科技Bestblogs·龙玥··AI 生成
当模型开始“够用”，AI 的下一场战争打什么？
文章核心观点是 AI 竞争重心正从模型算法转向应用层、工作流与用户入口。当模型能力跨越「够用」临界点后，决定产品价值的关键在于如何通过 Harness 将能力转化为可量化的业务结果。文章以 Meta Muse 和腾讯 WorkBuddy 为案例，阐述了这一范式转移，并指出商业模式正从按 Token 计费转向按结果/价值计费，对传统 SaaS 产生结构性冲击。适合关注 AI 产业投资、产品战略和企业级应用的读者，提供了有别于“唯模型论”的产业观察视角。原文 ↗原文 ↗
核心观点
- ▍AI 竞争重心已从模型驱动转向应用驱动，当模型能力越过「够用」临界点后，竞争的核心在于应用层（Harness）、工作流的组织以及用户入口的控制权。
- ▍商业模式正从按 Token 计费转向按结果/价值计费，能够构建垂直工作流并提供可验证 ROI 的应用层公司将捕获更多商业价值。
- 01Meta Muse 是 Meta 内部使用的 AI 生产力工具，目标是成为用户的「个人执行层」，通过被充分授权代替用户执行复杂操作，证明一个并不领先的模型已足够支撑极具粘性的产品。
- 02腾讯 WorkBuddy 作为企业级 AI 助手，核心在于连接内部系统（如审批、会议），将 AI 嵌入日常运营，实现从工具向执行层的跃迁。
- 03a16z 等机构指出，客户更倾向于为可辨认的工作量或业务结果付费，而非模型调用量，这导致价值捕获从模型提供商转移到应用层。
- 04Agentic AI 可以绕过传统软件界面直接交付结果，使软件「不可见」，侵蚀依赖座席授权收费的传统 SaaS 厂商的功能护城河。
反方 / 局限
- — 文章虽然强调应用层价值，但也隐含承认模型能力仍是必要条件，当模型层出现真正的质变（如通用推理能力）时，应用层的竞争格局可能再次被颠覆。
- — 文中主要论点基于「模型能力出现过剩（Frontier Overhang）」的假设，但这一判断是否适用于所有垂直领域（如医疗、法律等对精度要求极高的场景）仍有待商榷。
概念锚点
前置背景
平行视角
未来推演
延伸追问