2026年6月15日，微软首席执行官萨提亚·纳德拉公开发文，对AI时代的企业生存方式发出了一次直白而严肃的提醒。他没有把重点放在哪家公司的模型参数更大、跑分更高，而是指出了一个被很多人忽略的问题：如果一个企业只是接入最先进的通用大模型，却不围绕自身业务建立起一套能持续进化的AI系统，那么它不但不会变得更强，反而会把自己的核心价值一点点让渡给那少数几个大模型。他用一句话总结了这种风险——“没有生态系统支撑的前沿模型，并不稳定。”

这句话看似在说模型，其实在说公司。在纳德拉看来，AI带来的转型和过去任何一次平台变革都不一样。以前，企业用数字工具来增强人的能力，比如用数据库管理信息、用办公软件提高效率，但那些工具的本质上还是被人操作的工具。而这一次，变化发生在认知层面：人和数字系统之间第一次能够建立起真正的认知循环。AI模型不只是执行指令，它可以从人和组织的行为中持续吸收专业知识，甚至有可能把这些知识变成一种可以被复制、被交易的能力。这就给所有公司带来了一个根本性的挑战：在一个模型能够不断吸收并商品化人类专业知识的时代，组织如何继续学习、如何积累属于自己的知识产权、如何形成别人拿不走的差异化？

纳德拉给出的答案很清晰。他认为，每家公司未来都必须同时建设两种资本：人力资本和Token资本。

人力资本大家相对熟悉，它包括员工的知识、判断力、关系网络、创造力和对复杂模式的识别能力。Token资本则是一个新概念，它指的不是公司买了多少算力、消耗了多少Token，而是企业自己构建、拥有并能够持续进化的AI能力。这种能力扎根在企业的实际业务里，可能是多个智能体组成的系统，可能是沉淀在内部平台上的模型和数据飞轮，也可能是把老员工几十年经验编码进去的推理流程。重要的是，它属于公司自己，而不是租用来的一个外部接口。

很多人会下意识地认为，既然Token资本这么强大，人力资本的重要性就会下降。纳德拉明确否定了这种看法。他说，随着Token资本的增长，人力资本不会变得不重要，恰恰相反，它只会变得更加重要。原因在于，人的主观能动性是Token资本增长的真正驱动力。人设定宏大的目标，人决定AI应该往哪个方向走。人在不同领域之间建立连接，识别哪些模式才是真正值得关注的。没有人的方向，再强的算力也只是在原地空转。也就是说，人力资本是“为何而战”，Token资本是“如何高效地战”，两者缺一不可。

从这个角度出发，纳德拉提出了一个关键主张：真正的机会不在于选择当前最强的那个模型，而在于在模型之上建立一个学习循环，让人力资本和Token资本相互复利。他进一步说了一句很重的话：“你可以外包一个任务，甚至外包一个岗位，但你永远不能外包自己的学习能力。”这句话对企业决策者来说，是一把很锋利的尺子。用这把尺子去量，很多看似聪明的AI应用方式就会露出问题。比如，一家公司直接把客服全部替换成某个大模型接口，成本确实下降了，但公司从此不再从客服环节获得任何新的认知。用户怎么抱怨、一线怎么解决问题、产品该怎么改进，这些最鲜活的知识都流向了外部模型提供商，自己什么也没留下。短期看省了钱，长期看，公司相当于主动切断了自身的学习回路。这种做法的本质，就是把学习能力外包了，而按照纳德拉的逻辑，这恰恰是一个公司最不该放弃的东西。

那么，一个能够让人力资本和Token资本相互复利的公司，到底是什么样的？纳德拉描述了一种新的架构思路。每家公司都需要能够构建随时间不断改进的智能体系统，同时牢牢保留对自身知识产权的控制权。一个很实际的检验标准是：公司能不能替换底层的通用模型，而不会丢失已经沉淀在学习系统中的那些“公司老员工式”的经验。如果换一个模型，系统就变得像是失忆了一样，那说明这家公司从来没有真正拥有过自己的Token资本，它只是在别人的地基上搭了一个临时帐篷。这种可替换性，才是未来衡量企业控制力和主权能力的关键。

