最近半年，简直每一个 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 的合资东谈主 Joe Schmidt 故意写了一篇著述回答这个问题。他的中枢判断是：大模子公司的主攻地方（代码生成、写稿、图像创作等通用任务）如实是创业公司的禁区，但在这条"黄砖路"以外，还有大批复杂、垂直的问题实验室根底够不到，信得过的契机在那些需要让 AI 输出着实、合规、能在具体行业里运转的地方。创业公司不错靠四谈护城河守住阵脚：行业隐性常识蕴蓄成的数据飞轮、跨厂商跨模子选最优解的天真性、按任务难度分级路由的本钱上风、以及帮客户继承监管复杂性的治理能力。他用一句话玄虚这场博弈：模子不错替换，但深耕行业的职责系统不行。

以下为编译。

每个东谈主都在问：AI 应用层还有得作念吗？

我最近被创举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？如故说 OpenAI 和 Anthropic 会吃掉一切？

这问题背后有一种非凡的 AI 落拓症。一些东谈主还是认定，惟一能幸免沦为恒久底层的位置，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。要是每一款软件都注定被吃掉，要么被 Codex 或 Claude 径直继承掉职责流，要么被下一代模子径直酿成满盈，那就飞快跑吧。

听着，我简直比谁都更 AI 原教旨方针，况且我以为他们只说对了一半。实验室如实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，如故奥兹国的其他地方？

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地方的简称，它们在这条路上参加了极其雄壮的资源。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能力的擢升会径直变好：每一块钱的预磨练和后磨练支拨，都会径直改善家具体验。

要是你在创业，黄砖路是最显著的地方，亦然最危急的地方。拿一个高性能模子，接上几个现成的结合器（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粗拙。

问题是，这等于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、更强的放纵力，以及对卑劣扫数参与者的订价权。但更病笃的是，他们也领有决定家具架构的职权，家具为哪些问题而假想、用什么神色来解决。他们到当前为止一直在刻意采取"模子加用具调用"的模式，而这刚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家具上跑赢 Codex 或 Claude Code，实验室手里还捏着雄壮的分发渠谈和 AI 领域最强的品牌光环。要是你是一家 AI 应用公司，用一样的结合器、一样的模式、莫得底层子代理或深度设立、也莫得我方的分发能力，那你能够率走在一条通往"那边都不是"的路上。

但对创业公司来说，这不是全盘悲不雅的时势。黄砖路以外有雄壮的契机，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、集成组成的复杂汇集里。这使得它们自然是垂直化的。它们不错作念多步、多脚色谐和的职责，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：跨系统采集高下文，然后在不同阶段由多个东谈主审批流转。这些场景往往触及一个或多个留传系统，倾向于需要笃定性的斥逐，随意是不可接纳的，况且最终时常绑在某个有价值的业务斥逐上。

实验室很透露这些问题的价值：他们之是以在搭建我方的外包设立团队，以及为什么会出现一扫数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。它们能够会一直变强，最终吃掉这些应用层公司的阛阓。

实验室虽然会陆续跳跃，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。 许多常识不在职何磨练集里，不成文的行业老例、莫得文档记载的圭臬、只存在于从业者头脑里的隐性常识。这些透澈不在公开网页上。再多磨练算力也替代不了信得过镶嵌这些常识所在的业务流。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暴露的模式；以及单个客户里面飞轮，具体有假想背后的原因、未说出口的例外、公司我方不成文的告诫司法，这些只须在与系统的确切交互中才会清楚。

即使客户数据不成在客户之间径直使用，应用公司依然不错掌握跨客户问题类型的模式识别，来领导异日问题的架构假想。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、一万次销售耕种代表任务的公司，还是把问题的"样子"内化了，这种蕴蓄是下一个新进入者用一套全新代理重新启动无法复制的。

第二，管制模子的变化与复杂性。 实验室还是在作念里面路由了，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，不成用竞争敌手的模子来评估某个子任务，也不成为一个极窄的关节故意用开源微调。奥兹国公司不错在扫数这个词模子阛阓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职责：每次新模子发布时再行跑评估、针对客户边际场景再行校准辅导词、在不炸掉分娩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。奥兹国公司帮客户继承掉迁徙本钱。客户得到的是扫数这个词阛阓最优智能的组合，以及每次升级时无感的连气儿性。

