洪水时代的护城河

随着实验室不断刷新营收纪录并吸纳更多能力，一种日益流行的说法是，它们带来的智能洪流将淹没整个经济。应用层已死，在迈向AGI的征途中，没有护城河可建。

我对此有不同的看法。

护城河在抵御洪水时毫无用处。但引导水流与电力，将其输送到原本无法触及的农田、水库和千家万户的水坝与水道，却是至关重要的基础设施。

智能是一种需求无限的公用事业。与水和电等关键公用事业类似，我们需要构建系统，使其得到最大程度的分散。

世界需要的不仅仅是原始的模型和智能体；它需要的是问题的解决和成果的实现。溢价将归于那些能够将这种智能渗透到文明方方面面、将原始代币转化为现实成果、推动产业转型并在此过程中创造经济价值的公司。这项工作才刚刚开始。

人类现实的惯性

设想一下，若我们在2019年就见到GPT 5.5+或Opus 4.5+，不仅会惊呼其为AGI，更会预期经济至今已彻底变革。然而，这并未发生。

原因何在？因为现实极为复杂，而“锯齿状智能”并非多数人类水平工作的瓶颈。

部分问题在于上下文。真实工作承载的状态、例外与历史，远超任何提示词所能容纳。要了解一项工作如何运作实属不易，因为从事者自己也难以言明。

很大程度上，现实世界顽固地以人为中心。简言之，一个数据中心里的天才群体也无法治理国家。现实世界交织着激励、审批、问责、边缘案例、遗留系统，以及人与人之间的协调。即便自动化大幅进步，人们仍乐于聆听、见面并与人共事。无人观看深蓝下棋。

纵观历史，技术采纳与真正的经济变革总在时间上脱节。电力于1880年代接入工厂，但直到1920年代，当工厂围绕电力彻底改造后，生产力统计才见其成效。

互联网与AI时代，采纳速度不断以数量级压缩，但制度变革依旧滞后。

这一差距正是当下全球最大的套利机会，但窗口期短暂。

智能扩散的路线图

利用这一差距，意味着要做出正确的押注，并坚持不懈地执行策略，以驾驭模型的能力曲线。你必须通过产品、服务和叙事三者共同改造你的领域，且始终以客户为中心。

无论你是AI原生的新进入者，还是被AI深度渗透的现有企业，前路都远未明朗，但以下措施可以最大化你的成功几率：

注：鉴于全球竞争激烈，仅做到其中一点可能远远不够。你必须随着时间推移，落实其中大多数策略。

(1) 构建多方协作网络

实验室的主要激励将倾向于最大化个体生产力的“代币最大化”，因为这是用有限产品实现最大范围扩散的最简单途径。尽管这有用，但它限制了生产力的提升，因为一家公司的价值远超其员工之和。这也是为什么一个规模更小、管理更优的公司能击败更大的对手。优势并不总在于员工数量，而在于组织结构中内置的协调、分配与审查机制。

瞄准人力协调成本最高的市场。然后构建产品与服务，使这些人与智能体能够协作，端到端地完成这些工作流。随着时间推移，你将积累起一个由个体、智能体、数据和组织构成的协作图谱，它们都通过你的产品进行交易与协作；这样的地位，任何单一的AI都极难撼动。

例：Harvey’s（@harvey）的产品与愿景，旨在协调F500客户与其律师事务所之间的协作，这可以说是世界上价值最高的关系之一。

（2）积累工作流引力

成为客户数据积累的可信来源。这些数据包括内部文档、沟通记录、机构知识、专有来源，以及通用模型在预训练中永远不会看到的所有内容。还有流程数据：每一次修正、每一个决策、每一个过去的伤痕，以及你的产品和其生态系统在使用过程中产生的每一个例外。

实验室难道不能做到这一点吗？当然可以。但关键在于利用你对领域的理解和你捕获的独特数据，为客户提升价值。随着模型生态系统的碎片化以及企业对单一供应商风险的长期对冲需求，持续学习层很可能与模型分离。这为构建记忆和个性化提供了一个切入点，既惠及用户，也惠及整个组织。

随着时间的推移，你将比任何人都更了解经济中某个特定领域的运作方式，包括那些运营它的人。就像引力一样，你积累的知识越多，任何东西就越难逃脱你的轨道。

例：Within（@tryklarity）捕获企业中每个人所做的潜在工作，主动向个人和组织推荐自动化机会。

（3）让客户主导自己的转型

这一点并不显而易见，且才刚刚开始流行。我推测明年智能将成为一种被分配和管理的资源：代币像人头数一样被预算，投资回报率与顶级指标挂钩。就像任何其他受管理的资源一样，客户希望对其拥有精细的控制。挑战在于校准这种控制。给得太少，他们永远不会真正拥有它；给得太多，他们就会在内部自行氛围编程，而不是获得你产品的全部价值。

智能体构建器、可配置工作流、模型中立性/选择（包括后训练开放模型）、成本可见性、权限以及更多功能，将赋予组织对其自身变革的控制权。要实施这些，你需要与他们的团队一起前瞻性部署，但确保你离开后他们仍能自行管理部署。归根结底，从个人贡献者到高管层，人们对自己参与构建的东西的珍视程度，远高于别人拱手奉上的东西（参见宜家效应）。

