# AI

共 229 篇相关文章

从计费工时到无界规模:公司法的下一次重写 AI
Feb 23, 2026

从计费工时到无界规模:公司法的下一次重写

转发我与合伙人 Priscilla 在 Redpoint 内容中心发布的一篇文章。 对大多数员工和高管来说,“我们应该把这写下来”往往是交易从令人兴奋变得昂贵的时刻。然而,这种情况在实际上支撑经济的那些不起眼时刻里频繁发生。供应商合同需要在当天结束前进行红线修改。顾客要求一项非标准的赔偿条款。一个雇佣问题需要在假期聚会后立即处理(糟糕!)。公司法并非罕见事件;事实上,它是每一份订单、每一次合作、每一项雇佣以及每一次令人振奋的产品发布背后的操作系统。 更具讽刺意味的是,美国人每年在法律服务上的花费超过4000亿美元,但大多数公司在真正需要法律顾问时依然无法获得帮助。尽管法律职能至关重要且费用高昂,但大多数公司的法律部门仍停留在手工劳动和神秘定价的旧时代。如果你是《财富》500强,可以用人力和七位数(或更多)的外聘律师预算掩盖这些摩擦。但对于其他所有人——从种子轮初创公司到支撑全国主街的中端市场运营者——现实非常残酷:要么付钱、要么等待、要么冒险使用“差不多行”的模板和祈祷式策略。 多年来,这一直被视为经营成本中无奈的代价。如今,人工智能正在颠覆这一等式。在呼叫中心和工程等重型领域发生变革之后,公司法有望成为下一项其运营模式将被根本重写的成本中心。 弥合中端市场鸿沟 公司法律服务格局由巨额支出定义,但这些支出很少真正触及最需要它们的人。尽管企业法律服务的总体市场目前为1,940亿美元,但其中有320亿美元已被转向外包合同工作。我们仅在中端市场就看到一个90亿美元的特定机会,面向以人工智能驱动的外包运营商。尽管传统律所目前对该细分市场服务不足,现有面向企业的人工智能应用也忽视了这一领域,因而形成了一个特别有利的切入点。 市场规模估算方法:我们估计美国有 20 万家中端市场企业(National Center for the Mid-Market,2024),每家每年审查约 1,500 份合同,总计每年 3 亿份合同。约 20%当前由外部法律顾问处理(6,000 万份合同)。按每份合同约 150 美元计算,目前可寻址市场约为 90 亿美元。我们预测将有额外 10%的转向外包且具备人工智能能力的服务提供商,使未来可寻址市场扩大至约 135 亿美元(9,000 万份合同 × 150 美元)。   虽然这一机会看似明显,但单靠基础模型和法律副驾驶很可能无法抓住它。为什么?因为企业买家,尤其是全国数以百万计没有内部法律顾问的中小企业,即便有 AI 辅助,也没有精力去自成律师。他们需要有人替他们完成工作,而不仅仅是帮助他们自己去做。更关键的是,他们希望有执业专业人士在最终成果上签字以获得可信度。即便是最复杂的 AI 输出,在面对合同纠纷或在新管辖区接受监管审计时,也无法与律师信头所具有的分量相提并论。 这正是技术驱动型律师事务所作为一个独特且令人振奋的新兴类别出现的地方——它们并非简单替代人类判断,而是通过增强的杠杆策略性地部署人类判断。通过在关键决策点保留人工参与,同时自动化重复性、繁重的工作,这些事务所能够以对中端市场真正有意义的价格提供买家所需的专业背书。随着基础模型不断向更强能力推进,这类事务所随时间变得愈发自动化并提高利润效率,随着底层技术改进以与模型无关的方式捕捉上行空间。这是销售工具与销售结果之间的区别。在一个时间愈发稀缺且商业利害关系仍然很高的世界里,决定胜负的是结果——也是各业务职能中的 AI 买家所追求的。 成为一家以人工智能驱动的律师事务所并取得胜利所需的要素 要构建一家主导且定义类别的人工智能律师事务所,公司必须超越简单的软件,重新从头思考法律商业模式。成功需要在四个具体战略支柱上执行: 监管护城河: 最具战略眼光的创始人在亚利桑那州和犹他州等地获取替代性商业结构(ABS)执照,这些执照允许非律师拥有律师事务所。此类监管解锁使初创企业能够以风险投资支持的速度而非合伙委员会的步调,将法律服务扩展到全国范围。 人才套利: 一家 AI 公司好坏取决于为其指引方向的法律专家——而从传统大型律所疲于奔命中流出的顶级人才,正带来巨大的套利机会。这些律师带来了 AI 仍然欠缺的判决力和领域专长,提供高层次的监督以在模型持续学习的同时确保质量。这是两全其美——有经验的法律顾问,却没有传统负担。 先入为主,后续扩展 制胜策略从聚焦开始再向外扩展。最初应专注于高频、重复性的工作,如保密协议和主服务协议——这些领域最适合自动化,客户犹豫也最少。通过先与初创公司和已习惯将法律工作外包的企业合作,律师事务所可以用简单合同验证其模式,然后随着技术与信任的累积,向上游扩展到更复杂、利润更高的业务。 可扩展技术与差异化数据: 许多早期法律科技公司失败的不是愿景,而是执行:缺乏真正可扩展的基础设施。现代 AI […]

