红杉闭门峰会：下一轮AI创富机会

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。