——真正困难的不是奖励参与，而是奖励真实价值创造

The hardest part of incentive design is not rewarding participation.It is rewarding real value creation.

激励机制最难的，不是让更多人参与，而是让奖励真正流向价值创造。

一、当 Agent 开始创造经济价值，一个新的问题出现了

过去两年，我们一直在讨论 AI Agent 能做什么。

写代码、搜索信息、制作内容

分析数据、处理客服、执行交易

完成研究、调用其他工具

随着 Agent 能力不断提高，我们正在进入一个新的阶段：

Agent 不再只是一个工具，而开始成为经济活动中的行动者。

那么问题也随之发生变化。过去我们问：Agent 能完成什么任务？

接下来可能需要问：

当大量 Agent、人类、开发者和平台共同完成一项工作时，价值应该如何衡量和分配？

这看起来是一个商业模式问题。但继续向下拆解就会发现：

它其实是一个非常典型的机制设计问题。

二、AI 可以降低生产成本，却不会自动解决价值分配

假设未来一个 AI 产品的完整价值，不再由一家公司独立创造。

模型来自一家基础模型公司。

Agent Framework 来自另一个开发团队。

数据由用户贡献。

插件由第三方开发者提供。

工作流由社区不断优化。

不同 Agent 之间互相调用。

最终，用户获得一个完整结果。

那么问题来了：

这个结果到底是谁创造的？

模型？Agent？数据提供者？

开发者？工作流设计者？

用户？还是平台？

答案很可能是：

所有人共同创造。

这就产生了 AI 时代非常重要的一个矛盾：

价值创造正在变得越来越分布式，但价值分配仍然可能高度中心化。

三、这也是为什么我认为 Web3 值得重新研究

Web3 曾经进行过一个非常大胆的实验：

如果一个网络的价值由大量参与者共同创造，那么能不能让参与者也分享网络增长带来的收益？

于是出现了：

Token、DAO

Liquidity Mining、Contributor Rewards、Governance

各种 Reputation System。

其中很多实验并不成功，甚至产生了大量投机。但如果我们把泡沫拿掉，会发现它实际上一直在尝试回答一个非常重要的问题：

如何让贡献者分享自己共同创造的价值？

这个问题在 AI Agent 时代可能会重新出现，而且规模可能更大。

四、共创、共建、共享，不只是一个理想

我一直很喜欢 Web3 的一个经济思想：

共创、共建、共享。

因为我认为，它对应的是一种非常朴素的人性诉求：

如果一个系统的发展有我的贡献，那么当这个系统变得越来越有价值时，

我希望自己的贡献能够被看见，也希望能够合理分享其中的一部分增量价值。

这并不意味着所有参与者都应该获得相同收益，恰恰相反。好的机制应该能够区分：

谁创造了更多价值？

谁承担了更多风险？

谁进行了长期建设？

谁只是短期参与？

谁贡献了真正稀缺的资源？

所以：

共享，不等于平均分配。

真正重要的是：

让收益与真实贡献尽可能匹配。

五、但这里存在一个巨大的陷阱

一旦开始设计激励机制，就会遇到一个非常经典的问题：

你奖励什么，人们就会生产什么。

如果奖励发帖数量，人们就会大量发帖。

如果奖励交易量，人们就会制造交易量。

如果奖励邀请人数，人们就会想办法制造账户。

如果奖励 Agent 完成任务的次数，Agent 甚至可能开始把一个任务拆成十个任务。

最终你可能得到：

漂亮的数据。

巨大的活跃度。

大量参与者。

但没有真实价值。

所以，激励机制设计最危险的地方是：

指标开始取代目标。

六、Web3 已经为 AI 提前做过很多“压力测试”

