AI 并非机会，AI 所引发的经济扰动才是机会
我始终试图区分的一点是：一个人发现的是一种套利机会，还是打造出了一门生意。最有价值的公司，往往是那些掌握了创造经济效益机制的公司，而不只是那些在短时间内恰好从中受益的公司。
AI 不是机会，AI 所造成的经济扰动才是机会。
Will Quist
背景
我对 AI 的思考始于一个相当简单的问题：这个世界的运行机制中，是否出现了某种裂缝，将改变经济流动的方式？
有了 AI，答案显然是肯定的。
人们犯的错误是止步于此。仅仅因为颠覆存在，并不意味着你就能攫取其中的任何价值。真正的问题在于，什么能让你对上行收益拥有不成比例的索取权，以及构建这种索取权的成本是否低于它最终的价值。
更广泛地说，这就是我看待风险投资的方式。我不是主题型投资者。我不会每天早上醒来都去寻找下一家 AI 公司或下一家医疗健康公司。我的工作是建立一套评估新颖想法的框架，并判断它们是否适合风险资本。
我们最终寻找的是这样的假设：它们确实不符合主流共识，能够被证明为真或为假，可以用合理规模的资金进行验证，而且如果被证明正确，就会客观地产生价值。
市场信号
我认为，人们夸大了 AI 对软件经济学的颠覆性程度。
但这并不意味着 AI 不重要。我整天都在使用 Claude 和 ChatGPT。我认为，这是我们将会看到的最重要的技术变革之一。
但如果你把视角拉远来看，数十年来，软件的构建和分发成本一直在下降。我认为，从客户端—服务器软件向 SaaS 的转变，实际上比从 SaaS 向 AI 的转变更具颠覆性。
现实情况是，大多数软件企业从来都不是仅凭代码就能构筑护城河。若真如此，SaaS 从第一天起就会是一门拥有惊人自由现金流的生意。可事实上，大部分经济收益都流向了销售和营销，因为竞争性产品总是能够被开发出来。
AI 进一步降低了构建软件的成本，但它并不会神奇地解决分发、客户获取、工作流程采纳或组织变革管理等问题。
这就是为什么，当我听到那些纯粹围绕效率提升展开的 AI 路演时，通常会持怀疑态度。这些提升确实存在，但它们往往是套利，而不是生意。
第一个发现效率机会的人能够赚取其中的价差。但最终，其他所有人都会获得同样的工具，而这部分价差也会在竞争中被抹平。
我一直在问的一个问题是，这种杠杆究竟是专有的，还是商品化的。
要点
-
AI 本身不是机会。AI 所创造的经济性颠覆才是机会。AI 正在改变各个行业，这一点显而易见。更难回答的问题是，为什么你理应获取所创造价值中不成比例的一大部分。
-
我寻找的是新的假设，而不是共识市场。 最好的风险投资并不一定是逆向而行。它们是那些市场尚未被激励去思考的想法，在其他人赶上之前，一个清晰的实验就能证明其中有价值的东西。
-
大多数由 AI 驱动的效率提升最终都会被市场消化进价格中。 如果你只是套用现成的 AI 工具来提高企业效率，这当然有用。只是很难围绕一件所有人都能做到的事，建立起持久的企业价值。
-
工作流程的采纳比大多数人意识到的更重要。 构建技术往往是较为容易的部分。真正更难的，通常是让组织改变行为、采用新的工作流程，并实现实际的投资回报。
-
估值应被视作一种杠杆。 任何时候，只要你凭借自身权益获得了本不该达到的更大发展，你就在使用杠杆。无论我们谈的是债务还是估值，这一点都成立。判断正确时，杠杆非常有利；判断错误时，它带来的打击同样猛烈。
-
并非每一项软件创新都应该变成一家软件公司。
