历时一年多的撰写，最新的专著：《场景智能——重构AI时代的竞争范式》终于交稿，特先作序如下：

一、智商 150，却不知道你是谁

今天的 AI 正在以前所未有的速度变聪明。

它可以在几秒钟内完成复杂推理，可以写出专业水准的分析报告，可以通过各种高难度考试，可以在数学、编程、医学、法律等领域展现出接近专家级的能力。如果用一个粗糙但直观的比喻，今天的大语言模型，在许多任务上的“智商”已经接近 150，甚至更高。

一个通用大模型，就像一个博学但刚刚空降到陌生公司的顾问。问它：“这个方案可行吗？”它能立刻给出漂亮的 SWOT 分析、市场判断和执行建议。但它不知道你的团队只有 5 个人，预算只剩 50 万，客户下周就要看到原型；它不知道这个客户过去三次合作都卡在法务审核，也不知道你的销售负责人昨天刚刚离职。

它拥有强大的推理引擎，却缺少一种对人类而言几乎是本能的能力：对处境的完整理解。

人类的智能，从来不只是推理。一个优秀的销售，不只是逻辑清晰，而是能在客户皱眉的瞬间判断出真正的顾虑；一个资深医生，不只是医学知识丰富，而是能从患者三句含混的描述中捕捉出没有说出口的症状；一个经验老到的客服主管，不只是熟悉流程，而是知道什么时候应该按规则处理，什么时候必须先修复信任。

这种能力的本质，是对处境的深度理解。它不只是事实，而是事实背后的意图、约束、情绪、关系历史和时间压力的动态组合。

AI 当前最缺的，正是这个。

更重要的是，这不是一个短期技术瑕疵，而是当前 AI 架构的结构性限制。大模型基于海量通用文本训练，学会了语言规律、知识模式和推理方式，却没有任何一家企业的私有处境，没有任何一个客户的具体状态，也没有任何一段业务关系的真实脉络。这些信息不在通用训练数据里，只存在于企业一次次真实交互之中。

这一判断并非孤立的行业观察。复旦大学邱锡鹏教授在 2025 年从大模型研究视角提出了几乎同构的判断，并将其命名为 情境扩展（Context Scaling）。在他看来，大语言模型的演进经历了三幕：第一幕是参数规模化（堆数据、加参数），第二幕是后训练优化（推理增强、思维链），而第三幕，也是当前正在展开的关键跃迁，是让 AI 真正理解并适应复杂、多变、模糊的情境。

学术界把这种能力称为“情境智能”（Contextual Intelligence），强调 AI 系统对处境的理解；技术和组织实践把相应的企业形态称为“AI 原生”（AI-native），即一家从结构上让 AI 能够在内部清晰运行的公司；战略讨论中，通常用“企业 AGI”（Enterprise AGI）描述通用智能进入企业组织后的可运转系统。

本书把企业系统性建设这种能力的方法，称为“场景智能”（Context Intelligence）。

名称不同，层级不同，但方向一致：AI 时代真正的竞争力，不在模型算力本身，而在企业能否把真实情境转化为可理解、可执行、可回写的场景资产。

当模型能力趋于商品化，AI 的能力上限，将越来越取决于它能获得多深的场景理解。

同样的模型，给它完整的场景，它像一个理解业务逻辑、熟悉团队习惯、知道客户脾气的三年老员工；不给它场景，它就是一个智商超群但对这个世界一无所知的陌生人。

二、4,260 亿美元买了什么

2025 年，全球企业在 AI 上的投入超过 4,260 亿美元。IDC 预测，到 2029 年，这一数字将增至 1.26 万亿美元，五年复合增长率高达 31.9%。这是人类商业史上速度最快的技术投资浪潮之一。

但如果问一个更尖锐的问题：这些投入真正改变了多少企业的竞争格局？

答案并不乐观。

麦肯锡 2025 年全球 AI 现状调研显示，90% 的企业 AI 项目仍停留在试点阶段，员工真正高频使用 AI 的场景不超过三个，ROI 能达到预期的不到 20%。

这意味着一个残酷现实：企业投入了前所未有的预算，购买了越来越强的模型，部署了越来越多的 AI 工具，但多数企业并没有因此获得真正持久的竞争优势。

问题出在哪里？

把过去几年企业 AI 投入的分布拉出来，会发现一个惊人的规律：几乎所有资金都集中在同一个层面——交互层（Interaction）。

自动客服、内容生成、推荐算法、智能搜索、流程自动化、Copilot、聊天机器人，这些都是交互层的竞争。它们直接可见，容易展示，短期指标漂亮，也最容易被写进管理层汇报材料。

