-当智能成为新的基础设施，企业的竞争优势将从何而来？阿里巴巴前总参谋长曾鸣基于长期商业实践与前沿观察，深入探讨智能时代的商业、组织与战略。
-不讲AI工具和技术细节，而是关注企业经营核心的问题：增长、组织与竞争优势。
-从Agent崛起到智能协同，解析AI如何改变企业的运行方式与决策逻辑。
-从“规划未来”到“持续生成”，重新理解AI时代的战略思维。
-一本写给企业家、创业者和管理者的AI时代经营指南，看清未来十年的关键趋势；帮助管理者读懂AI时代企业如何增长、组织如何进化、战略如何应对不确定性。
今天，人工智能正在成为新的基础设施，智能逐渐成为核心生产要素，企业创造价值、组织协同与制定战略的方式都将发生深刻变化。

本书回归一性原理，系统性地构建了一个以智能为核心的全新商业思想框架，完整勾勒出智能时代的底层操作系统。在本书中，曾鸣从商业、组织与战略三个维度出发，阐释智能时代正在形成的新增长逻辑、新组织形态与新竞争规则。他提出“智能复利”“黑洞效应”等概念，揭示出未来竞争优势的来源；通过对智能体、调度系统与组织OS的分析，探讨了企业组织的演化方向；并进一步指出，随着环境变化速度不断加快，战略将从基于预测与规划的管理工具，逐渐演变为持续学习、持续反馈和动态生成的过程。

本书帮助我们理解，在AI时代，企业将如何创造价值，组织将如何运行，竞争将如何展开，以及未来的商业世界将走向何方。
前言　...V
一章　AI 产业化的展开：从智能体爆发到系统级重构
AI 发展一阶段：基础设施建设基本成型　...005
AI 发展第二阶段：智能体大爆发　...010
AI 发展第三阶段：AI 操作系统的出现　...024
一个新时代真正开始的地方　...032

第二章　智能复利和黑洞效应
智能复利　...039
智能复利和竞争优势　...044
当学习变得不可复制时，黑洞效应如何形成　...047
推动智能复利的飞轮　...052
总结　...058

第三章　一人千面——智能商业范式大变革
从千人一面，到千人千面，再到一人千面　...066
意图理解—商业起点的根本迁移　...075
需求生成—商业一次参与需求的创造　...080
需求判断力—在无限可能中识别真正重要的需求　...083
意图匹配　...088
需求与供给同时生成—“一人千面”的真正基础　...090
从供应链到实时协同网络　...092
智能调度—商业系统的新操作系统　...097
“一人千面”—新商业文明的底层逻辑　...111
给创业者的建议　...114

第四章　AI 时代的组织新逻辑
为什么传统公司制度和管理理念开始失效　...120
创造力革命和创智人才　...129
从信息协同到认知共创　...135
共生智能体—AI 时代组织的新本质　...142
组织OS—共生智能体的基础设施　...148
新领导力—从管理者到系统架构师　...154

第五章　智能战略——愿景驱动的战略生成
从规划到发现—战略范式的历史跃迁　...163
愿景—给出解释框架与方向约束　...167
行动—战略生成的起点机制　...179
反馈—未来显现的真实信号　...183
理解—在反馈中重构对未来的判断　...187
战略生成系统—算法、算力与数据的统一　...194
张力机制—在长期方向与现实反馈之间保持一致　...203
战略共创　...210
战略能力—从制定战略到生成战略　...217

第六章　新文明的起点
新文明的根本变化　...223
社会大变革　...225
创业者的角色变化　...232
曾鸣书院创始人，
阿里巴巴集团前总参谋长，
湖畔创业研学中心前教务长。
两次被Thinkers50评为年度全球具影响力的战略思想家。
 
