梯度分享 | a16z最新报告：模型成为基础能力，AI应用进入价值扩散阶段

AI 正在从一项核心技术，逐渐变成商业软件背后的基础设施。当模型能力持续提升、AI 智能越来越标准化之后，企业真正需要竞争的空间也开始向应用层移动。

a16z 最新发布的一篇报告中，讨论的正是这一变化：当 AI Intelligence 逐渐成为一种可以被调用和复用的基础资源，企业如何把不断进步的模型能力转化为真正有商业价值的产品？报告将视角从模型本身延伸到业务流程、产品体验、用户需求与分发渠道，分析 AI-native 产品如何利用模型进步建立自身的产品优势，以及这些优势如何进一步形成更难被复制的竞争壁垒。

这份报告的核心问题也落在 AI 应用创业最关键的一环：模型能力越来越强之后，什么样的产品依然能够保持差异化？

围绕这一问题，我们对 a16z 这篇报告进行了梳理和解读，重点拆解其中关于 AI Intelligence、应用层产品化、组织吸收能力以及产品与模型能力之间关系的几个关键观点，希望从投资和产业发展的角度，进一步理解 AI 从“能力”走向“产品”之后，新的竞争逻辑正在如何形成。

当前整体情况

1.AGI 面临两个核心问题：能力与经济影响

a16z 的核心判断是：AGI 的影响不会随着模型能力提升同步到来，而是要经过“能力—验证—扩散落地”三个阶段，最终才能转化为经济和社会影响。

a16z 将 AGI 的影响拆分为能力、验证和扩散三个环节。模型能力提升只是第一步，只有当企业能够可靠验证 AI 输出，并进一步将其嵌入工作流、组织结构和资本配置体系，技术能力才会真正转化为经济影响。由此来看，AI 的商业化速度并不完全取决于模型能力提升速度，也取决于组织吸收和部署这些能力的速度。

一个系统可能已经跨越多个令人瞩目的能力门槛，但社会仍需要一段时间才能感受到类似 AGI 的经济和社会影响；能力与最终影响之间，还存在“验证”和“扩散”两个关键环节。

把 AGI 拆解成三个连续环节：

1. Capability｜能力：模型能完成这项任务吗？

在编程、数学、综合分析以及其他边界较为明确的领域，AI 已经展现出非常强的能力。

2. Verification｜验证 ：我们能判断它是否真正完成得好吗？

图中指出：代码和数学领域拥有大量可靠反馈机制，而战略、管理以及许多现实世界决策领域，可靠反馈仍然稀缺。

Reliable feedback is abundant in code and math; scarce in strategy, management and many real-world decisions.

这里的关键信息是，模型能力和“我们能够可靠判断任务是否完成得好”是两回事。

3. Diffusion｜扩散落地：企业组织能否吸收并应用这种能力？

页面指出：工作流重构、激励机制、监管、组织文化以及资本配置，共同决定 AI 能力转化为经济影响的速度。

Workflow redesign, incentives, regulation, culture and capital allocation determine the economic timetable.

模型能力达到某个 AGI 门槛，并不意味着经济社会会同步进入 AGI 时代。中间至少存在两个转换环节：模型具备能力 → 能够验证能力 → 组织吸收能力 → 产生经济影响

AI 产业的机会不能只看模型能力，还要看验证能力和扩散落地能力。

2. 这轮 AI 热潮不是泡沫

当 AI 相关资产经历明显调整之后，市场基本面究竟发生了什么变化？

a16z从估值、算力价格和云厂商收入三个维度展开。英伟达的远期市盈率已经处于过去 10 年的低位，AI 股票同期经历了约 40%—60% 的回撤，但与此同时，B200 GPU 的租赁价格却从 2026 年 1 月约 4 美元/小时上涨至 8 月约 5.5 美元/小时，同类 GPU 集群的价格上涨约 40%。云计算业务也保持较快增长，2026 年第二季度 AWS、Azure 和 Google Cloud 的收入同比增速分别达到 37%、39% 和 82%。这些数据放在一起看，呈现出一个值得关注的错位：AI 资产价格已经出现大幅调整，但算力需求、云业务收入等经营指标仍在持续改善。市场此前对于 GPU 价格下行、算力供给增加以及 AI 使用量和现金流增长放缓的预期，已经反映在资产定价中，但实际经营数据的变化幅度并没有同步走弱。因此，a16z 认为，当前 AI 市场更值得关注的一个现象，是市场预期下降的速度已经超过实际经营指标的变化速度，这意味着市场对于 AI 商业化持续性的定价仍存在重新评估空间。