AI
Feb 23, 2026

你的组织结构就是我的机会:为什么 AI“副驾驶”无法修复真正的问题

一位创始人告诉我,他最难的问题不是产品也不是客户,而是招聘。他找不到能把多件事都做好的人。我想我知道原因。 另一方面,我跟一位为自己的 AI 推广感到自豪的高管聊过。每个团队都有 copilots,仪表盘跟踪采用率,他用二十分钟向我展示效率提升。我问他的招聘计划有何变化。没有任何变化。他说不出因 AI 而改变的任何一个指标,员工人数依然在增加。他给每个岗位上的每个人都配了一个 AI 助手,却把组织结构原封不动地保留了下来。 产品与设计之间依然存在相同的依赖关系。设计与工程之间依然有相同的评审周期。还是那些八个人开会,以便每个人“有背景信息”。产品仍然在说“优先级”。工程仍然在说“产能”。董事会想要第二季度的预测和关于“产品速度”的说明。每个人都很忙。大家环顾四周,感觉像是在取得进展。 这些角色过去说得通。产品经理有想法,工程师去实现。那种分工存在是因为你自己无法完成下一步。这是真正的技能限制,而不是某种流程问题。AI 打破了这一切,却似乎没人注意到,或者至少没人重新绘制组织结构图。 在一次面向非技术人员使用 Claude Code 的活动上,我看到一位投资银行家在当天下午为客户构建并上线了一个购物应用。现在从想法到完成的距离对所有人来说基本为零,而大多数公司仍然围绕着已经不存在的距离来组织架构。 我所知道的快速增长的初创公司已经不会只招一个产品经理或只招一个市场人员了。他们要的是修补匠 。早上与顾客沟通,午前构建修复方案,晚饭前发布上线。一个大脑从始至终掌握整个问题。不是因为他们不能承担专业化。因为每次工作交接都会造成上下文泄漏。而他们学会了避免这种问题。 我看到的最出色的原生 AI 创业公司每月在代币费用上花费数千美元,而不是增加人手。他们最大的一项开支不是薪资,而是算力。我认为这比任何 AI“战略”方案更能说明公司发展的方向。 你们公司仍为每个职能设置了岗位,并在各岗位之间留有间隙。这些间隙累计起来就是数周,而在这些时间里,你们的客户已经在与不按你们这种方式工作的人沟通。 每一家财富 500 强现在都在招聘首席 AI 官。这和十年前的“创新副总裁”有着相同的本能。你设立了一个岗位,以便组织的其余部分可以保持原样。Tobi Lutke 没有 CAIO。他就是 CAIO。 他的信念来自于实践,而不是简报。大多数 CEO 宁可雇人来代替他们拥有这种信念,这一点表现得很明显。 初创公司一直更快,这并不是什么新闻。变化在于 AI 让团队中的每个人都能把某个想法从构想到发布的产品独立完成,而不需要其他人参与。 按席计费的既有厂商 在每台笔记本上都有相同的工具,且其结构无论如何都会造成职能分离。 锅一直在沸腾。

将云计算经验应用于人工智能 企业级应用
Feb 23, 2026

将云计算经验应用于人工智能

或许不足为奇,我目前最关注的问题(至少是投资方面的)都围绕着人工智能。 人工智能被切断中间环节的风险有多大?人工智能将如何影响公司的商业模式?这家公司在人工智能领域有没有护城河? 有一次我在播客里听到摩根·豪泽尔说,要理解一个周期,最好的办法是回过头去读一下之前那些周期的头条。能源基础设施看起来很像铁路建设,数据中心可能像光纤,而在这种情况下,我在想人工智能是否很像二十年前开始的云迁移时代。 如果你读当时的头条,几乎所有人都说云会在一夜之间终结本地部署软件。事实上在很大程度上确实如此,但这是一个渐进的过程。到2011年,云的采用率仍只有22%,又花了六年才达到饱和。整个转型持续了十多年,在某些行业甚至仍在进行中。 我试图弄清的一件事是,在云时代哪些因素保护了企业,以及在人工智能时代哪些会继续保护它们。幸存者与牺牲者可能并非随机,我想知道当年作为护城河的品质或企业在云时代采用的战术,是否也能在人工智能时代为它们提供保护。 上周我在一个播客里听 Jon Gray 讨论长期趋势与周期性趋势,这在当前尤其值得警惕。与 AI 相关的一些变化是周期性的,属于市场的自然波动;同时,确有一些变化是结构性的,软件变得更容易构建,能源价格飙升,等等。 我们今后可以依赖什么?这一直是我试图剖析的问题。我希望从从本地部署到云的转变中,能为 AI 提供一些线索。 Salesforce 与 Siebel 在云转型期间,Salesforce 击败了 Siebel。Siebel 曾是占主导地位的本地部署 CRM——在未能适应变化后于 2005 年被 Oracle 以近 60 亿美元收购。当 Benioff 出去为 Salesforce 融资时,大多数风险投资人都对这项他们认为风险很大的企业押注望而却步。他们不相信云技术能盈利,也不认为任何人会同意把像客户数据这样敏感的东西放在别人的服务器上运行。 2021 年,Salesforce 的市值增长到 2700 亿美元。这是一个关于如何在技术变革中取胜的典型教科书式案例,同时也可能是对未来发展的警示。Siebel 曾是企业 CRM 的先驱。用旧模式做到最好,结果反而不如以较新、尚未成熟的模式率先占位。 而现在,Salesforce 成为我们在第一季度看到的 AI 抛售中的目标之一。 市场普遍认为(可能也是正确的),横向 SaaS 的护城河正在削弱。那家以云优先击败 Siebel 的公司,也可能因为在 AI 上位居第二而被取代。 CRM 工作流程具有非确定性,且正是 AI 代理可自动执行的任务类型。这个顾客会对哪些邮件做出回应?我们应该开展并创建什么营销活动?这些正是 […]

