夜雨聆风2026年，一个真实的体感正在蔓延：模型能力在飞，但多数人的生活和工作，并没有以同样的速度被改造。OpenAI的CFO Sarah Friar 说，我们已经把“巨大的智能”交到了人们手里，就像把“法拉利的钥匙”给了大家，但很多人还在学习第一次把车开上路。问题不在于车不够快，而在于多数人还不会开、也不知道能开到哪里。她管这叫 “能力差距”（capability gap） 。——这，才是2026年AI行业真正的瓶颈。
如果把2025年的AI关键词压缩成两个词，一个是Agent（智能体），一个是vibe coding（氛围编程）。前者让“对话”开始具备“执行”的想象，后者把写代码这件事变得像“说人话”一样轻。热度很高，但进入2026年，很多人会有一种更真实的体感：模型能力在飞，但多数人的生活和工作，并没有以同样的速度被改造。
OpenAI的CFO Sarah Friar和Khosla Ventures的Vinod Khosla。一个站在“算力投入、收入与商业模式”的视角看AI，另一个用VC的长期尺度谈“泡沫、需求与产业外溢”。讨论的核心是一个更现实的问题——当智能已经被交到大众手里，为什么它还没变成大规模的结果？
一、编程的“特权”：为什么AI在代码世界跑得最快
编程领域为什么是AI最先跑通的行业？不是因为程序员更聪明，而是因为代码天然就是上下文——代码库摆在那里，agent直接读；权限通常不是主要障碍；用户本身就懂技术，知道怎么跟AI协作；最关键的，代码跑不跑得通，一运行就知道，输出可验证。四个条件，编程全占了。
但在公路养护、桥梁检测、医疗诊断、法务合规这些传统行业里，每一条都是反着来的。
一、“能力差距”比模型差距更致命
Sarah Friar在播客中明确提出了“capability gap”（能力差距）这个概念。她的描述非常形象：我们已经把“巨大的智能”交到了人们手里，就像把“法拉利的钥匙”给了大家，但很多人还在学习第一次把车开上路。 问题不在于车不够快，而在于多数人还不会开、也不知道能开到哪里。
她进一步把这件事拆成两层：
消费者侧：今天大多数人把ChatGPT当成“问答工具”。她真正关心的是：怎么让它从“聊天机器人一问一答”，走向“真正的任务工作者”——比如替你把旅行订好、帮你理解医生的建议并获得第二意见、甚至围绕慢病做菜单规划。这些都不是“回答一句话”能完成的，而是“把结果交付出来”。
企业侧：同样存在一个从“浅用”到“深用”的连续体。企业可能先从“全员ChatGPT”开始，再走向垂直专业化的解决方案，最终触达那些真正改变关键业务指标的环节。
她还抛了一个非常“残酷”的判断：今天真正把AI用到30%能力的人，可能都只是个位数比例；更别说50%、80%。她认为这是一段很长的学习旅程，甚至可能要十年才能让大多数人真正掌握“能用AI做什么、怎么用得更复杂”。
二、企业AI的“冰山”：水面之下是基础设施的缺失
如果个人用户面临的是“不会用”的问题，那企业面临的则是更深层的结构性障碍。
过去两年，业界一直在努力构建更完善的基础设施，包括更强大的连接器、更高效的文本转SQL系统、更智能的代理和更优秀的模型。数十亿美元的投入旨在解决企业级人工智能面临的难题：如何让人工智能访问数据。但真正的难点在于：如何让人工智能理解接收到的数据的含义。
这些问题的后果是真实的。Gartner预测，60%的代理型AI项目将在2026年因缺乏AI就绪数据而失败。德勤的《2026年企业AI应用报告》也印证了这一点：虽然42%的企业认为自己的战略已为AI应用做好准备，但在基础设施、数据、风险和人才方面，他们的准备程度却要低得多。
三、“认知错配”：懂技术的不懂业务，懂业务的不懂技术
AI落地的困境，还有一个更深层的根源：技术的构建者与技术的应用者之间，存在着一道难以跨越的认知鸿沟。
Zillow的5亿美元教训是最好的标本。Zillow曾是美国房地产科技的宠儿，2021年他们自信地推出了一项业务：利用算法直接买卖房屋。他们的逻辑很性感：既然AI能战胜围棋冠军，预测房价又有何难？在纸面上，模型的预测误差率已降至极低。然而，现实给了他们一记重拳。仅仅几个月后，该业务因巨额亏损被迫关闭，公司裁员25%，资产减记超过5亿美元。
问题出在哪里？出在那些算法“闻不到”的地方。
这正是传统行业AI落地的核心困境：技术侧拥有极高的流体智力，能跑通最复杂的模型，但缺乏判断模型输出在商业逻辑上是否合理的历史经验；业务侧拥有沉淀了几十年的行业直觉，但无法把这些隐性知识“翻译”给AI。
四、破局的关键：不是追模型，而是重构工作流
AI投资回报率的关键不在于更好的模型，而在于企业必须重新设计工作流程，使AI代理能够有效运作。关键不是把一切数据都塞给AI，而是设计出能够精准提供所需上下文的工作流。
Sarah Friar在2026年给2026定了调：2025讨论了很多agents，但真正成熟还没到位；2026的变化，会发生在多智能体系统开始带来“肉眼可见的影响”。她举的企业例子很具体：不是“帮你写几段文案”，而是让多个智能体去跑完整任务链——例如帮企业运行ERP系统、每天自动做对账、计提、合同追踪。这类工作本来是典型的“系统工程”：数据在不同系统里，规则有合规约束，还要能持续、稳定、可审计。她的意思是，2026的agent价值不在于更会聊天，而在于能把这种成体系的工作接起来，变成日常运行的一部分。
模型能力迟早会拉平，OpenAI能用的模型你也能用。真正构成差异的，是上下文。 谁先把自己行业里那些散落的、非结构化的、锁在各种系统和脑子里的知识，整理成AI能读懂、能调用的格式，谁就拿到了最大的红利。
真正的壁垒不是做一次数据梳理就吃老本，而是把上下文的整理变成团队日常工作流的一部分，让它持续更新、持续积累。
五、结论：AI的下半场，拼的是“工程确定性”
技术会迭代，模型会更新，但你对行业本身的深度理解，以及把这种理解转化为AI可用上下文的能力——这才是2026年真正稀缺的东西。
这可能是传统行业拥抱AI最实在的第一步。不是去追最新的模型，不是去买最贵的系统，而是低头把自己的上下文理清楚，然后持续喂养它。这件事很慢，很笨，一点都不性感。。但那些愿意沉下心来做这件事的企业，将在2026年之后拿到AI时代最厚的红利。
*本文部分观点与数据来源：OpenAI Podcast访谈
