从 AI 原生商业模式，看下一步社会的价值需求与机会

最近在整理智库、四向 SOP 和 AI Skill 的关系时，我又往前想了一步：如果 AI 可以参与企业越来越多的工作，那么企业的商业模式，会发生什么变化？

一项动作可以整理成 Skill，多个动作组合成岗位的工作成果，多个岗位成果通过业务协作，满足业绩形成所需的关键要素。再把这些关键要素组织起来，最终产生企业的业绩结果。

沿着这个过程看，AI 带来的机会，就会从一项工具的使用，延伸到企业如何组织工作、交付价值和获得收益。

再把视角放大，如果 AI 能力继续增强，并与机器人结合，人的价值会在哪里？AI 自身需要哪些资源？人和 AI 共同工作的过渡过程，又会形成哪些新的需求？

这些问题共同指向我更想研究的事情：整个经济社会下一步的价值需求侧会怎样变化，我们可以从哪里参与。下面把目前的思考整理出来，既看今天能够验证的事情，也保留对未来情景的讨论。

其中，有些是 AI 原生产品与服务，有些是支撑 AI 的基础设施，还有些是技术应用带来的转型服务。它们处在同一条价值链的不同位置，不能全部归为同一种商业模式。

一、先说清楚，AI 原生改变了什么

我理解的 AI 原生，是在设计产品、服务和经营方式时，就把 AI 能够承担的工作考虑进去，再重新安排人、流程、资源和责任。

比如，同样是研究服务，一种做法是用 AI 帮助写报告；另一种做法，是围绕客户关注的问题，持续收集资料、识别变化、核对证据、提出需要关注的事项，再由专业人员审核和判断，形成连续的研究服务。

两种方式都可能有价值。后者更明显地改变了服务的组织方式，也使原来依靠较多人力才能持续开展的工作，有机会以不同的成本和频率交付。

对我来说，判断一个模式是否值得研究，可以先问四个问题：

1. 客户需要解决什么问题，为什么愿意付费？
2. AI 参与之后，工作方式、交付速度和成本结构有什么变化？
3. 结果如何验收，出了问题由谁负责？
4. 每次交付之后，是否能留下可以继续使用和改进的知识？

这些问题没有说清楚，即使组合了很多 AI 工具，也很难判断商业模式是否成立。

二、我看到的八类机会

下面这八类，是按价值交付方式作的一次梳理，彼此之间会有交叉。一家公司也可能同时采用几种方式。

1. 持续工作的 AI 产品

有些需求并非做一次就结束。企业需要持续了解竞争变化，管理者需要持续跟进项目，客户也会不断提出新的问题。

如果 AI 能在明确范围内持续处理这些工作，产品交付的就包括一项持续运行的能力。例如，定期整理行业变化、发现需要关注的信息、保留来源，并提醒相关负责人。

这类产品可以按订阅、使用量或任务数量收费。客户是否续费，最终要看它能否稳定帮助自己完成工作，而不是第一次演示时是否令人惊喜。

2. 交付具体成果的 AI 服务

很多专业服务可以被重新组织。

以企业经营梳理为例，先取得客户授权，再根据资料分析其价值创造和收益逻辑，整理业务流程、岗位职责与工作问题。AI 承担适合标准化的整理和分析，专业人员负责核实、判断及例外处理，最后形成客户可以使用的成果。

收入可以来自项目费，也可以采用基础服务费加验收任务费。前提是把交付范围说清楚：交付的是一份符合标准的诊断与建议，还是陪伴客户完成实施，两者承担的责任和成本不同。

如果一开始就按照客户利润增长分成，就必须进一步考虑基线、归因、观察周期和客户自身执行的影响。结果收费有吸引力，但不能把难以控制的结果简单写成承诺。

3. 持续提供工作成果的数字职能

如果多个 Skill 可以稳定协作，服务就有机会从单项动作向岗位职能发展。

研究助理可以组合资料收集、来源核对、观点整理和更新提醒；项目协调可以组合任务拆解、节点跟进、问题汇总和会议准备；客户服务可以组合需求识别、知识查询、回复准备和人工转交。

