AI能力指数上涨，企业为什么还没用起来？

AI能力指数上涨，企业为什么还没用起来？

只把AI当降本增效工具，你可能只用了它1%的能力

红杉美国最近在总部办了一场AI大会，有位合伙人上台画了两条曲线。

左边那条几乎竖直向上，全球最顶尖的大模型能力，指数级上涨。右边那条几乎是水平的，企业的实际AI采纳率，几乎没动。

两条曲线之间那片空白，他们叫它AI Adoption Gap，AI采纳鸿沟。

同一时期MIT发布了一份报告，数字更直白。全球企业砸进AI的Capex超过3000亿美金，其中95%没有转化为实际生产力，真正带来可衡量收益的只有5%。华尔街有人开始说「再也不敢继续砸了」，大模型的韭菜烧不起钱了。

最近在新加坡的一场行业对话里，五位做企业级AI的创业者给出了一个意外的答案。这道题，1987年有人做过。

张帆第一个开口，语气平淡但数据吓人。

他说C端用AI是"消费"——你花20刀订阅ChatGPT，不需要它帮你多赚20刀回来，只要用起来舒服就行。B端不一样，企业每花一块钱，就要看到一块钱的产出。

然后他抛出一组数据：全球砸了300亿美金做AI，95%的应用没有转化为实际生产力。 买了Ferrari，结果只用来买菜。

更讽刺的是，OpenAI的2C订阅收入和Anthropic的商业收入几乎持平。企业端看着热闹，盘子没比个人端大多少。而大模型厂商每赚1块亏1.2块——这买卖，放在任何传统行业里都算赔本赚吆喝。

C端可以烧钱换用户，B端不行。企业客户不跟你讲情怀，只问ROI。这也是为什么那么多AI创业公司死在"看起来很酷但没人买单"上。

Kit接过话头，补了一个很多人忽略的维度。

个人用AI就是"高级版Google Search"。你问个问题，它给个答案，好用就行。金融企业呢？每一步都被监管盯着。

新加坡金管局MAS去年11月发布了AI风险管理征求意见稿，对金融领域的AI应用提出了系统性治理要求。Kit做了29年合规审计，太清楚这意味着什么——

大多数银行现在还处于研发、Testing、POC阶段。真正广泛使用的AI Agent，只在内部流程跑，不直接对外。不是技术不行，是监管不允许你随便上。

很多银行"热情高涨"，但热情归热情，真落地得先过合规这一关。金融AI变成了一个"内外有别"的局面：内部偷偷跑，对外说"我们在探索"。

这个行业最终比的，是谁能先在合规框架里找到落地的缝隙。

Sophie的视角又不一样。

她说核心区别不在"规模"，而在"细分场景"。C端是润物细无声的渗透——你不知不觉就用上了。B端不行，切入点必须足够小、足够钻，才能从POC走向产品化。

她举了一个例子：先进制造业里，"非结构化数据转结构化数据"就是一个真实切口。

听起来很枯燥对吧？但恰恰是这种枯燥的事，制造业客户愿意付费。工人手写的记录、老师傅脑子里的经验、产线上传回来的杂七杂八数据——这些"非结构化"的东西，过去只能靠人整理，现在AI能干，而且干得比人好。

Sophie的判断很直接：有钱、高壁垒的行业——制造、金融、医疗——看谁先跑出来。这些行业慢是慢，但一旦进去了，壁垒极高，别人撬不动。

这跟我观察到的现象挺吻合。AI创业现在有两条路：一条做通用工具，卷到死；另一条扎进一个细分行业，做深做透。

哪条路更容易活？我觉得是后者。

Marrtin说AI重构了"生产关系"，不只是生产力。然后他说了自己的经历：团队从46人砍到9人。

不是裁员裁出来的，是AI替代了整个中间层。The9Bit做游戏，以前需要一大帮策划、美术、运营，现在UGC玩家和KOL自己用AI工具制作和宣发游戏。公司内部有一个"AI Agent Space"，专门对接变现渠道——Google、AppLovin这些。

Marrtin自己呢？只看战略方向。

这个画面挺魔幻的。创作者不是员工，是玩家；宣发不是投钱买量，是AI自动对接；管理者不需要盯执行，只需要想下一步往哪走。这不是"用AI提高效率"，是把整个公司的组织形态换了。

大多数人聊AI还在聊"能省多少人工"。但Marrtin想的是——当AI能完成中间所有执行环节的时候，公司还需要原来的结构吗？

答案显然是不需要了。

Lex角度很抽象。

他说欧美对基础模型分两种态度：一种是当"新物种"看，觉得它会替代人类；另一种是"为人赋能"，觉得它只是工具。Lex显然更倾向后者。

然后他提了一个技术矛盾：金融交易需要高度确定性，但大模型本质是概率性的。

你让GPT预测明天股价，它给你一个"可能涨也可能跌"——这没用。金融交易要的是精确、可验证、可追溯的决策路径。通用大模型给不了这个。

用他的话说，PlanX 未来可能是"Agent版的Bloomberg Terminal"。不是聊天机器人，而是一个真正能在金融交易里做决策、能执行、能担责的AI系统。

聊到这里，轮廓已经很清晰了。

企业级AI和个人AI，根本不是一个游戏。个人端拼的是体验、是新鲜感、是"用起来爽不爽"。企业端拼的是ROI、是合规、是确定性、是能不能在一个足够小的切口上扎下去还能赚到钱。

但问题来了——既然企业级AI这么难，那应用层的机会到底在哪？

五位创始人的答案，出乎意料地一致。

张帆先甩了一张图出来。

这是红杉美国合伙人Sonya Huang前几天演讲用的——左边是模型能力的指数曲线，Anthropic今年发了将近50个版本，Claude 4、Claude 4 Sonnet、Claude 3.7 Opus……迭代速度快到连专门跑AI新闻的记者都追不上。右边是企业采纳的曲线，几乎平的。

两条线之间的口子，越撕越大。Sonya给它起了个名字："AI Adoption Gap"（AI采纳鸿沟）。

这场景有点眼熟。张帆提了一个1987年的老梗——那年诺贝尔经济学奖得主罗伯特·索洛说了一句特别损的话："我们可以随处看到计算机时代，唯独在企业的生产率统计表中看不到。"