3. “SaaS 灾难”最终演变成了一次剧烈反转

AI 时代的软件价值不会简单归零。模型和 AI Agent 确实会削弱部分“数据库 + 表单 + 简单工作流”的软件价值，但真正覆盖关键流程、拥有强分发能力并积累大量客户的软件，依旧具有较强防御性。

此前的软件股抛售确实暴露出行业长期存在的问题：不少 SaaS 企业的增长已经持续放缓，盈利质量也存在差异，同时大量 SaaS 产品建立在数据库之上的表单和工作流，本身具备较强的可复制性。软件公司因此需要加快转型，市场抛售也迫使企业开始重新审视增长、盈利和经营效率。

从软件股走势来看，等权指数以 2026 年 2 月 5 日为基准设为 100，4 月 10 日一度跌至 86，最大回撤约 14%，随后持续反弹，到 8 月 19 日升至 153，相比低点上涨约 78%。a16z 认为，市场在这轮抛售中看到了传统 SaaS 的部分结构性压力，却低估了软件企业另外几项更难被替代的资产。首先是分发能力，很多软件公司的核心优势并不完全来自产品功能，而来自长期积累的客户渠道和市场覆盖能力；其次是关键业务流程的嵌入程度，一旦软件承载核心系统，客户迁移带来的业务风险往往远高于节省软件费用所带来的收益；此外，企业自行开发替代方案的真实成本也经常被低估，因为内部系统需要持续投入开发、部署和维护资源。

因此，AI 对软件行业的影响会呈现明显分化。那些主要提供数据库之上的简单表单、流程和基础功能的软件，面临更直接的替代压力；拥有强分发能力、深度嵌入关键业务流程并积累了较高迁移成本的软件，依然具备较强的防御能力。a16z 的判断是，软件的价值不会随着 AI 能力提升而整体消失，真正需要重新定价的是不同软件资产之间的竞争壁垒。在 AI 时代，产品本身的技术门槛下降之后，分发、客户关系、业务流程和迁移成本这些过去容易被忽略的资产，正在重新成为软件公司的重要护城河。

4. 经典护城河依然有效，但AI正在重新暴露它们的脆弱性

这一部分进一步解释了 AI 时代不同类型护城河的变化。a16z 将传统护城河分成两组来看：一类来自客户和市场结构，能够随着规模扩大持续积累；另一类依赖软件开发、系统连接和流程复杂度，正在受到 AI 的直接冲击。

其中，网络效应和分发优势依然具有很强的复利能力。以 Instagram、Meta 为例，网络效应的价值来自用户之间相互提升产品价值，核心资产是持续扩大的用户关系网络。AI 可以降低代码开发成本，却无法直接复制由大量真实用户形成的网络关系。分发优势同样如此，Adobe、Salesforce 等成熟软件已经在企业内部形成广泛的客户基础和产品席位，新产品可以通过升级销售、套餐捆绑等方式触达现有客户，因此客户渠道本身就构成了一种重要资产。品牌和规模也遵循类似逻辑，长期积累的用户信任、客户基础和运营规模，会随着业务扩大持续产生新的优势。

另一边，依赖系统集成形成的护城河正在受到 AI Agent 的明显影响。过去企业软件之间的连接往往需要复杂 API、中间件、Connector 以及大量集成开发工作，这些技术和人力成本曾经构成一定的进入门槛。随着 AI Agent 能够自动构建、调用甚至吸收这些连接层，集成工作的成本正在快速下降。与此同时，AI 也降低了软件开发和流程复制的成本，依靠复杂代码、定制流程建立的壁垒更容易被新的产品重建。