1991年毕业于复旦大学，1998年获伊利诺伊大学厄巴纳-香槟分校博士学位，同年加入欧洲工商管理学院任教。2002年回国，参与创建长江商学院。2003年起担任阿里巴巴集团战略顾问，2006年正式加入阿里巴巴集团，任战略部资深副总裁，2008年至201５年担任集团总参谋长。在此期间，参与了阿里巴巴有重大战略决策，对淘宝生态系统的建设及阿里云公司的创立做出了重要贡献。2014年，参与筹办湖畔创研中心，并搭建了创新的教学体系。2019年从阿里巴巴集团荣退。
 
曾鸣的学术与思想影响力同样深远。在美国，他于2007年合作出版英文版《龙行天下》（Dragons at Your Door），是全球较早研究中国企业国际竞争力的专著之一，并被广泛引用；2018年出版英文版《智能战略》（Smart Business），再次引发全球关注。在中国，2004年出版的《略胜一筹》成为战略领域典著作；2018—2019年问世的《智能商业》《智能战略》提出了诸多影响深远的原创商业思想。近年来，曾鸣书院的公众号与视频号也成为业内广具影响力的研究平台之一。通过20余年的教学、研究与战略实践，曾鸣教授影响了一代又一代中国企业家。
一章　
AI 产业化的展开：从智能体爆发到系统级重构
2022 年年底人工智能聊天机器人 ChatGPT 发布，仅仅两个月内，月度活跃用户数迅速突破一亿，成为历史上增长快的消费级应用。随后，大模型竞争快速展开，谷歌、Meta、 Anthropic 等公司迅速推出相关产品；在中国，豆包、千问、 DeepSeek（深度求索）、MiniMax、Kimi 等产品陆续推出，整个产业进入了有的高速发展阶段。
短短 3 年内，人们已经习惯了一个能够理解语言、生成内容、写代码、分析问题的“越来越聪明的聊天机器人”。大模型一次让人们看到：知识和智能，开始被机器大规模生成与调用。
2026 年一开年，OpenClaw 大爆发，智能体迅速出圈。在模型能力大幅提升、API（应用程序接口）开放、协议标准完善和开源社区发展这 4 个因素的支持下，OpenClaw 可以调用软件、操作电脑、写代码，展现了持续在线、主动执行任务的巨大潜力。随后，新的产品不断涌现，关于 orchestration（编排）、harness（封装）、AI OS（人工智能操作系统）等方向的探讨也越来越深入。
OpenClaw 开启的是从“对话式 AI”向“行动式 AI”的历史性跃迁，也预示着 2025 年年初 Claude Code（Anthropic 公司推出的终端 AI 编程助手）开启的智能体时代开始有了实质性的大发展。当 AI 进入这个新的发展阶段，游戏规则会发生什么变化？企业怎样才能建立自己的竞争优势，赢得这个阶段的胜利？这些是本章试图探讨的问题。
虽然 AGI（通用人工智能）技术有地强大，但通用技术在产业化过程中还是有一些普遍规律的，这是由人性和社会发展的基本特征决定的。借鉴前几次工业化发展的历史经验，我把 AGI 的发展划分为 3 个阶段。
一阶段是基础设施建设阶段。大模型厂家之间的激烈竞争，推动了通用智能的快速成熟，也让获取智能能力的成本急剧下降。智能开始一次像互联网、电力、云计算一样，被越来越多人稳定调用。
第二阶段是智能体的大爆发阶段。海量用户开始探索如何使用智能体完成真实任务。适用于不同场景、具备不同能力组合、支持不同工作流的智能体快速涌现。我们正在加速进入这个阶段。
第三阶段则是系统级新结构逐渐形成的阶段。大量智能体开始协同运行后，系统会逐渐从“能力调用”走向“任务调度”，并进一步形成新的系统结构。今天人们讨论的 AI OS，本质上就是在这一方向上的探索。
需要特别说明的是，这里的讨论重点是 AGI 产业化的发展路径，不涉及 ASI（超级人工智能）的发展。

AI 发展一阶段：基础设施建设基本成型
工业时代重要的基础设施，是能源；互联网时代重要的基础设施，是信息网络；而 AI 时代，一个新的基础设施正在形成：可被持续调用的通用智能。随着大模型能力的持续提升，智能开始以一种统一的方式被调用。无论是文本处理、代码生成，还是更复杂的推理过程，都逐渐可以通过 API 被调用，以 Token 作为基本计量单位，并在调用过程中持续产生价值。这次 AI 技术革命的本质，就是用越来越低的成本生产越来越强大的人工智能。人工智能正在成为重要的生产资料，被越来越多的人调用。人工智能开始成为未来经济发展重要的基础设施。
