Related articles
文 | 李智勇
大模型不赚钱，这事不多说，但简单回顾：
OpenAI 据说得 2029 年盈利，每年亏 140 亿刀。
Anthropic 据说 2028 年能盈利，也亏损。
刚上市的 MiniMax 每年亏 5 个亿刀。
智谱和 MiniMax 差不多，也是每年亏这么多。
据说 DeepSeek 能赚钱，但这行当基础模型基本亏损是确定的。
不能赚钱就主要靠 VC，国内 VC 不给力所以就导致了基模发展的一系列问题。
但基模属于非典型产品，不多说了，下面重点说智能体。（包括做基础模型也做应用的）
智能体也先说结果：
就拿我比较熟悉的 Glean 举例子，ARR 最新报道过了 2 亿美金，我们就假设每年都是这么多收入，那现在有 1000 个人，所以每个人对应收入是 20 万美金。这在 AI 行当基本会亏损。对应的事件呢，我觉得接下来大概率会继续融资。
类似的，其他明星智能体公司也基本这样，大额融资的包括并购的...
如果就这么多，那就和上波 AI 有点像，还好不全是，比如：
Midjourney 一年赚了 5 亿美金的时候只有 40 个人，这就怎么都赚钱的。因为它流量基本还是自然流。
你比如 Base44，一年 350 万美金，还就 1 个人，这怎么也是赚钱的，不太可能都是投流投出来的。
这样题目从结果看就比较清楚了：大模型能干的事很多，智能体赚钱的其实不多，下面说为什么？
这里我们用有点 「土」 的方法来解读：
● 精度：能不能在一个具体场景中，稳定完成一件事，而这个事有用。不管是面向用户，还是面向企业你得有用才行。
● 成本：算不算一笔划算的生意，包括模型成本 + 流量成本
精度墙
这里说的精度，并不是数学意义上的小数点，也不是分数。
精度指的是：
在一个真实、具体、可复现的业务场景中，
你敢不敢把 「是否完成」 这件事，交给智能体，而不是交给人。关键不在 「会不会错」，而在 「你怕不怕它错」。（因为肯定会错）
● 写一段营销文案，错了可以改 —— 精度要求低
● 自动生成一张海报，丑一点无所谓 —— 精度要求低
● 自动下单、自动投放广告、自动发合同 —— 精度要求极高
● 自动和客户谈价格、自动决定是否放款 —— 几乎不允许误差
这也是为什么：
● 模型展示能力很强
● 智能体落地能力很弱
这个上我个人判断是：无状态的模型智商还可以，同样信息量下，模型分析判断能力很多情景是超过人的，但倒霉就倒在大多时候变成智能体后，它获取的信息量不如人。这在加上幻觉，就是灾难性后果。经验、感觉这些背后都是信息量，一个人活到当前节点的信息量。
这个精度就是一堵墙。
智能体意味着三件事同时成立：
1. 它要 理解目标
2. 它要 调用工具
3. 它要 产生真实世界的后果
精度墙导致在第三步事就砸了。
在真实业务中，绝大多数场景对 「差不多」 是零容忍的：
● 下错一次单 = 真金白银损失
● 发错一封邮件 = 法律风险
● 操作错一个系统参数 = 生产事故
这不是模型 「再训练一下」 能解决的问题，而是：
语言模型天生不是为 「确定性行动」 而设计的。
你可以通过：
● 规则
● 审批
● 人类兜底 （HITL）
来提高精度，但你会发现一个很扯的结果：
智能体越 「安全」，它越不像智能体，而越像一个复杂的自动化脚本。
所以现在真正适合自主行动的智能体的场景不多。
这里面 Claude Code（这是个智能体） 看着就是坚定往这个方向推进，彻底接管程序员的活。
反过来这意味着什么？
如果编程接管的不理想 （还好还算理想），那其他的更难，因为着世界绝对没有一个领域比编程的规则更清楚。
成本墙
即使你暂时忽略精度问题，成本也会很快把你拉回现实。
这里的成本，至少有两部分：