第三，本钱优化。 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，在还是获取足够蕴蓄的关节用更小的定制或微调模子。有些公司当今更进一步，在这些基础上作念我方的后磨练，针对客户关怀的极窄职责流作念优化，干事本钱仅仅前沿 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：为职责流骨子所需的智能水平，找到最低的好意思元本钱。这只须在你精准知谈每个子任务需要什么水平时才可能，而实验室在结构上不可能了解扫数垂直行业。

第四，治理。 成为客户在某个垂直行业使用 AI 的"放纵平面"，这件事自己就有格外大的价值，权限、审计、代理被允许作念什么、代理骨子作念了什么，沿路汇注于一处。这个放纵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、职责流和数据，他们能在水平用具难以企及的地方提供笃定性斥逐。他们亦然替最终客户继承监管复杂性的实体：法律行业的 FRCP 和讼师规则、医疗领域的 HIPAA、金融领域的 SEC 和 FINRA、各州保障司法等等。一个水平化玩家要是不酿成一百个不同的垂直行业公司，就不可能信得过衔接这些包袱。CIO 们想要的是一个能在条约里证据着实写明"我会为提供的代理承担合规包袱"的合作伙伴。

扫数这些都指向归拢件事：专注。不错是一个垂直行业（保障、法律、管帐），也不错是一个作念深作念透的功能（销售、客服、财务）。不管哪种，都需要一支团队全身心扎进一组客户里，它的职责流、它的边际场景、它的监管规则。实验室不是为这个假想的。他们必须同期狡饰扫数东谈主，这是他们铺出黄砖路的神色。一样的弃取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。二者不成兼得。

销售的例子：复杂业务需要什么

怎样在实践中想考这件事？11x 的 CEO Prabhav Jain 给出了一些来自一线的提议。

从客户信得过关怀的斥逐动身。 对 11x 来说，等于帮客户产生更多销售管谈。从这个问题动身，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？把每个行动领悟成任务，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职责流，但当历程有许多样子、输入很脏、情景很高深析、存在各式本质全国拘谨时，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萍踪挖掘、萍踪数据补充、深度账户讨论、从 CRM 中抓取高下文、针对不同渠谈的音讯生成、萍踪质地判断代理、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。

奥兹国譬如中最时弊的一个瞻念察是：在职何一个确切职责流里，亚博体育中国官网注册登录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斥逐去调、去磨练、去拘谨模子。领域常识往往不在通用磨练数据里。这些能力是从垂直或功能的泥土里长出来的，在历程的时弊时刻被喂给模子。当 11x 的代理在电话上评估一个 inbound 萍踪时，它需要被磨练去聚集"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"。这是应用公司才能作念的职责，况且会握住蕴蓄。

更病笃的是，业务在演进，这些手段会握住逾期，你的能力等于继续演进这些职责流和高下文，这自己就酿成了竞争上风。11x 的规模化邮件外拓家具刚起步时，" AI 味"的邮件刚启动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还是有了激烈的判断力，而这个判断圭臬每隔几个月就在变。代理必须不灭亡据阛阓动态退换，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 的正面回复率在曩昔几个月飞腾了 4 倍，还是为客户创造了数亿好意思元的管谈。

在复杂度高的问题上职责。 复杂问题才是信得过开释交易价值的地方，不然你只会发现我方搭了一层薄薄的壳。拆衔命何一个足够复杂的交易问题，交加会迅速清楚。举个听起来很粗拙的 GTM 场景的例子：要是一家公司还是是你的客户，你就不应该再关系这家公司里的任何干联东谈主。但这事少量都不粗拙。也许 CRM 里关系的是这家公司的一个域名。那些有几十个子公司的集团怎样办？要是 CRM 记载里留的是母公司域名怎样办？要是一个 Salesforce 里逾期的匹配字段，把一封冷销售邮件发给了一位现存客户的 CRO？确切全国的数据是脏的，东谈主类尚且搞不定，模子也不会自动跨过这谈坎。从交加中索求治安，需要的是为问题具体形态而假想的专用代理，而不是一个对着 CRM 指素质点的通用副驾驶。事实上，凭证 11x 的数据，他们还是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。

护栏不单用来细心赖事发生。这是客户付钱给你的原因。 护栏被严重低估了。即使在归拢个家具里面，每一个场景都需要我方的护栏。一个受到严格监管的金融干事客户，和一家中等规模的 SaaS 客户，要求的保障完全不同，这些互异一直浸透到代理怎样写、能关系谁、能触碰哪些数据、电话里能说什么、以及每个有假想怎样被记载。一套"放之四海齐准"的系统在这种互异眼前会崩溃。护栏必须按场景构建、按客户设立、继续审计，而这项职责完全属于应用公司。这等于 11x 有前置部署工程师和技艺部署计策师的原因，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，通过语音向他们的大批中小企业客户作念授权外呼。当先几次迭代接听率很低，他们必须快速迭代，学会怎样让这个特定东谈主群在前 10 秒内产生互动。中小企业主的行动和大企业买家、时常铺张者完全不同。当今他们一天为这个客户创造的销售契机，比他们扫数这个词销售团队针对这个细分阛阓一个月作念的还多。

