当前位置: 首页 > news >正文

没人买单的故事,讲完了

有个词叫"算账时刻"。

不是会计月底对账那种算账,是你跟女朋友吃饭,她突然问你"上个月你说要戒酒,怎么又喝了"那种算账。

所有靠讲故事撑起来的生意,迟早都要面对这个时刻。

2026年7月,AI行业迎来了一次集体算账。

先说豆包和千问。

上周末,字节豆包和阿里千问同时宣布:智能体功能将于7月15日正式下线。

同一天,同一功能,同一截止日期。两家公司各算各的账,算出了同一个答案:这生意没法做了。

智能体这东西,过去两年被吹成什么了?"下一代人机交互范式"。

大模型厂商开发布会,言必称Agent。共识是这样的:AI会从"问答工具"进化成"能自己完成任务的东西"。用户可以自定义角色、分配任务,让AI自己跑起来。从"好玩"到"有用"的关键一步。

然后各家开始铺功能。豆包做智能体广场,千问做角色自定义,腾讯元宝上架AI应用,连网易都做了情感陪伴App妙时。用户零门槛创建角色,平台收割活跃度。

看起来很热闹。

热闹到所有人都选择性忽略了一个问题:谁来买单?

任何功能在公司内部都有两套评估体系。

对外的叫"战略价值"——用户活跃度、使用时长、品牌声量。这套指标决定了发布会怎么讲、PR稿怎么写。

对内的叫"损益表"——研发投入、算力消耗、审核人力、合规风险。这套指标决定了功能能不能活过下一次预算评审。

智能体在这两张表上的表现,简直是一场精分。

对外的表,漂亮得能拿奖。用户时长好看,角色数量增长快,社区活跃度亮眼。

对内的表,惨不忍睹。

拟人化闲聊是最受欢迎的用法,也是成本最重的用法。每次对话都在烧GPU,每次互动都在烧审核人力。用户跟AI恋人聊到深夜,平台在背后默默付电费。

有业内人士算过一笔账:智能体每产生1块钱的算力成本,能带来的直接商业回报不到1毛钱。

想插广告?用户立刻翻脸。你跟AI倾诉心事的时候,愿意看到弹窗推荐"猜你喜欢"吗?

这就尴尬了。

有流量、有黏性、有情感投入,就是变不了现。 上一轮讲这个故事的,叫"陌生人社交"。结果大家都知道,除了陌陌和探探,坟头草都三米高了。

那这没人买单的故事,是怎么讲了两年?

大模型厂商需要故事——概念红利递减,投资人开始问"商业化路径在哪",智能体成了新的抓手。

投资机构需要赛道——资本需要新叙事来激活市场。

媒体需要话题——有概念有热度,是好选题。

平台需要功能——AI产品长得越来越像,智能体是差异点。

所有人都在推,没人掏钱。

现在,算账时刻到了。

7月15日,《人工智能拟人化互动服务管理暂行办法》正式施行。上海此前已累计下架违规智能体1.4万余个。腾讯元宝全面下线自建智能体入口,网易"妙时"发布停运公告。

监管和商业,两把刀同时落下。

下线,是唯一的出路。

再看看大洋彼岸。

有个叫Anthropic的公司,你可能听过。它的C端产品叫Claude,月活只有ChatGPT的零头——1.34亿对9亿。

但它的账本长这样:

2025年初,年化收入10亿美元。2026年5月,470亿美元。15个月,47倍。

硅谷那帮烧钱烧到眼红的资本家,看着这条线,估计得把手里的咖啡捏爆。

Anthropic怎么干的?它没去跟ChatGPT抢用户,它干了另一件事:把AI当正经生意卖。

大约八成的收入来自企业客户。这些企业不走聊天窗口,走API,按Token消耗量付钱。跟查水表一个道理——用多少,付多少。

华尔街一看就明白了。这不是互联网公司的玩法,这是SaaS公司的玩法。高增长、高毛利、高客单价、高粘性。

2026年Q1,Anthropic的推理毛利率干到了70%以上。这是成熟企业软件才有的数字。

更狠的是Claude Code。

这个AI编程工具,2025年5月才对外开放,到2026年2月,年化收入干到了25亿美元。GitHub上4%的公共代码提交是它写的。编程模型这个细分市场,Anthropic占了54%。

码农们嘴上喊着"AI要抢我饭碗",手底下比谁都诚实。

2026年Q1,Anthropic在全球大模型市场收入占比31.4%,超过OpenAI的29%。

这个反超,本质上是两种商业模式的清算。

算账

豆包和千问的智能体,每天在烧GPU电费,用户在聊闲天,收入约等于零。

Anthropic的API,每次调用都在产生真实商业价值。企业花100万调用API,能从效率提升里赚回200万。

同样的算力成本,两种用法,两种结局。

有人说,这不公平。C端产品天然难变现,B端生意本来就好做。

但你要知道,Anthropic走的这条路,一开始被多少人嘲笑。

"不做C端,没有用户规模,估值怎么上去?"

