“舊的 SaaS 範式正在瓦解，但屬於 AI Native 的黃金時代才剛剛拉開帷幕。”今年開年，全球軟體股的投資人共同經歷了一場“驚魂六十天”。去年底到今年初，市場尚沉浸在“AI 應用大爆發”的幻夢中，然而 1 月底，Anthropic 甩出了能夠自主操控電腦、實現自主辦公的 Claude Cowork ，直接震碎了傳統 SaaS 的估值邏輯。短短兩個月，北美軟體股蒸發了超 1.6 兆美元市值。市場瀰漫著一種近乎絕望的論調：既然 AI 已經可以像人一樣操作電腦、接管業務流，那麼過去二十年裡我們辛苦建構的圖形介面和業務軟體，是否已經淪為了落後的生產力？針對這些事關生死的問題，在雷峰網 GAIR Live 線上圓桌中，三位深耕 SaaS 行業、視角互補的行業老兵——何潤：致趣百川聯合創始人兼CEO；Daniel：資深投資人，網際網路大廠業務負責人；吳昊：《 SaaS 創業路線圖》作者、SaaS 領軍企業天使投資人、前執行總裁；展開了一場一個半小時的硬核對談嘉賓們針對 SaaS 的現狀與未來給出了極具穿透力的判斷。01. 近期 SaaS股價暴跌：並非財務收入，而是預期被降維打擊在 Daniel 看來，SaaS 的暴跌並非源於 SaaS 公司財務資料不及預期，而是預期被降維打擊。過去，SaaS 廠商掌握了業務流程的“出入口”，就掌握了溢價權。但當 AI Agent 能夠繞過介面直接操作軟體，原本的“流程化軟體”正在退化為“智能 Agent 的外掛”。這種隱憂導致付費預算大規模從應用層向 LLM 基礎設施轉移。有一個直觀的數字：如 Anthropic 等 AI 公司的收入增長很明顯，從去年年底到最近一個季度增長非常快。原來市場預計到 2026 年，OpenAI 和 Anthropic 的 ARR 可能做到 200 億美元，但現在看，這個數字很可能會被遠遠超過。何潤則給出了一個更具“痛感”的觀察：三年前國內 SaaS 廠商的 PS（市銷率）估值體系已經崩完，如今北美的 PS 也開始鬆動，現在每一家都必須思考如何變成一個“掙錢的公司”。他指出，現在很多北美 SaaS 公司的 NDR（淨收入留存率） 已經回踩到100%，這對市場來說是一個巨大的心理衝擊。如果 NDR 繼續下探，PS 模型便徹底失效。吳昊補充道，像 Salesforce 他一直在長期關注，但一個比較有意思的現象：一家行業第一的 SaaS 公司不斷強調 AI，但到 2025 年財報裡，AI 相關收入佔比其實還是很小，可能只有百分之幾。這也是為什麼從股價表現來看，Salesforce 從 2024 年開始整體就在下跌，2025 年全年大約跌了 30%。"02. 談 SaaS 護城河：部分壁壘被擊穿，仍握幾張底牌在何潤看來，AI 對 SaaS 的衝擊，本質上是對傳統護城河的重構。在《戰略七力》（Seven Powers）框架下，過去 SaaS 最核心的兩種力量——轉換成本（Switching Cost）與網路效應（Network Effect），都在受到挑戰。首先是所謂的 “打劫邏輯”。北美市場已經出現一批 AI Native 企業軟體公司，它們並沒有創造新的需求，而是利用更敏捷的 AI 架構，以更低成本、更好體驗去搶奪傳統 SaaS 廠商的存量市場。其次是功能與體驗的“被動折疊”。過去 SaaS 廠商通過不斷疊加功能、最佳化 GUI 體驗建立壁壘。但在 AI 時代，如果複雜功能可以通過 AI Skills 直接實現，或者通過自然語言完成操作，很多原本依賴介面的軟體體驗就會被“折疊”。不過，在何潤看來，傳統 SaaS 廠商仍然掌握兩張重要的牌：一是企業經營資料沉澱在 SaaS 系統中形成的 “資料半透膜”，二是長期積累的 客戶關係與品牌認同。吳昊則給出了相對樂觀的判斷。他認為，AI 的出現雖然會改變軟體的技術形態，但 “專業分工”這一規律不會改變。以軟體開發為例，AI Coding 的崛起確實大幅提升了效率，但更可能帶來的變化是崗位上移，而非崗位消失。開發者會從基礎編碼轉向架構設計、系統結構以及更深度的客戶需求理解。同時，當軟體開發成本大幅下降時，社會對軟體的需求反而可能進一步擴張。正如十年前“軟體吞噬世界”的趨勢一樣，當開發效率提升 100 倍，軟體需求可能增長得更快。因此在 ToB 領域，理解業務邏輯、完成複雜交付以及系統整合仍然需要專業的軟體廠商，這些能力也可能成為新的行業壁壘。Daniel 則從企業軟體的實際業務角度給出了補充。在他看來，如果不從資本市場估值，而是從業務價值本身來看，很多 SaaS 廠商依然具備一定的護城河。這些壁壘主要來自三個方面：與企業業務流程的深度耦合、長期沉澱的行業 know-how，以及廠商與客戶之間持續的服務關係。企業軟體往往需要與資料庫、工廠系統以及各種內部系統進行複雜整合，涉及大量資料對接、實施和培訓，這些能力並不容易被快速替代。因此，在 Daniel 看來，企業軟體本身的長期價值並不會消失。但在 AI 時代，資本市場可能需要重新尋找新的估值錨點，例如如何區分 AI Native 軟體與傳統 SaaS 的商業模式。03. 談商業模式：SaaS公司若仍沿用坐席收費，那將是一個糟糕的策略三位嘉賓達成一致認為，未來按坐席收費的 SaaS 邏輯，在 AI 時代可能很難繼續成立了。一個預見的未來，企業的坐席數會減少。“很多公司都在裁員、縮編，組織規模在變小。當一家 1 萬人的公司因為 AI 裁員到 8000 人時，按席位收費的 SaaS 廠商收入直接縮水 20% 。”吳昊直言。SaaS 的未來會演變成，按tokens 使用量或結果計費。但如果按呼叫量收費，利潤會不會更多轉移到模型廠商那裡？三位嘉賓展開了進一步交鋒。Daniel 認為是有這種可能性的，而且他提醒不能忽視頂尖模型的溢價能力：“市場總規模會隨著效率提升而增長。但要注意，tokens本身代表智能質量。SOTA（當前最高水平）模型的智能價值與普通模型的差異，在很多任務場景下是零與一的區別。市場的馬太效應會極其明顯，頂尖模型廠商依然有很強的溢價權。”不過，吳昊持相反觀點。他認為大模型廠商很可能會面臨“管道化”的命運：“回顧 2006 年 3G 時代初期，電信營運商花了巨額資金購買牌照搭建網路，但最終最掙錢的是攜程、滴滴這些應用。使用者買的不是網路，而是訂票、打車的結果。”他給出兩個判斷：第一，管道隨時可以切換。今天做 AI 應用，可以接 DeepSeek，也可以接通義千問或 GPT，誰的管道便宜就用誰；第二，利潤留在應用層。“除非有一天 AGI 進化到把所有應用都吞噬掉，但在未來十年內，專業分工依然存在。模型公司很難在不碰業務的情況下賺走所有利潤。”何潤則認為，這個問題最終還是要回到供需關係。如果未來大模型的供給是相對集中的，那麼模型廠商確實可能賺到很多錢。與此同時，他把視角拉回到 SaaS 公司自身的演化上。他認為，無論模型廠商拿走多少，SaaS 公司自身形態已經在發生變化——“ SaaS 正在變成製造業”。第一，商業模式從“訂閱制”轉向“消耗制”，意味著，未來 SaaS 收入與產出規模直接掛鉤，不再是提前收一筆訂閱費就完事；第二，SaaS 成本結構從“人力為主”變成“人+ Token ”，這也讓 SaaS 規模不再需要靠堆人頭。04. 談產品形態：GUI 意義正在消解，Agent 編排能力愈發重要AI 正在重塑軟體的長相。吳昊提出了一個具有前瞻性的產品預判：“ GUI（圖形介面）的意義正在消解，我們不需要再為‘審美體驗’花巨大代價，AI 會根據使用者的熟練度即時生成 UI 。”他認為，未來的產品設計將不再是為了“讓人爽”，而是為了“讓 Agent 好用”。未來 SaaS 產品的 GUI 比例會大幅下降，甚至淪為整合在飛書、釘釘中的 API：軟體廠商不再需要把工作流全部顯性化地暴露給人類，而是通過 Agent 封裝成端到端的“黑盒”任務。何潤認為，未來從“人用軟體”到“ Agent 用軟體”，評價標準、產品形態、競爭邏輯都在重構。過去國內 SaaS 長期陷入“功能堆砌、體驗滯後”的困境，產品在客戶眼中差異不大。但如果未來是 Agent 在“使用”軟體，拼的不再是誰功能多，而是誰的任務完成成本更低、效率更高。與此同時，很多傳統 SaaS 公司未來可能需要把原來的 API 能力重新封裝成 Skill，然後讓 Agent 去呼叫、編排這些能力。Daniel 認為，AI 正在讓軟體從“操作介面”變成“任務黑盒”。過去軟體必須把工作流“攤開”給人看，是因為自動化能力不夠，需要人手動理解和操作。現在 AI Agent 能彌補這個 gap ，意味著很多複雜流程可以被封裝起來，使用者只需要提目標，系統自動完成背後的一切。05. 談實踐與未來：一場戰略、產品、組織的全面轉型AI 的衝擊，也在倒逼原來的 SaaS 公司轉型。何潤從一線創業者的視角，給出了最務實的調整路徑：縮短鏈條、提升密度。“技術團隊逐漸拆分成更小的單元，讓市場、售前、銷售、產品、前後端、測試形成的協作鏈條縮短一半。”在他看來，組織效率是第一道檻。與此同時，產品經理的職能也在遷移，不再只是設計功能，還要懂敘事、懂銷售、懂如何影響客戶使用。“重點是自己和團隊的效率提升，把技術和商業結合得更緊密。”Daniel 則觀察到海外 SaaS 市場的兩條分化路徑。一類是 Pure AI Native 公司——從原有組織體系中分裂出來，用AI解決以前未被滿足的需求，產品理念和設計完全圍繞 AI native 思維，打法激進。另一類是傳統 SaaS 廠商——依靠組織內部 adoption ，在組織、人才、戰略、產品層面做深度調整，讓現有團隊慢慢適應 AI native 的思維和操作。“海外的 AI native 公司比較激進，而傳統廠商需要更深的組織適配和轉型。”吳昊從顧問視角，總結出 AI 時代 SaaS 公司的三個新打法。第一，小團隊探索。“以前前端、後端、產品經理等需要很多人才能做一個產品，現在探索階段一個人就能做，甚至賣錢階段1-2人就可以運作。”他建議公司拿出10%-15%的資源，用來做單人或兩人小團隊的規模化創新。第二，快速試錯與迭代。“以前團隊做嘗試可能堅持半年甚至更久，現在小團隊嘗試3個月就評估，如果不行就棄牌，6個月如果仍未達到預期，就果斷放棄。”第三，組織邏輯變化。內部投資和決策方式需要更靈活——創新嘗試要規模化、快速驗證，而不是一次投入大量人力硬扛。“這是抓住未來10年機會的關鍵方式。”在圓桌的最後，三位老兵達成了一個難得的共識：AI 不會殺死 SaaS，但會徹底改變定義成功的方式。SaaS 並沒有死，它只是在剝離掉過去虛胖的溢價。真正的玩家正忙著將自己重構成一個“智能工廠”，在每一個被 AI 壓縮的鏈條裡尋找新的利潤區。不可否認的是，屬於“工具人”的舊 SaaS 範式正在瓦解，而屬於“數字勞動力”的 AI Native 時代才剛剛拉開帷幕。在這個爆發前夜，擁抱新世界，不糾結於舊事物的殘喘，才是生存的唯一真理。以下是此次圓桌討論的精彩分享，雷峰網在進行了不改原意的編輯整理：談近期 SaaS 股價暴跌：並非財務收入，而是預期被降維打擊胡敏：最近許多投資人在糾結是否要對 AI 軟體股進行“割肉”。儘管 Salesforce、Adobe 等巨頭的利潤仍在穩步增長，但股價卻遭遇重創。各位如何看待這一輪暴跌？Daniel：從投資視角看，這一輪暴跌並非源於已實現的財務收入問題，而是市場預期。如果把時間線再往前拉，其實從 OpenAI 發佈 ChatGPT 之後，很多頭部 SaaS 公司，比如 Adobe，增長勢頭就已經不像以前那麼強了。背後一直有一個隱憂：大語言模型會不會在一定程度上替代傳統軟體。因為生成式 AI 結合 Agent 和 tool use（工具呼叫），理論上可以直接完成很多業務流程，而且方式更加個性化、滲透率更高，甚至可能替代一部分流程化軟體。尤其是去年下半年開始，隨著 Anthropic 模型能力的提升，大模型的 tool use 能力明顯增強。很多開發者在實際開發中，已經能看到 AI 在軟體開發和業務流程中的潛力，所以市場對傳統軟體廠商的預期開始轉弱。到了去年年底和今年年初，這種能力又進一步增強。現在 AI 已經可以操作 GUI、UI，甚至直接呼叫後端程式碼。如果再疊加 memory 和 skills，很多軟體流程其實都可以被 AI 串起來。也就是說，只要軟體提供 API，理論上 AI 就可以直接呼叫並完成任務。這也是市場開始擔心傳統軟體廠商未來空間的原因之一。另外一個擔心是，企業預算可能會從傳統軟體轉向 AI。如果看 AI 公司的收入增長也很明顯，比如 Anthropic，從去年年底到最近一個季度增長非常快。原來市場預計到 2026 年，OpenAI 和 Anthropic 的 ARR 可能做到 200 億美元，但現在看，這個數字很可能會被遠遠超過。何潤：我其實沒有特別關注股市，但從 2 月初開始，很多朋友來問我怎麼看北美 SaaS。我當時的判斷是：從表象上看，其實是北美 SaaS 的 PS（市銷率） 估值體系開始鬆動。但如果放到中國來看，這件事情其實三年前就已經發生過。從財務角度拆一下會更清楚。比如HubSpot，以前大家用PS給它估值，賭的是它未來能長成Salesforce那樣。HubSpot現在ARR大概30億美元，市值在270億到280億美元——按PS算大概9倍，聽著還行。但問題是：市場現在開始懷疑，這套PS打法還能一直用下去嗎？如果用PE重新算一筆帳：按20倍PE倒推，HubSpot需要做到大約14億美元淨利潤才能撐起當前市值。所以你會發現，以前覺得6倍、7倍PS很合理，但放到30億ARR這個體量的公司身上，用PE一算就站不住腳了。因為3億、30億、300億ARR，增長的難度完全不是一個量級，體量越大，想維持高增長就越難，想同時維持高利潤率更是難上加難。矽谷有個指標叫 Rule of 40，就是增長率加淨利潤率要超過 40%。但對大公司來說，這個指標其實更難實現。另外一個市場比較擔心的指標是 NDR（淨收入留存率）。現在很多北美 SaaS 公司的 NDR 已經回踩到100%，這對市場來說是個心理衝擊。但在國內，很多 SaaS 公司 NDR 能超過 80% 就已經不容易。接下來如果 NDR 繼續往下走，疊加 AI 對預算結構的影響，傳統 SaaS 的增長邏輯會受到挑戰。吳昊：像 Salesforce 我一直在長期關注，因為它畢竟是 SaaS 行業的龍頭。從 2023 年開始，他們就在年度大會 Dreamforce 上提出要 all in AI，之後 2024、2025 年也一直在強調這個方向。但從投資者角度看，會出現一個比較有意思的現象：一家行業第一的 SaaS 公司不斷強調 AI，但到 2025 年財報裡，AI 相關收入佔比其實還是很小，可能只有百分之幾。這也是為什麼從股價表現來看，Salesforce 從 2024 年開始整體就在下跌，2025 年全年大約跌了 30%。核心原因在於：AI 如何真正轉化成 ToB 應用，目前仍在探索階段。從這家公司身上，其實能看到市場開始重新思考 SaaS 的 PS（市銷率）估值體系。因為 PS 能成立的重要前提，是客戶會長期持續續費。但現在這個假設受到了一些衝擊：一是客戶可能會更換產品，二是新的 AI 應用公司可能會侵蝕原有 SaaS 的市場。不過從我的觀察來看，ToB 應用其實沒有那麼容易被 AI 快速替代。企業軟體往往涉及複雜的系統、GUI 互動以及大量業務流程。所以回到剛才的問題：這輪下跌短期確實有情緒過度的成分，但從長期來看，SaaS 的估值體系確實正在經歷一次重構。談SaaS 護城河：部分壁壘被擊穿，仍握幾張底牌胡敏：這是從資本視角來看，剛剛吳昊老師提到，短期來看市場情緒可能有些過激。從產業的邏輯來看，為什麼像 Anthropic 推出 Claude Code 產品會讓 原有SaaS 廠商感到如此巨大的危機？傳統 SaaS 還有護城河嗎？