这类能力可以按月提供，并根据任务量、服务范围和人工支持量收费。

这里需要注意岗位的结果责任。完成很多动作，不代表一个岗位的职能已经实现。AI 承担了执行，也仍然要明确权限、验收和需要人作决定的情形。

4. 可以调用的专业知识与专家能力

很多有价值的经验，分散在专家的头脑、文档和项目中。经过授权和整理，可以逐步形成思想、模型、方法、案例、工具及 Skill。

这样，客户除了直接咨询专家，也可能调用其中某项已经整理清楚的能力。例如，按照一套方法检查商业计划缺少哪些证据，再请专家对关键问题进行复核。

收入可以来自知识授权、调用服务、专业复核或组合交付。贡献者如何署名、如何获得回报，也可以在这个过程中明确下来。

需要同时考虑知识的权利边界：能够阅读，不等于能够公开；能够用于当前任务，也不等于可以用于跨客户训练或再次授权。只有这些关系清楚，知识才有条件长期积累和流通。

5. 围绕需求组织的协作网络

一项客户需求，往往需要多种专业能力共同完成。

比如企业出海，可能涉及市场研究、品牌、产品、支付、法律和运营。AI 可以帮助澄清需求、拆解任务、匹配资源、跟踪交付，但专业判断和实际履约还需要对应的参与者承担。

平台的收入可以来自项目组织、撮合或交付管理服务。

这里真正需要建立的是协作机制：需求是否真实，资源是否具备相应能力，成果如何交接，谁来验收，出现争议怎样处理。先通过具体项目跑通这些关系，再把重复部分沉淀为平台能力，会更有依据。

6. 围绕实际工作开展的教育与训练

AI 也可能改变教育产品的交付方式。

例如学习四向 SOP，除了阅读模型和案例，还可以让学习者带着自己的企业问题，逐步梳理业绩、业务、职能和动作，形成一份可以讨论、检查和修改的工作成果。

AI 参与解释、练习和反馈，导师帮助处理难点与判断问题。课程、训练营、组织学习服务及导师支持，都可能成为收入来源。

这种方式需要用学习者实际掌握和应用的情况检验效果。生成了一份作业，并不能直接证明学习者已经理解，更不能直接证明企业经营已经改善。

7. AI 能力的评测、治理与持续验证

当企业开始依赖 AI 工作，新的问题会随之出现：资料是否可靠，Skill 在什么条件下适用，哪个版本经过测试，哪些操作必须经过批准，出现错误如何追溯？

围绕这些问题，可以形成评估标准、测试样例、权限设计、复核和持续监测服务。

它可以按项目、年度服务或工具订阅收费。价值在于让企业更清楚地知道能力和风险在哪里，并且能够持续检查，而不是给出一个永远不会出错的保证。

8. 更连续的研究、投研与投后服务

AI 能够参与公开资料整理、项目比较、经营数据跟踪和异常提醒，使研究工作更连续，也让专业人员有机会把精力集中到关键问题上。

这类能力可以形成研究订阅、企业服务或投后支持服务。

涉及投资建议、融资和交易时，仍然要根据地区和业务核查资质与监管要求。AI 提高信息处理能力，并不会替代专业责任，也不能把分析结果当作收益保证。

三、收费单位正在变化，但工作成果需要说清楚

市场上已经可以看到一些新的计费方式。例如，Intercom Fin 按其定义的客服 outcome 计费；Salesforce Agentforce 提供按会话、动作消耗或用户许可等不同方式计费。这些是可以观察的产品机制，不代表相关企业整体都属于 AI 原生企业。Intercom 官方说明｜Agentforce 官方说明

这些变化让我关注一个问题：客户购买的单位，可以从软件使用权进一步延伸到被完成的工作。

但“一个动作”“一次会话”“一个平台定义的结果”，与企业最终获得的业绩，并不是同一层含义。以 Fin 为例，其 outcome 包括特定工作流完成等情形，具体仍需看产品的计费定义。

这和四向 SOP 的关系很直接。动作完成，要看能否形成岗位成果；岗位成果，要看能否满足业务交付；业务交付之后，还要检验是否支撑业绩形成。

所以，设计 AI 商业模式时，我认为首先要把卖什么说清楚。是工具使用权、持续职能、具体交付物，还是经过约定标准验收的工作结果？不同的交付单位，需要不同的成本核算和责任安排。

