模型不是终点：从产业三阶段看 Agent 与组织变革

今天最耀眼的 AI 公司，未必是 AI 原生时代最后的赢家。

这不是对某家公司短期表现的预测，而是一种产业史判断。在张小珺与曾鸣的访谈中，曾鸣把通用技术的发展归纳为三个阶段：基础设施形成、应用爆发，以及原生应用诞生。阶段切换时，价值中心、产品形态和领先企业都会改变。

如果这个框架成立，今天的大模型竞争主要发生在第一阶段。模型把智能变成可以通过 token 购买的标准化能力，正逐渐成为 AI 时代的基础设施。下一幕属于能够调用这些能力、承接真实任务的 Agent；再往后，才可能出现面向 Agent 的新入口和原生平台。

这也带来几个比“哪家模型更强”更重要的应用判断：Agent 生态可能仍处在关键入口形成之前；当前的应用低谷可能是反共识窗口；模型会吞掉简单脚手架，却不会吞掉所有复杂场景；应用公司的壁垒也不会是调用某个模型，而是持续完成任务形成的智能飞轮。

但这场变化不会停留在产品层。Agent 一旦能够稳定交付工作，公司的基本单元也会从岗位转向任务。组织需要重新设计 Context、权限、验证和反馈机制，战略则从少数管理者定期制定的计划，变成一个持续生成和校正的系统。

模型不是终点。它更像接下来所有变化的起点。

通用技术的三个阶段会更换价值中心

曾鸣的三阶段框架，可以先简化为一条产业演进路径：

基础设施成熟 → 应用大量出现 → 原生应用与新平台形成

第一阶段解决“能力是否存在、能否稳定供应”。电力需要发电和电网，互联网需要连接和标准，移动互联网需要智能手机与高速网络。AI 对应的是基础模型、算力、推理服务和 token 供应。

第二阶段解决“这些能力可以完成什么”。基础设施足够便宜、稳定以后，创业者会把它带进不同场景。大量应用未必能长期生存，但它们会发现用户需求、产品边界和技术缺口，并把反馈传回基础设施。

第三阶段才会产生真正为新技术设计的原生产品。它们不再把新能力嵌进旧流程，而是围绕新的生产方式重构交互、商业模式和组织关系。短视频不是把电视节目缩小到手机屏幕，移动支付也不是给现金交易增加一个数字按钮。原生应用成立的标志，是产品逻辑本身已经无法用上一代范式解释。

三个阶段并非严格接力，也不会在同一天切换。基础设施、实验性应用和原生产品会长期并存。这个框架真正有价值的地方，不是精确判断当前处于哪一年，而是提醒创业者：不同阶段解决的是不同问题，也奖励不同能力。

第一阶段的领先者很难自然成为下一阶段的赢家

基础设施企业擅长扩大供给、降低单位成本和建立技术标准；应用企业擅长理解任务、设计交互和建立用户关系；原生平台则需要定义全新的生态规则。能力之间存在关联，却不能自动继承。

访谈用 AOL、雅虎和黑莓解释这种阶段错位。它们都曾站在技术扩散的关键位置，也都拥有过惊人的规模，但没有因此获得跨越下一阶段的永久优势。提供互联网接入的企业不一定创造搜索与社交平台，生产能源的企业也很少演化成汽车公司。

因此，曾鸣把大模型公司类比为未来的 AI 云服务商，并提出一个有意制造张力的判断：OpenAI、Anthropic 可能是重要的基础设施公司，却未必是原生应用阶段最后的平台赢家。这不是说模型不重要，而是说模型能力标准化以后，竞争会进入另一组维度。

当多个供应商都能提供可替换的智能，价格会受到边际成本约束。应用企业可以在模型之间切换，底层能力也会逐渐从稀缺资源变成公共供给。届时，价值会向模型之外迁移：谁定义任务，谁拥有工作流，谁掌握可靠的执行记录，谁能让用户放心地交出更重要的工作。

高估值、高增长和技术领先能够证明第一阶段的优势，不能直接证明一家企业已经拥有下一阶段所需的组织和产品能力。

Agent 生态仍在等待降低门槛的关键入口

曾鸣用早期互联网作类比来描述当前的 Agent 阶段：底层能力已经令人兴奋，但普通用户还没有获得一个足够简单、统一的入口。1990 年代初，建站和上网仍是少数极客的活动；浏览器显著降低使用门槛后，网站、门户和互联网应用才开始大规模出现。

