AI独角兽创始人最新判断：90%企业AI场景，已经不需要最强模型

过去一段时间，绝大部分AI应用创业者最焦虑的问题就是：大模型会不会把应用全吃了？

今年以来，OpenAI、Anthropic 持续推出法律、设计、办公全套垂直套件，微软依托 Office 生态捆绑 Copilot，不断向企业渗透。

越来越多人开始相信，只要底层模型持续进化，今天所有AI应用，不过都是等待被官方”内置”的功能。

但就在不久前，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，做客全球头部创投播客《20VC》，给出了一个犀利的判断：

OpenAI和Anthropic赢不了真正的应用层企业。原因很简单，通用模型能解决“标准化生产”，却永远无法替代应用公司对垂直业务的深度理解。

更重要的是，前沿闭源大模型的本身也在失去吸引力。目前90%以上企业场景，开源模型已经能完全承接需求。

以下是专访的内容：

企业开始“不信任”前沿模型了

Palantir CEO Alex Karp7月初在CNBC抛出一个判断：大型企业对前沿模型厂商的不信任度达到了前所未有的程度。

之所以出现这种情况，是因为实验室里的“能力”与企业里的“价值”，中间隔着一条很长的链条。

当前不少企业部署AI的方式非常直接：购买模型服务，再通过MCP等方式把它接入内部的文档、邮件、CRM、工单、代码库和各种业务系统。管理者的想象是，只要模型能看到足够多的数据，它就会自动理解公司，并开始创造价值。

现实并非如此。

一家大型企业内部可能有数百甚至上千套系统，同一个客户在销售部门叫“账户”，在财务部门叫“主体”，到了交付部门又可能对应若干项目。

权限、版本、业务口径和隐性规则层层叠加。模型虽然能读取这些信息，却并不知道哪一条对当前任务最重要，也不知道公司过去究竟是如何完成类似工作的。

于是，它只能用一种近似“暴力搜索”的方式拼装上下文：先检索大量材料，再尝试判断彼此关系，最后生成一个看上去像答案的答案。

这会产生两个直接后果：一是慢，大量时间耗在寻找原材料上；二是贵，大量Token消耗在无效检索和上下文拼接上。企业买到了一个聪明的大脑，却没有给它配备记忆、地图和工作手册。

所以，企业AI落地的真正瓶颈，往往不是模型能力，而是上下文工程。

这里的“上下文”也不仅是把几份文档塞进提示词。它包括企业的知识体系、数据权限、术语关系、业务流程，以及那些从未写进制度、却存在于员工经验中的隐性知识。

比如，一项工作第一次被执行时，企业或许会留下十个标准步骤。但此后几年里，员工会不断调整顺序、绕开例外、总结捷径。大量真正决定效率的经验并没有被记录，只存在于人的判断里。未来，当智能代理开始承担工作时，这些经验会逐渐沉淀到代理之中。

这也带来一个比“数据归谁”更深的问题：由AI在长期工作中积累的组织经验，究竟属于企业，还是属于提供智能代理的厂商？

企业担心的已经不只是技术依赖，而是运营依赖。如果核心工作由外部代理执行，代理又掌握了不断复利的组织经验，那么更换供应商就不再是换一个软件，而近似于更换一套公司的“外置大脑”。

所以，企业真正需要控制的，不只是模型和数据，还包括AI在工作中形成的经验。

90%的企业AI场景，不需要最强模型

如果说上下文决定AI能不能用，那么成本决定AI能不能大规模使用。

Arvind Jain的访谈中最值得关注的一个判断是：如今90%甚至更多的企业应用场景，已经不需要用最强的模型。

这个数字背后的含义是，企业只会为“足够好且成本可控的结果”买单。

无论是一份内部会议纪要，还是一封销售跟进邮件，都不需要调用世界上最强的模型。只要质量达到业务要求，更便宜的模型就会自然胜出。

这意味着，大模型正在经历软件行业非常熟悉的一幕：稀缺能力变成标准供给，技术优势变成可替换的商品。

Glean的做法很有代表性。它并不要求客户押注某一个模型，而是根据任务自动选择合适的模型：简单任务交给成本更低的开源模型，复杂任务再调用更强的闭源模型。

在这种架构里，应用公司与模型公司的关系也发生了变化。模型厂商越卷、开源社区进步越快，应用公司的原材料就越便宜、越丰富。真正危险的不是模型继续升级，而是应用公司除了调用模型之外，没有形成其他价值。

