本文整理自a16z旗下播客节目对话，主持人Jen Kha与嘉宾Anish Acharya展开交流。Anish是a16z消费者与应用赛道的投资合伙人，长期跟踪从社交、内容到金融科技的消费级产品迭代。节目于2026年8月下旬发布，主题围绕AI模型格局的演变、企业护城河是否还成立，以及消费级AI应用即将迎来的新阶段。
这次对话有一个巧合的时间背景。就在录制前两周，xAI旗下的Grok从一个"陪跑者"迅速跃升为与OpenAI、Anthropic并列的三强之一，市场原本以为的"双雄格局"骤然变成了"三国杀"。这场急速变化恰好为两人讨论"三年后谁会赢"提供了最新的注脚，也让整场对话从一开始就带着一种"世事难料"的现场感。
对话开场颇为轻松。Anish提到自己已经在日常使用Grok Bot，还顺手透露了一个"商业机密"：他常穿的牛仔裤品牌是Frame。他说前几天睡前给机器人下了一道指令，附上自己现有牛仔裤的照片，要求"照着这个款式买一条，预算不超过500美元"，一觉醒来，机器人已经自主完成了调研、选款、下单和支付，新裤子正在寄送途中。
1. 一觉醒来，牛仔裤已经买好了
Anish认为，这个小插曲背后藏着一个更大的判断：AI Agent真正的瓶颈已经不再是能力本身。"我们已经具备了这些能力，现在真正的解锁点在于资源整合的能力，以及能不能把产品架构做成大多数消费者都能理解的样子。" 换句话说，模型够聪明只是前提，真正决定产品体验的是它能不能像一个靠谱的助理那样，把琐碎但真实存在的任务从头到尾办妥。
2. 三年后到底谁会赢？
被问到"三年后哪家AI公司会是唯一赢家"时，Anish的回答很直接：他是"多赢家"阵营的支持者。他举了眼前的例子——就在过去两周，xAI从一个几乎不算真正竞争者的角色，一跃成为三足鼎立格局中的一员，市场从两强之争变成了三强并立。把时间线拉长到过去一年看，格局的反转更加明显：Anthropic一度强势到"怎么做都不会错"，但接下来OpenAI度过了极为出色的三个月，新一代模型表现优异，Codex的工具链和ChatGPT桌面应用也做得相当出色。两大实验室都在朝不同方向专精发展，尽管彼此都在高速增长，谁也没能压倒谁。加上开源阵营的持续跟进，Anish的结论是，这不是一场终局清晰的淘汰赛。
Jen Kha补充了一个来自开发者社区的观察：X平台上的舆论虽然不是完美的风向标，但常常能提前反映开发者情绪。近期Claude因为token用量限制等问题受到不少抱怨，而开发者本质上是"看天吃饭"的一群人，谁的模型最新最强，他们就会流向谁。她提到接下来六到八周可能会看到用户活跃度的有趣变化，加上Anthropic年内计划上市，这个话题本身也自带热度。
3. 如果我们乐观得还不够呢？
大多数关于AI泡沫的讨论已经被说滥了。Anish认为一个更少被提及、却更值得关注的反向问题是：如果我们的乐观程度其实还不够呢？
他给出的证据来自一些反常的供需信号。以B200这款并非最前沿的GPU为例，它的按小时租用价格居然还在上涨。正常情况下，这类硬件的价格曲线应该是通缩的，会随着时间推移越来越便宜。价格逆势上涨，指向的是供给被极度限制，而需求几乎是无限的。这组数据成了他判断"市场可能低估AI"的一个关键切入点。
4. 股价过山车之后，8%到12%这个数字才是关键
今年二月，一批SaaS公司股价出现了30%到40%的回撤，Anish当时判断"市场把软件卖过头了"。事后来看，这些公司的股价确实又涨回来了40%。他坦言，回头看这场过山车，大家集体收获了什么其实并不明确，但当时说过的一个判断到今天依然成立：对企业客户来说，软件支出只占总预算的8%到12%，本身就不是一笔大开销。
这个数字决定了成本结构的两端极不对称。用AI工具自己"手搓"一套薪酬系统或者CRM，省下来的钱有限，上限并不高。但一旦出错，下行风险几乎没有底线，尤其是像薪酬这类涉及合规的场景，容错空间极小。大多数企业级软件要求的精度，目前的编程Agent还给不到。他也指出，退潮之后能看清楚谁在裸泳：不少SaaS公司过去靠大量股权激励（SBC）粉饰了财务表现，这层滤镜正在褪去，接下来它们要么加速增长，要么被淘汰。整体而言，SaaS行业的处境比几个月前市场普遍担心的要乐观一些，但一些关乎生死的问题依然摆在台面上。
