最近半年，险些每一个 AI 创业者城市有一个疑难：OpenAI 和 Anthropic 会不会把我们全吃掉？模型越来越强，Codex 和 Claude Code 越来越像操作系统，那利用层还有得做吗？
硅谷顶级风投 a16z 的合资人 Joe Schmidt 专门写了一篇文章回应这个问题。他的主题判断是：大模型公司的主攻方向（代码天生、写作、图像创作等通用工作）的确是创业公司的禁区，但在这条“黄砖路”之表，还有大量复杂、垂直的问题尝试室底子够不到，真正的机遇在那些必要让 AI 输出可信、合规、能在具体行衣凤运行的处所。
创业公司能够靠四路护城河守住阵地：行业隐性知识堆集成的数据飞轮、跨厂商跨模型选最优解的矫捷性、按工作难度分级路由的成本优势、以及助客户吸收监管复杂性的治理能力。他用一句话概括这场博弈：模型能够代替，但深耕行业的工作系统不能。
这问题背后有一种特殊的 AI 焦虑症。一些人已经认定，唯一能预防沦为永远底层的地位，要么在大模型尝试室里，要么在机械人、硬科技这类“尝试室碰不到”的前沿地带。若是每一款软件都注定被吃掉，要么被 Codex 或 Claude 直接吸收掉工作流，要么被下一代模型直接造成有余，那就连忙跑吧。
听着，我险些比谁都更 AI 原教旨主义，并且我以为他们只说对了一半。尝试室的确会吞掉一大片利用层。但“利用层”不是一个同质化的机遇池。正确的思虑框架是：你站在黄砖路上，还是奥兹国的其他处所？
“黄砖路”是我们对大模型公司主攻方向的简称，它们在这条路上投入了极其巨大的资源。代码天生、写作、图像创作这类问题之所以天然属于尝试室，是由于这些问题随着模型原始能力的提升会直接变好：每一块钱的预训练和后训练支出，城市直接改善产品履历。
若是你在创业，黄砖路是最显著的方向，也是最危险的方向。拿一个高机能模型，接上几个现成的衔接器（Google Drive、Slack、Salesforce、Notion、GitHub），再在上面搭一层代理编排，看起来像变魔术一样单一。
问题是，这就是尝试室在做的事件。他们当然占有模型自身，这意味着更好的利润率、更强的节造力，以及对下游所有参加者的定价权。但更沉要的是，他们也占有决定产品架构的权势，产品为哪些问题而设计、用什么方式来解决。他们到目前为止一向在刻意选择“模型加工具挪用”的模式，而这刚好是黄砖路上那些水平化、低步数工作所必要的。
退一步说，就算有创业公司能在产品上跑赢 Codex 或 Claude Code，尝试室手里还握着巨大的分发渠路和 AI 领域最强的品牌光环。若是你是一家 AI 利用公司，用同样的衔接器、同样的模式、没有底层子代理或深度配置、也没有自己的分发能力，那你或许率走在一条通往“哪里都不是”的路上。
但对创业公司来说，这不是全盘消极的局面�；谱┞分碛芯薮蟮幕�，创业公司能够在那里真正占有客户、解决复杂问题。
这些公司构建的是代理式履历，模型被编织进一张由工具、自动化、集成组成的复杂网络里。这使得它们天然是垂直化的。它们能够做多步、多角色合作的工作，占有针对特定角色和垂直场景的子代理，而这些都是 Anthropic 和 OpenAI 用水平化平台无法触及的：跨系统网络高低文，而后在分歧阶段由多幼我审批流转。这些场景往往涉及一个或多个遗留系统，偏差于必要确定性的了局，吞吐是不成接受的，并且最终时时绑在某个有价值的业务成就上。
尝试室很明显这些问题的价值：他们之所以在搭建自己的表包配置团队，以及为什么会出现一整个面向大客户的强化进建产业，原因就在这里。
