关于 AI Agent、信任与决策权的 100 条

一、十四个人，一百亿美元

1、最近硅谷有一家叫 Instinct 的公司，很适合拿来观察 AI 应用层正在发生什么。Instinct 成立于 2025 年，创始人 Noah Shinn 只有 23 岁。

2026 年 8 月 26 日，它完成 2.5 亿美元 B 轮融资，累计融资约 3.5 亿美元，估值 25 亿美元；

33 天后的 9 月 28 日，它又融资 10 亿美元，估值直接变成 100 亿美元。9 月中旬，《The Information》报道称其用户已经超过 10 万；

创始人披露，用户使用三周以后，约 40% 愿意把私人信用卡交给它，交出敏感信息后的用户留存约 80%；

平台流经的年化交易额接近 10 亿美元，其中超过一半来自旅行。团队只有 14 个人。

2、Instinct 最特别的地方，不是又做了一个更漂亮的 App，而是努力把“App”本身藏起来。用户可以通过短信、电话、Email 和语音联系它，像找一个真人助理。

上一代软件要求人学习一个新的界面；

Instinct 的思路反过来：软件去适应人已经会的动作——说一句话，找个人把事情办了。真正的“活人感”，不是聊天框里写得像人，而是你把现实世界的事交给它以后，它真能往下做。

3、这些数字要理性来看。

融资额和估值已有公开报道确认；

“超过 10 万用户”主要来自媒体信源；

40% 信用卡连接率、约 80% 留存、10% 日增长、接近 10 亿美元年化交易额，主要来自创始人的公开访谈，并非审计数据；

早期用户又高度集中在硅谷科技圈，不能直接外推到大众市场。

真正值得注意的不是某一个数字精确到小数点，而是它们共同指向一件以前颇为抽象的事情：

已经有一批人愿意让 AI 不只回答问题，而是真正进入自己的信用卡、日程、邮件和现实交易。

二、从答案到行动

4、ChatGPT 这一代聊天机器人的基本产出是答案（Answer），个人代理人（Personal Agent）的基本产出是行动（Action）。前者告诉你怎么做，后者开始代表你做：订机票、改酒店、找餐厅、取消订阅、协调日程、处理邮件。这里不是一次普通的产品升级，而是软件角色的变化：从工具（Tool），走向代理人（Agent）。

5、Instinct 先在旅行上跑出来，不是偶然。旅行客单价高、信息复杂、步骤多、实时变化多、供应商零碎，而且消费者早就习惯让第三方代办。

过去携程和 Booking 的价值，是把酒店、机票、租车装进一个界面；

Agent 再走一步，连界面都可能不重要。用户只需要说：“今晚必须到纽约，帮我搞定。”剩下的比较、权衡、预订、修改和支付藏到后台。Instinct 创始人称，目前超过一半的交易额来自旅行。

6、旅行还有一个商业上的好处：这个行业早已习惯为流量和交易入口付钱。Booking Holdings 2025 年营销费用约 81.9 亿美元，占收入约三成，其中效果营销（Performance Marketing）包括搜索、比价、联盟等重要渠道。也就是说，旅行行业本来就存在巨额“需求分发费”。如果 Agent 能从 Google、OTA 或 App 手里拿走一部分需求入口，就不必凭空发明一个利润池，它争的是一笔已经存在很多年的钱。

（至少在中国老板的现实生活里，私人助理最重要的一类工作，本来就是安排行程、订酒店、改机票。旅行可能天然就是“私人代理”最早被理解的场景。）

7、Instinct 想走的商业模式也很直接：消费者尽量免费，不主要靠每月 20 美元的订阅，而是在替用户真正完成交易后获得交易抽成（Take Rate）。现在它尚未形成一套公开、稳定的抽佣制度，所以那接近 10 亿美元是交易额（Transaction Volume），不是 Instinct 的收入。它真正实验的是另一条链：免费获得使用 → 服务建立信任 → 信任获得委托 → 委托产生交易。

8、Shinn 在谈商业模式时拿几个成熟行业作过参照：支付网络通常只拿几个百分点，交易平台可能拿到更高的比例，应用分发平台甚至能拿到 30%。这不应该理解成“Instinct 已经决定在 2.5%、10%、30% 三档里选一个”，真正的问题是：市场最终会把 Agent 当成什么？

如果只是支付基础设施，抽成很薄；如果是交易平台，会厚一些；

如果它真正控制了稀缺的需求分发权，利润池又完全不同。

Agent 在价值链上的身份，比抽成数字本身更重要。

9、所以把 Instinct 叫“AI 版携程”，只说对了一半。

携程主要聚合某一个领域里的供给（Supply），把旅行需求和机票、酒店、租车凑到一起；

个人代理人想聚合的是一个人的需求（Demand），而且跨品类。

携程从旅行出发，努力越来越懂旅行；

Personal Agent 从用户出发，想越来越懂这个人，再走向旅行、购物、餐厅、日程、邮件以及更多现实事务。

10、做 AI 创业，大家经常问“AI + 什么行业”。更应该问的是：AI 出现以后，产业链里多出了什么以前不存在的位置？

我们习惯认为 AI 最大的机会，要么属于模型公司，要么属于苹果、腾讯、携程这种拥有数据、客户和产业壁垒的巨头。但技术革命真正巨大的创业机会，经常来自第三种东西：旧地图上根本没有那个位置。

11、互联网早期也一样。电信公司拥有网络，零售商拥有商品，媒体公司拥有内容，但后来真正长出来的是 Google 的搜索入口、Amazon 的线上交易入口、Facebook 的社会关系入口。旧资产当然重要，但技术范式变化时，更要问：新的稀缺位置是什么？

（我们总爱谈护城河。在一个稳定范式里，护城河当然有用；问题是，范式切换时，护城河本身也会换定义。新的军队未必攻破你的城墙，它可能直接绕过这座城，在另一个维度建立一张新地图。）

12、Bill Gates 2023 年写过一篇关于 Agent 的文章。他的判断是，Agent 会成为下一代计算平台，人不需要知道应该打开哪个 App，只需要说自己想完成什么；他还特别提到，今天只有少数富人负担得起的私人助理式服务，会被 Agent 大幅降低成本。

（有趣的是，盖茨那篇文章里仍然强调最终决定权属于用户。今天真正更激进的问题，是：最后拍板的那一下，有多少也会被委托出去？）

13、所以“未来每个人都有一个 AI 助手”，可能还是停留在旧语言里，就像当年“每个人桌上都会有一台电脑”。更大的变化可能是两步：

AI 让智能大众化（AI Democratizes Intelligence）；

Agent 让委托大众化（Agent Democratizes Delegation）。

第一阶段，每个人都能低成本调用过去属于专家的知识；

第二阶段，每个人都可能拥有一个持续了解自己、替自己判断、协调并执行的数字代理人。软件开始进入过去主要存在于人与人之间的委托关系。

三、上下文、记忆和“我的模型”