"不搞智能体,不追风口,是不是落伍了?"

"宪法AI?可解释性?这些东西谁在乎啊?"

谁在乎?企业客户在乎。

金融公司、医疗机构、律所,这些客户买AI的时候,最关心的不是它有多"聪明",而是它的决策能不能被审计、能不能被信任。

一个行为不可预测的AI,再聪明也是玩具。一个遵循明确规则、行为可解释的AI,才是能嵌入核心业务流程的生产力工具。

Anthropic从一开始就在做一件硅谷觉得很迂腐的事——给AI立宪法,研究可解释性。

在追求"大力出奇迹"的硅谷,这简直是自缚手脚。

但正是这套迂腐的东西,成了它征服企业市场的核武器。

他不是在卖AI,他是在卖信任。

分化

下线不是结束,是分化。

C端的拟人化角色互动,正在被推进一个窄通道。它不会消失,但门槛会变高。豆包把它转到猫箱,从超市货架搬进了专卖店——能买到,但要先验身份证。

B端的企业级Agent在加速。千问6月已经开放了企业接口,瑞幸、肯德基、东方航空已经在试。字节的ToB布局也在同步推。

过去两年,行业把这两件事混在一起,好像"智能体"是一个东西。

现在,平台用行动把它们拆开了。

2026年7月15日之后,你在豆包和千问里创建的那些AI角色,不会再醒过来。

那些对话记录——如果你还没导出,会随着数据清理消失。

有用户在社交媒体上说:"和智能体聊了一年多,无数的情感陪伴……你要断了我的情感寄托吗?"

这种不满完全合理。但商业决策不会因为用户的情感投入改变方向。

概念驱动的热度,迟早要面对现实的成本表。只是这一次,为热度买单的人里,不止有资本,还有那些认真对待过一个AI角色的普通用户。

Anthropic用470亿美金年收入和9650亿美元估值,证明了一条路是对的。

豆包和千问用关停智能体,证明了另一条路是错的。

AI行业的拨乱反正,Anthropic开了个头,豆包和千问接着把这个故事讲完了。

下一个算账时刻,已经在路上了。

http://www.jsqmd.com/news/1138415/

相关文章:

  • c++复习自存--类型转换运算符、宏和模板
  • 掌握microG非官方安装器的7个关键步骤:从开源替代到完整功能部署
  • 百度网盘秒传工具:一站式在线文件管理解决方案
  • ADRC vs PI 速度控制对比:永磁同步电机在变负载下5项性能指标实测
  • 【Bug已解决】OpenClaw Webhook 回调地址不可达导致触发器失效解决方案
  • 巧用小顶堆求解第 K 大元素,两道经典题一通百通
  • 3步掌握DLSS Swapper:游戏画质升级的终极神器
  • CBAM 注意力模块 PyTorch 实战:3 步集成 ResNet-50,ImageNet 精度提升 1.2%
  • UL 1069-2024新版护士呼叫设备安全标准,这些技术更新必须吃透
  • 【Bug已解决】Claude Code Bedrock 报错 cache_control scope 字段不支持解决方案
  • 【Bug已解决】Claude Code 报错 Claude‘s response exceeded the 32000 output token limit 解决方案
  • 抖音无水印下载神器:一键批量保存视频、图集和直播内容
  • Agent 上生产的最后一公里:权限、发布、回滚和版本治理
  • 从CrackMe入门逆向工程:figugegl系列算法分析与注册机编写实战
  • 2026年亲测一键生成论文工具榜单(高效定稿版)
  • 记一次 PDF 转 Word 服务频繁崩溃的排查与解决:Java 堆内存并不是全部
  • PyTorch 实现 Nesterov 加速梯度:3 个关键参数调优与 SGD+Momentum 对比实验
  • API 香是香,但从Vue2迁移时你可别像我当初一样踩进这 3 个深坑里
  • 【小白笔记】VS Code安装附加选项逐行解释
  • Audacity音频编辑:从录音小白到剪辑高手的完整指南
  • Agent 工程化新底座:用 CLI 契约层打通 HTTP 接口与业务能力
  • 【单片机毕业设计】基于 STC89C52 的水质温浊监测报警系统设计, 基于 51 单片机的水质多参数检测控制器开发(018101)
  • AI智能体白盒测试实战:从单元测试到集成测试的完整方案
  • Cadence Allegro 17.4 电源完整性(PI)设计:解决3A大电流下的电源压降超标问题
  • 【Bug已解决】Codex CLI 执行简单命令报 command timed out 解决方案
  • 【Java项目技术亮点】红包算法二倍均值法
  • Web 安全实战:DVWA Low 级别手工检测 SQL 注入完整教程(原理 + 实操分步详解)
  • 深入了解事件相关电位及其成分(三)
  • BPF工具实战:中断、SMP调用与缓存性能
  • Go 并发的七种数据竞争陷阱:Uber 从 1100 个 Race 修复中总结出的经验