社区

作者：陈玉宇｜北京大学光华管理学院教授、北京大学经济政策研究所所长全文约一万六千字，阅读时间约四十分钟。

九、福建的房地产村：组织技术怎样成片传播

我有一位学生来自福建一个村庄。据他介绍，村里约五百户，其中两百户参与房地产开发，在全国成立了一千多家房地产公司。这些数字我没有核实过，但这个村庄怎样一步一步学会盖房子，是一个值得讲完整的故事。

上世纪八十年代，村里分地以后人均土地很少，有人组织施工队到县城承接建设工程。早期从承接建设工程做起。施工队里有人会看图，有人会带班，有人会跟甲方打交道。后来遇到工程款不能及时支付的情况，有的施工队拿到一块地作为补偿。地在手里，总不能空着，于是自己盖房、自己卖。从施工承包到房地产开发，组织要完成的任务复杂了许多。原来只要把楼盖起来，现在要买地、报批、融资、设计、施工、销售，每一样都是新的。参与者边做边学。

一个人做成以后，邻居跟着学。有人掌握施工，有人熟悉项目管理，有人懂销售、资金和土地事务。项目班子在不同城市之间流动。一个项目做完，班子可能解散，有人留在原地，有人去别的城市，各自与新的伙伴组成项目团队。几十年下来，村里人参与的建设项目遍及多地。

我曾问他，房地产开发这么复杂，你是怎么学会的？他说，邻居都会，慢慢自己也会了。这句话里有一整套经济学。邻居都会说的是，这种能力的持有者不是某一家公司，而是这个村庄。公司成立又解散，项目开始又结束，村子里的经验不散。慢慢自己也会了说的是，这里传播的既有技术知识，也有角色经验和共同校准的方法。一个项目结束，原来具体的协作关系未必完整保留，但参与者知道怎样在新项目里较快重新分工、核验和配合。他们学会的，是校准的程序。

房地产开发当然还依赖土地机会、融资关系和项目信息，这些村里人也是共享的。要分清哪一部分来自组织校准，将来要去问三件事：项目班子怎样流动，不同的人分别在哪些岗位上学会了什么，一个新项目从筹备到稳定运行要多久。但这个故事已经说明了一件事：一个地区的组织经验，可以通过同乡、亲属和职业网络成片积累，并不总要依靠大型企业或者产业园区。第一批项目支付了学习成本，后来者使用前人留下的角色经验。这种能力附在一群人身上，而不附在任何一家企业身上。

十、出海：为什么成熟的企业到了海外还要重新学会生产？

我这几年一直在讲一个判断：未来二十年，中国可能有大量企业到海外扎根，规模或许达到十万家以上。不是出口，是在别人的土地上建厂、雇人、组织生产。这可能成为规模可观的跨国生产组织迁移，令人联想到上世纪八十年代港澳台资本进入珠三角以及日本企业在北美设厂的经历。本文讲的第一家工厂为什么难，对这些准备出海的企业来说不是学术问题，是它们明天早晨就要面对的事。

先问一个看起来奇怪的问题。一家在中国已经成熟运转了二十年的企业，到了越南或者墨西哥，为什么还要重新学会怎样生产？它的设备、图纸、工艺参数、供应商清单，都能带去。它的厂长、车间主任、线长、设备和质量的骨干，也能带去。它甚至可以把整个班组带去。它带不去的，是当地的工人侧经验、当地的供应商和当地的工作环境。而生产能力不是知识的清单，是这些东西和它带去的东西校准以后的结果。到了海外，校准要重做一遍。

而且海外的校准比国内多。当地工人也许有经验，也许没有，有也未必是和中国管理者相容的那一种。语言、工时习惯、工会、宗教节日、法律对加班和解雇的规定、当地供应商的交付节奏，都是国内从来不用校准的参数。用第六节的符号说，海外的K 更大，两侧经验相容的程度更低，所以a 和b 都更长。我想把这件事叫作组织校准距离：两个地区之间生产组织的相容程度。它不是地理距离，也不是文化距离。墨西哥和中国的地理距离远，但一家在东莞做过电子代工的企业，到墨西哥北部的电子产业带去，组织校准距离可能不大，因为那里的工人侧经验已经被美国和亚洲的工厂培养过。反过来，到一个从未有过现代工厂的地方去，地理再近，组织校准距离也远。这个概念现在还不是一个严格的变量。它是一个值得研究的角度：决定组织技术能不能传过去、多快传过去的，可能是组织校准距离，而不是地图上的距离。