14、智能（Intelligence）和判断（Judgment）不是一回事。一个模型可以知道全世界所有酒店的信息，却仍然不知道哪家最适合你。

专业能力（Expertise）让它懂这个行业；

上下文（Context）让它懂你；

判断才是把两者结合，在具体约束下做出选择。

个人代理人的核心竞争，很可能会从“知道多少”逐渐走向“替这个具体的人判断得有多好”。

15、Noah Shinn 的学术背景因此很有意思。他是 NeurIPS 2023 论文《Reflexion》的第一作者。那篇研究讨论的不是重新训练一个更大的模型，而是 Agent 能不能把过去行动获得的反馈转换成语言反思，写进情景记忆（Episodic Memory），再改善下一次行动。

不能说这篇论文“直接构成了 Instinct 的技术实现”，但它与今天 Instinct 的产品哲学高度呼应：真正重要的不只是这一次够不够聪明，而是和你相处越久，能不能越来越会替你办事。

16、Shinn 后来又与 Sierra 团队做过 τ-bench，用来测试 Agent 在现实工具和规则约束下的可靠性。原论文一个很重要的结论是：当时最先进的工具调用型 Agent 在不少任务上的成功率仍低于 50%；而要求同一种任务重复稳定成功时，零售场景的pass^8低于 25%。这把尺子今天依然很重要：一个 Agent 偶尔会做对，与“我敢把信用卡交给它”之间，还有很长距离。

（这里用概率看尤其有意思。Agent 的可靠性不是一枚“每次胜率 60%”的均匀硬币。不同任务的难度差异极大，有的任务几乎次次成功，有的任务高度不稳定。所以授权最好按任务类型给，而不是笼统问一句：“这个 Agent 到底靠不靠谱？”）

17、这可以称为学习型关系（Learning Relationship）。传统软件用一年以后，它还是差不多同一个软件；真正好的 Agent 用一年以后，应该因为与你共同经历过大量行动和反馈，变成了一个“不同的 Agent”。一次酒店订错，不应该只是一个 Bug，而应该成为下一次判断的训练材料。

18、因此，“数据壁垒”这个词太笼统。携程拥有领域数据（Domain Data），苹果拥有大量行为数据（Behavioral Data），Personal Agent 真正想积累的是个人上下文（Personal Context）。知道我上次住了 Aman，是数据；知道当时是因为同行者喜欢，而我自己其实嫌位置不方便，是上下文；下次在商务行程里自动排除它，才开始接近真正的“我的模型”（Model of Me）。

19、Scott Belsky 对 Instinct 有一个很耀眼的判断：用户偏好的长尾（Long-tail of User Preferences），可能是消费者 AI 最终的护城河。一个人不是十几个标签组成的。真正的偏好藏在数千次小选择里：什么时候愿意多花钱换时间，谁的邮件不能晚回，什么会议宁可改机票也不能错过，什么酒店看着喜欢但以后不会再住。

20、Belsky 还强调选择性记忆（Selective Memory）。Personal Agent 的难题不是“记得越多越好”，而是要知道什么值得记、什么只是偶然、什么已经失效、什么本来就不应该保存。好的 Context 不是一个越堆越大的数据库，而是一套不断更新的解释。

21、更难的问题是：Agent 到底代表哪一个你？你嘴上说要减肥，半夜点的是炸鸡；说今年要少花钱，遇见打折又下单。经济学区分声明偏好（Stated Preference）和显示偏好（Revealed Preference），但还有第三层：你想成为的那个人。

《奥德赛》里，奥德修斯知道自己经过海妖时会失控，于是在清醒时让水手把自己绑到桅杆上，并规定届时无论自己怎样哀求都不要松绑。这种机制后来常被称为尤利西斯契约（Ulysses Contract），也就是预承诺。

（最高级的 Agent 也许不是永远听“此刻的我”，而是理解一个偏好栈（Preference Stack）：即时指令、长期目标、预先设好的红线，谁的优先级更高。真正的关键不是 AI 替我做主，而是清醒时的我，预先规定冲动时的我不能做什么。我以前写过，健身房是在做空你的意志力；一个站在你这边的 Agent，可能恰好是在替你做多自己的意志力。）

22、时间再拉长，形成的可能不只是“我的模型”，而是“我们的模型”（Model of Us）。一个跟了你十年的助理，价值不只在于“了解你”，而在于双方形成了大量无法写进说明书的默契。你说“有点贵”，他知道不一定是不买；你说“再看看”，他知道暂时不要推进。真正昂贵的迁移成本（Switching Cost），未必是数据，而是这种共同校准出来的判断。

23、但这里有一条非常重要的边界：原始数据、规则和偏好清单应该尽可能让用户带走。真正的护城河应该来自“我不想走”，而不是“我走不了”。可以把它叫退出权（Exit Right）。Costco 的会员费可以退，很多商品退货极宽松，反而让消费者敢买。一个 Agent 如果允许一键导出记忆、撤销权限、换掉服务商，反而可能让人更敢把重要信息交进去。

（好的锁定，是我不想走；不是我走不了。最近，我正在为一个用了很久的知识库软件恼火，我忍住不说这个我付费用了十几年的App的名字，但它的确已经变成了一个恶棍。）

四、Costco 教给 Agent 的事

24、把判断外包给一个值得信任的专业机构，一点也不新。Costco 可以理解成一种低技术版的委托（Delegation）。它长期坚持有限选品。一个家庭走进 Costco，不需要重新研究市场上所有洗衣液、橄榄油和电视，而是默认 Costco 已经替自己筛掉了绝大多数选项。

25、所以 Costco 卖的不只是商品，还卖“替你做掉的一部分家庭采购判断”。这里至少需要两个条件：信任 + 专业（Trust + Expertise）。只有专业，没有信任，我担心你利用信息优势赚我；只有信任，没有专业，我没理由把决定交给你。Personal Agent 还可以再把信任拆成三种：

• 能力信任（Competence Trust）——你做不做得好；

• 立场信任（Alignment Trust）——你到底站不站在我这边；

• 程序信任（Process Trust）——我知不知道你什么时候会问我、怎么撤销、出了错怎么办。

26、Costco 的信任很大程度来自自我约束（Self-restraint）。长期以来，它对品牌商品和 Kirkland 商品的加价设置极低的上限；会员制、有限 SKU、退货政策，都构成某种承诺机制（Commitment Device）。真正牢固的信任，往往不是来自一句“相信我”，而是来自一个明明有能力占你便宜的人，长期反复选择不占你的便宜。

