红杉AI闭门会：AI 不再卖工具，而是卖收益

AI创业失败，经验教训分享可私聊...

近来，AI圈最值得关注的应该是在旧金山召开的红杉资本AI峰会。

敏感的同学会清楚，钱在哪里，哪里就有发展，如果能迎合资本市场，那就有可能活得很好，所以我们今天就来深度解读一番。

万亿市场

首先，AI是新一轮的万亿市场，他的市场规模是云计算的10倍，并将同时颠覆软件服务与人力资源两大市场。

翻译翻译，AI市场规模巨大这个不必多说，但为什么会特别提出AI会颠覆软件服务与人力资源是值得深思的。

简单来说，AI从实现来说是不具备自主思考的概率模型，但从发展来说他又确实能“学习很多知识”。

从这个角度来说，人类可能不太担心AI判断这种事，所以也不存在AI替代人类这种可能，但大概率会发生的是：资本家拿着AI工具替换掉公司80%的中基层员工。

这里不必去考验人性，资本家如果具备帮AI赚钱的能力，以人类如此难以管理的特性，当然是用AI啦。

这里尤其需要警惕与注意的是程序行业，类似Cursor这种AI编码平台已经展示出足够的潜力，替换大部分程序员是极可能发生的事情。

而如果程序员危险了，其他工种都会被波及，甚至更快被波及，数字员工在未来3年会成为常见名词，具体可见下文：

Cursor预测程序员行业倒计时：CTO应做好50%裁员计划

以下是某老板在工作群里的发言：

综上，今后几年很多事情会慢慢被颠覆，包括管理模式，以我创业的AI项目为例：

这套系统的主旨是将公司相关的信息组织起来，并让AI参与决策判断，这里就包括：项目的判断、员工的判断、甚至可以给一些公司发展建议。

事实上，我是由于资金链断裂没有办法才放弃，并不是说这个方向不可行，就已知的公司已经完成了员工80%信息上系统了...

如果所有的员工专业度有AI做判断，那么就不在需要太多管理了，后续组织的架构可能会演化成这样：

公司管理层不断对业务、信息进行处理，借助AI派发任务即可，而员工只需要承接任务，后续由AI打分。

因为AI的切入，大大的降低了信息失真与评价失效问题，公司规模上升导致的问题会被大幅降低。

应用层是价值核心

会议达成了一项重要共识：AI商业逻辑正在发生根本转变——从卖“能用的工具”转向卖“可见的收益”。

更简单的描述是：下一轮 AI，卖的不是工具，而是收益。

与移动互联网成就了王者荣耀、5G带来了短视频的火热，最终字节脱颖而出，历史技术革命中90%的巨头诞生于应用层，AI领域亦将如此。

最后一句核心就是：创业公司需聚焦垂直领域，解决复杂问题（如医疗诊断、广告创意），从"工具销售"转向"成果交付"。

这里其实之前探讨过，从OpenAI的Agent定义来说，当前正在从L2到L3过渡，确实是以应用为核心：

L1是是否问题，L2是增强问题，L3-L5是数据和能力组织问题。他包括了多模态、环境感知、具身智能、AR/VR甚至脑机接口等等。

因为模型解决了是否问题，所以其他匹配的手脚本身就没有太多技术门槛，会在这两年迅速补足。

除了基本工具以外，近两年另一个核心其实是对AI进行行业知识补齐，所谓行业知识包括数据与Workflow。

而这些数据只有各个行业自己能补足，大模型几乎不能创造相关语料，所以创业公司需要聚焦垂直领域，这是对的

另一方面，AI产品与之前的产品会有很大的不同，因为他对标的是人，是人就应该创造价值！

而又因为AI是不存在休息的说法的，所以AI产品应该像成百上千真人一样创造足够的价值！

以我孵化的产品社群运营工具来说：

他解决的是社群运营不可能三角的问题：

以我个人的精力来说，我只能维护一个微信群，而社群活跃度越高，那么其产生的转换也就越高。

而这里AI群聊分身产生的价值或者收益就是：将我的转换提升100倍，而这个事情正在被实现：

在这个基础上回到红杉提出的三层进化模型：

1. 工具层（卖功能）：按用户数收费，如传统CRM；
2. 协作层（卖流程）：按服务时长收费，如RPA机器人；
3. 成果层（卖结果）：按商业产出收费，如“每促成100个订单收费1万元”的智能销售代理。

