大家都能用上相近的模型，AI原生企业靠什么形成竞争力？丨ANC再认识竞争优势
模型当然重要。它决定企业从哪里开始，也影响Agent能处理多复杂的问题。随着相近的模型和Agent框架被更多公司采用，原本少数企业才有的技术能力，也会逐渐成为共同起点。
但Agency在一家企业的真实业务中形成的能力，不是一次采购就能得到。企业之间的差距，会在业务运行中慢慢产生：Agency做完一件事以后，能不能根据这次结果，让下一次做得更好。起点相近的两家公司，只要这一点不同，运行一段时间后就可能拥有不同的业务能力。
NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。
一｜相近模型，不等于相同的企业能力
设想两家为工业企业提供设备运行与维修业务的公司。客户购买的，是设备稳定运行、故障发生后尽快恢复，以及可靠的工程师到场和设备恢复承诺。
两家公司使用相近的模型和Agent。它们的AI都能读取设备告警、维修记录、工单、备件库存和工程师状态，安排初步诊断与维修。工程师是否到场、备件是否领用、设备是否恢复，也会反馈给AI，供它继续处理后续安排。
最初一段时间，两家公司处理常见故障的表现很接近。它们都不是让AI只给调度人员一条建议，再由人逐单推动设备恢复。AI会持续读取设备和维修状态，安排接下来要做的事，并在结果回来以后继续推进。
对这类公司来说，Agency推进的不是一项后台流程，而是客户持续购买的设备运行与故障恢复。它每天怎样判断和行动，已经直接影响客户能不能得到公司承诺的结果。当一项核心业务主要以这种方式运行，问题就不再只是一个Agent能做什么，而是整家公司主要依靠什么创造价值。ANC对此有一个正式定义：
AI Native Company，是以AI Agency为主力实现核心价值创造的公司。
放到这两家公司里，“主力”不表示AI亲自完成现场维修，也不表示每个决定都由AI作出。它表示从告警出现到设备恢复，AI在既定目标和边界内了解变化、安排资源、推动下一步，把维修一直推进到设备恢复。
两家公司都符合这个状态。它们的差距，不在谁更有资格被称为AI原生，而在设备业务运行一段时间以后，Agency有没有发生变化。
二｜真正拉开差距的，是Agency能不能持续进化
一家客户工厂的离心泵出现温度和振动告警。两家公司的Agency都根据当时的设备状态和维修记录，把问题指向轴承磨损，随后准备备件、安排工程师。更换轴承后，告警消失，设备重新运行，这笔工单看起来已经完成。
随后几周，两家公司的Agency都先后看到几台刚更换轴承的泵，在生产负荷升高后再次振动。
第一家公司的Agency仍把每张工单分别按轴承问题处理。哪台泵再次振动，就再准备一次轴承、安排一次更换。它能稳定地完成工单，却没有把几次维修后的结果联系起来，原来的判断方式也没有改变。
第二家公司的Agency继续读取维修后的设备状态，并把几台泵再次振动、生产负荷变化和此前更换轴承的记录联系起来。它据此判断，原来的维修可能只处理了表面原因，于是安排现场检查。检查确认泵与电机之间存在对中偏差，这才是轴承反复磨损的原因。
这个结果开始改变Agency以后怎样诊断和安排维修。下一次遇到“刚换过轴承、升负荷后再次振动”的情况时，它不再直接重复更换轴承，而是先安排对中检查，准备相应工具，并选择处理过同类问题的工程师；如果检查结果不同，再调整备件和维修计划。
设备在维修后是否持续稳定，开始改变下一次怎样判断和行动。一次维修留下的不只是完成记录，还包括什么现象容易误导判断、哪种检查应该提前、需要准备什么资源。第一家公司的Agency只是继续完成工单，第二家公司的Agency则在完成工单的同时，逐渐提高了处理同类问题的能力。
如果这层变化没有发生，维修结果即使被完整记录下来，也只是历史材料，不会自己变成下一次的处理能力。
我们之前的文章「企业给AI设定目标以后，为什么还必须让它得到业务反馈？丨ANC重新理解AI原生建设」讨论过，业务反馈帮助AI决定当前任务应该继续、调整还是停止。本篇再往前一步：这次结果能不能改变下一次处理同类问题的方式。
这种差距不会因为竞争对手买到相近模型就立即消失。竞争对手可以买到相近的通用能力，却无法在采购当天同时获得另一家公司在具体设备、生产条件和维修结果中逐渐形成的处理能力。