Personal computer都进办公室多少年了，生产力数据愣是没动静。为什么？

张帆讲了一个关于电力的故事，我觉得值得原封不动转述一遍。

最早的工厂靠什么驱动？中央蒸汽机。一台巨大的机器，通过长长的传动轴，把动力传到车间每一台设备。后来有人发明了电动机，理论上比蒸汽机高效多了。于是很多工厂干了一件事——把电动机换上，但传动轴没动，整个生产结构原封不动。

结果？效率基本没提升。

真正改变一切的，是福特。他没去优化那个中央电机，而是做了一件事：把微型电机装进每一台机器里。 每台设备独立驱动，不再依赖那根传动轴。然后才有了流水线，才有了现代管理学，才有了整个20世纪的工业文明。

这个故事的寓意再直接不过。现在很多企业用AI，就是在做"用电动机更高效地养马"的事。

内部知识库？说白了就是个更快的搜索引擎。合同审查？说白了是个更便宜的法务助理。自动化流程？说白了是个不需要睡觉的实习生。

这些东西有用，但只是在原来的传动轴上换了个更强劲的电机。业务结构没变，生产关系没变，产业链的位置也没变。

所以张帆的问题很尖锐：AI到底改变了什么业务结构？

不是"用AI做原来的事更快"，而是"因为AI的存在，这件事本身还有没有存在的必要"。不是"我的成本降了10%"，而是"整条产业链是不是要重新分工"。

你要问的是：如果马车夫有了电，他应该去造什么？

如果说第一个机会是"怎么想"，第二个机会就是"怎么做"。技术平权，正在发生。

Chye Kit讲了一个让我愣住的真实案例。

他有一个公司叫WIDTH，50个人，做金融合规培训。一个50人的公司，按理说应该买一堆SaaS——CRM用Salesforce，项目管理用Asana，财务用QuickBooks，再找个外包团队把这些东西连起来。

Chye Kit没这么干。

他用AI Agent自建了一套系统。CRM、Lead Generation、Sprint管理、Accounting，全部打通。 关键是——他自己不是工程师，不会写代码。

"我让AI Agent帮我搭。"她说得轻描淡写。

这事放在三年前，连想都不敢想。一个不懂技术的人，能让AI帮她写代码、搭系统、做集成——普通人第一次能自己掌控生产工具。

Chye Kit的解释很实在：外部SaaS太贵，而且你不能改它的逻辑。你想要一个特别小的定制功能？人家给你排Q3，然后收你三万美元。不如自己让Agent做，数据全在自己手里，想怎么改就怎么改。

Sophie从另一个角度印证了这个趋势。

他说传统软件的本质是"人适应软件"——企业买了一套系统，然后招一帮人学这个系统，再招一帮顾问教这帮人。SAP、Oracle、Salesforce，哪个不是这么卖进来的？

AI时代可能把这个逻辑整个翻过来："软件适应人"。

他自己的公司SOIN AI就是这么做的。翻译软件这个赛道，老牌玩家做了十几年，品牌大、客户多、护城河看着挺深。结果Sophie用一个"底层标准+上层定制"的架构，把它们给PK掉了。

客户要的不是"翻译"，而是"我的语言习惯+我的数据积累+我的员工习惯"。 每一个客户的术语库、行文风格、审批流程都不一样。传统软件给你几个选项让你选；AI时代，软件可以直接按你的方式长出来。

高度定制化的边际成本，第一次降到了接近于零。

这对整个B2B软件市场意味着什么？意味着关系驱动、渠道驱动的模式正在瓦解，PLG（产品驱动增长）真正有了可能。以前你卖软件靠喝酒、靠关系、靠CIO点头；现在用户自己上手试一试，好用就留下了，不好用你说破天也没用。

前两个机会，一个讲思维方式，一个讲工具方式。第三个机会，讲的是产业结构本身在变。

Marrtin的故事最让我起鸡皮疙瘩。

游戏行业原来的链条是这样的：头部IP方（比如迪士尼、NBA、三丽鸥）手里攥着大IP，找大型游戏开发商做授权游戏。开发商几百号人、做两三年、花几千万美金。IP方收高昂的授权费，开发商赌这款游戏能爆。链条长、成本高、风险集中，而且大部分利润被头部吃掉了。

AI把这个结构给拆了。

Marrtin说，现在出现了UGC玩家直接用AI工具跟大IP合作的模式。一个小团队、甚至一个人，用AI做美术、AI写代码、AI做宣发，直接跟IP方谈授权，做出一个游戏上架。品牌公司呢？通过AI数据实时看到哪个UGC游戏卖得好、投放产出比高，精准决策。

B端客户通过C端用户的下载率和留存率获得收益。C端创作者通过帮B端做贡献获取收益。

你很难再说清楚，这到底是B端生意还是C端生意。那条线融化了。

Marrtin描述了一个画面：一个小商户，有一个小灵感，用AI工具独立做出来，卖出去，赚到钱——一个人就是一家公司，自产自销自运营，全部自己搞定。 从B端到C端再流回B端，整条链路在AI的管道里自然转起来。

"小商户、小灵感，也能独立完成财富自由。"他说这句话的时候，没有夸张的表情，但我信。因为他自己就是从46人砍到9人走过来的，他知道这个压缩比意味着什么。

Lex在金融领域看到了同一个方向。

他说未来的交易，不再是"人打电话给人"，甚至不是"人点击软件下单"。未来是Agent与Agent之间的交互。

你的AI Agent看到市场信号，跟另一个AI Agent谈判、撮合、执行、结算——全自动化。PlanX在做的事，某种程度上就是一个自动执行版的Bloomberg Terminal。不是给你看数据，是帮你把数据变成动作。

这事想想挺疯狂。但再想想——Marrtin的游戏世界里有AI Agent帮小创作者对接IP方，Chye Kit的合规世界里有AI Agent帮非技术人员自建系统，Lex的金融世界里有AI Agent跟另一个AI Agent做交易——

这一切指向哪里？

张帆给了个很实在的判断：2027年，大规模AI Agent真正深入产业，企业开始真金白银地收获回报。 不是试点，不是PPT，是真金白银反映在标普500和沪深300财报里的那种改变。

