新闻资讯
News and information
-
26
08/14
垂类APP，卖血求生
所有需求都挤进一个对话框从千问点奶茶，到豆包订酒店，AI正从会聊天走向能办事。过去散落在一排APP里的需求，正在被压缩进同一个对话框。垂类、工具类APP因此陷入身份危机。它们正在失去与用户直接见面的机会，广告和会员模式也随之承压。看上去，AI正在吞噬应用，而垂类APP辛苦积累多年的内容，只能沦为喂养AI的“数据血包”。近日，飞猪推出“飞猪帮帮”。它不只回答旅行问题、规划行程，还能预订机票和酒店，处理订单退改、在线选座、酒店升房和接送机，一路包办。两天后，蚂蚁集团宣布，“好大夫医生版”正式升级为“蚂蚁阿福医生版”。这款产品也不止是在线问诊工具，而是把患者管理与随访、医学知识检索、科研辅助等功能，装进一个医生AI工作站。一个处理行程，一个参与诊疗，相隔两天，两款垂类APP做了同一个选择：把多年沉淀的专业资料转化为AI可以理解和利用的数据，把业务能力拆成大模型可以调用的工具——主动把自己改造成垂类Agent。为什么要如此彻底地改造自己？答案并不浪漫，AI正在抢走垂类APP的流量。移动互联网最繁荣的年代，一个需求对应一个APP：翻译归翻译，搜题归搜题，修图归修图，问诊归问诊。手机桌面像一条商业街，每个招牌对应一门生意，用户带着需求逐一上门。但豆包、千问等AI原生APP出现后，直接守在了商业街的街口，成为用户遇到问题时最先想到的地方。这些AI原生APP未必样样精通，却胜在什么都略懂一点，能够“稳稳地的接住”用户。对大量日常需求而言，人们需要的并不是最专业的答案，而是一个来得够快、凑合能用的答案，最好还不用再开一份会员。用户的耐心有限，愿意为每一种需求分别付费的钱包更有限。根据QuestMobile数据，2026年6月，AI原生APP整体规模达到4.99亿，月人均使用92.7次、183分钟。换算下来，用户平均每天要打开三次，和AI聊上六分钟。与此同时，在QuestMobile统计的移动互联网行业类别中，28%的行业出现人均使用次数和时长双双下降。垂类APP的底层逻辑，正在被这些AI原生APP渐进式、系统式重构。真正被挤压的，是用户打开其他APP的必要性。APP们依赖用户反复访问才能成立的流量、广告和会员模式，正在被AI一点点抽走地基。教育类APP是最直观的例子。拍照搜题曾经是这类产品的标志性功能，商业路径也很清楚，遇到不会的题目，拍一下获得答案，再开通会员查看详细解析。现在，AI原生APP已经可以识别题目、给出答案，并围绕解题过程接受用户追问。千问甚至能在批改作业、定位错题后，自动生成考点相同的变式题。过去被封装在教育APP里的招牌菜，正在变成AI原生APP的普通配菜。美国教育科技公司Chegg已经感受到了这种替代。随着流量下降，新订阅用户加速减少，Chegg先后裁员、关闭办公室，并一度考虑包括出售公司在内的多种选择。垂类APP似乎只剩下一种结局：被AI替代，然后安静地退出历史舞台。但故事并没有在这里结束。AI首先削弱的，是垂类平台作为独立入口的地位，而不是它们积累的全部价值。用户不再走进一家店，并不意味着AI不再需要这家店积累的商品、经验和服务能力。垂类APP多年积累的专业内容、实时数据和业务系统，正在被从产品界面中拆出来，分别变成模型的训练材料、随时调用的知识库，以及完成任务时的执行接口。第一种，是把数据卖给AI，成为模型的训练材料。大模型并不缺普通文本，真正稀缺的，是垂类APP在封闭生态中积累的、难以从外部获得的数据。这些数据通常不会完整出现在公开网页上，它们经过长期积累、专业标注和真实业务验证，是比普通网站内容和普通文本昂贵得多的优质语料。金融领域已经证明，专业数据确实能够拉开模型能力的差距。BloombergGPT使用大量金融语料训练，在多项金融自然语言处理任务上的表现，明显优于参数规模相近的通用模型。但数据授权未必是一门可以持续增长的生意，可能只是一笔横财。模型学会之后，同一批数据很难年年卖出同样的价格，一旦被吃干抹净，就没有再利用的价值。更微妙的是，AI依靠优质内容生长，但截走原本支撑内容生产的土壤。平台辛苦攒下的内容，最后可能恰好训练出了一个替代自己的产品。徒弟教会了，师傅也就该被饿死了。第二种，是成为AI的实时知识库，以插件形式存活。一些用户已经把查询企业信息的习惯，从天眼查、企查查迁移到了AI：不用购买数百元的会员，也不用自己翻阅股权结构、司法风险和经营异常，只需让AI直接给出结论。但公开网络上的工商、司法和经营信息散落在不同页面，有的更新滞后，有的名称混乱，有的重复冲突。随着GEO投毒的兴起，一些更容易被抓取和引用，却未必更接近事实。天眼查们真正的护城河，正是对这些信息进行清洗、去重、标注、关联和实时更新。它们出售的不是某一条工商信息，而是把满地信息收拾成可靠答案的能力。Kimi已经把天眼查、同花顺iFind等专业数据库接入会员服务。Kimi的付费会员，可以在对话框里进行查询，并且制作专业的图卡。无须逐个打开原来的产品，也不用再分别购买数据库会员。天眼查因此成了Kimi的能力和卖点之一，天眼查也从中获得收益。双方具体如何结算并未公开，但天眼查的商业模式也变得更加性感：过去向个人用户出售查询权限，现在向AI平台提供插件和数据。第三种，是成为Agent，直接交付业务结果。要让一句自然语言变成现实的一次真实执行，并不是一件容易的事。在能聊和能用之间，隔着一个供应链。拿旅行举例，大模型可以迅速写出一份多伦多攻略，却不知道某个航班还有没有座位、中转是否需要签证、酒店能否免费升房，也无权修改订单、完成退款。想把这些事办成，AI必须连接实时库存、交易系统、服务商网络。飞猪帮帮基于平台的真实供给、专有数据、交易系统和行业经验进行后训练，再把搜索、预订、退改和履约能力封装成模型可以调用的工具。在执行过程中即时核验库存、价格和订单状态，提高结果的真实性与可执行性。毕竟攻略写错了，最多耽误半天；订单改错了，可能毁掉整个假期。AI的能力让飞猪APP衍生出一种全新的用法，也让飞猪获得了在OTT行业弯道超车的机会。未来，这套能力也存在接入千问等大模型的可能。用户或许少打开了一次飞猪，但AI想要把事情办成，反而更离不开飞猪。总的来说，垂类APP未必会集体沦为AI的“数据血包”，却会被AI重新分工：有的出售训练数据，有的提供实时知识，有的协助交易与履约。过去争的是被用户打开，未来争的是被AI调用。失去自有APP的入口，却有机会获得一个更大的流量本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
08/14
我把自己公司80%的业务，交给了AI
很多人的潜意识里，认为AI就是全自动我推测，你们看到的有关AI的内容，都是讲：这样用AI就能起飞。非常爽，谁看谁想拥有。但这肯定不是真实的，只是符合短视频逻辑的表达。真的要想学AI，就是要用，用AI解决自己的问题。我现在把80%的公司经营事项，放到了AI工作流里。剩下20%，是目前AI不能处理干净的，以及是我线下人肉搞定的事。说实话，达到这种状态还是有点累的。因为整个流程需要反复打磨，有些小问题也会经常出现，甚至会反复。把这些事搞个七七八八，也要熬不少的夜。AI是既简单又复杂的事，我总结出了5个感受跟大家分享。01放开想，相信AI能帮你做所有的事当然，不是说AI真的能帮你做所有的事，而你要有这样思考问题的习惯：遇到问题，首先想AI能不能帮你去解决。你要相信AI无所不能，千万不要在你还没有去尝试的时候，就先否定，就先觉得这事不行、不靠谱。很多人就是不敢想，或者是从内心觉得这事儿不行，丢掉了很多非常好的体验。我说一个大家都能遇到的情况，就是剪视频。在我的课程里，我是建议大家自己去剪的，用手去剪，不是用AI。当你真的会剪视频，你才会知道什么样的表达是好的，怎么样的光线是对的，构图和字体、字色、字号、速度怎么样才是最合适的状态。当你都学会了这些东西，能把它变成流程之后，就可以考虑用AI去做了。因为AI可以按照你的流程，按照你已经确定的具体要求来执行。千万不要觉得这事复杂，或者AI做不到，也不要认为这事扔给他，什么也不用管了，这都是错的。用AI剪视频，就好比让你家娃来收拾屋子：娃肯定是做不好的，你一定会给他擦屁股。但如果要你去做的话，花的时间会更多。既然娃已经养了，就应该让他分担，做点力所能及的事。后来，我就用大概一星期的时间，把剪视频和给小红书出图文，用AI工作流搞定了。而且，视频剪辑分为直播剪切片，和我日常的拍摄，分情况进行输出。小红书的图文，也会去读取我线下课的照片，制作封面，再把公众号的内容转成图文内容，并且自动发布。这就是我决心尝试后拿到的成果，如果你招人做，这些工作很有可能会占满一个人力。别高估人的工作效率，不信你招一个试试。02很多人的潜意识里，认为AI就是全自动今年3月龙虾最火的时候，有很多AI从业者，都不太理解这个现象，在他们看来，这是很正常的能力。那为啥龙虾会这么火？是因为大家认为：有了龙虾自己就不用干活了。这就是为什么人都梦想有一个佣人，或者说职场人都想带团队，因为大家都不想自己干活。如果有人能叭叭叭的把活儿都干了，那也太爽了。当时龙虾就是这个叙事，人们就真的觉得这个时代要来了，可以养自己的机器人佣人了。AI肯定不是全自动，至少目前不是。我现在把自己的工作流交给了AI，其实有个前提：这些业务我都自己亲手做过，我知道这里的标准流程、关键点，以及我也有能力和AI沟通。虽然我不会写代码，也不是产品经理出身，但毕竟在互联网行业待了将近20年，基本的思维方式我还是有的。即使是这样，我也花了很多时间去校正AI，在多个应用场景里去修正。更重要的是，现在做好一件事，在开头和结尾还是要人来去完成的。以开头为例，就是你要发起这个需求。最早的时候，我就设置了个AICEO的角色，他来帮我做日常的管理和协调的工作。后来我又在他身上新增了一个职责，就是质量验收官。在工作流完成后，以前是由我本人验收，我要去看视频是不是按照SOP剪的、文章是不是按照我的文风写的...现在交给验收官去核对。如果没有按照流程操作，验收官就会让工作流返工。真正做到了，让AI去管理AI。这是我自己发起的需求，想法源于研发端的工作流程，有开发和测试两个角色。如果我不发起，AI肯定不会想到的。03AI极大降低了一人公司的试错成本我做了经营看板，把全年目标、当月进度、课程报名、账号更新、客户资料放在一起。又做了只给自己用的收藏工具，用来保存我看到的文章、图片、视频和其他资料，再和Codex、知识库连起来。以前做这种小产品，我需要先把需求想清楚，再经过产品、开发、测试和确认。因为开发和修改都有成本，所以最好在动手前把很多事情想完整。现在的方式变了：我可以先说出大概需求，让AI做出极简版本。哪怕只是一个静态页面，只要能先看到、先用起来，然后继续修改。AI让工作方式发生了变化，极大提高了生产力。我们不需要先想完整，再开发，而是可以随着优化过程再把问题想清楚。这样，一人公司就可以做更多小实验。做品牌、做内容、做一个小产品，都可以更快拿出最小版本，看看客户有没有需求、自己到底用不用得上。04AI让我贪婪的做更多事创业早期，我们都想做很多尝试，做了以后就有体感。但是尝试做的事越多，我们就会越忙，注意力也会越分散，这反而变成了一个错误的做事方式。这就是成本意识，每多做一件事情，就要多投入一部分成本。所以就要考虑是否值得。但AI的出现改变了这个问题，我可以做很多我以前不敢做的事儿，因为：AI把边际成本，变成了固定成本。你可以理解为，每个月买算力的成本是固定的。但在在这个范畴里面，你可以做很多的尝试，并不会增加更多的成本。之前我一直不敢做小红书的图文，因为搞封面太麻烦，如果你用官方模板，同质化又很严重。但现在，我就可以让AI去做。当我每次把公众号写出来之后，把公众号链接发给这个工作流，它就会自动去做转图文，并且在小红书后台发布。我先让AI自己完成，不做干预。如果我对于结果不满意，我会再让他去修改。因为大多数情况我都是定时发布，所以完全有修改的机会。而且，我把我自己上线下课的照片都给到了知识库。这样在做小红书封面时，可以取知识库里的照片，拼成封面，增加活人感。这种小事很多，我以前都是想到了但不敢做。现在有了AI，这件事情都可以放开了去试了。05人的时间会越来越多地花在知识库、工作流和上下文很多人以为，用了AI以后，人就不用思考了。我的真实感受是，思考没有减少，只是换了地方，而且有些地方比过去更难。除了真实交付，我现在会把大量时间放在三件事上。1、知识库我的方法论在变化，目标受众越来越清楚，业务状态、产品、课程和案例也在更新。2、工作流每一类任务怎么拆，人和AI各做什么，做到什么程度算合格，出现问题以后怎么反馈、怎么修改，都要在真实运行里不断迭代。3、上下文这是最费脑子的部分。比如我让AI做小红书，它要先知道我喜欢什么风格；让AI找选题，要知道我的受众是谁，在什么场景里遇到什么问题，有什么真实经历和判断可以讲。这些标准在我的脑子里。但未必能马上讲清楚。AI要真正适合我，我就得去找参考、做对比，把自己的审美、经验、边界和判断表达出来。这也是我最近一个很深的感受：AI反逼我把过去靠感的事，变成能说清楚、能重复使用、能验证的系统。这就是我在实战的感受，希望有用。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
