AI 应用没有消失,只是它不长在 App 里了

最近和朋友聊 AI 应用。

他问了一个很现实的问题：如果看一些 AI 应用公司的云消耗，好像并没有想象中那么强。尤其是国内，除了少数几个项目，大多数 AI 应用公司似乎没有跑出特别明显的用量。

这个问题表面上是在问云消耗。

但我觉得，它真正问的是另一件事：

AI 应用层到底有没有起来？

我的判断是：起来了。

只是它不是按照很多人 2023 年想象的方式起来。

当时市场有一种很自然的想象：大模型出来了，接下来会出现一批新的 AI App；这些 App 会像上一代 SaaS 公司一样，靠订阅、PLG、企业采购，一个个长成新的巨头。

这个想象很顺。

但现在看，它可能太顺了。

AI 应用当然会发生。只是它未必长在一个个独立 App 里。它更可能长在四个地方：

入口里。工作流里。交付里。叙事里。

如果还只盯着“谁又做了一个 AI 工具”，大概率会看偏。

一、国内不是没有 AI 应用，而是独立工具很难长大

先说国内。

国内独立 AI 应用创业公司，尤其是工具型 SaaS，确实难。

但这个难，不是今天才开始的。中国企业软件市场一直就不太舒服。

很多客户不是没有需求，而是不愿意为一个独立工具持续付费。能自己搓就自己搓，能先凑合就先凑合，能等平台集成就等平台集成。

到了 AI 时代，这个问题被放大了。

因为 AI 的很多轻量能力，本身就很容易被平台吃掉。

会议纪要。文档总结。录音转写。知识库问答。写作助手。简单 Agent。

这些东西不是没价值，而是太容易变成功能。

飞书、钉钉、企业微信、微信、豆包、手机厂商、会议硬件厂商，都有能力把这些能力嵌进原来的产品里。

所以国内 AI 应用创业最尴尬的地方在于：

你刚刚证明一个需求成立，大厂就可以把它变成一个功能。

而且国内复制速度太快。

一个东西只要看起来有效，很快就会出现一批类似产品。技术壁垒如果不够深，分发又不在自己手里，最后就容易变成：大家都能做一点，但谁也收不到太多钱。

所以我现在不太愿意说“国内 AI 应用不行”。

这个说法太粗，也有点懒。

更准确的说法是：

国内独立工具型 AI SaaS 不舒服，但 AI 应用本身会被平台化、系统化、硬件化、服务化。

它不会消失。

它只是被吸进了更大的系统里。

很多 AI 使用不会以“我买了一个 AI App”的形式出现，而会以“我原来的工具突然多了一个 AI 能力”的形式出现。

这个差异很关键。

如果用独立 App 的标准去看国内 AI 应用，会觉得很冷清。

但如果看办公套件、手机系统、会议硬件、企业服务商、行业解决方案，AI 其实在往里渗。

只是它不一定以创业公司融资新闻的形式出现。

二、海外更顺，因为 AI 公司先把自己 AI 化了

海外市场不太一样。

海外 AI 应用更容易出现漂亮数据，不只是因为美国公司更有钱，也不只是因为海外 SaaS 付费文化更成熟。

更关键的是，它形成了一个 AI-native 的自循环。

一家 AI 创业公司，对外卖 AI 产品，对内也几乎全员使用 AI 产品。

写代码用 Cursor、Windsurf、Claude Code。语音输入用 Wispr Flow 或 Typeless。销售、市场、研究、知识管理、数据分析，再用一堆 AI 工具。

它像一条贪吃蛇。

AI 公司买 AI 公司的工具。这些 AI 工具公司又继续买更多 AI 工具。于是早期市场自己先转起来了。

这件事在国内比较少见。

国内公司的第一反应经常是：这个能不能自己做？能不能让实习生做？能不能等平台免费出？能不能先不用？

这不是道德问题，也不是谁高级谁低级的问题。

这是市场习惯问题。

Menlo Ventures 的 2025 年企业生成式 AI 报告里有一个数字：企业生成式 AI 支出从 2024 年的 115 亿美元增长到 2025 年的 370 亿美元，大概是 3.2 倍。其中应用层支出约 190 亿美元，已经超过整体支出的一半。

这个数据至少说明一件事：

企业不是只在买模型和算力，应用层已经开始真实收钱。

所以，如果只看中国市场，容易低估 AI 应用。

尤其是 AI coding、AI voice、AI research、AI workflow、AI CRM、GEO 这些方向，海外确实有不少产品跑出了很强的生命力。