把这一逻辑与前面的“迭代 → 获取客户 → 学习 → 发现护城河”放在一起看，a16z 实际上是在重新定义 AI 时代的护城河。创业公司早期的速度决定了团队能够多快进入市场、获得客户并完成学习，而真正能够长期积累的优势，往往来自客户增长之后形成的网络、分发、品牌和规模效应。随着 AI 持续压低代码开发和系统集成的成本，单纯依靠“软件有多复杂”形成的壁垒正在弱化，客户关系、用户网络和分发能力等难以通过代码直接复制的资产，正在成为更重要的长期竞争优势。

5. 多模型协作重塑AI应用的产品体验

这一部分讨论的是多模型在 AI 产品中的真正价值。a16z 认为，当一项任务能够从不同的专业能力、创作风格或先验知识中获益时，多模型就不再只是后台的路由优化，而会逐渐成为产品能力本身。应用层需要根据不同任务主动组合模型，让模型之间形成专业化分工。

在编程产品中，最强的前沿模型可以负责任务规划、架构设计和代码审查，再将具体实现、代码搜索、测试等执行性任务交给速度更快、成本更低的专业模型。这里的核心在于 Harness 对模型智能、响应延迟和使用成本进行动态权衡，让不同模型承担最适合自己的环节。

在创意工具中，多模型则能够直接拓展产品的表达边界。语言、图像、视频、声音、编辑和不同创作风格都可以由各自擅长的模型承担，产品通过组合这些能力获得更丰富的创作空间。因此，多模型的意义不仅体现在成本和效率上，也体现在不同模型之间的能力差异和风格差异能够转化为产品体验。

在研究与决策场景中，多模型提供的是另一种价值：相互验证。应用可以让不同模型提出竞争性的假设、搜索不同的信息来源，再对彼此的结论进行对抗式审查。模型之间的差异能够减少共享同一种错误判断所产生的认知盲区，让最终结果获得更充分的验证。

因此，这一部分的核心判断是，随着模型能力逐渐商品化，应用层的价值越来越体现在如何组合不同模型的专业能力、风格和判断力。模型本身提供基础智能，而产品通过任务拆解、模型选择和多模型协作，将这些分散的能力组织成完整的用户体验，这也成为 AI-native 产品建立差异化的重要方式。

应用与应用层

1. AI应用的价值，在于把智能变成经济结果

模型给出的答案只是原材料；真正提供上下文、验证、工作流以及推动损益表（P&L）发生变化的实际行动，是应用层。

!12.webp

这一页进一步把 AI 的商业化路径拆成三个层次：Intelligence Primitive（智能原语）→ Application System（应用系统）→ Economic Outcome（经济结果）。核心逻辑是，模型提供基础能力，应用系统负责把这些能力嵌入真实业务流程，最终通过具体的业务结果体现商业价值。也就是说，模型能力本身只是起点，真正决定 AI 能否进入产业的，是中间这一层应用系统。

以法律为例，模型可以负责文件起草和法律事务分析推理，但要完成一项真正可交付的法律工作，还需要法律引用、权限管理和文件提交等系统能力，最终形成一项完整且经得起审查的法律事务。在销售场景中，模型可以进行客户研究并撰写外联内容，但只有结合 CRM 上下文、最佳联系时机和持续跟进机制，才能进一步转化为高质量销售管道和实际收入。对于信用合作社，模型可以预测客户情况并推荐贷款，真正产生业务结果还需要承保、贷款服务和合规等完整流程，最终影响会员关系和资产负债表。

模型能力的提升只有进入真实工作流、改变企业的收入、成本或利润结构，才会真正体现出商业价值。因此，AI应用的价值并不取决于模型能够生成什么，而取决于应用能否推动真实业务流程和企业损益表发生变化。

2. AI进入Autonomy，组织开始自我优化

代码循环改善产品；定价循环改善产品方案；业务循环不断修正公司的经营逻辑。每一轮反馈都会让下一轮做得更好，从而形成持续积累。

AI 应用进一步走向 Autonomy（自主性）之后，组织如何通过多个持续运行的反馈循环实现自我优化？a16z 将这种能力拆成三类相互连接的循环：Code Loop、Pricing Loop 和 Business Loop。它们分别作用于产品、商业方案和公司的经营认知，底层结构都遵循“观察 → 行动 → 衡量 → 修正”的逻辑。

