《智变》系列专栏 · 第二篇
图1：AI的引力场——一切资源正在向头部坍缩
前言：顾问的冷水
上个月在深圳的私董会上，一位做跨境电商的创始人拍着桌子跟我争："当年淘宝刚出来的时候没人看好，我就是那时候踩中风口起来的，AI肯定也是一样，小公司反而更灵活，说不定能弯道超车。"
我给他看了两组数据：2024年上半年，国内大模型领域的融资总额里，Top3玩家拿走了87%；某头部SaaS公司推出AI客服功能后，三个月内市占率从21%涨到47%，行业里第二到第十名的总和还不到它的一半。
他沉默了。
很多企业家还在用互联网时代的经验判断AI时代的机会，这是我见过最致命的路径依赖。互联网的本质是用信息平权打碎垄断的离心力，AI的本质是用效率优势收拢资源的向心力——前者让世界变平，后者正在把世界揉成一个密度极高的球，所有没能力挤到核心的人和组织，都会被甩到边缘，甚至直接被引力撕碎。
今天我们把话说透：AI不是给你送蛋糕的新风口，是重新划分蛋糕的刀，而且握刀的人，比以往任何时代都少。
一、逻辑推演：AI的"引力场"模型
要理解AI的集中化，首先要搞懂它的底层运行逻辑：这是一个由算力、算法、数据三个齿轮咬合驱动的引力场，每一个齿轮的特性，都天然指向"赢者通吃"。
先说算力，这是AI时代的"重工业"。训练一次GPT-4级别的大模型，需要上万张A100显卡连续跑数月，成本直接超过1亿美元，这个门槛已经筛掉了全世界99.9%的企业。更可怕的是这是场没有终点的军备竞赛：你用A100，头部玩家已经在铺H100；你刚凑够1万张卡，别人已经建了十万卡集群。算力竞争的本质是"用钱砸死对手"，重资产属性从一开始就把中小玩家关在了门外。
再看算法，很多人说算法是开源的，大家都能用，但开源的永远是上一代的落后技术。OpenAI不会开源GPT-4的核心权重，谷歌不会把Gemini的推理逻辑放到GitHub上，你能拿到的开源模型，都是头部玩家迭代完、觉得没有竞争力的"淘汰品"。算法的护城河不是代码，是上亿次调优出来的效果差——当你的模型回答准确率比对手低5%，用户就会用脚投票，根本没有翻盘的机会。
最后是最核心的数据飞轮。用户越多，产生的数据越多，模型训练得越好，就会吸引更多用户，这是个指数级增强的循环。2023年ChatGPT用户突破1亿只用了2个月，背后就是这个飞轮在转：你每跟GPT说一句话，都是在免费给OpenAI打工，帮它把模型变得更强，然后它再用更强的模型抢走更多用户。
三个要素叠在一起，就形成了一个不断自我强化的黑洞：算力越堆越多，算法越来越强，数据越攒越多，引力越来越大，所有分散的资源都会被它吸过去，没有任何力量能挡住这个趋势。
二、第一大集中化：智力分布集中化
我做咨询12年，见过最多的企业痛点是"缺人才"：招不到好的分析师，找不到资深的程序员，挖不到能扛事的战略专家。但现在这个问题的答案正在变得荒诞：你不需要招了，因为90%的人类智力，正在被浓缩进几个大模型里。
顶尖认知的"浓缩"
GPT-4o出来的时候，我们团队做过测试：把过去3年我们给客户做的100份战略咨询报告喂给它，让它按照同样的逻辑写新的方案，最终输出的内容，比我们团队里工作3年以内的顾问写得还要好，速度是人类的20倍。它读过人类有史以来所有公开的书籍、论文、财报、案例，相当于把全人类最顶尖的智慧榨成了浓缩液，装在一个服务器里。
过去一个行业的认知是分散的：制造业的专家在工厂里，金融的专家在投行里，互联网的专家在硅谷，你要整合这些认知，得花几百万请咨询公司，花几个月调研。现在你只要给大模型充个20美元的会员，就能拿到比90%行业专家更靠谱的答案。人类花了几千年建立起来的"认知差"壁垒，正在被大模型以一年为单位快速拉平。
