2025年5月红杉AI闭门会解读:从卖工具到卖收益敏感的同学会清楚，钱在哪里，哪里就有发展。如果能迎合资本市场，那就有可能活得很好。今天我们就解读一下在2025年5月旧金山红杉资本AI峰会，这个由150位全球顶尖AI创始人、科学家和投资人闭门讨论6小时达成的震撼共识：下一轮AI的核心不再是卖工具，而是卖收益。AI：新一轮万亿市场的崛起与颠覆
红杉资本峰会明确指出，AI是新一轮的万亿市场，其市场规模是云计算的10倍，并将同时颠覆软件服务与人力资源两大市场。为什么会特别提出AI将颠覆软件服务与人力资源？这并非偶然。AI的本质是概率模型，它不具备人类的自主思考能力，但它却能“学习海量知识”。这意味着，在许多重复性、规则性强的脑力劳动中，AI将展现出惊人的效率和成本优势。从资本家的角度来看，如果AI工具能带来更高的效益，并且管理起来比人类更省心，那么大规模地用AI替换中基层员工将是必然趋势。尤其需要警惕的是编程行业，像Cursor这类AI编码平台已经展示出足以替代大部分程序员的潜力。当程序员这类高技术门槛的工种都面临冲击时，其他工种受到的波及只会更快。“数字员工”在未来3年内，很可能成为一个常见名词。正如某个老板在工作群里所言，这是一个无法回避的趋势。“公司管理层不断对业务、信息进行处理，借助AI派发任务即可，而员工只需要承接任务，后续由AI打分。”AI的介入将大幅降低信息失真和评价失效的问题，从而有效缓解公司规模扩张带来的管理难题。如果所有的员工专业度有AI做判断，那么就不在需要太多管理了，后续组织的架构可能会演化成这样：公司管理层不断对业务、信息进行处理，借助AI派发任务即可，而员工只需要承接任务，后续由AI打分。因为AI的切入，大大的降低了信息失真与评价失效问题，公司规模上升导致的问题会被大幅降低。应用层：价值变现的核心
此次峰会达成了一项重要共识：AI商业逻辑正在发生根本转变——从卖“能用的工具”转向卖“可见的收益”。更简单地说，下一轮AI，卖的不是工具，而是成果。历史技术革命，如移动互联网成就了《王者荣耀》，5G带来了短视频的火热，最终字节跳动脱颖而出，都印证了一个规律：90%的巨头诞生于应用层。创业公司需要聚焦垂直领域，解决具体、复杂的实际问题，比如医疗诊断、广告创意等，从而实现从“工具销售”到“成果交付”的转变。这与OpenAI对Agent的定义不谋而合，当前AI正从L2向L3过渡，核心在于应用：- L2：解决“增强”的问题（如图像识别的准确率更高）。
- L3-L5：解决数据和能力组织的问题（多模态、环境感知、具身智能、AR/VR甚至脑机接口等）。
这意味着，除了底层模型能力，近两年另一个核心是对AI进行行业知识的补齐，这包括特定领域的数据和工作流（Workflow）。这些行业知识是通用大模型难以直接生成的，需要各个行业自身来补足。因此，创业公司聚焦垂直领域是正确的选择。AI产品与以往的产品有很大不同，因为它对标的是“人”，而人理应创造价值！更重要的是，AI永不疲惫，这意味着一个AI产品能像成百上千个真人一样，持续不断地创造巨大的价值。以社群运营工具为例，它旨在解决社群运营中的“不可能三角”问题：社群活跃度越高，转化率就越高，但个人精力有限。而AI群聊分身所创造的价值或收益，正是将我的转化效率提升了100倍，并且这个目标正在逐步实现。- 协作层（卖流程）：按服务时长收费，如RPA机器人。
- 成果层（卖结果）：按商业产出收费，如“每促成100个订单收费1万元”的智能销售代理。
- 工具层可能是一个简单的群控助手，能整理粉丝活跃度。
- 协作层可能是在群控助手的基础上，提供一个低价实习生服务，帮你处理各种杂事并促成订单。
- 成果层就是最终的AI群聊分身，它能带着你的知识与群友互动，甚至进行朋友圈等系列操作，直接带来转化收益。
对于AI创业者，红杉的建议是“做2-4轮再细分”。这意味着，即使是“AI+医疗”这样的方向也不够，可能需要聚焦到解决医生某个具体痛点，才能避免陷入红海竞争。AI应用未来的关注点将从“模型能力”转向“能否确实解决我的某个痛点”。入口之争：谁将成为AI时代的操作系统？
OpenAI的Sam Altman描绘了未来AI的发展时间表：- 2025年： AI代理大规模上岗，开始处理复杂任务。
- 2026年： AI自主发现新知识，形成独特的决策框架。
- 2027年： AI进入物理世界，在制造、医疗等领域创造实体价值。