理解这一点非常重要，因为有真正重大的产业变化，通常都不是在技术刚刚被发明的时候发生的。真正深刻的变化，往往发生在技术的基础设施化之后。蒸汽机发明之后，并不是立刻就出现了现代工业体系；互联网在 20 世纪 90 年代初出现之后，也不是立刻就形成了今天的平台经济。真正推动整个社会重构的，是这些新技术逐渐变成一种稳定、低成本、可大规模调用的公共能力，并让整个社会开始围绕它重新组织。
2026 年，基于 Token 形成的共识，标志着 AI 一阶段发展初步成型。在英伟达GTC 20261上，黄仁勋提出了“Token factory”（词元工厂）的说法。在他的描述中，未来的数据中心本质上是在生产 Token，就像工业时代的炼油厂持续输出能源一样。这一表述，把原本抽象的大模型能力，转化为一种可以持续生产、持续消耗的资源。萨姆·奥尔特曼也反复强调，OpenAI 所提供的并不是某一个具体应用，而是 Token 本身。也就是说，AI所提供的是一种可以被调用的基本能力。把这些来自不同公司的表述放在一起看时，我们会发现它们在指向同一个变化。
首先，这些能力开始具备可计量性。每一次调用都可以被精确记录，这使得按需获取智能成为可能。Token 成为一种统一的能力单位。无论是代码生成、内容创作还是复杂推理，都可以被量化。这种变化看似只是商业模式问题，但其实意义非常深远。因为一旦能力开始被精确计量，它就开始具备工业化条件。成本结构会越来越清晰，规模效应会越来越明显，整个产业会开始围绕这种能力形成新的资源配置方式。
其次，这些能力开始具备可组合性。不同类型的能力—生成、理解、推理、编程—通过统一的方式被调用，使得开发者可以在这些能力之上进行组合，而不需要关心底层实现。这使得构建新系统不再是从零开始，而更像是在已有能力之上进行组织。
后也是更重要的，这些能力开始具备规模化使用的条件。随着调用方式的统一，以及成本结构的逐渐清晰，Token的使用量在不同产品中快速增长。这种增长不仅来自开发者，也来自用户在日常使用中的持续消耗。
例如，Claude Code 出现之后，大量程序员一次形成了一种新的工作习惯：让 AI 长期驻留在开发流程之中。过去程序员使用 AI，更多的还是偶尔辅助；而今天，越来越多的开发者已经开始形成与 AI 持续协同的工作方式。AI 不再只是偶尔帮助他写几段代码，而是开始参与整个开发过程。很多程序员已经不再自己写代码，而是全部交给 AI 了。
类似的变化，也正在大量企业内部发生。越来越多的创业公司开始默认：面对任何问题，先思考 AI 是否能够参与解决。很多过去须依赖完整团队才能完成的工作，现在可以在 AI的配合下，由少数人完成。一个产品经理加几个智能体，就可能完成过去需要一个团队很长时间才能完成的工作。
当人工智能同时具备可计量、可组合、可规模化使用这三个特征时，它就具备了“基础设施”的性质。人类一次开始把智力本身，转化成一种可以被大规模调用的能力。
这件事情的重要性，很可能不亚于工业革命时期人类第次大规模掌控能源。工业革命真正伟大的地方并不只是蒸汽机本身，而是人类一次能够稳定、低成本、大规模地调用机械动力。也正因如此，整个工业体系、现代工厂、全球制造网络才真正开始形成。互联网革命也是如此。真正改变世界的，并不只是 TCP/IP 协议（传输控制协议 / 网际协议），而是信息连接一次成为一种稳定、低成本、全球化的公共能力，整个社会随后才开始围绕这种能力重新组织。
今天，AI 也正在进入类似阶段。过去，智力始终是一种高度稀缺、难以复制的资源。优秀的判断、复杂的分析、跨领域的理解、持续的推理，这些能力往往高度依赖受过长期训练的人类个体。一个组织的发展速度，很大程度上也受限于高水平认知能力的供给速度。
