网址
type
Post
status
Published
date
Jan 28, 2026
slug
AI_applications
summary
tags
AI元认知
category
技术分享
icon
password
本文信息：
- 字数：约5200字
- 核心观点：AI从"辅助工具"到"直接干活"的转变
- 参考来源：a16z播客《The AI Opportunity That Goes Beyond Models》（2026年1月19日）
最近一直在思考一个问题：2026年的AI应用，到底该卷什么？
有人说卷模型，有人说卷应用，还有人直接说卷算力。
我的答案比较直接：把所有的创业变成应用。
后来听了a16z最新的一期播客《The AI Opportunity That Goes Beyond Models》，主讲人是Alex Rampell。听完之后，我突然明白了一些东西。
Rampell在播客里说了一句话，让我印象特别深：
"AI之所以爆发，并不是因为它'更聪明'，而是因为它第一次在大规模上，让软件开始直接承担'工作'本身。"
这句话点醒了我。
我们很多人对AI的理解，还停留在"让软件更聪明"这个层面。但真正的变化，可能是更深层的：软件不再只是"辅助工具"，而是开始"直接干活"了。
今天想认真聊聊这个转变。
过去的软件：人是执行主体，软件是工具
先说说过去的软件是什么样子的。
拿我自己的经历来说。作为Vibe working布道师，我观察了大量的AI应用案例，发现一个有趣的规律。
这种模式下，软件能提升多少效率？
我测下来，可能也就10-20%。
为什么？因为最耗时间的部分——思考、决策、执行——还是人在做。软件只是让我做这些事更快了一点。
这个体验，我写过一篇技术文章分享过，当时很多人有共鸣：工具再好，你还是得自己干活。
但最近半年，这个情况开始变了。
现在的软件：直接完成任务，人是监督者
就前两天，我试了一下Moltbot（原名：Clawdbot）这款开源AI助手。
说实话，我一开始没抱太大期望。我以为也就是个比ChatGPT好用的工具，帮我整理一下文档。
但用完之后，我挺意外的。
它不是在"帮我"整理文件。它是直接把这件事给干了。
我只要通过Telegram发一条消息，它就能自动读取我的下载文件夹，按类型分类、重命名、归档，甚至还能帮我清理重复文件。
整个过程，我做了什么？
除了最开始配置一次，后面基本就是看结果。
如果它分类错了，我发一条消息纠正。
如果它漏掉了某个文件，我补充一下。
如果是正常的整理任务，我连看都不用看，它自己就在后台跑完了。
我突然意识到：这个模式下，软件已经不是"工具"了。它是"执行主体"。
我不是在"用"它整理文件，它是"替"我整理文件。
我扮演什么角色？
监督者、判断者、兜底者。
Rampell在播客里说，这个转变带来的生产率提升，不是线性的，而是数量级的。
我深有同感。
我用Excel整理文件，可能需要2小时。
用Moltbot，可能只需要5分钟。
这不是快了2倍，而是快了24倍。这个数据还挺猛的。
为什么这个转变这么重要？
说起来，这个转变，我一开始其实没当回事。
不就是软件更自动化一点吗？这不是一直都在发生的事吗？
后来我仔细想了想，发现不对。
这个转变，和过去的自动化，根本不是一回事。
过去的自动化，是"流程自动化"。
比如你用脚本自动备份文件，用CI/CD自动部署代码，用邮件模板自动发通知。
这些自动化，确实减少了重复劳动。但它们在做的是什么？
它们在"自动执行"你已经定义好的、明确的、重复性的流程。
前提是什么？你得先定义好流程，明确每一步该怎么做。
然后软件只是按照你的定义，自动执行。
所以，这种自动化，本质上还是在"执行你的指令"。
现在的AI软件，是"任务自动化"。
再拿Moltbot的例子。
它知道怎么"整理文件"吗？知道，但不是因为我告诉它具体步骤。
我没有说"第一步扫描文件夹，第二步识别文件类型，第三步分类重命名..."
