预判卡
日报里每一条判断,都被固化成一张「预判卡」,到回访日自动回填结果——当时怎么说的、后来如何、差在哪
价格战从 token 单价转向单位任务,中间层模型最受伤;三个客户案例的共同口径不是「更便宜」,而是「每个任务更便宜」。当计价锚点从 token 转向任务完成率,模型差异被场景吸收,客户黏性来自工作流而非参数规模。夹在中间的模型厂商既没有前沿能力,也缺乏场景与数据闭环,是被挤压最狠的一段;反而是把模型嵌进具体流程的应用方拿到了定价权。;应用公司现在就该建立单位任务成本看板,用 200~500 条真实样本做跨模型对照,只测 token 价格会系统性高估自己的成本优势。模型厂商则必须在 12 个月内找到垂直数据或合规壁垒,否则会被压在价格曲线的最底端。
算力采购从现货走向长约,风险从价格转向期限;三笔动作的期限结构高度一致:模型公司用多年合同锁定成本,云厂商用长期收入换取资本开支,自研路线则试图把利润留在体系内部。而 IMF 的警告说明这类长约在下行周期会先于收入恶化显形——成本是刚性的,收入不是。当同一条产业链上所有玩家都选择把不确定性推给未来的自己,系统性风险就开始在合同条款里累积。;看 AI 标的时,把「算力合同期限与最低承诺额」提升到与收入增速同级的关键指标;企业侧应保留一部分现货算力弹性,避免被长约锁死模型迭代路线。真正需要盯的不是今天的订单金额,而是 2027 年前后的重定价节点。
国内大模型正集体从「抢用户」转向「抢入口」;四条动作的共性是把模型能力从「独立 App」搬到「别人已有的入口」里:手机系统、办公套件、企业工作流。背后是同一个成本判断——独立 AI App 的用户获取成本已经高于单个用户的付费意愿,而寄生在存量入口上的边际分发成本接近于零。这与美国市场 Meta 靠自有十亿级入口跑出 Muse 60 万日活的逻辑完全一致,只是中国的入口更分散,所以选择了共建而非自建。;对国内 AI 创业者来说,判断标准需要更新:不要问「我的 App 能有多少 DAU」,而要问「我的能力能不能装进手机厂商、办公平台或行业 SaaS 的入口里」。优先选择已经开放合作接口、且自身缺少 AI 能力的平台方,尽早谈定制化部署与联合运营,而不是等待通用产品跑通后再被集成。这一轮入口卡位的窗口大约在 6~12 个月内关闭。
模型降价 50% 与任务成本降 80% 同时出现,应用层的毛利结构将被重算;这四条线索指向同一个算术:当单次任务成本下降一个数量级,原本因为「AI 比人贵」而无法成立的服务场景会批量成立。Ringg 的 90% 成本降幅与 Dextr 的融资是同一条曲线上的两个点——前者证明技术可行,后者证明资本已开始为规模化做准备。被替代的不是某一个岗位,而是按次计费的服务定价体系:客服、外呼、预订、初级代码迁移这些按小时或按人月报价的品类,会因为交付成本骤降而被客户要求同步降价。;两类主体需要立刻行动:一是提供人力外包与客服服务的公司,应在一年内把定价模式从「按人月」转向「按结果」,否则会被客户用 AI 报价反压毛利;二是应用层创业公司,应重新测算在成本下降 90% 后的单位经济模型,把过去因成本不成立的场景(如 7×24 多语言服务、超长文档处理)重新纳入路线图。时间窗口是下一轮模型降价之前,大约 3~6 个月。