软件已死——软件万岁 :“SaaSmageddon”、垂直人工智能与氛围编码谬论 企业级应用
Feb 23, 2026

软件已死——软件万岁 :“SaaSmageddon”、垂直人工智能与氛围编码谬论

在短短三周内,Anthropic 推出了 Cowork、用于法律审查的 Claude 和用于 Excel 的 Claude。随后,软件类股暴跌,创下该类别在非衰退期内 12 个月最大回撤,为 30 多年来最大(下跌 34%,市值较峰值蒸发近 2 万亿美元)。1 汤森路透遭遇了其有史以来最糟糕的交易日——触发原因并非竞争对手的产品发布,而是一组包含结构化提示的 markdown 文件。摩根大通在其研究报告中题为“ 软件崩溃蔓延,无处可藏 。”杰富瑞创造了术语“SaaSmageddon”。 Joe Weisenthal@TheStalwart 今天被 AI 恐慌性抛售重击的是物流公司。 但奇怪的是,宣布这一新的 AI 货运产品的公司并不是某个先进的 AI 实验室,而是一家位于佛罗里达的便士股公司,主营卡拉 OK 机。 1:11 AM · 2026 年 2 月 13 日 · 39.9 万 次浏览 64条回复 · 100次转发 · 1140次点赞 本月有价值 4,000 亿美元的 SaaS 企业市值蒸发。ServiceNow 较去年高点下跌近 50%,CRM 下跌 40%,甚至 MSFT […]

我们即将失去学徒层 AI
Feb 23, 2026

我们即将失去学徒层

为什么人工智能应成为初级人才的培养者,而非处置者 一件令人不安的事情正在发生。 一方面,创始人和高管们在低声(或许并不低声)议论:“我们还需要大三学生吗?” 另一方面,大学仍像2012年一样培养他们。(2012–2025年间,美国人口增长约9%;同期授予的本科生学位约增长17%。) 而在中间,是人工智能。 不是作为一个模糊的力量或科幻反派,而是作为一个非常实用的工具,已经在重塑工作的完成方式。 我想提出一个具体的观点(在我们都四散逃跑之前): 人工智能可能是我们有过的最好的培训工具。 不是因为它神奇或能拯救我们免于失业(工作会被取代,我们别天真)。 但人工智能可以压缩从“新人”到“有用”的所需时间。如果我们不有意这样使用它,替代结果很明显: 我们将删除职业阶梯的最底层。 “新”的隐藏成本   每个组织都有同样的问题。 新员工代价高,因为他们是新来的。入职培训消耗宝贵资源。把新人培养到胜任水平是一项真正的投资。 通常你会看到新手忽略无形的流程步骤,难以把握什么是“好”的标准,犯下可避免的错误,不断打扰资深员工并需要持续的反馈。 大多数公司“解决”这一问题的方式是: 没人看的文档 依赖一位慷慨的大四学生的跟随学习流程 或更糟的是,仅凭氛围(别把这与我喜欢的“氛围编码”混淆!) 培训很少经过设计。它只是……自然而然地发生。 人工智能改变了这一局面。事实已经得到证明。 在麻省理工学院与斯坦福大学的一项联合研究 ,《职场生成式人工智能》 中,他们在若干情境下测试了对大三学生和大四学生使用人工智能的效果。一个例子聚焦于客户支持,为员工提供人工智能工具以帮助他们解决问题。技能最低、入职时间最短的人(在人工智能广泛存在的今天,这一点需要特意说明)在人工智能的帮助下每小时解决的问题数量提升最大。 研究发现,初学者和低技能工人的绩效提高了34%,而经验丰富且技能高的工人几乎没有改进。 让我给你举另外三个我在过去几个月里经历过的例子。 1. 面向开发者的黑客松   在最近一次由 Highline Hub 主办的编程马拉松上,Alexander Zidros 构建了一个名为 DevFlow 的工具。他将其描述为面向软件开发者的常驻任务追踪器,帮助记录从“进行中”到“完成”之间的每一个小步骤。 在他的演示中他说: 这对那些可能不了解从想法到生产级代码需要妥善完成的所有细枝末节的新开发者来说可能很有价值。 我笑了,因为在他说之前我就在笔记里写下了同样的想法。 是的,我仍然用笔记本写东西 新入职的开发者并不是因为缺乏智慧而吃力。他们之所以困难,是因为工作有隐藏的结构。 资深工程师都知道: 需要检查的边缘情况 部署细节 测试预期 命名约定 性能影响 “完成”在生产环境中究竟意味着什么 初级者看到功能。高级者看到系统。 虽然 AI 正在完成大量编码工作,但开发者作为协调者仍然很有价值, 大三学生 + 协调 = 非常危险,除非经过适当培训 。 2. 专业服务的信号   […]