何潤：關於護城河，我最近在思考《戰略七力》（Seven Powers）在 AI 時代的變遷。傳統 SaaS 最核心的兩個力——轉換成本（Switching Cost）和網路效應（Network Effect），目前正面臨被重構甚至摧毀的風險。“打劫邏輯”正在發生： 北美市場上，一大批 AI Native 的新玩家正在“打劫”傳統 SaaS。他們並非創造了新需求，而是利用更敏捷的 AI 架構，以更低成本、更優體驗搶奪老牌廠商的存量生意。功能的“被動折疊”： 以往 SaaS 廠商通過卷功能、卷體驗建立壁壘。但在 AI 時代，如果一個複雜的軟體功能可以被 AI Skills 直接實現，或者體驗通過自然語言對話方塊被“折疊”了，那麼傳統 GUI 的壁壘就不復存在。當然，SaaS 廠商手中還有最後兩張牌：資料的“半透膜”效應： 大模型雖然內化了通用知識，但特定行業、特定企業的經營上下文和私有資料依然沉澱在 SaaS 系統中。這些資料是雙向的“半透膜”，SaaS 廠商可以有選擇地利用大模型增強能力，但大模型廠商很難反向完全吞噬這部分垂直資料。身份認同與社群： 老牌廠商積累的客戶關係和品牌認同，在短期內仍能作為緩衝，但其厚度取決於新技術滲透的速度。吳昊：我持有稍微樂觀一些的看法。雖然護城河在變，但“專業分工”這一社會化規律不會變。以衝擊最大的程式設計師崗位為例。AI Coding 的崛起讓很多人恐慌，但回看歷史，從彙編語言到物件導向的程式設計工具，每一次技術升級都在大幅提升效率的同時降低了程式設計門檻。崗位上移，而非消失： 未來的程式設計師不再需要糾結於基礎的邏輯編碼，而是會轉向架構設計、結構化設計以及更深度的客戶需求理解。AI 讓效率提升了百倍，但這並不意味著程式設計師數量會縮減到百分之一。需求擴張效應： 10 年前就有“軟體吞噬世界”的說法，AI 其實也是軟體的一種形態。當軟體開發的成本降低 100 倍，社會對軟體的需求量可能會增加 1000 倍。ToB 領域的專業屏障： 企業的需求永遠在那裡。即便 AI 能寫程式碼，理解業務邏輯、完成複雜的上線交付、進行系統間的整合，依然需要專業的軟體供應商。總結來看，傳統 SaaS 公司的技術護城河（程式碼實現能力）正在崩塌，但同時也會出現新的護城河，比如：更強的架構設計能力、更深入理解客戶需求、更高效的產品交付能力，舉個例子，以前一些複雜 SaaS 產品上線、實施和培訓，可能需要半年時間，但未來可能兩周就能完成。所以我並不認為 AI 會讓 SaaS 這個行業崩塌。從長期來看，AI 反而可能讓 SaaS 行業做得更好。不過，這並不意味著所有公司都能活下來。因為 AI 的出現，對產品形態、技術架構以及公司的核心競爭力都會帶來巨大的變化。未來很可能會出現一批 AI Native 的公司，他們會佔據原來一部分 SaaS 公司的市場份額，成為新的企業軟體供應商。所以很多原有 SaaS 公司確實會面臨很大的壓力。Daniel：從我的視角來看，如果先不談資本市場的估值，只從業務價值本身來看，其實很多 SaaS 廠商仍然是有比較強壁壘的。這些壁壘主要來自於幾個方面。和業務場景的結合程度。如果具體來看，比如對客戶業務流程的梳理、行業 know-how 的積累，以及和客戶現有系統的對接。很多企業的軟體系統都會涉及資料庫、工廠系統或者其他內部系統之間的連接，這裡面包括大量 API 呼叫、資料欄位的對齊和清洗，以及後續的實施和培訓。這些工作其實都和企業的業務高度耦合，所以本身就構成了 SaaS 廠商的一部分壁壘。一個是廠商和客戶之間長期形成的 connection（關係），另一個是持續的 service（服務能力）。這些多種因素疊加在一起，其實共同構成了 SaaS 廠商的核心壁壘。從產品形態來看，其實這些年只是技術形態在變化。最早是傳統的 On-Premise 軟體，後來發展到 SaaS，再到今天很多企業在用的 CRM 等雲端系統。但從本質上來說，企業軟體交付的核心價值其實沒有改變。比如像 Salesforce 這樣的 CRM 工具，其實是幫助廠商在客戶服務、產品交付以及靈活性方面做得更好。所以從業務角度來看，我還是相信企業軟體本身是有長期價值的。當然，資本市場的估值是另外一件事情。過去 SaaS 行業有比較高的溢價，現在確實可能會面臨一些壓力。市場可能需要重新去錨定新的估值模型，比如 AI Native 軟體和傳統 SaaS 軟體之間的邊界在那裡，它們的商業模式有什麼不同。這些問題其實都需要市場慢慢去理清。談商業模式：SaaS公司若仍沿用坐席收費，那將是一個糟糕的策略胡敏：如果AI真的讓企業裡“幹活的人”變少了，甚至有些崗位消失了，那這就引出了一個非常現實的問題：SaaS公司過去最成熟的按照人頭收費的模式，似乎就鬆動了。未來的SaaS公司，主流的收費模式會變成什麼樣？是按呼叫量、按效果抽成、還是會出現我們想不到的新模式？何潤：這個觀點直指本質。基於 Seats-based（按坐席收費） 的模型在未來可能難以為繼。以客服系統為例，原來客戶可能需要 100 個人，現在由於 AI Agent 的介入，可能只需要 20 個人配合一堆 Token就能完成工作。對於廠商而言，席位增購消失了，取而代之的是嚴重的縮購。目前北美一些 AI Native 公司，如 Decagon 或 Sierra，其定價模式已經完全改變。他們不再賣席位，而是按使用量（Consumption）或結果（Outcome）計費。這些公司組織極小，人效極高，產研佔比遠低於傳統廠商，這種成本結構的優勢對於老牌廠商來說是致命的“打劫”。Daniel：這個問題挺關鍵。我個人判斷也是，按坐席收費的 SaaS 邏輯，在 AI 時代可能很難繼續成立了。因為現在大模型的能力進化得非常快。比如像 GPT‑4 這一類模型，最近一兩代版本裡，tool use（工具呼叫） 和 tool call（工具執行） 的能力已經越來越強。同時，大模型的幻覺率在下降，任務執行的精準性也在不斷提高。未來的商業模式必然是按tokens消耗或評估任務價值量來重構。如何跟使用者分預算，如何從賣軟體轉向賣智能，是所有廠商必須回答的命題。除了賣 TOKEN，目前更清晰的模式還在探索中，但方向已定。吳昊：我在疫情期間做過一次 SaaS 計費方式的調研，當時80% 以上的 SaaS 公司依然沿用坐席收費模式。這在今天是一個非常糟糕的策略。企業的坐席數在減少。很多公司都在裁員、縮編，組織規模在變小。當一家 1 萬人的公司因為 AI 裁員到 8000 人時，按席位收費的 SaaS 廠商收入直接縮水 20%。“一個人的公司”正在興起。在 AI 的幫助下，一個人就可以完成過去需要一個團隊才能完成的事情，從 程式碼、設計，到市場等各種事情。所以 SaaS 廠商如果還是按人頭收費，其實會越來越被動。過去幾年我在陪跑一些 SaaS 公司的過程中，也看到不同的收費模式。有些公司開始按業務量收費，比如按訂單數收費，也有一些直接抽佣，比如抽銷售額的 2%。但也有難題，所謂的 “創新者的窘境”。為什麼很多公司很難轉型？因為原來的模式已經跑得太順了。一家一萬人的公司，按坐席收費，一年就是2000萬穩穩進帳。如果改成按業務量收費，可能衝到2500萬，也可能掉到1500萬，這種不確定性，沒人敢拍板。更關鍵的是，模式跑久了，整個組織已經“長”在上面了。產品、研發、銷售、服務，所有人所有流程都習慣了這套邏輯。這時候要改收費模式，不是改一張報價單，而是要改變整個公司的思維方式。難度可想而知。我看到，真正能夠成功轉型的 SaaS 公司，通常有兩個條件：創始人自己要先想明白，並且堅定推動這件事；創始人必須盯得非常緊。在執行過程中，團隊一定會反饋各種問題，如客戶不接受、銷售不好賣等。如果創始人沒有足夠堅定，很容易放棄。相對來說，那些 AI Native 的軟體公司就沒有這個歷史包袱。因為它們第一天面對的客戶，就已經習慣了按 Token、按用量計費。但即便如此，我個人認為按 Token 收費也只是一個過渡形態。因為對企業來說，如果今天一篇文章消耗了 100 萬 Token，明天突然變成 300 萬 Token，企業內部就會問：為什麼成本變高了？是不是可以最佳化？這樣企業就會不斷去追問供應商，為什麼成本會上升，這在實際商業環境中會帶來很多摩擦。所以從長期來看，我更相信按結果收費的模式才是更合理的方向。此外，我想強調的是，收費模式是一個非常底層的東西。它不僅僅是一個收錢方式，而是會反過來影響公司的組織結構。SaaS 公司在未來幾年一定會面對的一個重要轉型。胡敏：如果未來很多 SaaS 產品都是按呼叫量收費，是不是利潤會更多轉移到模型廠商或者云廠商那裡？吳昊：我持相反觀點。大模型廠商很可能會面臨“管道化”的命運。回顧 2006 年 3G 時代初期，電信營運商花了巨額資金購買牌照搭建網路，但最終最掙錢的是攜程、滴滴這些應用。使用者買的不是網路，而是訂票、打車的結果。管道隨時可以切換： 今天我們做 AI 應用，可以接 DeepSeek，也可以接通義千問或 GPT。誰的管道便宜、性價比高，開發者就用誰。利潤留在應用層： 除非有一天 AGI（通用人工智慧）進化到把所有應用都吞噬掉，但在未來十年內，專業分工依然存在。模型公司很難在不碰業務的情況下賺走所有利潤。所以我們看到，Claude 和 OpenAI 現在也拚命想往應用層滲透。Daniel：我覺得市場總規模（TAM）會隨著效率提升而增長。但要注意，TOKEN 本身代表智能質量。SOTA（當前最高水平）模型的智能價值與普通模型的差異，在很多任務場景下是零與一的區別。市場的馬太效應會極其明顯，頂尖模型廠商依然有很強的溢價權。何潤：我覺得這個問題最終還是要回到供需關係。如果未來大模型的供給是相對集中的，那麼模型廠商確實可能賺到很多錢。但從 SaaS 公司的角度來看，我覺得未來還可能會發生兩個變化：SaaS 公司會越來越像製造業。如何理解？第一，商業模式從“訂閱制”轉向“消耗制”。過去SaaS的商業模式比較簡單，按年訂閱收費。但如果是AI產品，你就必須按照使用量（usage）或消耗量（consumption）來預測收入。這其實更像製造業，你的收入和產出規模是直接掛鉤的。賣多少貨，賺多少錢，不再是提前收一筆訂閱費就完事了。第二是成本結構從“人力為主”變成“人+Token”。過去SaaS最大的成本是人力。未來則是人 + Token成本。但好的一點是，業務規模未必需要再完全依賴人力線性增長。你的Token可以隨著業務規模增長，而不是靠增加員工。所以在某種意義上，這反而可能更容易規模化。產品邏輯從“卷功能”轉向“卷價值”。過去SaaS產品經常會陷入功能競爭——廠商不斷增加feature，但客戶其實並不一定真的需要那麼多功能。如果未來按照使用量或者業務任務收費，那SaaS公司就必須更直接地幫助客戶創造業務價值。這種模式反而可能會讓SaaS產品更貼近真實需求。最後我覺得，從中國市場來看，情況可能和北美不太一樣。北美 SaaS 過去的利潤率其實非常高。所以如果未來利潤下降，可能會有比較明顯的衝擊。但中國 SaaS 本身競爭就非常激烈，利潤率也不高。再加上國內模型廠商提供的 Token 價格通常更低，所以對國內 SaaS 公司來說，未必會比現在更差。談產品形態：GUI意義正在消解，Agent 編排能力愈發重要胡敏：接下來我們討論一個和產品形態有關的問題。過去十多年，其實很多 SaaS 產品經理都在研究一件事：如何讓人用得更舒服。比如 UI 要好看、互動要流暢、體驗要順滑。但如果未來很多具體工作是由 AI Agent 來完成，而不是由人來操作軟體，那 SaaS 產品是不是就會發生一個反轉——軟體不再主要為人設計，而是為 AI 設計？未來軟體產品形態會有什麼變化？比如未來 SaaS 公司會不會變成一種 AI Agent 的調度和管理平台？吳昊：我去年其實畫過一個圖，大概表達的是：未來很多 SaaS 公司可能會更多地提供 API，而不是完整的應用介面。因為每個企業最終都會需要一個統一的工作平台，比如飛書、釘釘、企微這樣的系統。所以一種可能的形態是： 很多 SaaS 產品不再獨立存在，而是被整合到這些工作平台中。如果未來很多互動變成對話式，比如 Chat 介面，那很多 SaaS 產品可能只是提供 底層 API 能力，而使用者是在統一入口裡使用這些能力。當然，從今天來看，GUI（圖形介面）還不會消失，現實中仍然有大量複雜場景，是無法只通過對話完成的。在這種變化下，產品體驗的重點也會發生改變。過去我們會花很多精力讓頁面更漂亮、互動更流暢。但未來這些可能沒那麼重要了。更重要的是把業務邏輯打通。何潤：我比較喜歡把國內 SaaS 和北美 SaaS做一個對比。北美 SaaS 已經發展了很多年，可能已經到了第三代、第四代產品階段，所以他們在產品體驗和互動設計上普遍做得比國內好。國內 SaaS 的一個典型問題是：很多產品在客戶看來其實差異並不大。於是大家就開始拚命堆功能，最後變成一種 “功能工廠”，功能很多，但體驗很差。但如果未來很多操作是由 Agent 來完成，那評價軟體好壞的標準也會發生變化。過去評價產品體驗，通常有一些指標，比如：完成一個任務需要多少步驟，完成一個任務需要多少時間，那如果未來使用軟體的主體變成 Agent，那我們要用什麼指標來評價軟體？可能還是會有任務完成時間，但未來可能還會加入新的指標，比如：任務完成成本、Token 消耗、整體效率，所以評價體系本身也會變化。另外我覺得未來 SaaS 還有一個重要變化，就是 Skill（能力模組）。很多傳統 SaaS 公司未來可能需要把原來的 API 能力重新封裝成 Skill，然後讓 Agent 去呼叫、編排這些能力。短期來看，這些 Skill 可能會形成一定的護城河，因為它們背後有資料和業務流程。但長期來看，這個優勢能持續多久，還不好說。所以整體來看，我覺得 SaaS 產品形態的變化主要體現在兩點：第一是 GUI 互動方式會變化。 第二是 Skill / Agent 編排能力會越來越重要。Daniel：我覺得這種變化其實是非常有可能發生的。過去很多 SaaS 產品看起來操作複雜，是因為軟體需要 把所有工作流顯式地展示出來，讓人去理解和操作這些流程。為什麼必須這樣？因為過去單純依靠自動化或者 RPA，其實很難處理複雜場景。軟體的靈活度和企業實際需求之間存在一個很大的 gap。但今天 AI Agent 的能力，已經可以在很大程度上 彌補這個 gap。這意味著很多原本需要使用者自己操作的流程，其實可以被封裝起來。未來的軟體形態可能會變成：使用者只需要提出目標或者任務，系統就會自動完成背後的流程和任務編排。所以很多複雜的工作流，未來可能會被 黑盒化或者高度產品化封裝。從 SaaS 廠商的角度來看，更重要的事情可能變成：找到自己的核心使用者找到最關鍵的業務場景然後圍繞這些場景去設計 Agent 和任務編排能力事實上，現在很多 AI 產品已經在往這個方向發展，比如Anthropic 的Claude。這些產品的進步不僅僅是模型能力的提升，還包括大量工程層面的最佳化和 Agent 化設計。所以某種程度上，大模型廠商和軟體廠商，其實都在朝著 Agent 化和任務編排的方向發展。談實踐與未來：一場戰略、產品、組織的全面轉型胡敏：潤總，你是一線創業者，最近在做什麼？和一年前相比，有那些變化？你帶團隊在 AI 方向上主要衝擊那些點？何潤：我覺得最關鍵的還是從自己開始體驗。一年前，我對 AI 的 adoption 並不深，但現在會更多去親自使用，嘗試讓自己和團隊更 AI native。剛開始可能會有焦慮，面對 AI native 產品會覺得壓力很大，但慢慢發現：真正的核心是讓組織本身能適應 AI，這是一個慢過程。在產品上，我們也做了一些調整：技術團隊逐漸拆分成更小的單元，讓鏈條更短、更高效，以前市場、售前、銷售、產品、前端、後端、測試形成的鏈條，現在能縮短一半，另外產品經理要更懂商業化，不只是設計功能，還要懂敘事、銷售、影響客戶使用，總的來看，重點是自己和團隊的效率提升，把技術和商業結合得更緊密。