Ep116 Khross7Yqn4

导读：为什么一家 ToB 公司史也是 AI 产业课

本节先说明这期为什么值得放进广义 AI/互联网队列。表面上，EP116 是吴明辉在上市前回顾明略科技、秒针系统、并购、现金流和 19 年 ToB 公司史；更深一层，它讨论的是企业级 AI 的真实落地条件：私有数据、行业 workflow、可审计交付、供给侧能力、Agentic Model、Tool Use 和人机互信。

这期最重要的不是“某家公司如何熬到 IPO”，而是一个反互联网爽文的 ToB 样本。ToC 互联网讲流量、增长和网络效应；ToB 企业服务讲客户现场、数据入口、交付质量、现金流、组织耐力和长期信用。AI 到来后，这些老问题不会消失，而是被重新排列：公开数据训练基础模型并卖 token 会越来越卷，拥有私有数据和行业流程的公司，才可能在企业级 Agentic Model 上产生差异化。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.96\textwidth]{company-history-map.png}
\caption{明略 19 年公司史：第一段创业、第二段创业、痛苦急转和企业级 AI 重新连成一条线。自制概念图，依据 00:02:11--03:47:40 对谈内容整理。}
\end{figure}

读图：这不是线性创业史

第一段是秒针、推荐系统、广告监测和 Web2 技术复杂度；第二段是明略、Palantir 式数据分析、ToB/ToG 路线和并购；痛苦急转是现金流、聚焦和经营能力；AI 时代则把这些积累重新解释为私有数据、企业 workflow 和 Agentic Model。

本期核心命题

企业级 AI 的关键不是“把通用模型卖给企业”，而是把模型接入企业私有数据、工具系统、业务流程和责任边界，让 AI 在真实工作中产生可审计、可交付、可计价的结果。

本期阅读路线

路线	主要内容	要带走的问题
公司史	秒针、明略、并购、痛苦急转	为什么 ToB 公司需要长期积累，而不是一次增长爆发？
数据线	Web2 行为数据、conversational data、私有 data	哪些数据能变成企业 AI 的差异化？
产品线	DeepMiner、Agentic Model、Tool Use	AI 怎样从分析工具变成工作流执行系统？
组织线	供给侧能力、老板/合伙人、可信 AI	AI 会怎样重写企业组织和责任边界？

本章小结

EP116 的阅读方法是把公司史当作技术商业案例。前半段解释数据入口和 ToB 经营为什么难，后半段解释这些难点在 AI 时代为什么反而变成壁垒。

第一段创业：推荐系统、秒针与 Web2 技术复杂度

本章承接导读里的“公司史也是技术商业案例”这一判断，先回答一个问题：为什么早期 Web2 数据能力会成为企业级 AI 的伏笔。吴明辉最开始的商业计划书是 recommendation system，而不是广告系统；这个细节很重要，因为它说明团队最早关心的是 Web2 时代个性化内容、用户 ID、推荐和动态系统。Web1 的页面可以缓存，所有人看同一份内容；Web2 以后，每个用户看到自己的内容，系统复杂度明显上升。

Web2 给技术团队带来的新问题

当每个人看到的内容都不同，缓存、数据库、个性化、推荐、日志和实时计算都会变复杂。早期推荐系统和广告监测不是今天意义上的大模型，但它们已经在处理“数据驱动的互联网行为理解”。

术语消化：从 Web2 到企业 AI 的连续性

概念	当年解决的问题	为什么和今天 AI 有关
User ID	让系统知道“谁在看”	企业 AI 也必须知道任务属于谁、权限属于谁、上下文属于谁。
推荐系统	为不同用户分配不同内容	Agentic Model 也要为不同角色生成不同动作建议。
广告监测	让多方相信同一份数据	企业 AI 输出必须可审计，否则无法进入经营决策。
日志与行为数据	记录真实互动	私有数据的价值来自持续记录业务过程。

从这个角度看，第一段创业不是“还没进入 AI 的前传”，而是企业级 AI 的底层训练。推荐系统训练的是个性化分发能力，广告监测训练的是可信计量能力，Web2 基础设施训练的是高并发和用户上下文能力。这些能力后来换了名字：个性化变成 context，可信计量变成 auditability，高并发系统变成企业 workflow 的稳定交付。

