摘要

开源模型刚刚跨过企业应用拐点。 Arvind Jain 表示，如今包括开源模型在内的众多模型，已经可以完整处理90%以上的企业用例；GLM 5.2 在距离前沿能力不到3个月、也就是“就在上个月”的情况下出现，是Glean团队首次愿意将“大多数工作负载”交给它。Jain的判断是：3年内，企业工作负载的多数“肯定”会运行在开源模型上，唯一的门槛是能否接受中国模型——“这不是开源对闭源的问题。”
前沿模型生意可能被错误定价。 单独看，模型业务“可能没有所有人想象的那么赚钱”：即便是3家实验室的竞争格局也已极其激烈，而开源模型便宜“一个数量级”；Jain还“听说 OpenAI 可能会大幅下调模型价格”。与此同时，过去6-9个月每家模型公司都反常地上调了token价格；Stebbings讽刺说，“他们需要证明自己是好生意，才能上市”，并警告，如果AI大幅降价，这些“支撑着整个全球经济”的亏损实验室将受到严重威胁。
实验室向应用层的推进仍然很浅。 Anthropic面向Figma、法律和金融的垂直产品包“相当浅”，带来的是扩张市场的新使用量，而不是替代既有工作负载；企业则“非常恐惧”运营依赖：机构知识会沉淀在执行工作的agent里，因此企业必须控制agent及其不断复利的学习。Jain给创始人的建议是：把实验室视为“巨大的资产，而不是竞争对手。”
Jain认为团队应该变大——这是本期最尖锐的分歧。 Glean目前有1,000多人，Jain希望5年后达到5,000人：在所有人都能平等获得AI的情况下，仍然维持人数的竞争对手会交付好10倍的产品，“他们会打败你”。对于劳动力与token的取舍，Jain认为技术成本应该下降：“我们过去从未把技术成本和劳动力成本放在同一句话里……技术不是这样运作的”——推理成本会下降几个数量级。
AI回报的核心是吞吐量，而不是模型。 Glean近100%的代码由AI编写，但在企业层面，“产品实际发布速度并没有提高”。其triage agent为一支15人的on-call团队自动解决95%的生产问题，每月成本100万美元，Jain也曾拿它与人工成本比较。先进用例目前只覆盖约5%的员工；解决办法是投资上下文，而不是让模型通过原始MCP连接“暴力搜索”出答案。
按消耗计费可能打破捆绑。 Microsoft如今是重要竞争对手（“很难和免费竞争”），但“一旦转向按消耗计费，就不存在天然的捆绑优势”——企业会在用户选择的任何工具中按工作量付费，这会削弱Stebbings所强调的Copilot锁定逻辑。
中国拥有领先的开源模型，美国正在追赶。 OpenRouter按使用量排名前6的模型都是中国模型，Anthropic作为首个美国模型排在第7；Jain表示，中国是美国之外唯一能产出模型的国家，Stebbings则提到法国“可能有一点”活动。Jain的解释是，模型训练需要前期资本投入，无法由开源式的秘密研发项目负担。美国需要打造自己的开源模型，Nvidia等公司正在成为有动力的出资者。

精读

企业面临运营依赖

Stebbings开场提到，Palantir的Alex K.在CNBC上表示，大型企业比以往任何时候都更怀疑前沿模型供应商。Jain对此的确认是：企业“非常恐惧”——担心核心IP、数据和“做事方式”最终被这些公司扣为人质。如果大部分工作都由某家前沿实验室完全驱动的agent完成，“你实际上已经把大量运营转移给了这些技术供应商……这不只是技术依赖。”
值得记住的机制是：工作最初是一套有文档记录的10步流程，随后通过隐性且未被记录的学习不断优化——“所有这些机构学习，实际上都会积累在执行这项工作的agent里”。如果企业不自行运行agent，也不拥有这些学习成果，“基本上就完全依赖这些AI公司来完成工作”。Jain坚持认为，这些不断复利的学习成果“属于企业”。

开源模型抵达拐点

核心数据是：如今“90%或更多的企业用例”已经可以由许多不同模型完整处理，包括开源模型。Jain表示，开源模型如今距离前沿能力只差3个月：“GLM 5.2是第一次让我们自己的团队感到放心，认为现在可以把大多数工作负载运行在这个模型上”——这件事“就在上个月，甚至还不到一个月”发生。
驱动力是成本，而不是数据恐惧：企业设定年度AI预算后，“一个月或两个月内就会用超”，CFO们已经注意到这一点；至于过去担心实验室拿企业数据训练模型的问题，只要合同到位，“已经不再存在”。开源模型的价格便宜“一个数量级”。
他的预测非常明确：“3年内，企业工作负载的多数肯定会运行在开源模型上。”剩下唯一的问题是：“他们能不能接受中国模型。这就是这里唯一的问题。”反对意见包括担心“某个我们甚至无法理解的后门”，以及竞争层面的顾虑；等大胆的早期采用者将其常态化后，这些问题就会消退。

