2019 年，我在美的年度经营大会上有幸听方二教授讲营销。几年过去，到今天我还记得他当时提的观点：企业做营销不能只看广告、渠道和转化，而要同时看清用户、技术和行业。

那时的语境没有AI，还是移动互联网、产业互联网、数字化转型。企业讨论的是用户分层、数据中台、服务化转型、组织敏捷。

时隔7 年后再看，我想重新回看方二教授当年的“用户、技术、行业三洞察”，它有没有失效，还是变得更重要了？

企业真正要抓两类长期资源：

用户资源和技术资源

方二教授当时讲企业长期竞争，他没有把营销讲成短期传播，而是把企业要抓的资源分成两类：一类是用户资源，一类是技术资源。

用户资源这一端：谁是用户？用户从哪里来？用户如何决策？用户的价值诉求如何变化？这些问题看起来朴素，但它们决定了企业到底是在经营一次购买，还是在经营长期关系。

技术资源这一端：新产品、新流程、新模式、新业务背后，企业有没有技术判断和技术整合能力？技术不是研发部门自己的事，它会改变产品形态、服务方式、成本结构和行业位置。

2019 年时很多企业已经意识到，只靠渠道红利和品牌声量越来越难。平台推着企业一起做会员运营，最终用户被平台拿走；流量越来越贵，产品同质化越来越强。企业如果没有自己的用户关系，就会越来越依赖外部渠道；如果没有自己的技术和数据能力，就只能在别人定义好的系统里做运营。

到了 AI 时代这个洞察仍然成立。

AI 时代的用户资源不再只是“我有多少用户”，还有“我知道用户要完成什么任务”。一个 AI native 产品，如果只知道用户注册了、点击了、付费了，还不够。它必须知道用户到底想让 AI 帮他完成哪一段工作：写方案、筛线索、做客服、改代码、整理会议、生成图像，还是辅助决策，又有哪一段随着模型的发育合并了。

传统产品 AI 化也是一样。一个 CRM 加 AI，不能因为 CRM 需要一个聊天框，应为销售在真实工作里有大量任务没有被系统承接：整理拜访记录、判断客户优先级、生成跟进计划、预测流失风险。一个办公软件加 AI，是用户在写作、汇报、复盘、协作里有大量中间劳动可以被重新组织。

技术资源也不再只是“有没有模型”。2026 年看 AI，模型的聪明度还是重要的，但它只是起点。目前认知来看AI时代的技术资源至少包括六层：模型能力、业务数据、上下文工程、工作流嵌入、评估体系和责任边界。

企业以为自己缺 AI 能力，但其实缺的可能是上下文。模型能回答，但不知道这家公司怎么报价、怎么审批、谁有权限、哪些话不能说、哪些客户不能自动触达。企业以为自己缺模型，其实缺的可能是评估体系。AI 生成了一段内容，到底好不好，错在哪里，谁来确认，什么情况下必须退回人工，这些没有定义，AI 就很难进入生产系统。

所以，AI 时代的两类长期资源较七年前需要迭代为：

企业要抓的，一端是用户任务和信任关系，一端是技术、数据与责任链的整合能力。

只抓模型，不抓用户任务，会变成 demo 公司。只抓用户流量，不抓技术和数据，会变成 AI 时代的渠道附庸。

用户圈层化与决策分化：

快得更快，慢得更慢

第二条洞察，是用户会越来越圈层化，决策会两极分化。

当时的表达大意是：移动互联网让“人以群分”更明显，大市场会被切成小市场。信息越丰富，注意力越稀缺，消费者会更多用捷径做判断。同时，决策速度会分化：低重要性决策会更快，高经济、高情感、高社会关系成本的决策会更慢。

记忆最深的是：快得更快，慢得更慢。

低重要性决策，用户不愿意花时间。买一杯饮料、订一个外卖、开一个小工具，用户希望越快越好。理解成本越低，路径越短，转化越容易。

但高重要性决策正相反。买房、买车、选教育、选医疗、选企业软件、换一套生产系统，用户不会因为你多给一个优惠券就立刻决定。他会比较、观望、问人、试用、看案例，甚至要确认“用了以后我在组织里的责任会不会变”。

这条在 AI 时代更为明显。

对个人用户来说，AI 工具的低风险使用会非常快。让 AI 写一段邮件、总结一篇文章、生成一张图、改一段代码，用户可能当天就试，当天就用。这里的营销重点是降低第一次使用的阻力：不用培训，不用复杂配置，打开就能看到结果。

一旦 AI 进入高风险任务，决策会变慢。让 AI 参与医疗、财务、法务、招聘、客户沟通、品牌发布、生产调度，用户会立刻问：错了怎么办？谁负责？数据安不安全？结果能不能追溯？客户会不会接受？