可能就很好理解了，还是以社群运营为例：

1. 工具层可能是一个群控助手，能简单整理粉丝活跃度；
2. 协作层的话可能是不光提供群控助手，还给你一个低价实习生服务，让他帮你处理各种杂事，进行成单；
3. 而成果交付，就是最终的AI群聊分身诞生，他会带着你的知识与群友互动，还会进行朋友圈等系列操作；

后续还聊了一些AI产品定价策略，我觉得不大重要，可以先忽略...

这里对于AI创业者的建议是什么呢？做2-4轮再细分，比如做AI+医疗还不够，可能需要聚焦到解决医生某一个小烦恼，才不会进入红海。

AI应用关注点会发生转移：从关注模型能力，到关注是否能确实解决我某个痛点。

入口之争

依旧回到OpenAI山姆奥特曼的时间表：

1. 2025年：AI代理大规模上岗，开始处理复杂任务；
2. 2026年：AI自主发现新知识，形成独特的决策框架；
3. 2027年：AI进入物理世界，在制造、医疗等领域创造实体价值；

云时代的 OS 是微软、移动时代是 iOS、AI 时代的 OS，将不再是装机软件，而是任务调度系统。

什么是任务调动系统，最近大家最为熟悉的Manus以及正在进行变革的AI浏览器就是。

这里以浏览器为例，未来我们可能是不需要浏览器的，只是AI需要“浏览器去获取最新的知识库”。

比如Manus团队之前就想打造一款适应于AI的浏览器，以便AI产品的体验更好，最终他们也确实这么做了，这里以我的理解来说的话，与其说做了一个AI浏览器，倒不如说做了一个适应于AI使用的知识库。

我们其实也是不需要AI浏览器的，我们只需要AI Agent，是AI Agent需要一个适应于他的浏览器（更确切的说是知识库），比如browser-use、Nova Act SDK。

只不过，浏览器是极其重要的关键词，因为他是一个非常好的入口，入口代表着流量，流量意味着争夺，所以很多公司都在开始布局AI浏览器，其本质其实在争夺下一个Agent入口...

事实上，从The Browser Company宣布放弃旗舰产品Arc、转投Dia研发时就是一个非常重要的信号：浏览器已不再是单纯的网页容器，而正在经历从"工具"到"智能体"的跃迁。

当AI出现那一刻，就宣布了传统浏览器的死亡，因为三大核心交互正在变化：

1. 信息获取方式：从"用户主动搜索"转向"Agent预判需求"；
2. 交互界面：从"URL+网页"转向"多模态对话空间"；
3. 底层架构：从"页面渲染引擎"转向"实时数据处理器"；

微软Edge Copilot的代码自动补全功能已展示这种转变：当开发者输入注释时，AI直接调用GitHub最新代码库生成解决方案，整个过程无需打开任何技术文档网站...

占据入口等于占据资源，所以各个领域的公司都会加大这块的投入，这里回到Agent架构：

现在火热的MCP生态其实也正在外各种跨域领调度做环境上的准备。

垂直领域是方向

红杉进一步指出：企业级市场中，真正先跑出来的入口未必是通用大模型，而是 Harvey（法律）、Open Evidence（医疗）这类垂直领域智能体 OS，因为它们能听懂行业语言，理解真实需求。

