AI创业的3个机会市场
7月底，OpenAI董事会主席Bret Taylor接受了知名播客Lenny’s Podcast的采访，谈到了他对AI的最新看法。
他认为人工智能有三个部分最终会成为相当有意义的市场。第一个有意义的市场是前沿模型或基础模型。这方面最终将只剩下少数超大规模企业和真正的大型实验室，就像云基础设施及服务市场一样，因为创建前沿模型会消耗大量资金，需要资金充足的大公司来支持。目前尝试这样做的初创公司都已经合并或者被收购，这对于初创企业来说几乎没有可行的商业模式了，而且作为一种资产类别，这些模型的价值会相当快地贬值，只有扩大规模才能获得投资回报。
第二个有意义的市场是工具，这里指的是数据平台。在基础设施服务和云工具市场，很多像亚马逊、Azure这样的大公司在这些领域都有竞争产品。有一些真正有意义的公司，但还有很多其他公司被基础设施提供商自己的技术所取代。可能有很多人需要你的工具，但问题是如果这些大型基础设施提供商之一引入了竞争对手，人们为什么会继续选择你？这是一个很好的市场，但它有点接近尾声了。
第三个是AI应用市场。有像Sierra这样的公司，帮助公司使用Agent来接听电话或回答聊天，以提升客户服务质量；有像Harvey这样的公司，为法律、律师助理行业、反垄断审查、合同审查等提供代理服务。这就像软件及服务市场，他们可能是利润率更高的公司，因为销售的是能够带来商业成果的产品，而不是建模本身的副产品。他们肯定会向模型提供商缴税，这就是为什么这些模型提供商最终规模会非常大，但利润可能会略低。随着时间的推移，产品比技术更重要。
同时，Bret Taylor还发表了关于Agent的独到见解。他表示，非常看好人工智能带来的生产力提升，但目前的工具和产品有些不成熟，相当违反直觉。因此，Agent的自我反省观念非常重要，让AI监督AI实际上非常有效。
试想一下，如果你制作一个90%的时间都是正确的Agent，这并不是那么容易做到的，但是让另一个Agent在另外10%的时间内发现错误，这或许是一个容易解决的问题。
下一代AI产品的4个信号
8月22日，OpenAI首席产品官Kevin Weil接受《Moonshots》采访时，分享了下一代AI产品的四个关键信号。
信号一：推理突破，从“知道”到“会想”
Kevin Weil一开场就点出一个误区：人们总以为AI聪明，是因为它知道得多。但真正的变化，是它开始会想了。
它不再是给你一个现成的答案，而是能自己串起多个步骤，走完一个完整的推理过程。例如：以前，你问它“多少人能爬上这座山？”，它会从某个来源扒一个数字给你；现在，它会反问自己三件事：这山有多高？有路吗？天气呢？然后才给你一个推断。
这听起来像一个小细节，但其实是GPT-5最大的变化之一：从调取答案，转向构建思路。这种能力，不是靠堆砌更多数据实现的，而是模型本身进化出了“思维链”（Chain-of-Thought）的能力。
Kevin Weil强调，这种推理，不仅让模型更像人在思考，也让它能应对更复杂的任务——这就是为什么它能处理财务分析、科学论文、代码逻辑这样的复杂工作。
信号二：界面重塑，主动服务成为标配
在大多数人印象中，ChatGPT是个等你提问、然后给出回答的工具。而Kevin Weil表示，OpenAI的目标，是让ChatGPT变成你身边真正的的智能伙伴，而不是等你召唤的工具。
要让AI主动服务，它必须先了解你的习惯和偏好。Kevi Weil提到几个关键能力，正在成为下一代AI产品的标配：
Memory（记忆）：模型能记住你的名字、偏好、上次没做完的事情；
Vision（视觉）：能够生成图片、视频，实时创建场景和设计内容；
Voice（语音）：能像朋友一样与你连续交谈，而不是尴尬的一问一答。
这背后不是纯技术实力，而是体验设计：能听懂你说话的方式，能感知你做事的习惯，能补上你没开口说出来的部分。