这里有一个重要的先例可以看。1984年，丰田和通用在加利福尼亚的弗里蒙特合办了一家工厂。那座工厂原来是通用的，以质量差和劳资冲突出名，关掉了。合资企业重新聘用了原厂约85%的工会工人，采用丰田的生产组织方式。到1986年，其生产率已超过通用旗下其他工厂，质量也显著改善。这个例子常被用来说明管理方法的重要。我从本文的角度看，它说的是另一件事：那些工人不是被替换掉的，是被重新校准的。丰田带去的是管理侧的程序，工人带来的是工人侧的经验，两侧在新的参数上重新对齐。校准花了时间，但远少于从零培养一批工人。日本企业八十年代在北美的成功，很大程度上是这种双侧校准的成功。

对出海企业来说，接下来的问题是本地管理人员的培养。第七节的逻辑在这里原样适用。企业可以把中国的线长和班组整个带出去，核心工段由中国人运转，当地人在外围。整支班组迁移能够保存原有成员之间的一部分协作规则，通常有利于缩短初期磨合。但国内运转中的共同校准Q 不能直接搬到海外：新厂仍要同当地设备、供应商、人员和工作环境重新校准。如果当地人长期只在生产岗位参与，那么本地积累的主要是工人侧经验；后续工厂仍可能依赖外来管理人员。但只要当地员工逐步进入线长、车间主任等岗位，整队迁移也可以成为培养本地管理经验的起点。企业也可以从第一天起就让当地人进入班组长、工段长的岗位，中国管理者带着他们学。这可能增加初期培训与协调工作，也可能利用当地人员对语言、劳动市场和制度环境的熟悉而缩短某些校准。几年以后，本地管理经验能否积累，取决于当地人员实际担任了哪些岗位、持续参与了多久。真正值得比较的，是不同人员配置如何同时影响当前校准速度与未来组织复制能力。

如果海外设厂规模持续扩大，完全依靠外派管理团队可能受到人员供给、成本与当地用工环境的限制。珠三角的历史在这里会倒过来重演：当年港台企业什么时候让本地人当厂长，中国企业现在就要回答同样的问题，只是这一次站在港台企业的位置上。本地管理岗位怎样逐步形成，可能影响多年以后当地能否自主建立更多同类组织。这是出海企业值得提前思考的问题。

还有两件事值得出海企业从本文里带走。一件是第三节的施工队。企业在国内的生产能力，有一部分从来不在它的工资单上，在它多年合作的供应商、施工队和外协厂里。到了海外，这些人不在。企业会发现自己比在国内小了一圈，很多原来不用操心的事忽然要自己做。重建这一圈协作关系，有时可能比重建车间本身更费时。另一件是第九节的村庄。第一批出海的企业支付了校准的学习成本，后来的企业可以用它们留下的人。所以出海企业在同一个国家、同一个园区扎堆，不只是为了供应链，也是为了共享已经校准过的人。如果这种传播机制重要，未来的海外投资可能呈现出一批企业带动另一批企业、沿人员和供应商网络成片扩展的格局，正如福建村庄的经历所提示的。

十一、旧产业在收缩，新组织在哪里？

组织的形成和跨国重建，还只是增长故事的一部分。现在看另一面：生产能力怎样被拆散，又怎样在别处重新长出来。经济增长本身会不断做这件事。

中国第二产业增加值占GDP的比重，从2013年的43.7%下降到2025年的35.6%，十二年间下降了8.1个百分点。这种结构变化在许多经济体的发展过程中都能观察到，但并非每个国家都遵循相同轨迹。恩格尔定律说，收入提高以后，吃的东西在支出里的份额下降。同样的道理再往上走一层：工业产品的需求在发展早期扩张很快，收入再提高，一部分制造品的需求增长也会放缓。医疗、教育、照护、旅游、文化娱乐和各种个性化的服务，需求份额上升。相对价格、生产率、国际贸易和统计口径都会影响这些份额，但方向是清楚的：劳动和资本不断从原来的生产活动流向新的生产活动。

结构转型的理论对此研究得很多。库兹涅茨描述了这个过程，鲍莫尔解释了为什么服务的相对价格会上升，后来的模型把需求的收入弹性和部门之间的生产率差异放在一起，算出劳动怎样从农业到工业再到服务业。这些理论关心的是劳动和资本怎样跨部门流动。本文想在这里加一个问题：劳动和资本转走以后，原来附着在生产组织里的共同校准怎么办？

