AI 的扩散缺口!

最近学习Sequoia AI Ascent。其中这几张图很值得分享：最重要的判断不是 AI 又进步了，而是工作的生产函数正在被改写！

过去的软件公司卖的是工具。用户买 seat，员工用软件，企业希望每个人的效率高一点。AI agent 之后，这套语言开始不够用了。企业买的可能不再是工具，而是一段可以被交付、被验收、被计价的工作。

AI 的变化不是把软件变聪明，而是把一部分劳动变成可调用的计算。

这也是为什么 Sequoia 在 AI Ascent 里反复讲 application layer。模型能力曲线已经很陡，但企业采用曲线还在另一边慢慢爬。两条曲线之间的空白，就是这一代 AI 应用公司的机会。

能力曲线和采用曲线之间的空白，是 AI 应用层真正要穿过的区域。

能力已经跑在采用前面

第一张图很直观：AI capabilities 是一条近乎垂直的曲线，AI adoption 仍然是一条缓慢上升、还没完全陡起来的曲线。

这个差距经常被误读成“AI 还没有用”。其实不是。

更准确的说法是：能力已经超过了很多组织的吸收速度。

模型能写代码、读合同、做客服、生成研究、处理工单、调用工具。但真实企业不会因为模型能做，就立刻把工作交出去。它们还要解决数据权限、责任归属、流程重构、异常处理、客户体验、预算归口和安全审计。

这就是扩散缺口。

技术扩散从来不是一条单纯的能力曲线。电力出现以后，工厂也没有立刻变成现代工厂。很多企业一开始只是把蒸汽时代的传动轴换成电机，真正的生产率释放，要等到工厂重新围绕电力改造空间、流程和组织。

AI 也类似。把 ChatGPT 接进系统，只是把旧流程上了一层新接口。真正的变化要发生在更深的地方：任务怎样被拆解，谁来验收，出错时谁兜底，数据怎样回流，价值怎样计价。

所以 application layer 的机会不是“包一层模型”。那种东西很快会被模型公司、云厂商或既有软件公司吞掉。

机会在于把模型嵌进真实工作，让输出从 demo 变成可复用、可验收、可付费的生产力。

工业革命换掉体力，认知革命换掉执行

Sequoia 另一组图把 AI 放进更长的历史周期里看：工业革命做的事情，是让水轮、风车、蒸汽机、电机、内燃机逐步接管体力劳动；认知革命要做的，是让机械设备、电子计算、神经网络逐步接管认知劳动里的执行部分。

同一种历史模式重复出现：服务人类的工作，被更强的技术载体接走。

这里有一个很容易被忽略的细节：图里的纵轴不是“人是否有价值”，而是“Work Serving Humans”。也就是说，每一次技术革命的核心都不是机器替代人类这个戏剧化叙事，而是服务人类的工作由谁来完成。

工业革命让人从动力来源，转向设计、操作、管理和消费。

工业革命以前，体力工作主要由人和动物完成。后来，机器承担越来越多的力量输出，人类没有消失，但工作位置变了。人从动力来源，变成设计者、操作者、管理者和消费者。

认知革命接走的不是人的全部判断，而是越来越多可描述、可验证、可重复的执行。

认知革命也会走类似路径。

AI 不会一次性接管所有认知活动。它会先接管那些可以被描述、被验证、被重复、被标准化的执行任务。代码补全、客服回复、销售线索整理、合同初审、医学记录、财务对账、测试用例生成，这些都是更早被卷进去的区域。

留下来的不是“纯人类工作”，而是更高密度的人类判断：目标设定、价值排序、责任承担、信任建立、审美、组织动员，以及对复杂现实的取舍。

人不是从工作里消失，而是从执行层上移到判断层。

这也是为什么 AI 对不同岗位的冲击并不均匀。越像标准化流程，越容易被 agent 化；越依赖信任、语境、责任和不可逆决策，越需要人来重新定义工作边界。

Agent 的本质：把雇佣转换成调用

“Hiring Employees vs. Agents” 那张图讲得很直接。

员工难以无限扩张，维护成本高，成本项是 salary，能力来自 human intelligence。Agent 理论上可无限扩张，维护成本低，成本项是 token，能力来自 machine intelligence。

agent 改变的不是一个工具界面，而是组织扩张工作能力的方式。

这张图当然有简化。真实世界里，agent 并不会自动可靠，也不会免费管理自己。模型会犯错，工具会断，权限会冲突，流程会卡住，客户会不满意。企业最终买的不是“一个聪明 agent”，而是一套能持续交付结果的系统。