在Kevin Weil的产品规划里，语音是一个关键的拐点。他透露，团队在语音对话上测试了大量细节：语调、节奏、情绪，甚至包括恰到好处的停顿和打断。
这是一种“共处感”设计。它让你不需要刻意组织语言，能在你迟疑时主动补充，还能根据你说话的语气，判断出下一步要不要继续说、要不要切话题。
这种体验，正在改变产品形态。以前的AI应用像一个个独立工具，要点进去、选选项、输文字。而现在，当你打开应用或操作界面时，AI默认在场：打开邮箱，AI已经整理好你今天要重点回复的邮件；切换到会议软件，AI已经拉好了你昨天讨论过但没跟进的议题；打开PPT，AI正在帮你重写一页逻辑不清的幻灯片。
这种状态，不是AI更强了，而是它更懂人性了。只有当AI不再需要点击进入，而是无处不在，人类才会真正用起来。
信号三：产品闭环，任务完成度决定价值
在采访中，Kevin Weil还透露了一个重要信号：“多数用户已经开始不关心AI多聪明，只关心事情是不是真的能做成。”
这反映了市场的成熟：AI正在从“技术展示品”变成“生产力工具”。衡量标准不再是能力边界，而是交付质量。
什么叫“把事做成”？比如，你想发一封数据分析邮件。AI不只是帮你写好文案，它得能自己调动CRM系统里的数据，套用你习惯的邮件模板，发送出去，并做好记录，方便你下次追踪。
这背后，不是一个模型在单干，它需要调用很多外部工具：文档、数据库、API接口、邮箱……真正的智能体，不是自己做所有事，而是会调动环境里的能力，把它们组合在一起解决问题。
AI开始创造真正的业务价值，而不只是提供智力支持。而能不能做到“干完这件事”，取决于三件事：
工具调用是否稳定（不会中断）；
流程是否可以追溯（出错能查）；
结果是否能写回系统（数据能被其他应用读）。
Kevin Weil指出了一个行业误区：“很多人以为把模型接到网页上，就算一个AI产品了。这远远不够。”
信号四：全球落地，普惠能力成为分水岭
Kevin Weil在访谈里反复强调：“我们最在意的，是模型能不能尽快被人用起来。”——这也是OpenAI的全球部署思路：不等技术更完美，而是把当前能力尽快普及给更多人。
他给出一个很有意思的数字对比：今天，全世界约有3000万程序员；但未来，AI可能让30亿人 都具备一定的编程能力。因为“编程”的定义被改写了，它不再是写一行行复杂的代码，而是用自然语言告诉AI你要什么。
未来几年，顶尖大模型的能力可能越来越接近。但真正的差距，将体现在别处：
谁更早实现全球部署？
谁的定价策略更灵活？
谁能为不同国家、不同群体，提供真正落地的产品？
这背后，是基础设施、客户支持、版本适配、语言本地化的一整套打法。因为全球竞争的标准变了：不是技术演示，而是实用性和稳定性。
关于AI定价的5个趋势
AI在深刻变革软件行业的同时，也带来了一个问题：AI功能固然强大，但由于价值错位和成本压力，传统的定价方式正在失效，尤其是对于人工智能原生产品而言。
最近，国外科技作者Kyle Poyar收集了超过240家软件公司的数据，透过这些数据，他得出了关于AI定价的5个趋势：
1. 传统定价方式面临挑战，混合定价模式成为主流
以前，软件定价主要是席位收费和固定费率订阅两种模式。这些模式提供了价格的可预测性，并有望带来持久的经常性收入（ARR）。
然而，由于价值错位和成本压力，这些模式正在被混合定价所取代，即订阅和使用的组合。
混合定价如此受欢迎的主要原因如下：
没有对原有定价体系造成太大冲击，它可以融入现有的基于座位和订阅的模式；
它创建了一条自然的追加销售路径，让客户“免费”试用新产品，然后随着使用量的增长而盈利；
可观的利润率。通过限制使用量，公司可以控制成本，并最大限度地降低无利可图客户的风险；
相对可预测。通过遵循传统的定价模式，买家可以估算成本并控制支出。
2. 混合定价的组合很多，各有优缺点
随着越来越多AI产品转向混合定价模式，一个新的挑战出现了：构建混合定价的方式似乎有无数种，但并非每一种都合适。