一座工厂关闭。机器可以卖掉，工人可以找新工作，管理者可以换一家企业。劳动和资本都有去处。可是原来那套已经运转成熟的分工、节拍、检查、异常处理和供应商协作，没有去处。它不能整体转到一个新的产业去。它就地消失了。新的产业要从头建立自己的共同校准。所以产业结构的转型，不只是要素的重新配置。它同时是一个社会的组织能力不断折损、又不断重新形成的过程。劳动和资本可以从一个产业流向另一个产业，但已经形成的共同校准不能像劳动和资本一样直接转移。经济结构的每一次重大变化，都包含一次组织能力的重新建设。

这个角度能解释一些原来看着有点奇怪的事。过去十几年，中国快递、外卖和仓储配送等行业迅速扩张，吸纳了大量不同背景的劳动者。快递等行业的需求增长未必快于医疗和养老，但吸收新进入劳动者的速度令人瞩目。它们为什么能如此迅速地组织新进入者？除了需求增长和平台投资，一个可能的原因是许多岗位的组织程序容易复制。任务可以分解到一个人，路线可以由软件规划，订单可以记录，送到没送到可以核验，调度和反馈由平台完成。一个新来的配送员，不必先同几十个人建立复杂的现场协作，第二天就能开始独立送件。用第六节的话说，每吸收一个新进入者，要校准的K 很小。这里并不是没有组织技术。恰恰相反，这些行业通过数字化、标准化和平台调度，把原来需要大量人与人之间共同校准的工作，变成了比较容易复制的程序。它们是组织技术很高的行业，只是这种技术把校准做进了软件，不再需要在人与人之间重做。

再看另一些服务业。一个制造业工人转行做快递员，短期训练就可以上手。要成为合格的护士、教师、养老护理员或者专业服务提供者，首先要学一门新的职业技能，这是a。学会了技能，还要同其他角色形成共同校准，这是K 和b。医院需要医生、护士、技师和行政人员协作，学校需要教师、学生、家长和管理者配合，养老照护需要服务人员、老人和家属之间建立相互理解的工作关系。这些行业还有一个特点：服务的对象本人参与生产。患者、学生和老人不是被动接受产品的物件，他们的行为决定服务能不能完成。所以这些行业的校准不只发生在生产者之间，还发生在生产者和消费者之间。需要重新校准的事项可能更多，而且服务对象常常是第一次参与这项具体的合作。

这不是说服务业比制造业难校准。高度标准化的服务很容易复制，复杂制造业的组织校准也可能极难。真正的差别在任务能不能分解，结果能不能核验，程序能不能写下来，参与者之间依赖多深。这几条把服务业内部切开，比制造业和服务业这个分法有用得多。

由此可以说出一个命题：需求增长最快的产业，未必是扩张最快的产业。一个行业的实际扩张，取决于两件事，需求增长多快，和新的生产组织能多快形成。两件事可以不同步。有些服务的需求随收入增长迅速扩大，供给组织却形成缓慢。另一些服务的需求增长不特别快，却因为组织容易复制，能迅速吸收劳动。两类行业会表现出不同的样子。容易校准的行业，大量企业和劳动者快速进入，服务的数量迅速增长，价格常常下降。难以校准的行业，价格上涨，等待时间延长，服务质量参差不齐，合格的服务组织扩张缓慢。这两种样子，中国读者这些年都见过。

这里可以和鲍莫尔的成本病放在一起看。鲍莫尔说，有些服务的劳动生产率提高得慢，所以它们的相对价格会一直涨。本文加一个不同的约束：即使某些岗位的生产率能提高，合格的服务组织仍然可能难以迅速建立和复制。前者讲单个生产过程的效率，后者讲生产能力的扩张速度。两种机制可以同时存在，也可以用数据分开。一个行业如果工资涨、价格涨，而且新组织的形成时间长、人员流失后恢复慢，那么它的病不只是鲍莫尔的病。

