当模型开始“够用”，AI的下一场战争打什么？

9月21日，Meta收涨超11%，创去年4月以来最大单日涨幅，市值单日增加超1900亿美元。

行情的导火索是Meta近期推出的个人智能体Muse。Sensor Tower数据显示，应用上线六天它在美国iOS累计下载超90.2万次，远超Meta上一代产品的数据表现；到周一，Muse同时坐在美国iOS与Google Play免费榜第一，把ChatGPT挤了下去。

市场为Muse的大热疯狂买单。科技分析师Ben Thompson在文章《Frontier Overhangs》中评价道：“Muse Spark 1.3并非最顶尖的模型，但这正是值得警惕的信号——一个并不领先的模型，已经足够支撑一款极具粘性的个人Agent产品。”

Thompson认为，当下前沿模型能力已经出现“过剩”，模型能力不再是AI企业最重要的护城河，下一个赛点或许是“应用时刻”。

模型能力跨过临界点之后，AI竞争的重心正在发生位移。从C端的Meta Muse到B端的腾讯WorkBuddy，一个共同信号浮现：决定产品价值的，越来越不是模型本身，而是Harness、工作流与用户入口的控制权。

9月22日，腾讯呼应了隔夜Meta的涨势，早盘港股跳涨超6%，盘中最高463.40港元。

与此同时，咨询机构和风险资本的研究正在从不同维度验证同一判断。Gartner警告，到2030年，高达2340亿美元的企业软件支出面临“Agent套利”风险；a16z明确建议AI应用公司停止按Token定价，转向按结果收费；ICONIQ调研的300余家AI软件公司数据显示，应用层已成为行业建设重心，AI产品毛利率正从2025年的45%向2026年预计53%攀升。

“应用时刻”将临？

Thompson提出了一个关键概念：当前沿模型的能力持续提升，但实际产品和用户场景对模型能力的消化速度跟不上时，就会出现“frontier overhang”——模型能力过剩。

他援引了一个具体案例：AI叙事游戏公司Fable推出了新一代模型，但市场需求反应平淡。这不是因为产品质量差，而是因为现有模型能力对于该场景已经“够用”，更强的模型并未带来用户可感知的体验提升，自然也就无法转化为更高的付费意愿或更大的市场份额。

Thompson认为，性能还不够用时，谁把模型和应用层（harness）绑得紧谁赢；一旦越过“够用”那条线，客户开始在意上市速度、便利、定制、数据怎么处置，模块化就占便宜了。

这个细节具有指示意义。它说明，在某些场景下，模型能力的边际价值正在递减。当“更强的模型”不再等于“更好的产品体验”，模型层的竞争优势就开始与应用层的商业价值脱钩。

Thompson进一步指出，在这种背景下，真正重要的是“应用层（harness）”——即如何将模型能力有效地组织、调度和封装，使其能够在具体场景中稳定、可靠地完成任务。模型是引擎，Harness是传动系统。没有后者，前者的马力再大也无法有效输出。这一框架，为理解Meta Muse和腾讯WorkBuddy的产品逻辑提供了清晰的坐标。

C端：Meta Muse的产品赌注

Meta推出Muse，是一次典型的“应用层押注”。根据Meta官方介绍，Muse定位为个人AI Agent，其底层模型为Muse Spark 1.3，但产品的核心卖点并不是模型参数规模或基准测试成绩，而是Agent能够实际完成任务的能力——帮用户制定计划、执行步骤、追踪进度，在用户的日常生活场景中真正“干活”。

这一定位的背后，是Meta对AI产品竞争格局的一个判断：在模型能力已经相对充裕的当下，用户真正稀缺的不是“更聪明的模型”，而是“能帮我把事情做完的工具”。Muse试图成为用户的个人执行层，而不仅仅是一个问答界面。

更进一步看，Muse的产品重心，实际上将C端Agent的突破口从“模型是否足够聪明”，转向了“用户能否放心交付任务、产品能否连接真实事务”。Muse Spark系列模型帮助Meta补上了基础能力，但决定Agent能否进入用户日常生活的，并不只是推理和生成能力，还包括授权、信任与执行链路。为此，Muse将独立运行环境、凭据保护和关键动作审批纳入产品设计，以建立清晰的授权边界；同时结合长期记忆与后台执行能力，让Agent能够围绕用户目标持续推进任务，而非止步于一次性的问答或指令响应。

从商业逻辑看，这种设计有其深意。个人Agent一旦深度嵌入用户的日常工作流，就会积累大量个人数据、偏好和使用习惯，形成难以迁移的用户粘性。这种粘性，才是真正意义上的护城河——而不是某个特定版本的模型能力。

市场对Muse发布的积极反应，在一定程度上印证了这一逻辑：投资者对“能用”的Agent产品的兴趣，已经超过了对“更强”模型的关注。

B端：腾讯WorkBuddy的企业路径

在企业端，腾讯WorkBuddy呈现出相似的产品逻辑。根据腾讯云官方介绍，WorkBuddy企业版的核心能力不在于提供一个通用聊天界面，而在于能够连接企业内部的各类系统和流程，跨平台执行工作任务，将AI能力真正嵌入企业的日常运营。

这代表着企业AI从“工具”向“执行层”的一次关键跃迁。过去，企业购买AI产品，本质上是购买一个更智能的搜索或问答工具；而WorkBuddy所代表的方向，是让AI成为能够主动发起、执行和完成工作任务的Agent，直接参与业务流程。