OpenAI 正在同一时间铺设四层治理基建;四条动作分别指向国际政治、第三方审计、内部事故分级、垂直场景安全——这是把「治理」做成产品线而不是公关材料的完整组合。其战略意图可以这样理解:在监管落地之前,先由厂商自建评估标准与事故披露语言,从而在未来的规则制定中占据定义权。这与降价 50% 并不矛盾——价格打的是商业竞争,治理打的是准入资格,后者决定的是能不能在欧盟、美国联邦等市场的政企采购中拿到合同。;对企业采购方而言,这意味着供应商的安全文档会迅速变成可比较的正式材料,建议从现在开始在采购流程中加入「第三方评估结果」与「事故披露机制」两项硬性要求,而不是等监管强制。对国内厂商而言,这是一个明确的窗口:谁先拿出可被国际客户认可的安全评估与事故分级标准,谁就能在出海政企市场拿到先手,窗口期大约 12 个月。
「Agent 访问权」正在成为比算力更稀缺的资源;把四条线索连起来看:平台在收紧入口,系统方在自建入口,模型方在通过合作铺开落地场景,而创业公司在补身份与授权的基础设施。它们共同指向同一个结论——Agent 的能力上限不再由模型决定,而由「它能合法访问什么」决定。这与移动互联网早期的 API 开放潮恰好相反:那时是平台争相开放换流量,现在是平台争相收紧保变现。谁掌握访问权的发放机制,谁就掌握下一代分发。;未来两个季度的关键观察点是:是否出现首个「Agent 白名单」协议(由电商或支付平台发起),以及手机厂商是否把 Agent 调用接口写进系统能力标准。对创业者的建议是:把「是否有正式授权接口」列为产品可行性的第一道筛子,优先选择用户自有系统、企业自有 ERP、平台官方 API 这三类不受单方面掐断的通道;把产品价值建立在数据与流程沉淀上,而不是建立在某家平台的点击路径上。
模型公司自建湿实验室,科研评价体系出现裂缝;当模型输出的「发现」越来越难被传统同行评议及时验证,产业界开始自建验证机制:Anthropic 用湿实验室闭环,OpenAI 用外部顾问组背书,Enveda 直接用临床管线定价。三方共同指向一个缺口——AI 生成科学结论的验证速度已落后于生成速度,评价权正从学术期刊部分转移到同时掌握实验能力与资金的主体手里。这既是效率提升,也是权力集中。;对投资人的提示是,AI 科研类标的尽调必须区分三件事:模型给出的假设、可复现的实验证据、临床或商业验证,三者估值可差数倍。对研究者,尽早与能提供湿实验或大规模算力的机构绑定,比多发一篇论文更能决定成果能否被承认与引用。
成本曲线成了新的产品路线图;这四条碎片拼出的是同一条曲线:模型侧与框架侧在同一周内把单位任务成本往下压一个数量级,而性能没有下降。历史上每一次计算成本下降一个量级都会解锁一批此前不可能的应用形态,区别在于这次降本发生在 12 个月内,且开源框架同步跟进,把「成本优势」作为产品卖点的半衰期压缩到 1 到 2 个季度。;不要把「我们更便宜」当作护城河。真正该做的是用省下的成本换取数据与场景:把预算投到结果校验、流程嵌入与客户侧数据回流上,让成本优势尽快转化为切换成本,否则下一轮降价会把你的价格优势连同客户一起抹平。
Agent 的信任层正在被单独定价;四条线索指向同一件事:当 Agent 从「辅助人」变成「代表人执行」,责任主体发生转移,身份、权限、审计与评测就从可选项变成准入项。Baselayer 在卖身份,Ringg 在证明可靠性,OpenAI 在争夺评测标准的话语权,Sam Altman 则把议题推到国际治理层面——从商业需求到监管压力,一条完整的「信任基础设施」正在成形,而它当前的融资规模远小于其潜在重要性。;建议把 Agent 身份与审计当作产品的一等公民而非合规补丁:在 1 到 2 个季度内确定 Agent 标识方案、授权边界与日志留存策略,并主动准备第三方评测材料。等到客户风控部门或监管先提出要求,你会同时失去议价权与交付节奏。