这一节把前面的概念推到了宏观。到此为止，组织校准讲的是一家工厂怎样建起来，一家企业怎样到海外去。现在它成了连接三个增长过程的一环：需求结构因为收入增长和消费发现而变化，劳动和资本因此跨行业流动，流到新行业以后要重新学角色、建立分工和核验规则，新组织形成了，新增的需求才变成实际产出。这几个环节在现实里互相反馈，没有严格的先后。但第三个环节，标准的结构转型模型往往简化处理。劳动转入新部门以后怎样形成有效协作，仍值得单独研究。本文说，中间还隔着一次校准。

这也给AI 加了一个新的层次。此前讲AI 帮助已有企业重新校准。现在还有一个更大的问题：AI 能不能降低扩张行业吸收来自收缩行业的劳动者所需要的校准成本？如果AI 能把某些专业服务的工作程序标准化，帮助新进入者学习角色，辅助核验质量，降低不同人员之间的协调难度，那么它可能加快新服务组织的形成。这件事的增长意义可能很大。它意味着AI 不只提高已有生产活动的效率，还可能使劳动和资本更快地从需求份额下降的行业转移到需求份额上升的行业。快递业用软件把校准做进了程序，那是上一代信息技术做到的。医疗、教育和照护能不能被AI 做到同样的事，是接下来十年最值得看的问题之一。

十二、组织校准在知识与增长之间处于什么位置？

到这里必须划清一条边界。组织校准是知识转化为生产能力的重要环节，但它还不是知识转化为经济增长的全部过程。这条边界不是谦虚，它恰恰说明我们拆出来的这个变量值多少。一个变量如果什么都解释，就不是一个好概念。它只负责一段路，这段路才能被单独测量，也才能被单独研究。

从知识到增长，至少要走三段。第一段，知识和技术提供可能性。科学发现、产品设计、工艺和算法扩大社会能够尝试的生产方式。第二段，生产者要把这些可能性变成可以运转的生产组织。设备、材料、人员与流程要形成稳定的配合，管理者与工人要形成新的共同校准。第三段，即使组织已经能够生产，经济增长仍然需要市场需求，需要生产扩张，需要资本与劳动从旧活动流向新活动，需要新产品被发现、被尝试。

一家工厂能稳定生产一百件产品，不意味着市场需要一百件。一个产业的生产率改进了，释放出来的劳动与资本也不一定能马上进入别的产业。收入提高以后，消费者改变消费结构，新的产品和用途还要企业与消费者一起试。企业内部的调整、跨部门的资源配置、消费与产品的发现，是三个不同的经济过程，各有各的摩擦，不能用组织能力一个词统统代替。

三段之间又相互影响。市场规模决定是否值得投资组织能力。组织能力影响新企业能不能进入，也影响资本与劳动能多快从旧活动转到新活动。消费发现改变生产结构，又迫使旧组织重新校准。分析上分开，现实里不断反馈。

这也划定了本文解释的边界。发展中国家的增长失败，可以来自市场规模、国家能力、资本配置、贸易障碍、政治冲突、基础设施和激励制度。本文没有说组织校准比这些都重要。本文说的是：组织校准是知识转化为生产能力的过程里长期被低估的一项约束，它有自己的形成和折损规律，值得单独拿出来研究。前面八、九、十、十一节的历史和现实，是用这个角度看到的东西，不是对一个模型做的三次检验。有些解释将来可能被数据否定。它们的价值是让人看见以前看不见的问题。

把共同校准放在第二段，它就成了一个可以单独观察的变量。我们可以测量一条新生产线从人员到位到稳定运行的时间，测量替换线长或者施工队以后的恢复速度，测量跨行业的经验人员是否缩短新组织的磨合期，测量同样数量的经验人员在不同角色组合下能多快重建组织。回答这些问题，不要求我们同时解释消费者为什么购买、资本市场怎样定价、所有制怎样决定。这就是边界的好处。

十三、人工智能改变哪一道约束？

回到人工智能。它的经济作用至少有两个不同的入口。一个是增加知识供给：提出方案，生成代码，设计产品，发现新材料和新工艺。另一个是加快知识变成生产能力的过程：帮助人们确定流程，解释图纸，识别瓶颈，核验结果，协调不同岗位，从而缩短共同校准的时间。目前关于AI 与增长的许多讨论，首先关注第一个入口。阿西莫格鲁和雷斯特雷波的任务模型问的是，AI 能接手多少任务。布林约尔松等人讲生产率J 曲线，说通用技术要配套大量看不见的组织投资，生产率的收益要延后才出现。本文接着J 曲线往下问：那些看不见的投资里，哪一部分是必须由不同角色一起做的，它要多久，为什么有的行业快，有的行业慢？