对此最常见的辩驳是：汗青上押注“模型不会变好”从来都是糟糕的赌注。它们或许会一向变强，最终吃掉这些利用层公司的市场。
第一，数据和进建的飞轮。好多知识不在职何训练集里，不成文的行业通例、没有文档纪录的尺度、只存在于从业者思想里的隐性知识。这些全都不在公开网页上。再多训练算力也代替不了真正嵌入这些知识地点的业务流。这里有两个叠加的飞轮：跨客户飞轮，当你看到统一种问题的更多变体时涌现的模式；以及单个客户内部飞轮，具体决策背后的原因、未说出口的例表、公司自己不成文的经验法令，这些只有在与系统的真实交互中才会浮现。
即便客户数据不能在客户之间直接使用，利用公司依然能够利用跨客户问题类型的模式鉴别，来领导未来问题的架构设计。一个让代理跑过一百次司法红线审查、一千次保险核保周期、一万次销售开发代表工作的公司，已经把问题的“状态”内化了，这种堆集是下一个新进入者用一套全新代理重新起头无法复造的。
第二，治理模型的变动与复杂性。尝试室已经在做内部路由了，分歧要求调分歧模型类别、底层用集成。但他们做不到跨厂商路由，不能用竞争敌手的模型来评估某个子工作，也不能为一个极窄的环节专门用开源微调。奥兹国公司能够在整个模型市场中为每一个子工作选最优模型，而不是只能用母公司发货的那一个。他们还做了没人想做的工作：每次新模型颁布时沉新跑评估、针对客户边缘场景沉新校准提醒词、在不炸掉出产环境的前提下实现部署。尝试室不会替客户做这些；他们把下一个模型卖给你，让你自己迁徙。奥兹国公司助客户吸收掉迁徙成本�？突У玫降氖钦鍪谐∽钣胖悄艿淖楹�，以及每次升级时无感的陆续性。
第三，成本优化。每个查问都跑 Opus 4.7 是通往负毛利的最快蹊径。最好的奥兹国公司在分歧级此外模型之间做路由，最难的工作用前沿模型，大部门用中端模型，在已经获得足够堆集的环节用更幼的定造或微调模型。有些公司此刻更进一步，在这些基础上做自己的后训练，针对客户关切的极窄工作流做优化，服务成本只是前沿 API 挪用价值的零头。尝试室定的是智能的底价：花 X 元能买到的最低智能。奥兹国公司卖的是反过来的器材：为工作流现实所需的智能水平，找到最低的美元成本。这只有在你精确知路每个子工作必要什么水平时才可能，而尝试室在结构上不成能相识所有垂直行业。
第四，治理。成为客户在某个垂直行业使用 AI 的“节造平面”，这件事自身就有相当大的价值，权限、审计、代理被允许做什么、代理现实做了什么，全数汇聚于一处。这个节造平面由具体场景的护栏组成，而分歧业业、分歧岗位必要的护栏齐全分歧。由于奥兹国公司占有端到端的工具、工作流和数据，他们能在水平工具难以企及的处所提供确定性了局。他们也是替最终客户吸收监管复杂性的实体：司法行业的 FRCP 和律师规定、医疗领域的 HIPAA、金融领域的 SEC 和 FINRA、各州保险律例等等。一个水平化玩家若是不造成一百个分歧的垂直行业公司，就不成能真正承接这些责任。CIO 们想要的是一个能在合同里白纸黑字写明“我会为提供的代理承担合规责任”的合作同伴。
所有这些都指向统一件事：专一�？伤砸桓龃怪毙幸担ūＯ铡⑺痉ā⒐苷剩�，也可所以一个做深做透的职能（销售、客服、财政）。无论哪种，都必要一支团队全身心扎进一组客户里，它的工作流、它的边缘场景、它的监管规定。尝试室不是为这个设计的。他们必须同时覆盖所有人，这是他们铺出黄砖路的方式。同样的弃取也让他们进不了奥兹国的其余地域，你能够同时无处不在，也能够在一件事上做到极致。二者不能兼得。