08/14
AI摧毁职能体系？
这又是一种“技术可以穿越组织”的妄念。最近网上若干知识博主有一种观点——认为业务AI化、打造智能体，不应该以职能为单位，甚至认为这种思维方式是太局限、“老登化”的。在任何一个新兴领域，“颠覆式观点”总是能够引起广泛共鸣，一时间，不少人都举双手支持。但我要说的是，这又是一种“技术可以穿越组织”的妄念。今天把这个问题再掰碎了谈谈。01技术能否穿越组织？我和穆胜咨询的观点是——若干开源平台的确提供了低代码重构工作流的可能性，但依然需要通过职能领域的一次次重构才能达到AI化的效果，如果AI穿越了职能，也仅仅是以API接口的方式进行连接。这句话有三层“残酷的现实”，足以打破“技术可以穿越组织”的妄念。其一，“低代码重构工作流”的本质是，重构的“门槛”降了，但“手术”免不了。开源低代码平台确实让搭建AI应用变成了像拼接乐高积木一样的“拖拽组件”，但这只是“装修工具”的普及，它并不会带来组织的自动进化。真正的难点在于“砸掉承重墙”，即对现有业务流程进行“脱胎换骨”的梳理。比如，把原来靠Excel传递的“报销审批流”，重构为“AI实时抓取发票数据+自动比对预算+智能风控”的新闭环。如何实现这种变化？工具只是提供了可能性，关键还是要由设计师来操刀流程重构，这意味着，必须由懂该职能的人去“一步一步”操刀手术，去拆解现有流程，再进行拼接。低代码解决不了“该拆哪里”“拆了如何拼接”的决策问题。其二，“通过职能领域的一次次重构”的本质是，这种重构是“搬砖”，不是“魔术”。“一次次”这个词是我们字斟句酌的结果。这意味着，AI化的本质不是一次性替换，而是“颗粒度拆解”。举例来说，一个HR招聘流程，要拆成“JD生成、简历初筛、面试问答、背景调查、薪资谈判”等十几个节点，如果要重构，就需要把每个节点分别AI化，一个个进行试错，失败一个再调，调完再拼。这个“搬砖”的过程，没有任何捷径，只能靠领域专家和工程师一遍遍磨。其三，关于“AI穿越职能，仅以API接口连接”，说的是AI产生“智能体”或“数字员工”的底层逻辑。很多外行幻想AI像一个“超级大脑”直接统管全公司，正如很多老板把AI当做许愿池，幻象未来AI可以替代所有人。但现实是，AI无法“消化”职能，只能“调用”职能。这背后是AI时代初期，外围观众对于其运作原理并不清楚。我们再举一个例子，一个“智能供应链”AI判断需要补货，它不会自己去写采购单，而是通过API调取ERP（企业资源计划系统）的“创建采购订单”接口；它发现库存异常，也是通过API调取WMS（仓储管理系统）的数据。AI是“神经中枢”发号施令，但“手脚”（各职能系统）依然是独立的旧系统，通过API这根“神经纤维”连接。02AI？企业需要什么AI？当前很多企业动辄提AI，但实际上对自己需要什么AI，AI如何来解决问题一无所知。企业买的不是模型，甚至也不是数字员工，他们买的是在业务场景里解决问题的“轻快系统”。就算回到大多企业认为“AI化”就是“AI换人”的简单思路，我们也能够梳理出其中的原理。一个“智能体”或“数字员工”，一般是基于开源大模型打造的，大模型的开发本来就是“烧钱的游戏”，更适合作为AI时代的底层设施（和算力一样），由OpenAI、Anthropic、Deepseek这类企业通过资本的助力来完成。当然，也有不少企业开始尝试闭源大模型，但前景方面依然是前途未卜。大模型是一颗聪明的大脑，它不能解决企业的实际问题，因为它“有脑无手”。这就意味着，要基于这颗大脑开发出“智能体”或“数字员工”，就需要低代码开发平台。它就像一套“标准化肢体组件”，让“大脑”（大模型）能快速“长出手脚”来执行具体任务。这些平台通常提供可视化、拖拽式的开发环境，让开发者（甚至业务人员）无需从零写代码，就能把大模型的能力和企业现有的系统、数据“连接”起来。目前提供这类工具的主要有三股力量：一是大模型厂商，如OpenAI等，他们会附带提供低代码开发平台；二是以云服务为基因的厂商，如阿里云、AWS等，他们因为云服务的业务属性，天然就是提供低代码开发平台的有力竞争者；三是第三方低代码平台，如OutSystems、Mendix等，他们深耕业务场景，能与多家模型及云厂商集成，他们是最具低代码开发平台基因的企业。对于大多企业而言，他们只需要基于开源大模型提供的“大脑”，再基于低代码开发平台提供的“肢体”，对自己的业务流进行重塑即可，犹如拼接乐高积木。业务流重塑的同时，自然也就涉及对组织进行变革。这就是“AI化”相对传统的“数字化转型”在技术上更有希望的地方。按照这个逻辑，老板们当然希望“上个AI”就能解决所有的问题，但问题是，这个“AI”不是一个“一步到位的全案式解决方案”，更应该是“持续迭代的复杂系统”。它来源于对于每个职能的切割、改造、拼接，再成熟的系统，也需要随着市场变化而持续迭代。03AI再强，也要遵循组织原理现实是，如果有个“AI系统”穿越了职能，那么，首先是每个职能都进行了“AI化”，而后才是用最合理的方式组合成“系统”。横向分工还在，协作还在；纵向集权还在，授权还在；流程还在，节点还在；考核还在，激励还在……组织的逻辑并没有改变。正如从上古时代的猛犸象，到现代的金钱豹，敏捷性提升了，但生物学知识并没有被颠覆，细胞、器官还是基本的构建。谈什么“技术穿越组织”，有点low。要说AI推动了组织重构，当然可以，但仅仅是“推动”。但金字塔组织里的部门墙、隔热层、流程桶、KPI真空罩，不是本来就应该被变革吗？企业需要打破金字塔组织，走向平台型组织（Platform-basedOrganization），一早就是我们提及的趋势。AI只是提供了技术的便利性，而且因为这个技术的强大，让组织变革变得更加容易。但妄想AI自动带来组织变革，还是有点草率了。我们可以举出无数的例子，金字塔组织里加载AI，依然不会带来组织效率的提升。我们以前的研究也得出了明确结论——“平台型组织+AI技术=智能体组织”。但时至今日，大量老板还是想用AI技术绕过自己不愿面对的组织变革，这实在让人有点哭笑不得。回到本文开始的问题。我们坚持认为——AI不会取代职能系统，AI只是给职能系统装上了一副“智能眼镜”。它看得更准了，但干活的还是职能里那一双双手，连接处只能是API。当然，我们也需要强调一点，尽管职能系统不会改变，但企业的业务流或流程会更加灵活。API连接只是“读写”权限，未来的核心壁垒在于“事件驱动”。在上面采购的例子里，当AI通过API写完采购单后，ERP系统自动触发的“审批流”是否能反过来通过API回调AI进行“多轮协商”。这才是“穿越”的高级形态，但本质上依然是API对API的对话。04职能专家，还有价值吗？如果职能系统不会被AI技术废掉，那么“AI化”就需要重构每个职能，这甚至要从重构职能里的每个“子职能”开始。所以，我在以前就提出，未来职能部门的产出应该是“智能体”或“数字员工”。这引出了另一个关键问题。既然重构职能领域这么“苦”且“慢”，那么，究竟是“懂业务的老员工学会用低代码”更快，还是“懂AI的极客去蹲点摸透业务痛点”更快？这决定了CTO或CIO该在“AI化转型”的项目里，把预算花在培训还是招聘上。我的建议是，如果预算只够押一边，请毫不犹豫地押在“懂业务”上。原因极其简单，AI技术正在疯狂“白菜化”，但业务认知的“壁垒”却越来越厚。我有三个具体的理由：其一，工具平权，业务直觉无法平权。OpenAI、DeepSeek、Llama3的性能差距正在急剧缩小，低代码平台让“调API”变得像“开关灯”一样简单。这意味着，“怎么调用AI”已经不值钱了。但“什么节点该调用AI”“调用来解决什么具体痛点”“输出结果该怎么解释给老板听”等问题，完全取决于对那条供应链、那本财务报表、那个客户心理的深度理解。这种“直觉”是AI无法馈赠的，只能靠年复一年的浸泡。其二，懂AI的人只会问“能不能”，懂业务的人才能判“该不该”。让一个AI极客去财务部蹲点三个月，他确实能听懂“发票验真”和“三单匹配”这些词，但他很难感知到“月底关账时财务总监那种火烧眉毛的焦虑感”，也很难预判“税务稽查时哪些数据是真正的红线”。而一个懂业务的老员工，哪怕只会用最基础的低代码拖拽，他构建出来的工作流是“带着防弹衣”的，是真正能落地且不出合规事故的。AI极客做出来的东西往往在实验室跑得通，一到复杂现实的“脏数据”里就崩盘。其三，变革的阻力不是技术，是“人的惯性”。这是最容易被忽视的一点。推动AI化，最难的不是写代码，而是让销售部那帮“老油条”愿意把客户跟单记录填进系统，让生产线班长允许AI修改排期。懂业务的人知道谁是大嗓门、谁是关键决策者、该请谁吃饭来推动试点。不得不说，这种“组织润滑”能力，AI极客花十年也学不会。这也是我们这类深耕组织变革的咨询机构的看家本领。当然，我还必须补充一句——我们重用的“懂业务”的人，必须是“懂数字化业务”的，而不是“懂纸质化业务”。那些抵制数字化、抵制AI的业务能手，首先就应该被排除在未来的组织名单之外。这又是一种“技术可以穿越组织”的妄念。最近网上若干知识博主有一种观点——认为业务AI化、打造智能体，不应该以职能为单位，甚至认为这种思维方式是太局限、“老登化”的。在任何一个新兴领域，“颠覆式观点”总是能够引起广泛共鸣，一时间，不少人都举双手支持。但我要说的是，这又是一种“技术可以穿越组织”的妄念。今天把这个问题再掰碎了谈谈。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
07/11
AI浏览器这百亿大蛋糕，谁也没吃到？
AI浏览器为什么都失败了如果说这3年AI应用创业，有什么共识性的失败，那一定非AI浏览器莫属。2023年大模型刚火的时候，浏览器被认为是AI时代最值得抢的入口，用AI颠覆Chrome是大家都能看到的百亿创业项目。实在是这个入口太大了。全球互联网用户已经是60亿量级，Chrome一个产品就是三十亿级用户；Safari靠iPhone、iPad和Mac占住十亿级设备入口，Edge背后是Windows和微软账号体系。国内中国网民规模也超过11亿，360、夸克这些浏览器和搜索入口，背后都是亿级用户量级。大家还看到，AI浏览器抢的不是一个工具，而是用户每天打开网页、搜索、邮箱等产品的默认入口。以360AI浏览器为例，要是做成了，它不仅能颠覆百度在搜索时代的统治，更是能让2亿360浏览器用户立马进入AI时代，变现模式也非常好做。正因此，AI浏览器一度诞生了创业热潮，国内有360AI浏览器、豆包AI浏览器、QQ浏览器AI化、美团Tabbit以及创业公司的FellouAI、ZEROAI等等，国外有Arc、Comet和OpenAI的Atlas等一时出名的产品。我当时和一位大厂高管背景的创业者聊过这个方向，结论挺直接：AI浏览器是大厂必争的领域，创业者要慎入。现在回头看，浏览器确实要慎入，上面那些AI浏览器你还在用哪些？哪怕是大厂出品的都已经鲜有人用。过去三年，AI浏览器一直没能让用户，把Chrome、Safari等换掉，原因到底出在哪里？01从侧边栏开始的第一波热闹2023年到2024年初，AI浏览器最常见的形态，是在传统浏览器里加一个AI助手。过去要把网页丢进ChatGPT、把字幕单独提取，现在可以直接在浏览器里完成。360AI浏览器是这一波里很典型的产品。2024年2月底前后，它正式亮相，主打AI搜索、AI阅读助手、AI视频助手，可以做网页/PDF/长文本总结，提取视频字幕和看点，做音频转写、思维导图、追问、翻译、写作。功能是真不少。鲸哥还记得，效仿360AI浏览器，那时候很多AI浏览器都增加了一些小功能，比如AI去水印、AI拼图以及AI知识库等，以此吸引用户。这款产品可谓刚出现就大火。按照AIwatch.ai2024年4月“全球AI产品增速黑马榜”口径，360两款AI产品进入前十，其中360AI搜索排在榜首，3月访问量环比增长1677%。这个数据至少说明，AI浏览器早期确实火过，用户也愿意尝鲜。但那时候，用户最核心的关注点，还是使用AI搜索的回答质量。Perplexity就是因为回答更好，赢得了一片用户，国内秘塔是对标的跟进玩家，但当时，国内无论360AI浏览器还是秘塔等，AI回答水平都在将近及格的水平，谈不讲出彩。不仅是囿于模型能力，更因为百度和微信搜索，拥有最好的资料。