AI浪潮下，企业战略面临怎样的重塑？
AI浪潮势不可挡，几乎所有企业都在争相探讨如何快速部署和应用这项技术，然而这仅仅是战术层面的较量。真正值得深思的是，企业生存与发展的根本——战略本身，在AI时代究竟会发生怎样的深刻变革？
究竟何为战略？从投资的角度审视，战略就是建立持续竞争优势的系统性方法。格林沃尔德在《竞争优势：透视企业护城河》中将战略划分为两个维度：在缺乏竞争优势的市场中，战略的核心目标是追求效率最大化；而在存在竞争优势的市场里，企业应通过习惯养成、转换成本、搜寻成本来实现客户锁定，获取需求端的竞争优势；同时依靠有竞争力的成本优势实现规模效应，获取供给端的竞争优势。
那么，步入AI时代后，服务对象从自然人转变为智能代理，能否实现锁定？又该怎样实现？供给成本的重心转向Token计算，是否还存在规模效应？该如何有效降低成本？
要解答这两个关键问题，首先需要对需求端和供给端进行重新解构。
在工业时代乃至互联网发展初期，提及客户通常指的是自然人：消费者、采购决策者、管理层。战略教材中讨论的习惯、转换成本、搜寻成本，几乎都是围绕人类决策者展开的。
进入AI时代后，客户结构发生了根本性转变：
第一层，是自然人：最终承担后果的个人和组织，他们有情感、有偏见、有惰性，会受到关系、品牌、故事的影响。
第二层，是智能代理：执行任务、检索信息、比较方案、下单支付的智能体，它没有情绪，但会受到算法目标、数据分布和接口约束的影响。
第三层，是平台：承载这些智能代理的操作系统、行业云或超级应用，掌握接口规则和分发权利，决定智能代理能够接触谁、能够调用谁。
这三个层级的每一层，都是企业战略必须正视的“客户”群体。若一家企业只能在某一层建立优势，而在其他两层毫无布局，那么在AI时代，它的护城河必定是不完整的。
在自然人这一层，锁定逻辑并不会消亡：人们依然需要信任、体验和品牌，也依然会被惰性和路径依赖所支配。真正发生改变的是第二层和第三层——智能代理和平台。
首先，智能代理是否存在“习惯”？
从狭义角度看，智能代理是一个策略函数，它根据当前指令和环境状态选择行动，不会像人一样产生情感上的习惯。然而，从系统设计的视角审视，智能代理会形成两种“拟人化的偏好”：
一种是用户对“专属智能代理”的依赖。一个长期协助处理工作流程的企业级智能代理，会积累大量上下文和偏好信息，人们会习惯性地“首先询问它”，这是一种建立在信任基础上的人类习惯。
另一种是智能代理内部策略的路径依赖。为了降低复杂度和风险，智能代理会持续复用已经验证过的工具组合和服务供应商，而非每次都从零开始尝试新选项。工具选择策略一旦收敛，就会在行为上表现出“偏好”和“惯性”。
其次，智能代理的“转换成本”源自何处？
对于人类而言，转换成本是学习新系统、迁移数据、打破关系的代价。对于智能代理，转换成本主要体现在三个维度：
集成成本：引入一个新服务，需要新的API适配、凭证管理、错误模式处理、安全审计，这些都需要工程和合规方面的投入；
策略重训练成本：如果工具选择依赖学习能力，替换供应商意味着重新探索和收集反馈，期间策略性能会产生波动；
风险校验成本：越来越多的企业会对智能代理的外部调用设置风控门槛，新供应商要经历更严格的评估和限权期。
这三类成本叠加起来，意味着一旦你的服务进入了大量智能代理的标准工具集，要被大规模替换掉，难度并不亚于将一套ERP系统从企业中移除。
第三，搜寻成本从“找不到人”转变为“智能代理找不准”。
表面上看，智能代理可以在几秒钟内扫描无数文档、条款和价格，似乎把搜寻成本降到了接近零。然而，在关键场景中真正困难的是：
如何评估供应商在长期表现和博弈行为上的稳定性；
如何在不完备信息条件下，平衡短期价格与长期风险。
这类判断超出了单次API调用的反馈范围，需要长期信誉体系和平台级评估机制支撑。于是，新的搜寻成本不是“用户看不到你”，而是“高水平的智能代理很难快速证明你足够安全、稳定和值得长期合作”。
在这样的环境下，需求端竞争优势的目标从“锁定人”转变为“同时锁定人、智能代理和平台”：
在自然人这一层，通过可感知的结果和品牌，赢得“把决策权交给这个生态”的信任。