胡敏：Daniel你長期觀察國內外市場，你觀察到海外SaaS同行，他們如今在做什麼？Daniel：從我的視角看，海外 SaaS 市場大概分兩類，第一類是Pure AI Native 產品，這些公司和團隊從原有組織體系中分裂出來，嘗試用 AI 解決以前未被滿足的需求，產品理念和設計完全圍繞 AI native 思維，比較純粹；第二類是傳統 SaaS 廠商，這些廠商仍然依靠組織內部 adoption，需要在組織、人才、戰略、產品層面做深度調整，讓現有團隊慢慢適應 AI native 的思維和操作，總的來說，海外的 AI native 公司會比較激進，而傳統廠商需要更深的組織適配和轉型。胡敏：昊總您輔導那麼多SaaS公司，您看到過去半年 SaaS 創業者對 AI 的心態怎麼樣？他們正在做那些方面的事情？你給他們的建議，和半年前相比，最大的變化是什麼？吳昊：從我輔導的 SaaS 公司來看，許多技術團隊從 GPT-3.5 開始就熱烈擁抱 AI，2023 年上半年嘗試效果不明顯，但從下半年開始，內部效率提升非常明顯，大約 40%-50%，大家逐漸看到結果，內部使用 AI 成為必然趨勢。在產品創新上，也有一些重要變化，第一是，小團隊探索，以前前端、後端、產品經理等需要很多人才能做一個產品，現在探索階段，一個人就能做，甚至賣錢階段 1-2 人就可以運作，把公司 10%-15% 的資源用來做單人或兩人小團隊的規模化創新；第二，快速試錯與迭代，以前團隊做嘗試可能堅持半年甚至更久，現在小團隊嘗試 3 個月就評估，如果不行就棄牌，6 個月如果仍未達到預期，就果斷放棄第三是組織邏輯變化，內部投資和決策方式需要更靈活，創新嘗試規模化、快速驗證，而不是一次投入大量人力，這是抓住未來 10 年機會的關鍵方式總結來說，AI 對 SaaS 的衝擊不僅在產品，更在於團隊結構、組織決策和內部創新邏輯的全面轉型。總結胡敏：今天我們聊了很多 SaaS 在 AI 時代的變化。最後想做一個總結和展望。假設今天圓桌結束後，有一個朋友來問你：現在 SaaS 股票還能不能買？這是抄底機會，還是應該早點止損？請三位嘉賓用最直白的話回答一下，也順便對 SaaS 行業的未來做一個簡單展望。吳昊：這兩年我一直在思考一個問題：AI 到底會不會殺死 SaaS？我的階段性結論是：AI 不會殺死 SaaS。原因很簡單：ToB 的需求本身仍然存在，而且企業需求非常複雜，這些需求不會消失。從投資角度看，我的觀點是：單個 SaaS 公司風險很大，可能一個 AI 創業團隊就能顛覆它，也可能客戶需求模式發生變化。但從整個類股來看，SaaS 現在是明顯的超跌狀態。從長期看，這個行業仍然有很大的價值。Daniel：如果從投資角度來說，我覺得核心就是一句話：擁抱新世界。不要在舊的模式上糾結太多。未來三到五年，行業的機會一定更多來自AI native 產品，所以投資邏輯也要往新世界去看，而不是停留在過去的 SaaS 模式。何潤：我個人更傾向於把 SaaS 看作一種商業模式。國內 SaaS 和北美 SaaS，其實要分開看。北美 SaaS 公司的商業模式是跑通的，比如：很多公司 NDR（淨收入留存率）超過 100%，但國內 SaaS 的情況不一樣，NDR 能到 100% 的公司非常少，所以國內 SaaS 其實一直沒有真正跑通商業模式。如果說未來的發展，我覺得有兩點：第一，AI native SaaS 的增長依然很快，但它們的成本結構已經和傳統 SaaS 完全不同。第二，對很多傳統 SaaS 公司來說，必須“打碎再重建”。未來甚至可能不再叫 SaaS，公司本質上都會變成 AI 公司。至於現在是不是抄底國內 SaaS 的好機會，我不太好評價。但我覺得核心還是要看：公司是否在真正變成 AI native 組織；是否在探索人機協同的新軟體形態，因為未來的人機協同模式、軟體形態，都可能發生非常大的變化。看來大家雖然感受到了切膚之痛，但沒有任何人選擇躺平。非常感謝三位嘉賓今天極其坦誠和深度的分享。舊的 SaaS 範式正在瓦解，但屬於 AI Native 的黃金時代才剛剛拉開帷幕。今天的圓桌就到這裡，感謝各位聽眾的陪伴，我們下期再見！ (雷峰網)

OpenClaw現在最大的問題，是帳單太嚇人。(1)一個群裡電商老闆說：“太燒token了，我有點燒不起。”(2)另一個做教育的老闆更絕，他說一天消耗217刀，差不多1500人民幣。(3)這還不是最慘的。Reddit上有個老外想搞自動化SaaS。AI卡進死循環：讀檔案、改程式碼、調API、再讀檔案……72小時帳單 57.76美元，差不多400多元。(4)還有狠人，直接用頂級模型Opus 4.6跑。只問了15個問題，15美金(差不多 100 多塊沒了)。平均一個問題7塊錢。 這那是問AI?這是在吞金條。AI很猛，但帳單更猛有人算過一筆帳，越算越心驚：一個重度使用者，一個月 Token 消耗 1.8億。帳單接近：3600美元。但真正讓人害怕是死循環。無限讀取、無限呼叫、無限執行。有開發者反饋：一天就燒掉了200美元。很多人不是不用OpenClaw，是不敢一直開著，生怕半夜醒來，房子沒了。更尷尬的是：很多人連燒錢的機會都沒有你以為有錢就能玩?更尷尬的是：你連跑都跑不起來。甚至有騰訊工程師直接在大會現場擺攤，免費幫人裝OpenClaw。為什麼?因為太難了。很多人想試試AI Agent。結果第一步就卡住了：伺服器環境、依賴安裝、模型配置、API接入，折騰半天，任務還沒跑。折騰了三天三夜，任務還沒跑起來，人就沒耐心了。有人開始用“外掛”玩了!現在很多團隊已經算過一筆帳：如果一個AI Agent每天消耗500萬Token一個月就是：1.5億Token。成本可能接近：2萬人民幣。但最近，我發現一群聰明人換了個玩法。他們不自己部署了。直接用已經裝好的伺服器。伺服器一開，OpenClaw直接跑。更離譜的是：有些平台，居然還送Token。很多人一算帳：成本直接被打下來一大截。原來還能這麼玩?七牛雲的新玩法：開機即跑這群聰明人用的，就是七牛雲。最近有開發者在用的一種方案是：直接用已經預裝 OpenClaw 的伺服器。環境都配好了：Python環境、依賴庫、模型介面開機就能跑。比如七牛雲最近推出的AI Agent 部署方案。別人折騰幾天的環境，這裡幾分鐘搞定。但這還不是最關鍵的。最關鍵的是：它把Token成本，按在地上摩擦。Token快取，才是關鍵大家可能都知道，大模型API是輸入和輸出分開計費。在很多場景下(比如程式設計和Agent處理任務)，傳統呼叫大模型API：每次輸入請求都會重新計算Token，全量計費。比如一個任務：傳統：100 次 × 1000 Token = 10 萬 Token 計費，但有快取後，一切就變得不一樣了。快取命中後：1 次正常寫入 + 99 次 × 0.1 價格讀取，理論上約節省 90% 左右七牛雲快取：在一定時間內，你傳送請求中包含的靜態內容(比如大段的提示詞、文件，工具定義)，它直接呼叫“記憶”(並不是真的記憶，而是之前計算過的快取結果)，對於命中的部分直接跳過計算，可以大幅節省算力和時間，以 Claude 4.6 Sonnent為例，命中快取的輸入價格是未命中快取價格的1/10 !對於小龍蝦這種對上下文利用效率不高，經常反覆讀取上下文的Agent框架，在有快取的機制下，Token消耗通常能直接降低 70% 左右。別人燒錢跑一天，你在七牛雲上能跑上十天半個月。這一層最佳化，七牛雲直接在底層幫你做了。你不用懂程式碼，省錢是自動的。我用Claude 4.6 Sonnet實測下來，在OpenClaw場景的快取命中率差不多能在 60% -70% 左右。雖然第一次建快取會貴一點，但綜合算下來，整體相當於打了個6折。124 款頂級模型，一次性全部給你!這次七牛雲給OpenClaw 使用者準備了四樣東西：伺服器、Token、沙箱、拉新獎勵。① 66元一年伺服器：2核2G，20G系統盤、200M頻寬，關鍵是：已經預裝好 OpenClaw。而且新加坡 / 東京 / 香港 / 國內節點都能選。② 106元兩台伺服器：企業使用者可以再領200元無門檻券，可以直接用50元拿下一台2核4G的伺服器，疊加上面那個66元活動，可也就是說106元拿兩台伺服器。③ 500元Token券：七牛雲還送 500元 Token券，換算成七牛雲的Token資源包差不多相當於2.8億 MiniMax Token。基本夠公司跑一個月了。④ 168小時AI沙箱：你可以讓 OpenClaw 在裡面執行任務。比如自動寫程式碼、自動跑任務，那怕失控，也不會燒你電腦。⑤ 如果Token 還是喂不飽你的小龍蝦，七牛雲去年年底的拉新送百億Token的獎勵，還可以再給你續一波。如果你正準備折騰 AI Agent，這波其實挺香。寫在最後：說到底，OpenClaw的問題，不是技術。而是成本。如果每一次任務，帳單都在往上跳。很多人自然就不會玩了。但如果成本被打下來，AI Agent這種東西，可能真的會開始進入，普通開發者的工具箱。但前提只有一個，帳單得先降下來。 (盧鬆鬆)

這兩個月的矽谷 AI 圈，似乎是 Anthropic 這家公司的獨角戲。如果你之前沒怎麼關注他們，那你一定聽說過前陣子美股科技類股的慘案。就在不久前，他們隨便搞了幾個新動作，直接讓一眾老牌 SaaS 公司的股價集體閃崩，市值瞬間蒸發了幾千億美元。甚至有媒體直接說：SaaS 行業已死。原本以為這波收割完他們會消停一會。結果就在昨晚，Anthropic 又悄悄搞了個大新聞，一口氣發佈了 10 個王炸等級的企業級外掛。Claude Code 徹底改變了程式設計，現在Claude Cowork 要來接手剩下的企業了。那麼這 10 個新殺器到底能幹啥。01｜10 個企業級外掛齊發，打工人的飯碗保得住嗎？Anthropic 這次直接把矛頭對準了各大公司的核心業務部門，推出了一輪全新的企業級 AI 代理。這次配套發佈的 10 個深度定製外掛，直接覆蓋了人力資源、設計、工程、營運、財務分析、投資銀行、股票研究、私募股權和財富管理這些關鍵崗位，幾乎把腦力勞動者的活兒包圓了。拿金融圈來說，投資銀行和財務分析外掛能在幾分鐘內跑完研報、建好財務模型，甚至搞定可比公司分析。以前這可是華爾街初級分析師熬夜拿命換的活兒。在後台和產研部門，人力資源外掛包攬了從發 Offer 到做績效的全流程。工程和設計外掛則能自動寫復盤報告、跑程式碼測試甚至搭好使用者體驗框架。懂行的朋友一看就明白了，這干的都是曾經需要高薪聘請專業人士干的活兒。現在，你只需要給 Claude 開通權限。AI 編碼能力替代程式設計師已經是不爭的事實，這次就是程式設計師的命運在更多的崗位上上演。02｜回看瘋狂 2 月，巨頭暴跌背後的血色足跡看完這些外掛你可能覺得，不就是多幾個新功能嗎？但如果你看看資本市場的反應，就知道事情沒這麼簡單。這 10 個外掛只是 Anthropic 屠龍刀的最新一擊，而不是最後一刀。咱們來仔細盤一盤，今年 2 月資本市場上踩出的這一串血色足跡。2 月 4 日，Cowork 剛剛發佈，直接引發了華爾街口中的 SaaS 啟示錄。軟體巨頭 Atlassian 股價暴跌 35%，財務軟體巨頭 Intuit 暴跌 34%。僅僅這一周，整個 SaaS 行業就蒸發了 2850 億美元的市值。緊接著 2 月 5 日，代理團隊功能上線，引發整個軟體類股普跌。追蹤軟體股的 IGV ETF 基金狂跌 30%，直接創下了 2008 年金融危機以來最慘的季度表現。到了 2 月 20 日，Anthropic 掏出了程式碼安全工具 Code Security。這個工具能瞬間捕捉被人類忽視了數十年的程式碼漏洞。消息一出，網路安全三巨頭 CrowdStrike、Cloudflare 和 Okta 股價單日齊刷刷暴跌 8% 到 9%。最慘烈的神話破滅發生在 2 月 24 日。當天 Anthropic 發佈了極其高效的 COBOL 現代化工具。因為這個 AI 能直接取代龐大的外部諮詢師團隊，老大哥 IBM 遭遇了自 2000 年以來最慘烈的單日暴跌。一天狂跌 13%，整個 2 月的累計跌幅更是達到了驚人的 27%。03｜普通打工人，該怎麼保住飯碗？當連 IBM 和各大軟體巨頭都扛不住 AI 代理的正面硬剛時，咱們普通打工人賴以生存的技能壁壘正在快速消失。今年所謂的代理年算是徹底拉開大幕了。在這個 AI 開始自主幹活的時代，我們或許必須趕緊轉換思路。打不過就加入，我們要從一個親力親為的任務執行者，進化為懂得分派任務、把控質量的代理調度者。我們要學會如何用 Cowork 這樣的工具去組合這些外掛，讓 AI 幫我們打黑工，而不是死死抱著舊有的工作流不放。否則下一個被列入暗殺名單的，可能就不只是某家軟體公司的股票了。看完 Anthropic 近期的這波魔幻操作，你是覺得隱隱的焦慮，還是覺得終於能從雜活裡解脫了？你覺得自己的崗位多久之後會被 AI 代理接管？ (AI范兒)

資本市場是一個敘事的製造機。去年11月以來，美股對AI的質疑，從對CAPEX的緊張、對SaaS的，終於進化到了——對AI末日論的最終幻想。相信經過再度血洗的一夜後，很多人都看到了Citrini的那篇關於“2028年AI末日”的科幻文章。其中內容並不高明，但作為一種情緒催化，給緊繃的市場帶來了更多壓力。不過，儘管很多人並不完全認同它的結論，卻依然欣賞它的“問題意識”，認為它至少提出了一些值得嚴肅面對的問題。但我的觀點或許更激進一些：這些思考角度，甚至問題本身，可能都不成立。和AI一樣，人類基於未知和焦慮會產生很多“幻覺”，進而單薄地理解了過去，線性地預測了未來。我們從這篇文章開始。它實際上假設了一個過於靜態的宏觀世界：AI顯著提升了生產率，衝擊了舊有商業模式，但分配結構沒有重構，需求總量可能崩潰。在這個設定裡，世界只剩下一組決定性的“快與慢”：AI的性能是加速的，替代是加速的，而人類智力將迅速不再稀缺，因為AI將很快進展到可靠、直接完成目標。於是AI將顛覆既有的商業模式，而新的商業模式來不及創設，傑文斯悖論（替代發明反而會增加對該資源的需求）失效了。人類的企業組織按最高效運轉的原則，應對方式是直接而血腥的資本主義：裁員。高薪崗位被大量消滅。這一處理程序快到分配問題來不及得到解決：財富集中到大公司和極其有限的技術精英團體手中（財政甚至分不到一杯羹），這意味著總需求的劇烈收縮。注意力護城河不再：作為消費者的人類是高度理性的，他們只關注“質優價廉”，他們消費的痛點只是消費注意下的資訊不對稱，而AI替代了消費者進行高度理性的決策，品牌、入口等等一切依賴消費者心智模型的護城河不再了。（其實這個邏輯在之前豆包手機出來的時候已經被中國市場討論過，關於平台巨頭入口的護城河問題）。在這種推演下，結論當然會顯得順理成章：留給人類的時間不多了。但事實上，針對這些推演，我們可以找到以下的證據表明，其基礎可能都是不成立的：首先，那怕在快速的技術滲透下，傑文斯悖論也並未失效。舉個直觀的例子，在上一輪電子化浪潮中，零售業和金融業是受益於電子化最快、最深的行業：大量耗費人力的紙質流程都被系統、電子化代替、交易結算風控都效率都得到了極大的提升，理論上，這替代了巨大的後台基礎崗位。但從全行業來看，1980年代以來，零售和金融的從業人數並沒有見到明顯的下降。這和技術滲透的速度無關：關鍵是在效率提升的同時，行業選擇了做大規模，這一效應明顯強於對勞動力的擠出。第二，AI的替代在企業內部，更多體現為工作內容和流程的最佳化，而不是崗位的削減。很不幸，那怕在資本主義下，大多數人類企業也未必處處按照“利潤最大化”行動。相反，普遍的“委託-代理”問題帶來的現實是，企業內部往往分佈著各種謀求內部資源的權力結構，這些結構會成為企業削減崗位的重大阻礙。而歷史研究也表明，在經營壓力面前，“裁員”往往並非企業的第一選擇，更優先的是工作內容的調整，這體現為不同行業、國家中勞動力市場的彈性。