但今天，这个边界开始一次被真正突破。越来越多过去只能由具备高水平知识的工作者完成的事情，开始被 AI 系统部分承担。程序员开始长期与 Claude Code 协同开发，研究人员开始让智能体持续跟踪行业信息。这一变化背后真正重要的不只是效率提高，而是智力开始一次真正成为一种社会化生产能力。2026 年 Token 消耗量的几何级增长，表面上看只是调用量的变化，但本质上意味着：越来越多真实世界的任务，开始持续依赖智能系统完成。
AI 开始驻留在开发系统中，进入研究系统，进入运营系统，进入企业决策系统。也就是说，AI 正在从工具逐渐变成基础运行能力。这是 AI 产业化真正开始成熟的标志。因为一旦智能真正像水、电、云计算一样被大规模调用，整个商业世界就会围绕它重新组织。未来，很多今天看起来理所当然的组织结构、岗位分工、管理方式、商业流程，很可能都会因此发生变化。
工业革命改变的从来不只是工厂，互联网改变的也从来不只是媒体，而 AI 真正将改变的，很可能是任务本身被完成的方式。

AI 发展第二阶段：智能体大爆发
从对话到任务完成：智能体的爆发
在过去3 年中，以对话为核心的交互方式是这一轮AI 重要的入口。用户通过自然语言表达需求，系统生成回应。这种方式大地降低了使用门槛，也让复杂能力可以被更广泛地触达。
在这一阶段，AI主要解决的问题是知识层面的：理解问题、生成内容、辅助决策。无论是写作、编程还是分析，这些任务在很大程度上都可以被转化为“生成一个更好的答案”。也正因如此，对话成为自然的载体。
但用户开始期待系统能够围绕一个目标，持续推进任务，直到获得结果。当人工智能足够强、调用足够方便时，人们自然会尝试把它用于更复杂的场景。而一旦进入这些场景，对话这种交互方式的限制就会变得愈加明显。
例如，一个多步骤任务若仅仅通过多轮对话来推进，就会很快遇到边界。每一步都需要重新描述上下文，每一次决策都依赖用户手动链接，这种方式在任务规模较小时尚且可行，但一旦复杂度上升，成本就会迅速增加。
更重要的是，对话本身并不承担执行责任。它可以提供建议，可以生成方案，但真正的执行仍然需要用户在不同系统中完成。这意味着，AI 仍然停留在辅助的位置，而没有进入任务本身。
当一个 AI 系统需要完成一个真实任务时，它至少需要具备 3 类能力：理解目标并拆解任务，调用外部能力或资源，以及在执行过程中根据反馈不断调整路径。这 3 类能力一旦组合在一起，就已经不再是单纯的对话能力，而更接近一个可以自主行动的系统—智能体。
今天很多关于智能体的讨论，仍然停留在 AI 工具升级的层面。但实际上，智能体真正重要的地方并不是“更聪明”，而是它开始围绕目标，在时间维度上持续运行。这是一个非常关键的变化。传统软件本质上是功能集合，用户调用一个功能，完成一次操作。而智能体越来越像一个持续存在的工作单元。它会理解目标，拆解任务，调用能力，并根据反馈不断调整路径。用户一次开始明显感觉到：AI 不再只是一个工具，而开始像一个真正参与工作流程的协作者。
这个变化为什么如此重要？因为它意味着，AI 一次真正开始进入现实生产过程。过去的大模型虽然已经很强，但仍然主要停留在知识生成层；而智能体的出现，意味着 AI 开始进入任务执行层。工业时代真正重要的变化，并不是机器能够提供动力，而是机器开始进入生产流程；互联网时代真正重要的变化，也不是信息可以被传播，而是互联网开始进入商业协同系统。
当 AI 能够从“对话”走向“任务执行”时，它的价值就会大大提升；同时，开发智能体的门槛和成本大幅下降，智能体的数量开始迅速增加。不同场景、不同任务、不同细分需求，都可能催生某种形式的智能体。
