AI模型商品化下，应用公司的生存之道

近期不少AI应用创业者都在被一个核心焦虑困扰：底层通用大模型会不会彻底吞噬应用层的市场？今年以来，头部模型厂商纷纷推出垂直行业套件，依托原有生态捆绑AI功能，让很多人相信只要模型持续进化，当下的AI应用都可能被内置为基础功能。不过，曾打造上市安全巨头Rubrik、如今执掌70亿美金企业AI独角兽Glean的创始人Arvind Jain，在创投播客《20VC》中给出了截然不同的判断：通用大模型厂商根本赢不了真正的垂直应用企业，真正的壁垒在于对行业的深度理解，而非模型本身的能力。以下是基于专访的核心解读：

有行业观察指出，大型企业对头部闭源模型厂商的不信任程度达到了前所未有的高度。很多企业最初部署AI的思路非常直接：购买顶级模型服务，通过标准化协议接入内部的文档、邮件、CRM、工单等各类业务系统，认为只要模型能获取足够多的数据，就能自动理解企业业务并创造价值。但实际效果却远非如此。

大型企业内部往往拥有数百甚至上千套业务系统，同一个客户在销售部门被称为“账户”，在财务部门叫“主体”，在交付环节又对应多个项目。权限、版本、业务口径和隐性规则层层叠加，通用模型虽然可以读取这些数据，但无法识别哪些信息对当前任务最关键，也不了解企业过往完成同类工作的具体逻辑。

这种情况下，模型只能通过近似“暴力搜索”的方式拼接上下文：先检索大量材料，再尝试梳理关联关系，最后生成看似合理的答案。这带来两个直接问题：一是效率极低，大量时间消耗在查找有效信息上；二是成本高昂，大量Token被浪费在无效检索和上下文拼接中。企业看似买到了强大的AI能力，却没有给模型配备适配自身业务的记忆、地图和工作手册。

因此，企业AI落地的真正瓶颈从来不是模型的基础能力，而是上下文工程。这里的“上下文”不仅是将几份文档塞入提示词，还包括企业的知识体系、数据权限、术语关系、业务流程，以及那些从未写入正式制度、却沉淀在员工经验中的隐性知识。比如一项工作最初可能有10个标准步骤，但随着时间推移，员工会不断调整顺序、规避例外情况、总结优化捷径，这些真正决定效率的经验只存在于人的判断中，未来会逐步沉淀到智能代理系统中。

这也引出了比“数据归属”更深刻的问题：AI在长期工作中积累的组织经验，到底属于企业本身，还是提供智能代理的厂商？企业的担忧早已不只是技术依赖，更是运营依赖——如果核心工作由外部代理完成，而代理又掌握了不断迭代的组织经验，那么更换供应商就不再是切换软件，而是相当于替换公司的“外置大脑”。因此，企业真正需要掌控的，不只是模型和数据，还包括AI在业务中形成的专属经验。

如果说上下文工程决定了AI能否真正可用，那么成本则决定了AI能否大规模落地。Arvind Jain在访谈中提出了一个极具冲击力的判断：如今90%甚至更多的企业AI应用场景，根本不需要使用当前最强的通用大模型。

这个数字背后的核心逻辑是：企业只会为“质量达标且成本可控的结果”付费。无论是生成内部会议纪要，还是撰写销售跟进邮件，都无需调用全球顶级的模型服务——只要输出质量符合业务要求，成本更低的模型就会成为更优选择。这意味着大模型正在经历软件行业的经典发展路径：稀缺的技术能力逐渐成为标准供给，技术优势最终会变成可替代的商品。

Glean的产品策略就是典型案例：它并不要求客户绑定某一款模型，而是根据任务属性自动选择最合适的模型——简单任务交由成本更低的开源模型处理，复杂任务再调用性能更强的闭源模型。在这种架构下，应用企业和模型厂商的关系已经发生了变化：模型厂商的竞争越激烈、开源社区的迭代速度越快，应用企业可以使用的“原材料”就越便宜、越丰富。真正威胁应用企业的，不是模型的持续升级，而是自身除了调用模型之外，没有形成其他独特的业务价值。