一半的 AI 代理市场属于同一类别,其余广阔无垠 AI
Feb 23, 2026

一半的 AI 代理市场属于同一类别,其余广阔无垠

Anthropic 的新数据显示,软件工程在自治式 AI 中占主导地位。对创始人来说,这不是警告,而是一张藏宝图。 Anthropic 的数据表明,软件工程几乎占据了近一半的所有 AI 代理工具调用——而医疗、法律和另外十几类细分行业的占比均不到 5%——汉·王称这是大多数创始人忽视的蓝海机会。 来源:x.com 要点速览 软件工程占据了近 50% 的所有 AI 代理工具调用。 医疗、法律、金融和其它十几类细分行业几乎未被触及 ,每个占比均低于 5%。这意味着有 300 个垂直领域的 AI 独角兽等待被创造。 如果我今天要创办公司,我会盯着上方条形图中的红色矩形区域,直到看到我的未来。 软件工程占据了所有 AI 代理活动的一半。其余一半分散在 16 个垂直领域,没有任何一个超过 9%。医疗保健占 1%。法律占 0.9%。教育占 1.8%。这些并非饱和的市场,而是几乎不存在的市场。 Anthropic 刚刚发布了关于 AI 代理在实际应用中如何工作的最全面研究。要点是:在他们的 API 上,软件工程占代理工具调用的 49.7%。隐含的要点是:其他一切都是蓝海市场。 部署滞后 这应当让创始人垂涎三尺:模型的能力已经超出用户对它们的信任。 METR 的能力评估显示,Claude 可以完成需要人类近五小时的任务。但在实际使用中,第 99.9 百分位的会话平均仅约 42 分钟。AI 能做的与我们允许它做的之间的差距,是一个巨大的机会。 最长的 Claude Code 会话在三个月内几乎翻倍。这不仅是能力提升,更是信任的复利。照片:Anthropic 来源:x.com 在2025年10月至2026年1月期间,第99.9百分位的回合时长几乎翻倍,从不到25分钟增至超过45分钟。增长在各个模型版本间平稳进行。这不仅仅是更好的模型,而是用户在学习与代理协作过程中,逐步在一次次会话中延长信任。 “从八月到十二月,Claude Code […]

2025财年第四季度云端更新(软件发生了什么?) 企业级应用
Feb 17, 2026

2025财年第四季度云端更新(软件发生了什么?)