在智能代理这一层，通过稳定的接口、合理的Token经济、对智能代理友好的策略，成为它们愿意持续调用的默认选项。
在平台这一层，通过深度集成、合规能力和生态伙伴关系，成为平台在关键任务上“只能选你或少数几家”的长期依赖。
在格林沃尔德的框架中，供给端竞争优势主要来自规模效应和成本领先：企业通过更大规模的生产、更高的资产周转率和更强的议价能力，把单位成本压低，从而抵挡竞争者进入。
在AI时代，我们习惯把供给端简化为“多少Token、多少并发QPS”，但真正的供给系统至少有三层：
传统数字化栈（ERP、BI、业务系统），负责承载结构化流程和数据；
智能栈（LLM、智能代理、MLOps），负责理解、推理和自动化决策；
重资产基础设施（电力、GPU、数据中心、网络和物理设施），负责把算力和带宽以可用形态提供出来。
如果把最后一层重资产剥离出来，你会发现，大多数企业的战略选择集中在前两层：
用什么方式组织信息和流程（ERP+BI）；
用什么方式组织智能和自动化（LLM+智能代理）。
但重资产的角色正在悄然改变整个供给端经济学。
当大模型推理调用量在两年内增长数十倍甚至上百倍，而GPU、HBM和先进封装产能难以同步扩张时，Token成本背后的现实是：电价、芯片折旧、液冷、网络和运维构成的刚性成本正在把“规模效应”的边界向上推移。
换句话说，在算力供给受硬约束的阶段，越用越便宜并不是自然结论——如果没有足够规模和技术去提升单位功耗的Token产出，你看到的可能是“越用越贵”。
真正的供给端战略问题，不再是“我要不要上AI”，而是：
我站在哪一层做规模效应：是向下投资重资产，做算力和能源的提供者，还是向上在行业场景里做Token使用效率的优化者？
我能否把ERP+BI时代积累的流程和数据资产，与LLM+智能代理有机结合，形成一个从任务发起到执行反馈的学习闭环，而不是简单叠加一个聊天窗口？
在这个意义上，AI并没有让供给端规模效应消失，而是把问题变成了：“谁能用最少的Token，创造最多的有效智能服务”。
回到格林沃尔德的第一层：在没有竞争优势的市场，战略唯一的目标是提高效率。
互联网时代，企业提高效率的典型做法，是用ERP、CRM、BI等工具降低人力成本、减少错误、加快周转，再配合SEO、SEM、运营自动化，降低获客成本。
AI时代，效率的定义发生了两次升级：
从“人效”到“系统效”：不只是看人均产出，而是看整个系统——包括智能代理在内——从需求到履约的端到端效率。
从“流程效率”到“学习闭环效率”：真正决定长期竞争力的，是你能否在真实场景中持续收集反馈，让系统学得更快、演进得更快。
传统ERP+BI体系可以把企业内的结构化流程跑顺，但它对非结构化知识、跨系统决策和柔性任务支持有限。LLM+智能代理叠加上去之后，效率提升的空间主要来自：
用智能代理自动操作原有系统，把原来需要多人、跨部门协调的流程，压缩成少数几个智能任务；
利用模型对文本、语音、图像和日志的理解能力，提取原本埋在业务沟通和文档中的“暗数据”，纳入决策循环；
通过持续的任务反馈和模型微调，把成功经验变成能复制的策略，而不是停留在“只会用报表看历史”。
对一个没有明显护城河的公司来说，战略问题不再是“我要不要上哪个大模型”，而是：
我是否能比竞争对手更快地构建和运营自己的学习闭环；
我是否有足够场景密度，支撑这个闭环迭代出真正的效率差异。
AI使得“功能差异”变得很脆弱：同样的模型和开源组件，足以让很多竞争者在短时间内做出类似的功能。这意味着，真正可持续的护城河正在从“我有这个功能，你没有”，转向“我在特定任务、特定数据和特定接口上的深度”。
任务层面：谁在关键任务流上有默认入口，谁就是新的“电梯间广告位”。在消费端，这可能是系统级AI助手；在企业端，这可能是默认的工作流智能代理或行业云入口。
数据层面：谁掌握难以复制的专有数据，并能将其持续转化为模型/智能代理的性能优势，谁就在供给端拥有别人无法轻易复制的成本和质量优势。
接口层面：谁的接口是智能代理和平台习惯调用的标准，谁就把自己嵌进了新一代“数字操作系统”。接口不只是技术协议，还包括计费方式、权限模型、服务等级协议和合规承诺，这些都是新的转换成本。