OpenRouter CEO:超级 App 时代落幕,Harness 才是真正主角

那场危机给他刻下一条深刻认知：基础设施的生死，不在于流量会不会来，而在于流量骤然到来的时候，系统能不能扛得住。

如今，他把这套经验带到 OpenRouter—— 一家大模型 “总路由器”。它不训练模型，而是聚合全球各家大模型，根据速度、价格、质量，自动把请求路由到最合适的模型与推理服务商。

站在这个特殊的 “上帝视角”，他看到的 AI 行业，和大众津津乐道的 “一模型赢天下” 完全不同。

今天我们抛开技术晦涩术语，拆解这场访谈的核心洞察，也留下一些值得行业人思考的问题。

   不会有赢家通吃：多模型，是长期既定事实   

当下舆论总在期待：会不会诞生一个全能大模型，把所有对手全部淘汰？

Alex 给出明确结论：多模型生态不可避免，单一模型很难垄断全部市场。

原因很朴素：不同模型训练数据集、训练路径、模型 “性格” 完全不一样。有些模型擅长创意发散，有些擅长严谨逻辑，有的成本低廉适合批量任务。即便是企业做了自研私有模型，也只会用来承载自身核心业务护城河；面对层出不穷的外部新模型，依然会持续拿来补充能力、压缩成本。

🔍思考：

1. 如果多模型成为常态，未来产品经理、开发者，还需要深度精通某一个模型吗？
2. 企业到底该自研模型，还是直接选用外部模型？两者的边界在哪里？

同时一个容易被忽略的真相：同一个模型，交给不同服务商部署，体验天差地别，Token 并不等价。推理不是简单的卖算力的大宗商品。服务商底层优化、调度策略不同，同样的模型，输出质量、响应延迟、稳定性都会出现差距。推理服务商，依然拥有巨大的优化空间。

而 OpenRouter 做路由，核心卖的不是路由技术，而是选择权。让开发者随时用上最新问世的模型，降低对单一厂商的绑定与依赖。

一个很有意思的经济学现象：杰文斯悖论在 AI 领域应验

访谈披露一组真实平台数据：某款模型价格直接下降 10 倍，两周之内调用量上涨 13 倍。

通俗来讲：模型降价，并不会让平台总收入随之同比例缩水；价格下降，会引爆更多新的使用场景，整体市场盘子反而变大。

AI 算力越便宜，大家就越敢去做更多、更复杂的尝试，需求被进一步放大。

🔍思考：你所在公司，是否因为模型成本太高，放弃过一些 AI 落地想法？如果推理成本再大幅下降，你们最想做什么新业务？

   企业最大风险，是模型巨头下场竞争   

访谈中一个很尖锐的观点，刷新很多人的固有认知：美国企业的焦虑，不完全来自海外开源模型；更忌惮的，反而是 OpenAI、Anthropic 这类前沿模型厂商本身。

原因非常现实：大量 AI 创业公司，本质是在大模型之上，做一层业务包装，靠提示词、业务流程做差异化。可一旦底层模型厂商，直接面向同一赛道推出原生产品，创业公司的护城河瞬间被消解。就像 Claude Design 推出，直接对 Figma 所在的设计赛道形成冲击。

反观海外开源模型，企业的顾虑集中在合规、数据安全、供应链信任，风险边界反而相对清晰可控。Alex 也直言：中国开放权重模型的实力，被美国市场普遍低估，但合规与信任，仍是进入美国企业市场的现实门槛。

记忆不会被任何一方垄断，未来是多层记忆架构

过去大家畅想：大模型会记住我的全部历史，记忆能力会变成锁定用户最强壁垒。

但 Alex 判断，记忆不会被模型厂商独占。未来会走向分层记忆：模型层、应用层、推理服务商、路由平台，各自保存一部分记忆碎片。

应用手握大量业务场景上下文，这些关键信息模型本身并不掌握；模型厂商想要完整记忆，需要获得应用侧的授权。不存在某一家可以垄断全部用户记忆。

🔍行业思考：如果记忆分散在多个平台，未来的 AI 产品，如何保障用户隐私？跨层记忆之间互相干扰，又该如何解决？

   Harness取代超级App，传统软件退为Agent的后台   

访谈中最具颠覆性的概念：Harness（驾驭层）。很多人会疑惑，Harness 到底是什么？它不是模型，也不是普通 App，是跑在模型之上、面向 Agent 的可组合工作界面。

传统 App，是一个个封闭独立的孤岛，彼此打通困难。而 Harness 基于 Unix 环境构建，天然支持互相调用：一个 Harness 可以拉起、调度另外一个 Harness，在沙箱环境完成任务。

当 Agent 需要完成工作，不再需要去打开一个个 App，处理登录、适配 API、解析文档等一堆麻烦；Harness 提供统一的执行环境，各类 ERP、CRM、办公软件，退化成被 Agent 调用的后台工具。

这对于没有自研大模型的创业公司意义重大：就算不掌握底层模型，创业企业依然可以依靠 Harness 牢牢握住用户交互和用户关系，建立自己的产品壁垒，而不是彻底沦为大模型的插件。

🔍思考：

1. Harness 的兴起，会不会让今天大量 SaaS 软件价值重构？哪些工具会被弱化？
2. 未来普通用户，是继续使用熟悉的 App，还是会直接通过 Harness 下达任务？

Alex 也给出一套 Agent 的理想架构：不必所有任务都调用最贵的顶尖大模型。用最强模型承担规划、复杂推理的编排工作；而文本分类、格式转换这类确定性任务，交给成本低廉的开源子 Agent 去执行。就像组建一支 AI 团队，不同模型各司其职，兼顾效果与成本36氪。

   未来：员工成本定义，正在被 AI 改写   

访谈抛出一个非常现实、细思极恐的变化：企业的人力成本，未来不再只看薪资。

过去员工成本是固定薪酬；而 AI 时代，员工会产生动态的推理算力账单。

同样一件工作，有的员工善于优化提示词，选用性价比合适的模型，用很低算力成本拿到高质量产出；也有人不分场景，无脑调用最贵大模型，反复重试，消耗大量算力，业务产出却平平。

未来管理者评估员工，除了业务结果，还要观测 AI 使用的投入产出。算力消耗，会变成企业内部重要的运营指标。

🔍思考：如果公司未来会统计每个人的 AI 算力消耗，这件事会带来哪些正面和负面的影响？会不会催生新的职场压力？

   最后：AI 行业，正处在范式切换的前夜   

整场访谈，Alex 从基础设施、商业博弈、产品形态，到企业管理，描绘出一幅和当下主流叙事截然不同的 AI 图景：

• 不要押注单一 “终极模型”，多模型共存是长期趋势；
• 推理不是简单的卖铲子，选择权本身就是商业价值；
• Harness 驾驭层崛起，传统应用软件或将退居后台；
• 记忆走向多层分布，不存在单一平台垄断用户全部信息；
• AI 会重塑企业成本结构，算力消耗成为新的管理变量。

当然这些判断，依然带有推演属性，部分设想还没有大规模落地。未来真正会走向何方，依然等待市场验证。

欢迎在评论区说说你的判断。