在这里，作者分享了一些常见的定价方法，以及其优缺点：
第一，现收现付。现收现付意味着无需承诺，完全灵活。当客户可以报销费用或将其计入运营预算时，这种模式最有效。否则，企业采购要小心了！
第二，有上限的现收现付。这种模式通过限制潜在使用量/支出，让买家安心无忧，在基于结果的模式中越来越常见，因为结果事先是未知的。
第三，基于使用量的套餐。客户承诺一定的使用量或套餐，且通常是“用完即止”。套餐包含多种子模式，包括超额计费或递减模式。
第四，平台费加使用量。收取平台费有助于锁定客户，同时让他们享受高级功能、优质支持等。当定价指标商品化（例如：短信、计算、存储）或无法反映产品的全部价值时，这种方法非常有效。
第五，平台费（含使用量）加额外使用费。这种模式也称为三部分资费模式，其订阅费较高，但包含一定程度的“免费”使用费。提供最低使用量有助于吸引客户，并通常会刺激他们增加整体消费。
第六，自适应固定费率。在这种模式下，客户承诺选择一个基于使用量的层级，但在合同期内可以随意使用产品，不会产生超额费用或需要升级。在合同续期时，其层级会根据实际使用情况进行上调或下调。缺点是如果使用量下降，你仍需承担相应的成本。
第七，平台费加成功奖金。在这种模式下，定价以更传统的订阅费形式呈现。如果客户获得的回报率（ROI）高于预期，他们需额外支付一笔奖金或佣金。
3. 基于结果定价，在大部分市场短期内并不适用
当AI智能体被定位为“执行任务”的角色时，按照其完成的工作量（或者与该工作相关的收益）来定价就显得顺理成章。
它传递出一个强烈信号：你对自己的产品充满信心并愿意全力为其背书。同时，这也促使供应商不断投入资源，提升产品效果，从而为客户带来更多的实际成果。
然而，这一模式背后也存在许多不容忽视的问题：
一致性：不同客户所需的成果各不相同，导致必须定制化结果，进而催生大量定制化合同。
归因性：你能说服客户将取得的成果归功于你的产品吗？如果客户无法清晰地看到你的产品在推动成果中的作用，他们就不太可能愿意为此付费。
可衡量性：如果无法准确、及时地衡量成果，就难以建立透明的计费机制和信任关系。
可预测性：你能以一定准确度预测你的产品将带来的成果吗？如果成果波动大且不可预测，企业将面临巨大的财务风险。
4. 价格透明化的价值，或许被高估了
公开定价可以让你抓住部分买家的需求（以及相关的搜索流量），同时掌握叙述权（即主动定义客户对产品价值的理解）。此外，它还能筛选掉那些不符合条件的买家，避免他们浪费你团队的时间。
然而现实是，尽管透明定价有其优势，但很多企业并未全面采纳这一做法。
这背后可能涉及复杂的定价结构、差异化报价策略，或是担心价格成为竞争焦点而削弱价值主张。此外，许多软件公司，尤其是初创阶段的公司和AI相关企业，其实还没有完全理清自己的定价策略。一旦将价格公之于众，后续再进行调整就会变得困难得多。
因此，虽然透明化趋势看似“不可避免”，但在实际执行中仍面临诸多挑战和顾虑。
5.AI定价快速变化，大多数公司没有做好准备
随着定价决策日益成为一项战略性且复杂的任务，企业需要为定价工作投入相应的资源。这背后有大量的实际工作要做，包括深入理解成本结构、竞争对手动态以及客户感知价值。
然而，大多数企业在两个方面仍显不足：
人员能力缺口：缺乏具备专业定价分析、价值建模和市场洞察力的人才；
工具落后：仍在依赖传统的Excel表格或过时的系统，无法支持实时数据驱动的定价决策。
换句话说，虽然定价的重要性日益提升，但很多公司并没有建立与之匹配的能力体系来支撑这种战略转型。
要特别警惕陷入所谓的定价“无人区”——初创时期的“拍脑袋”决策方式已经不再适用，但正式的定价机制和责任人又尚未建立起来，导致定价策略缺乏清晰的所有权和战略方向。
注：文/红杉汇，文章来源：红杉汇，本文为作者独立观点，不代表亿邦动力立场。
文章来源：红杉汇