第三，安全、法律和責任體系會顯著拖慢“全面替代”的速度。很多AI敘事默認：只要技術可行，商業很快就會快速採用。但那怕在純粹的業務層面，利潤最大化都不是唯一的答案，安全和法律問題是人類商業活動的關鍵部分（而不是輔助部分）。這使得AI在業務的嵌入或是直接不可行，或是面臨相當的論證成本，至少將有人的全程監督。這意味著，在接下來一段時間，我們將看到AI和既有的法律、商業規範、企業組織發生摩擦和衝突，但最終的結局大機率是適應和嵌入，而不是直接顛覆和替代。這類路徑我們並不陌生：號稱去中心化解決方案的區塊鏈，其對中心化金融的“顛覆”至今都沒有實現。相反，追求“合法化”的招安反倒成了幣圈的重大利多。第四，消費端更不能簡單根據“理性代理”推理，消費者的主體性來自形成決策的過程，在此，AI推薦可能未必勝得過演算法推薦。當前時代的商品的品牌和功能已經相當繁複，使用者在購買東西時，很少第一刻就明確地知道“我要買什麼”，在多數時候，人們只能在第一時間回答“我不想買什麼”。人在這一階段，需要廣泛的資訊以啟動靈感，需要比較和猶豫完成心理確認，甚至需要一輪輪的反覆篩選來完成“自我說服”。所以我們才會經常經歷那種典型的時刻：“比了一圈還是第一個好”。這不是因為人類算力不夠，而是因為消費本身並不是求最優解，更關鍵的是偏好、身份認同、情緒滿足等等。從這個角度看，AI可以強化推薦、縮短搜尋路徑、提升轉化率，但它很難徹底替代人類在消費中的主動收集資訊、主觀自我說服的過程，滿足後者的仍然是演算法推薦。甚至於，AI推薦可能被平台演算法廣告、投流機制明顯影響。那麼，平台與品牌的護城河並不會消失，只會換一種技術形式繼續存在。第五，財政不是旁觀者，財政收入能夠從AI浪潮中大幅獲益，而人類的分配製度也能靈活調整，至少保證總需求不崩塌。一個宏觀常識是，財政收入並不只來自勞動所得稅。隨著生產率提升和產業利潤集中，資本利得、企業利潤、商業流轉所形成的稅基完全可能擴張。只要名義經濟活動仍在，財政就很難“分不到一杯羹”，這提供了二次分配最重要的資源。而一旦分配矛盾上升為政治問題，現代國家幾乎不可能毫無反應。回顧歷史，不平等的擴大確實常常壓制增長質量，製造社會撕裂，但它幾乎從未以“總需求崩塌”的方式結束。更常見的路徑是：在壓力上升過程中，政治系統逐步（甚至被迫）啟動兜底機制——轉移支付、再分配、產業補貼、監管干預、勞工保護、稅制調整。儘管這未必意味著不平等程度會徹底扭轉，但至少意味著宏觀兜底：總需求不崩塌是全社會的共同利益。尤其是在強大的現代國家面前，我們或許見到的，更多是“潰而不崩”的停滯狀態。所以，與其沉浸在“2028末日倒計時”式的想像裡，我更想保留幾條樸素但重要的經驗判斷：零碎的微觀證據不能替代宏觀結論：我們見到很多微觀的故事在發生，比如某些企業被AI明顯賦能，某些企業在激進地裁員，但宏觀不是微觀的簡單疊加，關鍵是AI衝擊能否穿透制度與組織層層緩衝，最終演化為系統性塌縮”。到目前為止，這個證據仍然很弱：AI已經比2023年進步了相當多，但對勞動力市場的整體壓力仍然有限。那麼向未來看，我們是會見證一個奇點、從此往後衝擊突然放大，還是見證波瀾不驚的延續？我傾向於是後者。技術的末日論普遍來自於對人文缺乏信仰：技術精英很喜歡“末日論”，但實際上技術精英只是人類社會的一員，他們也需要和商業、金融、政治以及廣泛的消費者進行複雜的互動，這會控制技術的路徑、也抑制技術的副作用。相信人類文明的複雜性提供了充足的反饋機制和韌性：人類迄今的政治、法律、組織制度顯然不是吹彈可破的紙上文章，而是在複雜博弈下形成的歷史結果，其中固然有許多弊病，但仍然蘊含著相當的彈性：既劃定了邊界，又扮演了阻尼，也會基於既有的問題做出靈活的修正。我相信這些制度保證了人類文明的最終安全（儘管避免不了中間的衝突）。人的一切發明都服務於人，每一輪技術革命都帶來了人類的巨大發展，而不是消滅人類。如果要預期技術最終失控、人類社會最終被自己的發明所消滅，我覺得這個問題就無需辯論，這是最根本的大是大非都搞錯了。誠然，比起技術，制度、法律、組織、政治、文化都是慢變數，但正是後者決定了現實世界的將如何吸收技術衝擊，這也導致末日敘事經常在技術層面看似正確、在史實上卻反覆落空。所以，若你要問AI還會留給人類多少時間？我個人的答案是：比你想像得長。至少，足夠讓企業、制度和社會在衝突中適應，足夠讓分配機制在壓力下被迫調整，也足夠讓個體重新適應新技術的環境。我知道，每天睜開眼睛，就看到很多技術精英在鼓吹著超級個體、一人公司等等名詞，希望能夠借此甩下大部分人。但歷史的現實總是：技術進步不是零和博弈，它會將小部分人推向神壇，但最終也讓大部分人從中獲益。市場敘事只是敘事而已。當它退潮時，你自然會發現它的荒謬之處。要保持觀察和思考，但不必過度焦慮。 (虎嗅APP)

【新智元導讀】隨著AI即將抵達自我進化的AGI奇點和Agent氾濫的「AI繁榮」，一場更徹底的經濟危機已經在迅速醞釀中：AI能力提升 → 裁員增加、工資降級 → 消費疲弱 → 企業利潤被擠壓 → 企業購買更多AI能力 → AI能力繼續提升。所有平台層將被Agent徹底擊穿，而房貸和私募基金將成為危機的加速器。就在這兩天，由 CitriniResearch 執筆的文章《2028年全球智能危機》在美國投資者間引發病毒式傳播，閱讀一夜間已迅速達到千萬級！這篇文章通過推演，構想了兩年後Agent大規模普及，對人類社會與經濟結構的劇烈衝擊：在2028年，儘管人工智慧帶來的生產力提升超出預期，但由於其徹底顛覆了傳統白領就業市場，最終引發了「經濟瘟疫」。企業利潤與算力霸權大幅擴張，但普通家庭收入急劇收縮，導致核心消費動力衰竭，形成了僅有數字繁榮而缺乏廣泛收益的「幽靈GDP」。同時，隨著SaaS服務、中介行業及傳統金融支付模式因「交易摩擦消失」而面臨結構性崩塌，風險經由私募信貸市場蔓延至人壽保險與住房按揭領域，最終可能將全球經濟拖入系統性重定價的深淵。文章的核心邏輯鏈條是：第一輪負反饋發生在實體經濟：AI能力提升 → 裁員增加、工資降級 → 消費疲弱 → 企業利潤被擠壓 → 企業購買更多AI能力 → AI能力繼續提升。隨後它進入金融層面：收入降低開始侵蝕房貸 → 銀行損失、收緊信貸 → 財富效應破裂 → 反饋回路加速。而這兩條回路又被遲緩的政策響應進一步放大。市場對此推演迅速作出反應。截至昨日收盤，文中點名的多家上市公司股價普遍下跌。原文很長（https://www.citriniresearch.com/p/2028gic），以下是我們根據原文進行的凝練式改寫，儘可能在紛雜的文字中提取並顯露出其中的邏輯鏈條，同時儘量減少關鍵資訊的損失。接下來進入正文部分。Welcome to Cyberpunk 2028.智能過剩的後果2028年6月的一份宏觀備忘錄把「AI繁榮」翻譯成了另一種更接近真相的語言。美國失業率當日昇至10.2%，高出預期0.3個百分點；標普500自2026年10月高點回撤38%。更令人不安的並非資料本身，而是市場的反應方式：交易員幾乎沒有情緒波動，彷彿半年前足以觸發熔斷的衝擊，如今只剩一聲悶響。兩年前（2026年），華爾街還沉浸在另一幅圖景裡。2026年10月，標普一度逼近8000點，納指突破3萬點。第一波白領裁員在2026年初出現，邏輯看起來無可挑剔：人力成本下降，利潤率擴張，財報超預期，股價上行。企業利潤又被迅速回流到算力採購，形成一條看似正向的增長鏈。宏觀「抬頭資料」也配合表演。名義GDP多次報出中高個位數年化增速，生產率飆升，每小時真實產出增速被形容為「自上世紀50年代以來未見」。Agent不休息、不請假、也不需要醫保，人類勞動的單位成本在財務模型裡被一筆勾銷。算力的所有者財富暴漲，勞動者的實際工資增長卻斷崖式下滑。隨後，「幽靈GDP」成為流行語：產出寫進國民帳戶，卻不再穿過居民部門回到真實消費。經濟的癥結因此暴露得直白而殘酷。一座美國北達科他州的GPU叢集可以替代曼哈頓中城一萬名白領的產出，卻不會在周末買車、裝修、度假，也不會在餐廳點一杯酒。貨幣流通速度在這場效率革命中趨於停滯，以人為核心、曾佔GDP約7成的消費經濟開始枯萎。產出仍在，循環斷了。反身性回路，從軟體開始故事的起點往往不在宏觀，而在採購部門。2025年末，Agentic程式設計工具能力出現躍遷式進步，一個熟練開發者借助新工具，數周內就能復刻中端SaaS產品的核心功能。它未必完美，卻足以讓審閱50萬美元年續費合同的CIO問出那句致命問題：要不要自己做。企業年度預算多在2025年四季度鎖定，那時「Agentic AI」仍是熱詞。到了2026年年中復盤，採購團隊第一次用「看得見的能力」談判。有人甚至把OpenAI等公司的駐場工程師當作籌碼，逼供應商讓價，續約能拿到三折的折扣已被視為「體面結局」。長尾SaaS先倒下，市場原本以為系統底座足夠安全，直到2026年第三季度的ServiceNow給出警訊：新增合同額增速從23%放緩至14%，同時宣佈裁員15%，股價單日下跌18%。SaaS並未立刻死亡，自建仍有維護成本；變化發生在「自建成為可選項」，它進入了定價談判，也把差異化本身打成了消耗品。AI讓功能迭代變快，競爭變成價格戰；新玩家沒有歷史成本，搶份額更狠。更陰冷的一層在於「席位經濟」的機械性：客戶裁掉15%員工，就會取消15%許可證。AI幫客戶壓降人力支出，同時也在拆掉供應商的收入底座。傳統顛覆敘事裡，巨頭會抗拒新技術，緩慢敗退；2026年的巨頭幾乎沒有資格抗拒。股價下跌四到六成，董事會逼問答案，唯一能做的是裁員，把省下的錢投向AI，用更少的人維持產出。個體選擇都合理，合起來卻像把燃料潑向火場：每省下一美元人力，都會轉化為下一輪裁員可用的智能能力。軟體只是開場，反身性回路很快溢出到所有以白領成本為核心的行業。摩擦歸零，中介層塌方到2027年初，大模型使用變成默認設定，很多人甚至說不清「Agent」是什麼，卻在手機裡無感地讓它替自己做決策。開源Agent購物助手的出現更像一個導火索，幾周內主流助手紛紛接入Agentic電商。模型蒸餾讓Agent能在手機與電腦本地運行，推理成本下探到足以被忽略的水平。Agent們不再等待人類提問，而是按偏好在後台持續最佳化消費路徑。到2027年3月，美國「中位數個體」日均消耗40萬tokens，較2026年底增長十倍。隨後被拆解的是中介。過去半個世紀，許多商業帝國建立在人的侷限上：沒時間比價、懶得取消訂閱、默認續費、嫌麻煩就接受更差的價格。Agent把這一層「租金抽取」翻譯成演算法問題。被閒置數月仍自動續費的會員，被Agent視為可談判的「人質條款」；訂閱經濟賴以成立的LTV（使用者的生命周期價值）開始明顯下滑。旅行預訂平台率先受挫，因為場景最標準化。Agent可以更快更便宜地拼出完整行程，並把積分、預算、退款條件一起算進去。保險續保同樣遭到重寫，依靠投保人惰性賺取的15%到20%保費空間被每年自動比價的Agent拆掉。理財建議、報稅、常規法律服務等「替你穿越你嫌麻煩的複雜性」的行業，也在Agent眼裡失去了壁壘。就連以「關係」為護城河的房地產也開始鬆動。擁有MLS資料與多年成交記錄的Agent複製知識體系幾乎不費力，主要城市買方佣金從2.5%到3%壓縮到1%以下，越來越多交易在買方側不再需要人類經紀人。很多被稱作「關係」的東西，顯露出本質是一張張人的笑臉包裝起來的「交流摩擦」。「習慣性中介」也在此刻失去意義。DoorDash成為典型樣本，程式設計Agent把做配送App的門檻打穿，數十個競品湧現，以90%到95%的配送費讓利吸走騎手；多平台接單工具又把鎖定效應抹平。Agent一旦掌控交易入口，就會在不同平台與餐廳自營網站之間無差別比價，所謂「主屏上的默認App」對機器毫無作用，市場在一夜之間碎片化，利潤率幾近歸零。當交易由Agent驅動，下一顆被瞄準的釘子是手續費。機器對機器的支付裡，信用卡2%到3%的交換費率顯得過於刺眼。Agent開始偏向更快更便宜的結算路徑，穩定幣在Solana或以太坊二層網路上的近乎即時結算與極低手續費，成為自然選擇。2027年一季度，萬事達披露淨營收仍增6%，但交易量增速從上季5.9%放緩至3.4%，並點名「Agent驅動的價格最佳化」和「可選消費承壓」，股價次日下跌9%。依賴交換費與積分體系的發卡行與單一發行機構承壓更甚，美國運通同時遭遇白領客戶基礎縮水與手續費繞行的雙重擠壓。摩擦從資產負債表上消失時，很多護城河也隨之蒸發。白領失業的滯後衝擊把風險推向系統市場曾把這一切當作類股輪動。軟體與諮詢倒下，支付與「收費站」搖晃，宏觀似乎還能撐住。問題在於，美國是一座白領服務經濟體。白領約佔就業一半，驅動了約四分之三的可選消費。AI吞噬的並非邊角料，它直接啃向了消費信貸經濟的發動機。2026年10月的JOLTS資料曾給出警報，職位空缺跌破550萬，同比下降15%。招聘平台也顯示軟體、金融、諮詢崗位發佈量急跌。債市更早聞到寒意，10年期收益率從4.3%下行到3.2%。不過，失業率 headline 沒有立刻爆表，因為大量被替代者「降檔求生」，湧入服務業與零工經濟，工資被進一步壓平，硬資料因此滯後。滯後讓衝擊更深。高收入群體用儲蓄維持表面正常兩三個季度，行為拐點到來後消費驟降。美國前10%收入群體貢獻超過一半消費，前20%貢獻約65%。白領就業下降2%，就可能拖出3%到4%的可選消費下滑。到2027年二季度，美國進入衰退。第三季度，初請失業金人數飆升至48.7萬，為2020年4月以來最高，申領者多為白領專業人士，標普隨後一周再跌6%。這場衰退缺少傳統周期的自癒機制。企業把人力預算取代為AI預算，屬於營運開支內部的結構遷移，經濟總開支下降時，AI投入仍在倍增。需求下滑沒有顯著減慢智能供給的擴張速度，回路繼續滾動。私募信貸與房貸，成了加速器金融端的第一道裂縫出現在私募信貸。它從2015年的不足1兆美元膨脹到2026年的2.5兆美元以上，大量資金押注SaaS等資產的「經常性收入永續增長」。這些假設早在2026年軟體業震盪時就已破產，估值卻慢慢下調，公開市場可比已到50，私募帳面仍從100、92、85緩慢挪動。2027年4月，穆迪下調14家發行人合計180億美元的PE支援軟體債務評級，理由直指AI帶來的結構性收入逆風。違約在2027年三季度蔓延，Zendesk成為標誌性事件，50億美元直貸被標到58美分，市場開始追問還有那些「結構性逆風被包裝成周期波動」。「私募信貸有永久資本」曾被反覆用來安撫。現實更複雜。大型另類資管過去十年通過收購壽險公司，把年金存款變成融資機器，資金再回流到自己發起的私募信貸，保險端吃利差、資管端收管理費。前提是，資產必須足夠安全。當違約疊加監管收緊，保險監管部門開始調整風險資本計提，逼迫增資或賣資產；穆迪將Athene財務實力展望調為負面後，Apollo兩天跌去22%。更棘手的是離岸再保險與SPV架構的層層巢狀，損失究竟落到那張資產負債表，短期內很難說清。2027年11月的市場暴跌把風險從「可控回撤」推向「系統性疑雲」，聯準會內部把它描述為一串押注在白領生產率增長上的相關賭局。金融危機往往不是因為虧損發生，而是因為虧損被承認，帳本被迫寫實。更大的問題指向房貸。美國住宅按揭規模約13兆美元，承銷建立在「借款人會在貸款期內維持大致當前收入水平」的假設上，多數房貸期限長達30年。2028年6月，Zillow房價指數顯示舊金山同比下跌11%，西雅圖下跌9%，奧斯汀下跌8%；房利美提示科技與金融就業佔比超過40%的郵編區域出現較高早期逾期。相關借款人並非次級，信用分780以上、首付20%、收入核驗齊全。2008年的貸款從第一天起就壞了，2028年的貸款從第一天起是好的，只是世界在簽字後變了，人們借債時押注的未來開始變得不敢相信。更早的壓力在2027年就已浮現，房屋淨值貸款提用、養老金提前支取、信用卡負債上升，按揭卻仍按時支付。許多家庭能還款，代價是切掉可選消費、耗盡儲蓄、推遲維修。逾期率還未接近2008年的高度，發展軌跡卻足以令人不安。若房貸市場在下半年出現系統性裂痕，股票市場的回撤可能逼近全球金融危機時期的57%，標普或回到3500點附近。政策跟不上時間成了最無情的對手政府同樣被迫面對一套舊制度無法解釋的新現實。聯邦財政的收入基礎近似對「人類時間」徵稅，薪資稅與所得稅是支柱。到2028年一季度，聯邦收入比預算辦公室基線預測低12%。生產率飆升帶來的收益流向資本與算力，勞動收入佔GDP的比重在四年內從2024年的56%進一步下滑到46%，創紀錄式下墜。產出沒有消失，卻越來越少經過家庭部門再回到企業與稅務體系，經濟循環的閉環開始斷裂；支出卻在上升。自動穩定器為周期性失業設計，面對結構性替代顯得笨拙。政府需要在稅收減少的同時向家庭轉移更多資金，圍繞市政債、財政救助與算力稅的政治爭吵迅速沿黨派分裂。政策討論中出現了「轉型經濟法案」，計畫用赤字支出與推理算力稅為被替代者提供直接轉移；更激進的「共享AI繁榮法案」試圖讓公眾對智能基礎設施回報擁有某種索取權，以分紅形式反哺家庭。與此同時，反對聲浪高漲，「佔領矽谷」示威者曾連續三周封鎖Anthropic與OpenAI舊金山辦公室入口，媒體關注度一度超過失業資料本身。這場危機最核心的變數始終是速度。AI能力進化按季度加速，制度適應按議程表推進。公眾需要的是對未來的信心，政策提供的卻常常是對立與遲疑。回頭看，「全球智能危機」更像對一個長期被忽視的假設做了壓力測試：當智能從稀缺變成充沛，社會與金融體系會如何重估人的價值，如何重建消費與稅基，如何讓產出重新回到循環裡。重定價帶來劇痛，卻未必意味著崩塌，新的均衡仍可能出現，難點在於人類能否在時間面前學會更快地協商與重寫規則。 (新智元)

