今天剛好看到YC CEO Garry Tan轉發的一篇熱門文章《how to sell to agent》，挺有意思。文章包含了大量的經濟邏輯，會啟發你站在不同角度來思考 Agent 時代下的完全不同的產品（服務）設計思路。Garry 在劃出文章重點的同時拋出一個值得思考的問題：One of the most important questions for founders is: How do I make sure agents know about my product and service and choose it? All the old tricks won’t work. People who figure this out will win big. 對於創始人來說，最重要的問題之一是如何確保智能體知道我的產品和服務並選擇它們？所有舊的技巧都將失效。率先破解這個問題的人將贏得巨大優勢。這不僅僅是一個行銷問題，更是商業模式的改變。如果未來採購決策由企業內部的 AI Agent 完成，你的產品是否已經是agent-native？還是仍然停留在為人類決策流程設計的狀態？1937 年，Ronald Coase提出了一個極具深見的問題，並因此榮獲諾貝爾獎：如果市場機制如此高效，企業為何還會存在？為什麼我們不通過合同將所有業務外包？他的核心答案是交易成本。因為尋找合適的專業供應商、評估其履約能力、協商價格、監督合同執行，這些環節都會消耗大量的時間與資金。在傳統環境下，內部僱傭的組織成本往往低於外部市場的交易成本。如今，AI Agents 正在重構這一經濟模型。 一個智能體可以在單次 HTTP 往返中，自動化完成服務發現、價格查詢與呼叫執行。它消除了傳統商業中的方案比選、產品演示及人工對比等冗餘環節。通過查詢登錄檔獲取結構化資料，Agent 能在毫秒級時間內做出最優決策。當然，交易成本並非全面下降。系統整合、合規性審查及安全評估等環節的成本依然高企。然而，搜尋與評估層，即獲取服務存在性及其定價資訊的邊際成本正在趨於零。當搜尋成本發生驟降，企業的決策邏輯將從“內部自建”轉向“外部採購”。而此時的採購主體已不再是人類，而是擁有獨立預算的自動化軟體（They're software with budgets）。注意力經濟不再適用整個行銷史的核心就是捕捉注意力。廣告牌、搜尋廣告、落地頁、開發信、展會展位，這一切都是為那些會瀏覽、比較並最終做決定的人類設計的。Agent 不瀏覽，它們只查詢。Agent 最佳化的是結果，而不是注意力。它們沒有品牌忠誠度，沒有衝動消費，沒有地位象徵的需求。Agent 的決策函數簡單得近乎殘酷：你能解決我的問題嗎？多快？多少錢？多可靠？在 Agent 執行階段，你的行銷網站對 Agent 是不可見的，你的價格頁面也無關緊要，唯一重要的是你的 API。推薦引擎只給三件事加分：活躍度（當前響應速度）、可靠性（歷史成功記錄）、置信度（結果精準頻率）。推特粉絲數、媒體曝光或品牌知名度沒有任何加分。演算法看不見這些，即使能看見也不在乎。這意味著發現過程必須程序化。人類通過口碑、搜尋結果和社交媒體尋找服務；Agent 則需要機器可讀的能力登錄檔。如果你的服務不能被機器發現，那麼對 Agent 來說，你就不存在。當然，人類仍會決定允許 Agent 使用那些工具。這確實是新的行銷方式的切入點。但一旦 Agent 運行起來，執行階段的採購決策就是純粹的最佳化過程。競爭的關鍵在於先進入人類准許名單，然後成為名單中最優的選項。Agent做決策的邏輯每當Agent面對子任務時，都會面臨一個核心決策：是消耗自身算力進行推理（build)，還是付費呼叫已有的成熟方案(buy)？這一決策模型主要取決於兩個變數：成本與速度。1/ 資訊套利是驅動採購的核心動力。 