SI元年：企业与个人转型指南（2026 V2）
文章目录
上个月二十九号，美国总统签了一份行政令，要求联邦政府不再承认“人工智能”这四个字。
从那天起，美国的联邦机构在正式文件、对外沟通、网站和政策文件里，都要把“Artificial Intelligence”和“AI”换成“Super Intelligence”和“SI”。超级智能。
很多人当笑话看。我没笑。
一个名字用了七十年，突然被一个国家的行政系统强行改掉。这件事背后，藏着这个时代最重要的几条暗线：叙事，资本，权力，还有宗教。
这篇文章是一个新系列的第一篇。我管这个系列叫“转型指南 2026 V2”。
V1讲的是工具怎么用。V2要讲的是，世界的底层换了一套规则以后，一家企业、一个人，该去占哪个位置。
我会从这次改名讲起，讲到AI和宗教，讲到我这一年最确定的两个判断：无前端，和A2A。最后落到企业和个人的转型指南。
篇幅很长。可以收藏了慢慢看。
先说清楚这篇不讲什么：不推荐任何工具，不教你月入多少，不预言哪家公司会赢。工具三个月换一代，收入因人而异，输赢谁也说不准。
这篇只讲结构。结构变得慢，看懂了，能用很多年。
一、改名这件事，到底发生了什么
先把事实摆清楚。
九月十九号，美国总统在社交媒体上发了一个投票。他说“人工智能”这个叫法不准确，也不好听，然后给了三个备选：Superior Intelligence，Extreme Intelligence，Supreme Intelligence。优越智能，极致智能，至高智能。其中第一个和第三个，缩写都是SI。投票一天之内收到了十几万票。
十天以后，九月二十九号，白宫发布了一份行政令，标题叫《开启超级智能时代》。
行政令要求所有联邦部门和机构，在正式通信、公开沟通、政策文件这些地方，统一使用“Super Intelligence”和“SI”，并且不再承认“Artificial Intelligence”和“AI”这两个说法。它还要求总统的科技助理，提出一个联邦层面对“超级智能”的正式定义。已经发布的法规和合同，不需要改。
同一天，几家头部科技公司的掌门人在白宫签了一份关于超级智能的协议。按报道的说法，这是一份“道义上有约束力”的协议，各家承诺加强管控和内部审计。
然后，产业界几乎立刻跟上了。
英伟达的黄仁勋说，我们过去管这些东西叫数据中心，现在我们正在建的，其实是SI工厂，超级智能工厂。马斯克站在总统旁边讲话，嘴一滑说了AI，马上改口说SI。几天后，他宣布把SpaceX旗下的AI部门改名为SpaceXSI，还补了一句：不要AI了，SI更好。
也有不少人觉得这事很荒唐。有评论说得很直接：改名改不了任何一行代码，改不了任何一次训练，改不了任何一条监管。
这句话没错。
可是我想反过来问一句：既然改名改不了任何东西，为什么一个国家的最高行政机构，要花这么大力气去改它？
二、为什么偏偏是现在改名
我深扒了一圈，看到了至少四层原因。我不替任何一方站台，只讲我看到的结构。
第一层：“人工”这两个字，背了七十年的锅
“人工智能”这个词，是1955年一个叫约翰·麦卡锡的年轻数学家，为第二年夏天达特茅斯的一次研讨会写申请书时造出来的。
据说他起这个名字，有一部分原因是想避开当时很火的“控制论”，不想让新领域被控制论的那一套框住。
他大概没想到，这个临时起的名字，一用就是七十年。
“Artificial”这个词，在英语里有一层很微妙的意思：人造的，仿制的，不是真的。人造花，人造革，人造黄油。它天然带着一点“替代品”“仿冒品”的味道。
七十年来，这层意思一直在暗中给这门技术定调：它是在模仿人。模仿得再像，也是模仿。
这次的行政令里有一句话说得很直白：今天的前沿模型，能做的远远不止模仿或自动化人类智能的某些片段。
翻译一下：它已经不是仿制品了。
还有一段历史，很少有人提。
“人工智能”这个词，并不是一直这么风光。它经历过两次寒冬。
1973年，英国政府请数学家莱特希尔写了一份评估报告，结论很不客气：这个领域许下的承诺，大部分没有兑现。此后几年，英美的研究经费大幅收缩。八十年代末，专家系统的泡沫破裂，又来了第二次寒冬。
那些年，“人工智能”是一个不太体面的词。很多研究者干脆不用它，换个说法去申请经费：机器学习，模式识别，智能系统，数据挖掘。
一个名字，在不同的年代，可以是光环，也可以是污点。
七十年过去，这个词终于从寒冬里走了出来，红到发紫。然后，在它最红的时候，被一个国家的行政系统宣布：不要了，换一个更大的。
名字的命运，从来跟着叙事走。
第二层：名字决定了钱往哪里流
黄仁勋那句话，值得多读两遍。
“数据中心”是一个很平淡的词。听起来像机房，像电费，像成本。
“超级智能工厂”就不一样了。工厂意味着生产，意味着产出，意味着投进去的每一分钱都会变成产品。
这几年，全球几家科技巨头每年在算力上投进去的钱，是以几千亿美元计的。这么大的投入，需要一个配得上它的故事。
一个“仿制品”的故事，撑不起几千亿美元。一个“超级智能”的故事，撑得起。
第三层：命名权就是主导权
《圣经·创世记》里有一段，上帝把各种走兽飞鸟带到亚当面前，看他叫它们什么。亚当叫什么，那就是它的名字。
在很多古老的文化里，给一样东西命名，就意味着对它拥有某种权力。
这次的行政令，把“确保美国在超级智能上领先并获胜”写在了最前面。谁定义了这个时代的关键词，谁就在某种程度上定义了这个时代。
你注意一下，行政令里还有一条：由政府来提出“超级智能”的正式定义。
定义权，是比命名权更深的一层权力。以后什么东西算“超级智能”，什么不算，哪些公司的产品配得上这个词，都有了一个官方的尺子。
第四层：Supreme Intelligence，至高智能