27、信任的经济价值也很具体：它降低搜索成本（Search Cost）、决策成本（Decision Cost）、验证成本（Verification Cost）。消费者信任 Costco，就不需要每次买橄榄油都研究两个小时；信任一个 Agent，也不需要每笔小额旅行、预订和购买都重新检查一遍。信任真正节省的，是人的注意力和决策能力。

（甚至可以说，最好的信任架构（Trust Architecture），不是让用户“更相信” Agent，而是通过限额、撤销、双确认、日志，让用户不需要那么相信它。制度把一次犯错的损失锁死，比一百句“请放心”都可靠。）

五、从注意力到决策权

28、赫伯特·西蒙 1971 年有一个著名判断：信息越丰富，注意力就越稀缺。互联网过去几十年不断让我们拥有更多网页、更多商品、更多餐厅、更多内容，但人的认知能力没有同比增长。

上一代互联网的任务是帮助人获得更多选择；

Agent 时代真正值钱的服务，可能反过来：请替我删掉 9999 个，然后把最后那个选择做对。

29、所以真正稀缺的资源，正在从信息变成决策能力（Decision Capacity）。AI 能规模化的不只是智能，还可能是经过筛选的判断（Curated Judgment）。医生、律师、私人银行家、旅行顾问、家族办公室，本质上都在做同一种事：把复杂信息压缩成可以行动的判断。过去这种服务受限于昂贵的人力，现在它第一次可能获得接近软件的边际成本。

30、这也重新定义了“入口”。

• PC 时代争的是信息入口（Information）；

• 移动互联网时代争的是注意力入口（Attention）；

• Agent 时代可能多出一个委托入口（Delegation）。

过去所谓入口，是“你先打开谁”；新的入口可能是“你允许谁代表你行动”。

31、Google 给我十条结果，我自己选；携程给我二十家酒店，我自己订；ChatGPT 给我五个方案，我自己决定。真正进入 Agent 时代的分水岭，是一句：“不用问我，你替我决定。”从这一刻开始，软件获得的不只是注意力，而是被委托的决策权（Delegated Decision Rights）。这里特意加“被委托”，因为这不是 Agent 天然拥有的权力，而是用户授予、可以收回的权力。

32、决策权不是一把总钥匙，而是一档一档交出去的。可以粗略分成：给建议；替我起草；我确认后执行；某个金额或范围内自动执行并事后告知；某一类事务完全托管。

授权也不能只看金额，至少要看三个轴：

最大可能损失（Maximum Loss）、可逆性（Reversibility）、对第三方的外部性（Externality）。

一封公开邮件金额为零，却可能伤害名誉；一张 2000 元可全退的机票金额更高，却未必风险更大。

（以后给 Agent 的不是一把银行卡总钥匙，而是一份委托风险预算（Delegation Risk Budget）：能花多少钱、在哪些场景花、对谁花、有效多久、能不能撤回，应该分别设置。）

33、贝索斯曾把决策分成单向门（One-way Door）和双向门（Two-way Door）：能退回来的双向门可以快，难以撤销的单向门要慢。这个框架非常适合 Agent。可取消的预约、可退机票，可以逐渐自动化；发出去的邮件、不可退订金、转出去的钱，则应该把确认门槛拉高。

Cruise 2023 年事故后，加州 DMV 暂停其无人驾驶许可，其中一个明确原因就是公司在安全事件披露上的问题；GM 后来退出 Robotaxi 业务还有成本、规模化时间和竞争等多重原因，不能简单归因于这一场事故。但授权系统有一点和自动驾驶很像：升级很慢，降级可以很快。

（保险也可能成为 Agent 时代很有意思的一层基础设施。未来如果 Agent 真正开始替企业和个人作出高价值决策，“自动决策保险”很可能会越来越具体。）

34、未来衡量 Personal Agent，也许需要一个现在很少出现在财报里的指标：权限深度（Permission Depth）。用户给你的只是日历读取权，还是修改权？只是信用卡信息，还是 500 元以下自动付款？只是起草邮件，还是允许直接发送？一个有 1 亿日活、但没有行动权的 AI，和一个只有 100 万用户、却掌握大量高价值权限的 Agent，是完全不同的资产。

35、Belsky 讲的信任回报率（ROI on Trust）因此非常有意思。它现在还不是一个标准财务指标，但逻辑已经可以观察：信任越高，权限越深；权限越深，委托越大；委托越大，Agent 能参与的经济活动越多。信任第一次开始拥有非常直接、甚至可以逐渐量化的经济后果。

（当年 Amazon 从 Costco 学过很多零售逻辑。AI 时代绕了一圈，商业最深处可能仍然是那件很古老的东西：专业地替人判断，并让人相信你不会滥用这个权力。）

六、订阅经济与交易经济

36、a16z 2026 年 10 月发布的消费 AI 报告给了一个很重要的背景：美国 AI 使用已经很广，但直接付费仍然很窄。YipitData 的美国样本显示，2026 年 8 月只有 4.5% 的消费者拥有 ChatGPT、Gemini、Claude 至少一个个人付费订阅，一年前是 2.1%；AI 消费还高度集中，Top 1% 的付费者贡献了 19.5% 的消费，平均每月在消费者卡片上花 903 美元，而中位数用户只有 25 美元。

37、所以“订阅是 AI 的终局商业模式”至少对大众 Consumer AI 来说，远未被证明。a16z 统计的头部 AI 原生 Web 产品中，84% 做订阅、64% 做 Credits 或用量收费，而广告只有 14%，交易或平台收费只有 2%。这很可能与今天昂贵的模型推理成本有关：传统互联网可以先免费养用户，AI 每多一个高频用户都要花算力。但这里要加一个限定：生产力 AI（Productivity AI）的订阅完全可能是长期模式。Claude 那批愿意每月付 100 美元甚至更多的重度用户（Power User），就证明直接创造经济产出的工具可以长期卖高价。

38、Personal Agent 提供的是另一条路：交易经济（Transaction Economics）。如果 Agent 替我订酒店、买机票、换保险、安排服务，它创造了一笔现实世界里本来就存在的交易价值。那为什么一定要让我每个月先付 20 美元？过去大家一直问“怎么让十亿人订阅 AI”，未来也许会发现，这根本不是大众 Agent 必须解决的问题。