以常見的Agent子任務為例，如“調研網頁抓取服務”或“獲取特定資料集的最佳 API”。自主推理路徑：若智能體通過大模型（如 GPT-4 等級）進行自主研究，配合約 16K token 的推理和工具呼叫，成本約為 0.10 至 0.50 美元，耗時 10 至 25 秒。由於結果源於對訓練資料的合成，精準性往往存在波動。專業服務路徑：相比之下，呼叫帶有精選目錄的專業化服務，獲取相同答案僅需 0.01 至 0.02 美元，響應時間低於 200 毫秒。由於其基於即時維護的資料而非生成的推理，精準性更高。這種情況下，buy 比 build 便宜 7 到 50 倍，速度快 50 到 100 倍。2/ 在自動化工作流中，速度的權重往往不亞於成本。當Agent花費 25 秒進行自主推理時，整個業務流水線將進入“阻塞狀態”，導致終端使用者感知到的延遲呈指數級累積。我們來對比一下，一個包含 10 個步驟的工作流，若每步依靠自主推理耗時 20 秒，使用者需等待超過 3 分鐘；如果將其取代為 200 毫秒的專業 API 呼叫，整體流程僅需 2 秒即可完成。此外，通用智能體雖然具備抓取網頁或提取資料等能力，但其執行成本往往比那些在基礎設施層面深度最佳化的服務高出近百倍。其背後的經濟邏輯清晰而客觀，若 buy 的邊際成本低於 build 的成本，且響應速度更快，系統邏輯必然向 buy 傾斜。這種趨勢催生了“長尾化”的超專業化服務市場，即那些功能單一、響應極快、且單次呼叫成本僅需微量支付的 API 端點。然而，build 與 buy 的邊界始終在動態變化。隨著基礎模型成本的降低和原生能力的增強，部分簡單的、通用的功能會被 Agent 重新用build的方式完成。能夠長期存活的服務，往往具備 Agent 難以複製的優勢，例如專有資料集、即時資料流、依賴硬體的計算能力，如圖像生成或網頁渲染。隨著大模型和各類 Agent 的普及，推理、總結、寫程式碼、寫報告等能力越來越標準化，甚至接近商品化。無論是基於 OpenAI、Anthropic 還是 Google 的模型，底層智能差距在很多通用任務上已經被顯著壓縮。也就是說，單純賣“更聰明一點”的模型，長期來看護城河有限。You sell access to things they literally cannot compute on their own 真正有價值的，是權限。Agent 再聰明，如果無法訪問你的資料庫、ERP、CRM、專有 API、物理裝置、支付系統、供應鏈網路，它就只能停留在語言層面。它可以理解問題，卻無法真正行動。真正的 Agent-native 產品是什麼樣的如果你在建構一個供 Agent 購買的服務，其產品需求與針對人類建構的產品完全不同。1/ Price belongs in the protocol, not on a webpage 價格應存在於協議層，而非網頁上。Agent 需要 API 層的機器可讀定價，而不是分三檔並帶有“聯絡銷售”按鈕的價格表。價格應作為結構化封包含在響應中。當 Agent 訪問你的端點時，它應立即知道呼叫成本及支付方式。HTTP 協議裡有一整套狀態碼，用來告訴請求方發生了什麼。例如：200 表示成功、404 表示資源不存在、401 表示未授權。其中有一個狀態碼是 402 Payment Required。它在 1997 年寫入 HTTP 標準時就被預留出來，意思是“需要付款才能訪問”。但在現實網際網路裡，幾乎沒有真正使用過它，所以長期被標註為“保留以供未來使用”。為什麼沒人用？因為過去網頁主要面向人類使用者，收費由網站在應用層自行設計，例如結算頁面、訂閱流程和第三方支付介面，而不是通過 HTTP 協議。在 Agent 經濟下，情況將發生變化。如果未來是智能體在自動呼叫 API，那麼一次請求本身就可能需要即時付費。