AI 加速之后，先分清哪些事变了
AI 产品 智能体编程 创业 访谈 战略
这场线下对谈从春节后的 AI 热潮开始。模型版本频繁发布，视频生成、智能体和 AI 编程工具同时涌入日常讨论；有人忙着安装被称为龙虾的 Open Claw，也有人在追问企业智能体、算力和一人公司究竟会把什么改变。三位对谈者共享的是加速感，却没有把加速感直接写成结论。讨论不断回到更具体的地方：一个任务怎么交给 AI，代码变多后怎样保证质量，产品做出来后怎样被用户看见。
先变化的是人对任务的想象
一位对谈者花了两个小时装好 Open Claw，随后发现它并没有立刻完成此前工具完全做不到的事。真正的变化是，他开始主动盘点还有哪些事情可以让 AI 处理。原本使用 ChatGPT、Manus 时没有被注意到的场景，因为这次安装而重新浮现。
他给出的例子很具体：每天搜集 Open Claw 生态里出现的新产品和新创业公司；如果创始人是华人，就继续查找背景和联系方式；自己决定要联络后，再让工具起草邮件。另一位对谈者则把任务设为每天查看某款眼镜是否补货，补货后购买。前者把信息搜集和联络准备串起来，后者处理一个重复而边界清楚的事务。两件事都没有证明智能体无所不能，却说明人会开始用任务而不是应用名称来思考工作。
这也是节目后来谈个人焦虑时给出的一个小尺度办法。与其追每一个新工具，不如按一周盘点哪些工作、娱乐或生活事务会重复出现五次以上，再试着用 AI 缩短其中一个环节。这个建议不承诺效率一定提高；它把尝试放在一个能检查结果的场景里。
能力跨过阈值，市场先担心 SaaS
庄明浩用阈值描述春节后的感受：模型能力提高到某个程度后，很多场景突然看起来能做了。智能体、编程、工具调用和技能包在同一时期变得显眼，市场随即把这种变化投射到既有的软件服务上。美国 SaaS 常按席位收费，席位又很容易被理解为白领员工的位置；如果 AI 改写了岗位和流程，按人头收费的软件会不会先承压？
这条推断在节目中始终带着问号。模型更强并不自动说明岗位会以同样速度消失，更不能仅凭一次产品发布计算出 SaaS 的收入变化。对谈者说，人们首先感受到的是冲击；冲击会不会像想象中那么直接、那么强烈，还需要时间验证。
他们随后转述了一篇由对冲基金撰写的文章。文章把担忧写成一条完整的条件推演：企业为提高效率而裁减白领，裁员又使企业更愿意采用 AI；白领消费和个人债务因此承压。与此同时，若 AI 减少中介、渠道和双边平台依赖的交易摩擦，部分平台的利润率也可能下降。文章最终把风险指向企业与个人债务无法偿还，并设想金融压力会被引爆。
节目保留的边界：这是一篇文章构造的情景，不是已经发生的因果链。对谈者认可它叙事完整，也明确说不清楚极端结果会不会发生、发生在什么时候，或会影响哪些行业。
围绕企业智能体，中美比较也没有得到一个轻松的答案。乐观的一方认为，美国企业有大量 SaaS 已深嵌流程，改造成智能体要处理系统迁移和组织摩擦；中国的既有 SaaS 相对少，反而可能给新流程留下空间。持怀疑态度的一方则举云服务市场为例：政策、客户选择和市场结构不同，不能因为一个地区缺少某种旧系统，就推导出新系统必定更快落地。两种判断都承认企业流程重要，分歧只在于它究竟构成阻力还是窗口。
Token 消耗不是效率的同义词
算力是讨论中另一条持续出现的线索。对谈者看到，AI 编程平台开始以限购或限制优惠等方式应对高强度使用。写代码也是他们提到的主要 Token 消耗场景之一。不过，模型在编码环节表现突出，并不代表一个团队把 Token 全压在写代码上就会更高效。
需求定义、质量检查和基础设施必须跟上。若只让 AI 在编码环节高速输出，而测试、部署和需求管理没有相应调整，结果可能是更多难维护的代码，整体工作反而没有更快。节目把它类比为电力进入工厂的早期：接上电只是开始，工厂要改变布局和生产组织，生产率才会体现出来。软件能在线上快速迭代，或许不必等同于工业时代的漫长改造，但节目没有据此给出速度预测。
模型能力越强，判断它到底强了多少也越难。数学题和部分编程题有相对清楚的答案，模型之间可以比较；开放问题没有唯一正确答案，评测变成困难的工作。对谈者提到，围绕后训练和强化学习的团队正在处理大量此类问题。一位讲者用人的能力差距作比喻：如果模型已经高于普通使用者可理解的范围，它继续变强，日常对话未必让人感觉明显。这个比喻讲的是使用者的感知边界，不是对任何模型的实际测量。
漫剧的案例：模型进入了被切开的流程
节目用漫剧说明，模型带来的变化并不只发生在程序员身上。短剧制作需要拍摄，仍受演员、场地和物理生产条件约束；图片和视频模型提升后，漫剧的一部分内容生产可以改用不同的方式组织。对谈者认为，这一轮效率提升的关键不只在画面能生成，而在于生产流程被切成若干边界清楚的环节。
每一环要接收什么材料、产出什么交给下一环，需要明确下来。人有时只负责一个特定环节，有时负责把相邻环节接好。模型进入的是一套已经拆开的协作流程，并不对应一个笼统的职位。这个案例能够解释为什么某些内容生产会迅速变化，却不能推出所有行业都能复制同样的成本、速度或市场规模。
硬件、组织和获客没有同步被解决
听众把问题从软件延伸到物理世界：AI 是大脑，手机、电脑、机器人和其他硬件会在多快的时间里成为手脚？节目中的判断是分层的。手机保有量最大，却主要为浏览屏幕设计，不适合持续执行复杂工作流；电脑更接近当前任务环境，但有人进一步设想，真正适合长时间代办事务的或许是全天候运行的服务器。智能眼镜被看作潜在新入口，不过一位从业者认为应用生态、续航和佩戴问题在十年内都难解决。讨论没有给出终端替代的时间表。
组织形式同样没有现成答案。节目中有人判断，资源会继续向超级平台和个体集中，中型公司因此特别困难。这是对已有趋势的观察，而不是对一人公司必然胜出的断言。一位内容创作者提出的矛盾很实际：他既担心自己的服务被 AI 替代，也希望用 AI 减少团队人力。对谈没有用一个未来组织模型化解这层矛盾，而是把领导、需求判断和协作安排留在人身上。
更直接的难题是，做出产品正在变容易，获得用户却没有同样变简单。现场创业者讲到，有的产品每天运行成本很高，上线后仍要解决冷启动；也有人做跨境电商，收入可观但投放开支同样巨大。节目据此区分生产与分发：工具可以降低一部分制作和试错成本，注意力、获客和持续交付依然需要商业安排。
在内容越来越多的环境里，对谈者把信任视作仍然稀缺的媒介。个人品牌、线下关系和播客都可能帮助一个小项目被理解和被相信，节目尤其认为播客的传播不完全等于明码标价的投放。但这不是获客公式，也不能替代产品本身。AI 把生产端推得更快后，为什么用户愿意来、为什么愿意留下，仍要由每个具体项目回答。