AI Interview Wiki
主题综述

AI Native 产品到底长什么样 · AI-Native Products

主题综述

更新日志

主流共识

第一点："GPT wrapper" 这个嘲讽不成立——AI-native 公司确实在跑出新的 ROI 曲线。（注：这条共识 2026-07 被 Accel 自己的复盘复杂化了，见"分歧·应用层可防御性"。）

"We've kind of come to the opinion that there is no AI. There's like a bunch of subspaces that are totally different that all require their own strategy. … GPT wrapper was this derogatory term. I think we've kind of come to the conclusion that's not even a thing."
「我们的结论是：不存在 'AI'——而是一堆完全不同的子空间，每个都需要各自的策略。……'GPT wrapper' 本是个贬义词，而我们得出的结论是：它根本不是一个东西。」
Martin Casado · The State of AI: Growth, Fragmentation
"The AI native companies are far outpacing their SaaS counterparts. And you can see it in terms of new companies blowing past this golden metric of time to a hundred million of ARR … you're seeing this 10x plus improvement in the customer experience as well, whereas SaaS 2.0, you generally saw a little bit more of an incremental improvement, call it 25, 50%."
「AI-native 公司正在大幅跑赢它们的 SaaS 同行——你能从新公司冲过'1 亿美元 ARR 用时'这个黄金指标上看到。……客户体验也出现 10 倍以上的提升，而 SaaS 2.0 通常只是略微渐进的改进，比如 25%、50%。」
Sarah Wang · The State of AI

2026-08 新增：这条共识第一次有了输家一侧的尸检。 Airtable——PLG 起家、年收入约 4.8 亿美元、仍在以 20% 增长的"体面 SaaS"——以 12.8 亿美元卖给 Bending Spoons，约为 2021 年峰值估值（117 亿）的十分之一（含现金口径 22.5 亿）。All-In 桌上的 David Sacks 把死因归到品类：no-code 是被 AI 冲击最重的一块，因为"告诉 Claude 你要什么"取代了学 Airtable/Retool 这类"替代性编程语言"：

"And no code has to be The most impacted the most disrupted area of SAS right now because I mean what is clawed code really good at? … you just don't need to learn any of that anymore. I mean, you use Claude and you just tell it what you want it to create."
「no-code 必然是现在 SaaS 里被冲击最大、被颠覆最狠的一块——你想想 Claude Code 最擅长的是什么？……那些东西你都不用再学了。你就用 Claude，直接告诉它你想造什么。」（"SAS""clawed code"为转写瑕疵，指 SaaS 与 Claude Code）
David Sacks · Google's AI Brain Drain, SpaceX's Huge Quarter, Airtable's 90% Collapse

更值得记的是收尾方式：跑输的 SaaS 不是死掉，而是被 AI 降维成 PE 可收租的资产——Sacks 说 Bending Spoons 式买家之所以能裁掉 80–90% 的成本结构，是因为"机构记忆"不再需要人来承载（"过去你不能裁光团队，是因为你需要懂代码库的人。现在 AI 能瞬间学会代码库"，转述）：

"I think maintenance mode becomes way easier with AI because you don't need the historical knowledge anymore. The AI can go in and And sort of reconstitute that historical knowledge."
「我认为有了 AI，维护模式变得容易太多了，因为你不再需要历史知识——AI 可以进去，把那些历史知识重建出来。」（"and And"为转写瑕疵，照录）
David Sacks · Google's AI Brain Drain, SpaceX's Huge Quarter, Airtable's 90% Collapse

（细节：Airtable 的 AI agent 业务 HyperAgent 在被收购前已拆分独立——创始团队去做 venture 侧，把 legacy 收租侧卖给 PE。同一家公司把自己劈成了 AI-native 与 SaaS 两半，等于用交易结构承认了这条共识。）

2026-08-24 新增：尸检从个案升级为机制链。 Eric Vishria（Benchmark，Fireworks/Sierra/Cerebras 董事）把"跑输的 SaaS 为什么输"拆成了几个环节。第一环：老护城河被 agent 溶解——数据库这类历史上最粘的生意，粘性本质是"迁移是巨型工程"，而 agent 恰好擅长把一个规范翻译成另一个规范：

"agents don't get tired of monotonous work of translating one specification to another. So it turns out that now, all of a sudden, database migration, which used to be the number one thing you would not do in software, is kind of critical."
「代理对单调的工作不会感到疲倦，比如将一个规范转换为另一个。所以现在，数据库迁移突然间变得至关重要，这曾是您在软件中不会做的第一件事，变得相当关键。」
Eric Vishria · A Decade of Lessons Investing in Software & Hardware

新的赢家判据换成了服务成本、零到无穷伸缩、随起随停的迭代速度——与 Sacks 的"维护模式变廉价"互为表里：一个说老资产的运营成本被 AI 砍掉，一个说老资产的转换成本被 AI 砍掉。第二环：老 KPI 反噬。Vishria 几年前给 SaaS 公司的信息是"要么转向 AI，要么值三倍收入"（"get to AI or be worth three times revenue"），这次说得更狠：

"hey, every single day that you are hitting your plan, you are destroying equity value. Think about that. Our whole careers we learned, you lay out a plan, you execute against it relentlessly and violently … And the point of saying that to them was to set them free."
「嘿，您每一天按照计划行事，您就会毁坏股权价值。想想这个。在我们整个职业生涯中，我们学到的是你制定计划，毫不留情地执行它……告诉他们这些的重点是让他们自由。」
Eric Vishria · A Decade of Lessons Investing in Software & Hardware

第三环：退出窗口被增速差挤掉。他点了一个数字：约 500 家收入在 1–5 亿美元之间的私有 SaaS 公司被卡住——员工没有回购机会、投资人无法退出，因为 "the AI natives with their growth rates have sucked all the oxygen out of the room"（AI 原生公司凭增速吸走了房间里的所有氧气，窗口错过了）。而 AppLovin CEO Adam Foroughi 从经营者一侧补上第四环——文化不可逆。他把组织分三类：AI-native 起家的、像 AppLovin 一样一路精简所以"人理应是 AI-native"的、以及人和结构都不是 AI-native 的存量公司，对第三类：