過去幾年，市場對 AI 的看法其實挺一致：AI 來了，效率上去，成本下來，利潤變多，股價自然就漲。這個邏輯幾乎沒什麼爭議。但到了 2026 年，情緒變了。頭部 SaaS 公司增速放緩，軟體類股集體承壓。市場開始意識到：AI 越強，可能意味著現有的商業壁壘會越快崩塌。Citrini 這份報告《2028全球智能危機》（THE 2028 GLOBAL INTELLIGENCE CRISIS）正是為了回應這種焦慮。報告聯合作者 Alap Shah 在採訪中強調，他們不是在預測未來，而是基於長期模型做了一次壓力測試：如果 AI 真的像大家期待的那樣持續變強，那些商業邏輯會最先行不通？那些行業會最先被波及？這份報告，就是拆解市場到底在怕什麼。第一節｜白領收入下滑，消費在萎縮危機從那裡開始？市場最怕的是什麼？Shah 在採訪中談得最多的，不是模型參數或技術突破，而是白領的工資在下滑和崗位在減少，而且幅度驚人。美國 IT 行業的就業人數，從 2022 年高點到 2026 年初，累計下降了 8%。這是過去十年都沒出現過的跌幅。這個行業，正是 AI 滲透最快的地方。Shah 直接指出：一個行業越容易把工作交給 AI，崗位減少就越明顯。而最容易被替代的，正是白領工作。資訊處理、資料分析、流程審批，這些過去需要高學歷、高收入人群完成的工作，現在 AI 都能做。白領崗位的減少為什麼重要？因為這群人是消費的主力。根據美國勞工部和公開財報最新資料，收入排在前 20%的群體，貢獻了全美約 65% 的消費支出。餐飲、旅遊、訂閱服務、家裝、電商，幾乎所有可選消費，都靠這群人在買單。在這個情景推演中，白領的收入一旦出問題，整條消費鏈的現金流就跟著出問題。報告推演了一個具體場景：5% 的白領失業，帶來的消費下跌可能遠超 5%。一個年薪 15 萬美元的產品經理失業後，不太可能直接退出勞動力市場。更可能的情況是，他會轉向零工經濟，開網約車、送外賣、接臨時項目。收入從 15 萬跌到 4 萬，降了 70% 以上。這意味著什麼？房貸、車貸、信用卡帳單可能都還不上。他除了停止消費，還要開始處理債務。這對消費的打擊，遠超失業人數本身。問題還不止於此。白領下沉到零工市場後，會增加這些崗位的勞動力供給，壓低原本在這些崗位工作的人的收入。供給增加，價格下跌，這是基本的市場規律。藍領工資被壓低，消費能力進一步收縮。一層壓一層，影響範圍會超出最初的失業群體。這和以往的技術變革完全不同。過去的新技術，比如電腦、網際網路，是幫人提高效率。一個會計用上 Excel，效率提升 10 倍，但他還是要理解業務、做判斷、和客戶溝通。工具變了，人的角色還在。但 AI 不一樣。它直接接管整個工作流程。客服系統可以完全不需要人工客服，文案、營運支援、項目匯報，這些曾經需要大量人力完成的任務，現在可以被 AI 全盤接管。Citrini 報告裡有個簡單的邏輯：如果你的工作主要靠電腦完成，AI 就能替代你。因為 AI 提升的正是電腦能做的事，電腦能做的越多，需要人做的就越少。市場擔心的，就是消費萎縮會比失業資料更早到來。在報告的推演中，那些還沒失業、但感受到裁員壓力的人，會主動削減開支、增加儲蓄。消費收縮的速度，快於失業資料的更新速度。這也是為什麼報告發佈後，資本市場會出現劇烈反應。投資者在重新評估一個可能性：AI 帶來的收入下行，會從局部行業擴散成整體經濟的結構性問題嗎？這是市場最先開始擔心的事：AI 提效的同時，白領收入正在以超出預想的幅度減少。第二節｜資訊差消失，中間環節在崩塌白領收入下行之後，消費開始收縮，企業的營收壓力隨之而來。但市場擔心的第二件事，觸及更本質的問題：很多看起來穩固的商業模式，其實建立在正在快速消失的“摩擦”上。什麼是摩擦？使用者懶得換 App，懶得比價，懶得算清楚到底那個更便宜，反正差不多就行。這種消費習慣，撐起了過去二十年裡很多公司的收入模型。報告認為，AI 智能體正在打破這一切。正如 Shah 在採訪中指出的：“AI 代替使用者做決策時，它不會有習慣，也不會嫌麻煩。它每次都會選最便宜、最快的那個選項。這個變化帶來的衝擊，遠比表面看起來嚴重。”那些依賴抽成、廣告競價、搜尋排序、會員鎖定的商業設計，在 AI 面前會直接失效。比如某外賣平台，過去能從每筆訂單裡抽走 15% 的佣金。這筆錢，一部分來自使用者的惰性（懶得打開五個 App 比價），另一部分來自商家的無奈（因為流量被平台壟斷）。當 AI 智能體代替使用者下單時，情況變了。它會以毫秒級的速度同時查詢 DoorDash、Uber Eats、餐廳官網以及二十個新冒出來的小平台，然後永遠選擇收費最低、配送最快的那一個。平台的抽成可能瞬間從 15% 被壓到 7%。使用者不再被鎖定在某個App裡，不僅平台喪失了議價權，更關鍵的是，新競爭者的門檻也在急劇降低。Shah 提到，一些創業團隊用 AI 程式設計工具，幾周就能做出一個功能完整的外賣或預訂 App。過去需要 200 人團隊、18 個月才能上線的東西，現在可能是 3 個人和一個月。DoorDash 過去的護城河，建立在三件同樣困難的事情上：拿下騎手、拿下餐廳、拿下使用者。現在 Gemini 和 ChatGPT 替你把使用者獲取解決了，創業者只需要搞定供應端就行。進入門檻直接降了一半。在這個情景推演中，新平台開始大量湧現。十幾個新對手冒出來，都以更低的抽成搶份額。DoorDash 原本拿走的那 15%，一部分被新平台拿走，一部分流回到消費者和騎手手裡。外賣如此，其他靠資訊差賺錢的行業也一樣。報告認為，支付行業正在被穩定幣衝擊。AI 智能體發現，通過 Solana 或以太坊 Layer 2 網路結算，每筆交易只需要幾美分，遠低於信用卡 2% 到 3% 的交換費。於是它開始繞開傳統支付網路。保險續約的玩法也會改變。那些靠投保人懶得比價、每年自動續費賺取的 15% 到 20% 溢價，會被 AI 智能體每年重新比價一遍，自動切換到更便宜的保險公司。旅遊預訂、酒店比價、理財顧問，只要是靠幫使用者省麻煩、賺資訊差的生意，都在面臨同樣的壓力。這些行業的共同特點是：它們的護城河，都建在使用者的摩擦成本上。但 AI 把摩擦成本降到了接近於零。投資者開始緊張的原因在於，消費者可能暫時還感覺不到變化，但企業的利潤模型已經在承壓。當所有價格都被 AI 推向透明時，企業會突然意識到，過去賺的那部分錢，來源是資訊差，產品能力的貢獻很有限。報告發佈後，外賣、支付、廣告、訂閱類公司的股價普遍下跌，背後的邏輯就在這裡：那些建在使用者習慣和資訊差上的收入，可能會比預想的更快消失。依靠流量壁壘、使用者鎖定、習慣養成的打法，會越來越行不通。AI 不會因為品牌大就多付錢，它只看那個選項在當下最優。但很多公司的估值，還是按照這些摩擦會一直存在來計算的。第三節｜企業降本，需求在萎縮商業摩擦消失後，企業的營收增速開始放緩。通常情況下，公司會做兩件事來應對：降本、提效。但報告的推演顯示，降本提效反而加速了問題惡化。報告設想了這樣一個場景：ServiceNow。這家全球 SaaS 公司在 2026 年三季度財報中宣佈，年度合同額增速從 23% 降到 14%，同時裁員 15%。股價當日暴跌 18%。表面上看，這是標準的成本最佳化。營收增速放緩，公司削減開支保護利潤率，這在任何經濟周期裡都很常見。但 Shah 看到的是：這些人被裁掉，是因為 AI 已經能接管他們相當一部分的工作。公司裁員後省下來的錢，去了那裡？過去可能是分紅、回購、或者投資新業務。按照報告的邏輯，這筆錢的主要去向會是 AI 工具和算力。企業面對競爭壓力越大，就越會把省下來的錢投到 AI 上。這形成了一個不斷加速的循環：AI 幫企業提效，企業壓縮崗位省下成本，把成本投入更多 AI 能力，AI 能力提升後進一步替代崗位，企業繼續壓縮人員。每一家企業都覺得自己在做正確的事。營收增速在下滑，成本壓力在上升，用 AI 降本是理性選擇。但當所有企業都這樣做時，整體結果就會出問題。企業省下的成本，原本是要發給員工的工資。工資減少，消費就會減少。消費減少，企業的營收壓力會進一步加大。營收壓力加大，企業會更依賴 AI 來削減成本。這個循環一旦啟動，就停不下來。ServiceNow 的案例讓市場警覺，是因為它揭示了一個致命矛盾：它賣的是按席位收費的企業軟體。當客戶公司裁員 15%，他們就會註銷掉 15% 的席位授權。那些幫客戶提升效率、推動客戶裁員的 AI 工具，正在摧毀自己的收入基礎。這家賣“流程自動化”的公司，正在被更強的“流程自動化”顛覆。它的應對方式是裁員、降本、把省下的錢投入 AI。它別無選擇，坐等被淘汰顯然不是選項。單個企業的絕對理性，最終匯聚成了整個經濟體的非理性結果更隱蔽的變化發生在招聘市場。按照報告的推演，到 2026 年 10 月，JOLTS 資料顯示職位空缺已降至 550 萬以下，同比下降 15%。下降最明顯的是軟體、金融、諮詢這些白領崗位。報告認為，很多企業正在採用一種更隱蔽的模式：崗位凍結，但不裁人。 業務還在增長，但新增的任務全交給 AI，不再招任何新人。這種做法看似溫和，實則影響深遠。裁員會立刻反映在失業率裡引發政策干預，但“崗位凍結”不會。它像溫水煮青蛙一樣，讓勞動力市場慢慢失去造血能力。在這個推演情景中，新增崗位減少意味著對未來收入增長的預期降低了。應屆畢業生找不到工作，在職員工看不到晉陞機會，消費意願會提前收縮。即便是那些當下財務狀況良好的公司，股價也會下跌。原因很簡單：如果所有企業都在用 AI 替代人工來保護利潤率，那麼三年後，誰來買他們的產品？企業沒有其他選擇。面對營收壓力時，唯一的應對方式就是繼續降本，而降本的最有效手段就是用 AI 替代人工。每一輪最佳化，都在削弱下一輪的消費能力。市場擔心的第三件事是：企業的自救行為，正在演變成一場集體的自我傷害。第四節｜政策工具失靈，時間差在拉大企業自救形成負循環後，按理說政府應該介入。經濟下行時，聯準會降息、財政刺激、擴大就業，這套組合拳過去總能托住局面。但報告的推演顯示，傳統的經濟工具對 AI 造成的壓力可能不管用。降息能讓企業拿到更便宜的資金，但企業會怎麼用這些錢？他們會買更多 AI 算力，而不是招更多人。AI 替代崗位的根本原因，是 AI 比人工便宜，跟貸款利率關係不大。所以，Shah 認為：白領崗位減少這件事，貨幣政策很難改變。那財政政策呢？這裡的問題更複雜。現代國家的財政收入，主要建立在對人類勞動的徵稅上。個人所得稅、工資稅、社保繳費，這些構成了政府收入的主體。你掙得越多，交的稅越多；企業雇的人越多，繳納的社保醫保就越多。但 AI 替代的，正是工資高、納稅多的那群人。如果大量白領收入從年薪 15 萬跌到 4 萬，或者直接失業，帶來的不只是消費萎縮。政府的稅收收入會同步下降，失業救濟、醫療補助、社會福利的支出會上升。按照報告的推演，在 2028 年的情景中，勞動力在 GDP 中的佔比會從 2024 年的 56% 跌到 46%。這意味著四年內下跌 10 個百分點，而從 1974 年到 2024 年的五十年間，這個數字也只下降了 8 個百分點。產出還在增長，但收益流向了資本和算力，不再流向勞動力。錢不再經由家庭流回企業，也不再經過稅務系統。這就是財政困境：政府需要在稅收減少的時候，向家庭轉移更多的錢。Citrini 在報告中提出，可能需要對 AI 帶來的新增收益徵稅。但具體怎麼征？這是個棘手的問題：是對算力徵稅？是對 AI 模型的使用徵稅？還是對那些用 AI 大規模替代人工的企業徵稅？報告設想了一些可能的政策方案。比如“經濟轉型法案”，通過AI算力稅為失業人員提供直接轉移支付。還有更激進的“AI共享繁榮法案”，對AI基礎設施的收益建立公共主張，類似主權財富基金的模式，以分紅形式資助家庭。但這些方案目前都還在討論階段，而且分歧很大。有人擔心對算力徵稅會影響技術競爭力，有人擔心這會被大公司操控，還有人指向財政赤字問題。爭論還在繼續，但經濟結構的變化不會等政策討論結束。與此同時，AI 的收益正在快速向少數人集中。報告指出，贏家集中在幾個領域：：半導體、能源、資料中心、算力基礎設施。這些行業的利潤和估值在快速膨脹，OpenAI、Anthropic 等 AI 公司的創始人和早期投資者，幾年內積累的財富超過傳統行業幾十年。與之對應的，白領崗位在萎縮，服務業在承壓，中介行業收入在下降。當經濟增長過度集中在少數行業和少數人手裡時，社會的不平等會加速擴大，進一步壓縮需求。在這個推演情景中，公眾對 AI 公司的不滿情緒正在上升。但這不會讓 AI 公司放慢腳步。模型公司有動力往前衝，同時會刻意迴避經濟後果的討論。模型必須迭代，工具必須上線，競爭絕不能輸。主動探討負面影響，會損害他們的聲譽和融資能力。那麼，問題在於：誰來討論？誰來制定規則？誰來決定如何分配 AI 帶來的收益？現實是，制定規則的機構，反應速度遠遠跟不上技術迭代的節奏。政策討論以月和年為單位，AI 能力的提升以周為單位。這就形成了一個危險的時間差：當一邊在加速，一邊在延遲時，風險會持續累積。這是市場擔心的第四件事：政策以年計，AI 以周進，經濟等不起。結語｜舊邏輯還能撐多久按照 Citrini 與 Alap Shah 的分析，當前社會中的很多行業建立在三個假設上：白領收入會持續增長，摩擦成本會長期存在，企業降本不會影響整體需求。如果這個推演成真，AI 將逐一擊穿這些假設。依賴白領消費的行業，天花板會下移。靠資訊差賺錢的模式，議價權會消失。企業的降本提效，會匯聚成整體的需求萎縮。傳統的政策工具，對這種結構性變化效果有限。市場現在怕的，是那些支撐了過去二三十年增長的商業邏輯，還能撐多久。這不只是一次壓力測試，更是一次對未來的預演。 (AI 深度研究員)