智能体本质上是 skills（技能）的组合。不同的智能体，以不同的方式组合不同的能力，去满足不同类型的任务需求。这里要特别强调一点：skills 是能力单元，智能体是价值创造单元。skills 可能包括信息搜索、内容理解、文本生成、数据分析、代码执行、工具调用、页面操作、计划制订等。单个skill 本身不是用户真正关心的东西，用户也不会说：“我今天要去使用一个 skill。”用户真正关心的是有没有一个智能体能够帮我把事情做成。
所以在这一阶段，真正形成竞争的不是 skills 本身，而是哪些智能体调用了不同的 skills，终创造了大的价值，并被足够多的用户使用。
这就像互联网早期的情况。网站可以有无数个，但终只有少数网站成为高频入口。同样，未来智能体也会很多，但能真正形成广泛用户基础和巨大影响力的，只会是少量能真正持续完成客户真实任务的智能体。
智能体的大爆发为什么会迅速带来复杂性爆炸？
智能体的大爆发，首先带来的当然是效率的提升。这一点今天已经越来越明显。很多过去需要大量人工操作的工作，开始一次被智能体持续承担。这一变化的速度比很多人想象的更快。因为过去几年，大模型真正突破的并不仅仅是能力，还包括能力获取成本的急剧下降。当强大的推理、生成、搜索、代码、分析能力开始通过 API 被统一调用之后，整个产业的创新门槛迅速降低。
工业时代重要的变化，是机器降低了体力劳动成本；而今天，AI 正在快速降低智力劳动成本。大量过去无法成立的小需求、小场景、小工作流，开始被快速智能体化。很多看起来非常细碎的任务，过去其实并不是没有价值，而是因为组织成本太高而掩盖了其真实价值。一个小型研究需求、一个局部运营流程、一个客户分析任务，过去往往不值得专门组建团队；但今天，当一个人加几个智能体就能快速完成时，大量原本不经济的需求会突然被激活。
这也是为什么未来智能体的数量很可能远远超过今天绝大多数人的想象。因此 AI 时代先爆发的未是少数“超级应用”，而更可能是海量任务系统。每一个细分任务、每一种工作流、每一种行业场景，都可能快速演化出大量的不同智 能体。
但问题恰恰也会从这里开始。因为在智能体数量开始真正爆发之后，整个系统会迅速进入一种新的状态：复杂性开始以比能力增长更快的速度上升。这一点其实是今天整个 AI 产业里容易被低估的问题之一。现在，大部分人看到的主要是智能体带来的能力释放：AI 终于能够完成任务，终于能够进入工作流，终于能够承担部分执行工作。这当然令人兴奋。
但如果回头看历史，你会发现一个非常重要的规律：每一次能力的大规模释放，都会同时带来复杂性的急剧上升。工业革命提高了生产能力，但同时也带来了有的组织复杂性，所以现代企业制度才会出现；互联网提高了信息流动效率，但也迅速带来了信息爆炸，所以搜索引擎、荐系统、平台治理才会变得如此重要。
AI 今天也正在进入类似阶段。智能体首先解决的是能力调用问题，但很快，它会进一步制造一个新的问题：智能复杂性。因为过去的软件系统，大多数时候仍然是有高确定性的。即使系统内部非常复杂，但整体而言，它们的功能边界是相对明确的。Excel（电子表格软件）不会突然决定帮你修改战略方向，ERP（企业资源计划）不会主动重新定义供应链逻辑。软件更多是在执行预设规则。但智能体不是这样。智能体天然带有一定程度的自主性。它会根据上下文动态决策，会主动调用资源，持续调整路径，会在执行过程中不断生成新的中间状态。也就是说，系统行为开始越来越难以完全预定义。
这意味着，AI 一次真正开始进入复杂系统阶段。这个变化的重要性远远超过 AI 能做多少事情。因为复杂系统核心的特征不是能力，而是不可预测性开始迅速增加。这一点，在真实任务世界中会尤其明显。
例如，一个企业如果只是让AI生成营销文案，问题不大；但如果让多个Agent真正参与企业运营，事情会迅速复杂化。一个完整任务可能同时涉及：数据，财务，研究，客户，内容，执行等多个智能体协同运行。这时候，问题就已经不再只是：“某一个智能体能力够不够强。”而开始变成：整个系统到底能不能稳定运行。很多今天看起来很简单的问题，在真实环境里都会迅速放大。例如：不同智能体之间的上下文如何保持一致？多个系统之间的信息如何避免失真？一个智能体生成的错误，会不会被后续系统持续放大？如果多个智能体同时调用资源，成本如何控制？如果系统做出了错误决策，责任到底归属于谁？