模型商品化，实验室向外扩张

面对每位Glean投资人都要求Stebbings提问的“Anthropic会不会吃掉你们”问题，Jain认为其面向Figma、法律和金融的垂直产品包“在我看来相当浅”——他不知道有谁因此把工作负载从Figma迁走。“这实际上是新增需求……是在扩张市场”：设计师仍然使用Figma，而非设计师则用Claude做设计。
但他并不假装实验室不是竞争对手：Claude最大的用例是问答，正是Glean的主场，因此“他们可能比其他公司更早开始与我们竞争”。客户会问为什么Claude加MCP还不够，迫使Glean解释“上下文到底是什么，以及为什么构建上下文实际上很复杂”。
对于那些因实验室扩张而焦虑的创始人，他的态度是：“完全不用担心……他们应该把模型公司视为巨大的资产，而不是竞争对手。”这些实验室让Glean得以打造一款单凭自身绝不可能完成的产品。先发优势——成为第一家企业AI公司、第一家将RAG带入企业的公司——“是巨大的资产，但既不是必要条件，也不是救世主”。
单独看模型业务，“可能没有所有人想象的那么赚钱”——但实验室已经不再只是模型公司。Anthropic围绕MCP server、skills和自动化构建的生态意味着，“你应该把它们视为应用层公司，而不只是模型公司”。

按消耗计费可能打破捆绑

Microsoft是“我们最重要的竞争对手之一”，“捆绑策略确实有效”——在潜在客户沟通中，“我们是Microsoft客户，已经有Copilot了”出现的频率，高于任何针对实验室产品的反对意见。最佳产品仍有市场，但历史上被Microsoft压垮的公司往往把定价视为致命因素：“很难和免费竞争。”
结构性的反作用力在于：“一旦转向按消耗计费，就不存在天然的捆绑优势。”企业可以部署6款工具，让用户自行选择，并只为实际发生的工作量付费，不论工作在哪款工具中完成。Stebbings反驳称，批准15家供应商而不是1家会带来供应商管理问题，合规要求高的企业不会接受；Jain承认“这是真的”，但没有因此退让。

AI回报取决于吞吐量

在生产力可量化的地方，价值已经出现：例如客服agent每天解决12个案件，而不是10个。但大部分AI支出都在编码上，而“尽管编码速度显著提升，产品实际发布速度却没有提高”——写代码只是交付过程中的一小部分。
在Glean，“几乎100%”的代码由AI编写，但公司仍强制人工审查；有人提议取消代码审查（“很多公司正在这么做”），被公司拒绝，因为100万行AI代码“会变得极难维护和理解”。Stebbings指出其中的矛盾：严格的审查流程几乎抵消了快速生成的意义；Jain接受这一成本——代码编写者先完成第一轮审查，但整体速度仍然更快。
最能说明成本问题的案例是：Glean的工程triage agent自动处理95%的生产问题，替代原本15人的on-call团队，每月成本为100万美元，Jain曾拿这个数字与人工成本比较。Stebbings问：“你是在买 Cristiano Ronaldo 吗？”
他的诊断是，大多数企业“只是把AI扔进去”，通过MCP进行粗浅连接，让模型“暴力搜索”并拼出上下文——速度很慢，而且“大部分token都烧在试图拼出正确上下文上”。解决办法是：“你必须在周边进行投资”，让AI以更快、更低的成本运行。

Jain主张扩大团队

Glean目前有1,000多人；被问到5年后会有多少人时，Jain回答：“希望是5,000人。”面对Stebbings引用的几乎所有CEO都在缩减团队的共识，他用可口可乐对百事可乐的逻辑回应：两个竞争对手获得的AI能力完全相同，因此保留人员、选择“打造好10倍产品”的那家公司，“会打败你”。模型公司本身正在激进招聘，就是例证。
Stebbings的完整反方论点是：人越多，速度越慢；应该削减人数，把技术支出占比从8-12%提高到16-20%，而最好的人会跟随最好的工具。Mark B.投给Anthropic的3亿美元，只相当于开发者薪资的3.7%，所以开发者工具“定价严重偏低”。Stebbings称当前价格“贵得荒谬”；Jain则表示要看技术具体做什么，并再次提到每月100万美元的triage agent。Jain反对把技术成本按劳动力成本的逻辑处理：“我们过去从未把技术成本和劳动力成本放在同一句话里。” “我宁愿要更少的人、更多token”是Stebbings的框架；Jain押注推理成本会下降几个数量级。
两人都指出一个异常：过去6-9个月，所有模型都上调了每token价格，而所有人原本都预计价格会继续下跌。Stebbings的解释是：“他们需要证明自己是好生意，才能上市。”他的结论是，如果AI大幅降价，“这些本已亏损、却支撑着整个全球经济的公司将受到严重威胁”。Jain笑着说：“我的看法仍然一样。”
他对整场争论的总结是：“人均生产力会大幅提升，但要求也会同步提高……未来你必须交付好10倍的产品，才能获得同样的收入。”

