由红杉 AI 峰会闭门会引发的部分思考

推荐语

探索AI如何重塑商业模式和经济形态，洞悉人工智能领域的未来趋势。

核心内容：
1. AI商业逻辑的转变：从卖工具到卖收益
2. 操作系统式AI的崛起：AI从被动调用到主动调度
3. 智能体经济的成型：AI时代的商业模式变革

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

在科技浪潮汹涌澎湃的当下，人工智能已成为引领变革的核心力量。第三届红杉资本 AI 峰会的闭门会议，集结了全球 150 位顶尖 AI 创始人，经过 6 小时的深入探讨，众多前沿观点和共识浮出水面。这次峰会不仅为我们揭示了 AI 领域的最新趋势，更为我们思考 AI 如何重塑商业模式、技术架构以及未来经济形态提供了全新的视角。

峰会核心观点：AI 商业逻辑的重塑

AI 从卖工具到卖收益

传统的软件销售模式，尤其是 ToB 领域，一直以功能为导向。企业购买软件，是为了提升效率、自动化流程等，软件的价值体现在其功能的多样性和易用性上。然而，红杉资本合伙人 Pat Grady 在峰会上明确提出，AI 的商业逻辑正在发生根本性转变，即从 “卖工具” 迈向 “卖收益”。

这一转变意味着，客户不再愿意仅为软件的功能付费，而是更关注软件能否直接为他们带来可衡量的、实实在在的收益。例如，过去的 CRM 软件，企业购买是为了更好地管理客户信息、辅助销售流程；而如今，AI 驱动的 CRM 智能体，其价值在于能够直接帮助完成一定数量的客户转化，从而为企业创造收入。这种基于成果的定价模式，要求 AI 产品必须能够深度融入客户的业务流程，精准地解决业务痛点，并最终以业务成果为导向来衡量其价值。

这种新逻辑对 AI 产品的能力提出了更高要求。产品不仅要具备强大的功能，更需要深刻理解客户的业务需求，能够在复杂的业务环境中稳定地交付成果。这促使 AI 企业必须更加注重产品的实际应用效果，而不仅仅是技术层面的先进性。

操作系统式 AI 的崛起

峰会还强调了 AI 主语的转移，即从 “被调用” 转向 “主动调度”。OpenAI CEO Sam Altman 展示了清晰的时间表：2025 年 AI 代理开始工作，2026 年 AI 将发现新知识，2027 年 AI 将进入物理世界创造价值。这表明，AI 正在向操作系统的层面进化。

在云时代，微软的 Windows 是操作系统的核心；移动时代，iOS 和安卓占据主导。而 AI 时代的操作系统，不再是传统的装机软件，而是任务调度系统。它能够记住用户，理解用户意图，并代表用户采取行动。例如，LangChain 提出的 “智能体收件箱（Agent Inbox）”，成为触发众多智能体协同工作的入口，取代了传统的聊天框，成为系统总线式的存在。

这种操作系统式的 AI，将重新定义用户与软件的交互方式。用户不再需要主动操作工具，而是通过简单地发出指令，让 AI 代理去完成一系列复杂的任务。这不仅提高了效率，还改变了软件的分发逻辑。谁能够成为用户意图的第一个承接者，谁就能掌握系统的调度权，进而控制资源分配。这对 AI 企业来说，意味着需要构建更加智能、更加主动的系统，以抢占这一入口级的机遇。

智能体经济的成型

红杉合伙人 Konstantine 提出了 “智能体经济” 的概念，即未来的 AI 不仅是被调用的模型，而是能够行动、决策、合作的经济参与者。智能体具备持久身份、行动能力和信任协同三大要素，它们可以组成网络系统，相互交换价值。

例如，Anthropic 的 Claude Code 不再只是一个代码生成器，它能够主动提交 PR、评估代码质量，并协调其他智能体共同完成任务。这使得智能体不再是一个简单的工具，而更像是一个具备产出责任的工程角色。随着 AI 从 “回答工具” 变为 “自主代理”，协作成为关键能力，新的组织结构也在逐渐形成。人类的角色也从 “控制者” 转变为 “编排者”，设计智能体的职责、接口与信任边界，构建一个人 - 智能体共生的经济网络。