“我們可能真的會進入一個B2B SaaS的黃金時代！”“接近100%的程式碼最初都是由AI生成的。”“我們活在‘矽谷泡泡’裡。”春節前夕，OpenAI API和開發者平台工程負責人Sherwin Wu與知名播客主持人Lenny進行了一期播客錄製。API作為OpenAI的第一個產品，也是幾乎所有AI創業公司都在整合的產品，可以說給了Sherwin一個極其獨特且宏觀的視角。整個行業正在發生什麼，它又將走向何方？Sherwin提到一個被市場嚴重低估的現象——“一人獨角獸”，Sam最早提出的概念。當AI把個人生產力放大十倍、百倍，理論上，一個人真的可以建構一家十億美元公司。也許會有一個十億美元公司，但可能會有上百個一億美元公司，成千上萬個一千萬美元公司。對個人來說，一家一千萬美元的公司已經足夠實現財務自由。更為重要的是接下來的二階和三階市場變化。這也是很少人會公開提及的部分。Sherwin認為，未來業界會進入B2B SaaS和軟體創業的黃金時代。圍繞這些“一人公司”，可能會出現上百家小公司建構高度定製的軟體，以專門專門服務這些高槓桿個體。“隨著軟體開發和營運公司的成本不斷下降，你會看到越來越多公司出現。”即：AI並不是消滅軟體，而是把軟體需求打碎成無數更細、更垂直的場景。過去，一個中型企業可能只買幾套通用SaaS；未來，一個高槓桿個體，可能會購買十幾種高度定製的AI工作流工具。那麼三階效應會怎樣呢？Sherwin給出了一個非常有意思的假設：如果世界變成大量微型公司為一兩個人服務的形態，創業生態和VC生態都會改變。也許只剩下少數大型平台型公司支撐這些微型企業。而那種能帶來100倍、1000倍回報的風險投資項目可能反而減少，因為更多公司會停留在1000萬到5000萬美元規模。此外，Sherwin還給出了一個捅破泡沫的言論：大多數AI部署都是負回報的！世界上大多數人，包括美國大多數人其實並不懂得如何真正部署和“壓榨”AI的價值。“矽谷是泡泡，X是泡泡，軟體工程也是泡泡。他們本身不是軟體工程師，也不密切關注每一次模型發佈。他們對如何使用這項技術並不熟悉。”那麼在OpenAI內部是如何運用AI的呢？他透露到，OpenAI內部有一個團隊正在做實驗，嘗試維護一個100%由Codex編寫的程式碼庫。不同之處在於，當Agent運行不順時，維護團隊並不會“擼起袖子自己敲程式碼”，而是始終讓AI自己編寫。而最重要的一個發現就是：當Agent沒有按你期望工作，通常是“上下文問題”。要麼你描述不夠充分，要麼它缺乏必要資訊。解決方法往往不是自己重寫，而是補充文件、加入程式碼註釋、改進程式碼結構，或者在倉庫中增加MD檔案等資源，把你腦海裡的“部落知識”顯式化，讓模型能讀到。Sherwin另一個有意思的判斷是：模型會把“腳手架”、“Agent框架”當早餐吃掉。“這個領域和模型本身變化太快了，它們往往會自我顛覆，模型會把你搭的腳手架當早餐吃掉。但隨著模型變強，更好的方法反而是去掉大量邏輯，直接信任模型，只給它搜尋工具——甚至只是普通檔案系統。“向量資料庫仍然有價值，但圍繞它建構的整個生態和複雜腳手架，重要性已經下降。隨著模型進步，你可能需要重構抽象層和工具框架。”總之，AI這個領域既令人興奮，也令人抓狂——因為目標是移動的。所以，Sherwin給出的建議是：一定不要過度聽取客戶意見，而是要面向未來1～2年的模型趨勢而建構。對於未來18個月，他還給出了兩個方向：長時程Agent和原生音訊模型。此外，播客中還有不少趣料，比如他認為軟體工程會朝著“外科醫生”發展，再比如業務流程自動化被矽谷低估了，等等。這裡不再一一贅述。以下是小編為大家梳理的精彩觀點。小編給大佬們拜年啦！95%工程師都在用Codex，幾乎100%程式碼最初都是AI生成主持人： Sherwin，非常感謝你來到節目。Sherwin Wu： 謝謝邀請。主持人： 我想從一個可以視為AI進展“晴雨表”的問題開始，尤其是在工程領域。現在你——如果你還寫程式碼的話——以及你團隊的程式碼，有多少比例是由AI編寫的？Sherwin Wu： 我現在偶爾還寫程式碼。對像我這樣的管理者來說，使用這些AI工具其實比手寫程式碼容易得多。我和OpenAI的幾位工程經理，目前所有程式碼基本都由Codex編寫。更廣泛來看，內部有一種明顯的能量場，大家都能感受到這些工具進步有多大，Codex對我們來說已經變得多麼好用。很難精確衡量程式碼比例，因為幾乎可以說接近100%的程式碼最初都是由AI生成的。我們真正追蹤的是使用情況：目前絕大多數工程師每天都在用Codex——95%的工程師在用；100%的PR每天都由Codex稽核。也就是說，任何進入生產環境的程式碼都會經過Codex“過目”，它會提出改進建議。對我們來說最令人興奮的，其實是這種能量感。另一個觀察是：用Codex更多的工程師，提交的PR數量高出70%，而且這個差距還在擴大。他們越來越熟練，效率越來越高。主持人： 所以確認一下，你是說那95%的工程師，他們的程式碼都是AI寫的，然後由他們稽核？Sherwin Wu： 是的。主持人： 這聽起來已經幾乎不再“瘋狂”了，我們都開始習慣。Sherwin Wu： 還是需要適應的。也有工程師對Codex的信任度稍低。但我幾乎每天都會聽到有人驚嘆它能完成什麼，他們對模型自主能力的信任在不斷提高。Kevin Whale（小編註：OpenAI首席產品官）常說：“這是模型此生最差的時刻。”這同樣適用於軟體工程。模型只會越來越好，人們的信任也會不斷增強。主持人： Kevin也在節目裡說過這句話。還有Peter——OpenClaw的開發者——他說自己用Codex時，幾乎相信它可以直接提交到主分支。Sherwin Wu：他是個很好的使用者，也給我們很多反饋。OpenClaw確實是個很棒的產品。今天早上我還看到Moltbook的分享，看到AI Agent彼此對話，感覺非常超現實，就像電影《Her》在現實中發生。工程師變成了管理者，同時管理20個Agent線程主持人： 回到這個對工程師而言瘋狂的時代。我們從“自己寫每一行程式碼”變成“AI寫所有程式碼”。我不知道還有那個職業變化這麼劇烈。工程師的角色在未來幾年會變成什麼樣？Sherwin Wu： 看到這一切真的很酷，也正是這種變化帶來了興奮。未來一到兩年，工程師的工作會發生重大改變。現在大家還在摸索階段，這是一段罕見的窗口期，也許在未來12到24個月，我們可以自己定義新的標準。有一個常見說法是：個人貢獻型工程師正在變成技術負責人，幾乎像管理者一樣。他們在管理成群的Agent。我團隊裡的工程師經常同時拉著10到20個線程平行推進——當然不是同時跑任務，而是在不斷檢查、引導、給Codex反饋。他們的工作已經從“寫程式碼”轉變為“管理程式碼生成過程”。軟體工程師就像“巫師”，用AI就像施咒語Sherwin Wu：至於未來走向，我常想到大學時讀的一本程式設計教材——《Structure and Interpretation of Computer Programs》。《SICP》在麻省理工學院（MIT）當年非常流行，它曾長期作為入門程式設計課的教材，也因此擁有一種“宗教式”的追隨者文化。它用的是一種名為Scheme的Lisp方言來教學，會把你帶入函數式程式設計的世界，非常開腦洞。但對我來說，這本書最難忘的是它在開篇對“程式設計”這門學科的定義——它把程式設計類比為“巫術”。書裡說，軟體工程師就像巫師，程式語言就像咒語，你念出這些咒語，它們就會替你完成事情。挑戰在於：你要念出什麼樣的咒語，程序才會按你的意願運行。這本書寫於1980年，但這個隱喻居然一路延續至今。我覺得它正在真實發生在我們進入“vibe coding”新時代的過程中。程式語言一直都是某種“咒語”，只是隨著時間推移，表達方式越來越高級，讓電腦按你的意圖行動變得越來越容易。而這一波AI，可能就是這條演進路徑的下一階段。現在它真的成了“咒語”——你可以直接告訴Codex、Cursor你想要什麼，然後它們去幫你完成。我特別喜歡“巫師”這個比喻，因為我們現在的狀態其實越來越像《幻想曲》裡的“魔法師學徒”。米老鼠戴上魔法帽，試圖施法，結果失控——掃帚開始瘋狂打水，房間被淹。他給掃帚下達任務後自己睡著了，事情就失控了。我覺得這比喻非常貼切。一方面，這些“咒語”威力巨大，槓桿極高；但另一方面，你必須知道自己在做什麼。不能完全放手不管，否則模型就可能“跑偏”。當我看到工程師同時管理20個Codex線程時，那確實需要技巧、資歷和深思熟慮。你不能徹底離開，也不能完全忽視。但一位真正熟練的高級工程師，現在可以通過這些工具完成遠超以往的事情。這也正是樂趣所在——真的感覺自己成了巫師，施展魔法，讓軟體為你完成各種任務。主持人： 我剛才聽你講的時候腦子裡就是“魔法師學徒”的畫面。之前也有嘉賓說過，現在像是擁有一個可以許願的精靈，但你必須非常精確地表達願望，否則後果難料——甚至像“猴爪”故事那樣，願望實現了，卻伴隨副作用。Sherwin Wu： 對，這個比喻很好。SICP也被稱為“巫師之書”，因為這個隱喻貫穿全書。我們現在真的走到了那個階段，這本身就很酷。OpenAI內部實驗：100%由Codex編寫程式碼的團隊，維護基本就是補充上下文主持人： 有兩個方向我想繼續追問。一個是，我越來越多地聽到人們提到，當Agent不按預期工作時，會產生一種壓力。你同時啟動一堆Codex Agent，還得盯著它們——這個不工作了，那個浪費時間了。你在團隊裡也感受到這種壓力嗎？Sherwin Wu： 有，而且經常發生。我認為這裡正是目前最有意思的部分。模型和工具都還不完美，我們仍在摸索如何與它們最佳協作。內部有一個特別有意思的團隊正在做實驗：他們維護一個100%由Codex編寫的程式碼庫。通常你會讓AI寫程式碼，但最終會自己重寫很多部分、做檢查修改。但這個團隊是“徹底Codex化”，完全不留退路。他們遇到的正是你說的問題：想實現某個功能，但Agent始終做不到。通常這時你會“擼起袖子”自己寫程式碼，或用Tab補全、Cursor等工具。但這個團隊沒有這個逃生艙口。於是問題變成：如何讓Agent真正完成任務？我們可能會發佈一篇部落格總結經驗。一個重要發現是：當Agent沒有按你期望工作，通常是“上下文問題”。要麼你描述不夠充分，要麼它缺乏必要資訊。解決方法往往不是自己重寫，而是補充文件、加入程式碼註釋、改進程式碼結構，或者在倉庫中增加MD檔案等資源，把你腦海裡的“部落知識”顯式化，讓模型能讀到。取消“人工逃生通道”之後，他們開始真正理解，如果要全面擁抱Agent，我們需要解決那些結構性問題。15分鐘的審查任務縮短到2～3分鐘主持人： 你提到，使用AI的工程師提交PR的數量大幅增加。這意味著程式碼審查會成為瓶頸。你們有什麼辦法避免工程師整天只是在Review PR嗎？Sherwin Wu： 首先，Codex現在稽核我們100%的PR。一個有趣現像是：我們最早交給模型的，往往是我們最討厭、最枯燥的工作。程式碼審查就是其中之一。對我來說，程式碼審查曾經是最痛苦的工作之一。我畢業後的第一份工作在Quora，負責Newsfeed程式碼。因為那是核心模組，所有人都會改動。每天早上打開電腦，看到20到30個待審PR，拖著拖著就變成50個。那種感覺非常糟糕。Codex在程式碼審查方面非常強。尤其是GPT-4.5在這方面已經非常擅長，只要你給它合適的引導方向。它可以快速指出潛在問題、改進建議，甚至提前識別破壞性變更。所以，至少在程式碼審查這個維度，AI確實正在顯著緩解規模化帶來的壓力。Sherwin Wu： 所以在程式碼審查方面，是的，我們確實建立了大量PR，但Codex會稽核全部PR。這讓程式碼審查從原本10到15分鐘的任務，有時縮短到兩三分鐘，因為很多修改建議已經提前生成好了。很多情況下，尤其是小型PR，甚至不再需要人工稽核——我們在這方面已經相當信任Codex。程式碼審查的本質是“第二雙眼睛”，確保你沒犯低級錯誤。現在，Codex已經是一雙非常聰明的“第二雙眼睛”，所以我們在這方面投入得很深。此外，CI流程以及程式碼提交後的部署流程，也已經大量通過Codex實現自動化。很多工程師最煩的事情是：寫完漂亮的程式碼之後，怎麼把它部署上線？要跑測試、修lint錯誤、做程式碼審查……這一整套流程。很多環節都可以通過Codex自動化處理。我們內部已經建構了一些工具來自動修復lint錯誤——如果出現lint問題，Codex可以直接生成補丁，然後重新觸發CI流程。我們的目標是把工程師在這些環節的工作量壓縮到最低。結果就是，他們現在可以合併和發佈更多PR。吃自己的狗糧，用不同模型版本切換主持人： Codex寫程式碼，又用Codex稽核程式碼。我很好奇，你們是否考慮用其他模型來稽核自己模型的工作？還是說現在已經足夠好了？Sherwin Wu： 確實存在某種“循環”的問題——回到“魔法師學徒”的比喻，你不希望掃帚失控。所以我們在選擇那些PR可以完全交由Codex稽核時是非常謹慎的。大多數人仍然會查看自己的PR，並不是完全放手，而是從“100%注意力”降低到大概“30%注意力”，這已經足夠提高效率。至於多模型策略，我們內部測試很多模型，也有不少模型變體可供選擇。外部模型用得較少，我們認為“吃自己的狗糧”很重要，通過使用自家模型來獲得反饋。當然，在內部不同模型版本之間切換，獲得不同視角，是常見做法，而且效果不錯。主持人： 為了給大家一個清晰的現狀刻度：可以說OpenAI現在生產環境中的程式碼100%由Codex編寫嗎？Sherwin Wu： 我不會說今天線上運行的程式碼100%由AI寫成，因為歸因很難精確。但幾乎所有工程師現在都高度依賴Codex。如果要粗略估計，我會說現在絕大多數程式碼很可能最初是由AI生成的。頂級績效者會越來越強管理者本身頁變得更高桿槓主持人： 我們談了很多IC工程師的變化，但關於工程經理的討論較少。AI興起之後，你作為經理的生活發生了什麼變化？未來經理的角色會是什麼？Sherwin Wu： 相比工程師，經理的變化沒那麼劇烈。還沒有專門的“經理版Codex”。不過，我確實用Codex來輔助一些管理相關的工作。目前變化還不算巨大，但趨勢已經出現。如果把趨勢推演下去，就能看到方向。一個越來越明顯的現像是：Codex極大放大了頂尖績效者的生產力。我覺得這可能是AI在整個社會層面的共性——那些真正“傾身投入”、有主動性、願意掌握工具的人，會大幅自我增強。我已經看到這種分化：頂尖績效者的產出明顯拉開差距。因此，團隊內部的生產力分佈變得更寬。我的管理哲學一直是，把大部分時間花在頂尖績效者身上——確保他們沒有阻礙、保持開心、感覺被支援、被傾聽。在AI時代，這一點更重要，因為頂尖人才會用這些工具“飛起來”。比如那個維護100% Codex程式碼庫的團隊，讓他們自由探索、深挖最佳實踐，已經帶來很大回報。我認為未來經理會花更多時間在這類高槓桿群體上。另一個趨勢是：AI工具讓經理本身也變得更高槓桿。比如把ChatGPT接入組織知識庫，連接GitHub、Notion、Google Docs，在做績效評估時，可以快速生成一份過去12個月工作成果的深度報告。我推測，未來經理可以管理更大的團隊。就像工程師管理20到30個Codex線程一樣，管理者也會因為工具的加持而變得更高槓桿。當前軟體工程的最佳管理跨度大概是6到8人，但未來可能會遠遠超過這個數字。這種趨勢已經在支援、營運等非工程領域出現：隨著更多事務交給Agent，人可以處理更多事務，也能管理更多人。我認為在人力管理領域也會發生類似變化。我們已經看到一些工程經理管理人數顯著增加，而且做得相當不錯，因為他們能更高效地獲取團隊資訊、理解組織背景。主持人： 你提到一直把時間投入在頂尖績效者身上。Mark Andreessen之前在節目裡說過，AI讓好的人更好，讓偉大的人變得卓越。Sherwin Wu： 對。一個很好的例子是，內部有一群工程師非常沉浸在Codex實踐中，研究如何與模型最佳互動。這是極高槓桿的事情。作為經理，我會鼓勵他們繼續探索，並把最佳實踐在組織內傳播——通過知識分享會議、文件沉澱等方式。這會抬高整個組織的水平。我認為這正是“頂尖績效者變得卓越”的體現。一人獨角獸：更多公司會停留在5000萬美元的規模與未來二階、三階變化主持人： 很多人都有一種直覺：AI很大，它正在改變世界。但你覺得有那些變化是大家還沒有真正“定價進去”的？有那些潛在影響是我們還沒有意識到的？Sherwin Wu： 我最喜歡的一個說法，是這波AI浪潮中誕生的“一個人打造十億美元公司”的概念。我記得可能是Sam最早提出來的。