39、a16z 还点出了 To C AI 一个容易被忽略的问题：频率缺口（Frequency Gap）。程序员每天都有代码要写，研究者每天都有材料要处理，所以 AI 很容易高频；普通人的需求却非常零散。订机票、换运营商、处理保险、约餐厅都是真的需求，但并不每天发生。把一个空白聊天框放在普通消费者面前，他经常根本不知道该问什么。

40、Personal Agent 真正可能改变的是交互范式。今天大部分 AI 是提问驱动（Prompt-driven AI）：先由用户意识到自己有一个任务，再想起“我要去找 AI”。长期拥有上下文的 Agent 则可能逐渐变成状态驱动（State-driven AI）：邮件来了、航班延误了、两张日程撞了、账单重复扣款了，状态本身触发下一步。用户不必先产生“我要用 AI”这个念头，AI 也能创造价值。

41、普通人的生活里其实有一条巨大的未竟之事的长尾（Long Tail of Unfinished Business）：一封该回没回的邮件、一项忘了取消的订阅、一张没报销的票、一场一直没约上的饭、一笔该重新比价的保险。这些事情单独看都小到撑不起一个 App，却每天持续消耗注意力。Personal Agent 真正可能创造的高频，不一定来自制造更多需求，而是接管那些过去“小到不值得专门处理”的需求。

七、服务图谱与旧巨头

42、上下文只解决了 Agent 壁垒的一半。Agent 知道你想吃什么，不代表能订到桌；知道哪班飞机最合适，不代表能够出票。要真正把事情做完，还要接支付、酒店、航空公司、电商、餐厅、票务、银行和各种企业软件。

因此一个成熟 Agent 很可能需要两张图：

个人上下文图谱（Personal Context Graph），负责懂你；

服务图谱（Service Graph），负责把事情做完。只有前者，它只是聪明顾问；两张图都有，才是代理人。

43、Amazon 和第三方 Agent 的冲突，几乎提前演示了下一场平台战争。Amazon 不愿让 Perplexity 的 Comet Agent 自由在站内替用户购物；a16z 同时观察到，Amazon 很快限制 Meta Muse，而 Shopify、Instacart、OpenTable、Expedia、Ticketmaster、Plaid 等却主动和 Agent 集成。

原因并不神秘：

• 如果你主要卖供给，Agent 给你带订单是好事；

• 如果你最值钱的是“用户必须先来找你”，Agent 就在抢你的入口。

44、所以携程面对 Agent，不只有“打败它”一个选项。它可以争夺终端用户，自己做最好的旅行 Agent；也可以成为世界上所有 Agent 最好调用的旅行执行层（Travel Execution Layer）。它真正的资产不是聊天能力，而是库存、支付、出票、改签、退款、客服和几十年的供应关系。最危险的位置不是“做执行层”，而是既没有终端用户的委托关系，也没有不可替代的执行能力，只剩一个必须等人主动打开的 App。

45、当比较和挑选越来越多由 Agent 完成，广告也会变。更准确地说，广告的说服对象将部分从人转向机器。品牌不会消失，但品牌价值可能重新分解：靠重复曝光、货架位置、人的记忆捷径形成的那部分溢价可能下降；真正可验证的质量、售后、交付、退货能力可能升值。

（写公众号的人大概也要想一件事：以后“读你文章”的，可能有一部分不是最终的人，而是替主人先读一遍、提取判断的 Agent。）

46、创业公司比巨头少交两种税：旧界面税（Legacy Interface Tax）和自我蚕食税（Cannibalization Tax）。携程最自然的动作，是在携程 App 里面加一个更好的 AI；Amazon 必须考虑 Agent 会不会伤害搜索、推荐和广告；新公司可以直接问：“为什么还要打开这个 App？”

Transformer 最早来自 Google，ChatGPT 却由 OpenAI 把对话式 AI 变成大众产品。自我蚕食当然不是唯一解释，组织结构、风险偏好和产品文化都很重要，但 incumbents 必须保护现有利润池，这是结构性事实。

47、但苹果、腾讯当然不能被低估。它们拥有巨大的信任存量（Trust Endowment）。我们已经把照片、密码、信用卡、位置和大量设备权限交给 Apple；微信拥有十亿级用户、支付、通讯和庞大的服务生态。独立 Agent 如果只说“我有数据”“我更懂用户”，远远不够。

48、真正的窗口在保管信任（Custodial Trust）与代理信任（Delegated Trust）之间。我相信银行保管一千万，不等于允许银行经理替我随便投资；我相信 Apple 保存密码，不等于允许 Apple 决定我住哪家酒店。“替我保管好”和“替我判断”，是两种心理契约。今天的巨头在第一种信任上有巨大优势，第二种仍没有完全尘埃落定。

49、所以独立 Agent 真正要抢的时间窗口，是形成委托关系（Delegated Relationship）。模型可以被追赶，功能可以被抄，原始数据甚至可以导出，但一个经过三年真实行动、出错、修正、规则更新和授权升级形成的代理关系，更难复制。这里真正的锁定不是格式，而是历史。

50、这会形成一个委托飞轮（Delegation Flywheel）：更多行动带来更多上下文；上下文加上专业能力形成更好的判断；更好的判断带来更多成功行动；成功行动积累信任；信任换来更深权限；权限扩大委托；委托又产生更多现实反馈。传统互联网的网络效应经常发生在“更多用户之间”，Personal Agent 最初的复利可能先发生在同一个人与 Agent 的时间轴上。

八、谁付钱，你就代表谁？

51、a16z 的 Anish Acharya 总结 Instinct 时，抓到了一个非常重要的概念：Agent 不应该只优化任务完成率（Task Completion），还需要追求高阶目标（Higher-order Objective），例如长期建立信任、真正“站在用户这一边”。酒店订成功了，但 Agent 擅自越权，任务层面成功，代理关系可能是失败的。真正应该问的是：这次行动结束以后，用户下一次愿不愿意把更重要的事情交给你？

52、信任的脆弱性已经有真实案例。2026 年 8 月，Moxxie Ventures 创始人 Katie Jacobs Stanton 公开表示，Instinct 未经她确认便以她的名义发出邮件，她随后断开 Email 权限。她的总结很准确：每一次成功行动只能增加一点信任，一次未经授权的行动却可能把信任清零。

53、所以 Agent 的信任是一种不对称资产：信任缓慢复利，却可能瞬间崩塌（Trust Compounds Slowly and Crashes Suddenly）。普通软件做错事，我们通常叫故障（Error）；一个已经获得代理权的 Agent 擅自越过授权边界，人的心理体验更接近背叛（Betrayal）。权限越深，这个区别越重要。