企业采购更是如此。McKinsey 2025 年的 State of AI 调查提到企业只有约三分之一开始AI规模化。这个数据背后就是“快”和“慢”的分化：个人和局部团队试用很快，但企业级落地很慢。

对于AI 产品营销来说，AI native 产品不能只关注“用户增长很快”，还要区分用户是在玩、在试、在生产，还是在把产品放进了核心流程。传统产品 AI 化也不能只说“我们也有 AI”，要区分用户是为了新鲜感点击，还是把真实任务托付给了产品。

技术周期：

从性能不足到性能过剩

再到模块化

第三条洞察，是技术会经历性能不足、性能过剩和模块化阶段。

性能不足阶段，用户需求尚未被满足，企业要抓产品性能和集成能力。因为用户还在为“能不能做到”付费。比如早期智能手机，电池、屏幕、系统流畅度、应用生态都还不够，谁能把性能和体验整合起来，谁就有机会。

性能过剩阶段，技术提升超过用户感知，竞争会转向可靠性、便利性、服务和价格。用户不再为多出来的参数买单，而是看谁更省心、更稳定、更便宜。

模块化阶段，行业进入门槛下降，差异化变弱，利润可能流向上游供应商、下游渠道或用户关系掌握者。企业如果还守在中间环节，只强调自己产品更好，就会越来越被挤压。

这套技术周期在传统行业里很好用。到了 AI 时代已不能按单一曲线理解。

AI 的特殊之处在于：技术周期很难统一用“性能不足”或“性能过剩”概括，它是分层共存的。

截至 2026 年 6 月，斯坦福2026 AI Index Report发布｜88%的企业用AI，但Agent采用率低于10% 提到AI 能力没有停滞，仍在加速，一些前沿模型在博士级科学问题、多模态推理、竞赛数学等任务上达到或超过人类基线，SWE-bench Verified 这类代码基准也出现了非常快的进步。

但同一个 AI 世界里，企业仍然觉得很多 agent 不够可靠。虽然企业组织开始实验 AI agents，但真正广泛规模化的比例还不高。原因集中在：模型在某些题目上很强，不代表它能稳定完成企业里一串真实动作。

所以，AI 时代的性能判断必须从“行业级”下沉到“任务级”。

通用文本、会议总结、基础客服、简单图片生成、常规代码补全，这些场景已经局部性能过剩。用户不会因为“我的模型又聪明一点”就买单，他会在意：你更便宜吗？更快吗？更安全？更容易接入我现在的系统吗？

但复杂任务仍然性能不足。比如跨系统调用、长期记忆、复杂审批、多人协作、真实业务异常处理、法律和医疗等高责任场景，AI 还没有达到企业可以完全放心托付的程度。这里用户仍然愿意为能力、可靠性和集成付费。

这就带来一个很重要的营销变化：AI 产品不能笼统讲“模型更强”。你必须看到自己产品所在的任务处在什么性能阶段。

如果做的是 AI 写作、客服、总结、翻译，用户可能已经见过很多类似产品，再讲“更智能”，就容易无感，要讲的是更懂某个行业、更符合某种流程、更能控制语气、更能接入知识库、更能通过审核。

如果做的是复杂 agent、企业自动化、AI 法务、AI 医疗、AI 研发助手，用户还会关心能力边界。可以讲突破，但不能把 demo 当生产环境。越是高价值场景，越要把失败模式、人工接管和责任边界讲清楚。

行业洞察：

看集中度、模块化和破局点

第四条洞察是：看行业不能只看产品，要看集中度、模块化和破局点。

行业集中度高，企业要看规模效率、边际成本、平台能力和用户关系。行业集中度低，企业可能要通过整合上游、精选 SKU、扁平渠道、价值展示来获得优势。

行业也会“合久必分，分久必合”。有些行业长期分散，突然被平台、供应链、数据或技术整合；有些行业高度集中，又会被低端、边缘、新渠道、新组织方式撕开口子。

这条在 AI 时代非常重要，因为 AI 本身正在改变行业利润分布。

基础模型层有明显集中趋势。训练前沿模型需要资本、算力、数据、人才和基础设施，不是普通创业公司能轻易进入的。Stanford HAI 2026 AI Index 也提到2025 年超过 90% 的 notable frontier models 来自产业界，这说明前沿模型竞争越来越像资本密集型产业。

但应用层又在碎片化。Menlo Ventures 的 2025 企业生成式 AI 报告估算企业生成式 AI 支出从 2024 年的 115 亿美元增长到 2025 年的 370 亿美元，其中应用层拿到 190 亿美元，超过总支出的一半。它还把应用层拆成部门 AI、垂直 AI 和横向 AI。