這個想法很迷人——當個人槓桿被極度放大，理論上確實可能出現一家“一個人、十億美元”的公司。但我覺得大家還沒有真正把它的二階、三階效應算進去。“一個人十億美元公司”意味著，一個人的主動性和槓桿被工具放大到極致，他可以極其高效地完成公司所需的一切，從而打造出價值十億美元的業務。但它還有其他含義。第一，如果一個人能做到這一點，那說明創業本身會變得更容易。我認為這會帶來一次巨大的創業潮，尤其是中小企業（SMB）式的爆發——任何人都能為任何細分場景建構軟體。我們已經在AI創業領域看到垂直化趨勢：為特定行業打造AI工具往往效果很好，因為你能深度理解那個場景。如果把這個趨勢推演下去，完全可能出現100倍數量的垂直創業公司。我甚至覺得，為了支撐一個“一個人十億美元公司”，可能會有上百家小公司建構高度定製的軟體，專門服務這些高槓桿個體。因此，我們或許會進入B2B SaaS和軟體創業的黃金時代。隨著軟體開發和營運公司的成本不斷下降，你會看到越來越多公司出現。我的想法是：也許會有一個十億美元公司，但可能會有上百個一億美元公司，成千上萬個一千萬美元公司。對個人來說，一家一千萬美元的公司已經足夠實現財務自由。這種爆發式增長，我覺得大家還沒有真正“定價”。再往三階效應看——當然越往遠推不確定性越高——如果世界變成大量微型公司為一兩個人服務的形態，創業生態和VC生態都會改變。也許只剩下少數大型平台型公司支撐這些微型企業。而那種能帶來100倍、1000倍回報的風險投資項目可能反而減少，因為更多公司會停留在1000萬到5000萬美元規模。這對VC來說未必理想，但對高主動性的個人來說非常好，他們可以借助AI為自己打造業務。主持人： 我們已經講到三階效應了，我想聽四階效應了。Sherwin Wu： 四階效應太“超腦”了，我還沒法推那麼遠（笑）。主持人： 關於“十億美元公司”，我其實有點悲觀。光是支援成本就很難規模化。即便有AI幫忙，除非你客戶很少且客單價極高，否則支援問題本身就難以靠一個人處理。Sherwin Wu： 我同意這一點，但我的看法略有不同。也許你自己的播客就可能成為十億美元公司。關鍵在於，你不必親自派AI去處理所有支援工單。可能會出現十幾家專門為播客和Newsletter建構支援軟體的小公司——它們本身就是“一個人公司”。它們能非常輕鬆地建構出高度定製的產品，而你作為“一個人公司”去購買這些服務。隨著軟體建構成本急劇下降，你可能會外包越來越多事務，從而縮小自己公司的規模。最終，仍然可能是一個人驅動一個高槓桿的公司，達到十億美元規模。當然，不確定性仍然存在。主持人： 我也在想，像Peter（OpenClaw創始人）現在被各種需求、郵件、PR淹沒——而他甚至還沒變現。Sherwin Wu： 這可能就像我們剛發佈ChatGPT那幾個月的瘋狂狀態。他一個人承受這種規模，一定非常瘋狂。主持人： 也許四階效應是：分發變得更重要，因為太多東西在爭奪注意力。有受眾、有平台的人價值更高。軟體工程會朝“外科醫生”發展主持人： 回到管理話題。除了多花時間在頂尖績效者身上，你還有那些核心管理心得？Sherwin Wu： 很多經驗未必特定於OpenAI API業務。我自己的管理理念這些年有所演進，但總體變化不算太大。其中一個核心原則就是剛才提到的：把大量時間投入在頂尖績效者身上。具體來說，可能超過50%的時間花在前10%的績效者身上，真正賦能他們。我常用一個比喻——來自《The Mythical Man-Month》——把軟體工程師比作外科醫生。這個比喻對我的管理理念影響很大。其實挺有意思的。我是從那本《The Mythical Man-Month》裡看到這個比喻的。那本書寫於上世紀70年代，當時他們其實像是在預測未來。他們說，軟體工程可能會演變成一種類似“外科手術室”的模式——工程師就像外科醫生。手術室裡真正“動刀”的只有一個人，其他人——護士、住院醫師、研究員——都在為他提供支援。外科醫生說“給我手術刀”，就有人遞上；說“需要某個裝置”，馬上就到位。所有人圍繞一個核心執行者展開支援。那本書當年就預言，軟體工程可能會朝這個方向發展。當然，現實並沒有完全變成那樣——軟體開發仍然是高度協作的，不是一個人完成所有工作。但我一直很喜歡這個類比，也在自己的管理理念中努力去“模擬”這種模式。軟體工程不是手術，但我希望團隊成員能有“外科醫生”的感覺：他們是核心執行者，而我作為管理者，要確保他們擁有一切所需資源，感覺背後有一支軍隊在支援他們——那怕實際上只有我一個人在做這些支援工作。 舉個例子，“提前看到轉角”並為團隊掃清障礙，在組織層面上極其重要。尤其在今天的AI時代更是如此。如果大家只是不斷提交PR，真正卡住進度的往往不是技術，而是組織流程和協作問題。作為管理者，如果能提前預判阻塞點，在“醫生”開口之前就準備好“手術刀”，那就是最佳狀態。這是我理解的工程管理方式。這個類比雖然不完全貼切，但一直伴隨我整個職業生涯。主持人： 我很喜歡這個說法。我在想，AI是不是也能幫助管理者“提前看到轉角”？比如預測某個工程師將會因為某個決策被卡住，我們是不是可以提前處理？Sherwin Wu： 這是個很好的問題。我還沒試過，但如果把ChatGPT接入公司知識庫，問它：“當前團隊的活躍阻塞點是什麼？掃一遍Notion文件、Slack消息，找出潛在卡點。”也許會很有意思。你剛剛給了我一個靈感。 更進一步，不只是識別當前阻塞點，而是預測未來幾個月某個工程師或團隊可能遇到什麼問題。讓AI去做二階、三階推演——提前預判下個月的“卡點”。這個思路很有潛力。我們活在泡泡裡：矽谷是泡泡，X也是泡泡，大多數人並不真正懂AI部署主持人： 我想把話題轉回你們的API和平台。你和很多公司合作，幫助他們部署AI。你提到很多公司在AI部署上其實是負ROI，這和外界的感受一致。到底出了什麼問題？Sherwin Wu： 先澄清一下，我沒有直接看到量化資料——這類ROI很難精確測算。但從觀察來看，我不會驚訝如果很多AI部署確實是負回報的。甚至在科技圈之外，很多人有一種情緒：AI是被“強行推到他們頭上”的。這種牴觸感，本身可能就和負ROI有關。我看到幾個現象。第一，我們所在的矽谷，其實活在一個泡泡裡。X是泡泡，矽谷是泡泡，軟體工程是泡泡。世界上大多數人——包括美國的大多數人——都不是軟體工程師，也不密切關注每一次模型發佈。他們對如何使用這項技術並不熟悉。 在我們這裡，大家討論的是最佳實踐、codecs、agents、MCPs等高級用法；X上那些發帖的人幾乎都是重度AI使用者。但當我和一些公司一線員工交流時，他們只是用AI做非常基礎的事情，對技術原理幾乎沒有理解，也沒有真正“壓榨”它的能力。這就引出一個問題：理想的AI部署模式是什麼？在我看來，成功案例往往具備兩個條件——自上而下的支援，以及自下而上的採用。 高層要明確戰略，比如“我們要成為AI-first公司”，願意投入資源和預算；但更關鍵的是基層員工真正願意學習、嘗試、分享最佳實踐。只有當一線員工主動擁抱技術，並在具體工作場景中摸索“最後一公里”的應用細節，AI才真正開始創造價值。在OpenAI內部也是如此。我們一直想成為AI驅動的公司，但真正加速發生，是當員工開始把這些工具直接應用到日常工作中。因為每個崗位——工程、財務、營運、銷售——都有獨特的工作細節，這些都需要自下而上地打磨。 我的感覺是，很多公司缺少這種自下而上的採用和熱情，因此AI部署很難真正產生正向ROI。有些公司就是非常明確地下達命令，自上而下推進，而且完全脫離一線實際工作的樣子。結果就是，你會得到一支龐大的員工隊伍，他們其實並不理解這項技術，只是知道“我應該用這個”，甚至績效考核裡也寫著要用，但不知道該怎麼用。看看周圍，也沒人真正用起來，沒有榜樣可以學習。突擊隊的構成：技術鄰近型人才，不是工程師Sherwin Wu：我的建議是，公司如果真的想推動AI，不如在內部設立一個全職“突擊隊”——一個AI tiger team，專門探索技術的能力邊界，把它落地到具體工作流，做知識分享，製造興奮感。如果沒有這樣的團隊，其實非常難真正用起來。主持人： 這個tiger team應該是什麼構成？工程師主導？還是跨職能？Sherwin Wu： 很有意思的是，很多公司其實根本沒有軟體工程師。我看到的模式往往是“技術鄰近型人才”——不是工程師，但很技術。比如客服團隊負責人、營運負責人，不會寫程式碼，但特別喜歡用這些工具，可能還是Excel高手。這類“技術鄰近”“編碼鄰近”的人往往最興奮，也最願意鑽研。通常可以圍繞他們組建團隊。反而很多時候不是工程師在主導。工程師當然理解技術，但不是每家公司都有工程師——他們稀缺、昂貴，也不好招。主持人： 所以反模式就是：CEO和高管宣佈“我們要AI-first”，每個人的績效都要和AI使用掛鉤，但沒有自下而上的傳播者，最後效果不好？Sherwin Wu： 對，完全正確。更好的做法是找到那些最興奮、最主動的人，與其讓他們分散在組織裡，不如把他們聚在一起，形成一個AI evangelist團隊，去探索用法，再向全公司擴散。換個角度說，這也和我的管理理念一致——找到AI採用上的“高績效者”，賦能他們。讓他們組織駭客松、做內部分享、傳播最佳實踐，在組織內部種下興奮的種子。目標是移動的：Agent框架、腳手架的作用在減弱今天流行的是Skills、上下文管理主持人： 有個你提到過的觀點挺有爭議：在AI領域，過度聽客戶意見可能會把你帶偏。Sherwin Wu： 我不覺得這有多“熱”。當然要和客戶溝通，這是有價值的。但問題在於，AI這個領域——尤其過去三年——變化太快了，模型本身不斷自我顛覆，尤其是在工具和“腳手架”（scaffolding）層面。我這周讀到一篇文章，是FinTool創始人Nicholas寫的，他總結自己在金融服務裡做AI agent的經驗。有一句話我特別喜歡：“模型會把你的腳手架當早餐吃掉。”回到2022年ChatGPT剛發佈的時候，模型還很“原始”，於是大家圍繞它建構了大量產品級腳手架，尤其在開發者生態裡，用各種框架、agent框架、向量資料庫、embedding系統去“引導”模型輸出想要的結果。 但隨著模型能力迅速提升，它們真的開始“吃掉”這些腳手架。今天流行的是skills檔案、基於檔案的上下文管理。但我也能想像一個未來，模型可以自己管理這些，不再需要這種檔案式結構。 你已經看到這種演化：agent框架的作用在減弱；2023年我們以為向量資料庫會成為組織上下文輸入的核心方式，需要把所有語料embedding，再精細最佳化向量搜尋。但隨著模型變強，更好的方法反而是去掉大量邏輯，直接信任模型，只給它搜尋工具——甚至只是普通檔案系統。向量資料庫仍然有價值，但圍繞它建構的整個生態和複雜腳手架，重要性已經下降。所以回到“要不要聽客戶”這個問題：如果你只聽客戶，他們可能會說“我要更好的向量資料庫”“我要更強的agent框架”。但那可能只是當前的局部最優。隨著模型進步，你可能需要重構抽象層和工具框架。 這個領域令人興奮，也令人抓狂——因為目標是移動的。今天的工具組合，未來很可能會大幅演化。與客戶溝通時，你必須平衡他們當前的需求和你對未來1-2年模型趨勢的判斷。主持人： 這讓我想到《苦澀教訓》（The Bitter Lesson）——在AI裡，越少人為複雜邏輯、越少手工規則，越能規模化，讓算力和模型自己解決問題。Sherwin Wu： 是的，幾乎可以說有一個“AI建構版的苦澀教訓”。我們曾經圍繞模型搭了很多架構，但模型進步後把它們都吞掉了。坦率講，我們OpenAI API團隊也走過一些彎路。但模型不斷進步，我們每天都在重新學習這條“苦澀教訓”。建構面向未來的AI產品主持人： 那對今天基於API或agent建構產品的人來說，最核心的建議是什麼？Sherwin Wu： 我的核心建議一直是：為模型將要去的方向建構，而不是為模型今天的狀態建構。Sherwin Wu： 這顯然是一個不斷移動的目標。我看到那些真正做得好的創業公司，往往是圍繞一種“理想能力”在做產品——這種能力今天可能只實現了80%。產品現在是“差一點點就到位”，但隨著模型變強，突然某一天就“啪”地一下完全跑通。也許最初在o3上還不行，但到了5.1、5.2版本就徹底解鎖。他們在設計產品時，是把模型能力持續提升這個趨勢考慮進去的。如果你默認模型是靜態的，你做出來的體驗一定不如這種“面向未來”的產品。是的，你可能需要稍微等一等，但模型進步太快了，通常也等不了太久。未來6-18個月模型會走向那裡？音訊被嚴重低估了主持人： 那未來6到12個月，API、平台和模型會走向那裡？Sherwin Wu： 最明顯的方向是——模型可以連貫執行多長時間的任務。現在有一個衡量軟體工程任務時長的基準測試，統計模型在50%、80%成功率下可以持續完成多長時間的任務。目前前沿模型在50%成功率下已經可以完成多小時的任務，在80%成功率下接近一小時。更震撼的是，你把歷代模型都畫在那張圖上，能清晰看到趨勢。 現在大多數產品還在圍繞“分鐘級任務”最佳化。那怕是像Code工具，更多也是互動式、10分鐘左右的工作流。確實有人把它推到多小時，但那是例外。按照趨勢推演，未來12到18個月，模型可能可以非常連貫地完成多小時任務，甚至一天6小時等級的任務——你把任務派發出去，它自己幹一陣子。 圍繞這種能力建構的產品會完全不同。你肯定要加入反饋機制，不會讓它完全失控地跑一整天，但可實現的任務空間會大幅擴展。另一個方向是多模態，尤其是音訊。模型現在的音訊能力已經不錯，但未來6到12個月會明顯提升，特別是原生語音到語音模型。在企業場景裡，音訊被嚴重低估。大家都在談程式碼、文字，但現實世界大量業務是通過“說話”完成的——客服、銷售、營運。未來12到18個月，這個領域會非常激動人心，會解鎖更多能力。主持人： 總結一下，就是Agent會運行更久、更穩定；音訊會變得更核心、更原生。Sherwin Wu： 是的，非常令人興奮。業務流程自動化的機會被矽谷低估了主持人： 你還有一個觀點：你非常看好AI在業務流程自動化上的機會。Sherwin Wu： 這又回到“我們活在矽谷泡泡裡”這個問題。我們習慣的軟體工程、產品管理，其實和支撐整個經濟運行的工作形態差異巨大。 如果你和一家非科技公司聊天，會發現大量工作都是“業務流程”。軟體工程是開放式知識工作，不可重複，你不會一遍遍做同一個功能。但大量現實世界工作是高度可重複的——有標準操作流程（SOP），有既定步驟，偏離反而不好。 比如你打客服電話，對方就在跑流程；打給水電公司，他們有明確能做和不能做的事情。我非常看好這一類——將AI真正嵌入企業資料和系統，自動化這些高確定性的、可重複的業務流程。這塊機會被低估，是因為它不在矽谷主流討論視野裡。主持人： 你的意思是，相比工程領域，AI在這些重複型崗位上的生產力影響可能更大？Sherwin Wu： 至少是同樣巨大，甚至在業務流程側的變化會更顯著。我常被問：20年後的公司會是什麼樣？軟體工程只是其中一部分，更大的變化可能發生在業務流程層面。這塊規模非常龐大，只是我們在X或Twitter上很少討論。創業者會不會被OpenAI碾壓？不用過度焦慮，做使用者真正熱愛的產品主持人： 換個話題。所有基於API創業的人都會問：如何避免被OpenAI自己下場做同樣的產品？Sherwin Wu： 我的一般回答是，這個市場真的太大了，大到創業公司其實不必過度糾結OpenAI或者其他大模型實驗室會往那裡走。我見過很多創業公司，有做得不成功的，也有做得非常好的。那些失敗的公司，從來不是因為OpenAI、某個大實驗室或者Google下場“碾壓”了他們，而是因為他們做的產品根本沒有真正打動客戶。反過來看那些起飛的公司——那怕是在極度競爭的領域，比如程式設計工具，像Cursor現在已經非常大了——原因只有一個：他們做了使用者真正熱愛的產品。所以我的建議是，不要過度焦慮。只要你做出真正有人喜歡的東西，你一定會在這個生態裡找到自己的空間。我真的無法誇張地形容現在機會有多大。