四、即使 AI 更强，哪些需求仍可能需要人

再往下想，自然会遇到一个问题：如果以后出现更强的人工智能，再与机器人结合，哪些岗位无论如何都不能被替代？

这个问题值得研究，但现在还不能给出一张“永远安全的职业名单”。未来技术能做到什么，社会会允许什么，人又愿意接受什么，都还存在不确定性。一个岗位也由多种任务组成，其中一部分能够自动化，另一部分仍可能需要人来承担。

我更愿意从需求本身去分析：客户究竟需要人的什么价值，为什么愿意为这种价值付费？

1. 目标、选择和责任

AI 可以提出很多方案，但企业究竟追求什么，哪些风险愿意承担，不同利益相关者之间如何取舍，需要有获得授权的责任主体来决定。

老板、董事、受托管理者等角色，其工作中的资料分析可以大量借助 AI，但授权、责任和利益代表关系需要被明确安排。在目前多数组织与制度中，这些责任仍由自然人或组织承担。以后制度可能变化，不能把今天的规定当成永久规律。

这里的机会包括决策支持、风险提示、证据管理和治理服务。其价值是帮助责任主体作出更有依据的决定，不能通过给 AI 起一个岗位名称就把责任转走。

2. 人与人之间的关系

有些需求的组成部分，就是希望由一个真实的人参与。

例如，家属亲自陪伴、人与人之间的信任、共同经历形成的理解，以及人对另一位真实创作者的关注。即使机器能够提供部分相似体验，也不代表所有人会作出相同选择。

养老、教育、心理支持、文化和体验服务，都可能出现人机分工。AI 可以帮助准备、记录和处理重复事务，人把时间用于真正需要关系和在场的部分。但不能据此认定这些行业的所有岗位都会保留，也不能把人的陪伴简单当作不需要专业要求的商品。

3. 正当性、代表性与社会认同

有些决定需要被相关的人认可。组织选出的代表、争议双方信任的协调者、获得授权的审核人员，价值中包含“为什么由你来作这个决定”。

这与计算和推理能力有关，也与规则、授权、身份和信任有关。AI 可以提供辅助，但是否接受 AI 直接承担相关角色，要由具体制度和参与者决定。

因此，身份核验、授权记录、协商机制、独立审核和争议处理，可能继续有需求。这里形成的壁垒，需要建立在真实责任和可信规则上。

4. 真实来源和稀缺体验

当内容越来越容易生成，真实来源可能更受重视。一个人的亲历、一件作品的创作过程、一项成果的验证记录，都可能影响人们是否愿意相信和付费。

艺术、现场活动、手作和地方体验中，也可能存在对“由谁完成、在哪里发生”的偏好。这种偏好能否形成足够大的市场，需要看具体人群，不能假设所有人都会为“真人”支付更高价格。

5. 复杂现实中的处理能力

在环境不断变化、成本约束明显、需要灵活协调的现场，人的工作仍可能有阶段性优势。例如设备维护、非标准场景服务和异常处置。机器人一旦在可靠性和经济性上改善，边界又会变化。

因此，这类机会要按场景看，不能只靠“机器暂时做不到”建立长期判断。更值得积累的是现场知识、问题处理能力和服务网络，使自己也能参与后续的人机协作。

这些分析让我把关注点从岗位名称，转向岗位背后的需求。人类偏好、责任安排、信任和现实约束，可能使某些人的职能长期有价值，但具体人数、报酬和组织方式仍会变化。需要持续观察，不能用“不可替代”三个字代替分析。

五、AI 自身也会形成一条价值需求链

我们容易把注意力放在 AI 输出什么，却忽略了 AI 持续工作需要什么。

AI 的使用，需要有人或组织支付能源、硬件、数据和运维成本。这里所说的“AI 的需求”，实际上由模型公司、云平台、企业使用者、机器人运营者等主体作出采购和支付决定。找到真正的买方，比简单列出一批相关产业更重要。