5. Nike还是Nike，Instagram的价值从来不在代码
围绕"护城河是否已经失效"的讨论近来非常热闹，甚至有一种论调认为护城河已经彻底消失。Anish对此并不认同。他提到《七大力量》（Seven Powers，商业战略经典著作）这本书对护城河的经典分类，并指出，绝大多数护城河其实并未受到低成本、丰富智能的冲击。网络效应、体现在分销上的规模效应，以及在硅谷常被低估的品牌效应，这些依然和过去一样强大。"再多的编程Agent，也不会让耐克不再是耐克。" 他说，Instagram真正的价值从来不在于这款App本身的技术复杂度，而在于App背后的社交网络。
真正受到冲击的是集成这一类护城河。他举了SAP的例子：这家企业软件巨头以集成复杂著称，复杂到连从一个版本升级到下一个版本都被视为一种存在性风险。编程Agent的出现让这类系统集成工作变得容易得多，这对传统上靠"集成难度"吃饭的系统集成商（SI）和全球系统集成商（GSI）来说，构成了一个关乎自身价值的现实问题。除此之外的护城河，则一如既往地重要。
Jen Kha在这里补了一个视角：企业里那些能创造超额价值（alpha）的岗位，比如产品、销售、工程、研究，和那些更偏支持性质的职能，比如法务、人力、财务，正在走向两种截然不同的AI使用逻辑。
6. 上不封顶的活，用最贵的模型；封顶的活，用开源模型
这正是Anish判断中一个核心的架构性原则：对上限不封顶的岗位，比如销售或产品，理性的做法永远是用最前沿的模型。原因很简单，一个新功能或者拿下一个大客户带来的价值几乎无法估量，因此哪怕某个模型只是"智商多一分"，为它多付出成本在经济上也是合算的，无论用的是Claude、Grok还是最新的GPT。
而像财务这类工作，本质上是有上限的：把账目结平的最佳方式就是做到准确，而不存在"比准确再准十倍"这回事。既然上限有限，用开源模型配合强化学习去压低成本曲线，反而是更理性的选择。
这个话题又牵出了近期业内的一场争论：Kimi几周前发布时，因为训练成本相对低廉引发了不小的讨论。Anish提到，a16z被投企业Decagon的联合创始人Jesse Zhang曾发文指出，对很多像Decagon这样的公司来说，开源模型某种意义上是唯一选项，原因不只是成本，更在于可以把模型本地化部署、进行训练和微调。这一点在监管或数据敏感度较高的客服等场景中尤为关键。
7. "神经质"的模型和"自作主张"的模型
模型之间正在形成一种有趣的性格分化，不同模型的比较优势之间常常处于一种相互制衡的关系。一类模型表现出很强的"神经质"倾向，行事极为字面化，只会严格按照指令执行，不多做也不少做，GLM-4.5和GLM-4.6是典型代表。另一类模型则更开放、更有主见，甚至带点自作主张的创造性，Kimi K2就属于这一类。组织内部其实需要这两种"性格"的模型各司其职，这也是企业倾向于同时使用多个模型的原因之一。
强化学习是另一个关键变量。如果一家公司能围绕特定问题，用自己的推理轨迹去训练模型，就能在自己的业务领域里形成一种复利式的优势，让模型在这个具体问题上超越任何通用智能。法律AI公司Harvey在这方面已经取得了不错的效果，Decagon在客服场景中也是如此。但这种强化学习带来的代价是通用性的丧失：一个被精细调优、专门用来解决法律问题的模型，很可能并不擅长处理理论数学问题。对Harvey或Decagon的具体业务而言，这种取舍完全是可以接受的。Anish还提到，Anthropic旗下Claude近期推出了所谓的"法律插件"，本质上是一组针对特定技能打包好的技能文件，也是模型专精化趋势的一个新注脚。
从年初到现在，这个领域变化的速度让Anish感慨，几乎每个月都值得重新盘点一次。
对话回到最初的问题：三年后谁会赢？Anish给出的答案始终没有变，模型层面不会只有一个赢家，护城河也没有像外界担心的那样集体失效。真正决定胜负的，是企业能不能在"上不封顶"和"有边界"这两类任务之间做出正确的模型选择，以及能不能像那台连夜买好牛仔裤的Grok Bot一样，把丰沛的智能真正转化为普通人用得上的产品。