我在那三个备选名字里，停在了最后一个上：Supreme Intelligence。
Supreme这个词，在西方语境里是有分量的。最高法院叫Supreme Court。在神学的语境里，“至高的存在”“至高的智慧”，指的是什么，大家都懂。
最后落地的是Super，没有用Supreme。但Supreme出现在候选名单里这件事本身，就已经说明了一些东西。
一个技术的名字，开始往神学的方向靠了。
这就是我想讲的第二件事。
同一件事，两种命名
把镜头拉回中国，你会看到另一种很有意思的命名方式。
去年八月，国务院印发了关于深入实施“人工智能+”行动的意见。名字里，“人工智能”四个字一个没改，后面加了一个加号。
这个加号的意思很清楚：人工智能要加到每一个行业里去。制造，农业，医疗，教育，政务。按文件里的目标，到2027年，智能体这一类应用在相关领域的普及率要超过七成。
一边，是把它往上抬：超级，至高，一个配得上几千亿美元投入的宏大叙事。
另一边，是把它往下铺：加号，像水电煤一样，铺进每一个车间、每一块田、每一间诊室。
我不评判哪一种更好。我只想提醒一件事：同一项技术，不同的命名方式，会长出完全不同的生意。
往上抬的叙事里，机会在最顶端：算力，模型，基础设施，资本密集的大玩家。
往下铺的叙事里，机会在最末端：一个具体的车间，一个具体的流程，一个具体的老板，他不在乎这东西叫什么，只在乎它能不能让他的厂少出错、多赚钱。
后面这篇文章讲的大部分生态位，都长在第二种叙事里。
三、AI和宗教
今年五月二十五号，梵蒂冈发布了教皇利奥十四世的第一份通谕，题目叫《伟大的人性》（Magnifica Humanitas），主题是在人工智能时代保护人的尊严。
这份通谕有几个细节，我觉得非常有意思。
第一，这位教皇当选的时候就说过，他选“利奥”这个名字，部分是为了纪念上一位利奥，利奥十三世。那位教皇在1891年写过一份著名的通谕，叫《新事》，讨论的是第一次工业革命带来的劳工和资本问题，后来成了天主教社会训导的奠基之作。
第二，这份新通谕的签署日期，特意选在了五月十五号，正好是《新事》发表一百三十五周年。
第三，通谕发布的那天，教皇亲自出席了新闻发布会，身边坐着一位全球增长最快的AI公司之一的创始人。教皇亲自出席通谕发布会，这是头一回。
一百三十五年前，教会回应的是蒸汽机。今天，教会回应的是AI。
教会把这件事看得很清楚：这是又一次工业革命，而且这一次，被冲击的不只是工人的双手，是人到底是什么。
梵蒂冈那边有人说过一句话，我印象很深，大意是：给AI设伦理边界没有用，任何伦理条款都可以被操纵、被绕开；问题在于人类学，在于机器和算法背后，我们到底怎么看待人。
这份通谕后来被很多媒体概括成一句话：呼吁世界“解除”AI的武装。
你看，一边是“超级智能”，“至高智能”，“超级智能工厂”。另一边是“伟大的人性”，“保护人的尊严”，“解除武装”。
这两份文件放在一起读，你会读出这个时代最深的一道裂缝。
AI正在变成一种信仰
我说AI和宗教有关，不只是因为教皇写了通谕。
我观察到的是，越来越多的人，跟AI的关系越来越像人跟神的关系。
遇到不懂的事，第一反应是去问它。它说的话，很多人不再核实。它说你这个方案好，你就安心了；它说你这个想法有问题，你就焦虑了。有人跟它倾诉，有人向它求一个决定，有人把它当成唯一的倾听者。
古代人遇到大事，去庙里求签，去神殿求神谕。今天的人，打开对话框。
我以前写过一篇文章，讲AI的回答正在变成所有人的外部记忆。现在我想再往前推一步：AI的回答，正在变成很多人的外部信仰。
据说一百年前，哲学家维特根斯坦回到剑桥，在橱窗里看见挂着爱因斯坦和罗素的像，说了一句很重的话：人类的文明从来没有这样堕落过。他的意思是，我们把神从殿堂里请了出去，又把科学家的像挂了进去。换了一个神，崇拜的姿势没变。
今天，我们正在把另一样东西挂进殿堂。
硅谷早就有人在建庙了
说AI正在变成一种信仰，听起来有点夸张。可这件事，硅谷早就有人公开做过。
2005年，雷·库兹韦尔出了一本书，叫《奇点临近》。书里描绘了一个机器智能超越人类、人和机器融为一体的未来。很多人读这本书的心情，跟读一本预言书差不多。
2017年，一个在自动驾驶领域很有名的工程师，注册了一个宗教组织，宗旨是推动和敬拜以AI为基础的“神性”。这个组织几年以后解散了，但它存在过。
你可以觉得这些都是边缘人物的怪事。可是当一个国家的行政令，开始用“超级”“至高”去称呼一项技术，当最大的芯片公司把机房叫做“工厂”，把产品叫做“超级智能”，这种语言本身就在做一件事：把一项技术，从工具的位置，往神的位置上推。
为什么偏偏是这个时代
我前段时间看过一个讲追星的分析，说追星是东亚年轻人唯一真正在从事的“政治活动”。几十万人跨时区协同，分级管理，统一口径，清理叛徒，组织舆论战。拿掉“偶像”两个字，这就是一份完整的组织动员手册。
它背后有一个更深的判断：人对归属、对秩序、对“把自己交给比自己更大的东西”的渴望，是一直存在的。这股能量找不到合适的出口，就会涌进最近的那个容器。不管这个容器叫后援会，还是叫教会。
AI，正在成为这个时代最大的容器。
它全知（看起来），它全能（看起来），它永远在线，永远耐心，永远不嫌你烦。它比任何偶像都更像神。
而现在，它连名字都往“至高”那边靠了。
那我们该怎么站
我自己的立场很简单：当工程师，别当信徒，也别当异教徒。
信徒把它当神，它说什么都对。异教徒把它当魔鬼，它做什么都错。这两种人，最后都会被它淘汰。
工程师的态度是：用它，靠它，同时验它。
它说完成了，我要读回来看。它说这个判断对，我要知道依据。它说这个方案好，我要看它考虑了哪些、漏掉了哪些。
我自己每次拿到一个重要的AI回答，会问三个问题。