"how do you turn those organizations into AI native? It's really, really hard. … technically you almost have to replace near everyone and rebuild the culture up to be able to deal with the world as it is today. But that's not really possible for most companies. And so there's no clear answer for how those companies can get there."
「如何将这些组织转变为人工智能原生的？这真的非常困难。……从技术上讲，你几乎必须替换几乎所有人并重建文化，以便能够处理今天的世界。但这对大多数公司来说并不可行。因此，对于这些公司如何达到目标，并没有明确的答案。」
Adam Foroughi · How AppLovin Built a $100B Ad Machine

这与 Sacks 的 Bending Spoons 观察合上了：既然转换要"换掉所有人"，那么对多数存量 SaaS，理性终局确实是被 PE 收租而非自我重生。顺带，Vishria 也解释了赢家一侧的增速为什么如此反常——AI-native 卖的是"魔法"，需求是拉动式而非推动式，传统"配额产能"销售模型整个失效（有销售代表一人做到一两三千万美元，主持人补：最近见过 5000 万）：

"there's a new AI-enabled product that comes along and it's just fucking magic. So these companies are selling magic. Well, it turns out if you're selling magic and you're the first one there, you're going to sell a lot more than 2 million."
「……这些客户出现了一个新的人工智能驱动的产品，这简直是魔法。所以这些公司在销售魔法。好吧，事实证明，如果你在销售魔法而且你是第一个出现的人，你会销售超过 200 万。」（"200 万"指传统 SaaS 单个销售代表的年配额约 200 万美元）
Eric Vishria · A Decade of Lessons Investing in Software & Hardware

第二点：AI-native 公司的优势之一是"没有 legacy 系统"——这是相对于 incumbents 的结构性优势。

Jesse Zhang（Decagon）的观察是：AI-native 相对 incumbents 的结构性优势，在于没有 legacy 系统的包袱、因而能更敏捷地把方案重做。（podwise 仅存该点的三手转述，故此处转述、不作逐字引用。）

第三点：真正赢的 AI-native 案例大都解决了一个 incumbents 内部尝试失败的具体痛点。

"The success rate of the ones where the enterprise went with an outside vendor like a Greenlight or a Tactile was much higher than the success rate of when they tried to build stuff themselves."
「企业用外部供应商（如 Greenlight、Tactile）的成功率，远高于自己内部建设。」
Jared Friedman / The Lightcone · Inside The MIT AI Study

第四点（2026-07 新增）："编码不再是瓶颈，验证/评审才是"——这条在两家 AI-pilled 组织里被独立说出。Anthropic 的 Fiona Fung 与 Sierra 的 Clay Bavor 用几乎相同的措辞描述了瓶颈的位移。

"when not only more people checking in code, but different disciplines, but also the throughput is so high, how do we think about verification? That's this other shift that I'm seeing."
「不仅更多的人在提交代码，还有不同的学科，而且产出率如此高——我们如何考虑验证？这是我看到的另一个转变。」
Fiona Fung · Building the most AI-pilled engineering team
"what is the constraining factor? It used to be writing code. Now it's probably reviewing code. Pretty soon it will be deciding what is worth building …"
「约束因素是什么？以前是写代码，现在大概是评审代码，很快就会变成'决定什么值得造'。」
Clay Bavor · 20VC: Open Models vs Frontier Models

2026-08 新增：第三个独立声音来自 Mercor CPO Osvald Nitski，并且给出了一个组织层面的可观测指标——他说 Mercor 产品团队正看到 PM 对工程师的比例在上升（转述），原因是：

"Because engineering is less bottlenecked, so there's much, much more work to be done in understanding the workflows of users, the needs of users, and what products actually drive revenue the most becomes the bottleneck now to servicing more demand for us."
「因为工程师不那么受瓶颈的限制，所以在理解用户的工作流程方面有更多的工作要做，用户的需求，以及哪些产品实际上能够带来最多的收入变成了我们服务更多需求的瓶颈。」
Osvald Nitski · 20VC: Mercor CPO on Revenue Concentration from Frontier Labs

他还给这条位移加了一道护栏：执行可以交给模型，判断本身绝不能外包——"绝不要把判断或决策委托给模型"，否则大脑会像刷手机一样被泡成 goop（转述，他的比喻是刷短视频）。三个声音（Anthropic 的"验证"、Sierra 的"决定什么值得造"、Mercor 的"判断即瓶颈"）分别来自模型厂、应用双寡头、数据供应商，这条共识的成色明显变硬。

2026-08-24 新增：声部从三个加到六个，且"判断"第一次被具体化为"品味"。 Eric Vishria 把它说成产品开发流程的"彻底倒置"——传统 PM 模式（理解客户、写 spec、交给工程师实现）在 AI 时代是"糟糕的方式"，能活下来的角色只剩三种能力的组合：

"I think what there really are, are people who understand customer problems. People who have taste and people who understand the jagged edge of AI capabilities and are curious about. Those are the three things. … it doesn't really matter if you are an engineer or a product manager or designer"
「我真正认为的是什么，是理解客户问题的人。有品位的人，以及理解 AI 能力棱角的人，并对此感到好奇。这就是三件事。……如果你是工程师、产品经理还是设计师并没有真正关系」
Eric Vishria · A Decade of Lessons Investing in Software & Hardware

AppLovin CTO Giovanni Ge——"业务三年翻数倍、工程团队人数不变"的当事人——给出同一判断的公司级版本，并直指为什么多数组织没被 AI 加速：

"I think a lot of people think the biggest differentiation for a great company versus a not-so-great company is their ability of building, but I actually think it's different. It's the taste. It's the taste to know what to build and what not to build."
「我认为很多人认为伟大的公司与不那么伟大的公司之间的最大差异在于他们的构建能力，但我实际上认为这是不同的。是品味。是知道该构建什么和不该构建什么的品味。」
Giovanni Ge · How AppLovin Built a $100B Ad Machine
"People are making a lot of bad decisions, bad taste, wasteful ideas that actually offset the empowerment of AI. You build things faster, but you're making a lot of bad-tasted ideas. … AI really helps us to solve the problem, but actually doesn't change the problem we have to solve."
「人们做出很多糟糕的决定、糟糕的品位、浪费的想法，实际上抵消了人工智能的赋能。你构建东西更快，但你却做出很多糟糕的构想。……人工智能确实帮助我们解决问题，但它实际上并不改变我们必须解决的问题。」
Giovanni Ge · How AppLovin Built a $100B Ad Machine