但交互层正在以前所未有的速度商品化。今天花巨资建立的 AI 交互能力，六个月后可能就会被更便宜的模型、更成熟的平台或开源方案平替。在交互层竞争，本质上是在用最高的投入，换取最短暂的优势。

场景层回答：AI 到底理解什么处境？记忆层回答：每一次交互之后，企业有没有变得更聪明？

大多数企业的 AI 项目，只让 AI 更会“回答”，却没有让组织更会“理解”；只让 AI 更会“执行”，却没有让企业持续“记住”。

这就是为什么很多企业越用 AI，越感到焦虑。工具变多了，场景没有变深；响应变快了，判断没有变准；自动化变强了，组织并没有变聪明。

它们开始代替人类完成采购比对、服务评估、供应商筛选、合同审查和售后请求。传统客户体验体系花了二十年建立的品牌情感、服务温度和叙事表达，在 Agent 面前会被重新定价。Agent 不会因为广告感人而给企业加分，不会因为客服语气温暖而忽略接口失败，也不会因为品牌故事动听而放弃评分下降。

它只记录结果，更新权重，调整选择。

人类客户看重情感忠诚度；机器客户看重功能忠诚度。所谓功能忠诚度，就是系统是否可靠、可读、可调用、可验证，以及在特定场景下是否能持续给出确定性结果。

这意味着，AI 时代的竞争不再只是“谁更会使用 AI”，而是“谁的企业系统更能被人和机器同时理解、调用和信任”。

三、三道旧护城河，正在同时松动

过去二十年，企业构建竞争壁垒主要依靠三条路径：产品、数据和流程。

但在 AI 时代，这三道护城河正在同时松动。

第一，产品壁垒正在被压缩。 代码可以被 AI 快速生成，功能可以被快速复制，原本需要几个月甚至几年才能追平的产品差异，现在可能在几周、几天，甚至几个小时内被抹平。功能仍然重要，但功能差异化的窗口期正在急剧缩短。

第二，数据壁垒正在被重估。 AI Agent 可以通过 API 在秒级读取、整合、迁移大量结构化数据。如果所谓护城河只是“数据存在我这里”，那这道墙正在以前所未有的速度变薄。结构化数据可以被搬走，字段可以被同步，报表可以被重建。真正难以迁移的，不是数据本身，而是在真实业务关系中持续流转、实时生长的场景理解。

第三，流程壁垒正在被重新定价。 过去，一套成熟的运营流程可能需要十年经验积累。今天，只要流程被数字化记录，AI 就可以在数月内提炼其中的大量模式。“我们有十年运营 know-how”这句话曾经意味着深厚壁垒，现在却必须被重新审视：如果这些 know-how 已经被文档化、流程化、结构化，它就可能被快速学习和复制。

产品、数据、流程仍然重要，但它们不再足以单独构成长期护城河。

当三道旧护城河同时松动，企业竞争的战场必然转移。

真正无法被快速复制的，只剩下一件事：

在真实业务关系中，通过长期交互磨合出来的，对特定行业、特定客户、特定处境的深度理解。

这就是本书所说的场景资产。

场景资产之所以能成为 AI 时代最真实的护城河，是因为它具备三个特征：

• 积累性：它必须在真实交互中生长，时间不可倒流。
• 专属性：它只存在于企业与客户之间的具体关系里，竞争对手买不到。
• 复利性：它会随着每一次交互、每一次回写、每一次修正而越用越深。

在 AI 时代，企业之间的差距，不会只体现在谁拥有更大的模型，而会体现在谁拥有更深的场景资产。

四、重构 AI 时代的商业底层架构

图 0-1｜C-I-M 三层总架构图

2020 年，哈佛商学院教授 马尔科·扬西蒂（Marco Iansiti）与卡里姆·拉哈尼（Karim Lakhani） 在《Competing in the Age of AI》中提出了一个里程碑式判断：新型企业以“AI 工厂”驱动数字规模、范围和学习的指数复利。数据管道、算法、实验平台、软件基础设施，构成了亚马逊、微软、腾讯、蚂蚁金服这一代企业碾压传统对手的底层能力。

这个判断在当时极具解释力，今天仍然成立。

但在 LLM 与 Agent 时代，一个新的问题浮现出来：AI 工厂的产出质量，取决于它到底能理解什么。

当模型能力快速商品化，差距不再只来自工厂本身，而来自工厂的输入侧。AI 在每一次执行任务时，能获得多深、多准、多新的场景理解，正在决定它最终能创造多大价值。

《Competing in the Age of AI》论证的是：AI 工厂决定竞争优势。本书进一步论证的是：在 Agent 时代，AI 工厂的天花板，由场景理解的深度决定。