这里的“浏览器”描述的是一种产业作用，而不是预言未来一定会出现名为“Agent 浏览器”的产品。关键在于，市场是否会出现某种产品或协议，把复杂的模型、工具和权限隐藏起来，让更多人可以直接调用 Agent 能力。它可能表现为操作系统、工作入口、协议层，也可能是今天尚未出现的新形态。

今天的 Agent 也有类似断点。模型已经能够使用工具、编写代码和执行多步任务，但不同 Agent 对能力、权限、状态和结果的表达并不统一。用户仍要理解模型、prompt、API、MCP、工作流和各种产品边界，才能让系统真正完成工作。

因此，判断 Agent 应用是否进入爆发期，不能只看演示数量或融资热度，更应该观察三个信号：

使用门槛是否显著下降：非技术用户能否直接表达意图，而不用亲自拼接模型和工具？
重要任务是否开始被托付：用户是否愿意把持续数小时、涉及真实系统状态的工作交给 Agent？
能力市场是否形成标准：平台能否发现、比较和调用不同 Agent，并对结果负责？

在这些信号出现前，今天的大部分产品仍像早期网站实验，而不是成熟的原生应用。这个阶段不会缺少噪音，但也最容易出现下一轮入口的早期形态。

应用低谷可能是最值得进入的反共识窗口

访谈对 Agent 创业的判断并不悲观。相反，当投资人因为上一批产品被模型升级吞没而转向谨慎，应用领域可能正进入一个反共识阶段。

上一轮很多产品把模型暂时做不好的简单步骤包装成 SaaS：固定地拆分任务，连续调用几次 prompt，再用流程代码补足模型缺陷。这些产品能够快速产生演示，却把壁垒建立在“模型目前还不会什么”上。模型能力一旦推进，产品与通用模型之间的距离就会迅速缩小。

这次低谷淘汰的不是 Agent 方向，而是一种过早固化的产品方式。真正的应用阶段开始于用户相信智能可以承担严肃工作，而创业者开始解决那些足够复杂、足够重要、需要长期积累的任务。

这给团队一个很具体的判断标准：不要继续为简单任务搭更厚的脚手架，而要假定模型能力会快速提高，然后选择十倍复杂、结果价值更高的问题。如果模型下一次升级就能完整替代产品，当前选择的任务边界很可能过窄。

Agent 的价值不是生成回答，而是交付能力

互联网降低了信息发布和获取的成本，Agent 要降低的是能力调用的成本。

在这个意义上，Chatbot 只是交互界面，Agent 才是工作主体。用户不是为了多获得一段文字，而是希望研究完成、代码通过测试、工单得到处理、客户风险被识别，或者一项跨系统流程真正结束。

更耐用的 Agent 产品，需要承接模型厂商不容易直接覆盖的复杂任务：

任务跨越多个系统和较长时间，不能在一次对话中完成；
执行需要企业专有 Context，而不只是公共知识；
中间动作受权限、预算、合规或审批约束；
最终结果可以通过测试、状态或业务指标验证；
每次执行都会留下反馈，改善下一次任务的判断和流程。

这五个条件共同形成产品边界。模型能力越强，Agent 越有机会承担更大的任务，但模型升级不会自动替应用团队解决组织 Context、系统权限和结果责任。

真正的应用窗口，不在于寻找模型尚未支持的一个小功能，而在于识别哪些过去必须由一个团队协调的任务，现在第一次可以由人和 Agent 共同完成。

模型会吞掉脚手架，但不会吞掉所有场景

“模型会不会吞掉应用”这个问题，常把模型能力和产品责任混在一起。

模型会持续吸收通用能力。摘要、改写、代码补全、简单检索和固定工具调用，都可能逐渐成为基础模型的标准功能。围绕这些能力建立的薄包装，确实会不断承受压力。

但通用模型无法单独覆盖所有真实任务。一个企业退款 Agent 不只需要理解用户请求，还要识别客户和订单、读取当前政策、检查退款权限、调用支付系统、处理失败，并留下审计证据。一个工程 Agent 也不只需要生成代码，还要理解仓库约束、运行测试、观察部署结果，并在失败后恢复工作。