他还给这条共识补了一个可证伪的组织指标——Nitski 说 PM:Eng 比例上升，AppLovin 的版本更极端：业务规模翻了数倍，工程团队与三年前同一规模：

"as the problem we are solving becomes more complicated, and our team was elevated by AI, so we were able to manage the same size of a team while we were solving more challenging problems."
「随着我们解决的问题变得更复杂，而我们的团队通过人工智能得到提升，我们能够在解决更具挑战性的问题时管理同样规模的团队。」
Giovanni Ge · How AppLovin Built a $100B Ad Machine

护栏也来了第三声部：Ge 对团队的规矩与 Nitski 的"绝不把判断外包"同构——"you as a human is held accountable for every decision that your AI made for you"（你作为人，对 AI 替你做的每个决策负责），工程师答"不知道，AI 干的"不可接受。第六个声部来自 Google Labs 的 Josh Woodward，他从消费产品视角把"品味"与"应用层价值"绑在一起（该篇逐字稿仅存中文译文，照录）：

「我认为关于品味的讨论还不够。我觉得如果你认为价值在于应用层，如果你认为会存在一定比例的人工智能垃圾，你就能看到其中的一些趋势。我认为好的品味和好的设计会很有价值。」
— Josh Woodward · Google Labs is Rapidly Building AI Products from 0-to-1（逐字稿仅中文译文）

为什么品味会值钱，AppLovin 的 Foroughi 给了机制：AI 让构建商品化后，同质化是供给端的默认结局——"if the AI starts writing all the ad creative, then all of it's going to eventually look the same, and the user won't respond to the ad"（如果 AI 写所有广告创意，最终都长一样，用户就不再响应）——品味是制造方差的唯一来源。六个声音横跨模型厂、应用双寡头、数据供应商、顶级 VC、adtech 现任者与 Google："编码不再是瓶颈"已是全语料最硬的共识，而"瓶颈移到哪"的答案正在收敛为"判断/验证/品味"这一簇。

分歧在哪

模式 A · "捡没人想做的脏活"——Reducto 路径

Reducto（Adit Abraham 与联合创始人 Ronak）给的是 AI-native 案例里最反直觉、也最具体的范本。下面两条出自 Ronak（YC 访谈中 Diana Hu 以 "Ronak" 点名后由他作答的那位）：

"None of these like AI application layer companies like want to be PDF processors. It's just not something that's like exciting to them."
「那些人工智能应用层公司都不想成为 PDF 处理器。这对他们来说没什么吸引力。」
Ronak (Reducto) · Reducto: Making Human Data LLM-Ready
"we made it a more interesting problem because we took a different approach than what a lot of other folks had been doing in the sense that We turned PDF processing, which is usually just writing a bunch of rules for how to process this type of file type and this other type of file type into a computer vision problem. So the insight we had is like, we are going to parse and understand these documents the way humans do."
「我们让问题变得更有趣，因为我们采取的方法与许多其他人不同，我们将 PDF 处理（通常只是为如何处理这种类型的文件和其他类型的文件编写一堆规则）变成了一个计算机视觉问题。我们的想法是，我们将像人类一样解析和理解这些文档。」
Ronak (Reducto) · Reducto: Making Human Data LLM-Ready

具体经济数据（来自 Reducto 同期访谈）：录播客前五个月增长 6×；处理 10 亿+ 页、却只烧了约 100 万美元资本；约 40% 客户用到 2 个及以上 API 端点。

"Every mistake that you make at ingestion is going to compound throughout your pipeline."
「每一个在 ingestion 阶段犯的错，都会在你整个 pipeline 上复利。」
Adit Abraham · From Pivot to Fortune 10 Customers

Adit 自己也承认 Reducto 不是他们最初想做的：

"I think if you asked us two years ago, would you be excited to work on PDF processing? The gut reaction would be no. It doesn't sound like a fun problem."
「如果两年前问我们，做 PDF 处理你兴奋吗？直觉反应是不。这听起来不是个好玩的问题。」
Adit Abraham · How a weekend hack became a multimillion-dollar AI startup

模式 B · "替代人工劳动而非增强软件"——Decagon / Sierra 路径

Jesse Zhang (Decagon) 把 AI-native 押到了预算来源这件事上。「从软件预算转向人工劳动预算」这个提法出自主持人 Harry Stebbings 的提问，Jesse 的回答是——这已经在发生：

"I would say that's already happening in our space. … when you're in the application layer, if you're building enough of a product, you're more benchmark against what is the business problem you're solving. And the business problem you're solving is going to be way bigger, right? … You're saving human labor. You're transforming the way that their customer experience works. … It's, in my opinion, one of the few markets right now that has true PMF with AI."
「我认为这已经在我们这个领域发生了。……当你在应用层时，如果你构建了足够多的产品，你就会更多地以你正在解决的业务问题为基准。你正在解决的业务问题会更大，对吧？……你正在节省人力。你正在改变他们的客户体验运作方式。……在我看来，这是目前为数不多的、拥有真正 PMF 与 AI 的市场之一。」
Jesse Zhang · 20VC: Why 90% of Founders Build Startups Wrong

2026-07 新增：Decagon 的正面对手 Sierra 第一次上桌。 联合创始人 Clay Bavor（前 Google 18 年）给出的不是"替代 vs 增强"的口号，而是一条 AI-native 产品的技术栈判据——往下打多深就够了。Sierra 自建 agent 框架（首任研究负责人是写出 ReAct 论文的 Princeton 教授），但明确不做预训练、只在开放权重模型上微调：

"number one is a willingness to invest as far down the technology stack as you need in order to build the service and product that you want. … I think it's important that you are in control of your own destiny enough and that you don't tell yourself a story that you need to go further than you actually need to do."
「第一条是：愿意为了做出你想要的服务和产品，往技术栈下面打到需要的那一层为止。……重要的是你要足够掌握自己的命运，同时不要给自己编一个'我必须走得比实际需要更远'的故事。」
Clay Bavor · 20VC: Open Models vs Frontier Models

而"替代 labor"在 Sierra 的语境里是按领域分级的——不是所有场景都要顶配智能：

"You don't need Mythos to return a pair of shoes, right? … we've got some capability overhang, so to speak, for doing something like that. But in a range of domains, Coding, certainly, science, material science, legal, right where the stakes are very high … we're going to see effectively unbounded demand for greater levels of intelligence."
「退一双鞋不需要动用顶级模型，对吧？……做这种事我们其实是'能力过剩'的。但在另一批领域——编码、科学、材料科学、法律，这些风险极高的地方——我们会看到对更高智能近乎无上限的需求。」
Clay Bavor · 20VC: Open Models vs Frontier Models