Code Loop｜代码循环直接作用于产品本身。产品运行过程中持续收集问题和遥测数据，再由 AI 生成代码和功能修改，通过测试与评估验证后部署上线，并继续观察实际影响。随着这一过程不断重复，产品能够根据真实运行反馈持续迭代，代码循环因此承担的是产品自我改善。

Pricing Loop｜定价循环作用于商业方案。公司观察客户需求和产品使用情况，调整价格与套餐，再通过市场反馈衡量价格弹性，并重新判断客户的支付意愿。这里 AI 可以帮助企业更高频地进行价格实验和反馈分析，让定价从一次性的商业决策变成持续优化的动态循环，最终不断寻找更匹配市场需求的价格和产品组合。

Business Loop｜业务循环进一步作用于公司的经营认知。企业从客户行为和最终业务结果中获得反馈，形成关于客户、产品和增长方式的假设，再通过销售、产品、运营等不同职能执行这些假设，并根据结果持续修正对业务的理解。这里的 company theory 可以理解为一家公司对于“客户是谁、为什么购买、产品为什么有效以及如何实现增长”的核心经营认知。随着循环不断运行，这套认知也会持续更新。

因此，a16z 对 Autonomy 的定义已经超越了“一个超级 Agent 自动完成所有任务”。真正的自主性来自多个能够持续运行、彼此连接的反馈循环：代码循环改善产品，定价循环改善商业方案，业务循环改善公司的经营认知，三个循环共同形成一个能够观察、行动、衡量和修正自身的系统。这样的结构让 AI 的作用从执行单项任务进一步延伸到持续推动产品和组织进化。

3. 人类寻找机会，Agent把机会变成增长

自主循环会逐渐耗尽局部机会；真正的判断力负责发现下一个前沿，而每一个已经被发现、但仍有大量优化空间的机会或问题都会从更高的位置开始。

本页讨论的是 AI Agent 与人类在未来工作中的分工，以及企业如何通过两者的协作持续寻找新的增长机会。图中的“山丘”代表一个具体的价值机会，纵轴的 Value captured 表示企业从这一机会中已经获取的价值。当一个机会被人类发现之后，Agent 可以快速承担大量测试、执行和迭代工作，通过自动化不断攀登价值曲线，直到接近当前问题的局部峰值（Local maxima）。

当原有机会逐渐进入平台期，继续围绕同一个问题优化所能带来的增量就会越来越有限，这时人类需要重新判断还有哪些新的机会，以及是否应该转向新的方向。新的Human Insight出现之后，Agent 再将这一判断迅速转化为行动，通过测试、发布、衡量和迭代，把新的机会继续转化为实际价值。于是，整个过程形成一个持续循环：人类发现方向 → Agent 快速执行 → 达到局部最优 → 新证据出现 → 人类提出新的判断 → Agent 攀登下一座“山”。

a16z 将这一过程进一步拆成三个环节。第一是 Human Insight，包括发现机会、决定何时 pivot，以及形成产品直觉；第二是 Agent Loop，由 Agent 负责测试、发布、衡量和持续迭代，从执行过程中捕获增量价值；第三是 New Evidence，即当价值增长进入平台期之后，新的数据和结果会暴露出下一个值得回答的问题。这里的关键在于，平台期并不意味着循环停止，它本身就是下一轮探索的信号。

Agent 擅长攀登已经确定的“山”，人类则负责发现下一座“山”。Agent 的优势集中在局部优化和高频执行，可以在明确目标之后快速完成大量实验和迭代；人类的价值则更多体现在机会发现、方向判断和产品直觉上。当每一轮执行都沉淀为新的能力、数据、客户反馈和产品经验，企业就可以站在上一轮成果之上继续寻找新的增长空间，每一轮 Agent 循环都推动价值基准进一步抬升，而新的洞察不断开启下一轮增长。