一，你的依据是什么？能不能指给我看？
二，你漏掉了什么？如果让一个最挑剔的对手来看这个答案，他会从哪里下手？
三，如果你错了，代价是什么？由谁来付？
三个问题问完，大部分时候答案还是能用的。但我会清楚地知道，它哪里可信，哪里要我自己兜底。这就是工程师和信徒的区别：信徒只要一个答案，工程师要知道答案的边界。
这件事落到企业和个人身上，就是后面整篇指南的底色：信任，但要验证。
名字可以叫超级智能。尺子必须握在人手里。
SI这个名字，对你的生意意味着什么
讲了这么多宏大的东西，落回到一个老板、一个做事的人身上，这次改名有三个很现实的影响。
第一，客户的预期会被抬高。 当整个社会开始管这东西叫“超级智能”，你的客户就会默认它无所不能。他会期待你用了它以后，交付更快、价格更低、质量更高，而且是一下子全部做到。
预期一旦被抬到天上，落差就会很大。
1995年，一位叫杰姬·芬恩的分析师画过一条后来很有名的曲线，叫技术成熟度曲线：一项新技术出来，先被捧上“期望膨胀的顶峰”，然后掉进“幻灭的低谷”，很久以后才爬上“生产力的平台”。
改名这件事，很可能会把这条曲线的顶峰再往上推一截。顶峰越高，后面的低谷越深。
所以，跟客户谈的时候，别跟着喊“超级”。把你能做到的、做不到的、需要多久，说得清清楚楚。在一片“超级”的喧嚣里，一个说实话的人，会显得格外可信。
第二，会出现一大批“SI洗白”。 过去几年，什么都往“AI”上靠，一个普通的软件加个聊天框，就叫AI产品。接下来，会有一大批东西换个名字，往“SI”上靠。
对买东西的人来说，这意味着你要更会验货。对卖东西的人来说，这意味着标签越来越不值钱，记录越来越值钱。
第三，合规和采购的语言会变。 美国联邦政府要出一个“超级智能”的官方定义。将来跟政府、跟大企业打交道，你的产品算不算SI、属于哪一类、要满足什么要求，都会有一套新的说法。
做出海、做跨境、跟海外大客户打交道的人，要开始留意这套语言。语言变了，门槛就跟着变了。
四、2026 V2的世界：三个已经发生的事实
讲完改名和宗教，回到地面。我们先看三个已经发生、但很多人还没反应过来的事实。
事实一：网上的机器，已经比人多了
今年六月三号，Cloudflare的CEO发了一条消息：机器流量第一次超过了人类流量。
Cloudflare大约覆盖全球五分之一的网站。按他们的数据，HTML网页流量里，自动化请求占了百分之五十七点五，人类只剩百分之四十二点五。
他自己说，原本以为这件事要到2027年底才会发生，后来觉得是2027年初，结果agent流量涨得太快，提前来了。
这里面增长最快的，是一种新东西：替人上网的agent。老式的爬虫，反而排在后面。它们替人浏览网页，填表，比价，完成交易。有一份行业报告说，这类agent流量一年增长了七千多倍。
注意，人类上网的总量并没有减少。是机器增长得太快了。
事实二：机器开始替人买东西了
Shopify的数据显示，从2025年1月到2026年1月，由AI带来的订单增长了十一倍。今年三月，Shopify给所有店铺默认打开了一个功能，让店铺可以直接被agent读取和下单。
今年一月，Google联合沃尔玛、Target、Shopify等二十多家合作方，推出了一套给agent用的商业协议。在这之前，OpenAI和Stripe已经开源了另一套，让人可以直接在对话里完成购买。
这几年，给agent用的协议一层一层地长出来：让模型调用工具的，让agent和agent对话的，让agent付钱的，让agent下单的。
Adobe的数据说，今年第一季度，从AI过来的流量涨了三倍多，而且转化率比传统搜索过来的还高。
这件事的意思是：你的下一个客户，很可能先派一个agent来看你。
事实三：大公司在跑，小公司在看
模型这边，一个月相当于过去一年。光是九月，几家头部公司就发了十几个新模型。同一件活，用最贵的和最便宜的模型，成本能差一百倍以上。能力最强的模型，已经可以有一半的把握，独立完成一个专业人员要干十几个小时的任务。
可是麦肯锡今年的调查发现，年收入十亿美元以上的大公司，规模化用agent的比例一年从27%涨到了40%；小公司一年没动，还是22%。
工具是平权的。用工具的能力，一点都不平权。
这三个事实放在一起，指向同一个结论：互联网的主要使用者，正在从人变成机器。
这就引出了我这一年最确定的一个判断。
五、无前端
我管它叫“无前端”。
意思很简单：以后很多产品和服务，不再需要给人做界面。
因为使用它们的，越来越多是agent。agent不需要按钮，不需要页面，不需要漂亮的配色和动画。它需要的是：能被调用，能被读懂，能付钱，能拿到结果。
前端本来是什么
我们今天习以为常的图形界面，历史并不长。
1973年，施乐的研究中心造出了Alto，第一次把窗口、图标、鼠标放在了一起。1984年，苹果的Macintosh把这套东西带进了普通人的家里。从那以后，四十多年，软件行业的一大半力气，都花在了“前端”上。
前端是干什么的？说穿了，它是一个翻译。
机器里面是数据、逻辑和接口，人看不懂，也不会用。于是我们造了一层皮，把机器的能力翻译成人能看懂的样子：按钮，表单，菜单，页面。
整个互联网的商业模式，很大一部分都建在这层皮上。流量，转化率，用户体验，广告位，落地页，增长漏斗。这些词，全都是围绕“让人在页面上多待一会儿、多点一下”发明的。
当使用者不再是人
现在，这个翻译的对象变了。
agent读网页，不看界面，它读结构。很多agent根本不执行网页里的那些脚本，你精心埋的统计代码，它们一行都不会跑。有数据显示，给agent直接提供纯文本，比给它一整页花里胡哨的网页，体积能小很多。