1. 电力与稳定供能

训练和运行 AI 系统需要电力。需求不仅是发多少电，还包括电能否接入、何时供给、是否稳定、价格是否可承受，以及备用电源和储能怎样配置。

国际能源署的《Energy and AI》把数据中心用电及相关能源供应作为专门议题，说明能源是 AI 部署必须考虑的实际条件。这里不需要先假设强人工智能何时出现，就已经有现实问题需要解决。国际能源署报告

可能的参与方式包括能效服务、配电与供电设施、储能和备电、用能规划，以及具备条件后的能源项目。不同方式的资金、技术和许可门槛差异很大，需求增加并不意味着任何能源项目都能获得良好回报。

2. 算力、内存与硬件供应

AI 工作需要芯片、服务器、内存、封装、板卡和配套设施。不同任务对算力和内存的要求也不同，训练大模型、部署一个专业模型、执行一次普通推理，不能用同一套配置理解。

除了生产硬件，还可能有设备集成、性能优化、调度、维修和生命周期管理等机会。能否进入，要看供应能力、客户渠道、技术积累和资金条件。

尤其要警惕只看到设备需求，没有看到利用率和更新速度。买到算力不等于卖得出去；设备空闲、客户流失和技术折旧，都可能改变收益。

3. 存储、数据与网络

系统需要保存模型、业务资料、运行记录和备份，也需要在计算设备、数据中心和用户之间传输信息。

内存负责运行中的数据访问，长期存储负责保存和管理，两者不是可以相互替代的同一需求。高速集群互联、数据中心网络和用户接入网络，也各有不同要求。

相应机会包括存储管理、备份恢复、数据整理、低时延连接、安全传输和边缘部署。要判断客户真正遇到的是容量、速度、可靠性、成本还是权限问题，再确定产品。

4. 散热、空间与持续运维

计算密集的设备需要散热，并依赖机房、配电、监控和运维。冷却方案还会受到地点、水资源、气候和设施条件影响。

这里可以研究冷却设备、设施改造、设备监测、维修和节能服务。有些企业不需要成为整个数据中心的投资方，也可以在某个专业环节提供价值。

不过，设施需求受到部署位置、设备密度和技术路线影响。不能把某一种冷却方式或某一类土地视作必然受益的资产。

5. 可使用的数据、知识与验证

算力让系统能够运行，数据和知识影响它能否完成具体工作。

企业需要的不只是更多文档，还包括可合法使用的资料、准确的来源、清楚的结构、持续更新，以及能检查结果的样例与标准。数据整理、知识授权、专业评测、SOP 和 Skill 的维护，都可能成为服务。

这与智库的方向有直接联系。把经验整理成可理解、可使用、可验证的知识，是一项持续的工作，而不是把旧文件全部交给模型就结束。

6. 当 AI 进入机器人，需求会进一步进入实体世界

机器人还需要传感器、驱动部件、控制系统、电池或供电装置、机械结构，以及充电、维修、备件和回收服务。

落到客户现场，还涉及任务设计、场地适配、系统集成、安全检查和持续运行。机器人能否完成任务，与它能否在一个真实场所长期稳定、经济地完成任务，是两个需要分别验证的问题。

因此，机会不只在机器人整机制造，也可能在某一类场景的部署、维护和运营。例如先围绕一个具体场所明确任务、验收和人员协作，再判断是否适合按设备、租赁或已完成任务收费。

从这条需求链看，AI 越多地进入工作，可能越需要稳定的现实资源和专业服务。但需求增长不会自动转化为每个参与者的利润。还要判断谁控制关键资源、谁承担资本支出、谁能够取得订单，以及竞争会不会把价格压下来。

六、从人到 AI，再到更强智能与机器人，过渡本身有什么价值

我把“人、AI、更强的人工智能、机器人”放在一起思考，是为了观察能力与协作方式的变化。

它们不一定按同一条时间线依次出现。专用机器人已经可以在部分场景工作，未必需要等待通用人工智能；更强的软件智能也不代表所有现实工作都会同时自动化。不同地区和行业，可能长期处于不同阶段。