从旧能力到新能力的迁移

旧能力	当年的业务形态	AI 时代的迁移
个性化推荐	给不同用户看不同内容	给不同角色、部门和客户生成不同任务建议。
广告监测	衡量流量、曝光和转化	衡量 Agent 动作是否真实带来业务结果。
中立第三方	多方认可同一套数据	企业 AI 输出要能被销售、法务、财务和客户共同接受。
外包/交付训练	给新浪、搜狐等客户做系统	理解真实客户需求，而不是只做实验室 demo。

第一段创业的三条隐线

隐线	当时看起来是什么	后来看起来是什么
技术隐线	给门户、广告和客户系统做工程交付	学会在真实业务系统里处理数据和可靠性。
商业隐线	从外包、推荐系统转向广告监测	学会在多方交易中找到可信中间层。
心理隐线	数学竞赛和创业随机性	学会把长期不确定性当作可解问题。

秒针的成功：从技术到中立测量

秒针系统后来成功，是因为广告主、媒体和代理之间需要一个中立测量方。这个角色的价值在于数据可信、标准统一和商业中立。吴明辉也提到，如果秒针自己下场包流量，就会失去中立裁判身份。这是 ToB 公司很典型的边界问题：短期收入诱惑可能损害长期信任。

中立测量的商业逻辑

广告监测公司的客户不是要一个“看起来更聪明”的算法，而是要一个可被多方承认的事实基础。可信数据一旦成为交易标准，就比单点功能更有壁垒。

从数学竞赛到创业心理

访谈中多次提到数学竞赛训练、奥林匹克竞技和心理调适。它解释了吴明辉的创业耐力：把困难看成一道题，相信花更长时间也能解出来。这种思维对 ToB 创业很关键，因为 ToB 很少一夜爆发，更多是长周期交付、客户信任和组织韧性。

竞赛思维的双刃剑

竞赛训练能带来强问题拆解能力和延迟满足能力，但也可能让创始人低估市场、销售、组织和资本结构的复杂性。ToB 公司不是只解技术题，还要解客户、现金流和团队题。

本章小结

第一段创业说明，吴明辉不是从“AI 概念”进入企业服务，而是从 Web2 数据、广告监测、中立测量和推荐系统进入。这些早期能力后来转化为企业私有数据和 Agentic Model 的底层直觉。

第二段创业：Palantir 想象、并购与痛苦急转

上一章讲秒针，本章进入第二段创业。明略数据被广密注意到，原因之一是它像中国版 Palantir：用数据整合、分析平台和工程交付服务政府/企业客户。但中国 ToB 市场和美国不同，ToG、ToB、产品化、定制交付、现金流和组织能力都会改变路线。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.94\textwidth]{palantir-to-b-logic.png}
\caption{Palantir 与中国 ToB：不是照搬 ToG，而是寻找数据、场景和交付闭环。自制概念图，依据 00:56:08--01:15:00 对谈内容整理。}
\end{figure}

读图：Palantir 是参照物，不是答案

Palantir 的启发在于数据整合、分析平台和强交付能力；但明略的现实路径必须处理中国企业客户、行业数据、ToB 付款、定制化和组织成本。照搬商业模式往往不够，必须重新找本地闭环。

并购 Red/小红：不是只买 application，而是买数据入口

前面讲 Palantir 只是参照物，本节看明略怎样在中国企业微信生态里寻找自己的数据入口。访谈里很重要的一段是收购小红团队。吴明辉看中的不是单纯 application，而是微伴等产品在企业微信生态里的 install base，以及由销售、客服和客户对话产生的大量 conversational data。这和他在北大读工程博士时研究 Conversational Intelligence 的方向正好重合。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.96\textwidth]{conversational-data-acquisition.png}
\caption{Conversational Data 线索：并购不是只买应用，而是买数据入口和 AI 场景。自制概念图，依据 00:04:36--00:07:40 对谈内容整理。}
\end{figure}

读图：为什么对话数据有价值

企业销售和客服对话不是普通聊天记录，而是客户需求、异议处理、交易推进、产品解释和服务质量的真实轨迹。它既是训练数据，也是工作流入口。

并购的 AI 逻辑

如果只看收入，收购一个 application 可能只是扩产品线；如果从 AI 角度看，收购一个高频工作流入口，等于拿到一条持续产生私有数据的管道。后者才是长期价值。

2020–2022：战场开太宽与现金流压力

第二段创业后半程是痛苦急转。公司同时开多个战场，现金流压力变大，资本市场环境变化，创始人开始从理想主义 founder 变成会经营的 founder。这里的教育意义很强：ToB 公司如果产品线太宽、交付太重、组织太散，就会被现金流和管理复杂度惩罚。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.96\textwidth]{two-b-company-turnaround.png}
\caption{ToB 公司痛苦急转：战场过宽、现金流压力和经营能力迫使公司重新聚焦。自制概念图，依据 01:15:00--01:45:01 对谈内容整理。}
\end{figure}