AI是泡沫还是革命，财报不会撒谎。2027年，就是那个数字开始说话的年份。

Lex在同一个赛道上猛跑——他的愿景里，2027年的日常已经离不开交易，只是交易主体变了，不再是人和人，而是Agent与Agent。PlanX想做的，本质上是一个能自动执行的Bloomberg Terminal，只不过坐在终端前面的不再是交易员，而是你的AI。

Sophie更关心普通职场人。她相信到时候每一家中小企业都会引入专属Agent员工。但人类没有失业，而是终于可以从机械重复的数据搬运里解脱出来，去做更有想象力、更高阶的事。

如果AI真的接走了那些让人头秃的重复劳动，你省下来的时间打算干什么——这个问题，值得每个管理者现在就认真想。

Marrtin看得更远。他认为2027到2029年，会诞生引领四大行业洗牌的领头羊——金融、医疗、娱乐、教育。这些公司会让AI成为Partner，而不只是辅助工具。 未来可能不需要庞大的好莱坞制片厂，会冒出灵活敏捷的新型内容工坊。游戏分发甚至不一定需要Google Play。00后、10后会主宰这场改造。

Agent多了，问题也来了。Chye Kit做的事很实在——成百上千个Agent各司其职，管理者总得知道它们在干什么。WIDTH即将发布的"AI Agent Guardian"就是答案：严格的Guardrails防止幻觉，专为Agent设立的审计与合规模块，连合规本身都要AI自动化。Agent管Agent像套娃，但这可能是大规模部署的唯一出路。

Charlie Hu总结得干脆，2026年是"掀桌子"的年份，从"搞明白prompt"进化到"搞明白Agent协作"。 2027年，可能出现组织形态被重构的"下一代汽车"。

他给了一个分水岭式的判断，也是我整场印象最深的一句——

分水岭从来不在技术本身。同一个GPT-4o，有人拿它写周报省半小时，有人拿它重构整条业务线。区别在哪？在于你是把AI当成听话的"数字牛马"，还是当成能独立思考的"一等公民"。

2027年不会自动变好。技术从来不自动兑现承诺。

但那些现在就把AI当合伙人培养的企业，和还在继续压榨"数字牛马"的企业，鸿沟只会越拉越大。大到某一天你抬头一看，自己已经不在同一个赛场上了。

所以我想留一个问题给你——

你手里的那个AI，今天替你干了多少"牛马的活"？你有没有试过，让它干点更像"合伙人"的事？

别等到2027年才回答。

那时候，财报已经替你说完了。

Charlie Hu：我是 Charlie，COCO AI 的 Co-Founder，我们现在在做企业级的 Agent 服务。在座的有我们的同行，也有我们服务的客户。今天我们聊一下落地的场景，以及企业级 AI 跟个人 AI 的区别。首先让各位都自我介绍一下吧，我们从张帆总开始。

第一部分：嘉宾自我介绍

张帆：大家好，我是张帆，我是元理智能的创始人。我一直是在做算法背景，在过去十几年的时间里都在做 AI 跟产业的结合。之前上一个公司我是在智谱 AI 担任 COO，经历了智谱最快发展的三年，从零看到了中国企业怎么在应用 AI 的这样一个过程。所以现在在做新的事情，也是希望能能够把通用智能转化为企业的数字劳动力，转化为生产力。谢谢。

Lex：大家好，我是 Lex，我是 PlanX 的 CEO。我们团队是 base 在硅谷的 Santa Clara。我们主要做的事情，其实是想用 AI 模型的能力来为整个金融执行层赋能，我们想打造一个 autonomous financial execution layer just for AI agents（专为 AI Agent 打造的自主金融执行层）。

我个人是在 UCL 毕业，第一份工作是在今天晚上即将发射 SpaceX 的机构，后面去了 AT，然后就出来自己做 Web3 的创业。我的背景其实是学硬件的，本科和研究生是 Electrical Engineering（电子工程）。进入区块链产业的第一份工作做的是 mining center（矿场）的建造，后面因为认识了很多持币的大户，就帮他们 custody（托管）资产，做一些 on-chain（链上）的 trading。在去年的时候，我们打算把我们的长处和能力发挥到最大的极限，所以切入了现在这个行业。谢谢。

杨婷：大家好，我是 Sophie，我是 SOIN AI 的创始人。我们其实是一家中国比较 Native、AI Native 的团队背景。之前我和我的联合创始人都来自 Skywork（天工），分别是商业化负责人和架构师的角色。所以整个团队的核心价值和理念，就是做 Agentic AI to B。

目前我们已经创业两年多了，跑出来的几个比较落地的应用，包含了全产品生命周期链路。比如先进制造业里边，结合着 CAD/CAE/PLM 这些系统，我们的 AI 产品已经原生态地放入在了它的原子能力里边。整个团队的特点就是落地，商业化落地。

Marrtin Hoon：大家好，我是 Marrtin，新加坡人，是 The9Bit 的联合创始人之一。我们在游戏行业已经有 20 年了，除了 Infra 游戏平台，我们还做了一个给 Creator 以及可以跟品牌 IP、玩家通过游戏进行自由互动的平台。到目前为止，我们应该算是全球排名前三的公司，已经有 20 多万款通过 AI 生成的游戏，全球有 2 万多个 UGC KOL。预计到这个月底，会有 100 个品牌公司加入，看他们怎么通过游戏去体现品牌的价值，我们现在正在做这样一件事情。这是我们公司的一个情况。

Chionh Chye Kit：大家好，我是 Chye Kit，我是 WIDTH 的 Co-Founder 兼 CEO。我已经在这个行业做了 29 年了，所以我其实是蛮老的。我之前一直以来在金融业是做合规和审计的。我们之前的公司 Cynopsis 已经做了 12 年，就是专注做监管科技（RegTech），比如反洗钱、反资恐这一项。我们最主要的客户就是银行（数字银行或传统银行），还有支付公司，以及一些 Web3 的公司。今年我们创办了 WIDTH，就是要用 AI 来解决很多合规跟监管的问题。