但这张图抓住了真正的变量变化：很多工作第一次可以从“招人”变成“调用”。

过去企业要扩张服务能力，常见路径是招人、培训、管理、排班、质检。AI agent 之后，一部分能力扩张会变成复制 workflow、增加 token、接入工具、提高自动化率。

这会改变商业模式。

SaaS 时代卖 seat，本质上仍然假设人是工作主体，软件是辅助工具。AI 应用如果真的能完成工作，它的价格锚点就不该只是 seat，而会更接近 outcome、resolution、case、task、transaction。

客服不再只是“每个坐席多少钱”，而是“每次成功解决多少钱”。安全测试不再只是“买一套工具”，而是“持续发现多少漏洞”。法务、医疗、财务、招聘、销售运营，都可能出现类似变化。

这就是 service-as-a-software 的含义：软件不再只提高服务业效率，而是开始吞进服务本身。

不过这里也有分水岭。

真正强的 AI 应用公司，不会只展示模型能力，而会控制端到端工作结果。它们需要有 domain workflow、专有数据、工具调用、权限系统、异常升级、质量评估和客户信任。模型是底座，工作系统才是产品。

只要结果还不能被客户放心验收，agent 就仍然只是一个更会说话的功能。

稀缺项从产出变成信任

第三张图把问题拉回人本身。

“人是万物的尺度。”AI 可以完成工作，但只有人与人之间的连接，才让结果值得被关心。

当产出变得便宜，稀缺项会迁移到目标、信任和责任。

这句话放在 AI Ascent 里并不矫情，反而很关键。

当产出变得便宜，稀缺的东西就会迁移。

过去，写一份报告、做一张图、写一段代码、回复一封邮件，本身就是劳动。以后，这些产出会越来越便宜，甚至接近无限。真正稀缺的会变成：谁定义了问题，谁对结果负责，谁知道什么值得做，谁能让另一个人相信这件事重要。

AI 可以生成十个方案，但客户为什么要相信其中一个？AI 可以写出一封销售邮件，但对方为什么愿意回复？AI 可以做医疗记录，但医生和病人之间的信任从哪里来？AI 可以写代码，但产品方向、用户理解和系统责任仍然要有人承担。

当 output 变得过剩，care 会变得更贵。

这不是说人类只剩下情绪劳动。更准确地说，人类的价值会从“完成任务”迁移到“赋予任务意义、约束任务方向、承担任务后果”。

很多公司会低估这一点。

它们会以为部署 agent 就等于减少员工。短期看，确实会有自动化红利。但长期看，更重要的变化不是少几个人，而是组织结构会被改写：管理者要管理一组 agent，员工要学会拆任务和验收结果，客户成功要处理 agent 失败后的信任修复，产品要把 human-in-the-loop 设计成系统的一部分。

AI 越强，人类连接越不能被当成装饰。

BEDROCK 的判断：机会在扩散，不在演示

到这里，AI 的快世界已经很清楚。模型能力在陡峭上升，agent 让工作第一次可以被机器规模化，token 正在成为新的生产成本项。

真正的问题转到了另一边：现实世界能不能接住这条曲线。

BEDROCK 更关心三个问题。

第一，AI 应用有没有进入真实 workflow。

用户愿意试用不够。员工觉得新鲜不够。真正的信号是，某个任务是否已经被重新分配给 AI，预算是否随之迁移，人工是否从执行变成监督，结果是否能稳定验收。

第二，AI 应用有没有形成客户侧壁垒。

模型能力会继续扩散，单纯的 prompt、UI 和浅层自动化很难长期防守。更重要的是工作流数据、行业语境、系统集成、合规责任、交付经验，以及客户一旦迁移后不愿再回去的运行习惯。

第三，AI 应用的计价方式有没有从工具走向工作。

如果一个产品仍然只能按 seat 收费，它可能仍然是传统软件。如果它能按结果收费，客户愿意把原本付给人或外包服务商的钱付给它，性质就变了。

这一轮 AI 的大机会，不是替每个软件加一个聊天框，而是重写一段工作的生产方式。