这部分大家已经很熟了。
● GPT/Gemini/Claude 等海外模型：贵，但能力强些
● 国产模型：便宜，能力够用，但精度弱些
● Token 单价在持续下降
单看模型成本，乐观情绪是有道理的。但在今天这个时间点是什么样呢？
我们都不说视频，就说文本和图形。
生成一个营销的合格的文案 （3000 字左右适度配图），成本是多少？
2 元人民币左右，那这 2 元假如你用来赚钱，能赚回来 2 元么？
大概率赚不回来。
关于成本补充些细节，免得误解：
1. 不是纯粹 token 成本，包含重试等等
2. 肯定需要综合各种模型，否则更贵
所以视频肯定更差，然后就导致如果用视频做内容就必须期望爆火，可爆火就玄学了，你绝不可能每个都爆火，所以大量尝试和投流然后大概率会赔钱。
做内容的，基本每个人都会忍不住投流，卖产品的也会投流，但投流大部分肯定是赔的。
可是忙活半天谁都想救一救，就又忍不住，所以这个就不说了。
人员成本就更明显，如果算小账大概是一个 2 万月薪的人，一年从企业成本角度算整个支出会逼近 40 万 (房租奖金社保等等）。
也就是说假如平均薪资 2 万，每个人每年营收 100 万，必须在去除 Token、设备和投流之外，还得有 40 万毛利才可能赚钱，否则就亏损。
为什么有例外
这时候真能赚钱的就特别值得细看了。
其实答案已经在前面说过了。
比如生成一篇营销文案，成本是 2 元，指望它对外赚钱，赚回来 2 元那大概率是亏的。
但反过来假如一个人一天成本是 1000+元 （2 万月薪含各种支出），那只要质量还行，用来代替其他人干活，那就怎么都是划算的。
正常人一天很难做出来 10 篇高质量内容，而对于智能体它干的肯定更多。
如果大家仔细观察 Midjourney 这些赚钱的工具，你会发现绝大部分基本是生产力工具。
事实还要再深一层，下面这种表单，你直接看一个直观印象是什么？
人少。
也就是说这些公司不单是生产力工具的制造者，也还是使用者。
《无人公司》 不是可选项
《无人公司》 面世以来引发种种争议，但如果真看懂了上面这个小账，你就会发现：真做一个盈利，不靠 VC 养的公司。《无人公司》 就不是可选项，而是必经之路。
无人公司不是说一个人没有，而是说有一套智能体的系统可以完整的驱动业务，而人是辅助这套系统的。
就好比你做了个工具，但客服、营销、甚至编码等主要都是智能体系统干。
而做成这套系统显然不容易，就像在书中说的：
要从角色开始重构生产关系，而新的生产关系是智能优先的。
这套复杂体系，在书中没有详细展开，所以就有了后面的配套课程：
这是真的有挑战的，至少比操作豆包什么的要复杂的多，不过如果你看过下面这类文章，你就会发现真想用 AI 赚钱，本来就不简单：
https://type.earth/all-in-one-generalist/（这个列表里基本是典型 OPC，并且有相当收入规模）
不过建个 AI 为主的公司肯定比建个以人为主的公司简单，但挑战方面来的不一样。
对于司机来讲，赶马车基本比开汽车更难，但得先扔掉马车那套事 （马可不好伺候，我小的时候被从车上掀下来过，摔的我眼冒金星）
这个这里不展开了，参照之前写的吧：
为什么说一人公司是传统公司的终点，也是无人公司的起点？细看一个年 270 万美金的故事
无人公司的 6 种现实形态
没有组织的进化，就没有 AI 的深层落地
小结
我觉得 AI 的节奏会比互联网慢一些，一个原因是技术还没有完全稳定下来；另一个则是一旦开启上面的过程，那生产关系的梳理远比用互联网相关技术要花更大气力。
故事刚刚开始，且是马拉松，所以想清楚，比今天抓紧干这个明天抓紧赶那个关键。
当然如果你可以拿足够多的 VC 的钱，那上面说的不需要考虑。