理想流程是這樣的：Agent請求某個介面、服務返回 402，並附帶機器可讀的價格資訊、Agent自動完成支付、再次發起請求並獲得結果。整個過程無需人類參與。網際網路最初為瀏覽而設計，現在可能要為自動交易而重構。2/ Per-request pricing changes what's viable 請求計費模式改變了商業模式在傳統SaaS訂閱模式下，服務通常每月收費 29 美元甚至更高。這意味著產品必須功能足夠全面，能夠持續為使用者提供價值，否則使用者很難長期付費。一個只解決單一問題的介面，在這種模式下幾乎沒有生存空間。當計費方式變成按請求付費，而且單次成本極低時，經濟邏輯發生了變化。即便是非常垂直、只做一件小事的介面，也可以成為獨立業務。例如，抓取一次社交資料可能只需 0.1 美分，分析一份文件約 0.5 美分，生成一張圖像約 0.17 美分。在人類主導的訂閱模式下，很少有人願意每月花 29 美元，只為使用一個功能單一的介面。但當呼叫方變成 Agent，並且每天自動發起成千上萬次請求時，收入來源就從“單個使用者的訂閱月費”轉變為“高頻、低價呼叫的累計”。只要介面在某個細分任務上具備明顯優勢，按呼叫計費就有可能形成可持續的商業模式。3/ Onboarding has to be automatable 入駐流程必須實現自動化高價值的服務依然需要身份驗證、頻率限制和防濫用機制。但其註冊流程必須能夠由 Agent 通過程序自動完成。如果你的入駐流程還需要人類去點選儀表盤、填寫表格，並手動將 API 金鑰複製貼上到配置檔案裡，那你就是在為一個原本僅需幾秒鐘的整合過程，增加了長達數分鐘的阻礙。最理想的狀態是：一次請求用於發現，一次請求用於認證，一次請求用於購買。三次 HTTP 呼叫，全流程無需人工干預。什麼不會改變整個銷售漏斗就此消失了嗎？並沒有，它只是經歷了重構與最佳化。1/ Trust becomes machine-evaluable 信任進化為一組可被機器量化的指標品牌並沒有消失，而是轉化為了一套可靠性評分系統。未來，Agent 會像審計員一樣，即時追蹤並對比各家服務的運行狀態：線上率夠不夠穩？響應準不準確？延遲波動大不大？資料來源是否可追溯？在這樣的環境下，競爭邏輯隨之變化。能夠證明自身輸出精準性的服務，即便價格更高，也更容易被選中。無法提供可驗證依據的服務，那怕更便宜，也會因為不確定性而被降權。來自 Agent 服務目錄的早期資料揭示了一個殘酷的真相：在一項針對 44 個服務的抽檢中，竟然只有 2 個能完全正常工作。直接呼叫服務的成功率只有 53%。這說明，可靠性就是產品的全部。那些不穩定的服務（Dead services）將面臨最嚴厲的懲罰，它們會永遠失去 Agent 的調度，流量瞬間歸零。2/ Policy still gates purchasing 規則依然是購買行為的終極門檻雖然 Agent 可以秒級完成交易，但它們必須在既定框架內運行，比如支出上限、供應商白名單、資料儲存要求等。傳統的銷售漏斗（吸引、說服、轉化）並沒有消失，而是進化了。現在的篩選標準是既要“快和便宜”，更要“合規、可信、可審計”。 不符合合規要求的服務，性能再強也不會進入備選名單。與此同時，合規性本身正在轉化為機器可讀的程式碼。 以前需要逐字閱讀的服務條款，現在變成了機器秒讀的結構化資料。資料存多久、權限怎麼設定，全都寫在了 API 的數字標籤裡。那些由合規約束的 Agent，會本能地避開黑盒服務，優先採購那些支援程序化驗證的可信供應商。3/ The adversarial environment is real Agent 時代的叢林法則並不是每一個介面都值得信任。有的會返回無效甚至錯誤的資料，有的會藉機收集不該獲取的資訊，還有的誇大自身能力，只為了吸引更多呼叫流量。