AI獨角獸創始人最新判斷：90%企業AI場景，已經不需要最強模型

**AI獨角獸創辦人最新判斷：90%企業AI場景，已經不需要最強模型**

過去一段時間，AI應用領域的創業者普遍存在一個深層焦慮：大模型會不會反過來吞噬整個應用層？今年以來，OpenAI和Anthropic持續推出針對法律、設計、辦公等垂直領域的完整套件，而微軟則憑藉Office生態系統，將Copilot深度綁定其中，逐步向企業市場滲透。這讓越來越多人相信，只要底層模型持續進化，如今所有的AI應用，最終都只是等待被官方「內置」的功能。 然而，就在不久前，曾打造上市安全巨頭Rubrik、如今執掌市值高達70億美元企業AI獨角獸Glean的創辦人Arvind Jain，在接受全球頂尖創投播客《20VC》專訪時，給出了一個相當犀利的判斷。他直言，OpenAI和Anthropic這樣的公司，並無法真正贏得應用層的企業市場。原因在於，通用模型雖然能解決「標準化生產」的問題，卻永遠無法取代應用公司對垂直業務領域的深度理解。更關鍵的是，這些前沿封閉大模型的吸引力正在下降。目前，超過90%的企業應用場景，開源模型已經能夠完全承接需求。 **企業對前沿模型的「不信任感」正在升溫**

Palantir執行長Alex Karp在7月初接受CNBC訪問時曾指出，大型企業對前沿模型廠商的不信任程度，已經達到前所未有的高點。這種情況的出現，是因為實驗室中所展現的「能力」，與企業內部所能創造的「價值」之間，存在一條非常漫長的轉換鏈條。 目前，許多企業部署AI的方式相當直接：購買模型服務，再透過MCP等標準化協議，將其接入公司內部的文件、郵件、CRM、工單、程式碼庫以及各種業務系統。管理者的直覺是，只要模型能讀取足夠多的數據，它就會自動理解公司運作，並開始創造價值。但現實遠非如此。 一家大型企業內部可能擁有數百甚至上千套系統。同一個客戶，在銷售部門被稱為「帳戶」，在財務部門則被稱為「主體」，到了交付部門，又可能對應到好幾個不同的專案。權限設定、版本控制、業務口徑以及隱性的規則，層層疊加。模型雖然能讀取這些資訊，卻無法判斷哪一條資訊對當前任務最重要，更不知道公司過去究竟是如何完成類似的工作。 因此，模型只能以一種近似「暴力搜尋」的方式來拼湊上下文：先檢索大量資料，再嘗試判斷彼此之間的關係，最後生成一個看似合理的答案。這會導致兩個直接後果：速度慢，因為大量時間耗費在搜尋原始材料上；成本高，因為大量Token消耗在無效的檢索與上下文拼接上。企業買到了一個聰明的大腦，卻沒有為它配備記憶、地圖和工作手冊。所以，當前企業AI落地的真正瓶頸，往往不是模型能力本身，而是「上下文工程」。 這裡所說的「上下文」，不僅僅是把幾份文件塞進提示詞中。它涵蓋了企業的知識體系、數據權限、術語關係、業務流程，以及那些從未寫進規章制度、卻存在於資深員工經驗中的隱性知識。例如，一項工作第一次被執行時，企業可能會留下十個標準步驟。但隨著時間推移，員工會不斷調整順序、繞開例外情況、總結捷徑。大量真正決定效率的經驗並未被記錄下來，只存在於人的判斷之中。未來，當AI代理開始承擔這些工作時，這些經驗將會逐漸沉澱到代理之中。這也帶出一個比「數據歸誰」更深的問題：由AI在長期工作中積累的組織經驗，究竟屬於企業，還是屬於提供AI代理的廠商？企業擔心的已經不只是技術依賴，而是營運依賴。如果核心工作由外部代理執行，而代理又掌握了不斷複利的組織經驗，那麼更換供應商就不再只是換一套軟體，而是近似於更換公司的「外置大腦」。 **九成場景不需要最強模型，成本決定規模化**