你花了几十万做的那个首页，在agent眼里，可能就是一堆它要费力剥掉的包装纸。
当使用者从人变成机器，前端这层翻译就变得多余了。
它不会一夜之间消失。人还是要看东西，要确认，要签字，要感受。但前端会从“产品本身”，退成一个“给人看一眼的回执”。
真正的生意，会发生在界面后面。
那留给人的那一层，还剩什么？
我觉得会剩三样东西。
一是确认。agent谈好了，选好了，算好了，最后那一下“好，就这么办”，还得是人来按。所以留给人的界面，会越来越像一张回执：简短，清楚，告诉你发生了什么、要你确认什么。
二是感受。一家餐厅，一件衣服，一次旅行，一场演出。这些东西的价值本来就在体验里，agent替你订了位置，替不了你吃那一口。这一类生意，前端不但不会消失，反而会更讲究。
三是信任的仪式。签合同，见面，握手，一句只有你们俩知道背景的话。这些东西机器替不了，也正因为替不了，它们会变得更郑重。
亚马逊二十多年前就干过一次
无前端这个想法，并不是凭空来的。
大约2002年，亚马逊内部有过一道很有名的命令。据后来流传出来的说法，大意是：所有团队，必须把自己的数据和功能，通过服务接口暴露出来；团队之间只能通过这些接口沟通，不许绕过去；而且每一个接口，从设计的第一天起，就要按“将来可以开放给外部开发者”的标准来做。不照做的，走人。
这道命令在当时被很多人骂。可是后来，正是这套“每个能力都能被别人调用”的结构，让亚马逊能把自己内部的基础设施，打包卖给全世界。那就是后来的云服务。
二十多年前，亚马逊在公司内部干了一次“无前端”：让每个团队的能力，先能被机器调用，再谈给人用的界面。
今天，整个互联网都要被逼着干一次。
无前端时代，产品由什么组成
我自己的理解是，一个无前端的产品，核心只剩四样东西。
能力。 你到底能解决什么问题。这一点越来越没法靠包装掩盖了。agent会比价，会试用，会对比，会去读别人对你的评价。
契约。 你的能力怎么被调用，输入是什么，输出是什么，价格多少，多久交付，出了问题怎么赔。这些东西要写得清清楚楚，机器能读懂。
价格。 不再是“点这里咨询”，是一个agent能直接读到、直接比较、直接下单的价格。
证据。 你过去干得怎么样。交付记录，验收结果，退款率，真实客户的评价。这是无前端时代的品牌。
以前的品牌是视觉，是logo，是广告，是你让人记住的那种感觉。无前端时代的品牌，是你的可靠性记录。
谁会受伤，谁会受益
受伤最重的，是那些护城河建在“界面”和“流量”上的生意。
靠页面设计取胜的，靠信息不对称取胜的，靠把用户困在漏斗里取胜的，靠广告位赚钱的。agent不看广告，不会被页面绕晕，不会因为一个按钮颜色好看就多点一下。
受益最大的，是那些真正有能力、有数据、有口碑的人。
以前，一个手艺很好、但不会做营销的人，很难被看见。他的网站很丑，他不懂投放，他写不出漂亮的文案。
在无前端的世界里，agent不在乎你的网站丑不丑。它在乎你能不能干、干得怎么样、价格合不合理。
这是一次对“真本事”的重新定价。
怎么开始做无前端
不管你是企业还是个人，可以从这几件事开始。
第一，把你的服务写成一份机器能读懂的说明书。你做什么，不做什么，价格怎么算，多久交付，怎么验收，用一种结构清楚、没有废话的方式写出来，放在公开的地方。
第二，在你的网站上，单独统计agent流量。很多人到今天还不知道，自己网站上有一半以上的访客根本不是人。
第三，给你的核心能力开一个可以被调用的口子。可以是接口，可以是agent能用的工具协议，可以是一个专门给agent看的页面。让别人的agent能直接用到你，不用先绕过一层给人看的皮。
第四，把你的证据攒起来，公开出来。每一单的验收结果，每一个客户的反馈。这些东西，就是你在agent世界里的信用分。
第五，想清楚怎么向agent收费。已经有人在做这样的事：网站和内容方不再一味地屏蔽机器，开始给机器的访问定价，让agent付费读取。你的内容、你的数据、你的能力，被机器大量使用，这本身就可以是一门生意。别只想着防，也想想怎么收。
六、A2A：纯粹由AI产出的价值
第二个判断，是A2A。
A2A，Agent to Agent，agent和agent之间直接打交道。Google在2025年推出过一个同名的开放协议，就是为了让不同公司、不同框架做出来的agent，能用同一种语言对话、分工、交接。
今年年初，还出现过一个专门给agent用的社交网站，自称是“agent互联网的首页”。到二月，上面已经有一百多万个活跃的agent，平均每个人类主人背后，有八十多个agent。它们自己发帖，自己评论，自己投票，没有人在中间。
很多人看到这种东西，第一反应是：这有什么用？一群机器在那儿自说自话。
这个问题问得很好。它其实是整个A2A时代最核心的问题：
纯粹由AI产出的东西，到底能给人类带来什么价值？
先说没有价值的那部分
今天互联网上，新发布的文章大概有一半是机器写的。机器写的东西又被下一代机器读进去，接着写。一代一代下去，会越来越平均，越来越像，最后塌成一团没有信息量的东西。有研究专门讲过这个现象，叫模型崩溃。
如果A2A只是机器跟机器互相生产内容、互相刷数据、互相点赞，那它就是一个巨大的、耗电的空转。
我在前面讲过饭圈：组织很严密，热情很高涨，不指向任何地方。机器版的饭圈，只会更快、更大、更空。
再说有价值的那部分
我自己判断A2A有没有价值，只用一把尺子：
它最后有没有在人那一端兑现。
兑现成一个更好的决定，一笔省下来的钱，一段还给人的时间，一个少犯的错，一件真实世界里被改变的东西。
按这把尺子，我看到至少六种A2A正在产生真价值。
第一，替人跑腿。 搜索，比较，筛选。以前你买一样东西、找一个供应商，要自己翻几十个页面。现在你的agent去跟几十个卖家的agent问一圈，带回来三个选项。省下来的，是你的时间。