Bavor 还给了一个成本结构的重定义——未来的资本分配里，token 预算会和薪资、股权并列成为"人头成本"的一部分：

"capital allocation will look more like how do we allocate OPEX and then headcount. And headcount will be both headcount for salaries and SBC and also tokens associated with headcount. Here's your salary. Here's your token budget. Have at it."
「资本分配会更像是：怎么分配 OPEX，然后是人头。而人头既包括薪资和股权，也包括这个人头对应的 token。这是你的工资，这是你的 token 预算，去用吧。」
Clay Bavor · 20VC: Open Models vs Frontier Models

这跟姊妹主题 saas-postmortem 里 Bret Taylor 的 "every company needs an agent in 2027" 是同一条逻辑——但 Decagon 跟 Sierra 在同一市场正面竞争，Bavor 自估这会长成 Uber/Lyft 式的双寡头、而非 AWS/Azure 式的多云并存。

2026-08 新增：Decagon 的 playbook 落地——双寡头在"栈深"上收敛，在"部署模式"上分叉。 Jesse Zhang 自曝 90% 的工作流已迁到微调开源模型（动因是 voice agent 的延迟，省钱只是副产品），与 Sierra 的"只微调、不预训练"是同一条纪律的对手方实证——Bavor 那句"往下打到需要的那层为止"，现在市场两强都在执行：

"So today, 90% of our workflow is on open-source. And again, the main reason was for latency to really optimize our voice agents. … every model, you can kind of evaluate along three dimensions. It's costs, intelligence, and latency. And depending on what you need, you want to kind of be at the limit of those three."
「所以今天我们 90% 的工作流程都是基于开源的。而且主要原因是为了降低延迟，以真正优化我们的语音代理。……每个模型都可以沿着三个维度进行评估。这就是成本、智能和延迟。根据你的需求，你希望在这三个维度的边界上徘徊。」
Jesse Zhang · Decagon's Playbook for Building Enterprise AI Applications

而 Decagon vs Sierra 的正面竞争第一次有了具体战例——且 Jesse 的归因不在模型，在部署模式（产品 vs 前置工程师）：

"our most recent customer actually turned off of Sierra to come to Decagon. … when they worked with Sierra, it was mostly FDs. And it just felt like a black box where, you know, the FDs were good, but they had to go through the FDs for everything. … So we like to call this like a glass box approach instead of a black box. And yeah, so within basically a month, they spun up like seven new journeys on Decagon."
「我们最近的一位客户实际上是从西耶拉转到 Decagon。……当他们与西耶拉合作时，主要是 FTE。而且就像是一个黑匣子，你知道，这些 FTE 是好的，但他们必须通过 FTE 来处理所有事情。……所以我们喜欢称这个为玻璃盒方法，而不是黑盒。所以基本上在一个月内，他们在 Decagon 上开设了七个新项目。」（"FDs/FTE"均为转写瑕疵，指 forward-deployed engineers；中文行译名"西耶拉"照录）
Jesse Zhang · Decagon's Playbook for Building Enterprise AI Applications（注意：Decagon 单方说法，Sierra 未在场回应）

更要紧的是，"替代 labor"叙事在替代阵营内部软化了。 上一版 Jesse 的原话是"你正在节省人力"；这次两位创始人给出的是 Jevons 悖论版本——成本降 30% 的客户不是裁员，而是把支持做得更多、更显眼：

"We found that for a lot of our customers, there's actually just more demand for things like customer support than there's supply, right? Where companies realize that they're like, okay, if our cost of doing customer support drops by 30%, Most of them are not just immediately saying, okay, now what I will do is let go of 60% of my team. They're saying, okay, now that this thing which is clearly valuable for my customers is much cheaper, let me do more of it so that my customers retain for longer, so that they don't turn off as much, so that they activate sooner, things like that."
「我们发现，对于许多客户来说，客户支持这类需求其实比供应要多，对吧？当公司意识到他们的客户支持成本降低 30% 时，他们大多数并不是立刻说，好的，现在我要解雇 60% 的团队。他们在说，好的，现在这件显然对我的客户有价值的东西变得更便宜了，让我多做一些，这样我的客户才能留得更久，他们不再那么快流失，能更早激活，诸如此类。」
Ashwin Sreenivas · Decagon's Playbook for Building Enterprise AI Applications
"I think it's like AI will kill jobs, but not careers in a way, because like those jobs that are being done currently should not be done by humans. … But there is actually like a near infinite amount of things that people could be doing to make their customers happier and take care of them more."
「我认为 AI 会杀死工作，但不会以某种方式杀死职业，因为那些正在执行的工作不应该由人类来做。……但实际上，还有几乎无限的事情可以做，以让他们的客户更快乐并照顾好他们。」
Jesse Zhang · Decagon's Playbook for Building Enterprise AI Applications

把这句放到 Rampell 的"软件其实是在增强劳动力"旁边，几乎是同一个意思的两种说法——押"替代"的当事人自己走进了"增强"的措辞。预算来源（labor budget）的判断没有撤回，但"净替代"被 Jevons 化了：省下的钱变成更多的量，而不是更少的人。

Mercor 的 Osvald Nitski 则给 Bavor 的"token 预算 = 人头成本"补了一条会计判据——token 花在哪，决定它是复利投资还是坏账，而他点名的坏账场景恰好是客服 agent：

"When you're looking at coding agent spend for your software engineers, that's not cogs for your work. If that's really high, that could still be giving you compounding gains. If you're looking at a customer service agent that has massive token spend and the revenue you're getting from the customers being served is way lower than the token spend, then you're definitely in a bad position."
「当你看看为你的软件工程师支付的编码代理费用时，这不是你工作的成本。如果那真的很高，那仍然可能给你带来复利收益。如果你看看一个客户服务代理，其代币支出巨大，而你从服务的客户那里获得的收入远低于代币支出，那么你肯定处于一个糟糕的境地。」
Osvald Nitski · 20VC: Mercor CPO on Revenue Concentration from Frontier Labs