从客户真正关切的了局启程。对 11x 来说，就是助客户产生更多销售管路。从这个问题启程，追问就变得极其具体：我们但愿端到端占有哪些真正驱动管路的活动？把每个活动分化成工作，哪些是代理式的、哪些不是，哪些必要深度的领域洞察、哪些不必要。尝试室当然也会颁布工作流，但当流程有好多步骤、输入很脏、状态很难解析、存在各类现实世界约束时，单靠更好的模型是做不到的。这部门工作回到传统软件工程，而尝试室在一个专一的利用公司刻下没有任何优势。
举个例子，11x 处置的工作蕴含：基于自界说信号做线索挖掘、线索数据补充、深度账户钻延注从 CRM 中抓取高低文、针对分歧渠路的新闻天生、线索质量判断代理、邮件投递系统。这些不是一次性就能实现的工作，必要深度工程。
奥兹国迸作中最关键的一个洞察是：在职何一个真实工作流里，约莫有一半非代理式工作，尝试室在这些工作上没有任何优势，他们写模型层下面简直定性软件，并不比你强。另一半代理式工作，依然必要你针对真正想要的了局去调、去训练、去约束模型。领域知识往往不在通用训练数据里。这些能力是从垂直或职能的泥土里长出来的，在流程的关键时刻被喂给模型。当 11x 的代理在电话上评估一个 inbound 线索时，它必要被训练去理解“什么是针对这个特定行业、这个特定人群的好销售对话”。这是利用公司能力做的工作，并且会不休堆集。
更沉要的是，业务在演进，这些技术会不休过期，你的能力就是持续演进这些工作流和高低文，这自身就造成了竞争优势。11x 的规�；始硗夭犯掌鸩绞�，“AI 味”的邮件刚起头进入人们的视野。到今天，人们对哪些是 AI 写的、哪些是人类写的已经有了敏感的判断力，而这个判断尺度每隔几个月就在变。代理必须不休凭据市场动态调整，而护城河正是在这里被建出来的。事实上，只管存在这种变动，11x 的正面回复率在从前几个月上升了 4 倍，已经为客户创造了数亿美元的管路。
在复杂度高的问题上工作。复杂问题才是真正开释贸易价值的处所，不然你只会发现自己搭了一层薄薄的壳。拆解任何一个足够复杂的贸易问题，混乱会迅速浮现。举个听起来很单一的 GTM 场景的例子：若是一家公司已经是你的客户，你就不应该再联系这家公司里的任何联系人。但这事一点都不单一。也许 CRM 里关联的是这家公司的一个域名。那些有几十个子公司的集团怎么办？若是 CRM 纪录里留的是母公司域名怎么办？若是一个 Salesforce 里过期的匹配字段，把一封冷销售邮件发给了一位现有客户的 CRO？真实世界的数据是脏的，人类尚且搞不定，模型也不会自动凌驾这路坎。从混乱中提取秩序，必要的是为问题具体状态而设计的专用代理，而不是一个对着 CRM 指领导点的通用副驾驶。事实上，凭据 11x 的数据，他们已经发现自己的数据质量和新鲜度远高于客户，所以他们默认以自己的数据为准。
护栏不只用来预防坏事产生。这是客户付钱给你的原因�；だ副谎铣恋凸懒�。即便在统一个产品内部，每一个场景都必要自己的护栏。一个受到严格监管的金融服务客户，和一家中等规模的 SaaS 客户，要求的保险齐全分歧，这些差距一向渗入到代理怎么写、能联系谁、能触碰哪些数据、电话里能说什么、以及每个决策怎么被纪录。一套“放之四海皆准”的系统在这种差距刻下会崩溃�；だ副匦氚闯【肮菇ā纯突渲谩⒊中蠹�，而这项工作齐全属于利用公司。这就是 11x 有前置部署工程师和技术部署战术师的原因，他们必要为每一个客户的需要做定造。举个例子，他们曾与一家 F1000 企业合作，通过语音向他们的大量中幼企业客户做授权表呼。最初几次迭代接听率很低，他们必须急剧迭代，学会怎么让这个特定人群在前 10 秒内产生互动。中幼企业主的行为和大企业买家、通常消费者齐全分歧。此刻他们一天为这个客户创造的销售机遇，比他们整个销售团队针对这个细分市场一个月做的还多。