这一点，我认为是 AI 创业者研究 Web3 最有价值的地方之一。过去几年，Web3 已经用真实资金验证过很多失败模式。例如：

1. 补贴制造需求

用户并不真正需要产品，只是为了奖励而来。奖励停止，用户消失。

2. 刷量取代贡献

系统奖励一个容易测量的指标，于是参与者开始优化指标，而不是创造价值。

3. 短期参与者捕获长期建设者的收益

真正建设生态的人承担长期成本，而短期资金可能获取了大量激励。

4. Token 先于价值

还没有形成真正的经济循环，就提前金融化。最终价格成为整个系统最重要的叙事。

5. 治理权与贡献脱节

拥有更多资产的人拥有更多治理权，但并不一定对生态贡献更多。这些问题并不只是 Web3 的问题。

未来如果 AI Agent 经济开始大规模设计激励机制，同样可能出现。

七、所以，第一原则不是“怎么奖励”，而是“什么是真实贡献”

我认为，一个 AI Agent 激励系统设计之前，至少应该先回答一个问题：

What is real contribution? 什么是真实贡献？

例如，一个 AI 开发者生态中：

开发一个被10万人持续使用的工具，是贡献。

发现一个重要安全漏洞，是贡献。

提供高质量训练数据，是贡献。

建立一个高复用率的工作流，也是贡献。

帮助大量用户理解产品，也可能是贡献。

但是：

一次点击是不是贡献？

一次转发是不是贡献？

一次 Agent 调用是不是贡献？

一次交易是不是贡献？

未必。

所以真正成熟的系统应该尽可能从：

从 Activity 走向 Contribution 再走向 Value Creation。

也就是：

Activity 行为↓Contribution 贡献↓Verified Contribution 可验证贡献↓Value Creation 价值创造↓Value Sharing 价值分享

这是我认为 AI Agent 激励机制非常重要的一条路径。

八、第二原则：奖励结果，而不仅仅奖励动作

传统互联网特别喜欢衡量：

DAU、点击、停留时间

调用次数、新增用户

这些指标很重要。但 Agent 时代可能需要增加一个更重要的维度：

Outcome。

Agent 调用了100次，不一定创造价值。如果它最终帮助企业节省了20小时工作时间，这可能才是真正的价值。

一个社区成员发了100条内容，不一定创造价值。如果一篇高质量内容帮助1000个用户真正理解了产品，可能更有价值。

所以未来激励系统可能需要逐渐从：

Proof of Activity 转向 Proof of Contribution

甚至进一步走向：

Proof of Outcome

这三个层次，我认为值得长期研究。

九、第三原则：短期激励不能破坏长期价值

机制设计最难的地方之一，是：

短期行为和长期价值经常不一致。

例如：

大量补贴可以迅速带来用户，但可能培养错误的用户结构。

大量 Token 激励可以提高 TVL，但资金可能只是暂时停留。

疯狂增长可以创造注意力，但也可能透支未来预期。

所以，一个真正成熟的机制应该同时考虑两个时间尺度：

Short-term Participation

和

Long-term Value Creation

这也是为什么我越来越关注：

长期贡献权重。

贡献持续多久？

产生的价值持续多久？

用户是否继续使用？

生态是否因为这个贡献变得更强？

这些变量可能比一次行为本身更重要。

十、第四原则：激励必须来自可持续的价值循环

还有一个非常重要的问题：

奖励的钱从哪里来？

这是很多激励系统最终失败的原因。

如果奖励主要来自：

新增用户的钱。

Token 持续发行。

资本补贴、融资。

那么它可能只是一个暂时的增长机制。

真正健康的经济系统最终需要形成：

Value Creation 价值创造↓Revenue / Utility 收入 / 使用价值↓Value Capture 价值承接↓Contributor Rewards 贡献者收益↓More Contribution 更多贡献↓More Value Creation 更多价值创造