即：

• C 层：场景层（Context）——存储企业对客户、自身能力、业务规则和真实处境的深度理解，是 AI 时代最难被快速复制的护城河。
• I 层：交互层（Interaction）——把场景理解转化为面向人类客户和机器客户的具体响应，是体验发生的表面，也是当前最容易商品化的一层。
• M 层：记忆层（Memory）——把每一次交互的结果写回系统，让企业从每次成功和失败中学习，是场景飞轮持续加速的复利引擎。

这不是一套技术架构图，而是一套企业竞争系统。它回答的不是“买哪一个 AI 工具”，而是更根本的问题：

企业如何让 AI 理解真实处境、执行正确响应，并在每一次交互之后变得更聪明？

2026 年，不论学术界、产业界还是投资界，都在从不同角度逼近同一个判断：通用 AGI 越强，越需要企业 AGI。通用 AGI 解决的是智能能力问题，例如理解、推理、规划、学习；企业 AGI 解决的是组织工作问题，例如企业上下文、业务对象、权限边界、执行系统、反馈闭环和人机协同。

与此同时，AI 正在经历另一场范式跃迁：从生成式 AI 进入 Agentic AI，也就是行动型 AI。AI 不再只是回答问题、生成内容，而是开始围绕目标持续行动、调用工具、推进任务，并根据反馈修正路径。

当 AI 从“会回答”走向“会行动”，企业真正需要的就不是更炫的界面，而是一套 Agent 可以读取、执行、验证和回写的运行系统。它需要企业提供一种“世界模型”（World Model）：对客户处境、业务规则、组织能力和行动边界的结构化理解。

C-I-M 正是这套机制的底层表达：C 层让世界模型可读；I 层让 Agent 可以执行；M 层让结果能够回写。

这个框架同时服务两类客户：人类客户（CX）和机器客户（AX）。两者共享同一套场景基础设施，但在信息格式、设计要求和质量标准上各不相同。人类客户需要被理解、被尊重、被持续建立信任；机器客户需要可读、可调用、可验证、可恢复。两条轨道不同，但底座必须同源。

这就是 AI 时代企业竞争的基本结构。

五、本书的核心概念与逻辑

全书围绕六个核心概念展开。每一个概念，都是对前一个问题的进一步追问。

1. 场景（Context）：它是什么？ 场景是由多主体参与、围绕意图展开的动态处境结构，是 AI 做出正确判断的最小完整单元。
2. 场景资产（Context Asset）：为什么值钱？ 场景资产是企业在真实交互中沉淀的处境理解能力，具备积累性、专属性和复利性，使其成为 AI 时代最难被快速复制的竞争壁垒。
3. 场景图谱（Context Graph）：存在哪里？ 场景图谱用节点、边、属性、时序和决策轨迹，把隐性判断变成可调用、可审计、可回写的结构化资产，是场景资产的技术载体。
4. 场景飞轮（Context Flywheel）：怎么变强？ C 层判断，I 层执行，M 层记忆，再回写 C 层。每一次交互都让下一次判断更深、更准、更有复利。
5. 场景中台（Context Platform）：组织怎么接？ 场景中台是在现有组织结构之上叠加的场景协同基础设施，让营销、销售、服务、产品、运营、数据和 AI 系统对客户处境形成统一判断。
6. 场景架构师（Context Architect）：谁来做？ 场景架构师是决策语义的单一来源，负责定义场景、规则、边界和回写机制。如果只能建立一个新角色，必须是它。

这六个概念合在一起，回答的是同一个问题：

当模型越来越强、工具越来越便宜、交互越来越同质化，企业到底靠什么建立长期优势？

《Competing in the Age of AI》的结尾引用了科幻作家 伊恩·班克斯（Iain Banks） 的一句话：

“What is all your studying worth, all your learning, all your knowledge, if it doesn”t lead to wisdom?”

所有的学习、所有的知识，如果不通向智慧，价值何在？

在 2020 年，这个问题被留给了 AI 工厂的领导者。到了 2026 年，这个问题的答案有了更具体的位置：

一个企业对客户处境理解越深，它对客户、市场和自身位置的判断就越扎实。AI 提供了前所未有的推理能力，但智慧并不自动来自模型。智慧来自对真实处境的深度感知，来自一次次交互后的记忆沉淀，来自组织把隐性判断转化为可执行系统的能力。

这就是场景智能。

这也是 AI 时代企业和个人最值得投入的能力。

刘胜强

2026 年 4 月