4. AI市场未必赢家通吃，多种产品可以并存

AI 应用市场未必会沿着“单一模型、单一产品赢下整个行业”的路径发展。编程领域已经出现了多种成功的产品形态，它们虽然都围绕 AI 编程展开，但切入的用户入口、工作流和价值链位置并不相同。

Claude Code 的核心是实验室模型与终端原生编程层的深度结合，通过模型与 Harness 的协同设计，围绕软件工程形成高度聚焦的工作流；Codex 则将前沿模型延伸到更广泛的计算机工作和知识工作，通过桌面端、CLI 和 Skills 构建更完整的工作界面；Replit 选择云端工作空间，将开发、Agent 和部署整合成从想法到可运行软件的一体化路径；Cursor 则以独立 IDE 为入口，通过多模型编排提供更灵活的模型选择，并在长期使用过程中形成产品习惯和专有的用户使用数据。

这几种产品的共同点并不在于拥有相同的底层模型，而在于各自控制了不同的用户入口、工作流和产品体验。这也意味着，应用公司的竞争优势未必来自独家模型。随着模型能力逐渐成为可以调用的基础资源，真正能够形成差异化的，越来越可能是对特定用户群体、工作流程以及产品体验的深度控制。

如果编程已经能够同时容纳多种 AI 产品形态，那么法律、金融、医疗、营销等垂直行业也可能遵循类似路径。未来一个行业中可以同时存在多个 AI 应用赢家，它们分别围绕不同的工作流、用户入口和价值链环节建立优势，而不是最终由单一产品通吃整个市场。

消费级 AI

1. 消费级 AI 面临三个瓶颈

消费级 AI 最大的问题之一，是“用户越活跃，成本可能越高”。

消费级 AI 与企业级 AI 面临的不同问题。当前模型的原始能力已经走在产品形态之前，真正限制消费级 AI 进一步增长的，主要集中在成本、分发和交互三个环节。

第一个瓶颈是边际成本。传统互联网产品可以通过极低的边际分发成本最大化用户参与度，用户多使用一次，平台通常不会增加太多成本。但 AI 的每一次交互都对应真实的推理成本，而 Agent 模式还会进一步放大这一问题：一个用户请求可能触发多轮模型调用、并行任务和更长时间的运行。因此，对消费级 AI 来说，用户活跃度与成本之间存在更直接的关系。尤其是依赖高频互动的社交 AI，如果每一次互动都会持续产生推理成本，产品在获得规模之前就需要面对非常现实的单位经济模型问题。

第二个瓶颈是缺乏原生分发渠道。传统消费互联网已经拥有成熟的用户获取体系，App Store、搜索引擎、社交平台和应用推荐共同承担了产品发现与分发。但 AI 应用目前还没有一个真正对应的原生分发入口。开发者因此需要自己解决用户获取、产品发现和传播问题，即使产品本身具备较强能力，也需要额外建立分发网络来获得用户。这使得 AI 产品的技术能力与用户增长之间仍然存在明显断层。

第三个瓶颈是缺乏专门的交互界面。当前大量 AI 产品仍然以聊天框、命令行和空白 Prompt 作为主要入口，这种交互方式对于 Power Users 很有效，但对更广泛的消费者并不一定成立。很多消费者并不希望学习 Prompt、配置 Agent 或主动设计工作流，他们更需要的是连续的内容和服务体验。换句话说，消费级 AI 面临的问题已经逐渐从“模型能不能完成任务”，转向“普通用户为什么愿意持续使用”。

下一次消费级 AI 的突破，可能不像一个 Chatbot，更像一种 Relationship。 这里的“关系”并不只是陪伴或聊天，而是指产品能够持续理解用户、记住上下文，并主动参与用户的日常体验。交互逻辑也会从“用户提出请求，AI 给出回答”，逐渐转向“AI 持续理解用户，并在合适的时间提供内容、服务和行动”。

从这个角度看，消费级 AI 下一阶段的竞争重点在于把足够强的 Intelligence 转化成低成本、可持续分发，并且不依赖用户主动操作的产品体验。

2. 个人 Agent 的终局，是帮助人类变得更好

讨论推进到个人 Agent 的长期形态。a16z 给出的判断是，Personal Agent 的终局并不是替用户完成某一个具体任务，而是通过持续理解用户，让 AI 参与到人的长期目标和日常生活中，并推动这些目标不断转化为行动。