所以，过渡过程中所需要的价值，值得单独研究。

1. 先把人的工作说清楚

很多企业还不能清楚说明，一项成果如何产生，谁负责，输入是什么，做到什么程度算合格。

在这样的条件下，引入 AI 往往会把原本模糊的问题带进系统。工作梳理、知识整理、流程标准化和验收设计，本身就有价值，也可以作为研究、咨询和培训服务交付。

这一阶段，四向 SOP 可以帮助企业从业绩要求往下看，再从具体动作往上验证，避免只自动化一些动作，却没有改善业务结果。

2. 在人和 AI 共同工作时，处理好交接

哪些任务交给 AI，哪些需要人工批准，什么情况必须停止，失败之后怎样恢复，都需要具体安排。

企业还可能需要连接原有软件、整理权限、培训人员、监测质量和控制成本。系统集成、人机协作流程、持续运维，以及人员转型支持，都可能在这个阶段形成需求。

一项服务如果帮助企业减少了返工、缩短了等待时间，并且能够说明成本和责任，它的价值就更容易被客户理解。

3. 多个 AI 共同工作时，组织和治理会变得重要

当多个 AI 能力分别处理研究、执行和检查时，还要有人设计目标、任务分配、数据边界、预算、验收与异常升级。

这会形成对能力目录、任务调度、身份授权、测试和审计的需求。AI 系统越自主，越需要明确它可以代表谁做什么，以及谁有权暂停和纠正。

这些内容可以形成软件或服务，但不宜仅因为一个流程能够自动运行，就推定它有权替客户发布、付款或作出重大决定。设计和评估过程中的可信与风险管理，也是已有框架持续关注的方向。NIST AI 风险管理框架

4. 机器人进入现场时，连接数字流程与真实作业

数字系统里的任务，到了现实世界，会增加设备、环境、人员和安全约束。

场景评估、设施适配、部署、远程支持、维修、备件和运营管理，都可能成为客户需要购买的服务。这里要计算整体运行成本，不能只比较机器人价格和一个人的工资。

如果需要频繁人工接管，或停机会影响生产，维护和恢复的价值可能很高。反过来，随着机器人更成熟，部分一次性集成工作也可能减少。因此，服务需要不断从“帮助安装”走向“帮助持续运行并对结果负责”。

5. 能力继续增强之后，关注新的约束

如果未来出现能够更广泛完成认知和现实任务的系统，当前依赖某一种稀缺技能的服务，可能被重新定价。

在这种情景下，更值得观察的可能是：真实需求从哪里来，谁拥有合法的资源使用权，哪些体验仍然被人重视，如何承担责任，以及社会如何安排就业、收入和收益分配。

这是需要持续研究的未来情景，不能把它写成确定的时间表，也不能据此认定今天某个项目一定会成功。

七、整个社会的价值需求，可能怎样变化

把前面的线索放在一起，我觉得还需要同时观察几种变化。

第一，部分生产和服务的成本可能下降。以前因为成本太高而没有被满足的需求，可能有机会被满足，例如更细分的研究、更个性化的学习支持和更连续的运营服务。

第二，原来收费较高的一些工作可能被压价。内容生成、基础分析或常规操作变得容易之后，商业价值可能更多转向需求理解、质量验证、复杂交付和责任承担。具体向哪里转移，要看实际供需。

第三，新能力会增加配套需求。能源、算力、网络、设施、运维和治理，就是与 AI 扩张同时出现的需求。但这些环节也会受到效率提升、产能增加和技术变化影响。

第四，供给能力与购买能力需要分开看。即使社会能够生产更多产品和服务，如果部分人收入下降、转型困难，需求也不一定马上变成订单。就业转换、技能学习和利益分配，会影响机会最终能否形成市场。

第五，人可能更加重视时间、自主选择、关系、健康、真实体验和可信来源。这里既有商业机会，也有公共服务和制度安排的问题，不能都用同一种收费模式解决。

因此，观察下一阶段经济社会的发展，我想持续问的是：什么变得容易，什么仍然稀缺，什么新问题随之出现，谁愿意且有能力为解决它付费？

八、放到 WISERUNION 中，怎样理解这些机会

我在思考的 WISERUNION 智库、四向 SOP、Skill 和利益相关者生态，可以在这里连接起来。

智库整理问题和知识，形成思想、模型、方法、方案、工具和培训。四向 SOP 则进一步把这些知识与企业的工作联系起来：业绩需要哪些关键要素，哪些业务提供这些结果，哪些岗位承担相应职能，具体又由哪些动作来完成。