所以大家做AI浏览器，缺乏自有模型和自有资料，在“用AI回答好问题这件事”上，其实并没有让用户足够满意。其他锦上添花的AI小功能，也难以彻底吸引用户。2025年左右，ArcMax往前走了一步。它不只是总结网页回答，还能AskonPage、预览链接、整理标签页、从命令栏调用ChatGPT。它证明AI可以参与“浏览”本身；但后来转向Dia，也说明浏览器新交互很难教育普通用户。但这时候，AI浏览器一个真正实用场景落地了，就是划段搜索，这意味AI浏览器能看到你在看的内容，随时随问。而不是给复制AI网页地址和具体内容，这和打开豆包输入提问没什么区别了。意外的是Arc浏览器带火的功能，只是个非AI功能——侧边标签栏。不仅如此，国外的AI浏览器开始从“看懂当前网页”，走向“看懂用户正在做的一整件事”。Dia可以读多个标签页，接入GoogleWorkspace、Slack、GitHub、Notion；但由于Dia支持多个tab提问整理，很多人把它当成AI阅读器。图源iDemoChenComet能在授权后连接Gmail、GoogleCalendar，整理邮箱、日程、浏览历史；ChatGPTAtlas可以记住用户看过的网页，找回“上周看过的职位”“之前调研过的资料”。这一步比侧边栏AI重要，辅助用户看内容这件事，算是迈出了一大步。跨标签页、记住用户行为等等AI浏览器的大招，这时候开始显现了。02重要新变化，是AI浏览器+Agent就在AI浏览器要大展拳脚之际，2026年的AI浏览器，完全失去了声音。这不得不提，2025年开始，AI浏览器进入了另一个阶段：从“回答问题”走向“替人操作”，这一阶段，Agent成为主题。而Agent最好的载体，就不在浏览器中。不说豆包、千问这些整合了浏览器和智能体能力的产品，抢去了多少用户注意力，龙虾、ClaudeCode、Codex这些产品太神奇了，捣鼓AI浏览器显然会被评价太Out了。当然，AI浏览器也没有坐以待毙，早期的360AI浏览器后来更名纳米AI。AI浏览器开始往“浏览器智能体”方向走。纳米AI强调PPT和报告生成、数字AI助理等。纳米AI甚至推出了AI漫剧工作流，进入了垂直产业发展。纳米AI产品负责人梁志辉曾在2025年中提出的超级搜索智能体，实际做的并不够决绝。在这个方向上，当时的Fellou做过更深的探索。它主打DeepSearch和DeepAction：前者可以进入用户已登录的网站，从多个来源生成带引用的报告；后者会继续执行，比如跨网站收集信息、整理表格、同步到Notion、生成报告、做PPT，甚至定时运行任务。Fellou后续遇到融资困难，难以为继。做通用的纳米AI浏览器还活着，不过已为了谋生存，开始向细分赛道演化了。最令人不解的是，在AI浏览器战争烟雾散去后，美团Tabbit冲了上来。它不是又做了一个AI侧边栏，而是把“浏览器里的Agent”这件事做得更明确。Tabbit推出后很快卷入过“抄袭陪读蛙/ReadFrog开源项目”的争议。后来双方发布联合声明，称并非主观恶意，而是开源协议理解和内部流程疏忽造成的误会。这件插曲暂且不提，我们来看看这件产品的优点：Tabbit内置LongCat、DeepSeek、GLM、Kimi等模型，支持模型切换和多模型对比；可以引用当前网页、截图、收藏夹、本地文件提问，也可以执行跨网页、跨软件任务。更关键的是“妙招”这个功能点。Tabbit可以把行业新闻整理、竞品分析、招聘筛选、资料收集、生成PPT这类常用流程保存成固定动作，还加入长期记忆，记录用户偏好和常用要求。整体做的挺好，还引入了Skills的概念，就是一切来得太晚了。Tabbit其实现在遇到的对手，也变成豆包专业版和Workbuddy这些产品。后者复杂任务能力更强，为了抗衡，Tabbit的浏览器也越来越重。带着浏览器的枷锁，能获得一些浏览器用户作为基本盘，但是无法和豆包专业版、Workbuddy这些客户端产品比拼天花板，也是个两难的选题。下午是鲸哥用两个AI浏览器，对36氪近期一篇深氪文章总结的PDF，豆包专业版多调用了可视化技能，然后桌面端做完后，在豆包浏览器中展现。右侧是Tabbit对同一篇文章的总结PDF，展示效果差一点，但其实很丝滑。左侧红框豆包专业版，右侧红框Tabbit与此同时，国外的AI浏览器探索也失策了。Comet和Atlas在往操作层靠。Comet的场景包括整理邮箱、安排会议、规划旅行、比较商品、处理部分购物流程；Atlas的agentmode可以在用户登录的网站里继续完成调研、预约、整理活动方案。OpenAI也给Atlas加了限制：敏感网站会暂停确认，agent不能下载文件、安装扩展或访问本地文件系统。这说明AI浏览器越像Agent，就越接近权限和信任问题，非技术问题的难度也越来越大。AI浏览器三年来，已经基本探索出了各种场景，没获得主流的认可。连最雄心的Atlas都已经一年没更新了，鲸哥也是用了2月后无奈卸载，Comet则在一直内测中悄然没了音讯。03浏览器太重，Agent开始绕过去AI浏览器这个战场，其实大家根本不知道核心竞争是什么，是AI搜索回答、AI账号体系还是AI任务助理？AI浏览器的AI搜索回答，现在看会分清两类，一类是搜索性问题，这类问题还是在百度，百度是AI回答+信息流推荐，信息流中原生的内容，其实是干掉模型幻觉的根本。还有很多知识性问题，这类任务都去了豆包。第二个打通网站账号体系的问题，用AI统一管理，其实是个很好的设想。隐私授权就成了最大的拦路虎。很多功能不是AI技术上做不到，而是用户未必愿意给这么多权限。你要它真正理解“我正在做的一整件事”，就要授权跨标签的网站账号、邮箱、日历、浏览历史、文件、截图、甚至支付和账号状态。这方面Chrome在隐私保护方面平衡的很好了，它里有同步、书签、密码、历史记录、付款信息、通行密钥、多个Profile、公司账号、客户账号、内部系统登录状态，但不统一上传给AI云处理。AI浏览器可以一次性导入，但很难整体授权给AI浏览器，在手机、公司电脑上的所有环境。用户不会同意授权AI管理这么大的权限，各家网站也不愿意让AI浏览器掌控用户数据。扩展也是类似问题。很多AI浏览器基于Chromium，理论上可以安装Chrome扩展，但能装不等于体验完全一致。更尴尬的是，很多AI浏览器功能本身就能用Chrome扩展实现。再说到AI任务助理等场景上，辅助总结下网页内容，做个思维导图，甚至调用Agengt，做个相关的PPT讲解。这些任务不是没有需求，只是比专业工具做不好，比易用性，又不如豆包和ChatGPT。所以独立AI浏览器面临的是双线压力。一边，Chrome、Edge、Safari会把AI功能加进原来的浏览器，对原有用户习惯冲击最小。类似如下图的Chrome+AI，能直接调用Gemini问网页内容，也悄悄引入了很简单的SKills模式—只有提示词，没有各种.MD文件。另一边，Codex、ClaudeCode这类Agent，正在把浏览器变成自己可以调用的工具。这里具体讲解下，过去的AI浏览器，是用户先打开一款AI浏览器，再让浏览器里的Agent做事。现在的Codex、Claude等产品，是在执行复杂任务时调用浏览器。比如。Agent需要查抖音的热门内容等资料，就自己打开浏览器，利用Boweruse获取网页信息；需要验证网页Coding产品，就打开内置浏览器预览；这里的关键不是“Codex比AI浏览器更高级”，而是任务重量变了。任务越来越重时，浏览器里的Agent很难同时处理仓库、终端、文件、页面调试和权限确认；不如让Codex、ClaudeCode这类工作型Agent调用浏览器，把浏览器当资料入口和验证工具。反过来，如果任务很轻，只是总结网页、翻译、提取重点、顺手比价，传统浏览器+AI能做，也没大到让用户迁移AI浏览器。这就解释了AI浏览器为什么尴尬。它们一边要说服用户迁移和授权账号、密码、扩展和浏览习惯，另一边又要面对传统浏览器加AI，以及Agent直接调用浏览器的挑战。AI浏览器没有完全失败，它只是没有成为大多数人的默认浏览器。过去三年，它从网页总结，走到跨标签理解，再走到Agent执行任务。方向是对的，只是让它做轻的问题，非技术因素让它做不好，重的问题又力有不逮。目前没看到解决得非常好的玩家。AI浏览器，这百亿大蛋糕，到底谁能吃到啊！本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
07/11
AI商业化，还是大厂的一本糊涂账
AI的糊涂账由于内部AI需求大增，今年上半年，某公司接洽了市面上所有能接触到的国内供应商。综合考虑性能与价格后，最终和一家供应商签下了合同。没想到的是，上午签完合同，下午供应商找了回来，希望取消按次支付的限制，改用纯Token消耗计费。说来说去，就表达一个核心意思：“能做，但得加钱。”按照供应商的调整，采购成本将增加5倍。这家公司的AI负责人表示，“商业合作时临时变卦是大忌，我们内部流程绝不允许出现这种情况，只能将这家供应商拉黑，换了另一家。”供应商临事变卦折射出国内AI在商用场景中，还在摸索、优化付费模式。供应商需要考虑方方面面的成本，如算力成本的分摊、不同产品间的生态鸿沟，以及自身的商业惯性等。传统IT与SaaS的边际成本几乎为零，而大模型与AI，无论是生产力的Coding还是桌面Agent，背后的成本是非线性增长。Anthropic靠Coding基本跑通了ToB的商业模式，取得了阶段性成功。企业订阅与API调用形成的高价值任务变现模式，正在被国内AI大厂复用。5月以来，百度、阿里、腾讯、华为、字节等AI云厂商都在自己的大会上，表达了聚焦结果交付、聚焦高价值场景的想法，可是这条路并不像主会场的视觉表现那般华丽。模型大厂，背着成本起舞2023年至今，AI经历了从Chatbot到Copilot辅助，再到Agent、CloudAgent的迭代。模型能处理的任务越来越复杂，多轮推理、工具调用、长链路执行，单次调用的Token消耗呈几何增长。AI能做更多事情，需求随之爆发，简单来说就是用户单次算力消耗增长，使用规模不断扩大。Token消耗飙升万倍，不等于企业也有对应万倍的需求。模型能力跑到前面，背着刚性物理算力成本的模型厂商们，迫切地希望给能力明码标价，回笼现金。TechInsights数据显示，同期全球数据中心GPU出货量只增长了约2.5倍。而HBM高带宽存储和CoWoS先进封装迟至去年才陆续完成扩产。晶圆厂、封装线、存储产线这类重资产的扩张周期都是线性增长。一位投资人认为，科技大厂资本开支将持续上调，以争夺算力供给。无尽的投入无法持久，恰好此时Anthropic率先在B端释放商业价值，让AI厂商看到了穿越迷雾的可能。Anthropic找到了一条确定且能够让客户直接看到效果的路——Coding，五月与SpaceX签署大规模算力集群租赁协议后，迎来了爆发，其年化收益迈过了450亿美元。算力供给释放了Anthropic的商业潜能，也证明AI在B端的商业化空间。潜能不等于短期就能维持收支平衡，而是企业的AI开支能否找到可被量化的收益。AI这个变量，让成本随着用量浮动，用量又因场景难以固定。面对新的生意与模糊的商业模式，不少供应商专门组建FDE团队，打着帮企业AI落地的旗号，与标杆客户深度共创。例如微软投入25亿美元成立MicrosoftFrontierCompany的前沿部署工程，整合了6000名工程师、技术顾问和销售团队，直接派驻客户企业内部提供服务。如果是传统SaaS时代，供应商给出价格单与对应年费，客户签完合同自己部署即可。而AI时代，不同行业、不同体量、不同落地的情况下，开支差异巨大。客户讲不出所以然，背着成本的供应商不知道具体场景到底值多少钱，所以才派驻人员全程跟踪。火山引擎的谭待曾提过一个解释框架，“单Token价格在涨，但创造的价值上升得更快。”逻辑固然无误，可是悬置了谁来验证价值上升得更快的问题，尤其是当卖方背着成本压力、买方缺乏评估效果的标尺时，这个问题变得更为棘手。或许是考虑到上述情况，谭待给出了一个准入门槛：“收入目标没到10亿规模，最好别做Agent，做一个Skill就好了。”表面上是供应商在替客户做筛选，但折射出模型厂商和企业客户都很难把账算清楚，只能先聚焦到落地效果中。“不知道值多少钱”的困惑，在大厂实际业务运作中表现得更为直接、现实。一位美团的内部人士透露，公司每年花在AI数据采购上的费用达二三十亿元，相对而言，整个研发部门的年度预算才不过10亿元。巨大的数据投入并没有带来理想中的效果，例如AI在其核心的路网识别场景中，准确率仅维持在60%至70%之间，距离落地还有很长的一段路要走。落地再难，但AI是未来，公司投入的决心不会改。上述人士告诉光子星球，美团王兴曾在今年一次小范围的高管会上表示，“做AI，我们不知道什么时候会火；如果不做，我们可能都活不过三年。”供应商算不清成本，客户算不清收益。