当他们起头在真实保险运营中部署 AI 时，反复听到一种如果：模型是智能的载体，工作流只是萦绕它的脚手架。随着合作了越来越多的保险公司，他们越来越确信这个如果是反的。
在保险业，好多智能自身就存在在工作流里。两家保险公司可能走统一条蹊径处置一份投保申请：接件、审核、报价、承保。但蹊径只是最容易的部门。真正分辨两家公司的是蹊径内部的全数细节：哪些风险必要上报、哪些损失信号值得关注、两条文则矛盾时哪一条优先级更高、什么情况下必须有人具名、哪些表部数据会被调取、最终决策怎么归档。这些逻辑不在一个干净的规定引擎里，而是散落在 SOP、经理审核纪录、核保理想、公司特定的风险偏好和多年的操作经验中。其中很大一部门底子没有被写下来，模型无法直接读取。
这就是为什么 FurtherAI 不相信一个每次都从零推理的纯代理，也不相信一个现实一乱就崩溃的硬编码工作流。他们在构建的是代理式工作流，工作流给你可沉复性、可审计性和成本节造，代理处置不确定性并在主线走不通时复原蹊径，人类留在循环里处置那些必要承担责任的判断。
在第一天，这能自动化人为操作。但假以时日，每一次上报造成信号，每一次例表是一次反馈，每一次人类建改展示了操作手册哪里不齐全。慢慢地，工作流不再是剧本，而是造成了保险公司的运营影象。尝试室很难触达到这个层面。他们会持续颁布更好的模型和更好的通用代理，他们也理当如此。但他们不会坐在一家保险公司的出产流程里足够久，去理解为什么某一个账户被上报、某一个风险被拒保、某一位核保人颠覆风险偏好指引并且他颠覆得对。这种理解，只能来自把工作流跑在出产中数千次。你第一天交付的工作流不是护城河。出产使用所产生的反馈循环，随着功夫堆集，才是。
工具与步数测试。实现这项工作必要几多步？你必要构建的工具复杂到什么水平？对比一下：水平化 AI 搜 Google Drive，一步，操作一个工具，了局错了用户能够沉搜；和一份针对律所三年先例的多步司法红线审查，几十步、跨多个工具、输出必须通过合资人审核且最终可能在法庭上被争吵。两者看起来都像“代理在做工作”，但只有后者必要一个专一团队花几年能力构建的那种深度软件。
系统测试。你在构建的是客户用来实现工作的“系统”，还是叠加在客户已有系统之上的“工具”？系统占有端到端的工作流，数据采集、治理、实现事项的纪录，是客户描述现实工作若何产生时指向的器材。工具只是在客户已经在运行的工作流上加一层智能。做工具能产生真实收入，并且尝试室能够拿走，由于客户并不依赖你作为编排层。高客单价通常是系统的信号，由于系统代替真正的人力岗位并据此定价，但这不是保障。问自己一个问题：若是尝试室颁布了一款据称与你直接竞争的产品，客户还必要你的产品吗？若是答案是“是”，你在构建系统。若是“否”，你只是工具，即便你的客单价很高。
对冲基金/P&L 测试。尝试室的阐发用 benchmark 来评价，奥兹国其余地域的阐发用客户的 P&L 来评价。你的客户不关切你的模型在 SWE-Bench 或 MMLU 上拿了几多分，他们只关切你的代理有没有搞定那笔买卖、有没有把合同条款审对、有没有签下正确的保单。若是他们死死盯着业务流的了局，而不是一个通用的能力评分，你就在奥兹国其余地域。若是他们买的是通用能力，你卖的器材他们买一张 Claude 或 Codex 的席位就能得到。最好的代理公司必要像对冲基金一样运作，用客户 P&L 衡量的 alpha 来取胜，而不是用 benchmark 分数。