如果說「上下文」決定AI能不能用，那麼「成本」就決定AI能不能大規模使用。Arvind Jain在訪談中提出了一個最值得關注的判斷：如今，90%甚至更多的企業應用場景，已經不需要動用最強的模型。這個數字背後代表的意義是，企業只會為「足夠好且成本可控的結果」買單。無論是一份內部會議記錄，還是一封銷售跟進郵件，都不需要呼叫世界上最強的模型。只要品質達到業務要求，更便宜的模型自然就會勝出。這意味著，大模型正在經歷軟體行業非常熟悉的一幕：稀缺能力變成標準供給，技術優勢變成可替換的商品。 Glean的做法就很有代表性。它不要求客戶押注於單一模型，而是根據任務自動選擇最合適的模型：簡單的任務交給成本更低的開源模型，複雜的任務再呼叫更強的封閉模型。在這種架構下，應用公司與模型公司的關係也發生了變化。模型廠商競爭越激烈、開源社群進步越快，應用公司的「原材料」就越便宜、越豐富。真正危險的不是模型繼續升級，而是應用公司除了呼叫模型之外，沒有形成其他價值。 這也是為什麼「套殼」這個詞容易被濫用。呼叫同一個模型，並不等於提供同一種產品。就像所有電商網站都運行在類似的雲端運算基礎設施上，真正決定使用者體驗的，仍然是供應鏈、物流、推薦系統、客服以及組織效率。企業AI的差異同樣來自於權限體系、上下文品質、工作流程編排、結果評估以及交付能力。當然，開源替代方案也並非毫無阻力。Arvind Jain提到，有些企業對中國開源模型仍有心理與合規上的顧慮。即使模型可以本地部署、數據不會傳回模型提供方，決策者依然會擔心潛在的安全風險與輿論風險。但這更像是新技術擴散過程中「第一批採用者」的問題。一旦頭部企業開始使用並形成示範效應，顧慮就會逐漸從「能不能用」轉向「怎樣用得更安全」。長期來看，企業模型市場很可能不會是一家通吃，而是多模型共存。模型層的利潤會被競爭持續壓縮，而價值則會不斷向負責選擇、連接和管理模型的應用層移動。 **微軟的入口優勢正在被削弱，任務完成品質才是新戰場**

模型商品化所帶來的另一個衝擊，是動搖了企業軟體過去最有效的一種競爭武器：捆綁銷售。微軟的優勢從來不僅僅是產品，而是它可以將新功能裝進企業已經購買的套件中。對一家大型企業來說，免費獲得一個「七十分」的Copilot，通常比重新採購一個「九十分」的獨立產品更省事。後者不僅要多付一筆錢，還要經過安全審查、法務審批、供應商管理以及員工培訓。Arvind Jain坦言，微軟是比前沿模型廠商更現實的競爭對手。許多客戶拒絕Glean的理由是，「我們已經購買了微軟」。 不過，AI的按量付費模式正在為捆綁邏輯製造一道裂縫。傳統SaaS是按席位收費，企業一旦購買套件，就會傾向於讓員工盡量使用其中的產品；而AI更接近按任務量付費，無論工具是否被捆綁，實際執行一次任務都要消耗算力。企業完全可以同時開放多個工具，讓員工選擇最適合的一個，再根據實際用量買單。這意味著，捆綁模式雖然依然擁有採購與分發上的優勢，卻未必還能鎖定最終的使用行為。未來的競爭，不再只是「誰進入了供應商名單」，還包括「員工真正把任務交給了誰」。這是一個細微但重要的變化：軟體時代的入口優勢，正在被AI時代的任務完成品質重新定價。 **AI降本其實是個偽命題，效率瓶頸只會轉移**