AI 颠覆传统软件 ToB 销售模式

长久以来，传统软件 ToB 销售模式往往侧重于产品功能的推销，强调软件工具能够为企业带来的便利性提升。然而，AI 的崛起正彻底改写这一局面。如今，AI 应用的价值衡量标准已从单纯的功能提供转向是否能切实满足客户的真正需求，并为其带来可量化的成果。

以 OpenAI、Ramp、Sierra 等为代表的应用层玩家，不再执着于比拼 “最先进的 AI 模型”，而是全力聚焦于 “谁能交付成果”。这一转变意味着，企业在选择 AI 应用时，不再仅仅关注产品的功能清单，而是更看重其能否在实际业务流程中发挥作用，完成从起点到终点的全流程任务交付，并为企业带来明确的价值提升，比如成本的降低、效率的提高或是业务增长的加速等。

这种变革对 AI 产品的研发与销售提出了全新的挑战。研发团队需要深入理解不同行业客户的业务痛点，以客户需求为导向，构建端到端的解决方案。销售团队也需要转变思路，从推销工具转变为展示成果，通过实际案例和数据，向客户证明 AI 应用能够为其带来的实际收益。

端到端逐渐迭代的商业 AI 模型优势凸显

在企业的业务发展进程中，端到端逐渐迭代的商业 AI 模型正展现出独特的适应性。这类模型具有多方面的显著优势：其成本壁垒较低，无需投入巨额资金用于模型构建与维护；体积小巧，在数据存储与传输方面具备更高的灵活性；训练难度相对不高，企业无需依赖顶尖的技术团队与海量的计算资源；对算力规模要求较低，能够在企业现有的硬件条件下良好运行；性能要求也更为贴合企业实际业务场景，不追求过度的高性能而导致资源浪费。

以一些中小型企业为例，它们在业务拓展过程中，往往面临着预算有限、技术能力不足的困境。端到端逐渐迭代的商业 AI 模型使得这些企业能够以较低的成本引入 AI 技术，根据自身业务特点进行个性化的模型训练与优化。随着业务的不断发展与变化，模型可以持续迭代，灵活适应新的需求，而不会给企业带来沉重的负担。这种灵活性与适应性，使得端到端迭代的商业 AI 模型成为企业在业务快速发展中应用 AI 技术的理想选择。

MCP 发展：AI 中台的机遇与挑战

模型上下文协议（MCP）作为 AI 中台的关键发展方向，在调度 AI 能力方面展现出独特的优势。它如同一个 “万能插座”，为 AI 模型与外部工具的连接提供了统一标准，实现了 “一次封装，全球可用” 的便捷性。不同的大模型能够通过 MCP 协议，轻松调用各种外部数据源和工具，大幅提升了 AI 应用的开发效率与智能化水平。在电商行业，开发者借助百度发布的电商交易 MCP、搜索 MCP 等，能够快速搭建智能化的电商应用，实现商品搜索、交易处理等功能的高效集成；在内容创作领域，通过 MCP 协议，AI 应用可以便捷地调用文本生成、图像生成等工具，实现多模态内容的创作。

MCP 的应用并非毫无门槛。它对使用者在应用时的整体规划能力提出了较高要求。使用者需要具备强大的把控能力，能够精准规划如何将不同的 AI 模型与外部工具进行整合，以实现最佳的应用效果。不同模型之间的兼容性也是一个关键问题。由于市场上存在众多不同类型的 AI 模型，它们在架构、数据格式、运行逻辑等方面可能存在差异，如何确保这些模型在 MCP 框架下能够协同工作，避免出现冲突与不兼容的情况，是使用者需要面对的一大挑战。只有克服这些挑战，充分发挥 MCP 的优势，才能真正构建起高效、稳定的 AI 中台体系。