用AI建構產品的機會窗口，是前所未有的。一個有趣的例子是：這個市場大到連VC的“可接受投資範圍”都被改寫了。風投現在會毫不猶豫投資彼此競爭的公司，因為機會空間實在太大了。從創業者角度看，這反而是最令人振奮的——那怕你只做出一個讓一部分人“非常非常喜歡”的產品，也可能成長為一家極其有價值的公司。所以不要過度思考OpenAI會不會做同樣的事。OpenAI的定位：生態平台型公司，不會把能力鎖在自己產品裡Sherwin Wu：另外，從OpenAI的角度，我們一直把自己視為一個“生態平台型公司”。API是我們的第一個產品。我們非常重視生態建設，也不希望去擠壓它。Sam和Greg從一開始就反覆強調這一點。如果你觀察我們的決策，會發現這一點貫穿始終。我們發佈的每一個模型，都會進入API。那怕是為Codex場景最佳化的模型，也最終會開放給API使用者。我們不會把能力“鎖在自己產品裡”。我們保持平台中立，不遮蔽競爭者，允許開發者訪問我們的模型。最近測試的“用ChatGPT登錄”等功能，本質上也是在強化生態。我們的思路是“水漲船高”。也許我們像一艘航母，但如果潮水上漲，所有船都會受益，我們自己也會受益。API的增長已經證明了這一點。所以，與其把OpenAI看成一個會把別人擠走的存在，不如專注於打造真正有價值的產品。我們會繼續致力於一個開放生態。主持人： 為什麼對OpenAI來說，“做平台”這麼重要？Sherwin Wu： 這其實寫在我們的使命裡。我們的使命有兩部分：第一，建構AGI；第二，讓AGI的收益惠及全人類。重點在“全人類”。我們很早就意識到，單靠一家公司不可能觸達世界每個角落。所以早在2020年我們就推出了API。我們需要一個平台，讓其他人去建構我們自己不可能覆蓋的應用——比如播客主和Newsletter作者的客服機器人。這正是API存在的意義。我們每天都在和客戶交流，也非常享受看到各種多樣化的應用誕生。這從第一天起就是使命的一部分。主持人： 還有你們的ChatGPT應用程式商店。Sherwin Wu： 那是ChatGPT團隊主導的，我們密切合作。他們開發了Apps SDK。這也是平台戰略的延伸。ChatGPT現在每周有大約8億活躍使用者——這是一個極其龐大的資產。與其獨佔這流量，不如讓其他公司也能圍繞這個使用者群體建構產品，最終這也會擴大整個生態規模。主持人： 每周8億使用者，這數字已經讓人麻木了。Sherwin Wu： 這大概相當於全球10%的人口，而且還在增長。規模確實令人震撼。主持人： 你們一直強調“讓AI惠及全人類”。比如免費版ChatGPT，任何人都可以使用，而且能力並不比最強模型差太遠。Sherwin Wu： 是的。免費模型這幾年進步非常大。2022年的免費模型和今天相比完全不是一個量級。今天免費使用者用到的是2GB 5等級的能力。我們一直在“抬高地板”，讓全球更多人受益。再換個角度說，你花20美元一個月，就能用到和億萬富翁幾乎相同的AI能力；花200美元，可以用Pro版本。某種程度上，這是前所未有的技術民主化。OpenAI API的分層結構：從API到“元層面”主持人： 最後一個問題。對於想基於API建構產品的人來說，你們的平台到底能做什麼？Sherwin Wu： 簡單來說，我們的API允許開發者建構智能體、多模態應用、語音應用，以及各種結合企業資料的AI系統。你可以呼叫最前沿的模型，接入工具、檔案系統、搜尋、函數呼叫等能力，建構可以自主執行任務的系統。你可以圍繞文字、程式碼、圖像、音訊建構應用，也可以把模型嵌入到自己的產品流程裡。我們的目標是提供儘可能通用、強大、可擴展的基礎能力，讓開發者在其之上創造屬於自己的產品和體驗。從根本上說，我們的 API 提供了一系列開發者端點，這些端點本質上讓你可以呼叫我們的模型進行採樣。目前最受歡迎的是 Responses API。它是一個為建構長時間運行的智能體而最佳化的介面，也就是那種可以持續工作一段時間的 agent。在一個非常底層的層面上，你基本上只是向模型輸入文字，模型會運行一段時間，你可以輪詢查看它在做什麼，最終在某個時刻獲得模型返回的結果。這是我們提供的最底層原語，實際上也是很多人最常用的方式。它非常“無預設立場”，幾乎不做限制，你基本可以隨心所欲建構任何東西，因為它足夠底層。在此之上，我們也開始建構越來越多的抽象層，幫助大家更容易搭建這些系統。再往上一層是 Agents SDK，它現在也變得極其流行。通過它，你可以基於 Responses API 或其他介面，建構更傳統意義上的“智能體”——比如一個在無限循環中運行的 AI，它可以把子任務委派給子 agent，建構出一整套框架和腳手架。未來會演變成什麼樣還不好說，但它確實讓建構這類系統變得更容易，比如加入護欄、把子任務分發給其他 agent，甚至編排一個“智能體群”。Agents SDK 就是為此設計的。再往上，我們還開始建構一些工具，幫助解決部署智能體的“元層面”問題。比如我們有一個叫 Agent Kit 的產品，還有 Widgets——本質上是一組 UI 元件，可以讓你非常輕鬆地在 API 或 Agents SDK 之上建構一個美觀的介面。因為從 UI 角度看，很多智能體的形態其實很相似。除此之外，我們還有一系列評測工具，比如 Eval API。如果你想測試模型、智能體或工作流是否正常運行，可以通過我們的評測產品進行量化驗證。所以在我看來，這是一個分層結構——不同層級都在幫助你基於我們的模型建構想要的東西，抽象程度逐級提升、預設也逐漸增強。你可以直接使用整套技術堆疊，很快搭建一個 agent；也可以一路往下，回到底層的 Responses API，自由建構任何你想要的系統，因為它足夠原始、足夠底層。接下來兩三年會持續讓人振奮Sherwin Wu：如果還有什麼想留給大家的話，我會說，未來兩到三年將會是科技行業和創業世界最有趣的時期之一，而且可能是很久以來最有趣的一段時間。我鼓勵大家不要把它當成理所當然。我是 2014 年進入職場的，最初幾年很棒，但後來有五六年科技行業並不算特別興奮。過去三年則是我職業生涯中最瘋狂、最令人振奮的階段，我認為接下來的兩三年還會延續這種勢頭。所以不要錯過。總有一天這波浪潮會趨於平緩，變得更加漸進式發展。但在此之前，我們將探索很多酷炫的東西，發明全新的事物，改變世界，也改變我們的工作方式。這是我最想說的。主持人：當你說“不要錯過”時，你會建議大家具體做什麼？Sherwin Wu：參與進來。正如你說的，主動投入。建構工具是其中一部分，但即便不是軟體工程師，也完全可以參與。很多工作都會因此改變。使用這些工具，理解它們的能力邊界——知道它們能做什麼、不能做什麼，然後觀察它們隨著模型進步能開始做到什麼。核心就是熟悉這項技術，而不是躺平讓它從你身邊溜走。主持人：但現在資訊爆炸，也會讓人焦慮。Sherwin Wu：坦白說，我自己可能是個反面例子，因為我長期泡在 X 和公司 Slack 上，資訊吸收量很大。但我觀察到的一點是：大量內容其實是噪音。你不需要 110% 地吸收所有動態。專注一兩個工具，從小處入手，已經遠遠足夠。行業節奏本來就快，再疊加社交平台，會形成一種讓人窒息的新聞洪流。其實你沒必要掌握所有資訊才能真正參與。那怕只是安裝 Codex 客戶端玩一玩，或者安裝 ChatGPT，把它連接到 Notion、Slack、GitHub 等內部資料來源，看看它能做什麼、不能做什麼，都已經是在參與。美國更像是一個律師主導的社會酷愛蘋果產品主持人：閃電問答環節——你最常推薦的兩三本書是什麼？Sherwin Wu：我推薦一本小說和兩本非虛構。小說是《There Is No Antimemetics Division》，作者是 QNTM。我是在 X 上看到有人分享的。這是一部帶有科幻色彩的作品，我兩天就讀完了。文筆極佳，非常有創意，講的是一個政府機構對抗“會讓人遺忘自身存在之物”的故事。設定新鮮、構思聰明，而且無意中還挺幽默——雖然基調接近科幻恐怖，但讀著讀著會讓人發笑。非虛構方面，我最近一年讀了不少關於中美關係的書。有兩本讓我印象深刻。第一本是丹·王的《Breakneck》，他用“律師型社會”和“工程師型社會”來對比美國與中國，分析各自的優劣。我讀完後也在想，美國確實像是一個由律師主導的社會。第二本是帕特里克·麥吉寫的關於 Apple 與中國關係的書，非常有意思。我是個不折不扣的蘋果迷，如果你現在看到我的桌面，會發現幾乎全是蘋果產品。那本書讓我對蘋果與中國之間的複雜互動有了更深入的理解。第二點是，這本書包含了大量關於 Apple 公司的內部資訊，我覺得非常吸引人。讀起來節奏很快，也非常應景，是一本很“及時”的書。主持人：那本《There Is No Antimemetics Division》聽起來太棒了，我現在就下單。Sherwin Wu：對對對，我記得也就兩百來頁，我真的兩天就讀完了，實在太精彩。一款智能家居硬體：Ubiquiti主持人：那你最近發現並特別喜歡的一款產品是什麼？Sherwin Wu：最近我重新搭建了家裡的 Wi-Fi 和家庭網路系統，徹底換成了 Ubiquiti 的路由器和安防攝影機。之前從沒接觸過這個品牌，我以前的配置都很簡單。這次深入使用後，真的覺得它做得非常好。如果要打個比方，它就像家庭網路領域的蘋果。硬體設計很漂亮，但真正厲害的是軟體——他們的移動端管理應用做得非常出色，可以統一管理家庭網路。如果你家裡布好了乙太網路線路，用它效果會非常好。我尤其推薦他們的安防攝影機系統，接入 Ubiquiti 生態後，可以通過手機、Apple TV、iPad 即時查看監控畫面，體驗非常流暢。價格不算便宜，但也沒貴到離譜，整體體驗真的很棒。永遠不要自憐主持人：好建議。你有沒有一句人生信條，經常在工作或生活中提醒自己？Sherwin Wu：我經常對自己說的一句話是——永遠不要自憐。無論是在工作還是生活中，總會發生各種事情。提醒自己不要沉溺於自憐，而是意識到自己始終擁有行動能力，能夠把自己拉起來，這對我很重要。我也經常對別人這麼說。主持人：太好了。再次感謝你。Sherwin Wu：謝謝你，Lenny。謝謝大家。 (51CTO技術堆疊)

訊飛聽見使用者破億，大模型賦能SaaS實現穩健增長。2月初的網際網路圈，被一場久違的紅包雨重新點燃。而在這場熱鬧背後，一個身影的突圍卻有著別樣的啟示意義——堅持技術付費路線的訊飛聽見，同期低調宣佈使用者規模突破1億，成為科大訊飛繼訊飛輸入法之後，第二款躋身億級陣營的核心產品。不同於當下多數AI產品靠補貼換增長的“捷徑”，訊飛聽見的億級之路，走的是一條逆網際網路流量邏輯的SaaS深耕之路。這款產品的破圈，不僅印證了付費型AI SaaS的商業可行性，更給出了一條錯身發力的突圍範本。SaaS初心：拒絕燒錢內卷，“三無”路線走出盈利正循環在流量成本高企業補貼大戰常態化的AI行業，訊飛聽見的反常識操作，恰恰踩中了SaaS產品的核心生存邏輯——長期主義與盈利可持續。自上線以來，這款產品就堅守“三無產品路線”：無開屏廣告、無站內廣告、無分享廣告，徹底摒棄靠廣告變現的流量玩法，堅定走技術付費、訂閱服務的SaaS模式，這在當下追求快速起量的AI賽道中顯得尤為另類。但另類的選擇，換來了紮實的商業回報。2025年財報資料顯示，訊飛聽見APP連續三年毛利增長超60%，新增使用者年續訂率超過50%，常年穩居各大應用商城語音轉寫品類榜首。這組資料背後，是SaaS模式的核心價值體現：以付費篩選精準使用者，以技術服務提升使用者留存，形成了“技術迭代-付費轉化-留存復購”的正向循環，這也是SaaS產品區別於工具類產品的核心競爭力——不是追求短期流量峰值，而是沉澱長期可復用的使用者價值與穩定現金流。賽道競爭從未溫和。疫情加速了協同辦公SaaS的全面市場化，飛書、釘釘、騰訊會議等巨頭紛紛在核心功能中內嵌語音轉寫模組，憑藉平台生態優勢分流使用者；與此同時，貼合中國使用者硬體付費習慣的錄音卡片等硬體產品，也在爭搶語音轉寫的細分市場，形成“軟體內嵌+硬體切入”的雙重競爭格局。但訊飛聽見的表現，向行業提出了新疑問：使用者是否會為了一個轉錄紀要功能，去選擇一款全家福產品？圖：Wework中國會議室訊飛聽見NFC貼紙協同辦公平台的核心訴求是協同，語音轉寫只是其眾多附加功能之一，難以做到場景深耕與技術極致；而錄音卡片等硬體產品，核心優勢在於獨立裝置降噪和續航，轉錄和整理依舊需要搭載軟體產品實現。聚焦語音轉寫、AI紀要這一細分模組，這種“輕快上陣”的策略，既精準擊中了需要高效處理語音的核心客群，又避開了與協同辦公巨頭的正面內卷。也許在紅海市場中，去堅守，以匠人之心找到未被極致滿足的垂直需求，才能真正實現場景深耕，建構競爭壁壘。SaaS突圍：錯身AI辦公，抓住大模型時代的語音入口大模型時代，AI的入口正在從文字向自然互動遷移，而語音，正是人類最自然、最高效、心理負擔最低的資訊輸入方式。相較於需要刻意組織語言的文字輸入，或是對裝置、場景要求較高的圖像、視訊輸入，語音幾乎可以在任何時間、任何地點發生，無需額外學習成本，不依賴固定工作流程，能夠在會議、訪談、培訓、調研等各類辦公場景中被反覆觸發，成為AI率先滲透日常生活與工作的核心入口之一。訊飛聽見的另一個核心競爭力，在於其對賽道趨勢的精準判斷——錯身“全場景AI辦公”的內卷，聚焦“語音轉寫+AI紀要”的細分模組，同時抓住大模型時代的語音入口機遇，完成從“工具型SaaS”到“智能型SaaS”的升級，這也是其能突破億級使用者的關鍵。2015年至2019年，訊飛聽見依靠非即時轉寫為核心商業模式，完成了初期使用者積累。2019年，訊飛聽見啟動戰略轉型，全面轉向訂閱制SaaS服務，精簡商品模式、拓展使用場景，重點發力即時錄音轉寫，這一調整不僅貼合了SaaS產品訂閱付費、持續服務的核心邏輯，更恰好趕上了2023年全球大模型浪潮的風口。2023年5月，訊飛聽見成為首個搭載星火大模型能力的標竿產品，將核心語音技術與大模型能力深度融合，推出“一段錄音，一鍵成稿”的便捷模式，解決了傳統語音轉寫“記得住、理不清”的痛點，實現了從“單純轉寫”到“智能整理”的第一步跨越。圖：訊飛聽見寫字樓電梯廣告畫面隨著大模型熱戰持續升級，訊飛聽見逐漸“更懂你”，推出AI紀要“自適應紀要模式”——區別於行業內多數AI紀要“單純提取音訊文字、千篇一律”的侷限，該模式能夠根據使用者的筆記區內容、插入圖片、標記重點，生成貼合使用者個人視角的個性化紀要，實現了“千人千面”的智能整理，完成了從“工具型SaaS”到“智能型SaaS”的蛻變。作為垂直SaaS產品，訊飛聽見的野心並未侷限於單一軟體服務。香港小姐競選線上直播粵語轉普通話、央視春晚網路直播即時字幕、大灣區數字政務標竿香港立法會“智識聽”AI即時字幕項目，這些案例不僅印證了其技術實力的行業認可度，更展現了其“軟體SaaS+硬體+服務”的延伸佈局——以SaaS產品為核心，輸出語音轉寫技術能力，賦能政務、媒體、企業等多行業場景，實現從“單一產品”到“綜合解決方案”的延伸，這也是垂直SaaS產品突破增長瓶頸、提升商業價值的重要路徑，與科大訊飛“硬體+軟體+服務”的佈局邏輯一脈相承。行業啟示：SaaS的本質，是尊重使用者價值的長期主義訊飛聽見的億級突破，不僅是科大訊飛SaaS業務的重要里程碑，更給當下的AI行業帶來了深刻的啟示——在大模型熱戰、燒錢內卷的當下，SaaS產品的核心競爭力，反而更應該是尊重使用者價值的長期主義。當下，不少AI產品陷入燒錢換量的誤區，盲目追求使用者規模，從行業趨勢來看，AI辦公賽道的競爭正在從全場景內卷轉向細分場景深耕，垂直SaaS產品迎來發展機遇。隨著企業數位化轉型的深入，使用者對辦公效率的需求越來越精細化，大而全的平台型產品難以滿足所有垂直場景的需求。大浪退去之後，才知道誰在裸泳。對於AI SaaS產品而言，只有堅守技術初心、深耕使用者需求、建構可持續的盈利模式，才能在行業洗牌中站穩腳跟，走出屬於自己的長期主義之路。 (36氪)