过去几年，人工智能行业始终围绕一个核心议题运转：谁掌握着最强大的模型。

参数规模有多大、推理速度有多快、性能榜单排名第几——这些几乎成为了每次产品发布会的固定剧本。无论是OpenAI、Anthropic，还是国内的智谱、MiniMax、月之暗面，其产品叙事方式都高度雷同：模型越聪明，公司估值就越高。这是第一代大模型企业普遍遵循的商业逻辑。

然而，这一逻辑如今正悄然松动。先给出一个核心判断：市场风向已经改变。

以最近发布的MiniMax M3为例。最引人瞩目的已不再是单纯的模型能力指标，而是一系列全新的评测基准：BrowserComp、SWE Bench、Terminal Bench、OSWorld、MCP Atlas。这些名称背后有一个共同点——它们不再追问模型“知道什么”，而是聚焦于模型“能做什么”。

不少观察者将这股趋势归因于Agent浪潮。但如果将视野放宽，会发现M3更深层的意义并非技术路径上的Agent演进，而是MiniMax对自身商业本质的重新定位。它开始直面一个此前行业普遍回避的问题：一家AI公司真正交付给客户的，究竟是什么？

01 第一代AI公司，售卖的是Intelligence

过去数年，竞争范式极为清晰：模型能力即产品本身，基准测试即价值标尺。MMLU、GSM8K、HumanEval、LiveCodeBench……这些评测体系的意义远不止技术验证，更承担着市场共识语言的功能。就像CPU有SPEC、GPU有MLPerf、数据库有TPC——任何成熟产业都会自然演化出专属基准，因为市场需要统一尺度来衡量产品价值、支撑采购决策，也便于资本形成判断依据。

因此，参数量级与榜单排名，成为外界认知一家AI公司最直观的窗口。此阶段，模型即商品。

MiniMax M3一处常被忽视的转变在于：它用大量篇幅系统阐述了另一类能力。

SWE Bench、BrowserComp、Terminal Bench、OSWorld、MCP——这些新基准的共同特征是：几乎不考察模型是否“会答题”。它们关注的是：模型能否修复真实的线上Bug？能否自主完成网页交互？能否调用本地开发环境？能否对接企业内部系统？能否端到端地执行一项完整任务？

换句话说，评测对象正在发生根本性迁移。过去考的是Intelligence，如今测的是Task Completion。模型第一次面临“岗位胜任力考核”，而非“知识掌握度考试”。这不仅是评测体系的升级，更是MiniMax向市场释放的关键信号：模型能力仍是基石，但决定商业成败的，是工作任务的实际落地能力。

02 MiniMax为何转向强调“工作”？

早期，大模型的核心客户是开发者。开发者购买的是能力——他们在意模型是否更强大、能否解决更复杂的问题。但企业客户的逻辑截然不同。企业采购AI，极少关心它在榜单中排名几何。真正关注的是：它能帮助业务完成多少具体事项？能替代多少人工操作？能嵌入多少核心流程？能带来多大效率提升？

相应地，产品表达也随之重构。Browser不再仅指浏览器操作能力，而是通向办公流程的入口；Coding不止于代码生成，而是深度融入研发全链路；Terminal不单是Linux命令行支持，而是接入开发环境的关键通道；MCP也不只是通信协议，而是连接企业既有软件生态的桥梁。

当这些能力并置审视，会发现MiniMax所呈现的，已不是一个孤立模型，而是一套可部署、可集成、可闭环的工作流能力体系。

03 从Token走向Workflow

许多人仍习惯将AI公司视作API提供商，收入依赖Token计费。调用量越大，营收越高——这是第一代AI商业模式的基本公式。但一种新趋势正在浮现：越来越多企业采购AI，并非为了获取更多回答，而是为了驱动更多实际产出。

修复一个线上缺陷、整理一场会议纪要、处理一张工单、解析一份合同、完成一次网页表单提交……价值计量单位正在悄然迁移。过去，一次调用对应一个Answer；如今，一次调用越来越对应一项Task。

MiniMax M3的产品架构，亦明显围绕这一逻辑展开。

模型退居底层基座，Workflow成为核心产品形态。若将M3放置于整个行业发展脉络中审视，它所代表的，是一种全新的产品叙事范式。越来越多AI公司正通过实践证明：工作流能力才是下一阶段的竞争重心。

这一转向并非MiniMax独有。Claude Code聚焦开发全流程协同；OpenAI的Operator与Computer Use模块强化任务级执行；Google则持续深化Gemini在Workspace和浏览器场景中的无缝协作能力。行业竞争单元正从单一模型能力，转向Workflow与Productivity的综合比拼。

04 为何这一转向值得资本重视？

资本市场真正看重的，从来不是技术领先本身，而是技术如何转化为可持续的现金流。模型能力可构筑技术护城河，但Workflow更易构建商业护城河。因为一旦工作流深度嵌入企业，便意味着：数据持续沉淀、流程深度绑定、员工使用习惯固化、系统间紧密集成。这些要素直接导向更高的续约率、更强的客户黏性，以及更稳健的盈利模型。

因此，越来越多AI公司正主动将产品叙事，从模型能力转向工作能力。这不是放弃模型，而是探索模型之外更具延展性的长期价值来源。若将视角进一步拔高，会发现M3最具战略意义之处，并非某项基准测试的突破，而是MiniMax对未来竞争对手的重新定义：从另一家模型公司，转变为企业的办公入口、浏览器、IDE、Office套件、ERP或CRM系统。

企业的数据不会沉淀在一次对话中，而终将沉淀于每日运转的真实工作流里。谁能接入更多工作流节点，谁就掌握了更坚实的商业根基。由此观之，MiniMax未来真正的对手，早已不限于OpenAI或Anthropic，而是所有定义企业日常运作方式的主流软件平台。

尾声：AI公司价值体系的重构启程

如果说过往的大模型之争，本质是Intelligence的竞赛；那么今天，MiniMax M3展示的，是一种全新竞争范式。

模型依然关键，但它正从“前台产品”演变为“后台基础设施”。真正站上舞台中央的，是模型如何渗透企业场景、如何连接既有软件、如何驱动真实任务闭环。

对MiniMax而言，这或许比某次基准测试排名更具战略分量。因为它标志着公司正尝试回应一个根本性命题：当模型能力日趋同质化，AI公司还能依靠什么构筑长期壁垒？

M3给出的答案，不是更大参数，也不是更高分数，而是更深、更广、更实的工作覆盖。这或许正是AI行业迈入新阶段最关键的风向标。

未来，衡量一家AI公司价值的标尺，将不再仅是模型有多“聪明”，而是它能帮助企业重构多少生产力。