保障的例子：智能不在模子里，在职责流里

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

当他们启动在确切保障运营中部署 AI 时，反复听到一种假定：模子是智能的载体，职责流仅仅围绕它的脚手架。跟着合作了越来越多的保障公司，他们越来越信服这个假定是反的。

在保障业，许多智能自己就存在在职责流里。两家保障公司可能走归拢条旅途处理一份投保肯求：接件、审核、报价、承保。但旅途仅仅最容易的部分。信得过永别两家公司的是旅途里面的沿路细节：哪些风险需要上报、哪些吃亏信号值得关注、两条文矩冲破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、最终有假想怎样存档。这些逻辑不在一个干净的规则引擎里，而是洒落在 SOP、司理审核记载、核保理念、公司特定的风险偏好和多年的操作告诫中。其中很大一部分根底莫得被写下来，模子无法径直读取。

这等于为什么 FurtherAI 不信赖一个每次都从零推理的纯代理，也不信赖一个本质一乱就崩溃的硬编码职责流。他们在构建的是代理式职责流，职责流给你可重叠性、可审计性和本钱放纵，代理处理不笃定性并在干线走欠亨时规复旅途，东谈主类留在轮回里处理那些需要承担包袱的判断。

在第一天，这能自动化东谈主工操作。但假以时日，每一次上报酿成信号，每一次例外是一次反应，每一次东谈主类修正展示了操作手册那边不无缺。从容地，职责流不再是剧本，而是酿成了保障公司的运营牵挂。实验室很难触达到这个层面。他们会继续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分娩历程里足够久，去聚集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况且他推翻得对。这种聚集，只可来自把职责流跑在分娩中数千次。你第一天委派的职责流不是护城河。分娩使用所产生的反应轮回，跟着时间蕴蓄，才是。

三个测试判断你的地方，两条路都有赢家

用具与步数测试。 完成这项职责需要几许步？你需要构建的用具复杂到什么进程？对比一下：水平化 AI 搜 Google Drive，一步，操作一个用具，斥逐错了用户不错重搜；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、输出必须通过合资东谈主审核且最终可能在法庭上被辩说。两者看起来都像"代理在作念职责"，但只须后者需要一个专注团队花几年才能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职责的"系统"，如故叠加在客户已有系统之上的"用具"？系统带有端到端的职责流，数据采集、治理、完成事项的记载，是客户神情骨子职责如何发生时指向的东西。用具仅仅在客户还是在运行的职责流上加一层智能。作念用具能产生确切收入，况且实验室不错拿走，因为客户并不依赖你动作编排层。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：要是实验室发布了一款据称与你径直竞争的家具，客户还需要你的家具吗？要是谜底是"是"，你在构建系统。要是"否"，你仅仅用具，即使你的客单价很高。

对冲基金 /P&L 测试。 实验室的说明用 benchmark 来评判，奥兹国其余步区的说明用客户的 P&L 来评判。你的客户不关怀你的模子在 SWE-Bench 或 MMLU 上拿了几许分，他们只关怀你的代理有莫得科罚那笔交游、有莫得把条约条件审对、有莫得签下正确的保单。要是他们死死盯着业务流的斥逐，而不是一个通用的能力评分，你就在奥兹国其余步区。要是他们买的是通用能力，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 算计的 alpha 来取胜，而不是用 benchmark 分数。

咱们会在黄砖路上和路以外同期看到雄壮的赢家。

模子公司会陆续赢，因为他们领有模子，也领有他们假想的水平用具的分发能力。奥兹国其余步区的公司要是能领有"职责系统"，公司骨子履行职责的界面，以及从职责中产生并千里淀下来的数据，就能赢。这些公司领罕有据采集、职责流行动系统和治理层。跟着某个垂直领域内更复杂的职责流握住老到，它们会汇注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握住发布，这些公司就成了整合一切、把智能委派给客户的中间层。模子在底层不错替换，但职责系统不行。

下一代企业软件亚博体育，会在黄砖路以外被建出来。