前面几节的概念到这里有了一个直接的用处。假设AI 使某个行业获得了更好的生产知识，潜在生产率提高了。要实现这个潜力，企业必须调整原来的生产组织：重新分工，改变工作流程，建立新的核验程序，让管理者与工人形成新的共同校准。第六节里的校准时间，原来说的是新建一家企业要多久。现在把它理解为采用一种新方法以后重新校准组织要多久。同一个量，换一个用处。

这样一来，AI 的增长效应就有了一个行业维度。假设AI 使两个行业的潜在生产率都提高两成。一个行业的流程容易重组，参数容易核验，双方的经验能很快适应新方法，几个星期就完成调整。另一个行业涉及复杂的现场配合，多种岗位和责任关系，新的共同规则要靠长时间的实践才能形成，调整要一年多。AI 给两个行业的是同一份礼物，两个行业拿到手的却是两条完全不同的生产率路径。前者的增长效应大而快，后者的增长效应小而慢。不能仅凭多少任务可以由AI完成推断行业的增长幅度。

我们习惯按任务是否容易被AI 完成来判断一个行业受AI 影响的程度。这只回答了AI 能做多少事。还有第二个问题：AI 能做的事，能以多快的速度嵌入一个实际运转的生产组织？这是两个不同的变量。技术潜力高而校准快的行业，生产率提升来得快。技术潜力高而校准慢的行业，潜力大，实现慢。潜力低的行业，不论校准快慢，改进都小。不同行业需要重新校准的参数数量不同，参与者的经验不同，工作程序能被写下来的程度也不同。同样的AI 技术能力，就会以不同的速度变成实际生产率。软件开发中的一些流程可能较快重新配置和验证，大型工程施工的现场协作可能较慢。但行业名称只是粗略的标签，同一个行业内部也有巨大差异。真正需要测量的是：新知识引入以后，多少工作参数必须重设，哪些角色需要重新学，完成校准通常要多久。

AI 还可能做第二件事：不只是缩短校准，而是改变组织技术本身。它可以帮助工人读图纸，帮助线长发现瓶颈，帮助团队检查异常。它可能直接担任管理者的一部分角色，改变工人的任务，把原来需要两个人协调的活动变成一个人的操作。它还可能把过去靠共同实践形成的规则编码化、标准化，减少需要重新校准的参数，甚至取消某些校准过程。用第六节的符号说，AI 可能同时改变K、a 和各个b，甚至改变一个组织究竟需要哪些角色。所以不能把组织能力设定为AI 永远不能触及的瓶颈。那样想，等于把本文的论点变成一种新的悲观教条。研究的重点应当是：AI 能缩短哪些校准，能取消哪些校准，哪些仍然需要真实的生产和共同的实践。这个问题现在是开放的，本文也想让它保持开放。

这里还有一个推论：AI 进步越快，组织校准可能越重要。假设AI 每隔一段时间就带来一种更有效的生产方法。企业完成一次组织调整如果需要很久，它可能还没有完成上一轮校准，就要面对下一轮新方法。AI 的知识前沿不断推进，实际的生产组织却持续在后面追。这和发展中国家追赶世界技术前沿很像。先进知识不断增加，并不保证现实的生产能力以同样的速度增加。在校准快的行业，AI 的进步能较快变成实际生产率；在校准慢的行业，知识供给再增加，收益的实现仍可能受到调整速度的制约。可能与实现之间的距离，在慢行业可能长期存在。

这一节没有另起一套AI 增长理论。它只是把前面拆出来的组织校准，当作一个行业的状态变量，去问AI 带来的潜在生产率以多快的速度变成实际生产率。双侧校准本身的形成、毁灭、保存与重建，不需要AI 也能研究。AI 是它的一个应用。应用有一个明确的预测：控制AI 对任务的潜在改进程度以后，组织重新校准越快的行业，AI 采用以后的实际生产率提升越快。

前面的结构转型讨论还提示，结构转型要求社会不断拆散旧组织、建立新组织，而需求增长最快的行业未必是组织形成最快的行业。AI 如果能缩短新组织的校准时间，它改变的就不只是某个行业的生产率，而是整个经济从旧产业转到新产业的速度。这两个应用用的是同一个变量。前一个问AI 能多快改造已有的组织，后一个问AI 能多快帮助建立还没有的组织。