这些价值不来自“比模型多知道一点”，而来自把通用智能带进一个具体环境，并对最终状态负责。模型越强，这类应用能处理的任务越复杂，市场边界反而可能扩大。

电力没有吞掉电器行业，云计算也没有吞掉 SaaS。基础设施会标准化能力，同时降低创造新应用的成本。应用团队真正需要避免的，不是使用越来越强的模型，而是把产品价值建立在模型的短期缺陷上。

应用壁垒会从数据飞轮升级为智能飞轮

传统互联网产品强调数据飞轮：更多用户产生更多数据，更多数据改善推荐或匹配，产品改善后再吸引更多用户。

Agent 产品需要进一步形成智能飞轮。每次任务执行不仅产生行为数据，还会留下目标、Context、行动轨迹、工具结果、人工修正和最终成败。这些证据能够直接改善下一次任务：优化 Context 选择，调整工具边界，增加 eval，沉淀异常处理，或者改变人机分工。

更多真实任务
  ↓
更多执行轨迹与结果证据
  ↓
更好的 Context、工具、eval 与工作流
  ↓
更高的任务成功率与可托付程度
  ↓
更重要、更复杂的真实任务

这也是应用公司不必训练通用大模型，仍然能够积累技术壁垒的原因。模型可以替换，任务系统积累的判断标准、执行反馈和客户信任却不会随一次 API 切换自动复制。

真正强的 Agent 公司，不只是拥有更多数据，而是能把每一次交付转化为系统下一次更可靠的行动能力。

新平台要匹配能力与需求，而不只是信息与需求

上一代互联网平台的核心是信息匹配。搜索引擎判断哪个网页更相关，电商平台连接商品与购买需求，社交平台组织人与内容的分发。

Agent 平台面对的对象更复杂。它不仅要发现一个 Agent，还要判断它是否具备完成任务的能力，能否访问必要资源，在当前权限下是否安全，以及失败以后由谁负责。多个 Agent 共同执行时，平台还要处理任务拆分、状态交接、结果冲突和成本控制。

这也是访谈所说“新平台大概率不来自旧平台”的机制。旧平台拥有流量和关系网络，却也被现有的信息结构、商业模式和组织评价体系约束。把网页目录改成 Agent 目录，并不会自然得到一个可信的能力市场。

Agent 时代的入口至少需要三层基础设施：

能力描述：系统能够理解 Agent 擅长什么、需要什么输入、有哪些边界。
调用与协作标准：不同 Agent、工具和数据源可以交换任务、状态和结果。
可信判断：平台依据历史执行、eval、权限和真实结果，决定哪个能力值得被调用。

未来的平台可能接收一个意图，再调度市场上的多个 Agent 完成交付。用户不再逐个选择工具，而是把部分判断权交给入口。谁能建立这套信任，谁才可能获得平台位置。

这意味着入口之争不会只发生在流量端。平台要先获得判断力：知道哪个 Agent 在什么条件下能够完成任务，理解一次成功是否可以复现，并能在失败时找到责任边界。没有 eval、执行证据和权限体系，所谓 Agent 商店只是一份能力未经验证的目录。

Agent 进入生产以后，岗位制会让位于任务制

现代公司的大部分制度都围绕岗位建立：招聘一个职位，设定汇报关系，分配固定职责，按周期评价表现。科层结构解决了工业时代的大规模协调问题，但它默认能力主要属于人，而且组织需要通过管理者传递信息和命令。

Agent 改变了这两个前提。

一部分能力开始以软件服务的形式被调用；公司状态也可以被系统持续读取，而不必经过多层人工汇总。当任务可以动态分配给最适合的人或 Agent，组织的基本单元就可能从“谁坐在这个岗位”转向“谁对这个结果负责”。

所谓“公司会消失”，更准确的理解不是法律主体立即消失，而是传统科层制不再垄断协作方式。未来组织可能更像实验室、球队或合伙人网络：成员围绕任务组合，贡献通过交付记录变得透明，关系会随着问题变化，而不是长期固化在组织图上。

这不会让管理自动消失。相反，任务制对管理系统提出了更高要求。岗位能够用部门和汇报线吸收模糊性；任务制必须明确目标、输入、权限、完成标准和责任边界。缺少这些条件，动态协作只会变成持续救火。

因此，AI 原生组织不是简单地减少人数或取消中层，而是把过去隐藏在管理者经验里的协调机制，转化为一套可执行、可观察、可改进的任务系统。

Harness 是任务制组织的运行基础

模型让能力可以被调用，Harness 才能让能力在组织里可靠运行。

对单个 Agent 来说，Harness 管理 Context、工具、权限、状态、验证和失败恢复。放到组织层面，它承担的是过去由岗位说明、流程制度、管理者和质量体系共同完成的工作。