三｜客户愿意交付更多任务，进化才被继续放大
Agency变得更会处理某类故障，还只是企业内部的变化。客户不会因为Agency改变了判断方式就扩大合同。客户能看到的，是同样的问题少一些反复维修，设备恢复更稳定，等待工程师和备件的时间更短，公司给出的到场与恢复安排也更可信。
能力改善必须落到这些客户能够感受到的结果上。ANC把这层关系称为价值可感知性：客户不需要理解Agency内部发生了什么，但能够从设备运行和生产安排中看见变化，并愿意为这种变化继续购买。
当这些改善持续出现，客户先把更多同类设备交给这家公司，随后再购买主动维护，或者让它协调不同工厂之间的维修资源。公司获得的不只是更多工单。新的设备型号、故障组合、生产条件和资源冲突，会把Agency带进以前没有处理过的情形，为下一次能力改善提供新的机会。
客户扩大合作范围，也让这种内部能力有机会变成更稳定的收入和更长久的合作。只有这些收入足以支持Agency、工程人员和设备业务继续运行，能力改善才会成为公司能够长期保持的经营优势，而不是一次做得不错的维修服务。
这个循环开始转起来：Agency根据真实结果，让下一次做得更好；客户感受到改善以后，愿意交付更多、更重要的任务；新任务又带来新的业务情境，推动Agency继续进化。曾鸣在《智能：AI时代的商业、组织与战略的本质》中把这种任务、反馈、能力提升与更多任务相互促进的关系称为“智能复利”。
智能复利不会在Agent部署以后自动发生，任务增加也不表示Agency一定会变强。如果维修结果没有改变未来的处理方式，或者能力改善没有变成客户愿意购买的结果，这个循环就无法持续。
ANC视角
相近模型只是共同起点。AI原生企业要让Agency在真实业务中持续进化。客户感受到更好的结果后，愿意交给企业更多、更重要的任务；新任务再推动Agency继续进化。智能复利，才是竞争力不断增长的关键。
AI成为核心价值创造的主力，说明一家公司主要怎样运行；Agency能否在运行中持续提高解决问题的能力，则影响这种公司形态能不能形成不断增长的竞争力。企业真正留下的，不只是完成过多少任务，还有一种让客户愿意交付更重要任务的能力。
写在最后
使用相近模型的企业，可以在同一天获得相近的通用能力，却不会因此拥有相同的未来。企业需要建设的，是一个不只完成当前任务，还能从真实结果中不断提高解决问题能力的Agency。
来源与限制
- 曾鸣：《智能：AI时代的商业、组织与战略的本质》，中信出版集团，2026年7月，ISBN 9787521789300。本文参考其中“智能复利”“智能复利和竞争优势”等章节关于任务、反馈、能力提升与客户价值的讨论。该理论为本文提供分析坐标，不代表智能复利已经成为经过广泛实证的经济定律。
- 文中的两家设备运行与维修公司、离心泵故障及后续业务变化均为综合设想，不对应任何真实企业、工业软件或现成AI产品。
- Agency能够根据维修结果改进后续判断和行动，是为了说明业务关系而作的能力设想。本文不声称现有Agent部署后会自动获得这种能力，也不讨论具体技术实现。
- 客户扩大设备范围、购买主动维护或交付跨工厂协调任务，均为推演中的经营结果，不代表单次维修改善必然带来续约、增购或竞争优势。
- “价值可感知性”与AI Native Company之间的关系，以及智能复利如何转化为ANC竞争力，是ANC在既有定义基础上的原创推论。竞争力最终仍需由客户结果、客户选择和公司长期经营共同验证。
感谢你看到最后，如果你觉得有启发，随手点个赞、在看、转发吧，如果想第一时间收到推送，也可以给我加个星标⭐我们下期见。
我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是深度洞察AI第一性原理和应用实践的前瞻性研究实验室，目前有两个主要研究方向：
「塔迪AI工程系列」FDE落地工程、ANC：AI Native Company未来公司系列、GEO、AI判断工程。
「塔迪硅基禅心」是传统东方智慧、未来AI前沿、当下应用实践，深层共鸣的探索。不是用AI解读经典，也不是用经典指导AI。 这是一场跨越2500年的对话，在算法与古老智慧之间，照见意识、智能与存在的本质。
塔迪的微信 - tardyai2025。