談到企業AI，另一個經常被混淆的問題是投資報酬率。在客服場景中，報酬很好計算：一個客服過去每天處理10張工單，使用AI後處理12張，效率提升一目了然。但在研發、管理與知識工作中，計算就複雜得多。以Glean為例，目前公司內部接近100%的初始程式碼都是由AI生成的，沒有人手動撰寫第一版程式碼。然而，產品的交付速度並未因此爆炸式成長。為什麼？因為寫程式碼只是整個流程中最短的一環。程式碼量上去了，但程式碼審查、架構設計、跨團隊協調、測試、部署等環節，還是維持原來的速度。當AI把寫程式碼變得極快時，瓶頸就會轉移到程式碼審核上。若為了追求速度而取消人工審核，企業可能在幾年後面臨一個難以維護、無人真正理解的程式碼庫。因此，Glean依然保留嚴格的人類審核，以短期效率換取長期的可維護性。 這揭示了一個樸素的規律：AI不會自動消除流程瓶頸，它只會把瓶頸推向流程中的下一個環節。所以，許多AI應用當下的經濟帳並不好看，短期內也很難實現純粹的降本。長期來看，AI降本只有兩種可能的出路：第一條路，等待成本自然下降。歷史規律如此，科技只會越來越便宜。開源模型已經把推理價格壓低到封閉模型的十分之一了，OpenAI被迫降價只是時間問題。等到Token價格降到今天的十分之一甚至更低時，那個要價一百萬美元的AI代理，就會變成一筆極其划算的投資。第二條路，用AI來放大每個人的產能，而非單純進行裁員。假設有兩家處於同賽道的企業，擁有同樣先進的AI工具。A公司決定縮編團隊，用更少的人做同樣的事；B公司則維持團隊規模，用AI拓展十倍業務量、打造更好的產品。長期來看，B公司將會徹底壓倒A公司。因為企業的最終競爭力不僅來自成本，更來自於產出。企業老闆對AI能力的理解有兩種：一種是「一個人能幹更多事」，另一種是「一件事可以讓更少人幹」。如果選擇了後者，而競爭對手選擇了前者，就會被迅速甩開。 **掌握企業核心工作流，才是AI應用的真正護城河**

最後，回到創業者最初的焦慮：模型公司親自下場，應用公司該怎麼辦？OpenAI和Anthropic都在推廣垂直套件，看起來就是要一步步吃掉應用層公司的市場。Arvind Jain給出的判斷是，不必過度恐慌，因為兩者根本不在同一競爭維度。以設計行業為例，Claude推出了設計輔助功能，聽起來像是要搶Figma的生意。但實際上，設計師的主力工具依然是Figma。Claude只是讓那些「本來就不是設計師」的人，例如產品經理或市場銷售人員，能自己做一些簡單的素材生成。換句話說，Claude做的是市場擴展，讓本來不用工具的人開始使用工具，但深度工作仍然留在Figma中。 更深層的問題在於，模型廠商並不理解企業內部的真實運作。通用模型對接企業系統，目前主要依賴MCP這類標準化協議。簡單粗暴地連進去，暴力檢索所有數據，然後試圖完成任務。這種模式有兩個致命問題：一是效率極低，大量Token都消耗在「找東西」上，AI要先搞清楚這個業務需要哪些資訊、資訊在哪裡、如何拼湊起來，還沒開始幹活，成本已經燒掉了一大半；二是完全不懂上下文，企業內部的權限體系、歷史決策邏輯、專有術語、隱性規則，通用模型一概不知。Glean的定位就是一個對照組。他們花了好幾年的時間，打通了企業內部數百甚至上千套系統，包括Salesforce、ServiceNow、Google Drive、Slack、Notion等數十個不同的數據源，建立了一套基於權限的組織知識圖譜。員工搜尋任何資訊，返回的結果都是他權限範圍內最相關的那一條。這套壁壘就是靠時間與深度嵌入所堆疊出來的。 因此，真正值得應用公司擔心的，不是模型廠商是否親自下場，而是自己的產品是否足夠深入到企業的核心流程中。如果產品的價值只是一層聊天介面，模型升級確實可能在一夜之間將其抹平；但如果產品掌握了企業的上下文、權限、流程與長期學習能力，模型升級反而會放大它的價值。這也正是Glean創辦人經營思維發生變化的原因。他過去強調務實、資本效率以及每一筆投入的回報，但現在也開始擔心，過度保守可能會錯過一輪難得的市場圈地期。他認為，企業對AI的需求已經被喚醒，今天如果不進入客戶的核心工作流程，未來再想進入，成本可能高出十倍。不過，「加速」並不代表要放棄商業紀律。產品仍然要收費，仍然要為客戶創造可衡量的價值，行銷投入仍然要產生回報。資本可以幫助公司搶佔時間，卻無法長期掩蓋產品沒有價值的事實。這大概就是企業AI市場最真實的矛盾：一方面，市場窗口期要求公司大膽投入；另一方面，模型成本、客戶回報與商業模式又要求它保持克制。如何在兩者之間取得平衡，正是這一代AI創業者真正的考驗。