一个可以进入生产的任务，至少需要回答六个问题：

目标是什么：最终要改变哪个外部状态，而不只是生成什么内容？
Context 从哪里来：哪些事实可信，哪些信息仍然有效？
可以采取哪些行动：Agent 能调用什么工具，权限边界在哪里？
谁承担责任：哪些步骤可以自动完成，哪些决定必须升级给人？
如何判断完成：依赖测试、数据库状态、人工验收还是业务指标？
失败后如何继续：任务能否重试、恢复、回滚或安全停止？

这套机制让组织从固定岗位转向动态任务时，仍然保有连续性和责任。Context 让参与者理解局面，工具提供行动能力，eval 判断结果，执行轨迹则让团队看见问题发生在哪里。

模型决定一次决策可能有多聪明，Harness 决定一项工作能否反复交付。未来组织的壁垒，很可能不是调用了哪个模型，而是积累了多少高质量任务定义、可验证工作流和真实反馈。

战略会从年度规划变成持续生成系统

当技术和竞争以月为单位变化，依靠年度会议制定静态战略越来越困难。曾鸣提出“战略生成”，强调伟大的方向无法被完整规划，只能在组织与现实持续互动中形成。

访谈中的“看十年、想三年、干一年”提供了一种实用节奏：长期视角确定值得投入的问题，中期思考设计非线性里程碑，短期执行产生真实反馈。周期可以缩短，但三种尺度不能缺失。

只看短期，团队会用当前 ARR 或功能增速线性外推未来，忽略技术换轨和市场上限；只看长期，使命会变成无法指导行动的口号。真正的创造力发生在中期：团队必须解释，从今天到那个长期方向之间，需要跨过哪些当前共识无法给出的台阶。

AI 让战略生成第一次可能成为一个持续运行的系统。Agent 可以读取客户反馈、产品数据、工程状态和决策记录，识别假设与现实的偏差；团队则负责选择目标、解释取舍，并判断哪些异常信号值得改变方向。

这不是把战略交给模型。模型擅长处理大量信息和发现关联，人仍然需要提出问题、承担选择并判断什么值得长期坚持。AI 原生组织的优势，在于它能让两者进入同一个反馈循环：

长期方向
  ↓
中期假设 → 任务组合 → 执行证据 → eval
  ↑                              ↓
  └──────── Context 更新与战略校正 ────────┘

旧组织通过层层汇报压缩信息，再由少数人定期修订计划。新的组织可以让执行证据直接回到战略 Context，使战略不再是一份文档，而是一套持续学习的机制。

下一阶段竞争的是组织对智能的转化效率

产业史框架无法告诉我们哪家公司一定成功，也不能证明每一次技术革命都会机械重复。它真正提供的是一种观察方式：不要把当前阶段的领先指标，当作整个时代的终局指标。

当模型供给逐渐成熟，企业之间的差异会转移到模型之外。谁能找到足够重要的任务，谁能组织高质量 Context，谁能建立可靠的 Harness，谁能用 eval 把执行结果变成下一次决策的证据，谁就更有机会积累真正的复利。

对 Agent 应用团队来说，可以把判断收敛为四个问题：

产品承接的是一次回答，还是一个需要改变外部状态的完整任务？
模型继续升级以后，产品边界会消失，还是能够接手更复杂的任务？
每次执行是否留下可验证的证据，并真正改善下一次执行？
用户是否愿意逐步把更重要的工作和更大的权限交给系统？

四个答案共同决定产品能否从功能变成能力，再从能力变成入口。

从这个角度看，Agent 不是传统软件增加的一个功能，任务制也不是扁平化管理的新包装。两者共同指向一场更深的重构：公司不再主要通过岗位保存能力，而是通过系统持续组合人和 Agent 的能力；战略不再依赖少数人的周期性规划，而是从真实工作中不断生成。

模型提供通用智能。下一阶段真正稀缺的，是把智能转化为可靠行动，并让每一次行动继续改善组织的能力。

参考来源

和曾鸣聊产业史观：残酷的真相、会消亡的公司、优秀不等于卓越 —— 张小珺与曾鸣的视频访谈，2026-09-03。