金年会官网首页入口 a16z 结伙东谈主：大模子吃掉通用任务，创业公司吃掉垂直行业

最近半年，险些每一个 AI 创业者都会有一个疑问：OpenAI 和 Anthropic 会不会把咱们全吃掉？模子越来越强，Codex 和 Claude Code 越来越像操作系统，那应用层还有得作念吗？硅谷顶级风投 a16z 的结伙东谈主 Joe Schmidt 挑升写了一篇著述恢复这个问题。他的中枢判断是：大模子公司的主攻标的（代码生成、写稿、图像创作等通用任务）确乎是创业公司的禁区，但在这条"黄砖路"除外，还有多数复杂、垂直的问题实验室压根够不到，信得过的契机在那些需要让 AI 输出果真、合规、能在具体行业里运转的处所。创业公司不错靠四谈护城河守住阵脚：行业隐性学问累积成的数据飞轮、跨厂商跨模子选最优解的无邪性、按任务难度分级路由的资本上风、以及帮客户接纳监管复杂性的治理才略。他用一句话详尽这场博弈：模子不错替换，但深耕行业的责任系统不行。

以下为编译。

每个东谈主都在问：AI 应用层还有得作念吗？

我最近被独创东谈主和求职者反复问归拢个问题：AI 应用层还有莫得空间？照旧说 OpenAI 和 Anthropic 会吃掉一切？

这问题背后有一种颠倒的 AI 心焦症。一些东谈主照旧认定，独一能幸免沦为持久底层的位置，要么在大模子实验室里，要么在机器东谈主、硬科技这类"实验室碰不到"的前沿地带。若是每一款软件都注定被吃掉，要么被 Codex 或 Claude 径直接纳掉责任流，要么被下一代模子径直造成过剩，那就马上跑吧。

听着，我险些比谁都更 AI 原教旨倡导，而况我以为他们只说对了一半。实验室确乎会吞掉一大片应用层。但"应用层"不是一个同质化的契机池。正确的想考框架是：你站在黄砖路上，照旧奥兹国的其他处所？

大模子公司吃通用任务，创业公司吃垂直行业

"黄砖路"是咱们对大模子公司主攻标的的简称，它们在这条路上参加了极其远大的资源。代码生成、写稿、图像创作这类问题之是以自然属于实验室，是因为这些问题跟着模子原始才略的擢升会径直变好：每一块钱的预磨真金不怕火和后磨真金不怕火开销，都会径直改善产物体验。

若是你在创业，黄砖路是最彰着的标的，亦然最危急的标的。拿一个高性能模子，接上几个现成的融合器（Google Drive、Slack、Salesforce、Notion、GitHub），再在上头搭一层代理编排，看起来像变魔术一样浅薄。

问题是，这便是实验室在作念的事情。他们虽然领有模子自己，这意味着更好的利润率、更强的截止力，以及对卑劣通盘参与者的订价权。但更遑急的是，他们也领有决定产物架构的职权，产物为哪些问题而诡计、用什么表情来解决。他们到咫尺为止一直在刻意聘用"模子加用具调用"的模式，而这赶巧是黄砖路上那些水平化、低步数任务所需要的。

退一步说，就算有创业公司能在产物上跑赢 Codex 或 Claude Code，实验室手里还抓阻止大的分发渠谈和 AI 领域最强的品牌光环。若是你是一家 AI 应用公司，用相通的融合器、相通的模式、莫得底层子代理或深度确立、也莫得我方的分发才略，那你巧合率走在一条通往"那处都不是"的路上。

但对创业公司来说，这不是全盘悲不雅的场地。黄砖路除外有远大的契机，创业公司不错在那里信得过领有客户、解决复杂问题。

这些公司构建的是代理式体验，模子被编织进一张由用具、自动化、集成组成的复杂鸠合里。这使得它们自然是垂直化的。它们不错作念多步、多脚色合作的责任，领有针对特定脚色和垂直场景的子代理，而这些都是 Anthropic 和 OpenAI 用水平化平台无法触及的：跨系统网罗高下文，然后在不同阶段由多个东谈主审批流转。这些场景时常触及一个或多个留传系统，倾向于需要笃定性的收尾，恶浊是不可经受的，而况最终时常绑在某个有价值的业务后果上。