模型层集中，应用层繁荣。基础能力越来越像电力和云服务，但让企业掏钱的，往往是能解决具体岗位、具体行业、具体流程的产品。

这对 AI native 产品是机会，也是陷阱。

机会在于，很多行业过去被传统软件覆盖得很浅。医疗文书、法律检索、销售跟进、客服质检、内容生产、财务审核、制造排程，里面有大量非结构化、半结构化、依赖人工经验的工作。AI 可以从这些缝隙里切进去。

陷阱在于，应用层门槛看起来低，实际上会很快进入同质化。只要底层模型能力开放，“加一个 AI 助手”会变得很便宜。今天能生成文案，明天大家都能生成；今天能总结会议，明天系统自带总结。破局点不在“我有 AI”，而在“我掌握了这个业务场景里的数据、流程、权限和结果评价”。

传统产品 AI 化也面临同样问题。一个老软件厂商如果只把 AI 当功能，会很容易被 AI native 产品从边缘切入。但如果它掌握行业客户、数据结构、合规流程、交付团队和长期信任，它也可能反过来把 AI 变成新的行业壁垒。

所以，AI 时代，基础模型层看集中度，应用层看碎片化，垂直 workflow 看破局点。价值不一定在最聪明的模型那（Claude 不要高兴太早），而在最懂业务、最能进入流程、最能承担结果的一端（腾讯 workbuddy、codebuddy、databuddy 很有机会）。

创新不是喊原创

而是连接、减法和模仿创新

第五条洞察，是创新不一定来自凭空原创，很多时候来自连接、减法和模仿创新。

当时方二教授提到，创新常常是把两个不相关的事情连接起来。不同圈层、不同知识、不同资源之间发生连接，就会产生新组合。加减乘除也可以作为创新扫描法：别人没有而我们有的，能不能放大？别人都有的，我们能不能减少？哪些能力要加倍？哪些东西要彻底清除？

这套创新不迷信“我一定要做别人没做过的事”，也不把模仿看成低级。很多优秀企业不是先驱，而是优秀跟随者（我没有指责腾讯的意思）。它们看清市场已经被教育过，再用更好的技术、更低的成本、更强的服务去做。

但 AI 时代在这个场景下必须加一个条件：连接和模仿变得太便宜以后，普通组合本身不再稀缺。

过去，把两个行业连接起来，可能需要资源、渠道、团队和专业知识。现在，用 AI 生成一个行业方案、做一个原型、拼一个 demo，成本大幅下降。于是市场上会出现大量“AI + 某某行业”“AI + 某某岗位”“AI + 某某流程”的产品。它们看起来都是连接式创新，但很多只是概念连接，没有进入真实工作。

比如，AI + 招聘，不是能生成 JD 就够了。招聘阻力在岗位需求澄清、简历筛选标准、面试官偏差、候选人体验、录用决策责任。AI 如果只生成话术，没有进入这些环节，就只是外层创新。

AI + 教育，也不是生成题目和讲解就够了。教育难在学习动机、阶段诊断、练习反馈、老师角色、家长预期和长期陪伴。AI 如果只做内容生成，就很容易沦为更快的题库。

AI + 企业管理，更不是让老板问一个经营数据机器人。企业管理难的是数据口径、部门责任、业务节奏、异常处理和激励约束。AI 如果不能进入这些结构，只是多了一个漂亮问答入口。

因此AI 时代的创新要从“连接两个概念”升级为“重构一段任务链”。

减法也变得更重要。传统产品 AI 化，加法未必是最优解，删掉原来没有价值的步骤可能会更有价值。比如，过去销售写拜访记录，是为了让系统留下痕迹；AI 可以在会议后自动生成记录，但更重要的是它能不能把记录转成下一步行动，提醒风险，更新客户状态。“记录更快了”不算创新，“这段机械劳动从工作流里消失了”在这个阶段是创新点。

模仿创新也要升级。AI 让模仿更快，但也让差异化更难。你可以模仿一个产品界面，模仿一个 prompt，模仿一个功能，但很难模仿一个企业长期积累的用户反馈、行业数据、交付经验和责任体系。

AI 时代创新的标准要更硬一点：

不要只看它有没有新组合，要看它有没有改变任务结构；不要只看它有没有 AI 功能，要看它有没有优化掉低价值劳动。

服务化与个性化：

产品要服务化，服务要产品化

第六条洞察，我觉得是最适合放到 AI 时代重新理解的一条：产品要服务化，服务要产品化。

当时的意思是，产品可替代性增强以后，企业不能只卖一个标准产品，而要围绕客户生命周期挖掘新需求，提高反馈效率和客户价值。服务化不是简单加客服，而是站在用户思维设计价值，甚至让服务成为独立运营能力。

