核心问题
AI 让「做出一个能用的东西」的成本下降了一个数量级。当生产能力不再是瓶颈时，什么才是？
三种被削弱的护城河
- 实现复杂度：过去需要二十人做一年的功能，现在可能两个人两个月就能完成。复杂度作为壁垒正在失效。
- 界面与体验：当 Agent 成为使用者，人类界面带来的粘性会部分失效。
- 信息不对称：AI 让专业知识变得可获取，靠「客户不懂」维持的溢价空间被压缩。
三种被强化的护城河
- 专有数据：不是「有数据」，而是别人拿不到、且与决策直接相关的数据。日志、交易记录、审批结果、失败案例。
- 分发与信任：被选择的能力。在选项变多、判断变难时，信任反而更值钱。
- 工作流深度：嵌进客户流程越深，替换成本越高。这是最难被复制的一种。
定价问题会先爆发
多数软件按席位收费，隐含假设是「人越多，价值越大」。
当 Agent 代替人使用软件时：
- 席位数量不再反映价值。
- 一次 Agent 调用可能产生一千次 API 请求。
- 边际成本从「几乎为零」变成「每 token 都真实发生」。
于是定价会向几个方向分化：按用量、按结果、按节省的成本分成。每一种都要求企业重新理解自己的成本结构——这是一个被严重低估的工程问题，因为它需要先做 Evals 才知道自己交付了多少价值。
组织层面会发生什么
- 团队变小，责任变大。三个人的团队做过去三十人的事，但每个人要覆盖更长的链路。
- 中间层被压缩。纯粹做信息传递与格式整理的角色最先消失。
- 决策速度成为主要瓶颈。当执行变快，等待决策的时间占比就会上升。
需要警惕的推论
- 「成本下降 → 利润上升」：成本下降通常引发竞争加剧，收益大部分会转移给客户，而不是留在企业内部。
- 「AI 原生公司会赢」：原生形态是优势，但前提是它解决的问题真的存在。
- 「先做出来再想商业模式」：在交付成本低的环境里，晚想商业模式的代价比以前更高——因为竞争对手也能做出来。
总结
AI 压缩了「实现」的成本，放大了「选择」的价值。商业竞争的焦点从「能不能做」，转移到「凭什么被选」。 而这个问题，AI 帮不上忙。