要做到这一点，企业需要把自己的工作流、领域知识和长期积累的判断力，转化为每次使用都会变得更好的AI系统。这里面涉及几个非常具体的动作。首先，企业内部要有自己的评测体系，这个体系看的不是外部通用基准测试的分数，而是模型有没有真正改善业务结果，有没有让决策更准确、让流程更顺畅、让客户更满意。其次，企业需要构建内部的强化学习环境，让模型基于组织内部的真实轨迹不断变强，而不是依赖互联网上爬来的通用数据。再次，知识库的作用会被重新定义：它不只是让员工方便搜索资料的工具，更是让机构记忆可以被查询、让每一次Token消耗都更高效的底层设施。当这些动作稳定运行起来，就会形成一个循环——每一个被改进的工作流，都会产生更好的训练信号，这些信号又进一步强化模型和系统，积累起这家公司独有的隐性知识。这种知识不像代码那样容易被复制，它是长在业务流程里的人机协作经验，是真正的新知识产权。

纳德拉把这种循环比作一台“爬坡机器”。它和大多数资产不一样，不会越用越贬值，反而会随着使用而复利增长。越早建立起这种机制的公司，就能越早开始积累，日积月累形成的优势，很难被后来者轻易追平，不管未来单个模型的能力有多强。

然而，如果大家都不去建设自己的学习循环，而是把所有的智能化需求都甩给少数几个大模型，会发生什么？纳德拉对此发出了很严厉的警告。他说，我们最不希望看到的，是一个所有行业、所有公司都将价值让渡给少数几个“看见什么就吞掉什么”的模型的世界。如果所有经济价值都只流向极少数模型拥有者，政治经济体系根本不会容忍这种结果。社会也不会允许一个掏空整个行业的AI未来。

为了把这个道理说透，他直接拿全球化的第一阶段来做对比。在那一轮全球化过程中，很多工业经济体被外包掏空。表面上看，GDP的数字好像还不错，但现实中的岗位流失是真实发生的，大量产业工人和社区失去了赖以生存的基础，其后果直到今天还在延续。纳德拉认为，这种模式绝对不能在AI时代重演。不能允许少数AI系统拿走所有的经济回报，而一个个行业在无知无觉中，发现自己积累了几十年的知识，就在眼皮底下被模型商品化、被廉价复制、被转手卖给竞争对手。如果走到那一步，企业失去的就不仅仅是利润，而是生存的根基。

所以，他给出的结论非常明确。当前的优先事项，不应该是只打造一个前沿模型，而是建设一个前沿生态系统。在这个生态里，价值能够广泛流向每家公司、每个行业和每个国家。每个组织都能拥有自己的学习循环，把自身的机构知识编码进去，并让人力资本和Token资本共同复利增长。他说，这本身就是他一直相信的平台精神——一个健康的平台，应该创造出比平台自身捕获的价值更多的价值。每家公司都应该能够在平台之上持续创新，并建立起真正属于自己的那份价值。

当这种情况发生时，公司既为自己创造价值，也为周围的经济体创造价值。员工的专业能力不会被削弱，反而会被放大。他们的判断力不再只是存在于个人头脑中的一次性资产，而是能够进入系统，变得可复制、可扩展。由此产生的收益，既流向公司本身，也流向员工和周围的社区。纳德拉认为，这才是公司为自身和更广泛经济体创造价值的健康方式，也是大家应该共同建设的稳定均衡。

回过头来看，这篇文章的价值，不在于预测了什么技术突破，而在于把“公司为什么存在”这个老问题，放在了AI时代的灯光下重新审视。公司的存在，从来不只是为了完成一个个任务，而是为了把分散的知识和判断整合起来，形成持续的、能够传承和放大的组织能力。如果AI时代的公司只是变成大模型的一个薄薄的界面，那么这种组织能力就会瓦解。而按照纳德拉的思路，避免瓦解的办法不是拒绝AI，恰恰相反，是比接入模型更往前走一步——把AI深深嵌入自己的学习循环里，让每一次人和机器的协作，都同时变成人力资本的提升和Token资本的积累。

这对于任何一家还在思考“该用哪个大模型”的企业来说，都是一个提醒：真正值得投入精力的，不是反复对比模型的参数和榜单分数，而是老老实实回到自己的业务现场，搞清楚自己独有的知识长在什么地方，哪些判断逻辑是别人拿不走的，然后下功夫把这些东西变成系统的一部分。这件事很难，很慢，没办法用一个API调用就一步到位，但恰恰因为它难、它慢，才会成为复利增长的来源，也才会成为真正的护城河。纳德拉的警告其实也可以反过来听：那些早一点开始建设自己AI生态的公司，并不会被大模型吸干，反而会用自己的学习循环，把通用模型的能力转化成自身成长的养分。区别只在于，企业是选择做少数模型的被动用户，还是选择做自己Token资本的主人。