这也是为什么“套壳AI”这个概念容易被滥用的原因：调用同一个模型，并不等于提供相同的产品。就像所有电商平台都运行在相似的云计算基础设施上，但真正决定用户体验的是供应链管理、履约配送、推荐算法、客服体系和组织运营效率。企业AI产品的差异同样来自权限体系、上下文质量、工作流编排、结果评估和交付能力等核心环节。

当然，开源模型的普及也并非毫无阻力。Arvind Jain提到，部分企业对国产开源模型仍存在心理和合规层面的顾虑，即使模型支持本地部署、数据不会传回厂商，决策者依然会担心潜在的安全风险和舆论风险。不过这更像是新技术普及初期的“早期采用者”问题：一旦头部企业完成试点并形成示范效应，行业的顾虑就会从“能不能用”转向“怎样用得更安全”。

从长期来看，企业级模型市场不太可能出现一家独大的局面，而是会呈现多模型共存的格局。模型层的利润会被持续竞争压缩，而价值会不断向负责模型选择、连接和管理的应用层迁移。

模型的商品化还会冲击企业软件市场过去最有效的竞争武器——捆绑销售。微软的优势从来不止于产品本身，而是可以将新功能预装在企业已经采购的办公套件中。对大型企业来说，免费获得一个基础版的Copilot，往往比重新采购一款独立的AI产品更省心：后者不仅需要额外付费，还要经过安全审查、法务审批、供应商管理和员工培训等一系列流程。

Arvind Jain坦言，微软是比头部模型厂商更现实的竞争对手，很多客户拒绝Glean的理由就是“我们已经采购了微软的相关套件”。不过，AI按量付费的商业模式正在给这种捆绑逻辑制造一道裂缝。

传统SaaS产品通常按使用席位收费，企业一旦购买套件，就会倾向于让员工尽可能使用其中的功能；而AI服务更接近按任务量付费，无论工具是否被预装，实际执行一次任务都会消耗算力成本。企业完全可以同时开放多款AI工具，让员工选择最适合当前任务的产品，再按照实际使用量付费。

这意味着，捆绑销售依然拥有采购和分发的优势，但未必还能锁定最终的用户使用场景。未来的企业AI竞争不再只是“谁能进入供应商名单”，而是“员工真正会把任务交给哪款产品”。软件时代的入口优势，正在被AI时代的任务完成质量重新定价。

谈到企业AI应用，很多人都会混淆投资回报的计算逻辑。在客服这类场景中，AI的效率提升很容易量化：比如一名客服原本每天处理10张工单，使用AI后可以处理12张，效果一目了然。但在研发、管理和知识工作中，回报的计算则要复杂得多。

以Glean内部为例，目前公司近100%的初始代码都由AI生成，但产品的交付速度并没有出现爆炸式增长。原因很简单：编写代码只是整个研发链条中最短的一环。代码产出量提升后，代码审查、架构设计、跨团队协调、测试和部署等环节的速度并没有同步提升。如果为了追求效率取消人工审核，企业可能会在几年后面对难以维护、无人真正理解的代码库。因此Glean依然保留了严格的人工审核流程，以短期效率损失换取长期的代码可维护性。

这揭示了一个朴素的规律：AI不会自动消除流程中的瓶颈，只会将瓶颈转移到下一个环节。因此，很多AI应用当下的经济账并不好看，短期内很难实现纯粹的降本。从长期来看，AI实现降本只有两条可行路径：

第一条路径是等待技术成本下降。历史规律显示，科技产品的成本只会越来越低。开源模型已经将推理成本降到了闭源模型的十分之一，OpenAI被迫降价也只是时间问题。当Token的使用成本降到当前的十分之一甚至更低时，原本昂贵的智能代理系统就会变成极具性价比的选择。