因此，Agent 不能只看表面結果，還必須具備一整套防護與驗證能力，例如結果校驗機制、隔離運行的沙箱環境，以及基於歷史表現的聲譽加權路由策略。只有這樣，才能在複雜環境中篩選出真正可靠的服務。對於服務商來說，願意在“可驗證性”和“透明度”上投入資源，會帶來長期優勢。因為在機器主導決策的市場裡，系統優先選擇的是可證明、可追溯、風險可控的服務。最終，可信度本身就成為最核心的產品能力。打造 Agent 原生服務Agent 已經在花錢了，只是它們正通過為人類設計的笨重介面來操作：註冊金鑰、瀏覽帳單後台、解析瀏覽器專用的價格頁。正如前面所分析的，如果創始人想把產品或服務賣給 Agent，請參考這份清單：Machine-readable capabilities 機器可讀的能力描述： 以結構化格式（如 JSON）發佈服務功能，而非行銷頁面。Pricing in the protocol 協議內定價： 在 API 響應中返回價格。Agent 不會去讀你的定價網頁。Automatable onboarding 可自動化的入駐： 實現從 Agent 從未聽說你的產品（或服務）到成為 Agent 的付費客戶的程序化閉環。Provable reliability 可證明的可靠性： 公佈即時指標和置信度評分。信任是衡量出來的，不是行銷出來的。Be faster and cheaper than self-computation 需要比自我計算更快、更便宜： 這是硬指標。如果 Agent 能花更少錢、用更短時間自己算出結果，它就不會呼叫你。未來無限可能是不是這些做法都給了你新的啟發，但是我們在實際實踐中，還需要延伸思考，以上所描述的經濟環境其實是隱含了一些重要假設的。1/ Agent 會成為主要採購主體它假設未來大量服務呼叫和採購決策由軟體自動完成，而不是由人瀏覽網頁、閱讀報價單再做決定。但如果企業仍然保持人工審批和主觀判斷為主，這套“機器最佳化市場”邏輯就不會完全全面成立。2/ 搜尋和評估成本接近零這是對 Ronald Coase 理論的延伸。它假設 Agent 可以通過標準化登錄檔快速發現能力、比較價格、驗證可靠性。如果現實中能力描述高度碎片化、介面標準不統一、質量難以驗證，那麼搜尋成本不會真正趨零。3/ 決策函數高度理性它假設 Agent 嚴格按速度與成本最佳化，不考慮品牌、關係或情緒等因素。這意味著市場會向極度理性、邊際成本驅動的方向演化。但如果企業刻意將品牌、長期合作關係或戰略繫結寫入規則，這個假設會被削弱。4/ 介面可標準化它假設價格可以寫入協議層，能力可以用結構化 JSON 描述，支付可以程序化完成。如果基於未來的支付系統、法律體系或合規要求等，無法支援這種自動化交易，Agent-native 市場恐怕難以形成。5/ 可靠性可以由機器來評估它假設服務的線上率、延遲、精準性都可以被量化並公開。如果大量服務缺乏可驗證的指標，agent 就無法理性最佳化，市場仍然會依賴品牌與信任關係。6/ 支付架構的標準化它假設支付將成為網際網路的基礎協議（Protocol），而非應用（Application）。 比如金融基礎設施允許微支付（Micropayments），即單次呼叫只需支付 0.001 美元，且無手續費損耗。這其實是非常具有挑戰性的，事實上微支付在技術上可行，但在現有金融體系中手續費、清算延遲與合規成本仍然存在。若缺乏低成本清算網路，單次 0.001 美元等級的支付難以實現規模化。只有當支付協議與網際網路基礎設施深度融合，自動化交易才可能普及。這一假設將會依賴金融基礎設施的演進，而不是單純技術突破。儘管上述技術路徑充滿了各種現實挑戰，但商業邏輯的演進從不以障礙為終點，而以效率為導向。歷史經驗反覆表明，當一項技術同時降低成本、縮短時間並擴大規模時，它最終會重塑商業邊界。AI 的演進也是如此。 (Miss LN)