例如：Applied Compute（@appliedcompute）为企业提供了一个平台，让他们创建自己的智能，从而有效掌控自己的命运。

(4) 讲述你对未来的展望

当我们迈向超级智能、模型快速迭代、多重全球冲突、新一轮融资和并购时，这些都为本已不确定的世界增添了巨大的不确定性。从普通人到全球最大公司的高管层，每个人都对未来感到困惑。你能做的最重要的事情，就是对他们所在行业五年后的图景提供一个具体且可信的描述。被视为能够引领未来的公司至关重要。这对他们的价值远超一份功能清单。

然后，再搭配一个身份定位，明确你在那个未来中的角色。要有立场，要有观点，敢于与众不同，并将其融入视觉与文化品牌中，渗透到新员工、客户、合作伙伴、投资者和公众心中。当每家公司都能使用相同的模型时，你在产品、关系、网站和故事中做出的独特选择，会创造出一种难以被轻易替代的品牌亲和力。

例如：Parallel（@p0）对网络第二用户的愿景、复古品牌和可靠产品套件，帮助他们在买家和人才中脱颖而出。

(5) 不断攀登抽象层级

在代码领域，我们已经从编写汇编语言，过渡到编译语言，再到智能体，很快将走向编排智能体团队和组织。非编码领域也会发生同样的情况，但速度会较慢，取决于其可验证性。能力栈的底层会被模型改进所吞噬，而你为当前底层构建的一切也会随之被吞噬。

随着时间推移，逐步演进你的产品，从服务最初的使用者，转向服务直线经理，再到副总裁，最终到高管层。在实践中，这意味着在用户体验上更加垂直化，而非相反。例如，构建一个指挥中心，让管理者像今天管理其职能中的人类团队一样，来监督一组智能体。

能够生存下来的公司，是那些预判抽象层级走向，并在当前层级被商品化之前就开始在那里构建的公司。要毫不留情地拆掉自己的基础设施和产品，以攀登下一层级——这里没有神圣不可侵犯的东西。

例如：Factory（@FactoryAI）很早就看到了这一点，在市场或能力成熟之前多年，就押注于从个人编码机器人向软件工厂的转变。

(6) 销售过去不可能实现的东西

迄今为止，评估和理解AI对损益（P&L）影响的方式大多与律师、工程师、分析师、科学家等人类工作挂钩。这也是许多AI原生公司仍按席位定价的原因。但真正的解锁点在于那些受限于人力、注意力或智力的环节。正是在这些地方，你会看到“廉价到无需计量的智能”所带来的二级和三级效应，也是无限投资回报率所在。

我预测，到2027年，C-suite（最高管理层）的核心议题将是AI对每家企业损益的影响，因为公司将被迫为token和AI支出设立新的预算项目。这笔支出要么推动营收增长，要么降低运营成本，而胜出的将是那些已经重塑产品与客户关系以捕捉价值的公司。

随着能力提升，定价应参照客户已有预测或目标，如解决的工单数、处理的合同数、进入临床试验的药物数、解决的理赔数、结案的案件数，以及终极目标——新增收入。这需要时间才能完全实现，因为AI和产品能力还需追赶。但那些现在就开始的公司，将在时机成熟时掌握经济主导权。

例如：Armadin（@ArmadinSecurity）的新型“超级攻击”利用千代理集群发现漏洞，其渗透测试的规模和频率是任何服务公司都无法复制的。

(7) 让自己成为结构性必需

这是最难做到的，实际上是上述所有点的积累。每家公司历来都资源不足，因为总有更多事情要做。AI不会改变这一点。最终，实验室将不得不专注于提供最大总可寻址市场（TAM）的通用产品：模型API、企业级同事，以及最终如制药这样的超级市场。

你的任务是定位自己，去做那些实验室无法做到的事情，并创造出机构、监管者和人际网络真正需要存在的东西。这可能包括在竞争选项之间提供中立性，在人工智能与受监管行业之间充当可信赖的中间层，或者作为一个能以模型API无法做到的方式被追究责任的对手方。资本主义推动这些公司应运而生，因为系统没有它们就无法运转。让自己成为其中之一。

例如：Profound（@tryprofound）押注，即使在一个充满众多竞争性消费级AGI的世界里，全球每家公司仍需要一个中立层来测量和塑造与客户的认知。

全球最大的公司

别误会我的意思。模型将变得真正令人惊叹且能力超群。实验室和芯片公司将赚取巨额财富，并很可能成为全球最大的公司。最终，总得有人为帕累托最优的令牌成本收取费用，以回收所有资本支出投资。

但这不是争论的焦点。平台变得庞大，而价值仍然在其之上累积。云计算并未阻止Stripe、Uber、Doordash、Salesforce、Workday、ServiceNow或Shopify成为世代级企业。智能的普及是所有平台之母。

一个完整的生态系统围绕智能的经济性扩散而形成：从事这项工作的公司、为其服务的基础设施、它们为各自垂直领域设定的标准，以及它们讲述的故事。

真正值得争论的主要问题是：在这个生态系统中谁将胜出。而这场战争是逐垂直领域、逐机构地进行的，由那些大多看起来不像实验室的公司来打。

感谢以下公司的创始人和领导者在撰写本文时提供的多元视角，并在应用层树立了新兴标准：

@harvey, @RogoAI, @profound, @OpenEvidence, @valkaicom, @ramp, @SierraPlatform, @simile_ai, @trybasis, @traversal_ai, @Permitflow, @chaidiscovery, @clay, @cognition, @appliedcompute, @AccordanceAI, @evenuplaw, @FulcrumAI, @superblocks, @maxima_dot_ai, @humansand, @wisdomai_inc, 以及 @withcherryUS