Charlie Hu：The9Bit 和 WIDTH 都是我们 COCO AI 的客户。这几位创始人加起来，我算了一下，大概有超过 100 年的职业经验。我也自我介绍一下，我是 Web3 行业出身，从 2012 年开始在三大百亿市值的公链工作过，担任亚太负责人，一个是波卡，第二是 Polygon，第三是 NEAR。我们上一个金融科技的 Web3 公司也融资了 3000 万美金，拿了美国头部机构的投资。后来我们团队做了一个转型，从 100 人砍到了 8 个人，最近现在回到 20 人，用了 80 个 Agent，在过去 8 个月的时间里服务了接近 600 个企业。我们的 CTO 原来是谷歌和商汤的技术高管。

第二部分：企业级 AI 与个人 AI 的本质区别及当前瓶颈

Charlie Hu：今天我们的主题主要聊一下“企业级”。我觉得最核心的一个点是，在座的各位应该都用了个人级的 AI，不管是 OpenAI、ChatGPT 还是 Claude，大家都在用。用三句话总结一下：企业级 AI（Enterprise AI / Institutional AI）跟个人 AI 的本质区别是什么？如果从点、线、面的视角来看，现在的瓶颈是什么？我们反过来吧，从 Chye Kit 开始。

Chionh Chye Kit：好。从我个人来看，每个人应该都有用过 ChatGPT、DeepSeek 或者 Gemini，我们通常会用它来搜寻一些资料、做一些调研，把它当成一个 Advanced（高级版）的 Google Search 吧，这是通常我自己在用的，相信每个人都类似。

我觉得企业级就很不一样，尤其是我们对标的一些客户，比如银行、金融公司，他们的看法完全不同。为什么呢？因为有监管局的条例。尤其在新加坡，新加坡金融管理局（MAS）本身就有一系列很多的条例。最基本的（还没谈到 AI）就是安全、个人资料隐私；第三个比较主要的 Pillar（支柱）就是我称之为 AI Governance（AI 治理），那块其实是蛮新的。因为就在去年 11 月，新加坡 MAS 发布了一个 Consultation Paper（征求意见稿），关于 AI Risk Management（AI 风险管理）的风控要求。这导致很多银行或金融公司想要用到 AI 或者 AI Agent 的时候，会有很多考量。所以我觉得现状是，大多数的银行或金融公司都处于研发、Testing 和做 POC 的阶段。实际上真正把 AI Agent 用得很广的，可能还只是用到一些内部的程序或工作流程，而不是直接对外、面向客户的用法。

Charlie Hu：简单总结一下 Chye Kit 话里的重点：新加坡 MAS 非常支持企业级 AI，但目前很多企业还在做 POC，尤其是在合规这个领域。类似WIDTH这样的公司就在做最前沿、最贴近监管的事情，我觉得这个领域大家应该关注他们。好，接下来聊聊游戏领域。

Marrtin Hoon：从我们的角度来说，游戏其实分几块。作为平台，你可能要跟游戏开发人员接触，还要负责平台的运维，包括客服、推广、通过 KOL 去宣发。有了 AI 之后——这也是我们去年 10 月份开始琢磨的，因为那时候 Agent 的理念越来越成熟——在这个基础上，我们把团队大概从 46 个人砍到只剩 9 个人。

AI 帮我们代替了很多东西。比如之前我做好一款游戏，可能需要两个人专门去找 KOL 去发布，但现在不需要了。有了这个模型，我直接让 UGC 玩家、让 KOL 他们自己来制作和宣发游戏。整个引擎的底层架构全部已经设定好了，我们只是提供一个 AI 助理或者 AI Agent，去帮助 UGC 完备他们游戏的整体开发。

开发之后，怎么去 Monetize（变现）并产生收入呢？可能之前我得通过我的团队去跟谷歌、跟 Ad Agency（广告代理）等一些公司去谈，现在也不需要了。现在很多这种 API 都打开了，我们自己内部有一个叫 Space 的 AI Agent，专门负责对接。不管是 Google 还是 AppLovin，或者是很多普通的品牌，Agent 会评估：我这边有这么多的游戏空间，这些 UGC 游戏的排名怎么样、有多少玩家在玩、这个资产值不值得广告主来放广告。所以全部已经变成一个很庞大的 AI 团队在帮我运作所有的这些功能。

我们作为管理者，只要看几个重点。比如我们要去了解未来五年后游戏会怎么走向，是更多人玩重度游戏，还是轻度游戏；可变现的商业模式是什么。我们就围绕这样的思路去做研发。包括后面的引擎，我们也跟南洋理工大学（NTU）成立了一个 Lab 去研究，也得到了政府的资金支持，去探索下一代游戏要怎么呈现。因为游戏是一个非常奇特且有韧性的行业，不管有经济衰退、战争还是疫情，它永远在增长。所以我们希望能最大力度地利用 AI，承接传统以前游戏平台的运维、制作、产出包括变现，完全可以由 AI 助理像真人一样去完成这个使命。

Charlie Hu：The9Bit 绝对是在新加坡最值得关注的、AI Native 程度最高的网络游戏公司，应该毫无疑问。我一路过来见证了他们公司的转型。我觉得 Marrtin 分享的逻辑很像是一种“生产关系”的重构。不单单只是在做游戏开发本身，生产力爆发之后带来了生产关系的变化，UGC 可能会颠覆原来传统游戏的制造领域。感谢。下面请 Sophie。

杨婷：回归到您问题的本身。其实我个人既是 C 端 AI 的深度用户，同时自己又在做 Agentic AI 2B 的创业。我觉得核心的 1.0 的不同就是在于“细分场景”的不同。如果作为 C 端个人用户，从目前大语言模型（LLM）一开始 AGI 的概念出来，我们创业两年多来，会发现模型的迭代和多模态状态的迭代对 C 端来说有一个非常明显的、润物细无声的渗透，包括办公场景等一系列。但它跟 B 端、尤其是企业级的壁垒是完全不一样的。

对于企业级场景，我们现在有几个核心的感受：第一，你的细分场景切入点要足够小、足够钻，这样才能真正地落地解决问题，才能真正地从 POC 走向产品化，做这样一个过程化的转变。这样也才能结合着目前大模型的迭代和技术的升级，一步步做到客户可用的使用场景。