这里最关键的概念是 Persistent Harness。它不同于用户需要时才打开的一个 AI 工具，而是一套持续运行的个人 AI 系统，能够贯穿一天的不同场景，持续携带上下文，并根据用户的目标、状态和授权采取行动。其底层结构可以概括为 One Assistant · One Memory · Many Life Loops：一个助手、一套持续积累的记忆，以及围绕不同生活目标运行的多个循环。

Agent 的价值开始从回答问题延伸到持续推动事情发生。它需要知道用户过去做过什么、正在追求什么、当前处于什么状态，并拥有执行相应行动的权限。因此，个人 Agent 的核心能力并不只是更强的推理，而是把 Context、Memory、Permission 和 Action 长期连接起来。

a16z 将这一点概括为 “The Product Is Continuity”。所谓连续性，是指 AI 不再以一次次独立的对话和任务为单位工作，而是在时间维度上持续理解用户，并把不同生活场景连接起来。用户的目标可以跨越财务、人际关系、学习、创造和娱乐，而 Agent 通过统一的上下文和记忆，将这些目标转化为持续的行动循环。

因此，“Human Improvement” 才是 Personal Agent 更长期的价值所在。它并不局限于替用户节省几分钟时间，而是通过持续的提醒、规划、执行和反馈，帮助用户更好地管理资源、维持关系、学习成长、完成创造以及安排生活。对消费级 AI 来说，这也意味着产品竞争的核心会进一步从单次交互体验，转向建立一套真正持续存在、理解用户并参与用户生活的个人 AI 系统。

3. AI正在打开软件市场的长尾

从企业创建数据来看，这一趋势已经有所体现。美国平均每月企业申请量从 2019 年的 293K 上升到 2025 年的 470K。虽然期间存在波动，但整体规模已经明显高于 2019 年。到 2026 年 6 月，企业申请数量进一步达到 531K，同比增长 15.6%，说明企业创建活动仍处于较高水平。

AI降低软件开发成本后，软件市场可能出现明显的“长尾化”。过去，由于开发和维护成本较高，软件公司通常需要瞄准较大的市场，只有规模足够大的需求才值得投入资源开发。而当AI使软件开发更加便宜、编程技能的重要性下降后，一些过去规模太小、无法覆盖开发成本的细分市场也开始具备商业可行性。

这一变化意味着，未来的软件创业不一定都需要瞄准数十亿美元级市场。即使是总可寻址市场仅有10万美元或100万美元的细分需求，也可能出现专门的软件产品和服务。大量小众需求被逐一满足后，软件市场将呈现更加明显的长尾结构，形成“数字商业街 ”。

AI行业正在经历重心转移。模型能力依然重要，但更倾向于一种基础能力。一家AI公司能否建立长期竞争力开始变成它如何组织模型、如何进入工作流、如何获取用户，以及能否把一次性的模型能力转化成持续的业务结果。

对企业而言，Agent的价值也不只是替代某个岗位，而是让产品、定价和经营决策形成更快的反馈循环。对消费者而言，下一代AI可能也不会只是一个等待指令的聊天机器人，而是一个拥有长期记忆、理解个人目标并能够持续采取行动的助手。

更重要的是，当软件生产本身变得足够便宜，AI带来的变化最终可能超出“软件行业效率提升”这个范畴。过去因为市场太小、开发成本太高而无人服务的长尾需求，会开始拥有自己的软件。

所以，AI下一阶段真正值得关注的是当“生产智能”的成本不断下降之后，找到那些过去不值得做、没人做、做不起的事情，并把它们变成新的产品和市场。

模型决定能力的上限，应用决定商业价值，Agent改变执行方式，而更低的软件成本，则可能重新定义什么样的生意值得被创立。

本文素材源自

Intelligence is the Primitive. Applications are the Diffusion Layer. 

https://www.a16z.news/p/intelligence-is-the-primitive-applications

文章来自于微信公众号 “GD梯度下降”，作者 “GD梯度下降”