这些问题，在当前阶段其实才刚刚开始出现。因为今天绝大多数智能体，仍然主要停留在局部任务层。但随着智能体进一步深入企业真实工作流，复杂性会迅速呈指数级上升。这一点，其实会彻底改变未来产业竞争的重点。过去几年，整个行业关心的问题是：模型能力是否足够强。但未来越来越重要的问题，很可能会变成：系统复杂性是否还能被控制。
因为当智能体数量足够多之后，用户面对的，已经不再只是一个工具，而是一个不断扩张的智能网络。不同智能体会互相调用、互相协同、互相影响。整个系统会越来越像一个动态生态，而不是一个静态软件。而生态系统核心的问题，从来不是局部能力。而是：整体秩序。
未来不会缺智能体。真正稀缺的，将是：谁能够有效组织大量持续运行的智能系统。这一点，其实会成为AI发展第二阶段深层的产业矛盾。因为当复杂性开始超过用户自身的控制能力之后，用户就会天然开始寻找新的“组织中心”。这也是为什么，我一直认为：AI第二阶段真正重要的竞争，很可能不是模型竞争，也不是单点智能体竞争。而是：谁能够帮助用户管理复杂性。因为终，用户真正购买的，从来不只是能力。而是：确定性。

当面对复杂的智能体世界时，用户面临的核心问题，很快变为“我该如何选择”。这个问题看似简单，但从用户的角度看，解决好并很不容易。
智能体是“任务完成系统”。而任务本身，往往没有清晰边界。例如，同样是“行业研究”，不同智能体可能会有完全不同的能力结构。有的擅长信息搜集，有的擅长结构分析，有的擅长财务建模，有的擅长长周期跟踪。而在很多情况下，用户在使用之前，其实很难真正判断：哪一个系统更适合当前任务。
更重要的是，智能体的能力表现，很大程度上取决于具体上下文。它不像传统软件那样具备稳定、固定的功能边界。相同一个智能体，在不同任务环境下，可能会表现出完全不同的效果。很多时候，一个系统在某一类场景中非常优秀，但在另一类任务中却并不稳定。
这意味着，用户面对的是：如何在一个持续变化的智能体世界中，做动态决策。这一点，其实会迅速提高整个系统的认知成本。因为用户不仅需要理解任务本身，还需要理解不同智能体之间的能力边界、协同关系与适用条件。在智能体数量较少时，这个问题还不明显。但一旦进入大规模智能体爆发阶段，问题会迅速复杂化。今天很多人其实低估了这一点。
用户很快会发现，不同智能体都声称自己能够完成任务，但它们之间的能力差异、稳定性差异、边界差异，在使用之前往往并不透明。用户须不断试错，才能逐渐理解：哪个智能体真正适合自己。而真实任务的试错成本，其实是非常高的。如果只是让AI生成一段文案，问题不大；但当智能体开始真正参与企业运营、客户服务、财务分析、供应链管理之后，错误成本会迅速上升。
其次，很多 智能体并不是标准化产品，它们在某些特定场景中表现良好，但在其他场景中可能效果有限。当任务本身具有一定复杂度时，用户很难在一开始就判断，哪一个智能体更适合当前问题。
再进一步，当一个任务需要跨越多个步骤时，选择不再是一次性的，而是贯穿整个过程。用户不仅需要决定“用哪个智能体”，还需要决定“在什么阶段使用哪个智能体”，以及这些选择之间如何衔接。这种连续决策，本身就会显著提高使用门槛。
但更重要的是，随着智能体开始参与更真实的任务，选择所涉及的，不再只是效率问题，而会逐渐延伸到一系列更深层的判断。
其中直接的一类，是与信任相关的问题。
当智能体只是提供建议时，用户可以把它当作参考；但当它开始直接执行操作，甚至接触到账户、数据或业务流程时，用户须面对一个更现实的判断：这个智能体是否可以被信任。这种信任不仅包括对能力的判断，还包括对其行为边界的理解。例如，它是否会在执行过程中调用不要的资源，是否会在未经明确授权的情况下做出某些决策。