所以我们做 2B 一开始定位标签非常明确，因为整个团队的基因都是在做 2B。然后第二呢，我们找行业，创业者一开始都会想哪里有钱、哪里客单价高。我们会发现像先进制造业、金融、医疗，其实都是有钱、高壁垒的行业，就看谁先跑得出来。我们花了一年多的时间去跑先进制造业，发现在越传统的场景里面（比如在 1.0 的 AI 时代），把“非结构化数据转换为结构化数据”这样一个小的切入场景里，在先进制造业全产品生命周期链路（从产品研发开始）中，就会有一些强烈的 AI 需求和 AI 可以替代人去做的事。所以回归到问题本身，我觉得企业级 AI 还是应该从细分场景切入，一步一步做渗透。

Charlie Hu：我们的路径很像，认知也有点趋同。虽然选择不太一样（我们也是从 2C 开始，个人用、团队用，武装到牙齿，然后再选择 2B 做垂直），但是您的这几个行业选择跟我们还蛮不一样的，可能是地理位置跟客户群体不同的原因吧。感谢。好，Lex。

Lex：在我看来，欧美这边的主流对待基础模型其实分为两部分。One is treat them like a new species（一部分把它当成新的物种），另一方向其实是“为人来赋能”的。Charlie 谈到的其实是为人来赋能的这部分。

这应该分三个维度：为个人、为企业、为行业。

为个人：其实是增加个人的产能，让你更没有壁垒地拿到更多讯息，让你更快速地实现你想要的目标。

为企业：就是让这个企业更加高效地运转，让它能够服务更多的人。

为行业：其实很简单，就是用一个新的组织架构来去 reshape（重塑）整个行业，让它达到一个可以“人和 AI 一起兼容”的运营模式。

我们自己现在在做的事情，就是想用我们自己沉淀的这些知识，以及对应用层的理解，让“交易处理”这个方式更加高效。让大家可以更快地 pick（捕捉）到它所需要捕捉的 signal（信号），可以更加广维度地选择到它想要的讯息种类，让整个执行的摩擦变小，这就是我对这方面的理解。

Charlie Hu：交易是一个非常难的场景。我们也研究过，大模型我们叫 probabilistic（概率性的），但交易场景因为跟钱直接挂钩，需要高度的 deterministic（确定性），所以交易场景上大家可以多关注一下 PlanX 做的事情。我觉得总结下来就是：个人赋能、企业赋能、最后上升到行业，一个点线面的过程。张帆总。

第三部分：破局应用层机会：寻找 AI 的第一性原理

张帆：顺着主持人的话题，我觉得企业级 2B 跟 2C 的核心，是它的“衡量标准”不一样。C 端在某种程度上是一种“消费”。我相信今天大家都在用各种 OpenClaw、用 GPT。最开始我们学怎么写 prompt，后来我们学怎么搭 workflow，到后来我们发现 Sora 发布了，我们满天飞萨姆·奥特曼的视频；再到后面，我们搞 OpenClaw（养龙虾）、玩各种模型，后来又做数字人什么的。其实 C 端消费的逻辑并不需要明确的结果产出。某种程度上，只要给我们一个自己很舒服的感觉，或者我们觉得它增强了我们的能力，这就足够了。所以 C端是相对比较简单的。

但是如果到 B 端去看，你会发现它需要非常明确的业务产出和可衡量的 ROI。我们之前经历过非常长的周期。从 2023 年到 2025 年，大家发现大多数企业——包括 MIT 在 2025 年还有一个报告说，大概有 95% 的 AI 应用是没有转化为实际生产力的，只有 5% 转化了，带来了数千万美金的收益，但是全球的总投入是 300 亿美金。所以从这个点上来讲，这是一个“严肃产品”和一个“消费产品”的区别。

大家也可以看到，像今年 Q1，OpenAI 的 2C 订阅收入跟 Anthropic 的商业收入几乎差不多，但是大模型厂商由于高昂的算力成本，可能每赚 1 块钱就要亏掉 1.2 块，而 2B 场景则更看重健康的现金流。本质上这也是 2C 跟 2B 的区别。所以在 2B 场景内，我们需要能够更加有效地利用智能转化为业务价值，甚至直接反映在财报中，我觉得这是今天最重要的命题。

Charlie Hu：过去几年一堆 2C 的 AI 业务其实很多都证伪了，很多阳春白雪的 AI 女友、数字人其实也已经进入到过去时了，作为 2C 用户感受很明显。讲完了各种场景，我想问下一个话题。今年最值得关注的一件事，红杉美国在他们总部做了一个 AI 大会。里面有一个叫 Sonya 的合伙人讲了一个叫“AI Adoption GAP”（AI 采纳鸿沟）的概念。左边的一条曲线是一个垂直往上的指数曲线，代表全球最顶尖的 AI Frontier Lab（如 Anthropic、OpenAI）的大模型能力在指数级上涨。尤其是 Anthropic 确实推进得非常强，今年到现在已经发布了快 50 个版本了，接下来的六个月可能就真正直奔 AGI 去了，技术奇点效应很明显。

而右边的那条采纳曲线呢，几乎是平的。也就是说，一堆企业（包括刚才张帆总也讲到）其实砸了成百上千亿出去，发现真正带来的生产力产出并不大。华尔街甚至有人说已经不敢再继续花下去了，大模型的“韭菜”烧不起钱了。这个 Adoption 的 Gap 还能怎么填？这就是我们应用层真正的机会。那么从各位的视角来说，应用层真正的机会在哪里？你们的 Sweet Spot（甜蜜点）在哪里？张帆总先顺着聊聊。

张帆：我觉得这个逻辑很好。举一个简单的例子：在 1987 年的时候，当时有一位诺贝尔经济学奖得主索洛（Robert Solow）提出了一个著名的悖论（索洛悖论），他说：“我们可以随处看到计算机，唯独在企业的生产率统计表中看不到。”大家注意这个时间点是 1987 年。但是后来计算机真正快速进入并改变了产业。

我们今天看 AI 其实也是一模一样的逻辑。今天我们还正处于这个切换的边缘，是因为大家不能仅仅把 AI 当成一个简单的“降本增效工具”。如果只是简单地替换原有产能，那好比只是让你用蒸汽发动机更高效地去养马，而不是让你去发明汽车。所以我觉得这是今天思维切换的一个范畴。