当买卖双方都算不清账单的时候，市场开始自发地倒向眼前的现实，追求相对可控的成本。谭待此前吐槽外面传言Seedance的收入数据都是错的，而且偏高，导致自己压力很大。压力的来源从基于Seedance的视频生成产品即梦便能管窥一二。一位知情人士告诉光子星球，即梦花费了字节内部至少半数的算力资源，不断涨价、削减免费权益等一系列动作后，回收的成本不过一成。算力烧得厉害，收不回成本影响业务持续性，或许是看到叫好不叫座，让一些巨头掌门人斩断了卷模型的想法。一位百度人士告诉光子星球，“Robin说百度不做模型能力，只做分发和产品封装。”此前作为百度Creat大会上的标杆产品“百度一镜”是个典型案例，团队调用可灵这类外部模型能力，自己只做产品封装。尽管如此，一镜的商业化情况仍在早期阶段。企业客户的算盘模型厂商的办法是不断加大投入，产品推陈出新，设置新的付费点，加速商业化。不过传递到具体的落地场景之中，账单却算不过来。企业要想算清自己的成本账并不容易，当落地业务出现权责关系不清晰时，一线业务只能转向自身可控的部分，在这场AI无限循环游戏中寻找投入产出的确定性。此前，极兔上线了工单质检系统，在中国市场，工单二次投诉率大幅降低23%，但在其他国家推广的过程中，当地团队相对谨慎，“担心大模型调用成本可能收不回来”，更倾向于等收益模型清晰之后再逐步推广。全局效率与本地沉没成本两本账有偏差，因此执行层有时更习惯于按照自己的逻辑来。某头部AI短剧公司因为担心业务主导权旁落，同样把注意力放在了控制上。这家公司用AI做短剧，效率最高能到一天一部剧。AI覆盖了理解剧本、分镜、抽卡、审核、剪辑等许多环节。哪怕市面上有字节小云雀Agent的现成产品，但公司仍然坚持自研自建，还尝试产品化，向外部提供服务。“大公司的偏远部门做不好，投入度不够。”这家公司的负责人认为，生产环节可以全用AI，工具链必须掌握在自己手里。“用别人的Agent，效率是别人的，随时可能被收回。”其实，大公司对成本的掌控欲反而比小公司更执着。考虑到AI持续且巨大的投入黑洞，美团内部仅用4B与35B的小模型，只在测试和验证时才会使用某款“最贵最好”的大模型。他们的逻辑很简单，“如果最顶级的模型都搞不定，其他就更没戏了。”光子星球了解到，在回报尚不清晰的情况下，美团内部认为应该先控制投入，并据此总结了一套落地经验：先用最贵的模型探出能力天花板，再用小模型跑日常任务，从而将Token开支压至可控范围内。这与最会精打细算的物流公司不谋而合。在数据标注环节，极兔自研数十亿参数微调模型，用于本地闭环验证。只有涉及到全局调度与直面用户的场景，才会调用外部大模型，以保证效果。贵的模型优先用在必须贵的地方，其余环节则由技术部门硬扛。有趣的是，一些Token开支并不高的行业，如在线教育也很清楚要把好钢用在刀刃上。洋葱学园告诉光子星球，诊断、反馈、个性化推荐是目前AI应用较为普遍的环节。“错了影响可控，能及时纠正。”在高风险场景引入校验机制，避免出现模型单独“裸奔”的情况。教育行业容错率极低，出现一个错误答案就可能让家长退费。当然，没有直说的原因仍然是成本。从80分做到95分的代价是成本指数级增长，与其追求昂贵的100分，不如把AI放在收支平衡的70分上面。这些控制策略出现，不仅表明企业还在摸索投产的确定性，而且我们也发现模型厂商提供AI服务时，缺乏有效绑定客户的能力。我们询问了多家公司，得到的答案基本类似，有公司直接表示，“供应商确实表达过锁定我们的想法，但我们不想被锁定。”模型迭代速度很快，流水的SOTA，客户不愿意签署一份长期合同。而且AI在生产力方面的商业模式，缺乏传统SaaS绑定客户的三个条件。包括将数据沉淀下来、将工作流固化为系统，以及集成上下游所带来的高切换成本。洋葱学园没有自研通用大模型，而是接入火山引擎豆包和DeepSeek。基模涨价就换一家，能力提升就切换。供应商刚积累起来的依赖，一次版本迭代就归零。作为生产力的AICoding，CodingPlan皆采用额度制套餐，缺乏有效绑定客户的手段。“CodingPlan其实是模型能力的分销渠道，我们自己会采购多个厂商的CodingPlan。”今年价格上涨之后，相同价格下给的用量更多，照理是够用的，可随着业务量增加，成本越来越高。为了控制成本，很多客户同时采用了字节、阿里、腾讯三家，各方比价，并且内部会多账户动态调剂。我们曾询问，如何应对Token价格可能持续上涨的预期时，厂商表示不排除会自己搞服务器。供应商并非没有意识到这一点，试图通过组建FDE团队，用人力服务弥合技术与商业模式绑定的割裂。同时，部分厂商开始调整产品结构，例如日前阿里将三款企业级Agent产品合并，集中资源。两本账，一道门供应商与客户各自的账单难以对齐，阻滞AI对生产力的改造进程。模型厂商得借助产品落地，摊销物理算力成本。Token的背后是芯片、模型、工程能力的智力消耗。线性增长的物理供给，追不上需求的指数级增长。单论视频模型，稳居头部的即梦，烧掉大量算力资源，仅一成左右的成本，头部尚且如此，身后其他玩家更好不到哪里去。客户的账单是希望通过持续投入，找到确定性的产出。美团斥巨资买数据，目的是替代一个尚未算清楚价值的内部场景。极兔的工单质检系统在中国市场实现了较好的落地，但在其他国家推广时仍面临ROI测算挑战。两家公司用两把不同的标尺度量AI产出，都需要找到更大的通用性。Anthropic提供了一个参照系。这家公司将Coding视为基础，并扩展至泛白领与传统软件市场（传统+SaaS+云基础设施）明确的替代成本，给了买卖双方统一尺度。国内有一些苗头，AI客服相对成熟很多，只是替代对象是时薪几十元的客服。如果涉及到一个没有标准价的内部流程，供应商与客户就会陷入到反复博弈中。企业一旦能够找到确定性的价值，投入也将随之变得确定。极兔就曾表示AI在问题件、客服等环节的人工介入率明显下降，减少人力成本；AI智能路由优化线路超过预期，提高了经营效率，不断累加的确定性收益，都让企业看到了实实在在的价值。谭待说收入不到10亿别做Agent、百度不做模型只做封装、美团把最贵的模型压在测试环节，只是规避账单不断膨胀的权宜之计。技术已经能回答了能否做到，商业还没回答值不值。企业能清楚某个环节的花费，或者供应商能提供替代价值的清单，将之写进合同，那个上午签完、下午不再需要反悔的时刻就到了。而此时，AI进入到生产力，才真正转动了商业飞轮。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
07/11
乱用AI，打工人被坑惨了
提效还是背锅？AI已经进入了很多人的工作日常。公关经理用它写策划方案，律师用它生成基础文书，程序员用它写代码。对很多人来说，它就像工位旁边那个随叫随到的实习生。而且，AI的交付速度，也很容易让人“上头”，甚至会让人产生一种“掌握了魔法”的错觉。直到魔法露出另一面。它会凭空编造不存在的竞品品牌和行业数据，会一本正经引用虚构法条，会在代码里擅自改动不该碰的模块。很多翻车，恰恰是因为它给的东西太像真的，让人放下了戒备。我们和几位在工作中被AI坑过的人聊了聊。他们并不是不会用AI。相反，AI已经嵌入了他们的大半个工作流程。可即便如此，他们还是会在某些时刻被它带偏。这些经历提醒他们，AI越能给出完整答案，使用者越需要保留判断、核验和兜底的能力。所谓AI提效，从来不是把工作直接交出去，它更像一次新的职场筛选：会用的人会变得更快，只会复制粘贴的人，可能会在关键时刻被它拖下水。01.AI编造了三家不存在的竞品，我在提案现场被客户当场拆穿林晨｜上海30岁公关公司策略经理我是做公关策略的。在乙方，策略岗的人经常被叫“提案机器”。客户一个电话打过来，可能要求我们在极短的时间内，吃透一个我们此前不了解的行业，从里面挖出洞察，再给出一整套营销方案。行业是陌生的，时间是不够的，而客户要的东西是“惊艳”的。所以AI刚出现的时候，我几乎是扑上去的。我每天至少有三分之一的工作时间泡在大模型里，主要用来头脑风暴和搭框架。刚开始那阵，是真的“爽”。有一次，客户要一个“银发经济”的营销概念，只给两个小时。我让AI一口气生成了十几个方向，挑了一个稍加润色就交了上去。客户非常满意。那种感觉，就像是突然掌握了某种魔法。但正是这种“爽”，让我一点点放下了戒备。真正让我摔跟头的，是今年4月。我们接到一个千万级的年度全案竞标。客户想做一个高端宠物食品线。时间照例很紧，不到一周要出提案。我负责的是竞品分析这一块。我把客户资料和几个主要竞品的名字丢给大模型，要求生成一份详尽的竞品分析报告，重点找出这些竞品在高端市场的“营销盲区”。AI很快交卷，逻辑严密，不仅分析了已知竞品，还“额外”帮我列出了三家我没留意过的"新兴高端宠物粮品牌"，连它们的营销打法、受众画像都写得有鼻子有眼，末尾还引用了某家宠物行业研究机构的数据。它给出的结论也很清晰，客户应该主打“原产地溯源”的概念，去填补那块市场空白。因为时间太紧，我没有做查验，就直接把这部分复制进PPT。提案那天，当我讲到“竞品格局”的部分，客户突然打断我：“这三个品牌，我怎么一个都没听说过？”我的脑子“嗡”地一下，手心一下子出了汗，我强作镇定，说“下来查查”。结果，那三家品牌，完全是AI捏造出来的，研究机构的数据也查不到出处。我们丢掉了这个项目，公司认为我在审核环节严重失职，扣了我三个月绩效。我觉得这个处理是公平的。这件事之后，我给自己立了一条规矩：凡是AI生成的数据、案例、品牌名，必须逐一交叉验证，查不到出处的，宁可不用。我也开始自己建竞品资料库，用AI的时候直接丢素材给它，让它基于真实信息来分析，不准自己编。慢慢地，我开始觉得，AI提效其实是一个伪命题。它帮我省下了写初稿的时间，但必须时刻保持警惕。它越能写，对你的鉴别能力要求就越高。所以现在，我和AI的关系就是，我离不开它，但也不敢信任它。02.AI擅自发挥加了额外代码，全组被拖去加班倒查鹿遥｜上海32岁产品经理我是做产品的。过去，我们的工作流程很清楚，产品写需求，研发和设计实现，测试验收后再上线。现在，AI基本钻进了这条流水线的每一个环节。我自己用得算保守。一般就是让它帮我查查历史需求，有没有重复的地方，或者让它把我写得乱的需求，理得顺一点。但最后怎么写，哪些能用，还是自己判断——这一块我没让给它。研发同事拿到需求后，也会先丢给它，让它帮着扒逻辑、捋需求，再吐出一个方案。这套流程本身没毛病，但这次接需求的是一个工作没多久的校招生。他对业务还不熟，对我们那堆历史代码也不是很了解，甚至连AI交付的方案也没完全看懂。他就按照AI给的方案，跑了一版，发现没什么问题。产品和测试也过了一遍，效果确实是我们想要的。大家都以为，这件事可以顺顺当当往下推了。直到大范围测试，才发现不对劲。原来，AI根本没老实待在需求划定的那一小块地里。它自己“发挥”了很多，增加了很多额外的内容。那版代码里可能有一半，都是它“顺手”写的。就像一个过分热心的新同事，你只让它帮你搬一张桌子，它却顺手把整个办公室的家具都重新摆了一遍。而我们却只盯着那张桌子检查。要是文档，多几段废话，删掉就行。代码不是这样，一个地方动了，会牵出一串东西。那几天，产品、测试、设计以及研发都被拖进来加班。查线上有没有受影响，哪些是AI多写的，倒推问题源头在哪儿。我们也试过，让AI自己找问题。它会很笃定地说，已经定位到根源了。结果有经验的同事一看，它咬定的那段代码，跟问题压根儿八竿子打不着。最后没办法，只能把那版代码删掉，让人重新手搓一遍。这次还算走运，上线前被拦住了。但这事儿，我不觉得全是AI的错。更大的窟窿，是人和流程没有跟上。今天就算这个同事没出错，以后也会有B同事、C同事在相似的问题上栽跟头。现在最要紧的是把流程捋一遍：AI是在哪一环把问题带进来的，以后审核的重心又该往哪儿调整。我现在更谨慎了。AI确实能省时间，一个问题以前我要查一两天，现在它十几分钟能给几个方向。但我一定会再看一遍，也会追问来源。你必须非常清楚自己要什么，细节也想得足够充分，再让AI去执行。否则把一个模糊的思路交给AI，它只会还你一个更模糊的东西。这种风险就算没当场爆掉，也不过是被推迟到后面，等着某一天集中引爆。AI确实聪明，但前提是你得能掌控它。因此，AI越强，对人的要求反而越高。如果一个人把自己的工作，干成了对AI的复制粘贴，那被淘汰，只是时间问题。03.我用AI省了四成工作量，却差点栽在一条虚构法条上Delia｜北京独立律所律师31岁我在一家涉外业务占比比较高的律所，日常要处理大量中英文合同和商业纠纷案件。现在，AI基本上已经成了我的“隐形同事”，大半工作流都有它。但这个“同事”不是一开始就好用的，而是一次次踩坑，一点一点磨出来的。我主要拿它做三件事：中英文合同翻译、基础文书撰写和行业法律热点检索。翻译是它最让我放心的部分。律所绝大多数合同都是双语版本，这是最耗费团队精力的重复性工作。