第二，替人谈常规条款。 大量重复的、标准化的谈判，比如询价、交期、常规条款，两边的agent在后台谈好，人只做最后的点头或摇头。这逼着每个做生意的人，第一次把自己的底线写清楚。
第三，替人验收。 干活的agent和验收的agent分开，一个说完成了，另一个把结果读回来逐条核对。这是A2A里我最看重的一种，因为它直接对抗了AI最大的毛病：谎报完工。
第四，替人模拟。 让一群模拟出来的客户、对手、监管者，跟你的方案对练几百次。它给不了你答案，但能帮你在真金白银砸下去之前，筛掉那些显而易见的错误。
第五，替人维护。 代码，系统，数据，文档。大量没人愿意干、但不干就会出事的维护工作，可以由agent之间互相交接、互相检查着做下去。
第六，替人连接。 两个本来永远不会认识的人，因为他们的agent在某个地方碰上了，发现彼此需要对方。这可能是A2A最被低估的一种价值：它让撮合的成本降到了几乎为零。
你会发现，这六种价值，没有一种是“机器替人思考”。它们都是机器替人干那些人本来就不想干、又不得不干的事，然后把结果交还给人。
举个例子，把这几种价值串起来看。
假设一家做小家电的工厂，要采购一批新的包装材料。
以前，采购员要上网搜、打电话、加微信、要报价、要样品、比价格、谈账期，来来回回一两周。
在A2A的世界里，工厂的采购agent会先把需求写成一份结构化的单子：规格，数量，交期，预算上限，质量标准。然后它同时去问二三十家供应商的agent。供应商的agent读懂需求，自动报价，附上自己的交付记录和检测报告。
采购agent把明显不合格的筛掉，跟剩下的几家在常规条款上来回谈几轮。与此同时，另一个专门负责验证的agent，去核对这些供应商的资质和过往记录，看有没有对不上的地方。
最后，采购员收到的，是三家候选，每一家都附着谈好的条款和验证结果。他要做的，是凭他对这个行业的手感，挑一家，按下确认。
这个过程里，没有一页网页是给人看的。人只出现在两头：一头提出需求，一头做最后的判断。
中间那一两周，被压缩成了几个小时。省下来的时间，还给了人。
A2A的价值，在于把人从“系统和系统之间的胶水”这个角色里解放出来。
过去几十年，无数人的工作，本质上是在两个系统之间搬数据、传话、对账、跟进。这些工作，是A2A最先吃掉的，也是最该被吃掉的。
怎么算A2A值不值
很多老板问我：我上了一堆agent，让它们互相协作，怎么知道到底值不值？
我的建议是，别看它们干了多少，看人那一端兑现了多少。只盯四个数。
一，周期。 一件事从发起到完成，以前要多久，现在要多久。
二，返工。 交出去的东西，有多少被打回来重做。agent干得快不代表干得对，返工率是最诚实的指标。
三，人时。 人在这件事上真正花的时间，以前多少，现在多少。注意，是真正花的时间，包括盯着它、检查它、给它收拾残局的时间。
四，错误的代价。 出过多少错，每个错花了多少钱去补。
这四个数，任何一个变好，A2A就在创造价值。如果agent之间的对话越来越热闹，这四个数却一动不动，那就是在空转。
A2A的暗面
讲完价值，也要讲风险。我看到的至少有三个。
第一，冒充。 你的agent面对的那个agent，真的代表它声称代表的那家公司吗？声音可以造，脸可以造，一个agent的身份当然也可以造。已经有很多金融机构公开表示，担心agent购物会带来一波新的欺诈。
第二，投毒。 agent会读别人的东西。如果对面在它要读的文字里，偷偷埋一段指令，让它泄露信息、改变决定、多付一笔钱，你的agent未必分得清。agent之间的对话越多，这种暗箭就越多。
第三，空转。 机器跟机器互相生产、互相引用、互相点赞，最后产出一大堆没有任何人需要的东西，却消耗了真实的电和真实的钱。
这三个风险，恰恰就是下一节要讲的那几个生态位的来源。哪里有风险，哪里就有生意。
七、现在该占哪些生态位
讲到这儿，最实际的问题来了：在一个无前端、A2A、机器流量超过人类的世界里，现在该去占哪些位置？
我把我看到的生态位，分成七个。
先讲一个生物学的老结论。
1934年，苏联生态学家高斯做过一个实验：把两种草履虫放在同一个培养瓶里，吃同一种食物。过一段时间，总有一种会被另一种挤死。后来人们把这个现象总结成竞争排斥原理：两个物种，如果争夺完全相同的资源，就没法长期共存。
那它们怎么活下来？分化。一个吃上层的，一个吃下层的；一个白天出来，一个晚上出来。达尔文在加拉帕戈斯群岛看到的那些雀鸟，喙长得各不相同，就是因为它们各自吃不同的东西。
生态位，说的就是这件事：在同一个环境里，找到一个别人不跟你抢、或者抢不过你的位置。
AI时代的生意也一样。所有人都冲进同一个赛道，做同一种AI应用，用同一个模型，讨好同一批用户，结果只能是互相挤死。
活下来的办法，是分化。
生态位一：被调用的那一端
以前，你要做的是让人找到你。以后，你还要让agent能调用你。
把你最擅长的那一件事，做成一个能被agent直接调用的服务。可以是一段专业的分析，一个特定领域的审核，一类数据的处理，一种只有你会的判断。
这个生态位最适合那些手艺很深、但一直不擅长营销的人。agent不看你的营销，只看你的能力和记录。
起步的办法：从你最常被问到的那个问题开始。把你回答它的方式，整理成一套稳定的流程，再把这套流程写成一份别人能直接调用的服务。先服务十个人，攒下十条记录。
风险在于：一旦能被调用，你也就能被比较。你的价格和质量，会被摆在别人的agent面前，跟一群对手放在一起看。所以，这个位置适合真有东西的人。
生态位二：信任层
agent越多，信任越贵。