但这里有一个反直觉的点：

真正好的 AI 应用，未必都很吵。

有些产品天天融资、天天访谈、天天讲创始人故事。有些产品安静得多，但用户每天都用，续费也不错。

我现在越来越警惕一件事：

不要用曝光度判断产品质量。

有些产品红在叙事里。有些产品长在工作流里。

后者才更值得看。

三、云消耗是线索，不是答案

从基础设施角度看 AI，很自然会看云消耗。

谁 GPU 用得多，谁 token 打得多，谁 workload 强，谁就看起来像是增长来源。

这个视角重要，但不够。

云消耗高，不一定代表产品是好生意。

它可能代表用户多，也可能代表成本控制差。可能代表业务增长，也可能代表毛利压力。可能是规模，也可能是低效。

云消耗低，也不一定代表产品不行。

有些产品很轻，调用成本不高，但订阅很强。有些产品做本地处理。有些产品调用第三方模型。有些产品还没到大规模消耗阶段，但已经在一个小圈层里形成高频使用。

所以云消耗只能说明一件事：

它反映 AI workload 的强度，但不能单独判断 AI 应用的商业质量。

这点很重要。

比如视频生成，云消耗可能很猛，但毛利压力也大。一个语音输入法、浏览器插件、轻量 workflow 工具，云消耗未必夸张，但如果用户每天都用，续费率高，它可能是更好的生意。

这是我最近一个很明确的修正：

不能只用云的视角看应用。

云服务能看到消耗，但不一定能看到利润质量。

四、最确定的应用，不是“工具”，而是入口

如果现在 AI 应用里有一条线最确定，我觉得是 AI coding。

原因很简单。

开发者天然愿意试新工具。代码产出相对可验证。效率提升容易感知。而且软件开发本身就是一个高度结构化、上下文密集、可被工具链重构的流程。

Cursor 是一个典型例子。

TechCrunch 在 2026 年 4 月报道，Cursor 背后的 Anysphere 正在洽谈超过 20 亿美元融资，估值约 500 亿美元。

这个数字当然夸张。

但它说明资本市场已经把 AI coding 当成当前最确定的应用层入口之一。

不过，我也不想把这件事神化。

AI coding 的市场付费很强，不代表它在所有开发场景里都一定线性提升生产力。

成熟代码库、复杂工程协作、长期维护、安全问题、代码质量，这些都不是“AI 写得快”就能自动解决的。

所以我更愿意这样看：

AI coding 的价值不是替代程序员，而是重构软件生产工作流。

它真正重要的地方不是写几行代码。

而是把需求、文档、代码、测试、部署、debug、知识库、团队协作重新连起来。

如果只把它理解成“自动写代码”，还是低估了这个赛道。

除了 AI coding，我最近也很关注 AI 语音输入和转写工具。

这类产品表面看是输入法。

但我觉得它不只是输入法。

它抢的是表达入口。

人和大模型交互，本质上需要把人的意图转成机器更容易理解的指令。问题是，大多数人并不擅长写 prompt，也不愿意每次都认真组织一段结构化语言。

所以，如果一个输入法可以做到三件事，它就很有价值：

语音识别足够准。跨设备、跨应用足够顺。能把口语化表达自动整理成适合 AI 理解的文本。

那它就不是普通输入法。

它是 Prompt 转译层。

Typeless、Wispr Flow 这类产品有意思的地方就在这里。

它们不是简单做 ASR，而是在抢“人向 AI 表达需求”的第一入口。

用户说一句话，它帮你整理、压缩、结构化，然后再进入 ChatGPT、Claude、邮件、文档、Slack 或其他系统。

这件事看起来很小，但入口很深。

因为所有 AI 任务的第一步，都是表达需求。

谁掌握了表达入口，谁就有机会掌握后面的上下文、任务流和工作流。

当然，这类产品也天然有隐私风险。

输入法离用户太近了。它接近你的原始表达、上下文、工作内容，甚至可能接近桌面和应用状态。

所以我对这类产品的态度是两句话：

产品价值很大。但合规、隐私和数据边界必须严肃。

一个产品不作恶当然值得尊重。

但更关键的是，它有没有机制保证自己不能轻易作恶。

五、模型仍然重要，但入口会重新分配权力

很多人说模型能力会拉平。

我基本同意这个方向，但不觉得它已经完全发生。

模型之间仍然有差距。代码、多模态、长上下文、工具调用、推理稳定性、企业安全、成本效率，这些维度都还没有完全拉平。

不能简单说“模型都差不多了”。

但长期看，模型竞争会从表层能力转向系统能力。

也就是说，大家都能回答问题、写代码、总结文档之后，真正的竞争会变成：

谁有入口？谁有场景？谁有数据？谁能进入企业工作流？谁能把模型能力变成业务结果？谁能用更低成本、更稳定地完成任务？

Gartner 曾预测，到 2028 年，33% 的企业软件应用将包含 agentic AI；同时它也提醒，到 2027 年，超过 40% 的 agentic AI 项目可能因为成本上升、商业价值不清等原因被取消。

这两个判断放在一起看，反而更接近现实：

Agent 会进入企业软件，但不是所有 Agent 项目都会活下来。

这也是为什么 Microsoft Copilot、Google Gemini for Workspace、Claude Code、OpenAI Codex、Amazon Quick 这些产品都值得观察。