而AI在这上面表现一直很稳定，专业术语、句式逻辑，都贴合法律行文规范，几乎不会错译漏译。光这一项，就直接帮我们砍掉了近四成的基础工作量，大大减轻了团队的重复性负担。文书撰写，则是最容易踩坑的环节。其实从2024年起，我就尝试用AI搜法条，辅助写文书。它偶尔会出错，但那时我可以在最后一步的人工审核规避掉这些幻觉问题。真正让我后背发凉的，是它开始在我的知识盲区，一本正经胡说八道的时候。去年年初，我手上有一起地方股权纠纷案件，时间紧，涉及的区域专项监管规定又特别复杂，我让AI辅助撰写初稿，并要求它补充地方性法条与同类生效案例支撑观点。它很快交了成品，行文逻辑流畅、引用条目规整，大的法条法规我做了一些修订后整体看上去已经没有问题了。我当时忙于对接客户，就草草归进了卷宗。万幸，卷宗报送合伙人复核时，一位同事发现了问题，文中有几处地方性法条完全是虚构的，错误很隐蔽，如果没有专门做过地方法规的功课，几乎看不出来。那一刻我瞬间警醒，AI在我的认知框架下可以帮助我提高效率，但超出框架的部分，哪怕只有一点点都会让我踩坑。为了规避AI幻觉风险，我开始自己搭资料库，每次用AI，我都限定它只在资料库里检索。后来有了一些专业的付费数据库，我第一时间采购订阅，经过长期使用，现在越用越顺手了。跟同行交流，我发现很多人还在误区里。不少人习惯用多个AI模型交叉审核文书，以为能规避错误。但实际效果微乎其微——几个模型可能在同一个地方一起犯错，踩过这个坑的人不在少数。现在我坚持一个观点：AI没有好坏之分，好用与否完全取决于使用者的专业认知。它能解放我们的双手，但无法替代律师的逻辑研判、法条核验与价值判断。目前律师从业者的共识普遍是，AI的幻觉问题可以通过使用者的能力来解决，但因果关系和逻辑能力差得还很远，远不到冲击行业的程度。毕竟，法律从来不是一个“yesorno”的问题。不会用AI，你确实会慢慢落后；但无脑依赖AI，更危险。04.项目延期两周、自费七千块Token，我还背上了职场“黑点”童桐｜90后深圳程序员我做了10年程序员，去年3月开始用AI写代码，12月全部交给了AI，到现在基本上不怎么自己手写了。前段时间，我们团队需要给公司一个老产品做智能化升级，搭一个Agent系统。最开始的使用体验确实顺畅，效率直接翻几倍，我慢慢放松了校验的警惕心。按照正常节奏，这个项目一个月就能做完。有一次，我把需求写清楚、标准定好，然后睡觉去了，等它第二天给我交付。结果代码跑出来了，存在明显的黑盒缺陷，等我和同事发现时，它已经擅自改动了线上已有代码逻辑，把别人已经写好的代码给改坏了。我只能迅速在群里滑跪：“对不起，我把你们的代码搞崩了。”然后和同事一起补救。这次事情之后，我也加强了对AI的审查，每天都在处理AI的小毛病。就这么磕磕绊绊折腾了一个半月，项目直到现在还没交付，本来预计四周完成的项目，目前已经延期两周了，我还又自费按量充值AIToken，目前额外投入了七千多块。甚至我的产品经理因为受不了AI的折磨，刚和我提了离职。我的工作风格一向是准时交付，不允许延期，这次事情让我产生了很深的自我怀疑。更致命的是，这件事已经打乱公司业务布局，老板原本安排我接手另一个新业务，但我一直被这个项目卡着出不来。领导嘴上没有明确追责，但明显耐心快耗尽了。因为这个项目还没结束，具体处罚还没有明确，但我心里清楚，这件事迟早要算账的。AI确实帮我提效了，但没让我省心。它确实把一些环节的人省掉了，前端不需要专门找人写了，文案调整我自己让AI改一下就行，效率上整体提了两三倍。可是该审核、该兜底的工作量一点没减。我也反思过，是不是自己使用方式有问题。后来想明白，AI对使用者把控、校验能力要求极高，考验的还是人的主观能动性。这在我两个实习生身上充分体现：有一名实习生，只会无脑丢需求给模型，单日消耗两百元算力，但产出完全无法落地，任何细节都要我全程陪同核对；另一名懂得梳理清晰提示词、交付前自行校验，产出仅需小幅修改，是团队唯一能依靠的帮手。这次项目经历让我明白，你愿意学习、用心输入、细心检查，AI就是真正有用的帮手；如果一味全盘依赖，那最终资金损耗、项目延期、职场问责所有后果，只能自己吞下。05.海报有错字、座位排错职级，最后被问责的还是我一一｜95后北京广告策划我是做广告策划的，日常工作是各类活动的全案策划，同时兼顾海报、宣传物料的对接和样板制作。从去年开始，团队鼓励大家使用AI工具。在文案撰写、创意构思、基础物料设计等环节，我们都会先用AI生成初稿，再进行优化调整。在领导看来，AI能提高效率、降低人力成本。对我而言，也省去了大量重复琐碎的基础工作。我一度觉得这是一种高效省心的工作新模式。但一年多的实操经历让我认清了一件事，AI终归只是辅助工具，过度信赖只会给自己埋雷。AI第一次给我挖坑，是在品牌线下快闪活动的海报制作上。当时客户要得比较急，我梳理好风格、主题、配色等核心要求后，让AI生成海报初稿，先给客户确认创意方向。AI给我的成果构图、配色都不错，视觉效果完全达标。我粗略浏览了整体画面后，觉得没问题，就直接发给客户了。结果海报角落的品牌名称有一个错别字。因为字体偏小，位置又隐蔽，我压根没注意到。客户反馈后，我疯狂道歉，生怕对方觉得我不专业。这次买了一个教训：AI生成的图文，每一个细节都要反复核对。本以为吸取了教训就不会再出错，结果第二个坑接着就来了。那是一场地方产业峰会的策划工作，规模不小，来的嘉宾有省里、市里的领导，还有行业内的重要人物。领导把排座位的活儿交给我，特意叮嘱座次要按职级排序，不能搞错。但名单上只有名字和对应的岗位职务，没有标注明确的职级。加上，我在网上检索到的信息也比较零碎，就把名单交给AI，让它来排序。AI很快就输出了条理清晰的座次表，也给出了看似严谨的依据，我就直接提交了。结果活动当天，一位职级更高的嘉宾，被安排到了职级较低的嘉宾席位上——AI把职级搞反了。领导当着好几个人的面把我叫过去问怎么回事。我站在那说不出话，心想总不能说AI排的吧。那位嘉宾没说什么，坐下了，但整场脸色都不好看。这次的教训更深刻，AI输出的信息，尤其是涉及自己陌生的领域，绝不能直接照搬。现在，我依然会使用AI，但是我不再把AI的产出当成最终答案。AI可以帮我提高效率，却不能替我承担结果。它写错一个字、弄错一条信息，最后向客户解释的是我，被领导追责的也是我。该自己做的判断，一个都不能省。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
07/11
“AI+消费”重塑商业底层逻辑
AI会一天一天地重塑消费者对“好产品”“好服务”的期待。近日，商务部等8部门联合印发《关于加快“人工智能+消费”发展的实施意见》，围绕提升“人工智能+商品消费”、扩大“人工智能+服务消费”等五方面提出17项具体举措，为消费领域的人工智能应用按下加速键。当前，我国AI产业已经形成了能稳定支撑亿级用户、精准响应多样化需求的服务体系，具备了大规模落地应用的坚实基础，使得AI变成了可以摆上货架、走进客厅、陪伴老人、教育孩子的日常之物。而随着AI技术的日益普及，消费行业的底层逻辑将彻底改变。第一个改变是距离的消失。过去20多年来，电商、外卖、打车软件等互联网应用，从不同层面缩短了供需双方的距离。而通过以数据为核心的深度学习，AI缩短了商品生产者“理解”消费者的距离。当一个智能终端能够记住每位家庭成员的饮食偏好、作息习惯、健康数据时，它就能够在合适的时间提供合适的服务。这意味着，企业未来的竞争不再是谁离用户更近，而是谁更懂用户——这不是统计学意义上的用户画像，而是能精准适配每一个鲜活、有温度的个体。这既是重新定义产品形态的机会，也是被跨界者降维打击的时刻。比如，床垫企业如果缺乏用户睡眠数据，就有可能被掌握了数据的科技公司所取代。第二个改变是边界的拓展。在传统商业逻辑下，当商品卖出那一刻，交易便已终结。而AI让“卖出”变成了关系的开始——智能设备会持续在线、交互并产生相应数据。这也意味着，企业出售的不再是单纯的产品，而是产品所承载的持续价值。如果商业模式还停留在“造出来、卖出去、不再管”，那么AI时代将与你无关。正因如此，企业家需要警惕的是：不能把AI仅仅当成“新包装”。如果只是给普通产品贴上一个语音助手，就美其名曰“AI赋能”，那与消费者的信任关系将十分脆弱。真正有价值的AI应用，是让产品“聪明”到用户感知不到它的存在，这背后不是算法有多先进，而是对用户真实需求的洞察有多深。另一个需要警惕的是“数据陷阱”。在AI时代，数据是“新石油”，而石油泄漏会污染整片海域。当AI深度嵌入用户生活，隐私与便利的边界变得极为重要。一个健康监测设备如果泄露了用户的病历，一次语音交互如果被不当记录，将会给产品品牌带来极大的伤害。从商业角度看，恪守数据安全合规底线，恰恰是建立用户长期信任的契机。对企业来说，在用户数据收集、管理、使用这一核心链条上，“克制”比“贪婪”更能赢得未来。AI时代加速来临，消费行业的分水岭不在于“谁用了AI”，而是“谁用AI做出了更好的生意”。企业家需要找到一个AI能真正跑通的场景，小步快跑，快速验证。AI不会一夜之间颠覆行业，但它会一天一天地重塑消费者对“好产品”“好服务”的期待。当消费者期待变了，企业不变或者变得慢，最终将会被抛弃。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
07/11
仅11天，Claude重写百万行代码，AI史诗级工程却引来愤怒
这稳定吗？这几天，科技圈都在吃瓜：编程语言Zig的创始人AndrewKelley怒了。原因在于原来全面押注Zig语言的Bun，被其创始人JarredSumner用Rust语言重写了。AndrewKelley毫无遮拦地展示了自己的怒火，他没有在这个现象级技术事件中说客套话，直接将矛头对准了JarredSumner的个人工程习惯、管理能力，以及这起事件背后的商业逻辑。Bun是一个高性能JavaScript/TypeScript运行时，旨在成为Node.js的更快速、现代的直接替代品，近年来已经成为了前端世界挑战Node.js霸权的重量级选手。Bun的核心卖点是极速：无论是启动速度、依赖安装还是测试运行，都远超竞品，其部分原因在于它是用Zig语言编写的。去年12月，Anthropic宣布收购了Bun，将其作为基础设施来驱动其AI编程工具ClaudeCode和ClaudeAgentSDK。JarredSumner和Bun团队的其他成员目前都在Anthropic工作。在大规模应用，尤其是作为ClaudeCode的底层后，Bun团队认为遇到了难以根除的稳定性问题。具体来说，Zig版本的Bun存在大量内存安全bug——use-after-free、double-free、错误路径中忘记释放内存等。这些问题在Zig中只能靠编码规范约束，而在Rust中通过借用检查器和Drop机制会直接变成编译错误。另一方面，Zig上游社区对大语言模型（LLM）生成代码采取零容忍政策，即使是与AI无关的优化改动也无法合入上游。Bun团队重度依赖AI辅助开发，继续使用Zig意味着必须长期维护自己的编译器分支，成本很高。于是在今年5月，我们见证了科技圈的一场大工程：Bun的创始人JarredSumner宣布，将Bun的百万行代码在11天内推倒重来用Rust重写了，他们使用的是Anthropic当时尚未公开发布的ClaudeFable5（Mythos级模型）和ClaudeCode的动态工作流能力。这是一次史诗级的智能体工作流（AgenticWorkflow）大测试，后来也被Anthropic作为DynamicWorkflows的标杆案例进行宣传，但也因为「背叛信仰」引来了争议。Zig创始人AndrewKelley在最近的博客文章中指出，Bun在改写前之所以Bug频出，根本原因是JarredSumner糟糕的工程习惯。首先是AI还没有兴起的时候，Jarred就一直在写垃圾代码。Kelley表示，Zig团队经常会检查用户的代码库，而他们对Bun的代码库感到「极其恐惧」。里面充满了黑客式的补丁摞补丁（hacksontopofhacks）、滥用断言，并且为了快速上线新功能，几乎从不花时间消除Bug和技术债。然后就是用Claude生成的百万行代码了。Kelley反问道：「Bun官方声称100万行未经过人工审查的Rust（AI写的）代码因为有测试用例所以是安全的；那如果测试用例真的这么完备，为什么原来用Zig写的时候没能抓出那些烦人的Bug？」现在，Kelley对Jarred从一个有新手冲劲（beginnerenergy）的开源开发者变成一个糟糕的经理（stinkymanager）感到极度失望。Kelley直言当得知Bun决定弃用Zig时，他不仅没有被背叛的愤怒，反而松了一口气。他害怕打着Zig招牌的Bun会让外界产生误解，更怕它引来一群只会复制粘贴AI代码的用户。他甚至讽刺地表示，自己正捧着一杯茶，庆幸「这终于不关我的事了」。这么直白的开火，科技圈的其他人也纷纷加入战局，发表了看法。首先是算了一笔账：都说Claude的token太贵，但根据JarredSumner和Bun官方公布的数据，Rust语言重写的Bun项目预计消耗了16.5万美元的API费用。在科技圈和工程界看来，这个价格和时间便宜得令人恐惧。仅仅从账面上看，AI将开发成本压缩到了原本的十分之一左右，时间也从大约一年减到了不到两个星期。其次是对开源社区文化与AI时代碰撞的态度。有人在看完Zig创始人Andrew的博文之后感到极度不适，认为他公开攻击曾经的重要用户和赞助者（Bun曾长期资助Zig），显得缺乏职业素养，甚至有人激进地表示「从未如此主动希望一种编程语言失败」。但也有老派程序员站出来声援，认为在这个被资本和AI泡沫裹挟的时代，Andrew只是在捍卫纯粹的工程质量，展现了当年LinusTorvalds的作风。当然，大家更关心的是项目这么折腾了一番之后，还是否好用。目前争议最大的的地方在于，这100万行代码由于是AI直接由Zig机械翻译而来，缺少人类工程师的架构重构。新代码库中残留了高达2.7万行unsafe代码块。很多人担忧，未来人类开发者在维护、阅读和修改这坨庞大的「AI生成物」时，耗费的认知成本和排错成本，最终可能会超过今天省下的前置开发成本。这个打破软件工程历史规律的项目，最终会是一场AI改变编程范式的里程碑，还是会在未来化作一座难以维护的技术债火山？可能只能交给时间来验证了。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
