熱鬧是展會的，帳本是自己的。
今年WAIC，是史上最大規模，也幾乎是最“熱鬧”的一屆。
但在熱鬧之外，如大家所知，虎嗅做了兩場”安靜”的活動：
一場連續8小時、7場、20位CEO級實幹家入席的「AI帳本公開日」對談直播；
一場27位高層圍桌而坐，4小時的AI決策者閉門會；
我們只追問一件事：當AI從模型能力走向真實產業，它到底創造了多少價值？
以下，是挑出的最有力道的42句話。
它們來自真實的產線、預算表和組織陣痛。
Token帳：Token不是價值，結果才是
01
“+AI”是在舊流程上增加幾個AI功能；
“AI+”是從智能體出發，重新設計產品、流程和組織。
02
好的場景牽引 + 清晰的場景定義 + 工作流強介入 + 環境資料軌跡回流 = 垂類Agentic Service壁壘。
03
Token的第一消費者，正在從“人”變成”機器”，Agent的呼叫是碎片化、高頻化、7×24小時不停歇的。
04
今天企業主要按Token數量付費，未來更可能按任務和結果付費，因為客戶最終關心的還是事情有沒有辦成。
05
便宜的算力並不稀缺，又便宜、又穩定、需要時還能馬上找到的算力，才是稀缺的。
資源切換時讓客戶毫無察覺，才是真功夫。
06
別只比Token單價，要比任務總成本。
一次任務需要多少呼叫、多少重試，最終有沒有交付結果，才是企業真正該算的那一行。
機器人帳：展台看上限，產線看下限
07
產線不獎勵偶爾的高光。
機器人不吃飯不睡覺，只要連續作業能力成立，即使單次節拍暫時低於熟練工人，全天綜合產出也能算得過帳。
08
在每天重複上萬次任務的產線上，1%的失敗，就意味著持續不斷的異常和停線。
機器人商業化首先要守住的，不是能力的最高點，而是穩定性的最低線。
09
燃料只能讓機器運行，教育會讓它的能力發生變化。
人類示範是老師和教材，模擬負責規模化練習和考試，部署後帶回的錯誤和反饋，是機器人的”繼續教育”。
10
技術史就是分散、驗證、收斂的循環。
客戶不會為VLA或世界模型的概念付錢，只會為機器人理解物理規律、完成任務付錢。
11
機器人進入真實環境後，節拍會肉眼可見地提升。
探索過上千個場景，最終收斂到工廠裡邊界最清晰的任務；
連最擬人的靈巧手，在壽命、節拍和演算法成熟度上也過不了工業這關。
12
機器人上去不能出事故，還得能幹活。
那怕是單一場景，客戶要的也是一組復合指標：
精度、節拍、可靠性、平滑度，缺一不可。
13
世界模型幫機器人把動作做准，但動作正確不等於業務成功——
送物機器人順利到了電梯口，卻堵在那裡等了15分鐘，每個動作都對，整體任務卻失敗了。
落地帳：Agent進企業，難的不是模型，是流程和人心
14
Agent進入大型企業要翻三座大山：
知識梳理約3至4個月，系統連接和舊系統改造3至4個月起步，權限治理再要1至2個月。
15
企業真正無法接受的未必是貴，而是算不清。
一個應用會消耗多少Token沒有穩定標準，大企業連預算都沒法做。
16
17
真正的Agent轉型，不是在舊流程的幾個節點插幾個AI按鈕；
而是把”以人為中心”的流程，重構為”以Agent為中心”。
18
AI同事的價值不只在上班時間。
讓Agent能夠24小時持續執行任務，是AI原生組織的日常。
19
通過Benchmark，不代表企業就敢上線。
財務、生產、合規流程裡，那怕0.1%的不確定性也可能是巨大損失。
模型越聰明，企業越需要驗證、權限管理和人工兜底。
20