实验室很澄莹这些问题的价值：他们之是以在搭建我方的外包确立团队，以及为什么会出现一通盘这个词面向大客户的强化学习产业，原因就在这里。

对此最常见的反驳是：历史上押注"模子不会变好"从来都是厄运的赌注。它们巧合会一直变强，最终吃掉这些应用层公司的商场。

实验室虽然会络续跨越，但我以为奥兹国其余步区的公司有几谈护城河不错守住。

第一，数据和学习的飞轮。 好多学问不在职何磨真金不怕火集里，不成文的行业常规、莫得文档纪录的圭臬、只存在于从业者头脑里的隐性学问。这些十足不在公开网页上。再多磨真金不怕火算力也替代不了信得过镶嵌这些学问所在的业务流。这里有两个叠加的飞轮：跨客户飞轮，当你看到归拢种问题的更多变体时清楚的模式；以及单个客户里面飞轮，具体决议背后的原因、未说出口的例外、公司我方不成文的教学公法，这些唯有在与系统的真实交互中才会浮现。

即使客户数据弗成在客户之间径直使用，应用公司依然不错诈欺跨客户问题类型的模式识别，来指导畴昔问题的架构诡计。一个让代理跑过一百次法律红线审查、一千次保障核保周期、一万次销售诞生代表任务的公司，照旧把问题的"时局"内化了，这种累积是下一个新进入者用一套全新代理重新运转无法复制的。

第二，照看模子的变化与复杂性。 实验室照旧在作念里面路由了，不同请求调不同模子类别、底层用集成。但他们作念不到跨厂商路由，弗成用竞争敌手的模子来评估某个子任务，也弗成为一个极窄的要津挑升用开源微调。奥兹国公司不错在通盘这个词模子商场中为每一个子任务选最优模子，而不是只可用母公司发货的那一个。他们还作念了没东谈主想作念的责任：每次新模子发布时从新跑评估、针对客户边际场景从新校准指示词、在不炸掉出产环境的前提下完成部署。实验室不会替客户作念这些；他们把下一个模子卖给你，让你我方迁徙。奥兹国公司帮客户接纳掉迁徙资本。客户得到的是通盘这个词商场最优智能的组合，以及每次升级时无感的一语气性。

第三，资本优化。 每个查询都跑 Opus 4.7 是通往负毛利的最快旅途。最佳的奥兹国公司在不同级别的模子之间作念路由，最难的任务用前沿模子，大部分用中端模子，在照旧得回弥散累积的要津用更小的定制或微调模子。有些公司咫尺更进一步，在这些基础上作念我方的后磨真金不怕火，针对客户宥恕的极窄责任流作念优化，行状资本仅仅前沿 API 调用价钱的零头。实验室定的是智能的底价：花 X 元能买到的最低智能。奥兹国公司卖的是反过来的东西：为责任流本体所需的智能水平，找到最低的好意思元资本。这唯有在你精准知谈每个子任务需要什么水浅近才可能，而实验室在结构上不可能了解通盘垂直行业。

第四，治理。 成为客户在某个垂直行业使用 AI 的"截止平面"，这件事自己就有相配大的价值，权限、审计、代理被允许作念什么、代理本体作念了什么，一都会聚于一处。这个截止平面由具体场景的护栏组成，而不同业业、不同岗亭需要的护栏完全不同。因为奥兹国公司领有端到端的用具、责任流和数据，他们能在水平用具难以企及的处所提供笃定性收尾。他们亦然替最终客户接纳监管复杂性的实体：法律行业的 FRCP 和讼师限定、医疗领域的 HIPAA、金融领域的 SEC 和 FINRA、各州保障公法等等。一个水平化玩家若是不造成一百个不同的垂直行业公司，就不可能信得过贯串这些职守。CIO 们想要的是一个能在左券里空口无凭写明"我会为提供的代理承担合规职守"的合作伙伴。

通盘这些都指向归拢件事：专注。不错是一个垂直行业（保障、法律、司帐），也不错是一个作念深作念透的功能（销售、客服、财务）。无论哪种，都需要一支团队全身心扎进一组客户里，它的责任流、它的边际场景、它的监管限定。实验室不是为这个诡计的。他们必须同期灭亡通盘东谈主，这是他们铺出黄砖路的表情。相通的采选也让他们进不了奥兹国的其余步区，你不错同期无处不在，也不错在一件事上作念到极致。二者弗成兼得。

销售的例子：复杂业务需要什么

若何在实践中想考这件事？11x 的 CEO Prabhav Jain 给出了一些来自一线的残暴。

从客户信得过宥恕的收尾启程。 对 11x 来说，便是帮客户产生更多销售管谈。从这个问题启程，追问就变得极其具体：咱们但愿端到端领有哪些信得过驱动管谈的行动？把每个行动剖判成任务，哪些是代理式的、哪些不是，哪些需要深度的领域瞻念察、哪些不需要。实验室虽然也会发布责任流，但当经由有好多递次、输入很脏、情状很艰深析、存在各式履行宇宙敛迹时，单靠更好的模子是作念不到的。这部单干作回到传统软件工程，而实验室在一个专注的应用公司眼前莫得任何上风。