这句话其实非常关键，我们之前也聊过相关话题，为什么先跑出来的一定是垂直领域呢？

原因的核心在于模型幻觉。

医疗案例

我们知道，知识/数据是对真实世界的描述，就简单一个事物，事实上我们平时只会关注他不到1/10的部分，以糖尿病为例：

我们讨论的最多的是其症状和药物，文化经济模块很少会涉及，这里造成的结果就是数据残缺性与知识表征瓶颈。

比如医生在实际诊断过程中，不仅依赖临床指南，还有大量的内化知识，包括：

1. 患者微表情解读（疼痛忍耐度）；
2. 社会经济因素权衡（治疗方案可行性）；
3. 伦理判断（生命质量 vs 延长寿命）；

这是当前AI难以跨越的困局：隐性知识难以结构化，导致训练数据本质残缺。

GPT-4的医学考试高分≠临床能力，恰如通过飞行理论考试≠能处理空中特情，一个道理。

AlphaGo的成功建立在围棋规则完全透明、状态空间有限的基础上。而真实医疗场景存在：

1. 模糊边界（症状相似的不同疾病）；
2. 动态演化（患者病情突变）；
3. 价值冲突（不同科室意见相左）；

这类开放性问题需要元认知能力（反思自身决策局限），而当前AI仍停留在“统计拟合”层面。

确实不能否定其可能出现涌现的可能，但那也要建立在对世界全量知识的输入，显然现在是做不到的，毕竟文字可不能完全描述真实世界。

现有研究表明，语言文字至多能描述真实世界的30-40%（以可编码信息量计算），根据描述对象的不同，语言的有效性差异显著：

在模型训练语料中的行业知识不足，并且只有可能分散存储在各个领域公司，所以初期爆发的一定是各个垂直领域。

这里再举一个法律场景的案例：

法律案例

首先，法律业务的数据天生分散：邮件往来、微信记录、私有网盘、纸质卷宗各自为战；

即便是大型连锁所，也仅仅把文件丢进共享文件夹，缺乏统一命名和结构化字段。

再加上客户隐私与律师—当事人特权，外部模型根本接触不到这些高价值语料。

就算拿到了，还需要资深律师逐案标注争议焦点、法条适用，这既昂贵又耗时，通用模型难以承受。

其次，律师真正的“杀手锏”往往不是明面上的法规，而是和解窗口、法官偏好等隐形策略，这些难以通过现成文本捕捉。

另一方面，法律文书对准确率的要求接近 100%，而当前通用模型在引证、条文匹配上依旧会出现“幻觉”。在娱乐或营销场景可以容忍的 80 分，在法律领域就是不合格。

综上，通用模型在法律场景“先天缺氧”：数据进不来、错误出不得、模型放不下、利益拉不齐。

只有把模型垂直化：围绕私有语料、行业细则、责任链闭环打造专业智能体，才能真正嵌入律所工作流。

法律领域的特殊性由此反向印证：AI 的真正爆发，必然率先出现在高价值且高度专业化的垂直场景。

智能体经济

在闭门会中，智能体经济（Agentic Economy）被频繁提出：未来的 AI，不只是彼此通信，而是组成一个可以交换价值的系统网络。

Konstantine将其定义为三要素：

1. 持久身份：它能记住你是谁，也记得自己是谁；
2. 行动能力：能调用工具，发起任务，调度资源；
3. 信任协同：它和你之间，不是指令关系，而是信任契约；

其实这与Agent通用模型架构没本质的差别。这在《构建智能体的实用指南》中也有提到：

总之，这里就是一个设想，你的智能体要像一个人，具备标准服务可以被其他智能体调用...

怎么说呢，这件事还有点早，可以暂时不予理睬。

从Attention到Action

AI领域一直流行一句话：Attention is all you need，结果也确实是各个公司都在疯狂争夺用户注意力。

比如很多人有个问题：我做出了一个功能很强的 AI 产品，为什么用户用完就走？

就个人认知而言，这句话本身就有问题，他所谓功能很强的AI产品，可能仅仅是加了一点提示词...