这对超大规模云服务商意味着什么? 鉴于它们处于科技生态系统的中心,我每季度都会撰写关于超大云服务商(Amazon、Microsoft、Google,以及某种程度上的 Meta)的更新。过去几个季度,这类评论主要聚焦于资本支出投资(本次更新也不会忽略这一点)。 但上个季度却是软件股历史上最糟糕的季度之一(注:我说的是股价,不是公司经营)。所以似乎别无他处可谈。 1. 软件到底发生了什么? 软件刚刚经历了有史以来最糟糕的月份之一。让我给你看一张过去两年里典型“记录系统”软件公司股价表现的图表: 来源:Generative Value 但这些公司的基本面(收入增长、利润率、客户保留率)并未发生实质性变化。 因此说明一下:这场“软件末日论”指的是对未来软件商业模式预期的重置,而不是“软件的死亡”。 这种预期重置导致软件行业出现了过去十年中的最低估值倍数: 来源:Altimeter 这种市盈率压缩主要来自两个因素: “软件是完美商业模式”的叙事导致了极高的估值倍数 软件企业的高毛利、经营杠杆、换挡成本和增长使许多人认为“企业软件是完美的商业模式”。这又导致这些股票的营收倍数非常高。但这一叙事最终高估了许多软件企业的市场规模和竞争差异化。 随着人工智能编码工具的兴起,人们对软件竞争优势的认知已大幅下降 去年我写过一篇文章,谈我认为未来十年软件商业模式的发展趋势 。简言之,随着软件变得更容易构建,软件公司的竞争优势会减弱,价值将越来越多地在价值链的其他环节累积。 我现在想重申这一点:今天构建软件是有史以来最难的。如果你把这些模型在五到十年间的改进过程放在一起考虑,构建软件的成本将继续显著下降。 这种既有高昂的初始预期又有明确触发因素改变这些预期的组合,导致了软件股的“崩塌”。 2. 那么,软件已经死亡了吗? 但在同一篇文章中,我也试图指出,这并不意味着“软件已死”。 让我现在详细说明。企业软件商业模式的魅力有两方面: 高运营杠杆: 一次编写代码,无限次销售(对客服、研发、维护、销售等的增量成本) 高转换成本: 放弃软件很麻烦,尤其是大型企业的“记录系统” 关于后一点,我参加过许多与大型软件产品客户(Microsoft、ServiceNow、Databricks、Workday、SAP 等)的会议,要让他们有兴趣迁移出这些平台需要非常大的努力。这些迁移可能耗时数年,往往非常痛苦。更重要的是,如果失败,项目导语的职业生涯将面临风险。 有一句流行的说法称企业软件就像年金(卖出一次,就能在几十年里持续收取那笔收入)。据我所知,对于大型记录系统来说,这种情况仍然成立。 未来增长来自何处,这是一个挑战? AI 代码工具的兴起对现有软件公司意味着:每新增一美元收入,都必须击败两个竞争对手: 一种提供相同服务的产品(尽管功能可能较少),但价格便宜得多(因为用 AI 构建成本低得多) 一种 AI 产品,提供与现有软件解决方案根本不同的服务 (而现有方案也会尝试构建 AI 产品) 那是场艰苦的战斗!历史上也有先例。与技术发展的历史一致,往往不是旧技术的收入完全枯萎,而是它的增长被新技术吞噬。 来源:Applied Materials 总之:高企的初期预期加上对 AI 编码工具削弱软件竞争优势的担忧,导致了软件估值倍数的崩溃。但大型企业软件工具的转换成本很高,这意味着现有的大部分收入基础至少在一段时间内是安全的。问题在于未来增长会来自何处,而答案尚不明确。 但鉴于本文主题,这对超级规模云提供商意味着什么? 3. 这对超级规模云提供商意味着什么? 过去几年里,推动 AI 基础设施建设及为其提供资金的超大云服务商资本支出,成为科技界最重大的新闻。 “软件之死”这一问题有助于解释为什么超大云服务商在为其人工智能建设投入巨资。其逻辑如下: 被颠覆的风险(球杆) 超大云服务商许多最大的客户(AI 实验室之外)是大型软件公司。 […]

智能的工业化:从软件到数字劳动力 AI
Feb 17, 2026

智能的工业化:从软件到数字劳动力

引言 1 对人工智能行业的分析似乎在两种框架之间反复摆动:一种把它视为高资本支出的聊天机器人平台,另一种则把它视为以通用人工智能(AGI)或超级人工智能(ASI)形式出现的“人类的最后发明”。前一种框架的优点是与现代科技行业的分类(从 SaaS 到其它 API 商业模式)相契合,但我也认为它往往会堕入“聊天机器人近视症”,经常忽略人工智能的恰当经济分析单位。后一种关于超级智能的观点更具吸引力,但也有些空泛,因为 AGI 和 ASI 仍然定义模糊,这会把任何商业分析从硬事实转向无法衡量的形而上学辩论。 在本文中,我主张人工智能不仅仅是另一波软件浪潮。相反,我将现代人工智能视为一种资本密集型的工业引擎,具有生产可重塑全球经济的数字劳动力的潜力。为分析这场革命,本文采用了劳动力视角,考虑到能力的“参差前沿”以及采用具代理性的架构时固有的实施差距。从自治架构到“数字工人”的飞轮,以下各节概述了塑造人工智能未来的一些关键向量。 摆脱聊天机器人近视症:从软件到数字劳动力。 人工智能行业占主导地位的分析框架常常把聊天机器人误认为是目标,而非上路的入口。本文将人工智能重新定位,不把它视为另一种软件类别,而是视为数字劳动力的出现。这一转变在经济影响上更接近工业革命而非软件浪潮。 国家治理的算法:超级大国的 AI 竞赛。AI 不仅有潜力改变消费者生活和企业竞争格局,也可能影响国家之间的科学、经济和军事地位。当国家竞争力,尤其是超级大国的竞争力处于关键时,政府对新兴技术的影响可能会显著改变其改进速度和社会普及程度。 主体性 AI 的挑战:把“智能”变为执行力。LLMs 擅长自然语言和解读模糊性,但企业和消费者需要的是确定性的精确表现。本文探讨了为何主体性自治源于架构,而非仅由模型能力决定,以及主体性 AI 如何在创造力与可控性之间寻求平衡。 参差不齐的前沿与人工智能进展的隐形形态。“参差不齐的前沿”解释了为何人工智能在某项任务上能胜过哲学博士,却在另一项小学逻辑谜题上不及格。这种不均衡的能力分布并非轶事噪音,而是基于概率模型的结构性特征,或许是理解人工智能经济影响的最重要概念。 代币、劳动与能动的飞轮。 本文认为代币通货紧缩既非漏洞也非商品化的令人担忧的信号,而是增长引擎。推理成本的快速下降拓宽了代理可执行任务的范围,加速了人工智能从工具向自治经济主体转变的进程。 人工智能竞争优势的来源。 尽管关于人工智能产业的许多分析集中在前沿模型实验室之间的竞争差异上,本文认为主要的竞争优势来源是在技术栈更高层形成的。智能代理架构是这里的关键机制,因为它们能捕获专有的上下文、“在工作中学习”,并深入整合到企业和消费者的工作流程中。 从应用商店到意图市场:人工智能对应用的影响。 图标、菜单和仪表盘是人为瓶颈的产物,而非最佳的计算界面。随着代理开始接管任务执行,最终胜出的产品将是为机器消费而优化的,而非为人类注意力而设计的。 从幂律到相变:重新思考人工智能的进展。 仅凭基准测试无法解释为何人工智能需要越来越大的计算和能耗投入。对金融和商业领袖而言,关键问题不是模型是否在改进,而是改进的机制本身是否在发生变化。 LLM 占主导地位,但并非唯一。 围绕 LLM 扩展的热潮并未解决关于如何构建智能的既有学术分歧。相反,随着企业将 AI 推向对话之外并应用于自治执行,这些争论重新回到聚光灯下。 对“Agentic:自动驾驶车辆”的概念性试驾。 文章认为自动和半自动驾驶车辆代表了当今在现实世界中部署的最先进的具代理性人工智能之一。并且该行业在安全、延迟和可靠性方面面临的制约,是企业和消费软件尚未遭遇的。 摆脱聊天机器人近视:从软件到数字劳动 人工智能产业的演进仍处于初期。因此,许多企业领导者仍在寻找理解其影响的框架。大多数人自然而然地试图把人工智能套入个人电脑、互联网或云计算革命的模式——主要因为这些变革是当今许多高管亲身经历过的。一些分析师甚至认为这“不过是软件”,暗示它最终只是 SaaS 市场的一个子集。 本文认为这种观点源自“聊天机器人近视症”:一种将第一个被广泛采用的应用(聊天机器人)误认为是技术最终形态的谬误。这种观点具有危险性,因为对话式聊天机器人只不过是通向具代理性的人工智能的垫脚石,而具代理性的智能体将成为该行业的主要应用领域。尽管前沿实验室经常讨论 AGI(通用人工智能)和 ASI(超通用人工智能),但这些目标与智能体并不相互排斥;事实上,据报道,“智能体”在 OpenAI 通向 AGI 的进程中被定义为第三级(图 1)。 图 1:OpenAI 的 AI 等级,20242 彭博社报道,基于内部 OpenAI 材料。 AI […]