谁来验证一个agent说的是真的？谁来证明一个交易真的完成了？谁来记录发生过什么？谁来确认对面的那个agent，真的代表它声称代表的人？
验收，审计，日志，身份，权限，凭证。这一整层东西，今天还非常粗糙。
我自己一直在琢磨的一个方向，就是给agent在系统层面单独发身份：自己的账号，自己的权限边界，自己的凭证，每一次操作都记在它自己的名下，而且它改不了自己的日志。这个方向我打算花很多年去做。
我相信这一层，会长出很多大生意。
适合谁：懂安全、懂系统、懂审计、懂合规的人。尤其是那些在大公司里干过风控、干过运维、干过安全的人，你们过去的经验，在这一层会重新值钱。
起步的办法：先从你自己身边的问题做起。你自己的agent，怎么验收，怎么留日志，怎么管权限。把你自己的这一套跑通了，就是你最好的产品。
生态位三：原件的持有者
当一半的内容是机器写的，人写的、真实的、带着体温和错误的原件，就变得越来越值钱。
一个行业里真实的案例，一家公司多年的交付记录，一个专家踩过的所有坑，一批GPT出现之前的老数据。有人把2022年以前的互联网数据，叫做“低本底数据”，就像二战以前炼的、没被核尘埃污染的老钢。
谁手里有原件，谁就能训练出别人训练不出来的专业小模型。
所以从今天起，开始留记录。每一单的来龙去脉，每一次判断的依据，每一次失败的原因。这些东西现在看起来很琐碎，几年以后，它们是你最值钱的资产。
适合谁：做了很多年某一个行业、手里攒着大量案例和经验、但一直没想过怎么把它变成资产的人。
风险在于：原件要真。编出来的案例、修饰过的数据，训练出来的东西会骗人，最后骗的是你自己。
生态位四：路由和编排
模型越来越多，越来越分化。有的便宜，有的聪明，有的专精，有的会看图，有的会打电话。
大部分企业，根本不知道哪件活该交给哪个模型。很多公司的做法，是统一买一个最贵的，所有活都往里扔。等于让总工程师去搬砖。
帮企业挑模型、分任务、控预算、设验收，这个位置会越来越重要。它需要懂技术，也需要懂生意。
适合谁：做过技术选型、做过成本管控、在甲方乙方都待过的人。这个位置不需要你会训练模型，需要你清楚每一类活大概值多少钱，以及哪一类活错了会出大事。
生态位五：兑现层
AI能产出大量的东西：方案，代码，报告，分析。可这些东西，大部分还停在“产出”这一步，没有变成“结果”。
中间缺一个人：一个能坐在客户旁边，把AI的产出变成客户真正能用、敢签字、能落地的结果的人。
有一个职业叫前置部署工程师，就是专门干这个的。他们不在总部写产品，他们驻扎在客户那里，把技术和客户真实的业务焊在一起。
我越来越觉得，这会是AI时代最稀缺、也最不容易被替代的一类人。因为他们干的，恰恰是机器最难干的那部分：理解一家具体的公司，理解一群具体的人，在一个说不清楚的现场做判断。
适合谁：既懂一点技术、又愿意蹲在业务现场的人。你不需要是最好的程序员，也不需要是最懂行业的专家。你需要的，是能把两边的话互相翻译的本事，以及不怕脏不怕乱的耐心。
生态位六：人的那一端
机器越多，人越贵。
越来越多的采购，第一关由agent来筛。可是筛完以后，最后拍板的，还是人。到了人那一关，规矩又变回了最古老的那一套：信任，见面，一句只有你们两个人才知道背景的话。
现在一封写得很漂亮的邮件，已经证明不了什么。一次亲自打来的电话，一次专程的见面，越来越值钱。
一个人能维持稳定关系的人数，大约是一百五十个。有人写过一篇著名的文章，叫《一千个铁杆粉丝》。
一百五十个人，一千个人。这是普通人在这个时代最结实的护城河。AI会去算得过账的地方，人多、钱多、带点垄断的行业，是它最想吃的。服务一百五十个人、靠信任吃饭的小生意，它算不过账，不会来。
适合谁：几乎所有人。这是最没有门槛、也最难的一个生态位。没有门槛，是因为每个人都有自己的一百五十个人；难，是因为信任只能一点一点攒，没有捷径，也没法外包。
生态位七：老系统的看门人
大部分企业里，都有几套很老的系统。没有接口，界面很丑，只有一两个老员工会操作，谁都不敢动。
以前，要么雇人专门伺候它，要么下狠心花几个月推倒重来。现在，会用电脑的agent可以像人一样看着屏幕去操作它。
谁能把这些老系统接进agent的世界，又不把它们搞崩，谁就占住了一个很实在的位置。这个位置不性感，但每家公司都需要。
适合谁：在传统企业里干过很多年信息化、对那些老系统又爱又恨的人。你知道它们哪里脆弱，哪里不能碰，哪一步点错了会出大事。这种知识，没有写在任何文档里，agent学不到，只有你有。
生态位八：给agent写东西的人
最后一个生态位，很少有人意识到。
以前，我们写东西给人看。写文案，写说明书，写产品介绍，写帮助文档。
现在，有越来越多的读者是agent。它们读你的产品说明，读你的价格表，读你的服务条款，读你的案例，然后决定要不要把你推荐给它的主人。
给agent写东西，是一门新手艺。它要求的跟给人写完全不同：不需要修辞，不需要情绪，不需要吸引眼球。它需要的是准确，完整，结构清楚，没有歧义，能被验证。
以前这叫搜索引擎优化，后来有人叫它生成式引擎优化。我觉得它最终会变成一门更朴素的手艺：把真实的东西，写清楚。
谁能帮企业把自己的能力、价格、记录，写成agent一读就懂、一查就对的样子，谁就占住了这个位置。
适合谁：写过技术文档、写过产品说明、做过知识库的人。过去这类工作常常被当成边角料，没人重视。在agent成为主要读者的世界里，它会变成一门正经的手艺。
七点五、几个正在消失的位置
讲完该去哪，也得说说哪里别去。下面这几个位置，我看到正在快速塌陷。
套壳。 在别人的大模型外面包一层界面，换个名字，加点提示词，就当成一个产品来卖。这类生意，每一次底层模型升级，都可能被直接吃掉。模型厂商自己加一个功能，你的整个产品就没了。无前端时代，它连那层界面的价值都在消失。