这一转变的商业含义同样深远。当AI能够跨越多个软件系统完成任务，传统企业软件的“功能价值”就面临直接挑战。Gartner在2026年7月的报告中明确指出，Agentic AI的兴起使高达2340亿美元的企业应用软件支出面临风险——因为Agent可以绕过或替代原本需要多个独立软件才能完成的工作流程，传统软件的“功能护城河”可能因此被侵蚀。

对于企业软件公司而言，这是一个需要认真对待的结构性压力。

商业价值的重新定价：从Token到结果

模型能力的"够用化"，正在推动AI商业模式发生根本性转变。

风险投资机构a16z在其报告《You are not a model. Don't price per token.》中直接点明了这一趋势：AI应用的真实价值，来自其所整合的数据、工具、工作流以及最终交付的可量化结果，而不是来自调用了哪个模型、消耗了多少Token。换言之，“卖模型能力”的定价逻辑正在让位于“卖结果”的定价逻辑。

a16z给出三种收费模式：卖模型访问，按 token 计价；把模型变成有用的工作，按客户认得出的价值单位计价，通常是积分；交付清晰可归因的业务结果，按结果计价。而受访的50位企业AI技术买家，27人偏好“和可辨认的工作量挂钩的积分”，14人偏好按token付费。

这对AI产业的价值链分布有直接影响。如果模型本身逐渐成为一种基础能力——类似于云计算早期的算力——那么真正能够捕获商业价值的，将是那些能够在模型之上构建出具体产品、垂直工作流和可验证ROI的应用层公司。

McKinsey在其报告《Where AI agents pay off》中提供了企业视角的佐证：随着Token成本持续下降，企业在评估AI投入时，关注的核心问题已经从“这个模型有多强”转向“这个Agent能带来多少可量化的效率提升和经济回报”。ROI的可验证性，正在成为企业AI采购决策的核心标准。

这意味着，AI应用公司需要回答的问题，已经从“我们用了什么模型”变成了“我们能帮客户省多少钱、提多少效”。

产业格局：多模型时代的应用层竞争

ICONIQ在其《2026 State of AI Report》中对300多家AI软件公司进行了调查，结果揭示了一个清晰的产业趋势：接近三分之二的受访公司正在开发横向或垂直AI应用，多模型使用已经成为常态。

“多模型使用成为常态”这一数据，本身就是模型商品化趋势的有力注脚。当企业可以根据任务需求灵活切换不同模型，模型提供商的议价能力就会受到压制，而能够有效整合多模型、构建稳定工作流的应用层平台，反而获得了更强的议价地位。

ICONIQ的报告同时追踪了AI收入和毛利率的变化。这一数据维度的重要性在于：它将帮助市场判断，应用层的商业价值捕获是否真的在发生，还是仍停留在叙事层面。对于投资者而言，这是区分“AI应用故事”与“AI应用生意”的关键指标。

从产业结构看，当前正在形成的格局是：模型层（OpenAI、Anthropic、Google、Meta等）提供基础能力，应用层（各类垂直Agent和工作流平台）负责将能力转化为可交付的结果，而传统企业软件公司则面临被绕过或被替代的压力。这三层之间的价值分配，将是未来数年AI产业最值得持续观察的动态。

传统SaaS的座席逻辑正在被穿透

如果Agent可以跨系统完成任务，企业员工就不必频繁进入每一个传统软件界面。软件仍在运行，但界面可能退到后台。

Gartner预计，到2030年，最高2340亿美元企业应用软件支出将面临Agentic AI带来的风险，约占企业应用SaaS支出的20%。

Gartner管理合伙人George Brocklehurst说：“Agentic AI改变了软件的经济逻辑。Agent系统直接交付结果，绕开重度依赖用户界面的应用，让软件变得不可见。”座席数量与软件收入增长之间的传统联系，可能因此被削弱。

压力首先落在依赖仪表盘、功能模块和座席授权收费的厂商身上。企业买家不会因为多了一个AI按钮就增加预算；他们会追问，Agent是否减少人工操作、是否缩短流程、是否提高转化率、是否降低单位成本。

但这不是传统SaaS的终结。拥有行业数据、客户关系、系统连接和业务流程控制权的厂商，仍可将自身重构为Agent执行层。风险在于守着界面收费，机会在于占住任务执行和结果交付的位置。

模型领先，还能直接变现吗？

需要明确的是，上述分析并不指向“模型不重要”的结论。前沿模型能力仍然是整个AI产业的基础，没有足够强的模型，应用层的构建无从谈起。真正值得讨论的问题是：模型领先，是否还能直接转化为产品优势和商业价值？

从当前的证据看，这条转化路径正在变得更长、更复杂。Fable新模型需求不佳的案例说明，在某些场景下，更强的模型已经无法带来可感知的用户价值提升；Meta Muse和腾讯WorkBuddy的产品逻辑说明，头部科技公司已经在用“Harness应用层+工作流+用户入口”来构建差异化，而不是单纯依赖模型能力；a16z和McKinsey的研究说明，企业客户的付费逻辑正在从“模型能力”转向“可量化结果”。

这意味着，AI产业的竞争正在进入一个新阶段：模型能力是必要条件，但不再是充分条件。谁能把通用模型转化为具体的产品体验、稳定的工作流和可验证的商业回报，谁才能在下一阶段的竞争中真正占据有利位置。

而这一变化提示了一个值得重新审视的估值框架：在AI领域，模型参数规模和基准测试排名固然重要，但应用层的工作流深度、用户入口的粘性，以及ROI的可验证性，可能正在成为更具预测力的商业价值指标。当模型开始“够用”，下一场战争的战场，已经悄然转移。