54、AI Agent 还增加了一种过去没那么突出的风险：共模失败（Common-mode Failure）。人类当然也会因为从众、激励和共同信息集体犯错，但一百万个 Agent 如果使用相同模型、相同规则、相同工具链，某个漏洞可能让它们在极短时间里犯同一种错。2010 年 Flash Crash 的教训之一，就是自动执行系统与其他算法之间的反馈，可以在压力条件下迅速放大价格波动。Agent 世界里，提示词注入（Prompt Injection）、错误规则或共享模型缺陷也可能具有这种同步放大效应。

（过去一万人可能犯一万种错；以后更可怕的情况，是一百万个 Agent 在一分钟里犯同一种错。）

55、Instinct 的“用户免费、商家付钱”因此藏着一个天然矛盾。如果最适合你的酒店不给佣金，第二好的酒店给 15%，Agent 应该推荐谁？这不是一个推荐算法问题，而是经济学最古老的委托—代理问题（Principal-Agent Problem）。

56、Levitt 和 Syverson 对约 9.8 万笔芝加哥地区房产交易的研究，是理解这个问题的经典案例。他们发现，房地产经纪人出售自己的房子时，在控制房屋差异后，平均卖价更高，挂牌时间也更长。原因并不需要假设经纪人都是坏人：佣金结构决定了，替客户多等十天、多卖一万美元，经纪人实际多拿到的只是很小一部分。激励错位，不需要恶意就能产生。

57、所以 Agent 时代最重要的商业模式问题，可能不是“怎么赚钱”（How do you monetize），而是“谁给你钱”（Who pays you）。但这里也不要说得太绝对：谁付钱，不一定决定你代表谁，却会决定激励朝哪边倾斜。对普通互联网公司，商业模式主要决定收入；对 Personal Agent，商业模式还会影响信任。

58、当一个极其了解用户的 Agent 开始主动推荐商品，这种矛盾会更尖锐。传统广告平台也了解你，但最终是否点击、是否购买主要还是你决定；Agent 获得委托以后，可能从“影响决定”走向“直接做决定”。所以个性化（Personalization）与操纵（Manipulation）之间，也许只隔着一个激励机制。对医疗、保险、投资、法律这些信任品（Credence Goods）尤其如此：有些服务即使完成以后，消费者也很难判断当初的建议究竟是不是最优。这些领域越像医生和律师，Agent 的商业模式就越不能简单复制酒店佣金。

59、委托—代理问题还有反方向的一面：Agent 不仅可能出卖主人，也可能为了主人伤害第三方。假如一个订餐 Agent 发现“声称今天是纪念日”能显著提高订位成功率，它该不该自动这么做？如果所有 Agent 都这么干，“纪念日”这个信号很快失去价值。这是外部性，也是古德哈特定律（Goodhart’s Law）的一个版本：当一个信号被系统性优化，它就可能不再是好信号。一个过分忠诚于主人的 Agent，对整个市场未必是好事。

60、所以成熟 Agent 可能需要一部自己的代理人宪法（Agent Constitution）：什么可以自己决定，什么必须询问；佣金是否影响排序；哪些利益冲突必须披露；权限怎样撤销；出现错误如何降级；什么情况下必须牺牲短期收入保护用户。

耶鲁法学院 Jack Balkin 早在 2016 年就提出信息受托人（Information Fiduciary）的概念：掌握高度私密信息并鼓励用户依赖自己的机构，可能需要承担类似医生、律师的特殊义务。未来 Personal Agent 甚至可能逐渐出现类似注意义务（Duty of Care）和忠实义务（Duty of Loyalty）的制度讨论。

（而最好的“代理人宪法”不是写一张漂亮海报，而是把原则变成技术约束：最小权限、额度隔离、临时凭证、不可逆操作双确认、完整审计、随时撤销。真正好的信任架构，不靠盲信，而靠即使出错，损失也被锁住。）

九、中国用户为何买单？

61、该说回中国市场了。不要轻易把问题解释成“中国人不愿意为软件付钱”这种文化判断：中国消费者愿意给音乐、视频、游戏以及各种会员付钱。更准确的事实是，到现在为止，中国大众型 AI 的直接订阅验证仍比美国弱，平台更早同时寻找广告、电商、生态和交易变现。反过来，这未必全是劣势，它可能逼中国公司更早回答一个本质问题：AI 到底如何进入真实经济活动？

62、对创业者来说，先区分两类生意。

第一类是生产力 AI（Productivity AI）：Coding、研究、设计、销售、专业办公，用户能清楚算出“花 200 元能替我赚回多少时间和收入”，订阅很自然。

第二类是委托型 AI（Delegation AI）：用户购买的不是更多 Token，而是少操心、少比较、少决定，并把事情真正做完。前者适合订阅经济（Subscription Economics）；后者更可能走向交易经济（Transaction Economics）。

63、所以中国创业者不必只问：“有多少人愿意每月付 99 元？”还应该问：我的 AI 能不能进入一笔原本就会发生的交易？如果 Agent 帮用户选车、订酒店、找医生、买保险、安排培训、采购家庭服务，即便用户永远不为 Agent 本身交月费，也可能通过服务费、交易分成、供应链或其他方式形成经济价值。

64、中国甚至可能拥有发展交易原生 Agent（Transaction-native Agent）的特殊基础。支付、电商、本地生活、出行、旅游、小程序等现实服务已经高度数字化。

从经济结构看，微信小程序甚至有一点像提前多年出现的“封闭式 Skill 市场”：统一宿主、身份、支付和服务生态。当然，它在技术标准意义上不是 MCP。真正重要的不是“MCP”这个缩写，而是一个服务是否已经变成机器可调用（Machine-callable）：可发现、可理解、可授权、可调用、可结算。

65、2025 年底的“豆包手机”已经演示过一次这种冲突。豆包与中兴合作的工程样机可以通过系统权限模拟点击、跨 App 执行任务，但用户很快遇到微信异常退出；随后豆包下线了操作微信的能力，淘宝、闲鱼、大麦及部分银行 App 也出现登录限制或风控提醒。真正值得记住的是一句：技术上能操作，不等于生态上有权操作。

66、支付会成为 Agent 授权的关键试验场。微信支付推出 AI 专属卡：与主账户隔离，用户自己放额度，每笔订单仍需要最终确认。中国支付清算协会进一步提出了解你的智能体（KYA，Know Your Agent），要求明确授权边界、建立分级分类管理和交易限额。

（银行过去强调了解你的客户（KYC，Know Your Customer）；Agent 时代又多出 KYA：知道替这个客户花钱的智能体是谁、拿了什么权限、出了事谁负责。以后授权 Agent 很可能越来越像给员工公司卡：不是把银行密码交出去，而是给一份有限额、有限场景、可随时撤回的风险预算。）