创业者经常忽视的一点是，仅仅因为创新体现为软件，并不意味着最佳的经济结果就来自销售软件。有时候，更好的答案是纵向一体化、掌控运营，或采取其他能够捕获你所创造的更多经济价值的结构。
-
AI 周期很可能会和其他所有周期一样。 我不知道这会在什么时候发生，但如果这最终成为首个没有经历某种繁荣与萧条循环的重大技术浪潮，我反而会感到意外。
唯一真正的问题只是时机。
我始终试图区分的一点是：一个人究竟是发现了套利机会，还是建立了一门生意。
套利是你发现的东西。企业是你创造并掌控的东西。
最有价值的公司，往往是那些掌握经济效益生成机制的企业，而不只是那些在短时间内恰好从中受益的公司
AI 的不可理解性就是护城河
Sam Lessin
背景
围绕 AI 的讨论已经发生了转变。去年的叙事很简单：AGI 即将到来，机器将接管一切，而你最好尽快跟上。这样的说法不无道理。如果哪怕只有一丝可能是真的，你都必须认真关注。
而今年的问题则现实得多： 所有这些代币支出究竟真正值多少钱？
如今，各家公司正在为 AI 投入真金白银。不是试验性质的资金，而是运营支出。一旦你不断把大笔资金投入这座熔炉，最终就必须追问：产出是否足以证明投入是合理的。
挑战在于，大多数人仍然没有一个将智能视为经济资源来思考的框架。
市场信号
如今，理解模型最简单的方式，不是把它们看作软件，而是看作劳动力。
设想一下，前沿模型就像智商140、每小时收费200美元的哲学博士；而更小的开源模型则像称职的高中教师，每小时收费20美元。
现在设想你有一项任务。也许是报税准备，也许是总结文件，也许是对数千笔交易进行分类，也许是将海量信息整理成可供使用的内容。
问题不在于“哪个模型更聪明？”
真正的问题是： 犯错的代价有多高？
如果犯错会带来灾难性后果，你就会为智能买单。如果正确率每提高一点点都能创造巨大的经济价值，你也会为智能买单。
但如果犯错的下行风险有限，而稍微更正确所带来的上行收益趋于递减，那么为智能支付高出10倍的成本就几乎毫无意义。
大多数企业尚未学会以这种方式思考。
要点
-
并非所有智能都生而平等，也并非所有任务都值得投入同等水平的智能。
我们仍然默认每个问题都值得使用现有最聪明的模型。这种假设很少成立。大多数任务并不需要一个哲学博士。它们需要的是“足够好”。
-
真正需要优化的问题，不是模型质量，而是让智能与经济性相匹配。 投资回报率最高的组织，未必会使用最好的模型。它们会变得极其擅长判断：哪些地方值得投入高端智能，哪些地方则不值得。
-
核实正日益成为隐形的成本中心。 耐人寻味的一点在于，在许多情况下，核实答案的成本几乎与生成答案本身一样高。
这种情况无处不在：新闻、科学研究、金融分析、企业工作流程。核查工作的成本正越来越接近产出工作本身的成本。
-
不透明性正在支撑当下的 AI 定价。 大多数买家实际上并不知道智能曲线会在何处发生拐点。他们不知道一套 200 美元的解决方案何时会比 20 美元的方案显著更优。当不确定性很高时，人们往往会默认购买更昂贵的选项。这种不确定性正是支撑当前 AI 经济模式的部分因素。
-
难以读懂本身就是护城河。 眼下，没有人对以下问题形成真正成熟的直觉：
什么才算“足够好”，哪些任务值得动用前沿模型，在哪些情况下智能的微小提升能够带来价值的递增，或者何时核实比生成更重要。在这些框架形成之前，买家将继续为确定性支付过高代价。
未来或许不属于拥有最聪明模型的公司。它可能属于最懂得判断智能究竟何时值得付费的公司。
这是一个混乱得多的问题。
而此刻，恰恰是因为没有人能自信地回答这个问题，整个市场才因此陷入停滞。