07/11
AI把代码写崩，再花1周1万美元请人用AI修：Vibe Coding的荒诞闭环出现了
一种新的、因AI代码泛滥而出现的生意来了。由3名资深工程师组成的团队Slopfix，开始专门从事清理由AI生成、能够运行但难以维护的代码库的工作。其主要服务对象是已经使用AI完成产品原型或初步开发，但随着项目规模扩大，新增功能越来越困难、修改一处却导致多处故障的团队。该团队认为，当VibeCoding项目发展到一定规模后，几乎都会遇到这样的情况：Agent无法再看清整个项目的全貌，于是不再寻找和复用已有代码，而是不断复制、重复实现相同逻辑。这会导致项目持续堆积冗余代码，最终增加维护成本。Slopfix就是在此背景下诞生的。具体来说，Slopfix首先会提供免费的代码库初步分析。如果团队判断无法有效改善项目，会直接终止评估，不向客户收费；如果认为项目适合重构，则会给出固定报价，并明确承诺一个代码缩减目标，例如，“在功能完全不变的前提下，把10万行代码缩减到3.5万行。”其标准服务周期为一周，由3名资深工程师集中完成，基础报价为1万美元，最终费用则根据代码缩减目标的实际完成比例计算。例如，团队承诺将代码量减少50%，但最终只减少了20%。这意味着其只完成了目标的40%，因此客户只需要支付4000美元。如果达到或超过承诺目标，则支付全部费用。其中，代码行数通过scc工具统计，只计算非空行和非注释行。同时，合同明确禁止“代码高尔夫式”压缩。团队不会通过删除注释，或者把代码压缩成看似聪明、实际上难以阅读的形式来完成目标。Slopfix团队的具体服务流程是：在正式修改代码前，Slopfix会先和客户一起把应用的全部功能逐项梳理清楚，包括每一个页面、接口分别做什么，并形成一份质量保证检查清单。“这份检查清单既是我们的安全网，也是你的安全保障。”该团队表示。接着，团队开始精简代码。Slopfix会把14套日期格式化逻辑合并成一套；把手写的自制框架替换成成熟的现有库；把大量重复的业务逻辑整合起来。对于那些已经无法挽救的代码，团队会先提炼出它实际实现的功能，再用更干净、清晰的方式重写对应模块。最后，客户会得到一个更小、更易维护的代码库、一份质量保证检查清单，以及一套防止代码重新失控的工程护栏，包括CLAUDE.md、代码检查规则和持续集成检查。这样，客户重新开始开发新功能时，可以减缓低质量代码再次堆积的速度。所有成果都归客户。此外，Slopfix还提供两周质保。如果其团队破坏了原本正常运行的功能，会提供免费修复。值得注意的是，Slopfix表示自己同样会使用ClaudeCode，但强调会严格限制Agent的决策权限。“真正的区别在于，我们3个人拥有合计30年的工程经验，清楚什么样的代码才算真正可维护。而且，在最终决策中，Agent没有投票权。”该团队强调，“我们不是Agent。”资深工程师转做“AI代码返工”Slopfix官网显示，团队成员分别为MaciejZieliński、JakubPłaskonka（Kuba）和KrzysztofPobiarżyn。三人此前长期共同开发Rust智能合约框架Odra，至少从2021年至2022年前后开始一起工作，合作至少有4年。2022年11月，Odra发布首个公开版本时，三人已经形成稳定分工：Maciej负责技术架构和社区生态，Kuba与Krzysztof负责核心框架和工程实现。此后，三人持续维护Odra核心包、命令行工具、过程宏和不同区块链后端。截至目前，Odra核心Rust软件包的所有者名单仍包括Maciej、Kuba和Krzysztof，说明三人仍共同维护该框架。这些经历与Slopfix所提供的代码重构服务存在一定关联。智能合约和Rust系统软件通常强调类型安全、测试、代码复用、接口边界和长期兼容性，而Slopfix所批评的AI代码问题，恰恰集中在重复实现、架构失控、缺乏统一抽象和可维护性不足等方面。MaciejZieliński是三人中公开履历相对丰富的一位，头衔是Slopfix的“工程负责人”，此前长期担任Odra.devCTO。Maciej还曾在区块链基础设施公司CasperLabs担任生态负责人，并且是Casper的核心开发者，主要承担技术路线和框架架构工作。大约在2021年前后，他离开CasperLabs，并与Kuba、Krzysztof共同组建了一支专注智能合约开发的工程团队，随后推出Odra框架。公开技术文章显示，Maciej还曾研究零知识证明、RiscZero、EVM执行环境以及AI生成智能合约等方向。2023年，Odra官网曾发布由他撰写的文章，测试OpenAI模型能否使用Odra编写ERC-20智能合约。Kuba是Slopfix的“工程主力”。从其公开代码项目看，Kuba的工作更偏向Rust工程实现、开发工具和智能合约工具链。他是cargo-odra项目的主要维护者之一。Krzysztof则为Slopfix的“工程骨干”，他把自己Rust/AI开发者。从GitHub公开项目看，Krzysztof早期曾参与Android、Java和Kotlin相关项目，包括移动端日期选择器、列表滑动删除组件和应用开发项目。此后，他的技术重心逐渐转向Rust、智能合约和WebAssembly。在Odra框架中，Krzysztof主要参与核心框架、代码生成、过程宏和不同区块链平台的适配工作。2023年，他曾负责将Odra框架接入CosmWasm。此外，他还开发过用于Rust类型转换的过程宏工具try_from_ref。其公开项目横跨Rust、Kotlin、Java和JavaScript。“AI代码清理”生意引争议Slopfix团队官宣后，引发了很多开发者讨论。有网友表示，自己已经在从事类似工作。一名开发者称，他正在为一位没有技术背景、但大量使用ClaudeCode的创业公司CEO提供支持，其大部分工作是运行代码审查流程、维护Claude.md，并持续引导智能体采用正确的架构，避免重复过去的错误。另一名拥有20年经验的工程师也认同这种模式。他将AI代码项目分成三类：完全不懂软件的人纯粹靠提示词生成；了解软件开发流程但不会编程的人使用AI；以及能够审查代码、约束结构的工程师使用AI。他认为，三类项目的代码质量差距非常大，让第三类工程师接手第一类项目，可能有明确价值。“这种细分业务的出现只是时间问题。”有开发者评价道。在其看来，AI本质上是一种不精确的“编程语言”，它试图用充满歧义的自然语言，也就是英语，去表达不同概念之间精确的关系。在小规模、模块化、像搭积木一样的任务上，它确实非常好用。但随着项目复杂度不断增加，组件越来越多，还要与使用其他语言或API的异构系统交互，并且需要从上到下真正理解整个系统到底在做什么时，AI的表现就会变得非常糟糕。“这让我想起当年xUML被宣传成可以取代编程的万能解决方案。AI现在失败的原因其实也差不多。至少xUML还有一套精确的定义，而使用AI时，你往往只是靠VibeCoding的方式，一路摸索出一个定义。”但并非所有人都认可这种模式。“挺有意思的，也迎合了某种既有偏见，但所谓的“细分市场”其实并不存在。除了博眼球、让大家点个赞外，我看不出它还有什么真实需求。如果他们能找到哪怕一个愿意付费的客户，我都会非常惊讶。”有网友直言。“我明白，对于那些已经深度依赖AI的公司来说，想向它们出售完全不借助AI的解决方案，可能几乎不现实，哪怕它们现在遇到的问题，本身就是AI造成的。但我看到‘拿一个被AI膨胀出来的代码库，再用AI给它做瘦身’这种说法时，第一反应是这有点像连续做两轮有损转码。前后两次产生的误差不会相互抵消，反而会彼此叠加、成倍放大。”“问题是真实的，解决方案是幻想。”有网友更为犀利地说道。很多开发者从自己的实践经验出发，指出了这个模式下的一些问题。“你真的指望客户坐下来，把所有细节都逐一解释清楚吗？如果他们有能力把这些事情讲明白，可能一开始就不会拥有帖子里描述的那种混乱代码库。再假设你们已经接下了这个项目，清理完成之后又怎么办？你认为只靠一份Claude.md文件，就足以让项目从那一刻起继续正常推进吗？”上述开发者说道。Slopfix宣称在正式修改代码前，会逐个页面、逐个接口梳理应用行为。但不少网友认为，真正困难的并不是识别重复代码，而是理解隐藏在旧代码中的业务规则、边界条件和历史兼容逻辑。“对于包含复杂业务约束的软件，一周时间未必足以完成理解和重构。”还有开发者认为，两周质保也可能过短，因为某些缺陷可能数月后才会暴露。如果客户本身没有完整的自动化测试，就很难迅速确认重构是否破坏了原有行为。也有网友认为，与其花费1万美元整理旧代码，不如定期使用更新的前沿模型，在保留数据库结构和API等不可变部分的前提下，重新生成整个系统。不过，反对者则认为，完全重写并非正确选择。已经运行的旧代码往往包含大量没有写进文档的隐含规则，即便实现方式不理想，也经过了真实使用的检验。更可靠的方法通常是先建立测试和行为基线，再逐步替换危险实现，而不是一次性推倒重来。与此同时，这门生意也引起了大家对AI在大型项目中的表现到底如何的讨论。有人将VibeCoding的典型风险概括为：系统最初可以运行，但结构脆弱；当出现错误时，模型往往继续打补丁，使功能恢复，而不是回到架构层面解决根因。项目规模越大，后续重新识别模块边界、接口关系和业务规则的成本就越高。但有开发者认为，大型项目并不必然超出模型能力。如果代码库具备清晰的模块划分、关注点分离和明确接口，AI可以在复杂项目中带来较高生产力。“模型会倾向于寻找局部最快的解决方法，可能暗中连接原本相互独立的系统，使结构逐渐退化。要维持模块边界和架构一致性，工程师必须主动施加约束，而一句笼统的“遵循最佳实践”通常不够。”有开发者表示。另一项争论集中在自动化测试。开发者Simonw认为，如果新增功能会破坏两个已有功能，说明项目在生成阶段没有让Agent执行红绿测试驱动开发，并建立可靠测试套件。“如果客户已经拥有覆盖完善的测试和验收体系，那么它可能并不需要外部团队代为调用Claude完成清理；而如果客户没有测试，外部团队也难以在短时间内充分证明重构没有造成回归。”有开发这说道。但也有人质疑，测试只能证明部分行为没有回归，无法自动保证整个代码库具有良好的模块化和可维护性。“我分享这些，是因为在拥有100万token上下文的智能体之后，替它们清理代码，正在成为一门真实存在的工程师生意。”Slopfix创始人在社区中表示。他也很好奇社区怎么看待这件事。显而易见，从大家的反馈看，如果“AI代码清理”要发展成一门长期生意的话，很多执行细节都有待商榷。不过，这确实也是一个新兴职业刚发展时通常会面临的问题。AI代码持续积累技术债，22.7%相关问题长期未解决Slopfix将自身定位为AI代码治理团队，而不是自动化CodingAgent。其业务模式也反映出，在AI显著降低代码生成门槛后，如何控制代码冗余、技术债和长期维护成本，正在成为新的工程需求。AI编程工具在帮助开发者修复部分代码问题的同时，也会引入新的正确性和安全问题。