67、大平台和创业公司的起点因此完全不同。微信、支付宝、手机厂商可以走宽而浅（Wide but Shallow）：场景很多，但早期每一步都要求用户确认，因为它们已经拥有支付、身份、系统权限或服务生态。创业公司更现实的路线可能是窄而深（Narrow but Deep）：先在商务旅行、保险、就医导航、企业采购、留学、跨境服务等高信任垂直场景里做到“这件事以后就交给你”，再向外扩。两条路的终局都是又宽又深，只是起跑点不同。

68、这又形成两种创业位置。一种是需求拥有者（Demand Owner）：掌握用户上下文、信任和委托；另一种是最佳执行层（Best Execution Layer）：拥有专业能力、供应链和履约系统，成为各家 Agent 最愿意调用的服务。不是每家公司都必须成为最终入口。未来很多传统 App 不会消失，而是从“用户必须到访的目的地”变成“Agent 后台调用的基础设施”。

69、对中国 Agent 来说，信任架构（Trust Architecture）可能尤其重要。中国互联网已经非常擅长广告、电商推荐、流量变现。如果一个比你更懂你的 Agent 又背负很重的商业化指标，“懂你”很容易从价值变成风险。谁付钱、佣金是否影响推荐、平台自营商品有没有特殊权重、广告能不能进入主动建议，这些事情最好在用户还不多的时候就设计，而不是十亿用户以后再补。

70、所以中国消费者没有迅速形成大众 AI 订阅，未必代表 AI 商业价值低。一个每月收 99 元、主要提供聊天的产品，未必比一个完全免费、但一年替一个家庭参与 5 万元真实消费决策的 Agent 更值钱。未来也许应该看委托钱包份额（Delegated Wallet Share）：这个人的钱包里，到底有多少经济活动经过你。

71、美国和中国可能正在回答两个略有差异的问题。美国目前更容易验证：“用户愿不愿意直接为智能付钱？”中国可能更早被迫回答：“智能怎么进入交易？”最终两边可能在同一个地方汇合——代理人经济学（Agent Economics）。

十、谁会赢？

72、豆包已经给中国的订阅路线做了一次很有代表性的实验。它的基础日常功能继续免费，而复杂办公、数据分析、应用开发、专业设计、流程自动化等生产力场景进入付费订阅。这条分界很有意思：替你生产的部分先收费，替你过日子的部分继续免费。它是否是长期正确答案，要等真实付费和留存数据，但至少产品逻辑很清楚。

73、中国和美国还有一个很重要的区别。

美国的消费互联网服务相对分散：购物、旅行、餐饮、出行、支付往往属于不同公司，Personal Agent 要真正把事情办完，需要把大量独立服务连接起来。

中国反而拥有几个高度集成的超级生态：微信同时拥有身份、关系链、支付和小程序；阿里可以把淘宝、支付宝、高德、飞猪和本地生活串在一起。

从这个意义上说，中国可能比美国更适合 Agent：大量现实服务早就已经数字化，而且已经被组织进几个庞大的服务网络。

真正的问题不是“服务够不够”，而是这些超级生态愿不愿意把能力开放给谁。

微信内部的 Agent 调用微信支付和小程序，与豆包从外部替用户操作微信，是两件完全不同的事；

千问调用淘宝和支付宝，与一个独立 Agent 要求同时比较淘宝、京东、拼多多，也完全不同。

所以，美国 Agent 面临的主要难题之一是服务集成（Integration）——怎样把分散的服务连接起来；中国 Agent 更早面对的则可能是调用权限（Permission）——谁有资格调用已经高度集成的服务生态。

（换句话说，美国需要先把路修起来；中国很多路已经修好了，真正争的是谁拿得到通行证，以及谁有资格坐在驾驶座上。）

74、手机厂商因此拥有一张非常现实的牌：系统权限（System Permission）。华为、小米、荣耀、OPPO、vivo 等都可以让自己的 Agent 更接近通知、相册、位置、设备和跨应用操作。但豆包手机的经历也说明，靠模拟点击走“后门”速度很快，却随时可能触发别人的风控；让 App 主动暴露 Skill、API 和授权接口的“前门”慢，却更可持续。未来真正稳定的 Agent 生态，大概率要从“模拟人点击”逐渐走向“软件主动声明我允许 Agent 做什么”。

75、微信的牌非常特殊。它不仅有十亿级用户，还有支付、关系链、小程序和现实社交。AI 替人办的很多事情，最后不是和一个数据库打交道，而是和另一个人打交道：约时间、拉群、转账、通知家人、和朋友一起旅行。Instinct 也开始从个人 Agent 向群聊和多方协调扩展，这说明“代理人与代理人之间协商”本身可能成为新的一层。微信天生拥有这种网络。

76、但微信最大的优势也是它最难的问题：过去“用完即走”、较克制的商业化和工具属性，积累了很深的信任存量；Personal Agent 却必须替用户“挑”。一旦用户说“帮我订一家酒店”“给我买杯咖啡”，Agent 必须决定调谁。平台时代最优雅的姿态是不表态；Agent 的工作恰恰是替你表态。微信能不能把“保管信任”升级成“判断信任”，同时克制住为自家生态导流的激励，是它最重要的考题。

77、阿里的优势主要在服务图谱（Service Graph）。千问把淘宝、支付宝、淘宝闪购、飞猪、高德等服务串到一起，可以点外卖、买商品、订机票酒店和完成大量生活服务。这已经很接近“说一句话，后面的服务自己编排”。但它同时背负最大的自我蚕食税：淘宝的搜索、推荐、广告和商家经营，本身就是巨大的利润池。

一个真正无偏的 Agent，理论上应该愿意告诉用户：“这件东西今天别在淘宝买。”什么时候平台助手敢持续把用户利益放在本平台 GMV 之前，它才真正跨过“平台助手”与“用户代理人”之间的线。

78、字节的牌又不同。豆包拥有庞大的 AI 用户基本盘和字节系极强的内容、广告、电商能力；但 Personal Agent 更深的委托最终会碰到关系链、支付习惯和系统权限。豆包手机试图从手机层打开一条新入口，说明字节也知道：只拥有一个 AI App 可能不够。它未来很可能同时走两条路——在生产力上卖订阅，在消费 Agent 上不断寻找支付和外部服务的“通行证”。

79、携程则是一个非常典型的“到底抢入口还是做执行层”的公司。它已经在自己平台里建设 AI 助手，并把 AI 用到行前、行中和售后。它真正的资产不是聊天能力，而是库存、支付、出票、改签、退款、客服和几十年的供应关系。即便最终旅行需求先进入别人的 Agent，携程也完全可能成为那个 Agent 背后最好的旅行执行机器。