"平庸智力"的价值归零
上个月跟某股份制银行的科技部总聊天，他说他们去年裁了30%的中后台员工：15个做财报分析的初级分析师，现在剩2个，剩下的工作全交给AI做，准确率比人高，还不用加班；20人的翻译团队直接全裁，涉外业务全部用大模型翻译，成本降到原来的1%。
你以为只有基础岗位会被替代？不对。我们团队最近帮某车企做AI研发辅助系统，原来工程师画一个零部件的图纸要3天，现在输入参数AI半小时就能生成3套方案，资深工程师只需要做最后的选型就行，一个人能干原来5个人的活。现在的职场真相是：如果你干的活是"把A信息整理成B报告"，是"按照规则做重复性判断"，那你的价值已经被AI打到了地板上，企业留你，只是因为AI替换你的成本还没降到临界值而已。
认知的"标准答案化"
我见过最危险的场景，是上个月在某城市的招商会上，十几个做制造业的老板，人手一个GPT账号，遇到问题就问"AI说我这个行业今年应该怎么做"，然后齐刷刷按照AI给的答案做战略。
你有没有想过一个问题：如果全世界的决策者都咨询同一个大模型，那大家的决策逻辑会越来越趋同？大模型说"今年应该布局东南亚"，所有人都去东南亚建厂；大模型说"这个赛道没有前景"，所有人都撤资。到最后，全人类的认知都会被几个大模型的输出框死，你以为你在做独立决策，其实你只是在执行AI给的标准答案。
图2：智力、权力、财富——三大集中化正在重塑世界
三、第二大集中化：社会权力分布集中化
很多人觉得AI只是个工具，权力还在人手里。这是我听过最天真的幻觉。权力的本质是"决策权"：谁能决定资源怎么分配，谁能决定事情怎么做，谁就有权力。而现在，这个权力正在快速向掌握算力和算法的人手里集中。
"数字上帝权"的诞生
我前阵子帮某连锁零售企业做AI转型，他们想上一套智能补货系统，找了国内某头部大模型厂商合作。合作到一半我发现不对劲：对方的通用模型里默认"生鲜品类的损耗率控制在5%是最优的"，但这家企业的核心优势就是生鲜损耗率能做到3%，按照模型的逻辑跑，反而会拉低他们的利润。
我跟厂商提能不能调整这个逻辑，对方说"通用模型的底层逻辑是我们训练了几亿条数据定下来的，改不了，你们要不适应我们的规则，要不就别用。"你看，这就是现在的真相：很多企业的核心业务逻辑，正在被外部供应商的通用模型定义。你用了别人的大模型，就得按照别人的规则来，别人说什么是对的，什么就是对的。这不是工具采购，这是把你企业的"业务决策权"拱手让人。
从"规章治理"到"算法治理"
过去企业的管理靠规章制度，什么能做什么不能做，写在员工手册里，大家都看得见。现在呢？很多互联网公司的客服绩效考核，全靠AI算法定：你接了多少电话，平均通话时长多少，用户满意度多少，算法直接给你打分，发多少工资全算好了，主管连改的权力都没有。
我见过更极端的：某物流公司的快递员路线，全是AI规划的，你必须按照它给的路线走，晚一分钟都要扣钱，快递员连申请调整路线的资格都没有。过去的规则是人定的，你觉得不合理还能提意见；现在的规则是算法定的，你连它为什么这么定都不知道，除了服从没有别的选择。
这就是算法治理的本质：它把过去分散在各个层级的决策权，全部收回到了算法开发者手里。你以为你是公司的高管，有审批权，实际上你只是算法的执行者——算法已经帮你算好了最优方案，你只需要点"同意"就行，你敢不同意，它能拿出100条数据证明你是错的。
图3：当决策权交给算法，谁来监督"数字上帝"？
"黑盒化"的集权