在一项研究中，研究团队追踪了6299个GitHub仓库中的302579次已验证AI提交，发现约22.7%的AI引入问题在项目最新版本中仍然存在，其中部分问题持续时间超过9个月。该论文题为“DebtBehindtheAIBoom:ALarge-ScaleEmpiricalStudyofAI-GeneratedCodeintheWild”。研究样本覆盖GitHubCopilot、Claude、Cursor、Gemini和Devin等5类AI编程工具。论文显示，每一种AI编程工具都有超过15%的提交引入了至少一个可检测问题。具体来看，GitHubCopilot相关提交中，引入问题的比例为17.4%，Claude为24.4%，Cursor为25.7%，Gemini为29.1%，Devin为23.8%。研究还统计了每次提交平均引入的问题数量，其中，Claude平均每次提交引入约1.95个问题，Devin约0.89个，其他工具位于两者之间。各类AI编程助手中，存在问题的提交占比及提交总量在识别出的484366个由AI提交引入的问题中，代码异味占89.3%，正确性问题占6.0%，安全问题占4.7%。常见代码异味包括过于宽泛的异常捕获、未使用参数、未使用变量或导入、作用域错误，以及重复或冗余代码。研究还指出，不同编程语言中常见问题类型也存在差异。Python代码中较常见的问题包括宽泛异常处理、未使用参数、未定义变量和动态类型相关问题；JavaScript和TypeScript代码中则更容易出现未使用变量、变量遮蔽和块级作用域误用等问题。研究同时统计了AI提交修复和引入的问题数量。结果显示，AI编程工具在处理模式明确、重复性较强的代码问题时，可以修复部分已有代码异味。但在涉及程序逻辑、状态和安全的问题上，引入的问题数量高于修复数量。研究团队成功追踪了464900个由AI提交引入的问题，其中105364个在项目最新版本中仍然存在，整体存活率为22.7%。从问题存在时间来看，超过9个月的问题中，22.8%仍未解决；存在6-9个月的问题中，19.4%仍然存在；存在3-6个月的问题中，28.2%仍然存在；存在时间少于3个月的问题中，21.3%仍然存在。这表明，AI引入的问题并不会随着时间自动消失。即使是9个月前引入的问题，仍有超过五分之一留在代码库中。由于部分问题会长期存在于代码库中，项目团队需要持续追踪AI修改过的代码，并建立相应的技术债清理机制。但这个工作是企业自己来做还是雇专门团队来做呢？可能要具体问题具体分析了。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
07/11
AI焦虑：企业需要的或许不是更多AI
让AI不再是焦虑的来源，而是确定性的未来。01AI焦虑的三个典型症状过去一年，我们与数十家企业的高管交流，发现一个反复出现的现象：很多人上AI，不是因为想清楚了"为什么需要AI"，而是因为"别人都在上"。董事会问"我们的AI战略是什么"，于是就有了AI战略。竞品发布了AI功能，于是就有了AI项目。行业会议上每个人都在谈AI，于是预算就批了。这种现象，我们称之为AI焦虑。它不是个别人的问题——它是一个系统性的管理困境。而更关键的是：焦虑驱动的AI投入，正在制造大量的浪费。症状一："先上了再说"董事会要求有AI战略→管理层赶紧采购了一批AI工具→全员推广使用→几个月后发现：不知道谁在用、用在了哪、花了多少钱、效果怎么样。这种模式的问题在于：采购决策走在策略前面。工具买了、账号开了、预算花了，但没人回答过最基础的问题——"我们公司到底哪些场景需要AI？哪些不需要？"MIT2025年的一项研究覆盖了$300-400亿的企业AI投资，发现95%的AI概念验证项目未能实现可衡量的财务ROI。一百个项目，只有五个能看到明确的回报。剩下的九十五个，不是AI不行——是场景选错了、方法没用对、效果没人追踪。症状二："别人有，我们也要有"竞品推出了AI客服→我们也做AI客服。行业里都在用AI写代码→我们也采购Copilot。隔壁公司上了AI数据分析→我们也上。这种模式的问题在于：别人的场景不等于你的场景。一家电商公司的AI客服ROI可能非常高（高频、标准化、容错率高），但一家高端律师事务所的AI客服可能就是灾难（低频、非标、容错率极低）。同样的AI工具，放在不同场景里，投入产出比可以差几十倍。没有经过场景适配度评估的AI投入，本质上是在赌博——赌这个场景恰好适合AI。症状三："说不清值不值，但不敢停"这是三种症状里最危险的一种。因为一旦进入"说不清但不敢停"的状态，AI支出就变成了沉没成本驱动——不是因为创造价值而继续投入，而是因为已经投了那么多、停下来等于承认失败。据第三方研究机构调研数据显示，74%的公司未看到任何AI实际价值。实际情况比想象更触目惊心：AI项目的失败率超过80%，是非AIIT项目的两倍。这些失败的共同特征是什么？不是技术不行——是没有在立项前回答"值不值得做"、没有在运行中回答"做得好不好"。02从"要不要做"直接跳到"做什么"，跳过了"为什么"我们梳理了AI焦虑的产生机制，发现它本质上是一个决策流程的缺失。大多数企业的AI决策路径是这样的：董事会感知到AI压力→"我们要做AI"→各部门报AI项目需求→采购工具、组建团队、上线运行→几个月后发现：花了多少钱？不知道。效果怎么样？说不清。这个流程缺了最关键的一环——在"我们要做AI"和"具体做什么"之间，没有一个系统性的评估和规划环节。没有人问：哪些场景真的需要AI？哪些场景用AI的ROI最高？我们当前的地基是否具备上AI的条件？上了之后怎么度量效果、怎么持续优化？「缺失了这个环节，AI投入就变成了布朗运动——钱花出去了，方向是随机的。」03解决AI焦虑，需要的不是更多AI，而是一张AI路线图我们提出的解法，是一套从"为什么"到"做什么"到"怎么做"到"值不值"的完整框架——Token价值管理。它不是一个工具，不是一份报告，而是一套让企业能够系统性地回答AI投入的四个核心问题的方法论。问题一：我们现在在哪里？大多数企业连"谁在用AI、用了什么、花了多少"都回答不了。所以第一步是建立AI消费的完整可见性。不是靠Excel和调研问卷——是靠把所有AI调用收口到一个统一平台，让每一笔Token消费都实时可见。团队、模型、场景、费用——一张表看全。这一步的技术含量并不高。但它的管理价值极高——因为它把AI从"说不清的黑箱"变成了"看得见的资产"。问题二：哪些该做、哪些不该做？有了全景图之后，快赢自然浮现。我们发现，企业当前30-50%的AI调用其实不需要AI——可以用规则替代、可以用更便宜的模型、可以缓存避免重复调用、可以让AI别再反复问同一段对话历史。这些不是技术问题——是场景选择和方法选择的问题。我们建立了一个CEBM四维适配度评估模型（复杂度、容错率、频次规模、数据就绪度），帮企业把每个AI场景放进一个2×2矩阵里：高适配度+高价值的立刻加大投入，低适配度+低价值的果断停掉，中间的评估储备或战术探索。这一步做完，企业领导的焦虑会大幅下降——因为他第一次有了一个"该做什么、不该做什么"的决策框架，而不是凭感觉拍板。问题三：上了之后怎么管？看见之后要优化，优化之后要管控。我们设计了双轨预算机制——实验有实验的边界，生产有生产的标准。不是不让花钱，是花之前就知道花到哪里、花多少、超了怎么办。更重要的是，这套管控机制不只是制度——它运行在技术平台上。Token消耗是实时的，Excel和审批流程跟不上。一个Agent陷入死循环，几个小时内就能烧掉一个月的预算。所以管控逻辑必须嵌在API调用的路径上——预算预警、异常熔断、自动降级，在请求发出前就生效。问题四：怎么证明值不值？这是终极问题——也是解决AI焦虑的最终答案。我们建立了七种价值量化算法（基线对比、对照实验、增量贡献、替代成本、意愿支付、期权价值、Shapley分配），对每个AI场景用2-3种算法交叉验证，给出一个价值区间而不是一个拍脑袋的数字。更重要的是，我们建立了AI投资委员会的运作机制——不是一次性决定"要不要做AI"，而是每月评审"哪个做得好、哪个该停、哪个该扩"。AI投入不是一次性的战略决策，而是持续的资产管理。04一份可以落地的路线图这套方法论听起来很复杂，但落地路径是清晰的。我们把它拆成了三个级别：轻量级（1个月）：AI消费体检。核心交付四件——AI消费全景图、快赢清单、六维标签体系、成本基线。85%的企业应该从这里开始。因为一个朴素的道理：没看清就去优化，等于头痛医头。中度级（2-5个月）：优化方案+治理机制。基于三层优化模型，系统性地降低Token消耗。同时建立双轨预算、分级审批、异常预警机制。预期可降低Token消耗30-60%。全量级（6-12个月）：价值量化+持续决策。七种算法交叉验证的价值量化，AI投资委员会的建立，价值度量金字塔的搭建。最终目标——让你的团队不再需要外部顾问来回答"这个场景该不该继续投"。别让焦虑替你决策最后，我们想说一个观点。「AI焦虑的本质，不是"AI发展太快了跟不上"，而是缺乏一套让你在快速发展中保持清醒的决策框架。」当你知道自己在哪个阶段、该做什么、不该做什么、每一项AI投入的预期回报是多少——焦虑自然就消失了。取而代之的是一种确定感——不是确定AI一定会成功，而是确定每一分AI投入都是经过理性判断的，每一个AI项目都有清晰的度量标准，每一个AI决策都有数据支撑。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
07/11
AI没有复制互联网，它正在复制工业革命
互联网时代赚的是用户注意力，AI时代赚的是企业工资。Anthropic五个月ARR从90亿飙至450亿，证明了并非AGI已到来，而是AI商业化正从流量逻辑全面转向人力替代逻辑。2C的失败不是泡沫破裂，而是一次产业结构性分水岭。过去二十年，互联网最值钱的资产是两样东西：用户时长和广告位。谁能让用户刷得更久、点得更多，谁就能拿走整个数字经济的最大蛋糕。流量，是这个时代最硬的通货。但今天，一个新的信号正在浮出水面。2026年1月到5月，Anthropic的年化收入从90亿美元飙升至450亿美元。与此同时，ChatGPT个人订阅增长停滞，全球AI应用的2C付费转化率普遍低于5%。收一块钱用户就转投豆包不是段子，而是被反复验证的现实。一边是C端的冰，一边是B端的火。这不是矛盾，而是一次清晰的结构性转向：AI商业化的重心，正在从服务消费者，转向替企业节省人力成本。互联网时代赚的是流量的钱。AI时代，赚的是工资的钱。冰与火：AI商业化出现冰火两重天先看冰的那一面。过去一年，大量C端AI产品陷入增长焦虑。ChatGPT月活增速明显放缓，免费版与付费版转化率低位徘徊。国内大模型App陷入价格战，API价格趋近于免费。用户心态是：哪个免费用哪个，付费？不存在的。C端AI的困境不是偶然。AI聊天、写作、绘画的能力差异化越来越小，切换成本几乎为零。没有哪家能做到非你不可。据SearchLab数据，ChatGPTPlus订阅转化率长期低于5%，而免费替代品的质量已接近GPT-4水平。用户算得很清楚：为10%的能力提升每月付20美元，不值得。再看火的那一面。Anthropic的ARR从90亿到450亿，只用了五个月。超过90%来自企业API和Agent部署，不是个人订阅。ClaudeCode编程Agent成为核心增长引擎，企业客户从2月的500家年支出超100万美元，增长到5月超过1000家。OpenAI的企业版收入持续攀升，MicrosoftCopilot在财富500强中渗透率跃升至55%，Salesforce、ServiceNow纷纷把AIAgent作为提价核心卖点。为什么企业如此买单？核心逻辑是ROI。ClaudeCode一个Agent可替代几百个初级程序员的工作量。企业花3块钱买AI，省下10块钱工资。这个公式清晰到不需要销售话术。据行业估算，企业客户平均ROI为3.7倍，最高超过10倍。在宏观降本增效的背景下，这种确定性的回报无人能拒。这不仅是几个头部公司的现象，而是整个行业的集体转向。根据PitchBook数据，2026年Q1流向企业AI初创公司的风险投资同比增长210%，而C端AI融资额下降35%。人才也在迁徙：据行业观察，超过40%的C端AI产品创始人宣布转向企业赛道。表面看是分裂，本质上是AI商业化第一次真正跑通了谁买单、为什么买单的闭环。而且，2B不是薄利生意。Anthropic毛利率超过70%，老客户留存率140%，2026年Q2预计盈利。企业付高价，因为省下的远大于付出的。这不是价格战，而是生产力溢价的ROI正循环。全球企业后台、客服、初级研发等岗位年度人力成本池超过5万亿美元，即使AI替代率只有10%，也是5000亿市场。Anthropic450亿ARR仅占不到10%，天花板远未触及。