带说一句组织侧的变化，因为它和这条判据是同一件事：当个性化交付成本坍缩，「标准化、规模化、一致性」这个工业时代前提就失效了。 所以曾鸣说组织的基本单元要从岗位变成任务——「能变成任务，是因为 AI 技术可以把公司的运行放在颗粒度更细、更具体、更实时的任务流上，不需要把重复的任务固化到一个岗位上」。传统公司创新难，正是因为大部分事情都固化在岗位上，跨部门衔接和超越流程的动作变得极其困难。
回到开头那句「我这两个月越来越不焦虑了」。
我现在理解他不焦虑的原因了：焦虑来自不确定，而这件事的机制其实是确定的——当「专门为你」的成本从一份年薪变成几次调用，一批过去因为交付不起而不存在的市场，会一个一个出现。 不确定的只是哪个先来、由谁来做、要多长时间。
这不是效率故事。效率故事的上限是省下你已经花掉的钱；这是一个 需求边界外移 的故事——它的新增部分是过去三十年里，所有想买而买不到的人。
一个问题留给你：你手上正在做的那个 AI 产品，是在把一件 已经在卖 的事做得更便宜，还是在交付一件 过去根本卖不了 的事？如果是前者，你的天花板从第一天就定好了；如果是后者，恭喜你在造一个新市场——那你有没有把「用户怎么验收结果」这件事，当成和「AI 怎么做出来」同等重要的问题？
欢迎留言聊聊。