过去先进国家向发展中国家输出技术，往往也输出管理团队和生产组织。今天AI 可能把一部分组织指导能力变成更容易获得的服务。对出海企业来说这一点尤其要紧：如果AI能帮当地工人读懂中国的图纸和作业标准，能把中国线长的程序翻译成当地人听得懂的指令，组织校准距离就会缩短。但AI 能不能替代具体角色的实践，能不能帮助本地人积累自己的管理经验，仍然是开放的问题。AI 对增长的作用，取决于它究竟改变的是知识供给，是组织校准，还是两者都改变。

十四、知识越来越便宜以后

我们最终要回答的，是AI 会使经济产出的水平提高多少，以及它会不会持续提高长期增长率。这两个问题不同。

如果AI 让一批已有的生产活动在若干年里完成组织调整，生产率最终到达一个更高的水平，那么过渡期的增长可能很快，完成以后增长率却可能回到原来的趋势。如果AI 持续加快新生产方法的试验、校准、复制和市场发现，长期增长率才可能持久提高。两种结果，都不能仅从AI 生成知识的速度推断出来。而且即使AI 帮助企业很快形成了新的生产能力，宏观增长仍然要等市场发现这些能力的用途，等资本和劳动流向新的生产活动，等消费者学会用新的东西。第十二节的第三段路，AI 没有替我们走完。第十一节说过，这段路上还要重新建一次组织。

写到这里，我想把全文最深的一层意思单独说出来。生产知识的可复制性，和生产组织的可复制性，是两种不同的技术性质。知识可以通过文本、算法、设备和人员传播，它的边际复制成本可以接近零。共同校准必须在具体的参与者之间形成，它可以受知识传播的帮助，却有自己的时间成本。所以技术知识的边际复制成本接近零，并不意味着生产能力的边际复制成本也接近零。两个经济体获得同一种新技术，知识这一层它们是一样的，组织这一层它们可以相差很远。当技术不断改进的时候，这个差别会持续存在。知识前沿的推进速度，与现实生产能力的重建和扩张速度，是两个不同的速度。两者之间的距离，可能是理解AI 时代增长的关键变量。

这种认识留下许多研究问题。组织校准需要多长时间？它怎样随参与者的经验、岗位和行业改变？哪一侧经验不足最容易造成重建的延迟？组织关闭以后，哪些知识留在个人身上，哪些共同约定随匹配消失，哪些又能写进文件和软件？外资工厂怎样培养本地的管理者，中国的出海工厂又怎样培养？两个地区之间的组织校准距离怎样度量？AI 能不能缩短校准时间，能不能改变校准的技术，并且让这种改变跨企业传播？这些问题适合不同的研究方法。有些需要最小的理论模型，有些需要企业的人事记录、生产线爬坡和人员调岗的数据，有些需要观察同一项技术在不同组织中的采纳和效果。

增长经济学已经建立了关于知识创造、资本积累和技术扩散的丰富理论。下一步值得认真打开的，是知识进入现实生产的那段过程。我们不能把其中所有的困难都归给组织，也不能把组织当成一个解释不了的残差。它有具体的参与者，有工作程序，有匹配历史，有可以观察的调整时间。读完这篇文章，我希望读者对增长理论里技术这个词有一点新的理解：它不只是人类知道了什么，还包括一群人怎样把知道的事做出来。后一种能力长期存在于企业、工人、管理者和他们之间的协作关系里，很少被单独看见。

回到开头的那场实验。过去一百年，世界早就拥有丰富的先进知识，经济增长却没有在大多数地方自动发生。今天AI 使知识更加丰富，甚至开始参与知识的使用。它究竟能带来多大的增长，取决于它能不能加快整个过程：社会怎样发现可行的生产方式，怎样把它们组织成现实的生产，旧的生产退出以后怎样再组织一次新的，怎样让新的生产遇见新的需求。

开头说过，增长是两件事：一群人学会把一件事做成，然后社会不断让另一群人学会做另一件事。第一家工厂难，第二家容易。旧产业收缩以后的第一家新组织，同样难。这篇文章追问的，是这两个第一家为什么难，以及从一种生产活动走向另一种生产活动要付出什么代价。

一件事怎么做，世界早就知道了，现在机器也知道了。一群人把它做成，这段路还在。

$阿里巴巴(BABA)$ $腾讯控股(00700)$ $京东(JD)$