这也是为什么“套壳”是个容易被滥用的词。

调用同一个模型，不等于提供同一种产品。就像所有电商网站都运行在类似的云计算基础设施上，真正决定体验的仍是供应链、履约、推荐、客服和组织效率。企业AI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。

当然，开源替代也并非毫无阻力。

Arvind Jain提到，一些企业对中国开源模型仍有心理和合规顾虑，即使模型可以本地部署、数据不会传回模型提供方，决策者依然会担心潜在的安全风险与舆论风险。

但这更像新技术扩散中的“第一批采用者”问题。一旦头部企业开始使用并形成示范，顾虑就会逐渐从“能不能用”转向“怎样用得更安全”。

长期看，企业模型市场很可能不是一家通吃，而是多模型共存。模型层的利润会被竞争持续压缩，价值则不断向负责选择、连接和管理模型的应用层迁移。

微软的入口优势没了

模型商品化还会冲击企业软件过去最有效的一种竞争武器：捆绑销售。

微软的优势从来不只是产品，而是它可以把新功能装进企业已经购买的套件里。对一家大型企业来说，免费获得一个“七十分”的Copilot，通常比重新采购一个“九十分”的独立产品更省事。后者不仅要多付一笔钱，还要经过安全审查、法务审批、供应商管理和员工培训。

Arvind Jain坦言，微软是比前沿模型厂商更现实的竞争者。许多客户拒绝Glean的理由是，“我们已经购买了微软”。

不过，AI的按量付费模式正在给捆绑逻辑制造一道裂缝。

传统SaaS按席位收费，企业一旦购买套件，就会倾向于让员工尽量使用其中的产品；AI更接近按任务量付费，无论工具是否捆绑，实际执行一次任务都要消耗算力。企业完全可以同时开放多个工具，让员工选择最适合的一个，再为真实用量买单。

这意味着，捆绑依然拥有采购和分发优势，却未必还能锁定最终使用。未来的竞争不只是“谁进入了供应商名单”，还包括“员工真正把任务交给了谁”。

这是一个细微但重要的变化：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。

/ 04 /

AI降本是个伪命题

谈到企业AI，另一个经常被混淆的问题是投资回报。

在客服场景中，回报很好计算：一个客服过去每天处理10张工单，使用AI后处理12张，效率提升一目了然。但在研发、管理和知识工作中，计算就复杂得多。

就拿Glean来说，目前公司内部接近100%的初始代码由AI生成，没人手动写第一版代码，但产品交付速度并没有爆炸式增长。

为什么？因为写代码只是整个链条中最短的一环。代码量上去了，但代码审查、架构设计、跨团队协调、测试、部署，这些环节还是原来的速度。

当AI把写代码变得极快，瓶颈就会迁移到代码审核。若为了追求速度取消人工审核，企业又可能在几年后面对难以维护、无人真正理解的代码库。因此，Glean依然保留严格的人类审核，以短期效率换取长期可维护性。

这揭示了一个朴素的规律：AI不会自动消除流程瓶颈，它只会把瓶颈推向下一个环节。

所以，很多AI应用当下的经济账并不好看，短期内也很难实现纯粹降本。长期来看，AI降本只存在两种出路：

第一条路，等着成本降下来。

历史规律如此，科技只会越来越便宜。开源模型已经把推理价格打到闭源的十分之一了，OpenAI被迫降价只是时间问题。等Token价格降到今天的十分之一甚至更低，那个100万美金的Agent就会变成一笔极其划算的买卖。