读图：急转不是失败，而是经营能力升级

战场过宽带来成本压力，痛苦年份迫使公司重新聚焦，聚焦以后才可能靠产品和服务造血。对 ToB 公司而言，活下来本身就是能力的一部分。

资本敬畏：估值越高未必越好

经历过战场收缩之后，本节回到资本结构。吴明辉谈到，很多创业者经历过这一轮后才真正敬畏资本。估值高、融资多，看起来减少稀释，但如果业务规模和上市路径跟不上，就会遇到回购、投资人压力和创始人困境。ToB 软件公司尤其如此：收入不到一定规模，资本市场出口会非常窄。

高估值不是护城河

估值是未来现金流和资本市场预期的压缩，不是企业真实能力。融资越多，组织越容易扩张过快；估值越高，未来回购和退出压力越大。ToB 公司如果没有造血能力，高估值会变成债。

公司阶段对照：同一家公司里的三种能力

阶段	主要问题	形成的能力
秒针阶段	广告监测、中立测量、Web2 数据	可信数据和交易标准意识。
明略阶段	ToB/ToG 数据分析、Palantir 想象、并购	行业数据、交付和组织整合能力。
AI 阶段	私有数据、Agentic Model、可信执行	把数据和 workflow 转成智能体交付。

本章小结

第二段创业讲的是从技术公司到经营公司的转变。Palantir 想象提供方向，并购带来数据入口，但现金流和战场过宽迫使公司学会聚焦。

企业服务级 AI：公开 token 会卷，私有数据有价值

前两章解释了明略为什么拥有数据入口、交付经验和经营耐力，本章进入整期的技术重心，问题变成：这些积累在 AI 时代如何转成企业级 Agentic Model。吴明辉判断，基于公开数据训练基础模型、以卖 token 为商业模式的公司会非常卷，最后容易卷成电费。因为公开数据和通用模型能力会趋同，token 价格会下降。企业级 AI 的差异化不在于重复训练一个公开模型，而在于私有 data、行业流程和真实工具系统。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.94\textwidth]{private-data-value.png}
\caption{私有 Data 的差异化价值：公开数据卖 token 会卷，私有数据能形成行业价值。自制概念图，依据 01:45:01--02:06:40 对谈内容整理。}
\end{figure}

读图：为什么私有数据能产生溢价

公开数据训练出的能力会越来越商品化；企业私有数据包含客户、流程、交易、合同、对话、设备和风险记录。模型只有进入这些上下文，才可能生成企业愿意付费的差异化结果。

“私有数据”不是简单上传企业文件

企业私有数据真正难的部分在权限、实时性、结构化、脏数据、业务含义和责任边界。把文档丢进向量库只是第一步；让 Agent 正确理解谁能看、谁能改、什么结果可交付，才是企业级 AI 的门槛。

企业 AI 的四层架构

层级	作用	典型失败方式
数据层	接入私有数据、权限和历史记录	数据脏、权限错、上下文不完整。
模型层	理解、推理、生成候选动作	只会总结，不懂业务约束。
工具层	调用业务系统、数据库和流程接口	无法写回系统，停留在建议。
治理层	审计、复核、责任和反馈	企业不敢放权，无法规模化部署。

从通用模型到企业交付的转译链

转译环节	要回答的问题	明略式经验的价值
行业语义	企业说的“客户”“风险”“线索”到底指什么？	长期 ToB 交付积累了行业语义和客户现场理解。
流程状态	任务处在售前、履约、回款还是售后？	CRM、销售、客服对话数据提供流程轨迹。
结果计量	动作是否真的改善收入、成本或风险？	秒针和数据分析经验强调可计量、可审计。
组织采纳	谁批准、谁复核、谁承担后果？	ToB 经营训练了权限、责任和交付意识。

这里还隐含了一个商业模式判断：如果模型公司只卖公开 token，价格会被供给增加和推理优化不断压低；如果企业服务公司把 token 变成可计价的业务动作，单价就不再只由算力成本决定。例如，同样消耗一百万 token，生成一段普通总结和发现一个重大合同风险的商业价值完全不同。企业级 AI 的定价单位最终可能从 token 转向任务、风险、收入提升和成本节约。