企业级应用
Feb 17, 2026

人工智能拐点:从软件到数字劳动力

Bill Shope 的最新文章 关于智能工业化的论述在我最喜欢的摩根士丹利圈子里广为流传,它引发的讨论让我想起在交易大厅时期最喜欢的那类对话——那些努力在市场完全定价之前勾勒出拐点的讨论。只是如今,这种大幅震荡感觉不再像公开市场的波动性,更像是私募市场在竞相弄清 AI 对劳动力构成和产业结构意味着什么。 比尔的核心论点——我们正在构建的是数字化劳动力,而不是更好的软件——到现在已在领英上变得有些司空见惯(谢谢你,AI 垃圾信息!)。但通过他的分析视角来看,带来了一种那些平庸观点未能捕捉到的清晰度。 SaaS 的剧本在这里不适用 自从 ChatGPT 推出以来,创始人们把 AI 宣传为“下一波 SaaS 浪潮”,以我们已知的模式去类比——因为人们就是通过这种方式来理解颠覆性变化。 比尔(Bill)精彩地表达了一个观点:聊天机器人从来不是终点。它们一直是通往更深远变革的入口。 当 iPhone 推出时,人人都着迷于无需键盘就能查看电子邮件。我们放弃了心爱的 BlackBerry Messenger(安息吧),换来了蓝色气泡和自动纠错的尴尬。但真正的革命来自于开发者意识到他们可以构建原生应用,做出任何移动网站都无法实现的事情。Instagram 无法在浏览器中存在,Uber 也不行。 具代理性的人工智能就是这样的拐点。这些不是让人类更快的工具,而是能够感知环境、做出决策并执行、并产生真实世界后果的系统。它们不是那种脆弱的采购软件,需要三个人批准一张 200 美元的订单。它们是智能系统,能够监测库存水平、与供应商实时谈判,并在生产计划变化时自动补单——有效执行那些会让你不堪重负的采购团队花费数日协调的决策。 真正重要的经济学 我们许多投资者为推测人工智能如何重塑终端市场与公司经济学消耗了大量精力。比尔的劳动视角极好地重塑了这一讨论。 当你销售软件时,会受到座位数量的限制。然而,当你销售数字化劳动力时,你的可寻址市场规模(TAM)将成为全球劳动力市场的函数。因此,代理人以指数级方式扩展了经济上可行和可触及的范围。原本因成本过高或过于复杂而难以雇佣的任务变得可行。影子可寻址市场以使传统市场规模估算显得狭隘的方式出现。 今天,这仍然是人工智能中最被低估的动态之一——它有能力释放那些在工作成本过高时根本不存在的需求。 代币通货紧缩推动了这一飞轮。正如 Bill 指出,使用 AI 的成本每 12 个月大约下降 10 倍——远比摩尔定律的速度快得多。更便宜的代币扩大了可自动化的范围,使得在六个月前因成本过高而不可行的任务上运行代理变得可行。更好的模型降低了成本,进而增加了使用量,为更好的模型提供资金。是的,落地差距确实存在(企业有那种在数据沼泽中跋涉的“有趣”工作),但政府参与和 AI 辅助的实施平台正在创造一些强制性推动力,以前的周期从未见过这样压缩时间线的方式。 护城河真正形成的地方 在 AI 浪潮掀起几年后,人们越来越清楚,LLMs 本身可能不会成为大多数市场的护城河。像 MCP 这样的标准比预期更快地将连接性商品化。那么防御力从何而来?Bill 对情境捕获提出了有说服力的论点,这与我最近的 沉思相一致。 归根结底,智能体是情境瘾君子。它们需要在恰当的时刻获得精炼的数据。胜出者将是从一开始就把情境捕捉内嵌于基因中的那些企业——不是事后补救,而是作为其核心竞争优势。对企业而言,这很可能意味着随着时间推移成为记录系统,而不仅仅是运行在其上的另一个应用程序。对面向消费者的产品而言,则意味着积累行为模式和环境感知,这种积累会随着时间产生复利效应,形成一种不是令人感觉受限的锁定,而更像“这个东西就是懂我”的换用成本。 这也解释了为什么尽管在一些更喧哗的终端市场里感觉竞争愈发激烈,垂直人工智能的机会依然如此诱人。通用智能体虽能做出很棒的演示,但真正的价值来自于对特定工作流的深刻理解,以及构建能够判断何时需要精确、何时应由创造力主导的编排层。 那些解决特定终端市场问题的公司——比如法律领域的 Finch 或 Legora、医疗领域的 Abridge 或 Valerie Health、以及横跨传统行业的 Liberate 或 Trunk Tools——并不企图对所有人提供一切服务。在 Redpoint,我们看到随着它们扩展为端到端平台,这些基于特有情境的护城河不断累积,甚至比我们最初在 Redpoint 投资时的预期还要广泛。 […]