这条判据与上面的 Jevons 叙事互为约束：需求扩张要成立，前提是单次会话的 token 成本低于它带来的留存/激活价值——Decagon 把 90% 工作流迁到微调小模型，正是在把自己从 Nitski 说的"坏账区"挪出来。顺带一提，Nitski 还反驳了"90% 企业工作流现有模型就能做"的说法：真正的市场在"潜在需求"——没人试过的长时程任务（如自主跑几个月、每周只查看一次的采购 agent），这些根本没进现有 ROI 计算（转述）。

模式 C · "野花园 / 专有数据复利"——AI Opportunity panel → DoorDash 实证

这个 panel 的三条主线（转述）：(1) 传统软件向 AI-native 转型；(2) 平台超越 SaaS、把"劳动力预算"纳入；(3) "wild garden"业务靠专有数据形成复利优势。其中第三条他们给了一个很到位的说法：

"It's a blueprint for how to potentially deal with a world where the source of the raw material is actually what is rare."
「这是一个蓝图，说明在'原材料本身才是稀缺'的世界里该怎么办。」
Alex Rampell · The AI Opportunity That Goes Beyond Models

Rampell 同时给了一个Camp B 的反话：

"I know it sounds pithy to say software is eating labor, but really software is augmenting labor."
「我知道'软件正在吞噬劳动力'听起来很精辟——但其实软件是在增强劳动力。」
Alex Rampell · The AI Opportunity That Goes Beyond Models

2026-07 新增：DoorDash 把"专有数据复利"从蓝图变成实证。 上一版"还想知道"里问过——有没有 incumbents 真正做成了 AI-native 重做的反例？DoorDash 就是。Stanley Tang 把护城河直接命名为数据：

"I think we just have such a huge advantage over everyone else because we have something that everyone else doesn't have. It's called DoorDash. We have 10 billion deliveries of data to extract from."
「我们对所有人都有巨大优势，因为我们有别人没有的东西——它叫 DoorDash。我们有 100 亿次配送的数据可以挖。」
Stanley Tang · Building an Autonomous Delivery Experience with DoorDash

而 DoorDash 的方法论恰恰是模式 C 与模式 A 的交点——从 use case 倒推，而不是先造技术再找问题，Stanley 借此直接批评了这轮 AI/机器人创业的主流做法：

"in the software world, when we went through YC, we're always taught to … build something people want. … But then when it comes to hardware and hard tech and AI and robotics, it's people just kind of do the opposite where they try to build a tech first, and not really think about the use case they're building towards."
「在软件世界，我们读 YC 时被反复教导要造人们想要的东西。……可一到硬件、硬科技、AI 和机器人，人们却反着来——先把技术造出来，根本没想清楚要服务的 use case。」
Stanley Tang · Building an Autonomous Delivery Experience with DoorDash

产品侧的 AskDoorDash（自然语言点单）也给了具体行为数据：餐厅侧 50% 的 AI 会话是从"没点过的店"下单（DoorDash 历史上最难撬动的指标），杂货侧客单 大 40%。Andy Fang 顺手抛出一条会长期发酵的观察——下一个 DoorDash 会是 agentic-first：

"there's more agent traffic on the web than human traffic … if someone were to create DoorDash today … I think it would look very different, probably more agentic first."
「网上的 agent 流量已经超过人类流量……如果今天有人从头做一个 DoorDash，样子会非常不一样，大概率是 agentic-first 的。」
Andy Fang · Building an Autonomous Delivery Experience with DoorDash

2026-08-24 新增：数据复利长出了产品形态版本——"产品即活系统"。 Ronak Malde（Trajectory.ai 创始人，前 Windsurf 研究员、SWE-1 的训练者，随 Google 收购进 DeepMind 后放弃收购款离开创业；注意与 Reducto 的 Ronak 并非同一人）把 Rampell 那句"原材料稀缺"里的原材料指认得非常具体：用户对 agent 输出的修正。而今天绝大多数 AI 产品在结构上把这种原材料白白倒掉：

"it's still that AI, like it's obviously very powerful, but it kind of acts like any other software in that it's very static. Like the model that you used yesterday is going to be the same model and making the same mistakes tomorrow. And all of those corrections you gave it, the edits, like in any product is all just being put to waste."
「人工智能显然非常强大，但在某种程度上，它实际上与其他软件一样，非常静态。你昨天使用的模型明天仍然会是同一个模型，并犯同样的错误。你给它的所有修正、编辑，像任何产品一样，都是浪费掉的。」
Ronak Malde · Every product of the future will be a living system

而已经把这个循环跑起来的产品——Windsurf 的 SWE-1、Cursor Composer、Claude Code——正是靠它拉开差距的：

"there are a few technologies like we did at Sui One, like Cursor Composer, even Cloud Code, that are starting to build the model around the product and what people are actually doing in the real world. And this is that compounding loop that allows them to pull ahead. That is what I want to bring to every single company, that power of continual learning as people now refer to it."
「有一些技术就像我们在 Sui One 所做的，像 Cursor Composer，甚至 Cloud Code，开始围绕产品建立模型，以及人们在现实世界中的实际行为。这就是那个复合循环，使他们能够领先。这就是我想要带给每一家公司，作为人们现在所称的持续学习的力量。」（"Sui One""Cloud Code"为转写瑕疵，指 SWE-1 与 Claude Code）
Ronak Malde · Every product of the future will be a living system

他顺手给 Clay Bavor 的"按领域分级"补了另一端的刻度——退一双鞋能力过剩，而法律那头：

"For a field like legal, like getting 80% of the way there is the same thing as zero."
「对于法律这样的领域，达到 80% 的结果与 0% 的结果是一样的。」
Ronak Malde · Every product of the future will be a living system

关键差异要记清：DoorDash 的复利靠"已有的 100 亿次配送"存量数据，Trajectory 押的是增量数据——每一次专家修正（律师改 citation、开发者挪按钮）都是训练信号，而点赞/点踩这类二元信号"非常嘈杂"、几乎没人用（转述）。若这条成立，"产品是否设计得能高效捕获修正"本身会变成模式 C 的入场券——这是 2026-05 首版综述里完全不存在的判据。顺带，模式 C 的 incumbent 名单在 DoorDash 之外又多了一个非典型样本：AppLovin——12 年 adtech 存量数据，2023 年把广告引擎整个重构为深度学习（Axon 2）后市值破千亿（结构层转述），算第二个"incumbent 靠专有数据 + 彻底重构完成 AI 重做"的实证。

