ARTICLE · 1036839
关于AI应用的十个判断
发布时间：2026-09-19 11:25:05 最近访问：2026-09-19 11:25:05
关于AI应用的十个判断
以下的这些判断，是层层递进、环环相扣的，只有理解、认可了前一个，才可能接受后一个。现在的算力/Token消耗不只是模型厂的自娱自乐，也不是年初Token maximization时的无效浪费，很大一部分确实是企业用在真实业务场景。这个判断来自于很多产业田间地头的人，而不是LLM、老黄、云厂的卖家秀。用钞票投票的买家行为，远比利益相关者的嘴更可信。因为真的能够降本增效，很多企业看到同行用了之后，生怕自己被淘汰，产生了强烈的FOMO情绪。从历史上的自动收银机、数字化系统、线上化渠道等经验来看，用AI不一定能够让你产生竞争优势，但不用一定会被有相对劣势。看着邻居家已经开上了最炫酷的跑车飙了几圈了，自己家门口却还是土路，AI这个跑车开不进家门。这就是很多中国企业当下的现状，也是他们焦虑的根源。所以，当下很多AI应用公司的营收爆炸式增长，都是来自于数据治理：让没有数字化的企业先完成数字化，让有了数字化基础的企业数据更适合跑AI。这是土路➡️铺装路➡️高速公路的升级迭代。4. LLM能力进一步提升的瓶颈是高质量私有数据。容易拿到的互联网文本，早已经被 AI 吃过了。整个互联网能抓到的文本，大概是 100T 的量级，真正清洗完、能拿来做 pre-train 的，可能只剩 15T。再把那些藏在网页背后、不容易直接抓到的信息也扒到极致，最多也就是 300T，这些早都被用完了。
更要命的是，这些数据只能让LLM成为穷翰林，干不了县令式的活儿。而各个产业的田间地头，需要的正是能干县令式的活儿的Agent。
AI企业端应用现状：百无一用穷翰林，草台班子数据库
数据本身是死的，业务场景是活的。企业组织就像生态系统，是不断迭代和演化的。诸如ERP、CRM这类传统的system of record中的数据，就像一张张定格后的照片，它可以告诉你按下快门那一刻的状态，但是却没有从A到B的过程。别人的经验永远无法替代你自己的体验。如果把Agent当成人类员工，你每次都告诉它结果，而不让它参与过程。这样训练出来的LLM，总有些隔靴搔痒的意思。把它扔到真实业务场景中去，扔到业务一线去，它才会成长得更快、更好。工业时代最典型的经济特征是规模效应，互联网时代是网络效应，智能时代是智能复利。这不是我的原创，是曾鸣教授《智能：AI时代的商业、组织与战略的本质》中的观点。我只是深以为然但表达不出来，他是我的嘴替。我理解互联网时代，也深受许小年教授《商业的本质和互联网》的启发。投资不是学术研究，能够博采众家之长为我赚钱最重要。所谓智能复利，简单说就是你越深入客户的业务场景，你越能理解客户要什么，你的Agent/LLM学得越快，能力越强；能力越强，用你的客户就越多。越多人用越好用，越好用越多人用。这本质上也是双边市场效应。就像规模效应和网络效应一样，智能复利也有临界点，过了临界点会快速的自我加强。这种自我加强我们在腾讯的社交网络、阿里的电商平台早就见识过了。从这个角度来说，互联网时代“天下武功，唯快不破”的商业竞争秘笈依然管用。所不同的是，互联网时代是靠用户与用户、用户与信息、用户需商品这种飞轮，而AI时代是靠用户与能力。因为智能复利效应是AI时代的网络效应，接下来AI应用的竞争，主要看两点：二是谁做得深，能够深入真实业务场景，长出用户真正离不开的能力。第一点会体现在营收的增长上，第二点会体现在复购率和增购率上，用SaaS行业的黑话说就是NDR。盯住这两个指标就行。这方面的最佳实践是Palantir。不仅营收加速增长，US Commercial的NDR 高达150%、Government NDR 整体146%（International Commercial仅103%、Commercial整体113%，拖累了整体数据）。中国不一定能长出Palantir，但把它当作最佳实践，可以帮助我们判断哪些是正确的，哪些是有问题的。把它当成北极星目标，可以指导企业进行战略规划，指引投资者观察哪些企业有真正成本“中国版Palantir”的潜力。中国企业的数字化治理水平参差不齐，有些家门口还是土路，有些是铺装路面，有极少数可能已经是高速公路了。要致富，先修路。中国AI应用企业的现实路径，是先帮企业修路，但又不能只是修路。在修路的过程中，要想办法把自己的数据中台落进去，让企业以后的产生的数据都跑在自己的中台上。有了这个数据中台，就可以卖自己的各种业务Agent。当然也可以反过来，对于已经有了铺装路面的客户，可以先把某个Agent卖进去，比如迈富时的营销Agent、北森的HR Agent。之后再慢慢想办法渗透，看能不能借着数据治理把自己的数据中台落下去。对于企业而言，换数据中台就像高速换轮子，轻易不会换，除非收益成本严重不对称，所以第二种比第一种难多了。光有数据还不够，还要让AI能够理解这些数据的业务含义。数据中台只是铺装路面，真正的AI高速公路是本体层（Ontology）。搭建本体层技术不难，难的是对业务的深度理解。这个难点在于客户的配合度和FDE的专业度。 只有等到本体层也搭建完成，这时候就可以上类似于Foundry的AIOS了。帮客户数据治理➡️落自己的数据中台➡️本体层搭建➡️AIOS落地。这每往下一步，都代表着商业模式的跃迁，估值范式都能值得重构。沿着这条线，可以评估当下这些应用公司到哪一层了。因为受限于当下各个AI应用供方的组织资源、能力边界、企业FOMO时的PMF、ROI的考量标准、跑得快慢程度不一、嵌入企业工作流后的用户黏性和转换成本（高速换轮子不容易，除非收益成本严重不对称）等因素制约，最终没有哪家能够通吃。
目前的证据，大概能够支持“没有谁能够无边界扩张，最终分工会细化”的判断。在此基础上延伸出三个子判断：
a. 模型能力越来越强之后，做得最浅的工具型应用会被模型吞掉，比如美图、做个 PPT 这些。但大模型不可能吞噬一切应用，只能满足最大公约数的通用需求，而这部分的价值量可能会是最大的。
b. 像 Palantir 那种做的又深又重又垂直细分的，模型能力反而是赋能，而不会是吞噬。它们有着大模型最羡慕却拿不到的私有数据和进不去的真实业务场景。Palantir是一座数据炼油厂，而LLM是对超级饥渴的数据怪物。
c. 还有一些领域，需要做深做重做垂直细分但价值量不大，模型公司深入不进去，体量又长不出一家Palantir。这种长尾市场的需求，就比较适合 workbuddy 应用市场这种模式。而应用市场最稀缺的能力不是丰富，而是筛选判断--帮助用户筛选哪个Agent和Skill最好用，判断和具体的任务匹配度最高。
以上判断，准确性约等于神棍。AI一直在进步，我的认知也在迭代。我随时做好了被未来的自己打脸的准备。