举个例子，11x 处理的任务包括：基于自界说信号作念陈迹挖掘、陈迹数据补充、深度账户商量、从 CRM 中抓取高下文、针对不同渠谈的音讯生成、陈迹质地判断代理、邮件投递系统。这些不是一次性就能完成的任务，需要深度工程。

奥兹国譬如中最要害的一个瞻念察是：在职何一个真实责任流里，金年会(JinNianHui)体育大要有一半非代理式任务，实验室在这些任务上莫得任何上风，他们写模子层底下的笃定性软件，并不比你强。另一半代理式任务，仍然需要你针对信得过想要的收尾去调、去磨真金不怕火、去敛迹模子。领域学问时常不在通用磨真金不怕火数据里。这些才略是从垂直或功能的泥土里长出来的，在经由的要害时刻被喂给模子。当 11x 的代理在电话上评估一个 inbound 陈迹时，它需要被磨真金不怕火去贯穿"什么是针对这个特定行业、这个特定东谈主群的好销售对话"。这是应用公司智力作念的责任，而况会不停累积。

更遑急的是，业务在演进，这些手段会不停过期，你的才略便是不绝演进这些责任流和高下文，这自己就造成了竞争上风。11x 的边界化邮件外拓产物刚起步时，" AI 味"的邮件刚运转进入东谈主们的视线。到今天，东谈主们对哪些是 AI 写的、哪些是东谈主类写的照旧有了利弊的判断力，而这个判断圭臬每隔几个月就在变。代理必须不撤消据商场动态和洽，而护城河恰是在这里被建出来的。事实上，尽管存在这种变化，11x 的正面回复率在以前几个月高潮了 4 倍，照旧为客户创造了数亿好意思元的管谈。

在复杂度高的问题上责任。 复杂问题才是信得过开释交易价值的处所，不然你只会发现我方搭了一层薄薄的壳。拆罢免何一个弥散复杂的交易问题，芜杂会迅速浮现。举个听起来很浅薄的 GTM 场景的例子：若是一家公司照旧是你的客户，你就不应该再关连这家公司里的任何干联东谈主。但这事极少都不浅薄。也许 CRM 里关连的是这家公司的一个域名。那些有几十个子公司的集团若何办？若是 CRM 纪录里留的是母公司域名若何办？若是一个 Salesforce 里过期的匹配字段，把一封冷销售邮件发给了一位现存客户的 CRO？真实宇宙的数据是脏的，东谈主类尚且搞不定，模子也不会自动跨过这谈坎。从芜杂中提真金不怕火规律，需要的是为问题具体花样而诡计的专用代理，而不是一个对着 CRM 指率领点的通用副驾驶。事实上，字据 11x 的数据，他们照旧发现我方的数据质地和极新度远高于客户，是以他们默许以我方的数据为准。

护栏不单用来防患赖事发生。这是客户付钱给你的原因。 护栏被严重低估了。即使在归拢个产物里面，每一个场景都需要我方的护栏。一个受到严格监管的金融行状客户，和一家中等边界的 SaaS 客户，要求的保障完全不同，这些各异一直浸透到代理若何写、能关连谁、能触碰哪些数据、电话里能说什么、以及每个决议若何被纪录。一套"放之四海皆准"的系统在这种各异眼前会崩溃。护栏必须按场景构建、按客户确立、不绝审计，而这项责任完全属于应用公司。这便是 11x 有前置部署工程师和技巧部署政策师的原因，他们需要为每一个客户的需求作念定制。举个例子，他们曾与一家 F1000 企业合作，通过语音向他们的多数中小企业客户作念授权外呼。领先几次迭代接听率很低，他们必须快速迭代，学会若何让这个特定东谈主群在前 10 秒内产生互动。中小企业主的步履和大企业买家、等闲耗费者完全不同。咫尺他们一天为这个客户创造的销售契机，比他们通盘这个词销售团队针对这个细分商场一个月作念的还多。

保障的例子：智能不在模子里，在责任流里

保障是另一个切面，归拢个论断。FurtherAI 的 CEO Aman Gour 是这么贯穿这件事的：

当他们运转在真实保障运营中部署 AI 时，反复听到一种假定：模子是智能的载体，责任流仅仅围绕它的脚手架。跟着合作了越来越多的保障公司，他们越来越肯定这个假定是反的。