成果飞轮增长：AI 驱动的系统工程

成果飞轮增长理念为 AI 在企业中的应用提供了全新的视角，它强调这不仅仅是传统意义上的用户数量增长，更是一个系统性的工程。其核心在于，当前驱动成果的全流程是否能够通过 AI 实现驱动，并且在这个流程的每个环节，是否都配备有独立的专业 AI 模型。

以一个电商企业为例，从用户流量引入、商品推荐、交易促成到售后服务，每个环节都可以借助 AI 技术实现优化。通过精准的用户画像与个性化推荐 AI 模型，提高商品推荐的转化率；利用智能客服 AI 模型，提升售后服务的效率与质量。当这些环节的 AI 模型协同工作，形成一个有机的整体时，就能实现对用户全场景的闭环服务。用户在整个购物过程中获得了更好的体验，进而增加购买频率与忠诚度，为企业带来更多的业务成果。这种模式下，大模型或 Agent 不再仅仅是孤立的技术应用，而是与产业价值紧密结合，实现了真正意义上的 “双落地”，推动企业进入一个良性循环的成果飞轮增长轨道。

Agent 爆发式增长与未来趋势

当下，Agent 呈现出爆发式增长的态势，各类智能体如雨后春笋般涌现，广泛应用于不同领域。随着时间的推移与市场的发展，Agent 将不可避免地经历同质性发展与市场需求驱动的兼并过程。目前市场上的许多 Agent 在功能与应用场景上存在一定的相似性，随着竞争的加剧，那些缺乏独特优势与核心竞争力的 Agent 将逐渐被市场淘汰。而市场需求将成为推动 Agent 发展与整合的重要力量，企业与用户对于 Agent 的功能、性能、安全性等方面的需求将促使优质的 Agent 不断进化与融合。一些专注于特定行业的 Agent，可能会通过整合与合作，形成更强大的行业解决方案，以满足市场对于一站式服务的需求。这一过程将促使 Agent 市场更加成熟与集中，最终形成少数具有广泛影响力与强大竞争力的 Agent 生态体系。

迈向物理 AI 时代：智能生态网络的演进

未来的智能生态网络，即 AI 网络，正展现出从生成式数据向物理实时数据发展的明显趋势，这将引领我们迈向物理 AI 时代。在这个新时代，各类智能体之间的交互将变得更加丰富与复杂，不仅包括线上的虚拟 Agent，还涵盖线下的机器人、自动驾驶车、无人机等实体智能设备。重要的是实现智能体之间的交互，包括全局感知、认知和实时推理决策的能力。

谷歌通过 Google Earth 和街景项目，将实体世界的地理元素、建筑等转化为三维数字模型，为 AI 在城市规划、自动驾驶等领域的应用提供了重要的数据支持；英伟达与软银联合推进 AI - RAN（无线接入网络）解决方案，帮助日本构建强大的 AI 基础设施，提升了物理世界与数字世界的连接效率；特斯拉提出的 “世界模型” 概念，用于构建和理解真实世界的高精度模拟系统，使自动驾驶汽车能够更好地感知与决策；SpaceX 的 Starlink 通过全球覆盖的数千颗低轨道卫星，提供高速互联网接入，将物理空间纳入互联网数字网络，为各类智能体的数据传输提供了保障。

在物理 AI 时代，通过高精度传感器和物联网技术，智能体能够实时感知物理世界的各种信息，并借助高速通信网络实现数据的快速传输，再利用强大的云计算和边缘计算能力进行数据处理与智能分析，从而实现各类智能体之间的高效协同与交互。智能工厂中的机器人与自动化设备可以根据实时生产数据进行智能调度与协作；自动驾驶汽车能够与交通基础设施、其他车辆进行实时通信，优化行驶路线，提高交通效率；无人机可以在复杂的物理环境中，根据实时感知的数据完成精准的任务执行。这一智能生态网络的构建，将彻底改变我们与物理世界的交互方式，为社会发展带来前所未有的变革。