今天的落地不要再去简单地看表面的降本增效，而是要从 AI 的“第一性原理”出发。这个第一性到底改变了什么业务结构？到底我们怎么重塑业务的产业链？这好比我们当年看“电力”的发展一样。在最开始有电的时候，工厂都是在中央放一个巨大的蒸汽机，连接一个巨大的传动轴来带动所有的机器，所有的能量都来自中央。后来很多人觉得，既然有电了，我直接用电动机去替代那个中央蒸汽机是不是就可以了？当时很多人只是用电替代了蒸汽，传动轴没变，结果发现生产效率并没有提升。直到二三十年后出现了福特。福特利用了电力的第一性原理——把发电和能源消费彻底解耦了。他发现可以把单个电动机做得足够小，于是他把微型电机装在了每一台机器上。从而带来了异步的生产流程，产生了全新的标准化流水线以及现代管理学，这也才带来了整个电力的大规模产业应用。

同样的场景今天在 AI 行业里也会发生。如果我们简单地只是把 AI 做成一个内部知识库、做一个合同审查，这些其实并没有本质改变我们的业务流。我们要想想 AI 的第一性原理跟我们的原有产业结合，到底哪些核心要素产生了本质变化，我们要怎么去重塑，这才是今天更重要、更能真正进入产业的方向。

Charlie Hu：AI 时代不要做跑得更快的马，要成为下一代汽车。好，Lex。

Lex：我们这个行业其实会稍微特殊一点。因为首先金融交易这个行业，对各个数据的精准度要求比其他行业要高得多，因为这直接跟你的资产净值息息相关。其实我觉得至少在欧美这边，垂直类的垂直模型还是有很多可以抓的痛点在的。

因为你看国内像很有名的 DeepSeek，他们在垂直数据和特定算法结构上的训练很出色。AI 这个东西本质上就两层：一个是算法结构，另一个就是你真实的数据源是什么。DeepSeek 训练的很多数据，因为他们包含了很多混合量化的代码和推理，如果把很多交易类的数据 feeding（喂给）它们，它们 naturally（天生）在交易和推理方面的 performance 就会比较好。而类似 Claude 或者是 Codex 这些偏通用的欧美模型，在特别专业的金融执行层面是有一点短缺性的。这就是我们打算切入市场的角度：我们想用最专业的交易类数据和执行逻辑，来帮所有大模型发散输出的 outcome（结果）做一个收敛和把关，专门针对我们这个行业给出最精准的、我们所需要的方向。所以我觉得现在的市场机会依然在我们这边。

Charlie Hu：在大模型不断在探索、颠覆各行各业的时候，准确定位几个大模型做不了的事，或者是做不专的事，这可能就是垂直 AI 应用的好机会。Sophie 怎么看？

杨婷：我说一个不一样的观点，也是我最近发现的一个很有意思的现象，结合了我们客户的真实需求和落地的 case。

其实很多投资人听到 Agentic AI 2B 这件事情，大家一开始都不是那么感冒，都会觉得：这个太重了，你有没有可能会变成一个纯交付公司，或者变成传统的外包公司？大家都会有这样的痛点。你做 KA（大客户）服务吧，以前大家说是做标杆，但现在会觉得 KA 是不是太重了、太依赖关系型了，是不是又是传统的打法？那我做 SMB（中小企业）呢，SMB 固然有规模化和想象空间，但是大家又会觉得 SMB 产品的标准化提炼点到底在哪里？这是我和团队经常去探讨的问题。甚至包括 SaaS 到底在华人圈或者在中国及亚太市场，到底是不是一个真命题，大家都在争论。

但我最近发现，在 1.0 的阶段（也就是刚才张帆总聊到的），大家聊企业级 Agent 需求的时候，企业客户都会说：“哎呀，你帮我挂一个我们企业的内部知识库吧。”用简单的方式挂一个企业级知识库，去帮他们做一个 checklist 类似的工作流程，这是 1.0 的版本。当然，这其实不存在什么颠覆行业或者改变整个工作流（Workflow）的说法，它只能把价值定位在非常有限的降本增效上，因为它并没有真实改变用户的习惯，也没有扎实地在企业内部做系统性的梳理。

到了 2.0 的阶段，我们会发现有一个观点叫“嵌入式和非嵌入式”。我们其实在先进制造业里边，前期前半段做的其实还是“嵌入式”的概念，相当于把我们的 AI 能力赋能和嵌入在现在已经很成熟的系统软件产品上（比如 SAP、Oracle、PTC 等一系列目前为止还不能被企业割舍掉的系统软件里），我们作为 AI 生态的增量功能做一个体现。

但是，我最近发现有很大一部分 2B 客户很有意思，它直接进化到了 2.5 到 3.0 的状态。怎么说呢？我们最近在市场上 PK 掉了很多传统的软件 Partner（比如传统的已经成立了十几年的老牌翻译软件公司）。当我们去跟大客户或者 SMB 客户做竞标 PK 的时候，我们发现客户的需求表面上是一个“翻译”需求，很简单；但实际上客户要的是：“我在翻译场景中必须要定制化我专属的那一部分。我有我自己的语言习惯，我有我自己长期的数据积累，我有我员工特定的使用习惯。”在以前的用户习惯里，传统软件完全是“人要去适应软件”。这也是为什么大家用大型系统的时候，要在企业里专门招懂这个系统的专家顾问才能用得好。

但在 AI 时代，AI 带来了一定程度的“技术平权”。在这种状态下，我们最近的几个客户提需求，我们的工程师可以利用大模型代码能力快速地去响应和满足需求。这并不是纯定制化的外包（不是说我从头到尾帮他完全写一套软件），而是我们的软件产品底层是标准的，但在上层我们可以非常清晰且低成本地让客户感知到，交付给他的完全是一个“专属他自己”的软件产品。我觉得这个非常有趣。在过去，大家觉得这会做得很重、成本很高，但在 AI 时代，在我们现在所有的低代码、UI、Codex 矩阵的发展下，在这个阶段，其实我们就可以通过一个个灵活轻量的小软件，给到客户这种高度定制的体验，而对于 AI 创业团队来说，边际成本又完全在可控范围内，就是这样的一种状态。

Charlie Hu：卖软件最讨厌的就是每个客户都希望你定制，但企业尤其是 2B 的，原生就是需要定制。AI 时代让定制的边际成本大幅降低，所以我们的感受也蛮明显的。这种产品驱动的增长（PLG），长远来说肯定比单纯靠销售驱动、关系驱动的增长要健康且重要得多。Marrtin 怎么看？