索尼娅给出了更结构性的回答：分发物理学(physics of distribution)，变了。之前的核心逻辑是三点：

1. 用户是否知道你（Attention）
2. 用户是否理解你（Understanding）
3. 用户是否愿意用你（Adoption）

PS：我其实又不大认可了，我认为流量足够大，很多问题都能解决，就看用户是不是痛

随着 AI 从工具变成代理，用户行为也随之转变。红杉观察到，使用的起点，不再是界面点击，而是任务委托；真正的价值，不是产品被打开了多少次，而是它交付了多少结果。

PS：这有点废话文学，传统的软件不好用也不好使啊，所以不必关注

后面还有一个观点：从使用界面，到委托接口，意味着，AI 应用不再是“被操作的工具”，而是“承担责任的系统节点”。

感觉也没什么实际意义，之前APP功能多是因为真的需要那么多，现在如果能用一个对话框解决所有问题，大家当然愿意，所以这里的逻辑不是功能少了，而是用户看见的东西少了而已。

后续，红杉抛出了一个重要AI产品定义

1. 是否能跑完一个完整任务流程：不是帮你做一部分，而是从头到尾，交付闭环；
2. 是否能让结果被归因：是否能度量它带来了什么明确价值（节省了什么、提升了什么）；
3. 是否能在过程中持续学习和优化：是不是越用越好、越跑越稳、越交付越准；

这和市面上常说的端到端的AI产品其实是一个意思。

以医疗侧的新贵 Open Evidence 为例（国内医联MedGPT和灵犀智能和他很类似的）：从“辅助医生”变成“自动生成诊断建议+给付解释+患者摘要”，并且全部写入系统记录，形成可学习的“交付链”。

最后提了一下飞轮系统，也就是如何用产生的数据，持续优化系统，有兴趣同学可移步至：

如何基于DeepSeek搭建一套飞轮系统！

别调模型调组织架构

这里大概的意思是：模型还很傻，不应该成为接口了。

因为不是模型不行，是你的组织、流程、工具链——没有配上这类智能的运作结构。

来自Anthropic 的 CPO Mike Krieger 在峰会上说了一句被频繁引用的话：

我们不是在让模型变聪明，而是在让系统变得可控、可用、可调度。

他们内部 70% 以上的生产代码提交，已经由 Claude 完成。但关键不在于生成的准确率，而在于 Claude 已被纳入一整条任务执行链中：

1. 从读取需求文档、代码历史，到生成方案、交叉验证、提交评审
2. 每一步都有清晰的责任分配、反馈机制与自动升级路径
3. 模型不再是“工具”，而是一个工程角色，嵌入到了组织的协作结构中

这里的逻辑，我在之前的文章也有提及，AI项目其实是个复杂的工程项目：

Cursor预测程序员行业倒计时：CTO应做好50%裁员计划

10被提效的核心是重塑工作流，以Cursor为例：

当前 Cursor 在代码理解和⽣成⽅⾯已⾮常强⼤，要让 Cursor 在业务开发中发挥更⼤作⽤，我们需要调整⼯作流，使其更适应 Cursor 参与。

关键在于清晰表达需求并提供⾜够的上下⽂。如果 cursor的实现未达预期，先反思⾃⼰是否描述清楚 ⸺毕竟，AI ⽆法读懂你的⼼思。

然后红杉提出了一段AI应用演进路径：

LLM → 工具调用 → 工作流编排 → 职责委托 → 智能生态网络

他跟我们之前文章提到的是类似的：

有兴趣同学请移步：

AI应用应该如何演进

一人独角兽公司

在AI+组织管理的板块，最有趣的就是这个一人独角兽公司，这不是说这个人多强，而是因为他掌握了高密度的智能代理协作逻辑， 能用一套 AI 联合工作组完成产品研发、销售交付、客户服务与内容运营。

不是你多会干，而是你能不能用 AI 构建出一个“不靠你亲自动手也能推进的系统生物体”