它们形态不一样，但背后竞争的是同一个问题：

谁能成为知识工作者和企业业务流程的 AI 入口。

以 Amazon Quick 为例，真正值得看的不是它是不是又一个聊天助手，而是它能不能连接企业数据、模型能力、开发者工作流、业务系统和云基础设施。

公开信息里，Amazon Q Business 和 Amazon Q Developer 在 2024 年 4 月进入 GA。前者面向企业知识和系统交互，后者面向软件开发生命周期。

这说明云厂商并不满足于只做底层资源，也在往知识工作和企业工作流入口上移。

这里面各家都有自己的优势和短板。

云厂商有企业客户、数据基础设施和生态，但未必天然擅长应用体验。AI-native 公司有产品速度和用户心智，但企业交付、权限、合规和复杂系统集成未必容易。办公软件厂商有天然入口，但也可能被既有产品结构束缚。

所以这场竞争还早。

它不是聊天机器人之争。

它是企业软件入口之争。

六、企业最终买的不是 AI，而是结果

如果说企业 AI 落地还有一个关键变量，我觉得是 FDE。

名字可以有很多种。

Frontier Deployment Engineer。AI Solution Engineer。Agentic Delivery Consultant。甚至就是更懂 AI 的行业顾问。

名字不重要。

本质是：一类既懂 AI，又懂业务，还能下场交付的人。

企业现在最大的问题，不是“不知道 AI 很重要”。

大家都知道。

真正的问题是：

AI 到底用在哪？怎么接入现有系统？怎么改流程？怎么证明 ROI？怎么从 demo 变成 production？出了问题谁负责？权限、合规、数据安全怎么处理？

这些问题不是买一个工具就能解决的。

所以企业 AI 的下一阶段，很可能会从“买工具”转向“买结果”。

FDE 或类似角色，就是把模型、数据、工具、流程和业务结果连接起来的人。

这会冲击很多独立 AI 应用公司。

因为客户未必想再多买一个工具。客户想要的是：你能不能直接帮我把事情做成。

从这个角度看，AI 应用层的机会不一定在一个个 App 里。

它可能在业务流程重构里。

这也是为什么我觉得，单纯问“哪个 AI 工具会火”已经不够了。

更好的问题是：

哪类工作会被 AI 重新组织？哪类公司能为这个重组负责？

前者决定需求。

后者决定收入。

七、不要低估叙事，它也是基础设施

还有一个我自己需要修正的点。

我过去可能会低估媒体和个人 IP 在 AI 周期里的价值。

我对很多“造神式内容”天然不喜欢。尤其是那种把一个事情讲得九曲十八弯，最后再拔高到时代命运、组织哲学、长期主义之类的文章，我读起来经常不舒服。

但不舒服是一回事。

有没有商业价值，是另一回事。

AI 这样的技术周期，本身就需要叙事中介。

技术太快。概念太多。创业公司太多。投资人、客户、人才、媒体、平台，都需要有人帮他们筛选、命名、解释、排序。

所以媒体和个人 IP 的价值不只是写文章。

它们占据的是几个节点：

信息筛选。信任转译。周期命名。资本叙事。圈层连接。

这件事我以前可能看得不够重。

我仍然不认为所有流量都值得学习，也不认为所有会讲故事的人都有真内容。

但我必须承认，在一个新技术周期里，谁能把复杂东西讲得让关键人群愿意相信，谁就掌握了一部分基础设施。

内容不是边角料。

叙事本身就是市场的一部分。

只是这里也有一个边界：

好的叙事应该帮助市场降低理解成本。

坏的叙事只是把复杂性包装成神秘感。

前者是基础设施。

后者是噪音。

八、真正值得看的，是 AI 长进了哪里

所以回到最开始的问题：

AI 应用层到底有没有起来？

我的答案是：有。

但它不是简单表现为一堆 AI App 各自长成 SaaS 巨头。

它更可能表现为四种形态。

第一，长进入口。比如 AI coding、AI 输入法、AI workspace、企业知识入口。

第二，长进工作流。比如开发、销售、市场、客服、法务、财务、研究、BI。

第三，长进交付。比如 FDE、AI consultant、行业方案、项目制落地。

第四，长进叙事。比如媒体、个人 IP、行业报告、投资人共识、客户心智。

这也是为什么我觉得，接下来判断 AI 应用，不能只问：

谁又做了一个 AI 工具？

更应该问：

谁拿到了入口？谁嵌进了流程？谁能交付结果？谁能让客户每天都离不开？谁的收入质量能覆盖它的模型和云成本？谁不是靠概念活着，而是真的长在了工作方式里？

很多热闹会过去。

但真正的工作流会留下来。

AI 应用没有消失。

只是它不一定长在 App 里了。