从 token 定价到结果定价

公开模型 API 的计价单位通常是 token；企业级 AI 的理想计价单位应该是结果。只有当模型输出能进入 workflow、产生可验证业务收益，企业才会为“结果”而不是“字数”付费。

现实世界的数值游戏

上一节讲私有数据，本节解释为什么企业数据难以直接转成模型能力。吴明辉把企业服务称为现实世界的数值游戏。围棋很适合 AI，是因为棋盘透明、规则完备、context 全；企业工作则相反：上下文不完整、信息分散、目标模糊、流程跨系统、结果要对真实客户和财务负责。企业级 AI 的难点不是“会不会回答”，而是能不能把不完整上下文转成可执行动作。

企业级 AI 的难点公式

\[ \text{Enterprise AI Value} \approx f(\text{Private Data}, \text{Workflow}, \text{Tool Use}, \text{Trust}) \]

其中，\(\text{Private Data}\) 是企业私有上下文，\(\text{Workflow}\) 是业务流程，\(\text{Tool Use}\) 是调用系统和工具的能力，\(\text{Trust}\) 是可审计、可控、可交付的信任。

术语消化：企业级 AI 的四个约束

约束	含义	产品后果
Private Data	企业独有的客户、流程、交易和对话数据	决定模型是否懂业务现场。
Workflow	跨部门、跨系统的真实流程	决定 Agent 是否能从建议走向交付。
Tool Use	调用 CRM、ERP、工单、数据库等工具	决定 AI 是否能改变业务状态。
Trust	权限、审计、复核和责任边界	决定企业是否敢把任务交给 AI。

这也是为什么“现实世界的数值游戏”比围棋更难。围棋的状态空间很大，但棋盘完整、规则明确、胜负可判；企业业务的状态空间不仅大，而且很多变量藏在人的脑子里、客户关系里、历史合同里和跨系统流程里。Agent 要想在这里工作，必须先把隐性知识转成可被系统利用的 memory，再把 memory 与工具调用结合起来。

Agentic Model：从模型能力到工作流执行

本节解释 Agentic Model。访谈里吴明辉把 Agent 或 Tool Use 看成企业服务领域的新链接。模型不再只是回答问题，而是接入数据、理解任务、调用工具、完成流程并返回可审计结果。这和 EP139 的 Agent loop、EP118 的 Agent OS 形成呼应，但企业场景更强调私有化、权限、审计和责任边界。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.96\textwidth]{enterprise-agentic-model.png}
\caption{企业级 Agentic Model：从私有数据到工具调用，再到企业工作流执行。自制概念图，依据 01:45:01--03:00:00 对谈内容整理。}
\end{figure}

读图：企业 Agent 不是聊天机器人

从左到右看，企业 Agent 先要拿到私有数据和企业上下文，再用模型理解和推理，再通过 Tool Use 调用 CRM、ERP、工单、数据库等系统，最后进入可审计工作流。缺一环都很难成为企业级产品。

DeepMiner：把企业数据挖成行动线索

Agentic Model 解决“怎样执行”，本节用 DeepMiner 说明“从哪里发现任务”。DeepMiner 在访谈中出现不多，但它是理解明略新产品方向的线索。它代表一种企业 AI 产品形态：不是只做问答，而是把多系统数据接入、挖掘规则/风险/机会、形成洞察，再通过 Agent 或工具执行后续动作。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.96\textwidth]{deepminer-product-loop.png}
\caption{DeepMiner 产品闭环：用 AI 挖掘企业数据中的规则、风险和行动线索。自制概念图，依据 02:31:58--03:36:59 对谈内容整理。}
\end{figure}

读图：从数据挖掘到 Agentic 交付

传统 BI/数据分析更偏洞察展示；DeepMiner 式产品如果接入 Agent，就可以从“发现问题”继续走到“提出行动”“调用系统”“记录结果”。这正是企业 AI 从分析工具变成生产系统的关键。

DeepMiner 式产品的关键转变

过去的数据分析常停在 dashboard 和报表；企业级 Agentic 产品必须进一步回答：发现了什么异常，应该采取什么动作，动作由谁批准，调用哪个系统，结果如何回流。

从 Copilot 到 Agentic System

阶段	典型形态	企业侧要求
Copilot	人问、AI 答，人复制结果	低风险、高频辅助，主要提升个人效率。
Workflow Agent	AI 读数据、填表、发起流程	要接入权限、工具和审批。
Agentic System	多 Agent 协同完成任务	要有日志、调度、失败恢复和结果责任。
Trusted Agentic Model	可信地承担企业关键任务	要可审计、可复核、可私有部署或受控运行。