Marrtin Hoon：我分享一个比较有趣的行业融合观点。如果大家记得，从 Web 1.0 到 Web 2.0 的时候，互联网改变了很多做生意的商业模式。比如之前我们需要打电话去订出租车，后面有了滴滴、有了 Grab，就可以用 APP 去叫车或者订餐，当然像拼多多、淘宝，完全是改变了传统零售行业的销售模式。到了 Web 3.0（区块链），它利用区块链不可篡改的特性，解决了金融属性如何公开、透明记账的逻辑和方式。

我个人认为，AI 其实是一个集大成的“融合”。它会把整个 B 端和 C 端无缝串联在一起。如果你现在在做应用、做 Agent，你要能够想到 AI 其实是可以把 B 端和 C 端连接，实现 B2C 再回到 B 的闭环。

为什么这么说？回到我的行业。像传统的游戏开发，如果我手里有一个很好的头部 IP，我首先会找谁呢？我一定会先找那几家国内外顶尖的大型游戏开发商。为什么？因为 IP 方觉得我这么值钱的 IP，只能去找这种有几百人开发团队的大公司，让他们付一笔高昂的授权费去开发，然后就结束了。但现在有了 AI 游戏引擎的开发平台之后，最终的受众群体和 Creator 其实都不需要通过传统的大开发商了。UGC 玩家可以利用 AI 工具直接去跟大 IP 租用版权来制造一款游戏。在这个制造过程中，品牌公司通过 AI 数据可以精准地看到哪一款 UGC 游戏的空间卖得好、投放广告的产出比高，因为这些游戏的性质跟我的品牌非常契合。它能跟头部的影音 IP 捆绑，形成一个庞大的商业闭环和循环，它是一个高度的融合。

所以针对我的行业，未来通过 AI 找到所有的融合点，B 端的客户可以通过 C 端用户想要得到的这种 Adoption（如下载率、留存率、完播率等）来获得收益；而 C 端的用户和个人创作者，又可以通过帮 B 端客户做贡献去获取个人的实际利益。哪怕我只是一个小商户、一个小灵感，有了 AI 就可以完全独立完成我个人的财富自由或者场景落地。所以它其实是一个 B 到 C、再由 C 回到 B 的整体 Flow（流动）。

Charlie Hu：制造业很多人喜欢说 C2M（Customer to Manufacturer），我在 Marrtin 这段话里看到了游戏行业出现了一个新的模式：2B2C 反过来再 2B。

Chionh Chye Kit：我补充两个重点。第一点，从我们 WIDTH 公司自身来看，我们公司大概有 50 个人。我们之前刚创业的时候，就像大家说的 SMB（中小型企业规模），我们在运营公司的时候肯定会用到很多不同的管理系统，比如要有 CRM（客户关系管理），我们是科技公司可能又需要 Jira 或者 Atlassian 的工作流平台管理 Sprint，然后你可能又要财务记账软件（Accounting）和一系列运营系统。这些系统全部都是从大公司买来的标准化产品，刚才大家也讲到它不可以定制化。更痛苦的是，这些平台之间本身又互不相通，全部数据是割裂、串不起来的。

于是我就找了我们团队的人说：“不然我们用 AI Agent 把全部东西都自己‘自研’一套打通吧。”现在，我们公司整套系统，从 CRM、到 Lead Generation（销售线索挖掘）、到产品研发的 Sprint 任务管理、甚至到最后的 Accounting（财务系统）全部是打通的，整个底层全是我们自己定制的自研系统。是谁写的呢？我不是 Engineer（工程师），我也不会写代码；但我能够让 AI Agent 来帮我完成这些系统的搭建和打通。为什么要做这件事情？第一点就是，我不想让另外一家外部的软件公司（比如传统的 CRM 大厂）来限制我们的运营，因为他们的收费非常昂贵，开放的定制权限又很有限。而我们自己用 Agent 自研之后，所有数据不仅全部打通，而且从成本的角度来看也完全能控制得住，还非常易于 Scale（规模化）。

第二点，回到我们 WIDTH 的本行——监管科技（RegTech）。我们是服务银行和金融公司的，他们要做的一项重要工作叫“反洗钱”（AML）。做反洗钱和反资恐需要干什么？他们日常要做大量的黑名单筛选、负面新闻审查、以及政治敏感人物（PEP）筛选。他们的合规部门通常有非常多的人，每天去海量筛选和审核系统给出的结果。传统系统会有一大堆 False Positive（误报），他们必须派大量的人力去逐一做复核。

现在有了 AI Agent，我们把整个审核流程打得非常顺，并且 Agent 可以直接给出一个合理的审核结论。但是，从我们最主要的合规和监管角度来看，金融机构通常是不可能说：“既然 Agent 做了这个决定，那合规出问题了人就不用负责。”这绝对不可能。因为这关乎到大额资金安全和法律条令，是非常严肃和严重的。所以我们产品里设计了“Human-in-the-loop”（人工确认闭环）的机制，必须确保最终的决定还是要由人工复核和签字。即便如此，它把我们客户整个合规和监管的流程时间大幅缩短了。以前他们要去做一个复杂的客户 KYC 审核，看其复杂程度，可能需要半天、或者一两个小时；现在用我们的 AI Review 系统，直接缩短到了几分钟。这个过程是有实打实的生产力提效的。

Charlie Hu：Chye Kit 帮我们总结了两个极佳的论点：第一，哪怕你不会写代码，用 AI 也能完成深度的内部系统定制；第二，AI 负责干活，但人要负责法律上的兜底和最终责任。在企业级落地中，理解信任与责任边界是非常重要的。

我可能也补充一点，我感受最明显的企业级落地采纳（Adoption）的一个分水岭是：你到底把 AI 当成是数字世界的“奴隶”（纯粹当成牛马干活的降本增效 1.0 工具），还是真正把它作为你的“第二大脑”、你的合伙人或组织里的一等公民？使用者的管理理念和对 AI 的基本态度，决定了你能把 AI 卷到什么程度，以及它能为你释放出什么样的价值。

