OpenAI占领应用层？a16z认为真正的机遇在通用模型之外

正文：

原文标题：Avoiding Death on the Yellow Brick Road

原文作者：Joe Schmidt IV，a16z

编者按：随着大型模型能力的不断增强，AI 应用层面出现了普遍的担忧：如果 OpenAI、Anthropic 等模型公司不仅掌握底层模型，还具备分发渠道和品牌优势，创业公司在应用层还能做些什么呢？

这正是 a16z 合伙人 Joe Schmidt 在本文中所探讨的主题。他用《绿野仙踪》中的「黄砖路」作为比喻，将 AI 应用的机遇分为两类：一类是大模型公司正在积极进入的主流领域，如代码生成、内容创作、图像生成、通用型代理和横向办公助手；另一类则是「奥兹国的其他地方」，即那些深入行业流程、依靠复杂工作流、数据积累、合规治理和系统集成能力的垂直场景。

从销售到保险，Joe Schmidt 强调了同一个观点：企业真正愿意支付的，不是一个更智能的聊天窗口，而是一个能够对业务成果负责的系统。这种系统需要理解客户数据的复杂性，处理多人审批和边界案例，承担合规与审计责任，并在模型不断更新时，帮助客户完成迁移、路由和成本优化。

因此，本文对下一代企业软件的核心见解是：底层模型将变得更强大、更具可替代性；而真正不可或缺的，是围绕特定行业和工作流积累的数据、流程、治理能力与运营记忆。AI 应用公司的机会不在于与模型公司争夺「黄砖路」，而在于探索那些更复杂、更脏、更慢，但也更贴近真实商业价值的领域。

最近，我从创始人和潜在员工那里听到一个共同的问题：AI 应用层还有什么发展空间？难道 OpenAI 和 Anthropic 最终会消灭一切吗？

这个问题反映了一种典型的 AI 焦虑。有些人已经得出了结论：若不想沦为底层技术的附庸，唯一有长期价值的方向是进入大模型实验室，或是在机器人、硬科技等前沿领域创业——换句话说，就是做那些「实验室无法触及」的事情。如果每一种软件都将被取代，要么被 Codex 或 Claude 直接吸收掉，要么被未来某个模型所淘汰，那最好的选择似乎就是：快逃！

我承认，我自己也倾向于 AI 极大主义，并且我认为这种观点有其道理。大模型实验室确实正在进入应用层的广阔领域。然而，「应用层」并不是一个单一的机会集合。关键的判断标准在于：你是在走「黄砖路」，还是在奥兹国的其他地方。

所谓「黄砖路」，是指大模型实验室正在走的道路，并投入了大量资源。代码生成、写作和图像创作等问题之所以适合实验室来解决，是因为它们会随着模型能力的提升而变得更有效：每一美元的预训练和后训练投入，都会直接改善产品质量。

相对而言，奥兹国的其他地方则涉及更复杂、通常也更垂直的挑战。这些问题并不是简单地为企业用户提供一个横向工具，就能轻松解决。这里的价值更多来自于模型周围的支架：这些支架使得输出在特定行业中更为可信和合规，并能够真正融入业务流程。底层模型的基本能力依然重要，但已不是唯一关键。

我们正在实时目睹这一变化。OpenAI 和 Anthropic 实际上已经开始承认：它们无法依靠通用的 AI 同事解决所有问题。它们已经启动了大规模的前线部署合资项目，旨在为企业配置和定制模型以建立完整的公司。如果它们真的认为下一次模型发布能够解决这些问题，就不会投入数十亿美元于此类项目。

因此，如果你希望通过 AI 应用获利，别走「黄砖路」，而应探索奥兹国的其他地方。以下是我们及其投资组合中的一些创始人所学到的经验教训。

如果你打算创办一家新公司，「黄砖路」是最显眼的选择，但也是最具风险的选择。使用高性能模型，连接现成的工具，如 Google Drive、Slack、Salesforce、Notion、GitHub，然后在其上构建智能体编排层，乍看之下似乎如同魔法。

但问题在于，这正是大模型实验室通过 Cowork 和 Codex 正在进行的事情。显然，它们拥有模型，这意味着它们能获得更高的利润率、更强的控制力，并能够对所有下游参与者施加定价权。更重要的是，它们掌握了决定产品适用性所需的架构选择。迄今为止，它们一直采用「模型 + 工具调用」的模式，这正是「黄砖路」上横向、低步骤工作所需的模式。即使一家创业公司以某种方式超越 Codex 或 Claude，大模型实验室依然拥有庞大的分发能力和 AI 领域最强的品牌影响力。

如果你是一家 AI 应用公司，采用相同的策略：接入相同的工具，缺乏底层子智能体或配置，且没有分发渠道，那么你很可能是在走向失败之路。

然而，对创业公司而言，情况并非全然悲观。在「黄砖路」之外，依然存在巨大的机遇。创业公司可以在这些领域获得客户并解决复杂问题。

这些公司正在构建智能体验：将模型整合进复杂的工具、自动化和集成网络中——换句话说，就是软件。这也使得大多数这类创业公司天然具有垂直化特征。它们可以专注于多步骤、多参与方的工作流，针对不同角色和垂直场景设计子智能体，处理 Anthropic 和 OpenAI 的横向平台难以触及的问题：跨系统收集上下文，并将任务路由给多个需要在不同阶段审批的人员。

这类工作通常涉及一个或多个遗留系统，往往需要确定性结果，因为模糊性是不可接受的，有时还会直接关联到某个重要的商业成果。大模型实验室当然明白这些问题的价值：这也是它们建立外包配置团队的原因，整个面向大客户的强化学习服务公司群体也因此应运而生。

对上述观点的一个反驳是：到目前为止，押注模型或实验室不会持续进步的策略，往往是一个糟糕的选择。它们很可能会不断增强，并最终吞噬这些应用层公司所服务的市场。

毫无疑问，大模型实验室将继续进步。但我认为，奥兹国其他地方的公司，从长远来看仍然拥有几种防御策略。

许多你在业务中真正内化的内容，并不在任何训练集中：行业惯例、无文档记录的标准、存在于从业者脑海中的部落知识。这些信息并不在公开互联网上。无论投入多少训练算力，都无法替代真正融入这些知识的工作流。

这里叠加了两个飞轮：一个是跨客户的飞轮，当你处理过同类问题的更多变体后，模式会不断累积；另一个是客户内部的飞轮，涉及具体决策背后的原因，那些未明说的例外、公司自身的经验法则，只有在用户与系统真实互动时才会显现。

即便客户数据不能跨客户使用，应用公司仍然可以利用对不同客户问题类型的模式识别，并用它来指导未来问题的架构设计。如果一家公司已经让智能体处理过一百次法律红线修改、一千轮保险核保，或一万次 SDR 销售开发活动，它对问题形态的理解已经不是一个新参与者能够轻易复制的。

理论上，一个横向智能体也可以建立相同的学习基础设施。但其未能实现的原因，除了专注度不足外，更重要的是用户体验。捕获这种知识完全依赖于用户所获得的工作流界面的设计。垂直公司可以围绕特定工作流真正需要的信息来设计这些

来源：Odaily星球日报