本章小结

企业级 AI 的核心在于私有数据和工作流。公开 token 会变便宜，真正有溢价的是能把企业上下文变成结果的 Agentic Model。

新生产关系：供给侧能力、链接网络与组织重写

上一章讲模型和产品，本章讲生产关系。吴明辉认为，AI 会对软件行业、企业级服务和产业互联网产生重构，生成新的链接关系和生产关系。特别危险的是只提供链接网络、但不掌握供给侧能力、且网络又不是根节点的公司。因为 AI 会降低连接和信息处理成本，削弱中间层的价值。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.94\textwidth]{supply-demand-relation.png}
\caption{供给侧能力 vs 链接网络：只做连接但不掌握供给侧能力的网络会变危险。自制概念图，依据 02:31:36--02:34:28 对谈内容整理。}
\end{figure}

读图：AI 会重新定价中间层

如果一家公司只做撮合、分发或关系链，却没有产品、数据、工具、模型或交付能力，当 Agent 能直接连接需求和供给时，它的价值会被压缩。供给侧能力是能真正生产结果的能力。

新的生产关系：人、模型、工具和数据重新分工

上一节讲中间层如何被重新定价，本节进一步看工作本身如何被拆开。AI 带来的新生产关系不是“AI 替代所有人”，而是把人、模型、工具、数据和组织重新分工。模型负责认知，工具负责执行接口，数据提供上下文，Agent 负责自动协作，人负责目标、判断和责任。企业服务的未来不是只有 API，而是围绕任务结果重新组织生产。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.92\textwidth]{new-production-relation.png}
\caption{AI 带来的新生产关系：模型、工具、Agent、私有数据和人类合伙人重新分工。自制概念图，依据 00:00:42--00:00:55 与 02:31:36--02:34:28 对谈内容整理。}
\end{figure}

生产关系变化的判断标准

如果 AI 只是提高单点效率，它是工具升级；如果 AI 改变谁拥有数据、谁执行任务、谁承担责任、谁获得收益，它就是生产关系变化。

术语消化：链接、供给侧与生产关系

术语	在访谈中的意思	AI 时代的变化
链接网络	连接客户、商家、信息或服务的网络	Agent 降低连接成本，中间层价值被压缩。
供给侧能力	真正生产商品、服务、模型或交付结果的能力	越靠近结果，越不容易被绕过。
生产关系	谁组织生产、谁执行、谁分配收益和责任	模型与 Agent 加入后，角色重新分配。
合伙人	能承担结果、定义问题、协同 Agent 的人	重复执行岗位减少，高责任角色增多。

老板与合伙人：组织形态的想象

访谈中还有一个极端判断：将来企业可能只有两类人，老板和合伙人。这里的合伙人不是传统员工，而是能与 AI、Agent 和工具共同承担结果的人。这个判断未必会字面成真，但它表达了一个趋势：当执行被 AI 自动化，组织会更强调目标定义、资源整合、责任承担和高密度协作。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.94\textwidth]{boss-partner-org.png}
\caption{老板与合伙人组织：企业可能从雇员组织转向少数老板和大量 AI 合伙人。自制概念图，依据 02:53:20--03:16:40 对谈内容整理。}
\end{figure}

不要把“只有老板和合伙人”理解成组织立即消失

现实企业仍需要岗位、流程、合规和管理。但长期看，重复执行型岗位会被 AI 压缩，能定义问题、整合资源、承担结果的人会更像合伙人。

本章小结

AI 对企业服务的冲击不止是效率提升。它会重写链接网络、供给侧能力、组织结构和责任分配。真正危险的是只有中间层价值、没有生产能力的公司。

使命与可信 AI：从聪明到可信

本章收束到吴明辉的个人目标。他说，GPT 出来之前，自己的人生目标是做一个比自己更聪明的 AI；后来他发现“聪明”已经被更大的模型公司推进了，于是目标转向做最可信的 AI，即 trusted agentic model。这个转向很关键：企业级 AI 的核心不是谁最会聊天，而是谁能被信任地用于真实业务。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.96\textwidth]{happy-founder-mission.png}
\caption{幸福 Founder 的使命对齐：个人使命、家庭使命和公司使命高度相关。自制概念图，依据 02:53:20--03:47:40 对谈内容整理。}
\end{figure}