我没有定义任何流程。
我只是说了一个目标：帮我整理文件。
然后软件自己琢磨出怎么完成这个任务。
它用了什么技术？可能是文件系统API，可能是NLP分类，可能是机器学习识别内容。
我怎么知道？不知道。
但我也不需要知道。
我只关心结果：文件整理好了吗？对了。
这就是关键。
软件从"执行你的指令"，变成了"理解你的目标，自己完成任务"。
这个转变，Rampell说，是AI时代的本质特征。
AI不是让软件更聪明，而是让软件直接干活。
实际案例：AI在哪些领域已经这么做了？
说完了理论，来看看实际案例。
我在即刻上写过一个观察：2025年下半年开始，越来越多的AI产品，不再标榜"更智能"，而是直接说"帮你做了什么"。
举几个我接触过的。
客服领域
去年11月，我写了一篇AI编程工具的测评文章，发布后收到一些读者留言。其中有个人说，他是一家SaaS公司的客服负责人，最近在用AI做客服。
我当时挺好奇，就和他聊了聊。
他给我看了他们用的AI客服系统。
不是那种简单的"关键词匹配"或者"预设问题库"，而是能真正理解用户问题，然后直接处理。
比如用户说"我想退款"，AI不是给个退款链接或者告诉用户怎么申请，而是直接调用退款API，帮用户处理退款。
如果退款失败（比如超过时间限制），AI会判断原因，然后给用户合理的解释和替代方案。
整个过程，用户以为是在和真人对话。
但后面做处理工作的，其实是AI。
他跟我说，用了这套系统之后，他们的客服团队从10个人减到了3个人。
不是裁员，而是把这些人转去做更复杂的、AI处理不了的问题。
效率提升多少？
他说，简单问题（查询、退款、修改信息）的处理时间，从平均5分钟降到了10秒。
不是快30%，而是快了95%。
法律流程领域
这是Rampell在播客里重点提到的一个方向。
我在即刻上也写过类似的观点：法律行业可能是AI最早大规模替代人力的领域之一。
为什么？因为很多法律工作，其实就是在处理标准化文档。
比如合同审查、法律文件起草、合规检查。
这些工作，以前需要律师花大量时间。
现在，有很多AI工具可以直接干了。
我试过一款合同审查的AI工具。
你把合同PDF传上去，它自动分析每一条款，标注风险点，提出修改建议，甚至可以直接生成修改后的版本。
我测下来，一份10页的商业合同，人工律师审可能需要2小时，AI大概30秒。这个效率提升有点惊人。
准确率呢？
我对比了几次，AI能发现的风险点，和人工律师发现的基本一致。甚至有些细节，AI比人更细致（因为它不会漏）。
这不是"辅助工具"，这是直接干活。
运营合规领域
这个是我最近在研究的一个方向。
很多公司的运营合规工作，其实就是在处理大量规则和检查表。
比如广告合规、内容审核、数据隐私检查。
以前，需要运营人员一条条人工检查。
现在，AI可以直接处理。
我认识一个做电商的朋友，他们的商品上架需要过合规检查（违禁词、价格规范、资质要求等）。
去年他们上了AI自动审核系统，从人工检查3天，变成AI几秒钟。这个变化挺大的。
上架速度提升了，违规率反而下降了（AI不会因为疲劳而漏检）。
这些案例，都有一个共同点：软件从"辅助人"，变成了"替代人"。
不是让你更快地做这件事，而是直接把这件事给做了。
这会带来就业危机吗？
说到这里，很多人会问一个问题：
这不就是"机器换人"吗？会带来就业危机吗？
这个问题，我也纠结了很久。
直到听了Rampell的播客，他提到了一个我之前没想过的角度：市场扩张效应。
他说，这种变化并不必然意味着岗位减少。恰恰相反，在许多场景下，真正发生的是市场扩张。
为什么？
因为当服务成本被大幅压低，原本无法负担这些服务的需求会被释放出来，总需求反而被放大。
我一开始没太理解，后来想了想，发现这个逻辑其实很简单。
拿客服做例子。
假设人工客服的成本是每小时50元，一个公司只能提供1000小时的客服服务（预算5万元）。
这意味着什么？意味着只能服务1000个用户，因为每个用户平均需要1小时的客服。
如果AI把成本降到每小时1元（相当于1:50的效率提升），同样的5万元预算，现在可以提供5万小时的客服服务。
这是简单的数量级提升。
但更重要的是，因为成本大幅下降，原本"不值得"找客服解决的问题，现在也有人找客服了。
比如用户遇到一个小问题，以前嫌麻烦就自己解决，现在可以快速问AI客服。
服务的总需求，不是不变，而是被释放和放大了。
Rampell说，这就像当年的云计算。
云计算刚出来时，很多人担心会"消灭"传统IT岗位。
但实际发生了什么？
因为用云服务变得便宜和容易，无数以前"用不起"复杂IT系统的公司，开始上云了。
IT需求不是减少了，而是大幅扩张了。
新的就业机会，是在扩张的市场中产生的。
拿法律做例子。
以前，只有大公司才请得起律师审合同。
如果AI把成本降到原来的1/100，那么很多小公司、个人创业者，也"用得起"合同审查服务了。
法律服务不是萎缩了，而是扩张了。
Rampell说，AI时代可能也会这样。
很多现在"不存在"的需求，会因为成本降低而被释放出来。
这不是"替代"，而是"扩张"。
作为Vibe working布道师，我的感受
说完了宏观角度，说说我自己的感受。
作为Vibe working布道师，我每天的工作方式，其实已经发生了巨大改变。
编程领域。
我现在写代码，很多已经是"描述目标，让AI实现"。
