近期，几乎所有人都在追问同一个核心问题：
AI应用是否仍具备商业价值？OpenAI与Anthropic这类巨头是否会终结所有创新？
这个疑问背后，实际上折射出一种典型的人工智能焦虑。
越来越多的人倾向于认为，所有软件最终都会被底层模型所吞噬。今天是Codex、Claude Code，明天可能就会出现更强大的新模型。无论你此刻投身什么类型的应用开发，都可能面临被基础模型直接“内化”的风险，最终丧失独立价值。
昨日，A16Z合伙人乔·施密特专门撰文，对这一问题进行了深入剖析。
他的核心观点是：大模型确实正在侵入应用层，并会占据相当可观的市场份额。然而，问题在于，多数人对“AI应用”的理解过于简化。现实世界中的企业流程，远比“一个聪明的模型”要复杂得多。
即便当下通用模型的能力已相当强悍，它们距离真正落地企业核心业务，依然存在一段漫长的距离。而这段距离，恰恰正是AI应用公司的价值成长空间。
远离模型核心航道的战略选择
当前的AI应用大致可归纳为两类路径：
其一，是沿着大模型公司正在铺设的“黄金大道”前行。所谓“黄金大道”，指的是大型模型实验室最自然会涉足的方向。
例如，代码生成、通用办公助手、文档摘要、图像生成、通用智能体。这些产品的共性在于，其核心体验很大程度上依赖于模型本身能力的提升。
而这恰恰是OpenAI与Anthropic最擅长的领域。
它们掌控着模型本身，也掌握着分发渠道。更重要的是，它们能定义产品的底层架构。比如，采用“模型结合工具调用”的模式，让AI接入Google Drive、Slack、Salesforce等常用软件，完成搜索、总结、写作、编程这类横向通用任务。
如果一家初创公司仅仅接入同样的模型，连接相同的软件，再叠加上一层简单的智能编排，那么本质上就是与大模型公司同质化竞争。
而OpenAI不仅拥有模型、品牌与分发优势，还具备更强的定价话语权。
即便AI应用公司短期内打造出体验更优的产品，也很难保证这种优势能够长久延续。因为下一代模型更新后，许多现阶段的特色功能很可能直接演变为基础能力。
这也是为何不少AI应用虽然增长迅猛，但长期风险极高的原因——它们离大模型公司的核心航道太近。
其二，是深入那些复杂、垂直、非标准化的真实业务场景。
这才是AI应用真正的机遇所在。比如保险、法律、医疗、财务、销售、客服、供应链等。这些行业面临的问题，绝非简单地问一句AI就能解决。
原因在于，许多企业如今的运营模式，依然建立在过去十几年甚至几十年的软件体系之上。数据分散在各类系统中，流程跨越多个部门，其中夹杂着大量的人工确认、例外处理与经验判断。虽然软件工具众多，但彼此之间并未真正实现互联互通。
员工每天的日常工作，并非坐等AI回答问题，而是在多个系统间频繁切换：复制数据、上传文件、核对信息、发送邮件确认，并根据上下文做出判断。
这才是企业中最真实的工作全貌。
例如一家保险公司，表面上只是“审核保单”，但实际运作背后，牵扯到不同地区的监管规则、不同团队的风险偏好、不同客户的历史记录，以及大量未明确写入文档的经验判断。
同一份材料，在不同企业、不同团队甚至不同负责人手中，处理方式都可能截然不同。
这些深层次信息，并不会天然存在于大模型的训练数据中。
模型可以提供智能判断，但它无法知道某家公司过去为何拒绝某类风险，也不了解某位核保员为何在某个特殊案例中推翻系统建议。它更无法洞悉一个企业内部那些没有写入流程文档、却长期影响业务决策的隐性规则。
这正是垂直AI应用的价值所在。
模型能力与真实业务之间的鸿沟，正是AI应用公司的突破口
从当前现状来看，通用模型与真实业务之间，仍存在一条较长的鸿沟。而这正是AI应用企业发展的良机。
模型能力与现实业务的距离，主要源于三个层面：
第一层壁垒，源于行业数据与经验积累。
许多行业知识并不存在于公开互联网上，更多是在实际工作中逐步沉淀形成的。
一次法律审查为何被合伙人退回，一份保险申请为何被升级处理，一个销售线索最终如何促成，一个客服问题为何需要转人工——这些经验只有在大量真实流程中反复运行，才能逐渐转化为系统能力。
这类数据虽然未必能跨客户直接复制，但问题类型、处理路径与异常模式会持续积累。
一个处理过上百次法律审查的系统，与一个初次进入这一行业的新产品相比，对问题的理解深度截然不同。同样，经历过上千次保险承保流程的系统，会更清晰地识别哪些环节最容易出错，哪些信息对最终判断影响最大。
这就是垂直应用公司的学习飞轮效应。它是在真实生产环境中跑出来的核心竞争力。