垂直型人工智能能否存活? AI
Feb 17, 2026

垂直型人工智能能否存活?

在过去三周里,尤其是 Anthropic 表现异常强劲。Claude Code、Cowork、Claude for Excel 和 Claude for legal review 的推出,让整个 SaaS 行业和新兴的垂直人工智能生态系统都开始提出质疑。 垂直型人工智能本应是本轮风险投资基金关注的应用层机会。利用基础模型,深入嵌入某个垂直领域,构建代理来协调复杂的长尾工作流,希望能打造出可防守的产品和商业模式。但基础模型公司清楚垂直化会推动扩散、采用和营收,所以他们也在进行垂直化,而且速度很快。垂直型人工智能公司应该担心吗?当然,不过并非所有公司面临的风险都相同。 我认为能够竞争的垂直 AI 公司,是那些掌握我所谓“最后一公里”的公司,即在特定情境中为特定结果提供具有明确责任的智能。这意味着: 将智能和结果与现实世界的责任、行政及监管端点进行协调。 与权威机构、审计员及现实世界系统管理关系。 处理模型无法预见的例外与边缘情况。 在数字与现实世界之外交付成果 “最后一公里”的可防御性是一个光谱 我将“最后一公里”协调视为一个从短到长的光谱。处于“短端”的更容易受到基础模型侵蚀,而处于“长端”的则较不容易。自然地,“最后一公里”在每个领域并非都同样“长”。有些领域比其他领域更容易受到影响。这里给出一个快速的思维框架: 维度 短末端配送 长末端配送 首单结果影响 在数字领域内 超越数字与现实世界 结果的责任 由用户承担 被公司吞并 协调 仅在人类与人工智能之间 在人类、人工智能与现实世界系统之间 审计要求 无或内部 外部或强制 参与模式 交易型——大部分使用可以作为全新的流程起步 扩展的长流程,具有情境与工作流的固化 最短的最后一公里 : 营销文案、图像生成、内容起草。这些属于交易型输出业务。基础模型会吸收它们,若尚未吸收的话。参见 $FIG。 简短 : 代码助手、基础法律起草、研究副驾驶。有用,但肤浅。Claude 和 OpenAI 已经到来。 中甲 : 合同分析、财务建模、内部工作流自动化。我们已经开始看到 Claude、OpenAI 和 Gemini 在这里插旗。像 Rogo、Harvey 和 Hebbia […]