第四部分：掌望 2027：泡沫还是革命？企业 AI 的终局

Charlie Hu：因为时间关系，最后一个问题，我们也聊了蛮多深度的话题了。今年是 2026 年，今晚可能 SpaceX 还要发射，世界杯也即将开始。今年的 SuperAI 已经是第三届了。去年大家谈论的最火热的当红炸子鸡是各式各样的 LLM 模型本身；今年我认为主角绝对是“应用和落地”（Plot）。

去年大家还在讲 AI Agent 到底是怎么回事、怎么搭建架构（那时候还没有普及像 OpenClaw 这样好用的开源工具），大家还在宏观地讨论 AI 有什么用；今年，我们已经看到大规模的企业开始落地，在讲具体怎么帮大家省成本、甚至实现组织转型。而另一边，纯烧钱买算力的厂商很多已经烧不起了，刚才好几个嘉宾也提到了。

我们展望一下未来，2027 年我们再回到新加坡，SuperAI 大会肯定还会继续办，大概率新加坡也依然是全球 AI 极其重要的一个出海和交汇市场。展望未来，作为创业者，2027 年我们再聚在一起聊这个话题的时候，你最希望实现的、或者说你自己的公司在企业级 AI 这件事上最想做成的是什么？我们还是顺着开始。

张帆：我个人的判断是，到 2027 年，我们会看到大规模的 AI Agent 真正且深入地进入到产业中，会实实在在地重塑一个又一个的传统产业，企业将真正进入到价值收割期。因为今天全球资本都在焦虑，每年这么万亿级别的 Capex（资本支出）是不是真的能被应用层消耗掉、变成实际收益。今天来看，AI 到底是泡沫还是革命，最终取决于它能不能反映在标普 500（S&P 500） 或者沪深 300 里面这些核心企业的财务报表里。我相信 2027 年会是一个大规模进入产业、改变财报的很好开端。谢谢。

Lex：其实对我们这个行业来讲，到 2027 年，我相信大家 Day-to-Day（日常）肯定都离不开交易。This is Singapore, everybody doing finance, right?（这里是新加坡，每个人都在和金融打交道）。在后面的时间里，交易这个东西将不再是单纯的“人与人”之间的物理交互了，一定是你作为人的 Extension（延伸）——Agent 与 Agent 之间的直接交互。

我们 PlanX 想做的事情，就是为全场景的金融交易来做赋能。我们想让未来的交易 Agent，可以在我们的执行层环境里以最快的速度 pick（捕捉）到 signal、以最广的维度抓取到你想要的有效信息，并且让最终执行的摩擦降到最小。简单来说，我们想做这个行业里面自动执行类的 Bloomberg Terminal（彭博终端）。

杨婷：我觉得 2027 年的话，大概率所有的 SMB 客户甚至是大型企业，都已经在自己的公司治理结构上面引入了专属的 Agent 员工。同时，原有的真实人类员工也并没有失业，相反，人类员工是在真正地释放自己的双手，不用再去干那些机械重复的数据搬运工作，转而去创造更多更有想象力、更高阶、更具策略性的工作。这是我们 SOIN AI 最希望看到的景象。

Marrtin Hoon：我个人认为，2027 年甚至 2028、2029 年，会诞生出通过 AI 来实现全新游戏玩法的、引领四个主要行业洗牌的领头羊公司。

第一个肯定是金融；

第二个是医疗；

第三个是娱乐（娱乐包括音乐、视频跟游戏）；

第四个会是教育。

为什么我这么认为？因为这四个行业都是直接面对最终大规模 C 端客户的。如果说真的有能够跑出来的领头羊，他们绝对可以利用 AI——不是简单地像以前那样把它当辅助，而是像 Sophie 和 Charlie 说的，让 AI 成为他们的 Partner（合伙人）。它会完全改变现在的游戏玩法，去制造出全新的商业模式并导致这些行业的彻底洗牌。

到那个时候，可能传统的内容制作和分发逻辑就变了。举个例子，可能未来不需要像传统那样规模巨大的好莱坞制片公司，一下子会冒出很多灵活敏捷的新型内容工坊；甚至未来游戏分发可能都不需要再通过 Google Play 或者是 Apple App Store 下载了，完全会有由 AI 驱动的新型分发、推广和运营游戏的商业模式，完全颠覆现在的传统行业。因为这才是 AI 真正能带给那些抓住机会的企业最大红利。我们希望 The9Bit 能看到并引领这种由 00 后、10 后甚至 20 后这些新一代消费者的行为改变所主宰的行业改造。

Chionh Chye Kit：我很同意每位嘉宾所讲的。对我们 WIDTH 来说，Agent 架构肯定是非常核心的一环。因为我们很快会发布一个叫作“WIDTH AI Agent Guardian”的新功能。在 2027 年，企业有大量的 Customer（客户）、有高频的 Business Transaction（商业交易），然后不可避免地会有成百上千个 AI Agent 在内部各司其职。那么作为企业的管理者和合规官，你必须要清晰地知道你的 Agent 们在干啥。

同时，你更需要知道，你的 AI Agent 在说、在执行你的业务 Instruction（指令）的时候，是不是有一套严格的 Guardrails（安全护栏）来约束它防止幻觉或者违规。所以我们很快会发布专为 Agent 设立的审计与合规 Guardian 模块，让合规也实现 AI 自动化。

Charlie Hu：非常好。从我的角度，我希望我们的企业客户能够真的把 Agent 全面用起来，把需要 Human-in-the-loop（人工干预）的比例降到最低。

回顾这几年：去年大家只是在把大模型的基本能力、Prompt 的使用方式搞明白；今年呢，大家开始把 Agent 的多智能体协作、工作流打通的事搞明白；明年（2027 年）可能就正如张帆总所说的一样，一堆企业不仅是做跑得更快的马，而是能诞生出组织形态重构的下一代汽车。

我认为 2026 年绝对是一个“掀桌子”的年份。很多像在座的各位一样想颠覆传统行业、且对老行业有资深洞察的创业者，我觉得都会冲出来，包括像 Lex 这样能带大家一起通过高效执行赚到钱的平台。张帆总有句话我非常同意，再次强调一下：如果只是帮企业做一些基础的降本增效，那我们太小看 AI 了，那只是把 AI 的 1% 的能力用上了。AI 的真正能耐，远远不止于此。

2027 年明年的这个时候，我们再来回看今天这段对话，我觉得应该会蛮有意思的。谢谢各位嘉宾。