其中适合复用和执行的部分，可以逐步沉淀为 Skill。再通过资源生态、资本生态、运管生态和客户生态，组织真实的需求、专业能力和协作关系。

这里需要同时把“价值创造”和“价值分配”考虑进去。

有人提出思想，有人整理方法，有人提供工具，有人参与审核，有人组织交付，也有人提供资金或真实应用场景。各种贡献怎样记录、评估，并按照约定形成相应的利益和权益，是这套体系能否持续发展的重要问题。

因此，我看到的机会，是利用 AI 把知识、工作和协作关系连接得更清楚，让更多专业能力可以进入实际业务，也让参与者的贡献有机会被识别和合理对待。

这仍然需要通过实践验证。智库有内容，不代表每项内容都已经可执行；有了 Skill，也不代表它已经适用于不同企业。每一步都要记录适用条件、实际效果和需要修正的地方。

九、如果选择起点，我会优先考虑三个方向

第一，企业四向 SOP 梳理。围绕一个真实企业，先说清楚业绩形成的可能和关键要素，再梳理业务、职能及动作，形成能够继续讨论和改进的工作成果。

第二，企业研究与行动支持。围绕一个具体行业或经营问题，持续整理有来源的信息，形成问题清单、判断依据和行动建议，检验客户是否愿意持续使用。

第三，零号公司的共建任务。选择一个范围清楚、风险可控的真实任务，让不同角色与 AI 共同参与，记录输入、动作、成果、验收和贡献，观察协作规则是否真正有用。

这三个方向可以分别帮助我理解：客户为什么付费，知识怎样稳定交付，多方协作又怎样形成结果。

现阶段先选择合适场景做验证，比一开始铺开完整平台更容易发现真实问题。验证过程中形成的材料，也可以继续回到智库，成为案例、方法和工具的改进依据。

能源、算力和机器人等方向，也可以进入持续研究和资源对接的范围。但参与方式要与自身能力匹配：能够做研究、资源连接或专业服务，不代表马上具备建设重资产设施和制造整机的条件。对这些项目，要另行核实需求、技术路线、资金、许可和收益风险。

十、最后还是要回到需求与商业模式本身

AI 能完成一件事，与这件事能够形成持续的商业模式之间，还有一段距离。

我会继续看客户是否有真实需求，谁掌握预算，是否愿意重复付费，成果是否能验收，以及扣除模型、工具、数据、人工复核和返工成本之后，交付是否仍然合理。

还可以再追问一句：如果下一代模型能力明显增强，这项服务的价值会提高，还是会随之消失？答案会帮助我们区分阶段性机会和更值得长期积累的能力。

还要看知识和经验能否合法地积累下来，下一次是否更容易做好，同样的能力是否能在相近场景中复用。

这样看，AI 原生商业模式的研究，可以沿着一条比较清楚的路径推进：从客户需要的结果出发，组织人、AI 和资源完成工作，再通过验收与反馈，修正方法、流程和协作规则。

对 WISERUNION 来说，这也让我更清楚地理解了智库的价值。知识经过整理，可以帮助人理解问题；进入 SOP 和 Skill 后，可以进一步支持工作；在真实业务中反复使用和验证，又能推动知识继续发展。

我希望把这些问题放进同一张需求图中持续研究：人还需要什么，AI 运行需要什么，人机协作的过渡需要什么，新的生产能力又会怎样改变收入、消费和资源配置。

从这里出发，再回到具体企业、具体业务和具体任务，判断哪一项需求值得满足、由谁提供价值、如何形成收入，以及参与者怎样按照清晰的规则共同成长。这是我目前理解 AI 原生商业机会的方向。

说明

文中企业案例仅用于说明公开计费机制，不构成产品推荐或经营效果证明。官方页面于 2026 年 11 月 5 日核对，后续可能调整。

关于更强人工智能及机器人的分析属于情景讨论，不构成出现时间、岗位保留或商业回报的确定预测。