模型公司会持续赢，由于他们占有模型，也占有他们设计的水平工具的分发能力。奥兹国其余地域的公司若是能占佑装工作系统”，公司现实执行工作的界面，以及从工作中产生并沉淀下来的数据，就能赢。这些公司拥罕见据采集、工作盛行动系统和治理层。随着某个垂直领域内更复杂的工作流不休成熟，它们会汇聚成一个客户最终依赖的主题履历。当新一代模型从寂仔大公司和新兴玩家中不休颁布，这些公司就成了整合所佑注把智能交付给客户的中央层。模型在底层能够代替，但工作系统不能。
九一麻花传剧免费观看2023年上映-百度葡萄牙体育主席弗雷德里科-瓦兰达斯对费内巴切主席候选人哈坎-萨菲关于路易斯-苏亚雷斯的言论作出了强硬回应。他表示，如果萨菲真的想签下这位哥伦比亚前锋，那么根本不需要与俱乐部谈判，只需支付8000万欧元的解约金即可。类似的场景，如今正在越来越多的社区里上演。“AI社工是指以AI为关键技术、以人机协同为主要方式、以提升效率和个性化服务为主要目标，可协助开展专业社会工作服务的数智化系统或智能体。”北京邮电大学信息与通信工程学院副教授张佳鑫说，这些看不见的社工“新同事”，正在悄然改变基层治理的日常。九一麻花传剧免费观看2023年上映-百度xl司令在线旁观免费高清全集创始人韩美有过一线销售背景，她深知销售、供应链、跨境贸易这些场景的运作方式，建立在十几年甚至几十年的软件体系之上，中间夹杂着大量人工确认、例外处理和经验判断。模型能力与真实业务之间，始终存在一段难以跨越的距离。南非的数字基础设施呈现“多源依赖”的格局——平台依赖美国、设备依赖中国、监管标准依赖欧盟，而美国云三巨头在南非企业中的信任度合计高达95%；马来西亚的云市场约68%至73%为美国三巨头占据，其104个联邦机构中有71个使用外国云；印度尼西亚的谷歌搜索份额超过93%，移动操作系统几乎全部为美国系统。笔者认为，结构性依赖是其余各个途径得以有效运作的地基：依赖越深，胁迫越可信、游说越有力、绑定越自然。
20260606 ? 九一麻花传剧免费观看2023年上映-百度下半场开始后，雷耶队打出7-0的攻势，以47-45首次取得领先。随后维图斯回敬一波0-7，在26分钟时以57-51重新领先。最后一节，威尼斯打出8-0的攻势，坎迪和帕克斯命中三分，特西托里快攻得分，在33分钟时将比分改写为69-63，迫使雅科夫列维奇请求暂停。比赛陷入胶着，哈克特与坎迪发生接触，据称白黑军团的组织后卫有头部动作，导致其被驱逐出场。威尼斯将比分扩大至76-65。爱德华兹命中三分，迪奥夫连得5分，帮助维图斯在36分钟时将比分追至73-78（落后5分）。摩根的关键得分（全场唯一进球）使比分变为77-80（落后3分）。多斯·桑托斯三分未中，爱德华兹在终场前1分30秒命中三分将比分追至83-85（落后2分），但威尼斯最终保住领先，赢得第三场比赛。第四场比赛将于周六20点在塔利尔西奥球场继续进行。秋霞电影网你好。嗯，在国家队的压力确实非常大，这一点我们在成为球员之前就已经知道了。在这里当然也会感受到这一点。但凭借我们现在的经验，我们能够更好地去处理，每个人都有自己应对这种压力的方式。也许有时候会像你说的那样有点过头，但我认为我们现在的重点很清楚，就是要专注于真正重要的事情。
20260606 ? 九一麻花传剧免费观看2023年上映-百度传奇后卫李容杓指出，“在世界杯上，韩国队遇到的对手实力更强，而这场的对手仅排名世界第102位，能否在世界杯上展现出同样的比赛内容和战术还值得观察。”《我女伴侣的男伴侣》演员表董璇和张维伊再婚，二人一起上了综艺，小酒窝跟着露面，作为继父和继女，二人相处模式引发巨大争议，董璇人设拉满、流量到手，成功回到大众视野。
京公网安备11010202000001号