模式 D · "AI 作为网络效应的复利器"——Chris Dixon / Anish Acharya 路径

Chris Dixon 不把 AI 当作产品本身，而当作让网络效应更可持续的工具：

"I've always suspected in tech, in Silicon Valley, kind of we underestimate the power of just kind of brands and consumer inertia. And I think you're sort of seeing that today with ChatGPT of just like such a household name, like overnight almost, that even though it doesn't have in this sort of technical sense, maybe network effects, memory and things, but I mean, it's not, that's more stickiness network effects."
「我一直怀疑，在科技圈、在硅谷，我们低估了'品牌'和'消费者惯性'的力量。今天你能在 ChatGPT 身上看到——它几乎一夜之间家喻户晓，尽管在技术意义上它可能并没有网络效应、记忆这些东西——那更多是一种黏性式的网络效应。」
Chris Dixon · Chris Dixon on How to Build Networks, Movements, and AI-Native Products

同场对谈的 Anish Acharya（a16z 消费合伙人）把这条线推到消费端付费与产品野心上：

"I mean, one of our, our sort of extreme views here is that the future of consumer disposable income will be like food, rent, software. And software is going to subsume a lot of the other areas of discretionary spend today."
「我的意思是，我们这里的一个极端观点是，未来消费者的可支配收入将用于食物、租金和软件。软件将取代今天许多其他可自由支配的支出领域。」
Anish Acharya · Chris Dixon on How to Build Networks, Movements, and AI-Native Products
"maybe a controversial statement right now is that there are no marketing problems, only product problems, because the technology allows you to be so ambitious on behalf of your customer"
「现在可能存在争议的说法是，不存在营销问题，只有产品问题，因为技术允许你为了你的客户而变得雄心勃勃。」
Anish Acharya · Chris Dixon on How to Build Networks, Movements, and AI-Native Products

模式 E · "内嵌于社交结构 + 熟人分发"——Wanaka 路径

张阳 (Wanaka) 给的是一个英文 AI-native 叙事里完全缺席的模式——AI 不是产品本身，是降低创作门槛的工具，但产品的真正动能来自社交关系结构：

「天然有一些内容它就只能用社交关系去分发，就是 UGC 的内容。……比如说我的一个随拍，我今天可能在楼下拍一个路灯，或者拍了一只猫，这些东西对整个互联网里的人来说其实没有任何价值。但是他对我的朋友，因为这个身份的关系在，所以他就觉得这事情好像挺好玩，我要点个赞。」
— 张阳 · AI + 游戏 + 社交的新演绎（逐字稿仅中文）

「消费的是关系、不是内容」这句收拢，其实出自主持人曲凯，张阳当场认领并把它落到 AIGC 上：

曲凯：「对，因为他消费的其实是这个关系，消费的不是那个内容本身。」
张阳：「对，所以我觉得我们在看 AIGC 内容我觉得也是一样……但是大量的 AIGC 出来的这种普通人的内容，它其实只有一个去向，就是给你的朋友看。……它只对你的朋友价值。」
— AI + 游戏 + 社交的新演绎（逐字稿仅中文）

创作工具决定上限这一点，张阳的原话是：

「这个事情还是回到创作工具的能力本身。就是你的创作工具如果能够支撑那些创作者做出好的东西，其实我觉得是有可能的。但是我们看现在这种上下滑的这种模态，我觉得它上下滑这种模态倒没什么，主要是它生产的能力太弱了，就你直接去套用大模型的指出的能力，这种方式是有问题的。」
— 张阳 · AI + 游戏 + 社交的新演绎（逐字稿仅中文）

这条线跟模式 D 的 Chris Dixon "AI as compounding force for networks" 在逻辑上接近，但张阳 的 implementation 是分发结构（熟人圈）而非产品功能——这是 Chris Dixon 没明说的版本。

模式 F · "startup-shaped holes / 实证派"——Lightcone / Garry Tan

Garry Tan / Lightcone 不讲哲学，讲市场结构：

"There's this startup shaped hole in basically every process or every sort of annoying system that should exist that doesn't exist yet."
「基本上每一个流程、每一个'应该存在但还不存在的烦人系统'里，都有一个 startup 形状的洞。」
Jared Friedman / The Lightcone · Inside The MIT AI Study
"The knock on effect for startups then is if you can actually build something that works, the enterprises will talk to you because they have no other options."
「这对 startup 的连锁效应是——如果你真能造出能跑的东西，企业会跟你谈，因为他们没别的选择。」
The Lightcone / Garry Tan · Inside The MIT AI Study

这条线跟模式 A（Reducto）天然契合——"没人想做但企业刚需"的事就是 startup-shaped hole 的具体例子。

分歧新增 · 应用层到底防不防得住（Casado vs Accel）

主流共识第一点说"GPT wrapper 不是 thing"，但 Accel 增长团队 2026-07 的自我复盘正面顶了回去——他们承认自己在 AI 应用层"比同行慢"，因为担心模型能力越铺越宽时，应用层公司太善变、护城河守不住，于是主动退回基础设施：

"we were admittedly slower than our peers on the application layer for AI because we were very worried about how fickle they were when the weights of the models were getting wider and wider and we spent a lot of time in infrastructure …"
「坦白说，我们在 AI 应用层比同行慢，因为我们非常担心——当模型的能力边界越铺越宽时，这些应用层公司有多善变。所以我们花了大量时间在基础设施上……」
Accel 增长团队（Speaker 3）· Accel: The Quiet Firm Behind Facebook, Cursor, Nebius

Factory 的 Matan Grinberg 从应用层内部给出了自己的护城河答案——不是"贴着某个模型",而是"对所有模型保持独立"，因为企业最怕单点绑定：

"The thing that enterprises are really caring about … they do not want anyone to kind of be their single point of failure. … something that really matters is model independence."
「企业真正在乎的是……他们不想让任何人成为自己的单点故障。……真正要紧的是模型独立性。」
Matan Grinberg · Factory's Matan Grinberg: The Coming 'Dark Factory'

Matan 甚至给了一个反直觉的技术论断，直接反驳"模型与 harness 协同设计更强"的实验室观点：

"much to the chagrin of many of my friends at OpenAI and Anthropic, this is not true. If you build a harness that supports different models, that harness will be better. … what data is to a model, models are to a harness."
「让我在 OpenAI 和 Anthropic 的很多朋友很懊恼——这（协同设计更强）不成立。如果你的 harness 支持多个模型，它会更强。……数据之于模型，就等于模型之于 harness。」
Matan Grinberg · Factory's Matan Grinberg: The Coming 'Dark Factory'