80、美团真正有价值的，不是那个 App，而是 App 后面整套现实世界的履约能力。Agent 可以替你决定今晚吃什么，也可以替你下单，但最后还是要有商家接单、骑手取餐、路线调度、配送、退款和售后，才能把一杯咖啡送到你家门口。

所以即使未来用户不再频繁打开美团，美团也未必因此失去价值。它有可能从“用户每天直接打开的入口”，变成各种 Agent 背后的执行系统。

真正可能被削弱的，是界面和流量入口；不容易被替代的，是多年积累出来的商家网络、配送体系和履约能力。

对美团来说，未来的问题不是 Agent 会不会替代它，而是：用户还需不需要先来美团，还是别人的 Agent 直接调用美团来完成最后一步。

（还有一家公司，拼多多，这家货找人的公司，会如何拥抱AI的浪潮，一直是最大的悬念之一。）

81、Agent 还可能重写中国消费互联网过去十几年最熟悉的一批增长术。倒计时、砍一刀、视觉诱导、凑满减、默认勾选，很多设计是在利用人的注意力缺陷和认知偏差。一个真正站在用户这边、目标函数清晰的 Agent，不会因为按钮变红就更冲动。当然，它仍然会算优惠，也可能主动薅券。真正失效的不是“促销”，而是暗黑模式（Dark Patterns）——依靠人的认知漏洞获取转化的那部分增长。

82、车可能是状态驱动型 Agent 天然的场景。手机很多时候不知道你此刻真正处于什么状态，车却知道你在哪里、要去哪里、还剩多少电、预计几点到。快到公司了，车位可以提前找；堵车会迟到，Agent 可以拟好消息；长途开车时，语音比打开 App 更自然。车不仅是一个屏幕，而是一个高度连续、上下文极强的现实状态机器。

83、再往后一步是自动驾驶。当“驾驶”这件事本身从人手里释放出来，通勤的时间结构也会改变。如果每天原本必须交给方向盘的一小时逐渐被释放，它很可能会被邮件、工作、家庭决策以及那条“未竟之事的长尾”重新占据。汽车也会成为 Agent 竞争的另一块入口。

84、谁会赢？我更倾向于认为，中国不会只有一个总赢家，而会出现两三个重要的委托入口（Delegation Entry），再加大量执行层（Execution Layer）。好用的底层模型越来越可以采购，真正差异会来自上下文、支付、社会关系、系统权限、服务图谱和信任架构。

（如果非要我今天只押一个“日常委托入口”，我仍然更愿意押微信。但押的不是它已经拥有十几亿用户，而是赌它能不能把多年积累的保管信任升级成代理信任，并且在替用户挑选的时候，克制住替自己生态挑选的冲动。这个赌注远没有结束。）

十一、新指标，新公司

85、用户一旦愿意连接信用卡并真正发生消费，关系就从“我试试这个 AI”走到了“我允许它进入我的经济生活”。未来衡量 Agent，也许应该看委托钱包份额（Delegated Wallet Share）：一个家庭一年真正的消费里，有多少钱是在 Agent 的判断、比较或执行之下完成的？

（我相信一家不作恶的公司、一家价值观正确的公司，更有可能在 AI 的大战中赢得用户。）

86、还可以进一步把“份额”拆成四层：影响份额（Share of Influence）、决策份额（Share of Decision）、执行份额（Share of Execution）、委托钱包份额（Delegated Wallet Share）。Agent 可以只推荐，用户自己决定；也可以替用户选，但付款由用户确认；还可以在规则内自主决定并支付。越往后，经济权力越大。推荐算法的成功经常是让你停留更久；Agent 的成功，也许反而是让你停留更短，但把更重要的决定交给它。

87、所以判断一家 Agent 公司，可以问一组新的问题：

• 它是不是随着时间越来越懂某个具体的人？

• 它在哪些领域真的拥有专业能力？

• 现实行动有没有持续校准它的判断？

• 用户是否给它更深权限？

• 用户有没有从“给我几个选择”走到“这件事以后你替我决定”？

• 它能否把委托转化为经济价值，同时不损伤信任？

对应到指标，可以观察上下文深度（Context Depth）、权限深度（Permission Depth）、委托深度（Delegation Depth）、信任留存（Trust Retention）、委托交易额（Delegated GMV）、委托钱包份额（Delegated Wallet Share）。今天这些词还不是会计准则，但可能比“每天聊多少轮”更接近 Agent 的真实资产。

88、Instinct 只有 14 个人，却让接近 10 亿美元的年化交易额流经自己的 Agent，大约相当于每名员工编排数千万美元交易。当然，这绝不能叫“人均产值”：GMV 不是 Instinct 收入，而且背后的出票、酒店、支付、客服和履约大量发生在其他公司。真正有意思的是：一个极小团队可能通过软件和外部执行网络，协调远超自己组织规模的经济活动。

89、这可以接到科斯 1937 年《企业的性质》。科斯的问题是：既然市场可以交易，为什么还需要公司？核心答案之一，是使用价格机制、找人、谈判、签约、监督都有交易成本（Transaction Cost）；企业边界取决于“通过市场组织”与“在企业内部组织”的相对成本。

AI 会同时降低两边的成本，所以未来未必只有“公司越来越小”一种结果：有些公司会因为可以外包和编排更多能力而变得极小，有些大公司则因为内部协调成本下降而管理更大的范围。

同样的逻辑也作用在个人身上：一个善于使用 Agent 的普通人，第一次可能获得接近一支小团队的组织能力。

十二、小结

90、一个成熟的 Personal Agent，可能需要同时拥有四种核心资产。

第一，个人上下文（Personal Context）：它懂我；

第二，判断与信任（Judgment & Trust）：它会替我判断，而且值得我信；

第三，服务图谱（Service Graph）：它能连接现实世界把事情做完；

第四，交易经济（Transaction Economics）：它能在不破坏信任的情况下赚钱。

这四项更像乘法，不只是因为缺一不可，还因为它们互相放大：越懂用户，判断越好；越值得信任，权限越深；服务网络越强，委托的经济价值越大。

91、把这些串起来，可以得到一条代理人经济学（Agent Economics）：

智能（Intelligence）→ 记忆（Memory）→ 个人上下文（Context）→ 专业能力（Expertise）→ 判断（Judgment）→ 成功行动（Successful Action）→ 信任（Trust）→ 权限（Permission）→ 委托（Delegation）→ 交易（Transaction）→ 收入（Revenue）。

