AI越强，聪明的资本越抢“笨生意”

本文来自微信公众号： 不懂经 ，作者：不懂经也叔的Rust

意大利北部的阿西亚戈山区，一家公司正在测试卫星激光通信设备。

光束被发向七英里外的一间山间小屋。设备没有被黑客攻击，算法也没有失灵。工程师眼下唯一的麻烦，是偶尔有一头牛从接收器前面慢慢走过。

这家公司叫Officina Stellare，意思是“星际工坊”。它制造卫星、国防和科研所需的精密光学系统。厂房在阿尔卑斯山脚下，旁边是丘陵、葡萄园和出产奶酪的牧场。就在今年，它与一家私募支持的航空航天集团完成合并。

牛、激光、卫星、私募，在同一个场景里出现了。

这差不多就是今天资本市场最有意思的一张照片。

过去十几年，资本最喜欢的是“聪明生意”：软件、平台、订阅、零边际成本。如今，一批投资人开始沿着都灵到威尼斯的A4高速公路寻找另一类公司。它们有混凝土厂房，有几十年没换过的机器，有难懂的零部件，有分散在全球的老客户。私募给这类资产起了一个名字，HALO，重资产、低过时风险。

根据彭博社最近的报道，意大利最近突然成为了私募资本追捧的宠儿，很能说明一一些问题。

2025年意大利完成了679笔私募交易，同比增长16%，2026年前五个月，S&P Global Market Intelligence统计的全球工业领域私募股权与风投交易额已经达到820.6亿美元，照此速度走下去，可能创下至少六年来的新高。与此同时，英法德都在放缓。

这些资本主要投入到了意大利传统的制造业和家族企业。但这不等于资本已经抛弃AI，恰恰相反，是他们想要免于AI的冲击。

AI把答案变成了廉价品，资本开始购买那些能把答案变成结果的系统。

模型能给出方案，现实决定方案值不值钱。能把一次输出持续变成订单、产量、交付和现金流的整套东西，这是“结果系统”。它可能很笨，很慢，甚至有点难看。

当答案越来越便宜，结果系统会重新变贵。不管对企业还是个人，这都是值得深思的转变。

一、所有公司都在把AI接进电脑，却没有接进利润表

没有多少企业敢拒绝AI。

Stanford 2026年AI Index汇总的调查显示，88%的受访组织已经在使用AI。McKinsey 2025年对105个国家、1993名受访者的调查也发现，AI在企业里已经相当普遍。

问题出在下一步。接近三分之二的受访组织还没有开始全企业规模化，只有39%报告了企业层面的EBIT影响。

这两个数字放在一起，才是企业AI的真实处境：大家都装上了发动机，车却没有真正动起来。

过去一年有一个流传很广的说法，称“95%的企业生成式AI试点失败”。后来它又在传播中变成“95%的token都在空转”。这当然有点夸张。相关报告没有统计token，它看的只是一组项目有没有迅速产生可测的损益表影响，样本和成功定义也有明显局限。

但这个夸张数字为什么如此受欢迎？因为它迎合了很多管理者已经感受到、又不愿意准确描述的尴尬。

买模型很容易，改公司很难。

给客服接一个问答机器人，给销售装一个写邮件工具，给程序员买一套代码助手，都可以在一个季度内完成。可要让AI改变利润表，企业就得重新处理数据权限、审批路径、岗位边界、绩效目标和事故责任。它会碰到部门预算，会让一部分管理岗位失去理由，也会逼人回答一个没人喜欢的问题：AI给错答案以后，究竟算谁的？

所以企业最容易选择试点。

试点有演示，有新闻稿，有董事会汇报，也有“我们正在拥抱AI”的姿态。流程重构没有这种轻松。它会制造失败，会暴露旧组织的利益，会让原本模糊的责任突然有名字。

这就是为什么AI即使能在一个任务里省下大量时间，也可能没有改变公司一分钱的利润。省下来的时间没有变成更高收入，也没有变成更少人力；错误仍然要人工复核，客户仍然由旧团队交付，审批仍然在原来的队列里等待。

AI降低了提出答案的成本，没有自动降低为答案负责的成本。企业买到的是一次能力，利润表要求的是一个结果系统。

二、答案便宜了，结果没有

我在之前的文章《0.02%的幸存率》里写过，知识和内容的供给已经开始像基础设施一样过剩。那篇文章讨论的是，生产容易以后，注意力和需求为什么更难获得。

今天还要再向前走一步。AI不只让内容供给爆炸，也在让“答案”成为一种过剩品。

一份市场方案，一段代码，一张海报，一封销售邮件，一个产品原型，过去都需要稀缺的专业劳动。现在它们可以在几分钟里生成十个版本。Stanford AI Index汇总的研究显示，AI在客服、软件开发和营销这些结构清楚、结果容易测量的工作中，已经产生了两位数甚至更高的效率提升。