一旦这些问题进入用户决策范围，选择就不再只是“哪个更好”，而是“哪个更安全、可控”。与信任紧密相关的，是责任问题。在传统软件体系中，责任关系相对清晰：工具提供功能，使用者对结果负责。但当智能体具备一定的自主执行能力之后，这种边界可能会变得模糊。如果一个智能体在执行过程中出现错误，或者带来实际损失，责任是归属于开发者、平台，还是用户自身？在不同使用场景中，这一问题的答案可能并不一致。这一点在当前阶段还不突出，但随着使用深度的提升，问题会很快凸显出来。
与此同时，随着智能体开始参与实际价值创造，另一类问题也会逐渐浮现出来，即与成本结构和利益分配相关的约束。
在今天，围绕大模型能力，已经可以看到一些初步的结构。例如，以 token 为单位的计费方式已经成为主流，模型提供能力，调用方按使用量付费。在这一层之上，又叠加了 API 调用费用、工具使用费用，以及应用层的服务收费。
如果把这一体系拆开来看，会发现它已经不再是单一层级的定价，而是一个逐渐分层的结构。一个看似简单的应用，背后可能同时涉及模型调用成本、中间层处理成本，以及面向用户的服务费用。不同公司在不同层级中获取收益。
在当前阶段，这种结构仍然相对简单，因为参与方有限，调用链路较短。但如果顺着智能体数量增加的趋势往前推，当一个任务由多个智能体协同完成时，这种结构很可能会发生变化。
一个任务，可能由多个步骤组成，每一步由不同智能体执行；每一次调用，都会产生不同层级的成本；而终呈现给用户的，是一个整体结果。在这样的情况下，一个问题就可能逐渐变得重要：这一结果所创造的价值，应当如何在不同参与方之间分配。
这个问题之所以关键，并不是因为它在理论上复杂，而是因为它直接影响系统能否稳定运行。如果分配机制不清晰，开发者难以判断投入与回报；如果成本结构不透明，用户也难以形成稳定预期。在早期阶段，这些问题可以通过简单定价或补贴暂时掩盖，但随着使用规模扩大，它们很可能会变得更加重要。
更重要的是，这一问题并不会随着技术进步自动消失。相反，随着参与的智能体数量增加、任务链条延长、角色分工细化，分配关系可能会变得更加复杂。
如果把这些因素放在一起看，就会发现，“多”所带来的，并不是单一问题，而是一整组相互关联的约束：效果判断、能力边界、信任建立、责任划分，以及成本与收益的分配。
在这样的背景下，如果完全依赖用户自身来完成这些判断，成本会迅速上升，也很难形成稳定的使用模式。也正是在这一压力之下，可以预期，会出现某种形式的“入口”，其核心作用，是帮助用户在一个不断扩展的智能体空间中，让用户更容易发现能解决他们真实问题的智能体。用户不关心你有一百个Agent还是一千个Agent，他们只关心：我今天这个问题，谁能帮我解决？因此平台真正要做的，是降低探索成本，缩短从“我有一个问题”到“我找到一个能解决问题的智能体”之间的距离。
而在开发者一侧，为了让自己的智能体能够被更容易地发现和使用，也可能逐渐出现一定程度的标准化，使智能体可以被更方便地接入和调用，从而进入更大的使用场景。在这个方向上，竞争也会非常激烈：看谁有能力吸引多的开发者，形成一个强大的智能体生态，从而给用户提供更好的选择。
这是个非常典型的连接用户和开发者的双边市场。它一方面大幅降低开发者的成本，另一方面，帮助用户更好地选择自己需要的智能体。两者形成正反馈闭环，带来双边市场效应。终，市场竞争对形成很少几个入口，帮助用户找到自己需要的智能体。
工业时代，人们购买产品。互联网时代，人们获取信息。而AI时代，人们会越来越直接地购买“任务结果”。谁能够在一个高度复杂、持续变化的智能世界中，持续稳定地帮助用户完成任务，谁才真正有机会形成下一阶段重要的入口和平台。浏览器时代，并不是每个网站都重要，但那些能承载高频需求、形成大规模访问、成为用户默认停留点的网站，会逐渐构成新的平台秩序。Agent时代也会如此。

AI发展第三阶段：任务表达与执行： AI 操作系统的出现