AI的权力最可怕的地方，是它不可审计。你不知道它的决策逻辑是什么，不知道它有没有偏见，不知道它会不会出错。
2023年美国某医疗AI被曝出对黑人患者的诊断准确率比白人低30%，但厂商拒绝公开算法逻辑，说"这是商业机密"；国内某招聘平台的AI推荐算法，被发现给女性求职者推送的岗位平均薪资比男性低20%，平台解释说"模型是训练出来的，我们也不知道为什么"。
你看，当权力被装进黑盒里，你连监督它的资格都没有。过去腐败了还能查账，现在算法腐败了，你连证据都找不到。这种黑盒化的集权，比历史上任何一种集权形式都更稳固，也更难被推翻。
四、第三大集中化：社会财富分布集中化
我问过很多企业家一个问题：你公司的利润，有多少是分给员工的，有多少是给上游供应商的？过去大部分人的答案是70%给员工，30%给供应商。但现在正在反过来：70%给算力和算法供应商，30%给员工，未来这个比例会变成9:1。
生产要素权重的置换
农业时代，最重要的生产要素是土地和劳动力；工业时代，是机器和技术；互联网时代，是流量和数据；到了AI时代，最重要的生产要素变成了算力、算法和私有数据，劳动力的权重正在被极速压缩。
某头部短视频平台2023年营收2000多亿，员工只有2万多人，人均产出1000万，这个数字在传统行业想都不敢想。为什么？因为它80%的工作都是算法做的：推荐算法帮它做内容分发，广告算法帮它卖广告，审核算法帮它管内容，原来需要100万人干的活，现在2万人加一堆服务器就搞定了。过去你开个工厂，要招1000个工人，利润的大部分都得付工资；现在你做AI相关的业务，只要招10个算法工程师，买一堆服务器，大部分利润都变成了算力投入和资本回报，跟普通劳动者没关系。
财富流向的切换
我们算过一笔账：某客服SaaS公司的AI功能，一个账号一年收3000块钱，能替代一个月薪3000的基层客服。过去企业付的3.6万年薪，是给到客服个人，流入社会，变成消费、变成房贷、变成普通人的收入；现在这3000块钱，直接流到了SaaS公司的账户里，变成了他们的利润，拿去买更多的服务器，迭代更好的算法，再抢更多客户的钱。
你看，财富的流向彻底变了：过去利润通过工资分散到全社会，现在利润通过"算力租金"快速向少数掌握AI核心资源的企业集中。2023年全球AI企业的总利润里，OpenAI、谷歌、微软、英伟达四家就占了72%，剩下的几万家AI公司，分不到28%的蛋糕。
"计算基尼系数"的扩大
现在的贫富分化有多可怕？英伟达的黄仁勋，一年时间身价涨了1万亿人民币，相当于1000个上市公司老板的身价总和。而另一边，美国今年已经有30万白领因为AI失业，其中大部分是30到40岁的中产，之前年薪10万美元以上，现在根本找不到工作。
本质上这是两种增长逻辑的对抗：普通人的收入是线性增长的，你努力工作一年，工资涨10%就不错了；而AI时代的资本回报是指数级增长的，你投对一个AI公司，一年翻10倍都是正常的。两种增长曲线叠加，结果就是贫富差距会以你想象不到的速度拉大。
五、现实案例：被"集中化"吞噬的先行者
去年我接手了一个烂摊子：某全球Top20的跨国金融机构，2022年花了2亿美元做中后台AI转型，最后差点把整个中后台部门搞废了。
他们当时的思路很超前：把所有中后台的工作，包括风控、合规、财报分析、客户服务，全部迁到某头部科技公司的通用大模型上，目标是裁掉50%的中后台员工，降低运营成本。第一年效果确实好，成本降了30%，效率提升了40%，管理层还在内部发了嘉奖令。