读图：使命对齐是长期投入的能源

个人使命决定创始人愿意解什么题，家庭使命提供稳定能量，公司使命连接客户价值。吴明辉把创业困难看成数学题，背后是强延迟满足和使命对齐。

从最聪明到最可信

前面讲组织和生产关系，本节回到企业 AI 的最终评价标准。ToC 模型竞争常常围绕“谁更聪明”；ToB 企业服务更关心“谁更可信”。可信包括数据来源可信、权限可信、过程可审计、结果可复核、错误可追责、系统可私有化或受控部署。企业客户不会只为炫技买单，最终要为风险可控的结果付费。

Trusted Agentic Model 的含义

Trusted Agentic Model 是能在企业私有上下文中执行任务、调用工具、保留审计轨迹、尊重权限边界并输出可复核结果的智能体模型。它的目标不是单次回答最惊艳，而是长期运行最可信。

可信 Agent 的验收清单

维度	检查问题	为什么重要
权限	它是否只读取和修改允许范围内的数据？	防止越权和合规事故。
审计	每一步动作是否有日志和可复盘证据？	企业需要追责和改进。
复核	高风险动作是否有人类确认？	降低不可逆错误。
反馈	结果是否回流到模型和流程？	让系统持续变好。

幸福的老板：把 suffering 当题解

上一节讲可信 AI 的产品目标，本节回到支撑这种长期目标的人。结尾处吴明辉说自己是幸福的 founder，即便 2022 年很难，也没有特别 suffering，因为相信自己一定能搞定，只是解题时间更长。这不是轻松，而是一种把长期困难抽象为题目的心态。它解释了为什么 ToB 创业能熬 19 年：没有这种延迟满足和心理结构，很难穿过漫长交付、资本波动和组织重构。

ToB Founder 的心理结构

ToB 创业很少有短期爆发的反馈，更多是长期客户关系、现金流约束、组织稳定和产品信用。能否把困难看成可分解问题，而不是身份失败，决定了 founder 是否能持续迭代。

这也解释了为什么访谈最后不只是商业复盘，而是使命复盘。个人使命、家庭使命和公司使命高度相关，意味着创始人不是把公司当成短期项目，而是把公司当成自己长期问题的一部分。对企业级 AI 公司尤其如此：客户信任、数据安全、行业交付和可信 Agent 都需要长周期积累，无法只靠一轮模型能力窗口完成。

长期主义的真实成本

长期主义不是口号，而是愿意承受慢反馈、低外部声量、现金流压力和组织反复调整。ToB 公司如果最终能进入 AI 时代，靠的往往不是某次爆发，而是十几年积累下来的客户、数据、交付和 founder 心理结构。

本章小结

吴明辉的 AI 目标从“更聪明”转向“更可信”，恰好对应企业级 AI 的核心需求。企业客户需要的不只是模型能力，而是可信执行和长期交付。

总结与延伸

本节把 EP116 压缩成三个层次。第一，公司史层面：明略从推荐系统、秒针、明略数据、并购和痛苦急转中，积累了 ToB 数据、交付和经营能力。第二，技术商业层面：企业级 AI 的差异化来自私有数据、工作流、Tool Use、Agentic Model 和可信交付，而不是公开 token 的价格战。第三，组织层面：AI 会重写供给侧能力、链接网络、岗位结构和 founder 的使命表达。

把 EP116 放进张小珺 AI 队列

EP117 讲论文和技术史，EP118 讲 VLA、Agent OS 和平台，EP116 则讲企业服务场景里的 AI 落地：它提醒我们，AI 的产业价值不只在模型公司，也在拥有私有数据、行业流程和交付责任的 ToB 公司。

关键 takeaways

企业级 AI 的护城河不是公开模型，而是私有数据、流程和可信交付。
Agentic Model 在 ToB 里必须接入工具、权限、审计和真实 workflow。
只提供链接网络、不掌握供给侧能力的公司，会被 AI 重新定价。
ToB 创业的核心难点是现金流、交付、聚焦和组织耐力，不是单点技术。
Trusted Agentic Model 比“最聪明模型”更贴近企业客户的真实购买理由。

拓展阅读

对 Agentic Model 感兴趣，可对照 EP139 Agent 综述和 EP138 罗福莉访谈，理解 Agent 从技术 loop 到组织/后训练体系的迁移。
对企业私有数据感兴趣，可对照 EP134 数据综述，理解数据定价、Recipe 和真实部署数据的差异。
对 AI 平台和操作系统感兴趣，可对照 EP118 李想访谈与 EP127 AI War，观察 Agent OS、企业 workflow 和平台入口之间的关系。