破与立：流量逻辑与成本逻辑的交锋很多人习惯用互联网的逻辑理解AI：免费获客，再通过广告、增值服务变现。但AI不是互联网。把两套逻辑混在一起，是理解AI商业化的最大误区。C端为什么赚不到钱？因为这里横亘着难以逾越的结构性障碍：首先是效率工具难以抢夺娱乐时长。短视频、游戏满足情感需求，用户愿意为爽付费。而AI解决具体任务，用完即走。ChatGPT平均单次会话约7分钟，TikTok超过30分钟。AI在用户时间争夺战中天然劣势。第二个问题是同质化竞争与极低的迁移成本。AI能力快速同质化，2024年GPT-4一枝独秀，到2026年开源模型已追至同一区间。当性能差不太多，价格成为唯一差异化，最终走向免费化和价格战。文生图、翻译领域都已经验证了这一点。当然缺乏网络效应导致护城河失效也是一个重要问题。你用ChatGPT还是Claude，不影响任何人。用户迁移只需要改一次书签。用户规模不是护城河，OpenAI上亿月活也无法锁定用户。还有最重要的，C端付费存在天花板效应。用户愿意为生产力工具付的钱，不超过其替代成本。低频用户只接受免费，高频用户转向企业批量采购。两头挤压下，C端订阅成了鸡肋。相反，B端市场之所以能迎来爆发式增长，正是因为其商业基因与AI完美契合。要知道企业购买AI只看ROI。消费者可能因界面好看而付费，但企业采购决策者只算账：花3块省10块，买。高盛报告显示，企业级AI软件的客户生命周期价值是获客成本的8倍，远高于SaaS平均水平，粘性极强。而AI在B端替代的不是几个人，而是整个岗位职能。当企业把客服、财务初审、代码生成逐步交给AI，省下的是整个职能模块的人力成本。一家大型电商引入AI客服后，500人团队缩减到80人，响应时间从5分钟缩至30秒。AI替代的是工作流而非人头。深度集成带来的极高切换成本，企业将AI深度集成到CRM、CI/CD、数据仓库后，迁移到另一个模型需要重新调优和改造，这本身就是护城河。业务相关的微调数据和提示词模板也是资产。当然还有B端定价权更强的原因，一个年营收10亿的公司，每年花300万在AI上只占0.3%，却能省下1000万人力成本。企业不会为省几毛钱token单价而牺牲质量和稳定性。这正是Anthropic毛利率70%+的原因，基于价值定价，而不是成本加成。C端是流量逻辑，B端是成本替代逻辑。C端的失败不是AI不行，而是商业模式错配。AI商业化正在从前者切换到后者，这不是短期的此消彼长，而是底层逻辑的根本性转向。虚与实：从数字工具到数字劳动力的演进Anthropic的450亿ARR真正验证了什么？不仅是B端能赚钱，而是一个更根本的转变：AI正在从数字工具进化为数字劳动力。第一，AI不再是辅助软件，而是生产力主体。过去四十年，企业软件的逻辑是提高人的效率，Excel帮会计算更快，但会计仍在。Photoshop帮设计师更高效，但设计师仍在。所有软件都是工具，人是决策者。但AIAgent不同：ClaudeCode直接写代码，客服Agent直接回复用户。AI从工具变成了执行者，人从操作者变成了监督者。这是质变。第二，2B收入与AGI叙事不是对立，而是共生闭环。有人质疑：既然收入主要来自企业工具而非AGI，那AGI是不是泡沫？事实相反。2B收入反哺模型训练，450亿ARR投入下一代模型，模型越强企业越愿付费。模型进步维持AGI信仰，市场不需要AGI今天实现，只需要看到持续逼近。AGI信仰支撑高估值，高估值带来融资，再投入研发。这是一个完整的正循环。今天的Agent在商业意义上就是AGI的雏形。市场要的是路径而非终点，而2B收入正是铺就这条路径的基石。第三，AI正在复制工业革命的本质逻辑。两百多年前，蒸汽机替代了人力和畜力，成为新的生产力核心。那些最早接入蒸汽机的企业获得了碾压性的效率优势。工业革命本质上是一场劳动力替代革命，用机器替代体力劳动，把生产力从生物体的限制中解放出来。今天，AI在做同样的事情，只不过替代的是脑力劳动。程序员、客服、数据分析师、会计，白领岗位正在被AI逐个渗透。这不是渐进式的效率提升，而是结构性的劳动力替代。那些最早把AIAgent接入业务流程的企业，正在获得成本优势和响应速度的双重红利。互联网时代，最值钱的资产是流量和用户注意力。那是消费互联网的逻辑。AI时代，最值钱的资产是数字劳动力，能够以极低成本完成脑力劳动的算法和算力。这是生产力互联网的逻辑。全球年度工资总额超过50万亿美元，即使AI只替代其中的10%，也是一个5万亿美元的年市场。而互联网广告和订阅的全球市场，加起来也不过1万亿美元出头。所以，AI不是下一个Facebook，也不是下一个Google。它不是流量生意。它是下一个蒸汽机，一种新的生产要素，重新定义劳动和成本。当它大规模替代人力时，它创造的市场价值将远远大于互联网。工资，比流量大得多。回过头看，我们可能一直在用错误的类比来理解AI。互联网时代，最有价值的资产是流量。谁抢占了用户的时间和注意力，谁就能建立帝国。但AI不是流量生意。它的真正价值，不在于让用户多刷几分钟，而在于替代人类劳动、提升组织效率。这更像工业革命，二百多年前，蒸汽机出现，替代了人力和畜力，成为新的生产力核心。今天AI正在做同样的事情，它不是下一个Facebook，也不是下一个Google。它是下一个蒸汽机，是一种新的生产要素，重新定义劳动和成本。当Agent替代的不是10个人，而是整个岗位职能，当企业花3块省10块，当AI的ARR从几百亿奔向几千亿......我们才会真正理解：互联网时代赚的是流量，AI时代赚的是工资。而工资，比流量大得多。AI没有复制互联网。它正在复制工业革命。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
07/11
从不限量到自费上班，互联网公司们付不起Token账单了
破除Token盲目崇拜。全员Token-maxxing（把Token用量拉到极限）还没俩月，互联网公司急速调转船头。6月5日，腾讯已在内部宣布调整AIToken额度。核心的变化是，全员统一额度改为按工作任务动态调配。通知明确表示，总投入只增不减，对能用AI带来显著提效和价值产出的同学，保障Token额度，不搞Token消耗量排名，不贩卖焦虑。大公司们对Token额度的快速消耗甚至超过了他们自己的预期。今年4月，Uber首席技术官普拉文·纳加（PraveenNaga）表示，公司在4个月内就将2026年的AI预算花光了，Uber2025年的研发支出达到34亿美元。Meta员工在30天内消耗了60.2万亿个AItoken，成本超过了1亿美元。国内亦是如此。5月20日，《崩坏》系列AINPC&Gameplay技术团队负责人郑银河透露，有员工为了实现项目，建了几十个Agent共同协作，结果一晚上烧了价值200万元的Token。曾经，为了践行AI策略，不少公司希望员工最大程度去调用AI工具，甚至搞Token用量排名，以此作为升职、加薪的标准之一，但当看到天价Token账单后，互联网公司们懵了。3天用掉90%额度，大厂狂砍Token用量腾讯此次Token额度动态调整并没有提前通知，这让一些员工感到措手不及。一位腾讯研发人员称，自己根本不够用，发布通知到当天，就发现自己有10%的额度了，用claude就是挺不住得烧。Tech星球了解到，此次调整涉及到包括实习生、外包、正式员工在内的所有人员。目前，只有混元大模型对所有人免费。这样的调整在一些人看来在情理之中。“用脚指头想也知道，怎么可能一直超多超量供应”，一位腾讯员工评论道。一位腾讯大数据方向的外包员工告诉Tech星球，以前他们使用大模型是积分制，有100000积分，就没有关注具体Token量，但是够一个月使用。现在外包只能申请混元大模型，混元是没有Token限制的。但混元在所有基础大模型中表现并不优异。凭借在“强推理+256K超长上下文”的能力，Hy3preview曾连续登顶OpenRouter全球周榜，但整体能力上，尤其复杂任务时，比如编程等，Hy3和DeepSeekV4Flash、ClaudeSonnet4.6等模型依然存在差距。但Token的调整对每个事业部每个人的体感不一样，有人只剩100美元，有人则有1万多元人民币。一位腾讯实习生告Tech星球，调整前，自己只有100美元，调整后算起来有200美元了，市面上的先进模型都能用，但200美元确实不够用，写代码的话一天多的时候就能用50美元。一位腾讯AI预研游戏员工称，自己目前还有12600元，而同事有2.1万元。还有一些人则表示，Token直接砍半了。一位腾讯后端研发称，虽然目前Token额度有所缩减，但自己所在的组并不受影响，不够就可以向上级申请。此前，腾讯传出为每位员工发放价值约22万元的Token套餐。按照腾讯集团2026年Q1财报中提到的114848名员工计算，腾讯每年需要支付252亿元费用。作为对比，其2025年的研发费用为857.5亿元。但现在，即便是财大气粗的腾讯也要开始算细账了，而这只是行业的缩影。Tech星球了解到，国内主流大厂都会要求员工优先使用内部大模型，内部大模型对员工基本免费，甚至一些公司还屏蔽了竞对的模型。但是最终内部模型产出的效果可能依然比不上海外模型。一位字节跳动员工向Tech星球介绍，公司内部并不强制用AI，“Token额度对大厂是很大的负担，不少互联网公司不同岗位不同部门额度存在差异，并且在字节如果AI相关的技术研发岗位如果额度不够，还可以内部审批去外面单独采购”，他补充道。一位美团员工表示，并没有听到内部会有额度限制，但自己的额度是完全够用的。一位百度员工则称，内部根据部门不同额度限制的情况也会有差异。破除Token盲目崇拜大厂或者还在犹豫是否削减Token额度，但更多中小型互联网公司已经撑不住了。广州一家做跨境支付的企业决定削减员工的Token用量：从上不封顶到人均每月500美元。而此前一个月，他们消耗掉了40万美元的Token。“这完全不够用了”，上述公司的一位程序员告诉Tech星球。他所在的公司竟然出现互相借Token想象，比如一位后端开发者2天就消耗掉370美元的Token，额度报警，该开发者开始向他借Token用。以前大大小小的互联网公司们践行Token-maxxing，生怕错过AI浪潮。于是，员工们拼命研究如何消耗Token。一位上述员工分享道，尤其后端程序员，研发了各种封装包、skill，每个业务有一堆提效工具，一些程序员一开就是好几个agent，一小时就能烧掉上亿Token。这导致新规发布前，一些程序员就已经超出预算1000多美元。消耗1亿Token，如果使用目前编程主流选择ClaudeSonnet4.6，需要至少花费2000元，最高甚至达到1万元。事实上，Token浪费的情况确实存在。一位新能源汽车员工称，公司每个月给他1000美元的Token额度，他根本用不完，为了消耗，只能用AI写原创小说，比如续写《红楼梦》。上海某老牌互联网公司员工告诉Tech星球，公司以前是不限的，但现在公司开始统一管理大家的Token额度，每个人都需要走钉钉审批申请Token，每个人的额度是几百元到1000元不等。这样的情况开始变得普遍。北京某腰部互联网公司员工称，原来大家可以不限额使用ClaudeCode，公司报销。现在是开放了Anthropic的API接口，每个人每月是1000元额度，并且让大家优先使用更便宜的国产大模型。但现实是，便宜的大模型只能胜任一些简单的代码补全类任务，一旦遇到复杂任务，需要多轮次反复交互，甚至不如自己手搓。“我现在已经开始自己买额度了，1000元的额度可能根本用不了一周。”一些公司则要求全栈AI化，这导致Token用量大幅度上升。广州某游戏公司员工称，之前Token全员免费，自己一个月用了小3万Token，部门人人超标，之后就只能用DeepSeek的模型了。上海一位程序员在社交平台分享道，自己的部门只有4个人，但一个月就消耗掉了6万元Token。现在技术老大直接采买了DeepSeek的Token让技术切换。Token-maxxing的另外一个结果是，在复盘的时候，不少程序员发现看不懂自己写的代码，甚至都找不到代码在哪里，为什么要这么写。公司的管理者们发现，即便使用了AI，整体的运营效率并没有提升，甚至当大模型需要排队时，反而影响重要产品的节奏。百度创始人李彦宏在今年的AI开发者大会上首次提出日活智能体数（DailyActiveAgents，简称DAA），DAA大致对应移动互联网时代通用的日活用户数（DAU）,它看起来，比单纯看Token消耗量更能体现平台和生态真实繁荣程度的度量。从不设上限的肆意挥霍，到如今精打细算的“配额制”与“国产替代”，互联网公司对AI的盲目崇拜正在经历一场必经的祛魅。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
