PS:本文超过4000字,阅读大概需要5-7分钟,可收藏后慢慢阅读。
上个月初,红杉资本在美国旧金山组织了一次长达6小时的AI闭门峰会,峰会围绕AI行业目前的新趋势和未来发展方向展开深入讨论,核心议题有如下几项:
1、AI产品的新标准:价值不再取决于点击量,而是完成任务的能力和结果交付。
2、AI从工具到收益的转变:下一轮AI的核心不再是工具本身,而是如何实现收益。
3、AI市场潜力与竞争:AI市场潜力巨大,但竞争激烈,企业需快速抢占市场窗口期以实现收益最大化。
4、随机思维与组织认知模式:随机思维将成为新的组织认知模式,推动工程领域的因果推理方式变革。
5、操作系统式AI与常驻代理:AI正在从服务市场向生产力市场渗透,企业预算将更多用于AI驱动的成果交付。
6、AI技术在产品、组织和管理中的应用:AI产品的价值应从用户点击转向任务完成,并优化组织流程以更好地利用AI。
7、物理图灵测试与机器人商业化:机器人将成为具备身份、信任和持久行动能力的智能体,形成人机共生的经济网络。
峰会下半场还讨论了AI Ascent,即人工智能的能力及其对商业模型的影响,视频链接:B站搜-AI的万亿美元机遇:2025年红杉资本AI Ascent大会主题演讲
下半场AI Ascent的讨论内容,总结一下就是未来生成式人工智能(GenAI)潜在的一些应用案例,主要有如下几项:
1、商业模式创新
- 软件替代服务:通过GenAI自动化客服、文档处理等传统服务场景。
- 新收入流:例如基于AIGC的内容创作平台(如自动生成营销文案、设计素材)。
2、行业应用案例
- 金融:欺诈检测(Featurespace ARIC)、自动化财务建议(Cleo)。
- 制造业:预测性维护(SparkCognition)、产品设计优化(Autodesk Generative Design)。
- 医疗健康:个性化药物研发(如Insilico Medicine的案例)、患者交互平台(如Hyro的HIPAA合规对话系统)。
3、企业生产力提升
- 企业运营:自动化流程(如合同审查、供应链优化)。
- “一人公司”模式:通过GenAI工具实现小团队高效运作。
4、前沿的技术探索
- 生命科学:蛋白质结构预测(ESM3模型)、合成生物学(Biomatter案例)。
- 多模态应用:结合文本、图像(如Midjourney)、音频(如Synthesia)的内容生成。
一句话概括:AI正在从单一的内容生成工具向GenAI(生成式人工智能)的全流程业务整合演进。
下面是峰会的详细内容,文字版内容超过6000字,我对核心内容和观点做了精简总结,并整合了自己的部分看法,供大家参考。
原文链接:红杉 AI 峰会闭门 6 小时,150 位创始人共识浮现:AI 不再卖工具,而是卖收益
1、下一轮AI,卖的不是工具,而是收益。
回看2022年由ChatGPT引领的AI浪潮,你会发现在前几年,AI的商业模式要么是类似ChatGPT的订阅付费制,要么是其他厂商的大模型按Tokens收费。
今年3月份出现的Manus,提出了AHPU(Agentic Hours per User)指标,即按照任务和结果收费,你可以将之理解为“有效工时”模式,前几年的云服务厂商大多也是类似的商业模式。
但无论是订阅付费制,还是按量收费,或者Manus的“有效工时”模式,本质上是在向用户交付工具本身的能力价值。
如果下一轮AI的商业模式是按照收益收费,那某种程度上会带来如下三点变革:
- 创业时间窗口缩短:谁先把“收益”商品化,谁就可以先吃到下一轮AI变革的蛋糕;
- 新的定价单位KPI化:产品开发效率提升、算力开支成本下降、落地创造的GMV会直接决定AI产品定价;
- 原来的SaaS模式会逐渐失灵:客户会从原来的为“AI工具能力”买单,转变为只为能直接带来收益的结果买单。
由此,红杉资本提出了一个新的AI商业模式转化路径:
卖工具(Software as a Tool)➜ 到卖协作(Software as a Co-worker)➜ 最终走向卖成果(Software as an Outcome)。
毕竟,工具仅是提供给用户使用,而成果则带来交付,以及直接的商业利益。
2、AI的商业模式从“被调用”转为“占领入口”。
峰会现场,OpenAI CEO Altman给出了这样一个AI演进路径的时间表: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。https://wxa.wxs.qq.com/tmpl/mh/base_tmpl.html
在PC互联网时代,底层的操作系统是Windows;移动互联网时代,底层操作系统是Android和IOS;到了AI时代,谁成为AI的底层操作系统,谁就会占领最大的入口。简单来说,就是AI操作系统(入口)+任务分发管理系统。
LangChain创始人Harrison Chase提出一个全新入口概念:智能体收件箱(Agent Inbox)。即触发万千智能体协同工作的入口,不是聊天框,而是系统总线。
Claude Code也已经不再只是生成器,它可以自动写代码、提交、雇佣其他代理执行任务。Anthropic的首席产品官 Mike Krieger将其定义为:“分布式运行环境”。
红杉将这种趋势总结为:下一代 AI 不靠下载量,不靠市场营销,而靠记忆+执行构建粘性。
这也是为什么,这段时间很多AI企业开始宣称它们的产品具有“长期记忆能力”,并基于MCP协议而大量构建Agent产品(比如扣子空间)的原因。
3、从ChatBot到Agent,新的AI经济模式正在成型。
峰会闭门讨论现场,智能体经济(Agentic Economy)这一词频繁出现。
红杉合伙人 Konstantine 抛出一个设想: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。