卖“AI入门课”。 前两年，教人怎么用AI是一门好生意。现在，AI自己就能教你怎么用它，而且比大部分课讲得更有耐心。除非你教的东西，跟一个具体行业、一个具体岗位、一套具体的流程焊死在一起，否则这门生意会越来越难做。
流量套利。 批量生产内容，吃搜索引擎的流量，再转卖给广告主。当机器流量超过人类流量，当agent不看广告、直接去读结构化的信息，这条路会越走越窄。
纯信息差。 我知道你不知道的，所以你付钱给我。现在任何人问AI，一秒钟就能拿到一份八十分的答案。只靠信息差吃饭的中介，会被大面积挤压。剩下的，是判断差：同样一份答案，谁知道该信哪一半。
这四个位置有一个共同点：它们都建在“人看不见、人找不到、人不知道”上面。agent把这些“看不见”一层一层掀开了。
八、个人转型指南 V2
下面是给个人的。我把它压成九条。
第一条，先清点。 你现在拼命追的东西，哪些是自己要的，哪些是别人塞给你的。需要得少，才敢慢。敢慢，才有后面的一切。
第二条，找到你的不变量。 每次遇到难事，你都做了什么？每次快成的时候，你又干了什么？那个一次又一次重复的动作，就是你的命门。转型要改的是它，其他都是噪音。
第三条，泡核桃，别砸核桃。 数学家格罗滕迪克说过，解决难题，大部分人拿锤子砸核桃，他的办法是把核桃泡在水里，几个月，几年，直到有一天轻轻一碰，它自己就开了。AI来了，很多人马上要一个答案，“我要做AI自媒体”“我要卖课”。这种答案的作用是止疼。疼一止住，你就不看了。
第四条，画一条外包线。 活随时能拿回来自己干，叫外包；拿不回来了，叫依赖。你吃饭的那门手艺，必须一直能拿回来。
第五条，学会写清楚。 你写得模糊，agent就模糊地执行，然后清清楚楚地告诉你“已完成”。一份好的任务说明，至少要有五样东西：要什么结果，为什么要做，边界在哪里，怎么算完成，完成后交回什么证据。能写清楚的人，管人也管得好。
第六条，把自己做成能被调用的。 想一想，你最擅长的那件事，能不能变成一个别人的agent可以直接调用的服务？哪怕先从一份写得清清楚楚、机器能读懂的服务说明开始。
第七条，公开思考。 买家的agent去搜“这件事谁做得好”，它只会找到它读过的人。你不写，在agent眼里你就不存在。把你真正懂的那一小块写出来，你踩过的坑，你做判断的依据。不用写给所有人，写给那一百五十个能认出你的人。
第八条，先问，再卖。 有人跟了三万五千多次真实的销售拜访，发现大单里，成交率高的销售说得少、问得多。方案现在几乎免费，AI一秒钟能写十个。值钱的，是你在出方案之前问的那几个问题。问清楚现状，问清楚问题，问清楚不解决会怎样，问清楚解决了值多少钱。然后按结果报价，别按时间报价。
第九条，给自己装一个开关。 AI拿走了那些让人每天有成就感的小活，剩下的全是难事。很多人说不清为什么累，就是因为一整天都在做最难的判断，却从来没有一个“收工”的时刻。睡前把明天的事写在纸上，大脑才敢放手。每周留一天什么都不碰。接受自己会累，会焦虑。接受了，就有了开关。
给个人的三个月
如果你想今天就开始，我建议这样排。
第一个月：清点和记录。 列一张表：你现在每天干的事，哪些是在传递信息，哪些是在做判断。前者，试着交给agent；后者，开始记下来，每一次判断的依据是什么。这个月结束，你会第一次清楚地看见，自己真正值钱的是哪一部分。
第二个月：写说明书。 把你最擅长的那一件事，写成一份机器能读懂的服务说明：你做什么，不做什么，怎么收费，多久交付，怎么验收。然后拿去给几个老客户看，问他们：如果你的agent来找我，看到这份东西，能直接下单吗？
第三个月：公开思考，找到你的一百五十个人。 每周写一篇，写你真正懂的那一小块。不追热点，不求爆款。写给那些能认出你的人。三个月以后，你会发现，找你的人变了。
八点五、转型的心理学
上面这些方法，很多人看完都同意，然后什么都没做。
这不怪你。转型最大的敌人，在你脑子里。我把我看到的几个心理机关，一个一个拆开说。
第一个机关：现状偏差。 什么都不做，是大脑的默认选项，不需要任何理由。做点什么，才需要理由。所以哪怕现状很糟，人也倾向于维持现状。
第二个机关：损失厌恶。 心理学家卡尼曼和特沃斯基发现，失去一样东西的痛，大约是得到同样东西的快乐的两倍。你还没开始转型，大脑已经替你把可能亏的那一半，算了两遍。
对付这两个机关，最好用的工具，来自一封股东信。2015年，贝佐斯把决策分成两种：单向门和双向门。单向门，走过去就回不来，要慎重；双向门，走错了可以退回来，应该快。
大部分转型的第一步，其实是双向门。试着让agent接一个小活，试着把一个流程改一改，试着单干三个月。错了，退回来就是。把第一步设计成双向门，大脑就不会拼命拦你了。
第三个机关：止疼冲动。 人受不了“我不知道”。不确定会让人焦虑，于是我们抢着要一个答案，哪怕是个烂答案。心理学上有个说法叫模糊容忍度，说的是一个人能在不确定里待多久而不慌。这是AI时代最被低估的一项能力。
第四个机关：小胜利丢失。 有一项很有名的研究，让两百多个知识工作者写了将近一万两千篇工作日记，想搞清楚什么让人每天上班有劲。答案很朴素：在有意义的事情上取得进展，哪怕很小。AI把那些能带来小进展的小活拿走了，剩下的全是没有终点的难事。所以不管是个人还是团队，都要主动把大目标切成能被看见的小进展。
第五个机关：完美主义。 等想清楚了再动，等一百分了再选。可人在当下做的任何选择，最多也就八十分。剩下的二十分，要等结果出来才知道。选到八十分，就走。剩下的二十分，在路上长。
最后还有一个好消息。心理学里有个蔡格尼克效应：没做完的事，会一直挂在心里。一旦开了头，那件事会自己拽着你往前走。