云时代的操作系统是微软，移动时代是iOS，而AI时代的操作系统，将不再是装机软件，而是任务调度系统。最近大家熟悉的Manus以及正在变革的AI浏览器就是典型例子。为什么说未来我们可能不需要浏览器，只是AI需要“浏览器去获取最新的知识库”？与其说打造一款AI浏览器，不如说它更像一个适应AI使用的知识库（如browser-use、Nova Act SDK）。浏览器之所以成为极其重要的关键词，是因为它是一个绝佳的入口，入口代表着流量，流量意味着激烈的争夺。所以，许多公司正在布局AI浏览器，其本质是在争夺下一个Agent入口。The Browser Company放弃旗舰产品Arc转而研发Dia就是一个重要信号：浏览器不再是单纯的网页容器，而正在经历从“工具”到“智能体”的跃迁。当AI出现的那一刻，传统浏览器的死亡便被宣告，因为三大核心交互正在发生变化：- 信息获取方式： 从“用户主动搜索”转向“Agent预判需求”。
- 交互界面： 从“URL+网页”转向“多模态对话空间”。
- 底层架构： 从“页面渲染引擎”转向“实时数据处理器”。
微软Edge Copilot的代码自动补全功能已展示这种转变：开发者输入注释，AI直接调用GitHub最新代码库生成解决方案，无需打开任何技术文档网站。占据入口就等于占据资源，因此各领域公司都会加大这方面的投入。这与当前火热的MCP生态（多域跨域调度）正在为环境做准备的逻辑是一致的。垂直领域：AI爆发的突破口
红杉进一步指出，在企业级市场中，真正率先跑出来的入口未必是通用大模型，而是像Harvey（法律）、Open Evidence（医疗）这类垂直领域智能体OS，因为它们能听懂行业语言，理解真实需求。为什么率先爆发的一定是垂直领域？核心原因在于模型幻觉和行业知识的稀缺性。知识和数据是对真实世界的描述，但我们通常只关注其中很小一部分。以糖尿病为例，我们讨论的主要是症状和药物，很少涉及文化经济模块，这导致了数据残缺性与知识表征瓶颈。医生在实际诊断中，不仅依赖临床指南，还有大量难以结构化的隐性知识，如：这是当前AI难以逾越的困境：隐性知识难以结构化，导致训练数据本质上是残缺的。GPT-4在医学考试中获得高分，不等于具备临床能力，这就像通过飞行理论考试不等于能处理空中特情一样。AlphaGo的成功建立在围棋规则完全透明、状态空间有限的基础上。而真实医疗场景存在：这类开放性问题需要元认知能力（反思自身决策局限），而当前AI仍停留在“统计拟合”层面。虽然不能否定其可能出现涌现的可能，但这需要建立在对世界全量知识的输入之上，这显然是目前无法实现的，毕竟文字并不能完全描述真实世界。现有研究表明，语言文字至多能描述真实世界的30-40%。在模型训练语料中，行业知识是不足的，并且可能分散存储在各个领域公司，所以初期爆发的一定是各个垂直领域。法律业务的数据天生分散：邮件往来、微信记录、私有网盘、纸质卷宗各自为战。即使是大型连锁律所，也仅仅是把文件丢进共享文件夹，缺乏统一命名和结构化字段。加上客户隐私和律师—当事人特权，外部模型根本无法接触到这些高价值语料。即使拿到了数据，还需要资深律师逐案标注争议焦点、法条适用，这既昂贵又耗时，通用模型难以承受。其次，律师真正的“杀手锏”往往不是明面上的法规，而是和解窗口、法官偏好等隐形策略，这些难以通过现成文本捕捉。另一方面，法律文书对准确率的要求接近100%，而当前通用模型在引证、条文匹配上依旧会出现“幻觉”。在娱乐或营销场景可以容忍的80分，在法律领域就是不合格。综上，通用模型在法律场景“先天缺氧”：数据进不来、错误出不得、模型放不下、利益拉不齐。只有把模型垂直化：围绕私有语料、行业细则、责任链闭环打造专业智能体，才能真正嵌入律所工作流。法律领域的特殊性由此反向印证：AI的真正爆发，必然率先出现在高价值且高度专业化的垂直场景。智能体经济：未来的协作模式
在闭门会中，智能体经济（Agentic Economy）被频繁提出：未来的AI，不只是彼此通信，而是组成一个可以交换价值的系统网络。- 信任协同： 它和你之间，不是指令关系，而是信任契约。
这与Agent通用模型架构并无本质差别，在《构建智能体的实用指南》中也有提及。这是一个设想：你的智能体要像一个人，具备标准服务可以被其他智能体调用。从Attention到Action：AI产品的新定义