AI采用并不均衡

谈到和CFO制定token预算时，他说：“我们大概做了大多数公司都会做的事，也就是什么都没做。”结果呈现出幂律分布——有些员工每月花1万-1.5万美元token，另一些人只花20美元。所有人都会做基础问答（“这是当今世界AI排名第一的用例”），但“高级用例只覆盖约5%的员工”。他限制了token消耗排行榜，因为奖励消耗本身就是错误做法；现在则在每次全员大会上展示新的AI agent。
EA岗位的讨论，是采用争论的缩影：Stebbings认为，一旦AI能完成某个岗位90%的工作，该岗位就会被吞噬；Jain则说：“我不认为你会接受一个90%的解决方案。”因为竞争对手拥有同样的AI工具，外加一个人在上面把关。
新出现的是复合型岗位：一个人同时担任工程师、PM和设计师；销售人员也能做产品演示、讲解用例。Stebbings指出其中的矛盾——复合岗位本身意味着更小的团队；Jain的解释是：“你必须完成10倍的工作，才能获得同样的收入……我们就是被迫做更多。”正在消失的包括“不具备商业思维”的数据分析师岗位，以及被整合进全流程岗位的招聘寻访岗位。

人才成本重塑种子轮融资

招聘实际上比SaaS繁荣期更容易——大型科技公司停止扩张，Meta的员工数量可能低于2021-22年——直到AI/ML薪资水平“彻底改变”，创业公司也未能幸免。优秀开发者的年薪达到30万-50万美元，Stebbings的算术成立：“200万美元的种子轮根本不够用”——4名招聘就需要600万美元。Jain的建议是，从一开始就尽可能多融资。
过去12个月里，他最大的观念变化以自我怀疑而非确信的形式出现：“我的风格可能过于克制，已经不再是正确策略……我们可能会输掉圈地战。”而圈地战确实存在：“如今世界上每家公司都想要一款像我们这样的产品，要么现在进入，要么以后就会难10倍。”但他仍坚持：“企业始终要建立在纪律之上。”Uber是那个让他怀疑自己或许错了的反例。
Glean的C轮融资——在业务几乎不存在时达到超过10亿美元估值（“肯定低于200万或300万美元，也许是500万美元；我记不太清了”）——“感觉最昂贵”，融资本身是“向潜在员工发出的声明”。员工确实非常在意你的投资人是谁：“投资人的声誉会直接影响你的声誉。”

中国拥有开源模型

一年前，各国对主权模型的渴望更强；后来各国“意识到那不会是正确方向”，转而接受使用OpenAI或Anthropic。Jain表示：“世界上唯一一个在美国之外产出模型的国家是中国。”Stebbings补充说，法国“可能有一点”，但没有明确说出具体模型。Stebbings坚持认为，特朗普政府一个月前禁止Anthropic最新模型后，主权需求正在明确上升——欧洲人“不能依赖一个可以禁止我们获得智能的美国个人”。
Stebbings从OpenRouter带来的证据是：按使用量排名前6的模型都是中国模型；Anthropic作为首个美国模型排在第7。Jain给出的结构性解释是：美国开源社区在许多其他领域都很强，但模型“需要大量前期投资，这对开源并不友好”——秘密研发式项目无法为其提供资金。
Stebbings推演了一种监管俘获情景：Sam给Trump 5%，Trump再对中国开源模型加税并实施禁令。Jain回应：“希望不会……我怀疑不会发生。”论点实际上恰恰相反：“美国打造自己的开源模型至关重要。”Nvidia和其他有动力的湾区参与者已经在为此提供资金。快速问答环节还提到：Google是最擅长AI的传统公司（“不过他们本来就是AI公司，所以这样比较不公平”）；过多资本“正在制造失败路径”——种子期创业公司支付50万美元招工程师，而Google根本不会出价；而创业“不是一份性感的工作……你真的必须疯一点”。

与觉醒对齐：Davidad 谈道德实在论、AI 智慧，以及为何他的 p(Doom) 降至5%OpenAI与Anthropic的IPO、Anthropic 3万亿美元、Zuck的价格战、中国终结开源？Trump账户