第二类壁垒，来自对模型复杂度与成本的有效管控。
真实业务场景并不会仅靠一个最强模型解决所有问题。
如果所有任务都调用最昂贵的前沿模型，成本很快会失控。真正成熟的AI应用公司，会根据不同任务特性选择不同模型。某些复杂判断交给顶级模型，批量处理则调用中档模型，而高重复性任务可以采用更经济的小模型或微调模型。
其中的核心在于，准确判断每个环节所需的模型层级。这要求对业务有足够深入的了解。
大模型实验室可以提供通用能力，但它们无法为每个行业、每家企业、每个工作流都制定精细的成本优化方案与模型调度策略。
垂直应用公司的机会便在于：以更低、更稳定的成本交付具体业务成果。
第三类壁垒，源于治理与责任机制。
越是深入企业核心流程，AI产品对可控性的要求就越高。
医疗领域有隐私与合规要求，金融行业有监管约束，法律领域有职业规范，保险行业同样面临州级监管与审计要求。
在这些场景中，企业关心的不仅是AI能否完成任务，更包括它能访问哪些数据、能执行哪些操作、结果如何记录、出现问题如何追责。
这不是一个通用聊天框所能解决的问题。它需要将权限、审计、审批、人工介入、操作记录等都整合进系统，让企业能够放心使用。
因此，在许多行业中，AI应用公司真正交付的，是一套可被企业接受的运行机制。
销售就是一个典型例子。表面上看，AI做销售很简单：找客户、写邮件、发消息、跟进线索。
但真正实施时，问题会迅速变得复杂。
一个潜在客户究竟是不是目标客户？一家公司的母公司与子公司该如何识别？CRM中的数据是否已经过时？同一联系人过去是否已被触达？某类客户适合电话沟通还是邮件联络？
这些细节看似微小，却直接决定了最终销售成果。
如果只是让一个通用模型写几封邮件，那么价值微乎其微。真正有价值的，是把客户筛选、信息补全、背景调研、渠道选择、话术生成、发送节奏与结果反馈串联成一个完整闭环。
此时，AI便不再只是写作工具，而是融入了销售团队的真实工作流程。
随着时间推移，这套系统就不仅仅是执行脚本，而是逐渐成为一家公司的运营记忆。
这才是大模型实验室难以直接复制的部分。
因为它们可以提供更优质的模型，却难以长期深入每一家保险公司、每一家律所、每一家医院，去理解其内部真实而细碎的运作方式。
评估AI应用价值的三个关键问题
那么，如何判断一家AI应用公司是否处于“黄金大道”之外？可以用这三个问题来检验：
第一个问题，这项任务究竟有多复杂。
如果一个产品只是帮用户在Google Drive中搜索文件、进行内容摘要，流程很短，结果也相对宽容。即使出错，用户也可以再问一次。
但如果是依据一家公司的历史案例进行法律审查，情况则完全不同。它可能需要调取多个系统的数据，经过多轮判断，最终还需由合伙人审核，甚至影响真实诉讼结果。
二者虽然都看似“AI在执行任务”，但难度完全不在一个量级。
第二个问题，它到底是工具，还是系统。
工具只是为现有流程增加一点智能，而系统则会成为客户真正赖以工作的平台。
如果客户离开这个产品，原有流程便无法运转，或效率大幅下降，那么它更接近一个系统。如果某个大模型公司推出类似功能后，客户可以轻松替换，那么它更偏向一个工具。
AI应用真正的长远价值，往往来自成为系统，而非充当插件。
第三个问题，客户究竟为什么付费。
如果客户仅为通用能力付费，比如写得更快、总结得更好、代码补全更顺手，那么大模型公司迟早会进入这一领域。
但如果客户愿意为具体业务结果付费，比如销售线索增长、结账周期缩短、理赔处理提速、合同审查更精准，那么应用公司便拥有更大的发展空间。
总结
展望未来，大模型公司与AI应用公司都将赢得市场。
OpenAI与Anthropic会继续抢占大块横向市场，因为它们拥有模型、品牌与分发渠道。代码、写作、搜索、办公助手这类通用场景，会自然地向大模型平台集中。
但这并不意味着应用层毫无机会。在更为复杂的行业领域，模型只是基础设施。真正决定价值的，是谁能将模型转化为可运行、可管理、可持续优化的业务系统。
底层模型可以替换，但企业的工作系统却难以频繁更换。
一家企业一旦将核心流程、历史数据、审批机制与运营经验都嵌入某个系统，迁移成本便会变得极高。随着时间积累，这个系统会越来越懂业务，也越来越难以被简单替代。
因此，AI应用并非没有价值。
没有价值的，是那些距离大模型公司核心航道太近、同时又缺乏真实业务深度的应用。
下一代企业级软件，大概率不会诞生在最显眼的“黄金大道”上。它会出现在那些复杂、分散、充斥着人工流程的行业深处。
那里没有太多聚光灯，却有更真实的客户需求，也隐藏着更持久的竞争壁垒。