这是真价值，可效率和利润之间还隔着很长一段现实。

AI可以写一封更好的销售邮件，但它没有客户名单，也没有客户为什么信任你的历史。它可以提出工厂节能方案，却不能替你更换设备、停掉产线、通过验收。它可以生成一套自动驾驶代码，车开上路以后，传感器被泥水遮住、路面反光、行人突然折返，后果不会留在聊天框里。

我们习惯把这些东西统称为“落地”，仿佛模型从云端下来，脚一碰地，价值就自然出现了。这有点太线性思维了。

真正发生的是一连串昂贵动作：公司取得客户许可，调用正确数据，把答案变成决定，再把决定变成机器或人的行动；系统记录结果，发现偏差，重新训练或修改规则；出错以后，有人停机、召回、赔偿，并把这次失败留在组织记忆里。

客户、设备、许可、供应链、服务网络、现场数据、测试记录和责任链，这些东西组合起来，才是结果系统。

生成模型擅长生产“看起来可能对”的东西。商业世界最终购买的是“已经被证明有用”的东西。

两者之间的差价，正在成为下一轮利润的来源。

三、资本没有离开AI，它在寻找AI的另一半

经济学家、《技术革命与金融资本》的作者卡洛塔·佩雷斯研究过技术革命如何扩散。她把一轮技术浪潮大致区分为安装期和部署期。

早期，资本被新技术本身吸引。铁路时代先修铁路，互联网时代先铺光纤、建门户、做浏览器，AI时代先训练模型、建数据中心、抢芯片。估值、人才和叙事都集中在新产业的核心。

但一项技术要真正改变经济，迟早要从实验室和基础设施进入既有产业。铁路最后改变的不只是铁路公司，还改变了零售、城市、旅馆和制造业。互联网最后也没有只养活网络公司，它重写了几乎所有公司的采购、销售和组织方式。

佩雷斯的框架不能证明AI已经走到某个确定阶段。历史没有这么整齐，今天的资金仍在大规模涌向模型和算力。Stanford的统计显示，2025年全球企业AI投资增长一倍以上，生成式AI拿到了接近一半的私人AI融资。

所以，“聪明钱正在逃离AI”是一个好标题，却是一个坏判断。更准确的变化是，资本开始寻找AI必须依附的互补资产。

过去，软件公司的优势来自复制。一套产品做出来，可以卖给一万家公司，新增一个客户几乎不增加生产成本。可当生成代码和功能的成本继续下降，软件功能本身的寿命就会缩短。投资人过去愿意为七年、十年的稳定订阅付高价，现在必须问：三年以后，这套功能还独立存在吗？客户会不会让AI自己做？席位减少以后，按人头收费还能不能成立？

另一边，现实世界的很多东西无法按“复制粘贴”扩张。

一张铁路消防系统的设计图可以复制，安装在列车上的设备不能。一个卫星光学系统的参数可以复制，通过航空航天认证的产线不能。一个矿山自动驾驶模型可以复制，矿山里的车辆、传感器、维修团队和多年事故数据不能。

这正是意大利突然受到关注的原因之一。那里有大量低负债、家族持有、长期投资设备的中型制造商。许多创始人进入退休年龄，私募在工业领域配置不足，又在软件和服务上配置过多。AI提高了软件资产未来现金流的不确定性，也提高了既有制造系统被智能化改造的潜在收益。

当然，AI只是这波交易的催化剂。意大利私募渗透率原本就低，家族接班、银行整合、供应链重构、国防开支和能源基础设施投资，都在推高交易活动。

但这些因素最后汇合到同一个方向：资本开始为现实中的稀缺接口重新定价。

它没有背叛AI。它开始收购AI的另一半。

四、真正值钱的是“结果系统”

为什么一家公司拥有厂房、设备和客户关系，就可能比只拥有模型更值钱？

因为现实永远写不完。

合同可以规定交付日期、产品规格和赔偿条款，却不可能提前列出机器会以什么方式损坏、客户会临时改什么要求、哪个零件会断供、监管会增加什么测试。模型也一样。训练数据可以覆盖大量常见状态，却很难提前装下那头恰好走过激光接收器的牛。

不完全合同理论研究的就是这个问题。诺奖得主奥利弗·哈特在演讲里把问题说得很清楚：当合同无法规定所有未来事项，关键就变成，缺失事项出现时谁有权决定。

所有权在这里重新显出价格。

你拥有一台设备，才有权决定它是否停机、怎样改造、接入哪个系统。你拥有客户关系，才能把一次技术升级变成新的报价。你掌握测试记录和事故数据，才能判断一个模型是否真的进步。你控制服务网络，才有能力在错误发生后赶到现场。

这不需要被包装成“处理意外的权力”。意外太偶然，权力也太抽象。

更直接的说法是：你能不能把答案变成结果，并在结果不好时继续修正。

意大利有一家为列车制造自动消防系统的企业SEMA。它的关键能力之一，是减少误报。因为一次错误警报就可能让列车停运，代价远高于屏幕上多一条错误提示。

在这样的生意里，模型准确率从97%提高到98%，还不是最终价值。误报减少了多少次，列车少停了多少小时，监管机构是否认可，保险成本有没有下降，客户是否愿意续约，这些才是结果。