AI领域一直流行一句话：“Attention is all you need”（注意力是你所需要的一切）。然而，索尼娅提出了更结构性的回答：分发物理学(physics of distribution)，变了。我认为“流量足够大，很多问题都能解决”这个观点也值得商榷。流量固然重要，但如果产品无法解决用户痛点，再大的流量也难以留住用户。随着AI从工具变成代理，用户行为也随之转变。红杉观察到，使用的起点不再是界面点击，而是任务委托；真正的价值，不是产品被打开了多少次，而是它交付了多少结果。这听起来像是废话文学，因为传统的软件如果不好用、不好使，也一样会被淘汰。但这背后更深层的逻辑是：AI应用不再是“被操作的工具”，而是“承担责任的系统节点”。当一个对话框就能解决所有问题时，用户当然愿意。这里的逻辑不是功能少了，而是用户可见的东西少了，但后台的智能协同却更强大了。- 是否能跑完一个完整任务流程： 不是帮你做一部分，而是从头到尾，交付闭环。
- 是否能让结果被归因： 是否能度量它带来了什么明确价值（节省了什么、提升了什么）。
- 是否能在过程中持续学习和优化： 是不是越用越好、越跑越稳、越交付越准。
这与市面上常说的端到端的AI产品是一个意思。以医疗领域的新贵Open Evidence为例，它从“辅助医生”转变为“自动生成诊断建议+给付解释+患者摘要”，并且全部写入系统记录，形成可学习的“交付链”。别调模型调组织架构：重塑工作流
红杉强调，模型还很傻，不应该成为接口了。这并非模型不行，而是你的组织、流程、工具链——没有匹配上这类智能的运作结构。来自Anthropic的CPO Mike Krieger在峰会上提到：“我们不是在让模型变聪明，而是在让系统变得可控、可用、可调度。”个人解读： 他们的内部70%以上的生产代码提交，已经由Claude完成。但关键不在于生成的准确率，而在于Claude已被纳入一整条任务执行链中：从读取需求文档、代码历史，到生成方案、交叉验证、提交评审，每一步都有清晰的责任分配、反馈机制与自动升级路径。模型不再是“工具”，而是一个工程角色，嵌入到了组织的协作结构中。这意味着，AI项目本质上是一个复杂的工程项目。例如Cursor的案例，10倍提效的核心是重塑工作流。要让Cursor在业务开发中发挥更大作用，我们需要调整工作流，使其更适应Cursor参与。关键在于清晰表达需求并提供足够的上下文。如果Cursor的实现未达预期，首先要反思自己是否描述清楚，毕竟AI无法读懂你的心思。LLM → 工具调用 → 工作流编排 → 职责委托 → 智能生态网络AI应用演进路径类似，核心都是从单个工具使用向更复杂的系统集成和自动化发展。“一人独角兽公司”的真相与挑战
在AI+组织管理的板块，最有趣的莫过于“一人独角兽公司”这个概念。这并非指个人能力有多强，而是因为其掌握了高密度的智能代理协作逻辑，能够利用一套AI联合工作组完成产品研发、销售交付、客户服务与内容运营。 “不是你多会干，而是你能不能用AI构建出一个‘不靠你亲自动手也能推进的系统生物体’”。AI会极大地放大一个人的能力，从而加剧马太效应。当Agent生态成熟后，AI + SOP = “一人独角兽”，但别高兴得太早，这可能是你能不能用AI构建出一个‘不靠你亲自动手也能推进的系统生物体’”。AI会极大地放大一个人的能力，从而加剧马太效应。当Agent生态成熟后，AI + SOP = “一人独角兽”，但别高兴得太早，这可能与你我关系不大。- 高手把AI当陪练。 他们自负且固执，要的不是答案，而是高速反馈与资料聚合激发灵感；在飞轮式循环里精炼模型、沉淀体系，他们是真正在玩AI的人。
- 中手把AI当兴奋剂。 瞬间产出“看似高手级”内容，效率飙升却难以内化；当人人都能开挂时，同质化反噬反而让护城河更薄。
- 初级玩家几乎被一键平替。 企业不再为新手买单，试错赛道与见习岗位蒸发；想补课只能自掏腰包。
- 顶部那5%掌握AI飞轮，产研、运营、营销全自动化，收益指数级扩散。
- 腰部陷在“效率假象”中，缺少体系化训练，追不上海量试错成本。
换句话说，AI让效率成为标配，却让真正的能力更稀缺。会写提示词不是终点，能设计闭环、持续迭代的智能工作系统才是终极竞争力。厚积薄发的时代并未结束，只是其门槛更高。愿意深耕、把代理打造成自进化合伙人的人，才能享受技术红利；其余人要么被卷成可替换节点，要么尽快升级认知、跨入策略层。总之，未来人与人之间的分层会更加极端，类似抖音主播的现象。AI会进一步缩小部分人和人之间的差距，但会形成更强的马太效应，最终可能加速人群的分类：
✅ 一步API中转站（体验最新最全的AI前沿模型） 更多内容可查看本专栏文章，有用的话记得点赞收藏噜！
夜雨聆风