第二条路径是用AI放大人均产能，而非单纯通过裁员降低成本。假设两家同赛道的企业都拥有先进的AI工具：A公司选择缩编团队，用更少的人完成同样的工作量；B公司维持团队规模，用AI拓展十倍业务量、打造更优质的产品。长期来看，B公司会彻底碾压A公司。因为企业的终极竞争力不仅包括成本，还包括产出。企业管理者对AI能力的理解分为两种：“让一个人完成更多工作”，和“让一件事只需要更少的人完成”。如果选择后者，而竞争对手选择前者，企业很快就会被甩开。

AI不会直接消灭岗位，但会消灭那些只承担单一执行工作的岗位。未来的岗位会越来越偏向复合化：懂技术的产品经理可以直接用AI生成原型，销售可以同时兼顾方案演示和商务谈判，不再需要解决方案工程师全程陪同。基础数据分析师、招聘寻访员、报表制作等纯执行类岗位会逐步消失，跨职能的复合型人才会成为市场刚需。

最后回到创业者最初的焦虑：头部模型厂商纷纷推出垂直行业套件，是不是会彻底抢走应用企业的市场？以设计行业为例，Claude推出了设计辅助功能，看起来像是要抢占Figma的市场，但实际上设计师的主力工具依然是Figma——Claude更多是在拓展新的用户群体，让原本不是专业设计师的产品经理、市场销售人员可以自行生成简单的素材，而深度的设计工作依然会留在Figma中。

更深层的问题在于，通用模型厂商根本不理解企业内部的真实运作逻辑。目前通用模型对接企业系统主要依靠MCP等标准化协议，简单粗暴地接入所有数据源，通过暴力检索来完成任务。这种模式存在两个致命缺陷：一是效率极低，大量Token都消耗在查找有效信息的环节，AI还没开始正式处理任务，成本就已经消耗了大半；二是完全不理解业务上下文，企业内部的权限体系、历史决策逻辑、专有术语和隐性规则，通用模型一概无法掌握。比如让一个外部模型去理解“为什么这家供应商去年被标记为高风险”，它甚至都不知道该从哪里开始查询。

Glean本身就是最好的对照案例：团队花了数年时间打通企业内部成百上千套系统，包括Salesforce、ServiceNow、Google Drive、Slack、Notion等数十甚至上百个不同的数据源，构建了一套基于权限的组织知识图谱。员工搜索任何信息时，返回的结果都是其权限范围内最相关的内容。这套壁垒是靠长期的技术投入和深度的业务嵌入才建立起来的。

因此，真正值得应用企业担心的，不是头部模型厂商的竞争，而是自身的产品是否足够深入到客户的核心业务流程。如果产品的价值仅仅停留在聊天界面这一层，那么模型的升级确实可能在一夜之间抹平这种差异；但如果产品掌握了企业的专属上下文、权限体系、业务流程和长期学习能力，那么模型的升级反而会放大产品的价值。

这也是Glean创始人经营思路发生转变的原因：他过去一直强调克制、资本效率和每一笔投入的回报，但现在也开始担心，过度保守会错过当前难得的市场窗口期。在他看来，企业对AI的需求已经被彻底唤醒，如果今天不能快速进入客户的核心工作流，未来再切入的成本可能会高出十倍。

不过，“加速扩张”并不等于放弃商业纪律。产品依然需要收费，需要为客户创造可衡量的价值，营销投入也需要形成合理的回报。资本可以帮助企业抢时间，但无法长期掩盖产品缺乏实际价值的事实。这或许是企业AI市场最真实的矛盾：一方面，市场窗口期要求企业大胆投入；另一方面，模型成本、客户回报和商业模式又要求企业保持足够的克制。如何在两者之间找到平衡，正是这一代AI创业者需要面对的核心考题。