形成一个正向循环。这才是真正意义上的：

共创 → 共建 → 共享 → 再共创。

十一、AI 可能第一次让贡献衡量变得更加精细

这里还有一个我认为非常有意思的变化。

过去，大规模衡量个人贡献非常困难。因为人的行为复杂，组织无法准确判断每个人到底创造了多少价值。所以公司最终使用：

职位、工时、KPI、绩效，这些代理指标。

但 Agent 时代可能发生变化，因为越来越多协作过程本身就是数字化的。

谁完成了任务？

调用了什么工具？

谁提供了关键数据？

哪个 Agent 修改了结果？

谁验证了结果？

最终产生了什么 Outcome？

这些过程理论上可以被更精细地记录。

如果再结合：

AI、可验证计算

区块链、数字身份、声誉系统。

未来我们可能第一次拥有一种新的能力：

以更低成本衡量大规模数字协作中的真实贡献。

如果这一点成立，它带来的变化可能远远超过 Token 本身。

十二、未来 AI 产品的竞争，可能也是“经济机制”的竞争

今天 AI 产品竞争：

模型、速度、价格

UX、工作流

未来，我认为还会增加一个维度：

Economic Mechanism。

两个功能相似的平台：

一个平台只是：用户 → 使用 → 付费。

另一个平台允许：

开发者贡献 Agent。

用户贡献数据。

专家贡献知识。

社区贡献工作流。

不同 Agent 相互调用。

贡献者持续分享生态增长产生的收益。

如果后者的机制设计足够好，它可能形成一种非常强的网络效应。因为参与者不再只是：

User。

而开始成为：

Contributor。

甚至：

Stakeholder。

十三、这也是“共创、共建、共享”真正值得研究的地方

我喜欢 Web3，并不是因为所有 Web3 项目都是好的。事实上，很多机制设计都失败过。我真正感兴趣的是它提出的那个问题：

如果价值是由一个网络共同创造的，那么有没有可能设计一种更好的机制，让贡献、权利和收益更加一致？

AI 时代，这个问题可能变得更加重要。因为未来的生产网络里，不再只有：企业和员工。

还会出现：

用户、开发者、模型

Agent、数据提供者、知识贡献者

社区、资本

各种参与者共同创造价值。那么我们就必须重新回答：

谁创造了价值？

谁应该拥有价值？

谁应该分享增量价值？

十四、Market Expectation Systems 为什么研究这些问题？

上半部分的《市场预期笔记》，我主要研究：

价值如何被市场理解。

现阶段，我开始进一步向前追问：

价值本身是如何被创造出来的？

这两个问题其实不能完全分开。因为一个项目如果没有真正的价值创造机制，再优秀的叙事最终也无法长期维持预期。

反过来：一个拥有优秀价值创造机制的项目，如果市场无法理解它，价值同样可能长期无法被正确认识。

所以，我现在越来越倾向于把两者理解为：

Mechanism Design 价值如何持续创造↓Narrative Intelligence 价值如何被理解↓Market Expectation 市场如何形成未来判断↓Behavior 用户 / 开发者 / 资本如何行动↓Feedback 行为如何再次影响系统

这实际上形成了一个闭环，而不是一条单向路径。

十五、给 AI 创业者的一个问题

如果你的产品未来拥有100万个 Agent、开发者和用户，我认为真正值得问的，不只是：

他们能为我的平台创造多少价值？

而是：

我的机制能不能识别是谁创造了价值？

又能不能让真正创造价值的人，合理分享系统增长带来的收益？

如果这个问题能够被解决，AI 可能带来的就不仅是生产效率革命，它甚至可能推动：

新的数字经济组织方式。

结语

过去，我们设计软件时，主要设计的是：

功能。

互联网时代，我们开始设计：

用户体验。

平台时代，我们开始设计：

网络效应。

而 Agent 时代，我们可能需要进一步设计：

经济机制。

因为当越来越多的人、Agent、开发者和资源共同参与一个系统时，真正决定这个系统能否长期运行的，不只是技术。而是：

贡献如何被识别。

价值如何被分配。

激励如何与长期目标保持一致。

所以，我想用一句话结束今天的文章：

Don’t reward activity.Reward contribution.Share value with those who create it.

不要只奖励行为。

奖励真正的贡献。

让创造价值的人，分享价值增长。

这可能是 AI Agent 经济真正开始之前，我们最需要设计好的事情之一。

本周思考

如果明天取消所有补贴、积分、Token 和营销预算：

你的用户、开发者和生态参与者，为什么还愿意继续贡献？

如果这个问题没有答案，那么需要重新设计的，也许不是激励力度。而是：

价值创造与价值分配之间的关系。