在保障业，好多智能自己就存在在责任流里。两家保障公司可能走归拢条旅途处理一份投保请求：接件、审核、报价、承保。但旅途仅仅最容易的部分。信得过区别两家公司的是旅途里面的一都细节：哪些风险需要上报、哪些亏本信号值得关注、两条限定蹂躏时哪一条优先级更高、什么情况下必须有东谈主署名、哪些外部数据会被调取、最终决议若何存档。这些逻辑不在一个干净的限定引擎里，而是洒落在 SOP、司理审核纪录、核保理念、公司特定的风险偏好和多年的操作教学中。其中很大一部分压根莫得被写下来，模子无法径直读取。

这便是为什么 FurtherAI 不信赖一个每次都从零推理的纯代理，也不信赖一个履行一乱就崩溃的硬编码责任流。他们在构建的是代理式责任流，责任流给你可叠加性、可审计性和资本截止，代理处理不笃定性并在干线走欠亨时复原旅途，东谈主类留在轮回里处理那些需要承担职守的判断。

在第一天，这能自动化东谈主工操作。但假以时日，每一次上报造成信号，每一次例外是一次响应，每一次东谈主类修正展示了操作手册那处不好意思满。迟缓地，责任流不再是剧本，而是造成了保障公司的运营顾虑。实验室很难触达到这个层面。他们会不绝发布更好的模子和更好的通用代理，他们也理当如斯。但他们不会坐在一家保障公司的出产经由里弥散久，去贯穿为什么某一个账户被上报、某一个风险被拒保、某一位核保东谈主推翻风险偏好指引而况他推翻得对。这种贯穿，只可来自把责任流跑在出产中数千次。你第一天录用的责任流不是护城河。出产使用所产生的响应轮回，跟着时刻累积，才是。

三个测试判断你的标的，两条路都有赢家

用具与步数测试。 完成这项责任需要几许步？你需要构建的用具复杂到什么进度？对比一下：水平化 AI 搜 Google Drive，一步，操作一个用具，收尾错了用户不错重搜；和一份针对律所三年前例的多步法律红线审查，几十步、跨多个用具、输出必须通过结伙东谈主审核且最终可能在法庭上被申辩。两者看起来都像"代理在作念责任"，但唯有后者需要一个专注团队花几年智力构建的那种深度软件。

系统测试。 你在构建的是客户用来完成责任的"系统"，照旧叠加在客户已有系统之上的"用具"？系统治有端到端的责任流，数据采集、治理、完成事项的纪录，是客户形色本体责任若何发生时指向的东西。用具仅仅在客户照旧在运行的责任流上加一层智能。作念用具能产生真实收入，而况实验室不错拿走，因为客户并不依赖你当作编排层。高客单价频繁是系统的信号，因为系统替代信得过的东谈主力岗亭并据此订价，但这不是保证。问我方一个问题：若是实验室发布了一款据称与你径直竞争的产物，客户还需要你的产物吗？若是谜底是"是"，你在构建系统。若是"否"，你仅仅用具，即使你的客单价很高。

对冲基金 /P&L 测试。 实验室的推崇用 benchmark 来评判，奥兹国其余步区的推崇用客户的 P&L 来评判。你的客户不宥恕你的模子在 SWE-Bench 或 MMLU 上拿了几许分，他们只宥恕你的代理有莫得处理那笔交游、有莫得把左券条目审对、有莫得签下正确的保单。若是他们死死盯着业务流的收尾，而不是一个通用的才略评分，你就在奥兹国其余步区。若是他们买的是通用才略，你卖的东西他们买一张 Claude 或 Codex 的席位就能得到。最佳的代理公司需要像对冲基金一样运作，用客户 P&L 预料的 alpha 来取胜，而不是用 benchmark 分数。

咱们会在黄砖路上和路除外同期看到远大的赢家。

模子公司会络续赢，因为他们领有模子，也领有他们诡计的水平用具的分发才略。奥兹国其余步区的公司若是能领有"责任系统"，公司本体实行责任的界面，以及从责任中产生并千里淀下来的数据，就能赢。这些公司领特等据采集、责任流行动系统和治理层。跟着某个垂直领域内更复杂的责任流不停锻真金不怕火，它们会会聚成一个客户最终依赖的中枢体验。当新一代模子从既有大公司和新兴玩家中不停发布，这些公司就成了整合一切、把智能录用给客户的中间层。模子在底层不错替换，但责任系统不行。

下一代企业软件金年会官网首页入口，会在黄砖路除外被建出来。