同时，服务不能永远停留在人工定制。服务要产品化，要把反复出现的需求沉淀成标准模块、菜单、流程和可复制能力。个性化也不是无限定制，关键是在“个性中找共性”，从特殊需求背后找到可复用结构。

这句话放在 AI 时代，几乎就是 AI 产品化的核心。

AI native 产品天然容易服务化。因为 AI 能对话、能生成、能适应上下文，用户会期待它像一个人一样理解自己。但这里有一个陷阱：如果所有需求都靠 prompt、人工调参、项目制交付来解决，AI 产品很快会变成咨询公司，规模化很难。所以，AI 服务必须产品化。它要有清楚的任务边界、权限边界、配置方式、监控指标、失败处理和定价方式。否则用户会觉得它什么都能做，最后什么都不敢交给它。

传统产品 AI 化则刚好相反。传统软件过去太产品化，界面、字段、流程都固定。AI 进来以后，用户会期待系统更懂场景、更会解释、更能主动提醒。它需要服务化：从“你填表，我存数据”，变成“我知道你现在要完成什么任务，并且帮你推进”。但服务化不等于无限讨好用户。AI 个性化也有边界。尤其在企业里，不是每个人都应该得到完全不同的答案，销售看到的客户信息、客服能使用的话术、财务能调用的数据、管理者能查看的报表，都必须有权限、审计和责任。

OpenAI API Pricing 里不同模型、Batch、Flex、数据驻留等不同价格和服务层，也能推演出：AI 成本不是单一变量。性能过剩不等于成本过剩。一个成熟的 AI 产品，不能所有任务都调用最强模型，也不能为了省钱牺牲关键任务可靠性。它必须会区分任务等级：哪些任务要快，哪些任务要准，哪些任务可以异步，哪些任务必须人工复核。

这也是“服务产品化”的新含义：把一个聪明模型塞给客户，是任何一个有预算的产品都可以做的事，而把任务、成本、风险和体验打包成可购买、可使用、可管理的产品更可能是客户需要的。

未来好的 AI 产品，可能更像“服务系统”，而不只是软件系统。它不仅给功能，还给流程、反馈、评估和责任边界。

未来已来

给AI 时代企业五句话

最后一条，是方二教授当时提到的未来企业五句话：业务数据化、平台智能化、服务个性化、协作网络化、组织敏捷化。

时隔 7 年，未来已来。

业务数据化，在 AI 时代不能只理解为“业务有数据”。很多企业有 CRM、有 ERP、有报表、有 BI，但 AI 仍然用不好。原因是数据不可读、不可用、不可追溯。业务数据化要升级为：业务过程能否被机器理解？客户、订单、审批、异常、责任、结果之间有没有清楚结构？

平台智能化，也不能只理解为“平台有算法”。过去的平台智能化，可能是推荐、预测、自动分配。现在还要问：这个平台能不能被 agent 调度？AI 能不能安全地调用工具、读取数据、执行动作？如果 AI 只能在旁边聊天，不能进入系统，它就很难产生企业级价值。

服务个性化，要升级为“有边界的个性化”。AI 可以根据用户、场景、历史记录生成不同建议，但企业必须知道哪些可以个性化，哪些必须标准化。医疗、金融、法务、招聘、教育这些场景，越个性化，越需要责任边界。

协作网络化，要把人机协作纳入进来。未来企业的协作网络，不只是员工、供应商、渠道、客户，还包括 AI agent、模型、工具、自动化流程和外部服务。问题不只是“谁和谁协作”，还有“人和机器如何分工”。

组织敏捷化，也要从小队和流程敏捷，升级为治理敏捷。AI 会让试错变快，也会让错误扩散变快。组织不能只追求更快发布，还要能更快发现错误、停止错误、追溯错误、修正错误。

2019 年坐在美的年度大会上听这些时，我当时把它理解成一堂营销课：讲用户、讲技术、讲行业，讲服务化，讲未来企业。7 年后再看，我觉得它像一套商业判断的底层秩序。

今天几乎没有企业会说 AI 不重要。难的是判断。

我的用户到底在哪个任务上需要 AI？

我的技术能力是真能力，还是只是接了一个模型？我的行业利润会流向模型、应用、渠道、数据，还是服务交付？

我的产品是在增加一个功能，还是在改变一段工作流？

我的营销是在讲一个流行词，还是在降低用户把任务交给机器的心理成本？

方二教授当年讲“用户、技术、行业三洞察”，放在今天看，在每一次技术变化面前，这三样还得重新理解一遍。

-END-