第二条路，用AI放大人均产能，而非单纯裁员。

假设两家同赛道企业，拥有同样先进的AI工具。A公司决定缩编团队，用更少人做同样的事；B公司维持团队规模，用AI拓展十倍业务量、打造更好产品。

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只有成本，还有产出。企业老板对AI能力的理解分为两种：一个人能干更多事"的能力和"一件事可以让更少人干"的能力。如果你选了后者，你的竞争对手选了前者，你会被迅速甩开。

AI不会消灭岗位，但会消灭"只做单一执行工作"的岗位。

未来的岗位会全面复合化，一个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跟在后面。

基础数据分析师、招聘寻访员、报表制作这类纯执行角色会逐步消失，但跨职能的复合型人才会成为刚需。

/ 05 /

进入核心工作流，才是AI应用的关键

最后回到创业者最初的焦虑：模型公司亲自下场，应用公司该怎么办？

OpenAI在推垂直套件，Anthropic也在做行业方案，从设计到法律到金融，看起来就是要一个个吃掉应用层公司的饭碗。

Arvind Jain给出的判断是不必恐慌，二者根本不在同一竞争维度。

以设计行业为例，Claude出了设计辅助功能，听起来像是要抢Figma的生意。但实际上，设计师们的主力工具依然是Figma。Claude只是让那些"本来就不是设计师"的人，比如产品经理、市场销售，能自己做一些简单的素材生成。

也就是说，Claude做的更像是市场扩展，让本来不用工具的人开始用工具了，但深度工作仍然留在了Figma里。

更深层的问题是，模型厂商不理解企业内部的真实运作。

通用模型对接企业系统，目前靠的是MCP这类标准化协议。简单粗暴地连进去，暴力检索所有数据，然后试图完成任务。但这种模式有两个致命问题：

一是效率极低。大量Token都消耗在"找东西"上，AI要先搞清楚这个业务需要哪些信息、信息在哪、怎么拼起来，还没开始干活，钱已经烧掉了一大半。

二是完全不懂上下文。企业内部的权限体系、历史决策逻辑、专有术语、隐性规则，通用模型一概不知。你让一个外部模型去理解"为什么这个供应商去年被标记为高风险"，它连从哪里开始查都不知道。

Glean自己的定位就是一个对照。他们花了好几年打通企业内部成百上千套系统——Salesforce、ServiceNow、Google Drive、Slack、Notion，几十个甚至上百个不同的数据源，建立了一套基于权限的组织知识图谱。

员工搜索任何信息，返回的结果都是他权限范围内最相关的那一条。这套壁垒就是靠时间和深度嵌入堆出来的。

所以，真正值得应用公司担心的，是自己的产品是否足够深入到核心流程。

如果价值只是一层聊天界面，模型升级确实可能一夜之间将其抹平，如果产品掌握了企业上下文、权限、流程和长期学习，模型升级反而会放大它的价值。

这也是Glean创始人经营思路发生变化的原因。他过去强调克制、资本效率和每一笔投入的回报，但现在也开始担心，过度保守会错过一轮难得的市场圈地期。

在他看来，企业对AI的需求已经被唤醒，今天不进入客户的核心工作流，未来再进入的成本可能高出十倍。

不过，“加速”不等于放弃商业纪律。产品仍然要收费，仍然要给客户创造可衡量的价值，营销投入仍然要形成回报。资本可以帮助公司抢时间，却不能长期掩盖产品没有价值这一事实。

这大概是企业AI市场最真实的矛盾：一方面，窗口期要求公司大胆投入；另一方面，模型成本、客户回报和商业模式又要求它保持克制。

如何在两者之间找到平衡，才是这一代AI创业者真正的考题。

文/元元