AI不會自動加速一家企業，它會先暴露過去數位化建設中的問題。
21
工具能生成一百個方案，但識別高價值問題仍然靠人。
決定”該解那道題”的，還是管理層。
22
衡量AI項目有沒有效，不看接入了多少模型；
而看組織、流程和崗位上的人，有沒有發生能被感知的改變。
終端帳：把AI裝進硬體不難，讓人每天使用才難
23
家庭機器人進家門的第一天，可能只有幾個成功率30%—50%的單項能力。
它要在真實家庭裡持續學習，把成功率養上去。
24
模擬覆蓋不了真實家庭的家具擺放、成員習慣和突發狀況。
產品賣進家門，不僅是一次銷售，更是資料飛輪開始轉動的時刻。
25
端側一次性硬體投入，換來的是不再為每一次呼叫操心。
但Token自由不是免費——晶片、記憶體、能耗和維護，都在帳裡。
26
從GUI走向NUI，裝置開始基於視覺、語音、位置和長期記憶主動服務。
新終端的價值，不是把手機介面搬到眼前，而是讓服務發生在使用者開口之前。
兌現帳：別再賣”賦能”，客戶只為結果簽字
27
AI生成一份素材，不等於素材能上線、轉化並產生收入。
工作能獨立閉環，客戶才能驗收，預算才敢持續。
28
付費率長期很低、靠新增使用者掩蓋問題，增長越快，虧損越大。
29
Token是基礎設施，客戶看的是最終結果。
模型和算力會不斷降價，真正能被客戶記住的，是交付出去的價值。
30
只有客戶的帳上至少看到一項明確變化了：
更便宜、更高效，或者質量更高，服務商自己的商業模型才能成立。
31
商業核心先成立——使用者獲得足夠價值、願意付足夠的錢、交付後還有毛利——增長才有意義。
不然，增長越快，漏洞越大。
32
真正的護城河是企業長在真實工作裡，模型拿不走的上下文：
專家的判斷、思維框架和崗位經驗。
33
AI負責追問和整理，但洞察必須來自真實使用者，每個結論都能追溯到原始表達。
在高信任場景裡，可追溯性本身就是產品價值。
組織帳：執行變便宜後，判斷、責任和願力變貴
34
當知識和執行都變便宜，人的差異越來越集中在：
從0到1定義問題、建立關鍵關係、堅持審美標準，以及非把一件事做成不可的心力和願力。
35
總想自己幹完的人，不會想到讓AI替自己幹。
“怎麼讓AI不取代我”和”怎麼讓AI幫我做成一件事”，是防守和進攻兩種完全不同的心態。
36
想要穩定的職業位置，就去靠近AI拿不到的資料；
想創造新機會，就要有跨行業的交叉認知。
37
每一次生產力變革，本質都是讓稀缺的服務變得普惠。
找到稀缺，再用AI把它變普惠，就是這個時代最大的機會。
38
執行可以交給AI，判斷可以人機磨合，但擔責必須是人。
交付出錯，企業不能”刪除一個Agent”就了結。
39
很多企業只用AI最佳化了執行，卻沒有減少會議、等待、匯報和資訊傳遞。
40
把各部門的職責、流程、資料、判斷和交付全部攤開，重新分配責任和利益——只加速中間環節，不是AI Native。
41
審美和標準很高、執行偏弱的人，AI正好補上執行。
真正危險的，是既沒有判斷標準，也沒有主動性。
42
尾聲：AI這本帳，才剛剛翻到最難的一頁
這40句話，來自不同的產業位置，他們也並沒有形成完全一致的答案。
但有一項變化非常明確：AI行業正在從”技術能不能實現”，進入”經營上能不能成立”。
孫天澍在閉門會留下的那句判斷，可以當作這兩天的註腳：
“未來的一年兩年三年，可能決定產業未來20年30年的格局。”
Token最終能夠創造多少可以被驗收、被付費、被覆購的產業價值？ (虎嗅APP)