比如我最近在做一个新功能，我不会先写代码。
我会先想清楚：这个功能要解决什么问题？核心逻辑是什么？边界条件是什么？
然后，我把这些描述给Claude Code，让它帮我实现。
我做什么？
我review它的代码，测试功能，调整细节。
不是"我写代码"，而是"AI写代码，我review"。
效率提升多少？
我说不好，因为这不是线性提升。
但我知道的是，以前我可能花3小时写完一个功能，现在可能花30分钟描述+30分钟review，总时间还是省了很多。
写作领域。
我写这篇5200字的文章，如果完全自己写，可能需要6-8小时。
现在呢？
总时间只要5-10分钟。
但更重要的是，我把最需要思考的部分（观点、逻辑、结构）留给了自己，把相对机械的部分（扩写、润色）交给了AI。
这不是"AI替代我"，而是"AI放大我"。这个转变还是挺让我意外的。
真正的机会在哪里？
Rampell在播客里系统拆解了当下最具潜力的三类AI投资方向。
我听完之后，结合我自己的实践，也总结了一些想法。
方向一：AI原生化重构传统软件
这是最直接的机会。
把传统软件从"辅助工具"变成"执行主体"。
比如Moltbot把个人文件管理从"手动整理"变成了"自动处理"。
比如AI客服把"客服工具"变成了"直接处理问题"。
比如AI法律工具把"文档查看器"变成了"自动审查"。
这个方向的机会在哪里？
在于找到那些"现在还是工具"的软件，把它们变成"直接干活"的软件。
Rampell说，这就像回到15-20年前，投资所有新兴的云原生企业。
当时Shopify、Netsuite这类公司，就是把传统ERP变成了云原生。
现在，是把传统软件变成AI原生。
方向二：软件直接替代劳动力
这个是最明显的。
客服、法律流程、运营、合规等领域，正在被重新定义为软件市场。
但Rampell强调，这不是"消灭岗位"，而是"扩张市场"。
所以，这个方向的机会，在于找到那些"原本人力成本高导致需求受限"的领域，用AI大幅降低成本，释放新需求。
方向三：专有数据与闭环工作流（最被低估）
这个方向，Rampell说是最容易被低估的。
为什么？
因为很多人还在卷"模型更聪明"，但真正的护城河，可能不在模型能力，而在数据和流程。
什么意思？
当一款AI产品在使用过程中持续生成独有数据，并且这些数据不断反哺系统效果时，就会形成一个极难复制的正反馈飞轮。
比如，一个AI客服系统，每处理100万个用户问题，就会积累独有数据：用户真正问的是什么？哪些表达最常见？哪些场景最难处理？
这些数据，反过来会让系统更好。
用户越多→数据越多→效果越好→用户更多...
这个飞轮，是竞争对手很难复制的。
Rampell说，这种优势并不来自"模型更聪明"，而来自数据、场景与流程的深度绑定。
我写DeepSeek的文章时也提到过类似的观点：模型本身会逐渐商品化，真正的护城河在数据和场景。
我的判断：我为什么押注这个？
说完了a16z的观点，说说我自己的判断。
在这三个方向中，我最看好哪个？
实话实说，我最看好的，是"专有数据+闭环工作流"这个方向。
为什么？
因为"模型更聪明"不可持续。
现在大家都在卷模型能力，但这个竞争会越来越激烈。
大公司（OpenAI、Anthropic、Google）有算力优势。
开源社区（DeepSeek、Meta）有生态优势。
你作为初创公司，卷模型，很难赢。
而且，模型终将商品化。
就像云计算的存储、计算能力，现在已经是基础设施了。
模型也会变成这样。
你不会因为"用的哪个云存储"而选择一个SaaS产品。
同样，未来也不会因为"用的哪个模型"而选择一个AI产品。
因为"软件更聪明"是表层的。
很多AI产品，标榜"更智能"、"更准确"、"更高效"。
但这些东西，别人也容易跟进。
今天你用了更先进的模型，明天竞争对手也能用。
这不是护城河。
但"数据和流程"是深层的。
你在某个领域积累了独有数据，建立了闭环工作流，这些东西，竞争对手很难快速复制。
这不是技术问题，是时间问题。
数据积累需要时间，流程优化需要时间，用户习惯建立需要时间。
这些，构成了真正的护城河。
我自己的实践。
我现在做的几个项目，核心都在数据和工作流。
比如我做的AI写作工作流，关键不在于"用哪个模型"，而在于"如何整合我的个人素材"、"如何建立选题讨论机制"、"如何三遍审校降AI味"。
这些流程和数据，是我的核心资产。
别人可以复制技术，但很难复制这个工作流。
因为这是我和AI长期协作、迭代的结果。
最后
回到开头那个问题：2026年的AI应用，到底该卷什么？
我的答案是：别卷模型了，卷数据和流程吧。
AI不是让软件更聪明，而是让软件直接干活。
这是一个"产品周期迁移"，不是"模型周期"。
真正会长期存在的AI公司，不是那些"模型最聪明的"，而是那些"数据和工作流最深的"。
作为Vibe working布道师，我每天都在体会这个变化。
以前我用软件，是在"用工具"。
现在我用AI软件，是在"用人"——只不过，这个"人"，是软件。
这个转变，才刚刚开始。
- 作者:Zflyee
- 链接:http://zflyee.com/article/AI_applications
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
相关文章