AI 定价与货币化策略手册 企业级应用
Feb 17, 2026

AI 定价与货币化策略手册

这是一份面向创始人和 AI 产品负责人关于如何在“每个代币都有成本、每位顾客期待指数级成果”的世界里获取价值的早期入门指南。 每一款新的 AI 产品通常有三个目标:触达新受众、通过新功能深化参与度、以及扩大可寻址市场总量。但在 AI 定价的核心有一个改变一切的残酷事实:与传统软件不同,提供 AI 服务并非免费。 销售成本(COGS)——具体指计算和推理成本,以及诸如“人工介入”之类的客户支持——在变现策略中占有重要地位。与传统 SaaS 不同,后者服务每增加一个客户的边际成本几乎为零,而每一次 AI 查询都会产生不可忽视的开支。你的定价必须既考虑到这些实质性的单位成本,又要体现你所创造的价值。 创始人和产品负责人面临的挑战在此显现:AI 仍处于早期阶段,可靠的定价基准稀缺。由于每种模型和行业运作方式迥异,比较 AI 公司常常是“苹果与橘子”的对比。然而,通过我们与多个行业中数十个 AI 团队的合作,已观察到超越单一细分市场的模式与陷阱。 AI 定价要点速览 你的计费指标是一项战略宣言,不仅仅是账单决策:Tokens 对技术型买家有效,但会让其他人困惑。以结果为导向能最大化价值一致性,但需要承担成本波动。根据客户愿意为之付费的内容做出选择,然后建立运营纪律以实现盈利。提示:当你不确定时,混合模式(基础订阅 + 使用量/结果分层)更具优势。它在为客户提供可预测性的同时,随着客户规模增长捕获上行收益——是早期创业公司的有效中间路径。 AI 经济学与 SaaS 根本不同——COGS(销售成本)再次重要: 每次 AI 查询都会产生真实的计算成本。公司的毛利率为 50%–60%,而 SaaS 通常为 80%–90%。如果在 10 个客户时数学不成立,到了 1000 个客户也不会成立。从第一天起就跟踪真实成本(包括创始人时间),并设计能覆盖计算成本同时捕获客户价值的定价。 “软”投资回报率定位会扼杀支付意愿: 提供建议但不闭环的助理处于危险的软 ROI 区域——客户会质疑“我们真的得到价值了吗?”随着 2025 年的试点进入 2026 年的续约期,定价必须反映实际价值,而不是承诺。 通过摩擦而不是电子表格找到你的定价甜点: 先定一个价格。如果客户立刻说“成交”,那你定得太便宜。逐步提高,直到听到“我们得考虑一下”。在它成为阻碍之前停止。这就是数十亿美元公司找到定价甜点的方式。大多数创始人默认采用成本加成(计算成本,然后翻倍),因为开口要更多让人尴尬。以价值为先。定价塑造你整个 GTM(市场进入)动作和组织结构。 定价决定了销售、客户成功和产品团队的运作。Intercom 每次“分辨率”收费 0.99 美元,让每个团队围绕一个结果达成一致:工单已解决。基于结果的合同带来了新问题:AE(客户代表)应如何估算可扩展的交易规模?客户成功应捕获多少上行收益?避免复杂性陷阱——找出一种在 10 […]

Saa 末日首席执行官生存指南 企业级应用
Feb 17, 2026

Saa 末日首席执行官生存指南

从 30 倍到 3 倍。SaaS 并未死亡,但你的旧策略该弃了。 我是一个正在康复的 SaaS 前首席执行官。我以感觉太早的时机卖掉了公司——在 COVID 时代那些 30 倍收入估值出现之前。如今,随着“SaaS 末日”(SaaSpocalypse)降临、SaaS 估值倍数压缩到 3 倍,也许我当时离场正合时宜。 我对那次退出的感受随之大起大落。起初我觉得还好,后来又觉得自己像个傻瓜。现在我更多的是对仍在赛场上的 SaaS 首席执行官感到同情。 这是一个奇怪的时刻。关于 SaaS 衰亡的讨论已经很多。起先,软件要吞噬世界。如今,人工智能在吞噬软件——也许也在吞噬世界。 SaaS 死了吗?没有。软件不会消失。但那种溢价估值可能已永久不再。增长放缓、市场竞争加剧,而曾经不惜一切代价奖励经常性收入(ARR)增长的投资者胃口,已经转向了一个全新的类别:具有行动能力的人工智能(agentic AI)。 我对“现在 SaaS CEO 应当怎么做?”这个问题的答案没有任何既得利益,只有一种同袍之情。我曾长期身处那群孤独的 CEO 之中,也认识许多仍然在其中的人。因此我整理了一份生存指南——如果我今天在经营一家 SaaS 公司,会做的十件事。   1. 接受旧有估值倍数不会回归的现实 别再用 10 倍营收来估值你的公司。市场已经重新定价了 SaaS,寄希望于回到巅峰倍数并不是一种策略。开始按 2–3 倍营收来规划。这个数字会影响后续的每一个决策——融资、并购、现金消耗等。 2. 认识到你已无可失去 一旦你意识到公司价值可能低于清算优先权(很可能如此),一切就会改变。你不再是在保护现状。你可以采取极端行动——而且应该如此。 3. 好奇而非愤怒 在你所在领域,有一家三年前成立、营收只有你十分之一的本地智能代理创业公司。它的估值比你现在高得多。这让人难受。他们很可能有投资者主动来谈,而你可能筹不到资。但与其生气,不如好奇投资者为何愿意支付这种溢价。答案就在于机会。 4. 看到 100 倍的可寻址市场(TAM)机会 真正的解锁点在于:具代理性的人工智能不仅仅是改进现有工作流程——它能自动完成整套结果。这些是全新的市场,远比你的 SaaS […]