谁能测量这些结果，谁就得到最有价值的反馈。谁能根据反馈修改设备、软件和工作流，谁就积累下一轮优势。谁还与客户签着合同，谁才能把优势变成收入。

这是一条很难从外面复制的链。

模型公司可以拥有更聪明的答案，却未必拥有采取行动的资格。制造商可能没有最强的模型，却拥有设备、客户和部署权。真正强的公司会把两边接起来，让每一次现实结果都回到系统里，变成下一次行动的依据。

护城河正在从“我有什么功能”，转向“现实发生变化以后，我能让什么结果随之改变”。

五、世界模型只是练习场，现实才是考场

这也是为什么“世界模型”最近变得重要。

语言模型预测下一个词，世界模型试图预测采取一个动作以后，环境会发生什么。Google DeepMind的Genie 2可以从一张图片生成可控制、可游玩的3D环境，让智能体在里面训练和测试。它能模拟开门、跳跃、重力和其他角色的行为。

听起来很接近“理解世界”，其实离真实部署还有很远。

DeepMind自己写得很克制：这项研究仍在早期，环境一致性最长约一分钟，多数展示只有10到20秒。机器人研究也反复遇到同一个障碍，仿真里的摩擦、噪声、光线和物体分布，与现实总有差距。模型在模拟世界里学会走路，到了真实地面仍可能摔倒。

世界模型最现实的价值，是把昂贵、危险、不可重复的失败，先变成便宜、可重复的练习。

仿真、数据、评测、硬件、部署、审计，一环都不能少。因为一辆几吨重的机器在道路或矿山里移动时，流畅输出没有意义。监管者要知道它为什么被允许上路，制造商要知道哪次更新改变了行为，事故发生后还要找到责任链。

过去我们容易把这些工作看成创新的阻力。测试太慢，认证太烦，审计不够性感。可在AI能力迅速变强以后，它们反而构成产品的一部分。

能力越强，越要提前回答后果由谁承担。这个问题不必写成一段宏大的责任伦理，它最后会落到很具体的装置上：批准按钮、测试报告、黑匣子、保险合同、召回流程和赔偿账户。

模型不会收到罚单，也不会出钱召回。商业系统必须把这些后果提前算进产品里。

六、也不要把”笨生意“浪漫化

写到这里，很容易得出一个危险结论：去买工厂，去做手艺，去找所有AI看起来替代不了的生意。

这同样是线性思维。

物理资产可能是护城河，也可能是沉没成本。意大利制造业面临欧洲最高的一批能源成本、繁复监管和漫长司法程序。技术路线一旦押错，机器不会像软件一样按一下删除键就消失。

依赖人工和现场的生意也未必有好回报。鲍莫尔早就指出，一些行业生产率很难提高，工资却要跟着其他行业上涨，结果是成本持续上升。所谓“不可自动化”，有时只是成本永远降不下来的另一种说法。

理发、护理、餐饮、手工艺都很接近人，接近人并不会自动产生定价权。重资产、低毛利、客户集中、没有差异化的制造企业，也不会因为挂上HALO标签就获得未来。

真正值得重估的“笨生意”，需要同时满足几件事。客户愿意为真实结果付钱；错误有清楚的成本，所以改进可以被测量；现场数据和经验能够持续积累；公司拥有客户、设备、许可或服务网络，能够根据反馈行动。最重要的是，AI可以提高它的效率，却拿不走它与现实之间的关系。

好的“笨生意”不排斥智能。它用智能改造自己，又保留了把智能变成收入的那一段世界。

这也是HALO叙事里最容易被忽略的部分。低过时风险不意味着拒绝技术。那位意大利投资人说得很直白：这些企业有出色的“模拟业务”，现在需要把它们与AI杂交。

只守着旧机器，会被成本拖死。只拥有新模型，会被更便宜的模型追上。

未来最有价值的公司，可能恰好卡在两者中间。

七、你拥有答案，还是拥有结果？

我之前讲过，AI时代真正的赢家不是最会用AI的人，而是拥有定价权的人。

现在可以补上后半句：定价权常常来自你控制了结果系统。

对公司如此，对个人也一样。

如果你的工作只是生产一份可以被转发的答案，你面对的是一条持续下跌的价格曲线。如果你能让答案改变一个真实数字，收入、成本、良率、交付时间、事故率、续约率，你就开始接近结果系统。

这不意味着每个人都要去工厂。现实也存在于客户拒绝付款的那一刻，病人没有按计划恢复的那一刻，团队没有按方案行动的那一刻。关键在于，你有没有看到后果，有没有权力修正，有没有为结果承担代价。

AI会继续变强。答案会更多、更快、更像正确答案。下一轮稀缺性不会藏在“谁还能生成”里。

它会藏在另一个更难的问题里：

你手里究竟有更多答案，还是有一个能让答案变成结果的系统？【懂】