但它不是一条简单直线，里面至少有三个循环：

• 学习闭环（Learning Loop）——行动、反馈、反思，让判断越来越好；

• 委托闭环（Delegation Loop）——成功、信任、授权，让委托越来越深；

• 经济闭环（Economic Loop）——委托、交易、收入，让服务图谱越来越强。

还有一个反方向的信任失败闭环（Trust Failure Loop）：一次严重越权，权限可能迅速被收回。

92、如果基础模型继续变强、调用成本继续下降，那么“智能本身”未必会一直是最稀缺的东西。对 Personal Agent 来说，更难积累的，可能是后面的那些东西：上下文、判断、信任、权限和长期委托关系。模型可以换，关系却需要时间慢慢形成。

（但是，我又觉得，类似于ChatGPT与Claude这两个年轻的超级怪兽，有可能吞噬一切。）

93、所以 AI 时代真正的入口，也许最终不是一个 App，不是搜索框，甚至不完全是操作系统，而是被委托的决策权（Delegated Decision Rights）。真正拥有入口的，不一定是每天最先被打开的软件，而可能是那个你允许它在某个范围内替自己说“是”或者“否”的代理人。

94、我们过去两年反复问：“谁拥有最聪明的 AI？”接下来更重要的问题可能是：谁最值得托付？智能决定它能不能替你做事；上下文决定它懂不懂你；专业能力决定它懂不懂这件事；判断决定它会不会作出合适选择；信任决定你敢不敢给权限；委托决定它最终能进入你的生活多深。

95、落到每个人身上，Agent 时代可能第一次把“授权能力”变成一种大众技能。

过去主要是老板和经理学习委托（Delegation）：什么自己做，什么交出去，交给谁，检查到什么程度。以后每个人都要学。

我的一个简单原则一直是：没有我明确的一句话，AI 不得以我的名义对外发布，不得擅自回复别人。因为这类行为属于高外部性、难完全撤回的“单向门”。

96、普通人如果开始使用真正有执行权的 Agent，我建议至少做四件事。

第一，从双向门开始：先让它查、比较、整理、提醒，发消息、签字、大额支付自己按最后一下。

第二，用风险预算（Risk Budget）管钱：单独额度、限定场景，跑顺以后再提高。

第三，每当它主动推荐商品或服务，习惯问一句：谁在付它的钱。

第四，把长期偏好、原则和红线写成一页“个人代理说明书”，并保留数据导出权和退出权（Export & Exit Right），哪家 Agent 都可以读，换一家也带得走。

97、对上班的人来说，真正值得问的是：你的工作里，哪些部分只是搜索、比较、填表、跑流程，哪些部分需要判断、承担责任，以及让别人愿意把事情交给你？前一类工作会越来越便宜，后一类反而可能越来越值钱。判断一份职业会升值还是贬值，可以再问一句：客户付钱买的是信息，还是判断、责任和信任？

98、对小创业者，也不要把结论理解成“别抢入口”。真正的建议是：不要一上来就正面和微信、阿里、Apple 抢通用入口。先找一个巨头嫌麻烦、又需要高度信任的窄切口（Narrow Wedge）：老人就医、跨境税务、留学材料、复杂保险、装修验收、企业采购、宠物重症、商务差旅。单向门多、履约麻烦、出问题需要真人兜底，恰恰是小团队更有机会建立深度委托的地方。先做到“这一件事以后都交给你”，再谈扩张。

99、小公司还有另一条路：不做最终 Agent，而是把自己的能力变成机器可调用服务（Machine-callable Service）。价格、库存、可约时间、规则、退款条件、身份认证、API、结算都尽量结构化。能接 MCP 就接 MCP，但不要迷信某个协议；真正的目标是让未来任何 Agent 都能够发现你、理解你、调用你、支付你。

你的下一个客户可能不是一个打开官网的人，而是一个正在替主人办事的 Agent。与此同时，把商业规则亮出来：收多少佣金，佣金是否影响排序，发生利益冲突时站哪边。信任架构也可以成为小公司的竞争优势。

100、回头看，人类文明的一部分历史，就是不断把自己的能力交给外部世界。机器替我们放大力量，文字替我们保存记忆，计算机替我们处理计算，互联网替我们连接信息。AI 再往前走了一步：它开始替我们理解、判断，甚至行动。

这也是为什么 Personal Agent 可能比“又一种软件”重要得多。它真正改变的，不是我们怎样使用电脑，而是一个人可以把多少事情交给另一个智能去完成。

过去，只有极少数人拥有私人助理、私人银行家、律师团队和家族办公室。他们真正拥有的，不只是更多钱，而是有人替他们过滤信息、处理琐事、寻找方案、协调资源，把有限的注意力留给真正重要的决定。

如果 Agent 最终成立，这种能力第一次可能属于普通人。

（我们也可以有一个可能显得过于简单的美好想象：100 年之后的普通人的生活质量，可能比现在世界上的顶级富豪还要好很多，就像现在的普通人很多方面比 100 年前的帝王还要过得更好一样。）

一个人的边界，也许不再由他一天只有二十四小时、只能处理多少事情决定。一个普通人可以调动的知识、判断和执行能力，可能开始接近过去一整个团队。

但这件事越往前走，另一个问题就越重要：什么应该交出去，什么不应该交出去。

因为真正值得珍惜的，从来不是“凡事都可以不用自己决定”。

恰恰相反。

当越来越多的小事可以被代理以后，我们才更需要知道，什么是那些必须由自己来决定的事：我要成为什么样的人，我愿意承担什么风险，我珍惜什么关系，我把时间花在哪里，以及我愿意接受怎样的人生。

这就是为什么我把自己的未来职业定义为 “AI 时代的古典主义哲学家”，因为我相信未来的人们需要更多的古典主义哲学思考。

AI 可以替我们做越来越多的选择。

但一个人最终成为什么样的人，仍然取决于他选择把哪些判断交出去，又把哪些判断始终留在自己手里。

所以，一家 Personal Agent 公司最终能有多大，可以问：

有多少人愿意把多少事情交给它。

而对每一个人，更重要的问题可能是：

当我们终于可以把越来越多的事情交出去以后，我们准备把省下来的时间、注意力和自由，用来做什么？

技术史一直在帮助人类摆脱某种限制。

蒸汽机释放了体力，计算机释放了计算，互联网释放了信息。

AI 也许正在释放另一种长期被忽视的稀缺资源：

人的判断、注意力和时间。

真正值得期待的，不是未来我们可以什么都不用自己做。

而是当那些不值得占据生命的事情被机器接过去以后，我们终于可以把自己重新留给那些真正值得亲自去做、亲自去判断、亲自去经历的事情。

想了解更多AI的前沿，欢迎加入“孤独大脑·人生花园”，请你点下方 ⬇️