简单理解来说,接下来一段时间,Agent将不再仅是一个插件或者工具,而是成为参与工作流程的一个拟人角色。Konstantine将Agent的三要素做了如下定义:
- 持久身份:它能记住你是谁,也记得自己是谁;
- 行动能力:能调用工具,发起任务,调度资源;
- 信任协同:它和你之间,不是指令关系,而是信任契约。
基于这三要素,我们可以想象,未来Agent会从聊天机器人转变为具有一定“自主代理能力”的工作助手,即:一组智能体,代理多个角色、部门,彼此协作完成复杂的工作任务。
由此可以得出这样一个结论:在工作场景落地AI,Agent+Workflow/自主规划模式,会是核心落地路径。
4、用户对AI的期待,正在从“点击页面”转变为“验收结果”。
红杉这样描述他们近一年观察到的一个现象:AI工具使用的起点,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。这背后是原来的产品分发逻辑在被重塑,即AI应用不再是“被人操作的工具”,而是“承担任务责任的某些系统节点”,AI成为了一个可以交付“成果”的产品。
红杉对于“成果型产品”定义了三大判读标准:
- 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;
- 是否能让结果被归因:是否能度量它带来了什么明确价值(节省什么、提升什么);
- 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。
与此三大标准对应的案例:在 Anthropic 内部,70% 以上的生产代码提交,已经由Claude Code独立完成。
峰会现场,红杉也给出了一张他们非常看重的结构图:Doug Leone 商业化路径。AI 应用正沿着这条路径提前演进:
- 成果不是演示效果,而是被组织预算认可的业务闭环。
- 信任不是界面友好,而是一次次被任务委托、被组织采纳。
- 飞轮不是用户增长,而是每一次交付都带来更多任务指派和数据积累。
5、AI在企业内落地的最大挑战,是组织结构不适配。
以Anthropic为例,他们能实现70%以上的生产代码提交由Claude Code独立完成,这背后最核心的原因,是他们让整个系统变得更加可控、可用、可调度。简单来说就是:调整原有的组织结构和工作流程,让AI融入全链路的工作流程中,比如:
- 从读取需求文档、代码历史,到生成方案、交叉验证。
- 每一步都有清晰的责任分配、反馈机制与自动升级路径。
- 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。
将AI当作一个具有“自主决策和行动能力以及交付结果能力”的员工,是当前对企业组织结构和工程能力最严峻的挑战。
从大模型被调用,到Agent执行任务,再到让Agent融入组织和工作流程,这个过程需要企业自上而下的调整“需求→任务承接”之间的关系。对此,LangChain和Fireworks各自提出了自己的实践经验:
LangChain 提出了 Agent Graph 框架:
- 它不是一个新模型,而是一个事件驱动的调度机制。
- 支持多个智能体像微服务一样协作,并发运行、失败恢复、状态追踪。
- 所有行为都有“可观察性”,方便调试、记录与迭代。
Fireworks AI 在构建类似结构化能力的同时,更聚焦在推理稳定性与行为一致性方面:
- 把推理视为“生产线”,而不是单次响应。
- 用策略调度、性能归因、结果验证,建立一个“推理工厂级”的可靠性标准。
在峰会上,红杉列出了一条AI应用的演进路径:LLM → 工具调用 → 工作流编排 → 职责委托 → 智能生态网络。这五级演进,对应的是五种结构化能力:
这张路径图背后隐喻着另一层含义:不要只关注AI大模型的训练和优化,更应该关注如何训练一个更有组织感的协作网络。
6、在未来的AI时代,学会随机起舞。
大模型作为AI领域的底层技术和操作系统,其本质是一个概率预测机器,简单来说就是AI输出的最终结果不具备幂等性,而是存在一定的随机概率。与之对应的,则是我们的管理方式,也应该从瞄准KPI的确定性目标执行转变为围绕OKR的目标探索。
过去的企业组织在追求稳定产出、精细分工和可控边界。但未来的团队要面对的,是全然不同的问题:
- 我能不能描述一个模糊目标,让智能体去尝试、偏航、再迭代?
- 我是否接受结果不是100%达成,而是70%、80%的进度并持续改进?
- 我是否能设计出“人类+AI混合代理”共同推进任务的策略空间?
这不是自动化加深的问题,而是组织感知方式的深层转向。AI时代的管理者不再控制一切,而是设计环境让团队试错,并在变化中培养信任。对组织而言,这就像游戏规则被彻底改写;对个人来说,这相当于职业发展的基本逻辑被重新洗牌。
红杉预判,未来个人和企业之间的关系,可能会转变为如下三种全新的关系:
- 公司不再是部门间相互配合,而是变成一个个任务自动流转的网络公司。
- 个人不再只是扮演固定角色做事,而是像指挥家一样调度各种智能工具。
- 组织不再是上下级汇报关系,而是转变为多个智能体协同工作的团队网络。
可以畅想的是,在未来的AI时代,人与人,企业与企业之间比拼的终点,是认知自适应状态和速度。
红杉最后断言:下一轮竞争的核心,在于构建自我驱动、持续交付的协作模式,而非仅仅利用AI做事。
当你重新思考“如何定义任务、释放信任、安排协同”时,你才真正踏入了 AI 经济的第一公里。这,才是红杉闭门 6 小时后,真正的共识方向。
最后,我个人认为未来AI的商业模式,本质上会基于三个方面:
1、构建更多更完善的基础设施:电力、算力、数据、云服务。
2、构建更智能更高效的大模型:通用大模型、行业大模型、微型大模型。
3、构建更合理更灵活的组织结构、工作流程和认知能力:建立共识和框架。
这是基于上述红山闭门峰会6点内容的总结,也是每次技术变革的底层逻辑。
声明:来自老张的求知思考世界,仅代表创作者观点。链接:https://eyangzhen.com/1470.html