把三方并排：Casado 说 wrapper 不成立；Accel 用钱投票、退回 infra；Factory 说防御力来自"模型无关"而非"贴模型"。同一件事（应用层可防御性）三个截然不同的下注方向。

2026-08 新增：第四个下注方向到场。 Decagon 的 Ashwin Sreenivas 给出与 Factory 正面相反的答案——Matan 说 harness 不该绑模型，Ashwin 说应用层公司的终局产品就是模型：

"So I think there will always be a space for application layer companies. Maybe in the long term, application layer companies just become labs for specific verticals, you know, because your primary product ends up being the models that are just really good at doing those specific tasks."
「所以我认为应用层公司始终会有其存在的空间。也许从长远来看，应用层公司只是变成特定领域的实验室，你知道吗，因为你的主要产品最终就是那些在特定任务上表现良好的模型。」
Ashwin Sreenivas · Decagon's Playbook for Building Enterprise AI Applications

至此同一个问题摆着四种下注：Casado（wrapper 不是 thing）、Accel（退回 infra）、Factory（模型无关的 harness）、Decagon（自有垂直模型）——其中 Factory 与 Decagon 互斥，不可能都对。

2026-08-24 新增：互斥局杀入第三方变量——"模型自有"正在被平台化。 Trajectory 的整个生意，就是把 Ashwin 那条"垂直实验室"路线做成可购买的基础设施：与 Harvey、NVIDIA 合作把 Nemotron 3 Super 微调到法律工作流的帕累托前沿（"更快、更便宜、在这些任务上更准"，结构层转述），首批客户 Clay、Harvey、Rogo、Decagon、Mercor——注意 Decagon 与 Mercor 本身就是本综述的当事人。Ronak Malde 把"自有模型"直接定义为每家公司的 alpha：

"And that's what the major kind of alpha is for every company is being able to own models that are faster, cheaper, better at the frontier."
「而这对每个公司来说主要的优势是能够拥有更快、更便宜、更好的前沿模型。」
Ronak Malde · Every product of the future will be a living system

这对下注局是双向消息。利好 Decagon 的一面：垂直模型的成本被基础设施摊薄（与 Harvey 训一个模型从首次的约三个月缩到一个月内，新客户一周起步，转述）。不利的一面：如果任何应用层公司都能按月训出自有模型，"模型自有"就从护城河退化成 table stakes——防御力退回到"谁握着独家的修正数据流"。而对 Factory，Ronak 的路线图是正面顶撞：

"Like no one really knows what it means to train the harness, like optimize the harness and the model together. Right. And I think there's very interesting research there and what that looks like."
「没有人真的知道如何训练框架，优化框架和模型的同时。对。我认为这里有非常有趣的研究以及那个样子。」（译文照录；harness 此处译作"框架"）
Ronak Malde · Every product of the future will be a living system

Matan 说"支持多模型的 harness 才更强、协同设计不成立"；Ronak 说 harness 与模型的共同优化恰是下一步要攻的方向——如果这条跑通，"模型无关"与"模型自有"可能不是谁赢谁输，而是双双被合流吃掉。Eric Vishria 则从投资侧给出一个元立场——反零和，但层内高淘汰：

"When I say like, I think everything's going to work and I listed off all these everythings, it's really important to understand that doesn't mean that every company that's doing every one of those things is going to work. It means quite the opposite of that. Most companies in each of those areas are not going to work. And it's actually more important than ever to have real differentiation"
「当我说我认为一切都会成功，并列出所有这些事情时，重要的是要理解这并不意味着每家做这些事情的公司都会成功。这正好相反。每个领域中的大多数公司都不会成功。而且现在比以往任何时候都更重要的是拥有真正的差异化」
Eric Vishria · A Decade of Lessons Investing in Software & Hardware

他的论据是 2014 年的押韵："AWS 会吃掉一切"错在低估了市场——结局是 40-30-20 的寡头，外加 Snowflake、Datadog、Cloudflare 一批千亿美元级"小"赢家；"Anthropic 会吃掉 98% 的价值？不，不会发生"（转述）。这在光谱上站 Casado 一侧、正对 Accel 的悲观，但护城河判据又与 Factory/Decagon 都不同：把差异化"推到逻辑极限"。至此这张桌上是六方：Casado（wrapper 不是 thing）、Accel（退回 infra）、Factory（模型无关 harness）、Decagon（自有垂直模型）、Trajectory（harness+模型共同优化、卖给所有人）、Vishria（每层都赢但层内多数死）——原来的二元互斥，正在变成"共同优化会不会吃掉两边"的三体问题。

分歧新增 · 企业先行 vs 消费原生（Kevin Weil）

模式 D/E 押的是消费端 AI-native 产品，但 Kevin Weil（前 OpenAI CPO）指出这一轮的形态与以往互联网周期相反——是企业先行，消费端的"那个 eBay"还没出现：

"Enterprise like B2B stands out because that is where we do the majority of our economically valuable work and models are getting increasingly good at doing economically valuable work. … models also cost money to use. … you start having costs right away as a business in a way that maybe you didn't have as much if you were like building a consumer social thing before."
「B2B 之所以突出，是因为绝大多数有经济价值的工作发生在那里，而模型正越来越擅长做有经济价值的工作。……用模型是要花钱的。……你一开张就有成本，而以前做一个消费社交产品可能没这么大成本。」
Kevin Weil · AI Is Crossing the Frontier of Human Knowledge

但 Weil 同时给了消费端一条全新的分发路径——绕过网站和 App，直接长在模型平台上：

"you can build a business in the future using this apps platform that doesn't have a website or a mobile app and is sort of entirely built around These kind of new platforms."
「未来你可以用这个 apps 平台造一门生意——它没有网站、也没有 App，完全围绕这类新平台构建。」
Kevin Weil · AI Is Crossing the Frontier of Human Knowledge

2026-08-24 新增：Google 内部印证 + 一个时间刻度。 Josh Woodward（Google Labs 负责人，NotebookLM/Veo/Mariner 皆出自其手）对计算机使用 agent Mariner 的市场判断与 Kevin Weil 同构——Trusted Tester 用户研究里跑出来的高价值场景全在企业侧（呼叫中心共同浏览、销售通话后的多系统回填），他的原话是「它可能不是消费者。可能是企业。」（该篇逐字稿仅存中文译文，照录）。更有价值的是他给"消费端 eBay 缺席"标了一个时间刻度——2009 年的 App Store：