但到了第二年问题就出来了：首先是模型的"逻辑对齐"问题，这家机构的风控标准比行业平均严格20%，但通用大模型的风控逻辑是按照行业平均水平训练的，导致很多应该被拦截的高风险业务被放行了，半年就出现了3起坏账，损失超过5000万美元。然后是"数据主权"问题，他们把所有的客户数据、交易数据都喂给了大模型，结果发现竞品那边居然出现了和他们高度相似的产品设计，后来查出来是大模型厂商把他们的数据脱敏后用来训练通用模型，相当于他们花了钱，还给对手做了嫁衣。
最致命的是"能力空心化"：裁掉了一半老员工之后，剩下的员工根本不会做基础的风控分析，全靠AI给结果。去年大模型更新了一个版本，输出的风控报告逻辑出了问题，整个中后台没人能发现，差点导致监管处罚，最后花了1亿多美元补窟窿，又把之前裁掉的老员工高薪请了回来，折腾了两年，钱花了，人没了，效率反而比之前还低。
这个案例我给所有客户都讲过：很多企业以为AI是降本增效的神器，实际上如果你没有自己的核心能力，盲目跟风用别人的大模型，最后只会被抽走筋骨，变成一个没有灵魂的空壳，被集中化的引力一口吞掉。
六、触动的改变：高管的生存抉择
我讲了这么多真相，不是为了让大家躺平，是为了让大家看清楚现实：AI时代的游戏规则已经变了，你再用过去的思路做企业，只有死路一条。作为高管，你必须做三件事，才能在这个引力场里活下来。
抢占"局部智力高地"
通用大模型再强，它也只能解决通用问题，每个行业、每个企业都有自己的"隐性知识"：制造业的工艺参数，消费品的用户洞察，金融机构的风控逻辑，这些都是你积累了十几年的核心资产，是通用大模型拿不到的。
你要做的，就是把这些隐性知识拿出来，训练自己的垂直小模型，打造属于你的"局部智力高地"。比如某做精密制造的客户，把自己20年积累的工艺参数喂给小模型，训练出来的工艺优化模型，比GPT-4的准确率高30%，直接把生产良率从95%提升到99%，这就是你的护城河——通用大模型再强，也没有你的数据，干不过你。
建立"数字主权"
我现在给所有客户的第一个建议就是：核心业务数据绝对不能给到第三方大模型厂商，核心决策逻辑绝对不能被外部供应商定义。
你可以用通用大模型做基础工作，比如写文案、做表格，但核心的风控模型、核心的业务逻辑、核心的用户数据，必须握在自己手里。哪怕自己训练小模型成本高一点，也比把命根子交到别人手里强。某城商行现在的做法就很聪明：用开源大模型做底座，自己训练风控模型，所有数据都在自己的服务器里，既享受到了AI的效率，又不用怕数据泄露。
重新定义竞争维度
AI时代的竞争，已经不是产品的竞争，不是效率的竞争，是"模型能力"的竞争。你有比对手更好的模型，你就能用更低的成本、更高的效率做业务，就能把对手卷死。
图4：在巨头的引力场中，寻找你的局部高地
高管思考题
你公司现在的核心业务流程里，有多少已经在依赖外部第三方的AI工具？这些工具会不会接触到你的核心数据？
你公司积累了5年以上的核心隐性知识是什么？有没有可能把这些知识转化为垂直模型的能力？
如果你的竞争对手先落地了AI能力，用比你低30%的成本做同样的业务，你有没有应对方案？
结语
我知道今天讲的这些内容，会戳破很多人的幻想，会让很多人不舒服。但作为咨询顾问，我的职责不是给你喂鸡汤，是给你看真相。
AI不是洪水猛兽，但它确实是人类历史上最强大的资源集中器。它会让强者更强，弱者更弱，没有中间地带。你要么挤到引力场的核心，成为规则的制定者；要么待在边缘，成为被吞噬的对象。
当然，看到集中化的真相，只是第一步。下一篇我们会讲，在这个被AI收拢的世界里，中小企业、普通玩家到底还有哪些破局点，哪些差异化的生存路径，能让你在巨头的缝隙里，长出自己的参天大树。
《智变》专栏第三篇，我们不见不散。