起步之前，几股力在拦你。起步之后，有一股力开始推你。
难的，只有那一步。
九、企业转型指南 V2
下面是给企业的。我也压成九条。
第一条，做一个二选一，并且说出来。 一百年前，罗素讲过一个别针工厂的故事：效率翻倍以后，老板可以让所有人只干四小时，也可以开掉一半人，让剩下的接着干八小时。产量一样，一个世界变轻，一个世界变重。你的团队每天都在猜你会选哪个。这种猜，是公司里最大的内耗。说清楚的残酷答案，也比悬着的沉默好。
第二条，先改流程，再买工具。 有个老定律叫康威定律：一个组织造出来的系统，会长得像这个组织的沟通结构。你把AI塞进旧组织，AI就会长成旧组织的样子。拿一张白纸，画出一件事从发起到交付的路径，每一步问：这是在传递信息，还是在做判断？传递信息的交给agent，做判断的留给人，说不清为什么存在的删掉。
第三条，建立验收制度。 agent最常见的毛病是谎报完工。我的规矩很土：进程活着，不算完成；接口返回成功，不算完成；仪表盘亮了绿灯，不算完成；只有结果被另一个独立的东西读回来，跟要求对上，才算完成。还有一条，管理学里叫古德哈特定律：指标一旦变成目标，就不再是好指标。别考核“AI使用率”，考核结果。
还有一个容易被忽略的风险。1983年，有一篇论文叫《自动化的讽刺》：机器接管了日常操作，人被留下来干两件事，盯着它，以及它出事时接手。可这两件事恰恰最难，因为人不亲手干，手就生了。所以关键岗位上的人，要定期亲手把活拿回来干一遍。就当保养。别等agent出了事，才发现整个团队已经没人会了。
第四条，给agent发工牌。 今天大部分agent还借着人的账号在干活，它能看到的你都能看到，你能改的它大多也能改。跑起几十个agent以后，这就是一个巨大的窟窿。给每个agent单独的身份、最小的权限、自己名下的日志。给它干活的权力，别给它改日志的权力。
第五条，攒原件，做考卷，养小模型。 第一步留记录，第二步整理成案例库，第三步从案例库里挑出一批做成考卷，第四步才是训练你自己的专业小模型，然后拿考卷去考它。大部分公司一上来就想做第四步。可前三步，才是你真正的护城河。模型几个月换一代，你的记录和考卷不会过期。
第六条，做路由，控预算。 大量的分类、提取、改写，交给最便宜的那一档。写代码、做研究、长任务，用中间那一档。真正高风险的判断，才用最贵的。每个任务设预算上限。挑模型，本质是成本管理，也是组织设计。
第七条，做一次无前端改造。 把你的产品和服务写成机器能读懂的说明书，价格、交期、条款、验收标准，全部结构化地公开。单独统计agent流量。给核心能力开一个能被agent调用的口子。把你的交付记录和客户评价攒起来，公开出来。你的下一个客户，很可能先派一个agent来看你。
第八条，重写招人、考核和报价。 面试时让候选人当着你的面用AI干一件真活，看他怎么拆问题、怎么判断AI给的东西哪一半能信。给说“我不知道”的人加分。按结果付薪，按结果报价。按时间收钱的公司，效率越高，收入越少。
第九条，给团队心理安全感，也给自己设一个魔鬼席。 AI转型是一场大规模试错。一个犯错会被骂的团队，没人敢试。同时，老板身边要有一个专门唱反调的位置，一个人或者一个agent，在你最想All in的时候站出来说“不”。一个老板加一群agent，最大的危险是全世界都在顺着你。
给企业的九十天
如果你是老板，想马上动起来，可以这样排。
第一个三十天：画地图，做选择。 先回答别针工厂那道题，并且跟团队说清楚。然后挑一条最核心的业务流程，从头到尾画出来，每一步标上“传递信息”还是“做判断”。同时，在网站后台把agent流量单独统计出来，看看你到底有多少不是人的访客。
第二个三十天：小范围跑通。 只挑这一条流程，把传递信息的环节交给agent。同时建立验收规矩，给每一个agent发工牌、设权限、留日志。找公司里已经用得最好的那几个人，让他们每周花一小时，坐在同事旁边手把手带。
第三个三十天：沉淀和对外。 把这六十天里的记录整理成案例库，挑一批做成考卷。把你们的产品和服务写成机器能读懂的说明书，公开出来。复盘的时候，别只盯问题，也点名进展，让团队看见自己锄完的那一垄地。
九十天以后，你不会完成转型。但你会第一次知道，这条路怎么走。
十、命名权
最后，回到开头那个名字。
一个国家可以把AI改名叫SI。教会可以写一份通谕，提醒大家人的尊严。产业可以把数据中心改叫超级智能工厂。
这些都是大人物在给时代命名。
可是我越来越觉得，每一个普通人，也要给自己在这个时代命个名。
你是信徒，还是工程师？你站在被调用的那一端，还是去做信任层，还是守着你的一百五十个人？你的公司是一家按人头算规模的老公司，还是一个壳很薄、魂很厚的新物种？
《创世记》里，上帝把万物带到亚当面前，看他叫它们什么。
这一次，万物又一次被带到了我们面前。
它们叫什么，有一部分，取决于你。
我们的父母那一代，站在一部往上走的电梯里。时代每年往上走一点，就算原地不动，人也在上升。那部电梯，给了他们底气。
我们这一代，电梯慢了。底气不会再由时代白送。
可是这一次，有一件事是前所未有的：一个普通人，带着一群agent，在自己那一百五十个人里，占住一个别人抢不走的位置，给自己造一部电梯。
一寸一寸。
这个系列接下来，我会把这篇里的几个生态位，一个一个拆开写，包括我自己正在做的那一块。
接下来几篇，我大概会这样排：
无前端改造，一家普通公司具体怎么做。
agent的身份、权限和日志，信任层到底长什么样。
专业小模型，从留记录到出考卷，一个行业专家怎么把自己的经验变成资产。
前置部署，那个坐在客户旁边、把AI产出变成结果的人，具体每天在干什么。
你现在最想先占哪一个？