用户在第二阶段面对的是一个刚刚开始涌现的智能体世界。他知道AI可能很强，但并不知道：哪个Agent适合自己，这个任务是否能交给AI，这个任务应该如何表达，不同Agent之间能否协同，失败后应该如何回退，哪些任务今天能做，哪些任务还不能做。他要不断浏览、尝试、比较、修改。他可能要试三个Agent，改五次提示，换几种工作方式，才能得到一个勉强满意的结果。这种探索本质上仍然是高成本的。
互联网为什么从浏览走向搜索？因为浏览效率太低，用户需要一个能够直接表达意图的入口。AI为什么未来也会进入第三阶段？因为探索效率同样太低，用户终也需要一个能够直接表达任务需求的入口。
用户其实并不真的想“买Agent”，也不真的想“浏览能力清单”，他们真正想要的是：完成任务。所以未来的关键，不是“挑一个Agent”，而是“把任务做成”。而直接完成任务是一个复杂得多的系统工程，需要能够处理：
这个任务需要哪些能力
这些能力如何组合
哪些智能体先执行、哪些后执行
哪些步骤需要人工介入
哪些结果需要验证与回退
所以AI第三阶段，大致可以理解为：用户不再主要浏览Agent，而是直接表达需求。也就是说，用户告诉系统“我要什么结果”，系统自己去拆任务、组合能力、调度智能体、完成执行。在这个阶段，平台的核心能力就不再是信息排序，而是任务调度。
调度的出现：从选择与协同，到任务编排
当任务越来越多地由多个 agent 协同完成时，一个变化可能会逐渐显现出来。在早期阶段，用户仍然可以通过手动方式，把不同的能力串联起来。选择合适的 agent，按顺序调用，在出现问题时进行调整，这种方式在任务规模较小、链条较短时，是可以运作的。
但如果 agent 的数量继续增加，任务结构进一步复杂化，这种依赖人工完成的编排方式，很可能会逐渐接近其边界。这种边界，并不是因为用户无法理解每一个单独的步骤，而是因为整个过程开始呈现出一种“系统性”的特征。任务不再是简单的步骤叠加，而是一个需要持续协调的动态过程。
在这样的过程中，用户需要同时处理多个维度的问题：不同步骤之间的依赖关系，信息在各个环节之间的传递，以及在执行过程中不断出现的变化。当这些因素叠加在一起时，即使每一个局部都可以被理解，整体的控制也会变得困难。
也正是在这种背景下，可以预期，系统中会逐渐出现一种新的能力，用来承担原本由用户完成的“组织工作”。这类能力的核心，并不在于提供某一个具体功能，而在于把分散的能力单元，组织成一个可以持续运行的任务过程。从某种意义上说，它更像是在管理“任务如何被完成”，而不是直接参与“任务内容本身”。
如果用一个相对中性的表述，可以把这一类能力理解为“调度”。需要强调的是，这里的调度，并不是传统意义上的资源分配，也不是简单的“选择哪个 智能体来执行任务”。它所面对的问题，是在一个不断变化的环境中，如何安排多个能力单元，使其能够在不同阶段协同作用，并在出现偏差时进行调整。
这使得调度本身，逐渐呈现出几个不同于简单匹配的特征。
首先，它是一个过程，而不是一个瞬时决策。选择某一个智能体，可能只需要在一个时间点做出判断；但调度需要贯穿整个任务执行过程，根据不同阶段的状态，不断做出调整。
其次，它涉及的是组合，而不是单点优。在多智能体协同的场景中，问题往往不在于“哪个能力好”，而在于“哪些能力组合在一起，可以更稳定地完成任务”。这种组合关系，往往无法通过单一指标来衡量。
再进一步，调度还需要处理不确定性。真实任务很少是完全可预测的，执行过程中会不断出现新的信息和偏差。如何在这些变化中调整路径，使整体目标仍然可以被实现，成为一个关键问题。
当这些特征叠加在一起时，调度就不再是一个简单的功能，而更接近一种“系统级能力”。它不直接创造内容或执行具体动作，但却在很大程度上决定了整个系统的运行方式。在当前阶段，这一能力还处在非常早期的探索中。不同的实现路径正在被尝试，有的偏向规则编排，有的偏向基于模型的动态决策，也有的尝试在具体场景中内嵌这种能力。路径虽然不同，但方向是清晰的：当任务越来越依赖多智能体协同，而人工编排的方式逐渐难以支撑时，某种形式的“调度能力”，很可能会逐步变得重要。