tokens ≠ value

Cover Image

原始來源與檔名：2026-07-03T094414+0800-tokens ≠ value.md

SOURCE | 資訊源評估

NAPKIN | 餐巾纸

餐巾纸公式

AI Value = Human Capital x Scaffolding x Feedback Loops x Model

AI 的價值是乘法關係，若缺少人力資本、鷹架 (流程與基礎設施) 或反饋迴圈，即使擁有最強的模型，產生的價值也為零。

一句话

單純購買 AI 模型只會產生「AI 垃圾 (slop)」，唯有透過流程設計與反饋迴圈建立的「鷹架」，才能將模型轉化為會隨時間複利增長的資產。

餐巾纸草图

  [ AI Value ]
      ^
      | (Multiplication)
+-----+-----+-----+-----+
| Human   | Scaffold| Feedback| Model   |
| Capital | ing     | Loops   |         |
+-----+-----+-----+-----+

ROUND 1: SKELETON | 骨架扫描

“这本书在说什么”

章节骨架

  1. 代幣不是資本: 模型只是建議引擎，需流程支撐。
  2. 價值乘法方程式: 任何一項為零，AI 價值即為零。
  3. 七層價值堆疊: 多數公司跳過了底層的流程與治理。
  4. 市場四大訊號: 業界動態證明鷹架才是真正資產。
  5. 單一問題測試: 建立代理前必須先畫出流程圖。

ROUND 2: DISSECTION | 血肉解剖

“凭什么这么说”

论证链

模型商品化與易取得 --> 缺乏治理與流程的模型只會產出無效內容 (slop) --> 價值建立在包含人力、流程與反饋的鷹架上 --> 企業必須先建構流程地圖才能獲得複利的 AI 價值

关键证据

  1. Info-Tech 調查數據顯示：58% 企業整合 AI，但只有 30% 準備好營運化，顯示基礎流程成熟度不足。
  2. Apple 在 iOS 27 將模型設計為可自由抽換 (ChatGPT, Claude, Gemini)，證明模型本身不具競爭優勢。
  3. 中階模型若有良好的鷹架與反饋迴圈，其表現經常超越缺乏這些機制的頂尖前沿模型。

隐形假设与边界

ROUND 3: SOUL | 灵魂提取

“还能怎么用”

留白提問 (Guided Reflection)

跨域映射

DEEP READ | 精讀指引 (Must-Read Segments)

[!IMPORTANT] 學習的本質需要「認知阻力」。請親自回到原文閱讀以下核心段落，感受原始論述的阻力，不要只依賴 AI 的總結。

  1. The Multiplication Equation: 深刻揭示了 AI 價值的乘法本質，特別是「人類資本是乘數」的洞見，打破了 AI 將完全取代人類的迷思。
  2. Seven Layers Most Companies Skip: 具體拆解了 AI 價值堆疊的七個層次，並指出多數企業失敗的根本原因在於跳過底層建設，直接購買頂層模型。

tokens ≠ value (Architectural Deep Dive)

前言/背景

本文探討企業在導入 AI 時面臨的核心困境：單純投入「代幣資本 (token capital)」或購買頂尖模型，往往只會產生無效的「AI 垃圾 (slop)」。作者指出，AI 系統要能產生價值並具備複利效應，關鍵不在於模型本身，而在於圍繞模型所建構的流程、治理與反饋迴圈（即「鷹架」）。

章節詳細總結

Token Capital Is Not Capital (代幣不是資本)

Satya Nadella 提出了「代幣資本 (token capital)」的概念，認為企業應將其與人力資本並重，並稱之為能隨時間複利增長的「爬山機器 (hill climbing machine)」。然而，作者指出，若公司無法描繪自身的工作流程地圖 (workflow map)，這台機器就無法運作。 代幣資本必須嵌入一個能將「人類判斷 (human judgment)」轉換為可重複使用的工作流程系統中，才能真正成為資本。

The Multiplication Equation (價值乘法方程式)

AI 的價值是一個乘積 (Product)，而非總和 (Sum)。作者提出了以下方程式：

AI Value = Human Capital x Scaffolding x Feedback Loops x Model

這是乘法關係，若任何一個乘數為零，整體價值即為零：

作者強調，人力資本的價值不會隨著代幣資本增長而減少，反而成為關鍵的乘數。實戰中，具備完善鷹架與反饋迴圈的「中階模型」，經常能擊敗缺乏這些機制的「前沿模型」。紀律嚴明的團隊永遠勝過昂貴的模型。

The AI Value Stack

Seven Layers Most Companies Skip (多數公司跳過的七層架構)

建構 AI 基礎設施與獲取 AI 業務結果是兩回事。要從 AI 中獲取價值，需要建構「七層價值堆疊 (Seven layers)」：

  1. Process design (流程設計)
  2. Governance (治理)
  3. Knowledge architecture (知識架構)
  4. Human judgment (人類判斷)
  5. Feedback loops (反饋迴圈)
  6. Scaffolding (鷹架)
  7. Model (模型)

其中，底層 (1-3) 是基礎，中間層 (4-6) 構成複利迴圈，而模型 (7) 僅位於頂層且刻意保持輕量。 多數企業的錯誤在於直接從第 7 層開始購買模型，跳過了 1 到 3 層。這導致模型能產出結果，但無法轉化為機構知識 (institutional knowledge)。

Four Signals From One Week (一周內的四個業界訊號)

市場動態進一步證明了「模型商品化，鷹架才是資產」的論點：

  1. Satya Nadella 的策略文件：微軟在推出 7 個內部 MAI 模型後發布此文，旨在設定企業採購的論述：模型是暫時的，組織能力才是永久的。
  2. Apple 讓模型具備可抽換性 (Interchangeable)：在 iOS 27 中，Siri 引入 Extensions 框架，允許用戶在 ChatGPT、Claude 和 Gemini 之間切換。當模型可以隨時替換時，模型本身就不再是競爭優勢。
  3. 企業準備度差距真實存在：如前述 30% 可營運化的數據，顯示治理與流程層的缺失。
  4. Anthropic 強大模型遭政府關閉：Anthropic 推出新模型 Fable 5 後，因研究員使用多步越獄技術繞過安全護欄，上線三天即遭美國政府勒令下線。這證明了：最強大的模型若缺乏有效的治理層 (governance layer)，依然會面臨失敗。

The One Question Test (單一問題測試)

在建立下一個 Agentic 工作流之前，必須先問一個問題：

Can you draw the process map the agent will operate inside? (你能畫出該代理即將在其中運作的流程地圖嗎？)

如果答案是否定的，代表面臨的是「鷹架問題」。沒有任何模型能解決鷹架問題。作者將其稱為「Step Zero」：掃描工作流程、映射現狀、定義反饋迴圈、建立結構化上下文。兩週的基礎工作，能避免數個月的無效產出。

總結與結論