这里我的解读是，AI会放大一个人的能力，也就是他会加剧马太效应：Agent生态成熟后，AI + SOP = “一人独角兽”，但别高兴，他跟你大概没关系！

高手把 AI 当陪练。他们自负且固执，要的不是答案，而是高速反馈与资料聚合激发灵感；在飞轮式循环里精炼模型、沉淀体系，他们是真正在玩AI的人。

中手把 AI 当兴奋剂。瞬间产出“看似高手级”内容，效率飙升却难内化；当人人都能开挂时，同质化反噬反而让护城河更薄。

初级玩家几乎被一键平替。企业不再为新手买单，试错赛道与见习岗位蒸发；想补课只剩自掏腰包。

能力曲线由此撕裂：

1. 顶部那 5% 握住 AI 飞轮，产研、运营、营销全自动化，收益指数级扩散；
2. 腰部陷在“效率假象”中，缺少体系化训练，追不上海量试错成本；
3. 底部则面临“被选择”或“自我投资”的两难；

换句话说，AI 让效率成为标配，却让真正的能力更稀缺；

会写提示词不是终点，能设计闭环、持续迭代的智能工作系统才是终极竞争力。

厚积薄发的时代没结束，只是阈值更高：愿意深耕、把代理打造成自进化合伙人的人，才能享受技术红利；其余人要么被卷成可替换节点，要么尽快升级认知、跨入策略层。

总之，后续人与人之间的分层会更极端，跟抖音主播类似，AI会进一步缩小人和人之间的差距，但会形成更强的马太效应，其结果很可能加速人群的分类：

1. 稀少的一代宗师；
2. 少量的高手；
3. 众多的中级玩家；
4. 庞大的不明群众；

结语

核心要点在这里，大家吸收理解下吧：

领域 / 主题	关键要点	说明 / 建议
万亿级市场潜力	• 规模：AI 市场被估算为云计算初期的 ≈10 倍 • 颠覆：将重塑软件服务与人力资源两大行业 • 快速普及：全球 56 亿互联网用户 + 成熟社交媒体与基础设施	市场空间巨大，用户基础与技术条件已到位，窗口期正在打开
应用层价值核心	• 历史规律：90% 技术巨头源于应用层 • 创业聚焦：垂直复杂场景（医疗诊断、广告创意…） • 商业模式：从“工具销售”转向“成果交付”	抓深度痛点、先做垂直，再横向扩张
AI 创业制胜关键	警惕“氛围营收”：以真实采用率/留存率衡量 信任壁垒：客户需确信产品可持续迭代 数据飞轮 & 护城河：数据必须驱动业务指标；垂直场景积累难以复制的数据 动态成本管理：算力成本 18 个月降 99%，需规划毛利率优化	先验证价值 → 建立信任 → 扩大数据优势 → 持续优化成本
技术突破与未来趋势	两大爆发领域 • 语音交互：突破“恐怖谷”，或成新入口 • 编程革命：大幅降低开发门槛，软件民主化 垂直智能体崛起 • 专域 AI 代理（网安、DevOps…）已超专家水平 • 将催生“智能体经济”：AI 代理自主交易、协作	关注语音 UI、低门槛开发工具和行业专用智能体
智能体经济三大挑战	• 持久身份：保持一致性、理解长期需求 • 通信协议：需类似 TCP/IP 的协作标准（如 MCP） • 安全与信任：匿名智能体场景下的新信任体系	行业联盟与标准化组织将扮演关键角色
创业者行动指南	• 聚焦应用层：深耕垂直高价值需求（医疗、教育…） • 拥抱随机性思维：从确定性编程转向概率管理 • 全速前进：技术浪潮先于宏观经济，抢占先机者胜 • 布局智能体经济：提前设计数据飞轮，探索人机协作，“一人独角兽”	把握窗口期，构建数据与信任护城河，面向智能体未来布局