「这让我想起了我刚开始在 Google 工作的时候，那时 iPhone 的时代刚刚开始并占据主导地位。……如果你看看三年后的应用商店，差不多就是现在我们所处的 AI 革命阶段，2009 年左右的应用商店，我回去查了一下，只有缩小到适合手机的网站、手电筒应用和放屁应用。……所以我认为我们现在处于这个阶段，真正的东西会在今年、明年、后年开始出现。那时你就会看到 Uber、Airbnb、Instacart，这些真正改变你做事方式的东西。」
— Josh Woodward · Google Labs is Rapidly Building AI Products from 0-to-1（逐字稿仅中文译文）

他同时给了 AI-native 的一个反面定义——"把 AI 塞进现有产品"不算：

「我希望我们能超越聊天机器人界面。在很多地方，包括 Google 在内，我们都在重复使用它。……我仍然认为很多人都在将 AI 塞进各种东西里。就像 AI 本身有点被过度炒作了。……我认为，我们正在努力思考工作流程，而不仅仅是采用现有产品并附加 AI。」
— Josh Woodward · Google Labs is Rapidly Building AI Products from 0-to-1（逐字稿仅中文译文）

这句与 Factory 的"真正的瓶颈是行为改变"、Vishria 的"竞争前沿整个换了"同指一处：AI-native 的判别不在有没有模型，在工作流是否被重造。注意 Woodward 这期录制于 2025 年中——他说的"今年、明年、后年"到 2026-08 已过大半，消费端原生爆款依然缺席，这个时间表本身正在变成可检验的预测。

分歧新增 · 分发结构 = agentic influence / choke point（Accel）

Chris Dixon 讲"品牌黏性"、张阳讲"熟人分发"、Kevin Weil 讲"apps 平台"，Accel 给了第四种、也是最具操作性的一种分发结构——agent 本身成了分发渠道，"AI optimization"取代 SEO：

"I think in the last era, it was search engine optimization. In this era, it's AI optimization. These products are now the distribution mechanism for all the downstream products and services that you can use. And they tend to prioritize the tools that have the best developer and user experience."
「上一个时代是搜索引擎优化，这个时代是 AI 优化。这些产品（Claude、Codex、Cursor 这类）现在成了所有下游产品与服务的分发机制，而它们倾向于优先推荐开发者/用户体验最好的工具。」
Accel 增长团队（Speaker 1）· Accel: The Quiet Firm Behind Facebook, Cursor, Nebius
"all of a sudden, these Agents are making decisions about downstream workflows and downstream tool creation. And we just sort of said, we have to invest in every single company … that is like the choke point that's metering out these decisions."
「突然之间，这些 agent 开始替下游工作流和下游工具做决策。我们于是说：必须去投每一家处在这条流里的公司——尤其是那个'掐着这些决策口子'的 choke point。」
Accel 增长团队（Speaker 2）· Accel: The Quiet Firm Behind Facebook, Cursor, Nebius

（实证：Supabase 从投资时的不到 100 万开发者涨到近期 900 万，Accel 归因于"AI 最容易集成它"；60% 的 YC 公司选它。）

2026-08 新增：Modal 给 "agentic influence" 补了从业者实操版——把 SDK 团队从 DX 改组为 AX（agent experience）。 Accel 说 agent 会优先推荐开发者体验最好的工具；Modal CTO Akshat Bubna 的动作是干脆把"agent 作为用户"当成第一产品对象：

"We've actually changed our SDK team to think of an agent experience instead of a developer experience. And we think that the same benefits that apply for DX also actually apply for AX, which is why would you have an agent read through hundreds of Kubernetes files and like write YAML that's not even typed when it can basically make a couple of changes in a decorator and it gets this sort of self-provisioning runtime of Being able to see its changes live in action."
「我们实际上改变了我们的 SDK 团队，将重点放在代理体验上，而不是开发者体验。我们认为适用于 DX 的相同好处同样适用于 AX，这就是为什么要让一个代理阅读数百个 Kubernetes 文件并编写没有类型的 YAML，当它其实可以在装饰器中做几处更改，并获得这种能够实时看到其变更的自我供给运行时。」
Akshat Bubna · Why AI Infrastructure must evolve for Agent Experience

他对"agent 分发时代什么有粘性"的判断也与 Accel 的 Supabase 案例同构——卖简单模型 API 抓到的是爱好者、没粘性，能让做产品的公司"往下深挖"的运行时才留得住人：

"This is one thing we've kind of stayed away from is providing an API for models. Because I think providing model APIs is some of it ends up serving like a really hobbyist market, which is much less sticky. And we've always wanted to build for companies that are building sort of products and need more flexibility that's not just an API."
「这就是我们一直避开的事情之一：为模型提供 API。因为我认为提供模型 API 有些最终服务的其实是一个非常小众的市场，粘性较低。我们一直希望为那些正在构建产品的公司打造，而不是仅仅提供一个 API。」（中文行把 hobbyist 译作"小众"，照录）
Akshat Bubna · Why AI Infrastructure must evolve for Agent Experience

DX→AX 的换轴意味着，Accel 那条"AI optimization 取代 SEO"不只是营销层的观察——它已经开始重塑基础设施产品的设计对象本身。

暗流 · 速度

Philip Clark (Thrive Capital) 给了一个跨所有模式的共同观察——注意"象棋 vs 快棋"这个比喻是他转述 Michael Dell 的原话：

"I think one of the really wild and exciting things about the AI era is that the timelines are getting compressed in a really radical way. I had the privilege of speaking to Michael Dell actually a few weeks ago. … And his line to me was, in some ways feel very similar in magnitude of impact. But whereas the internet era was like playing chess, the AI era is like playing speed chess."
「我认为关于人工智能时代真正疯狂和令人兴奋的事情之一是，时间线正在以一种非常激进的方式被压缩。实际上几周前我有幸与 Michael Dell 交谈过。……他对我说，在某种程度上，感觉在影响的程度上非常相似。但互联网时代就像下象棋，人工智能时代就像下快棋。」
Philip Clark（转述 Michael Dell）· Inside Thrive Capital

2026-07 新增：Factory 给这条暗流加了一个反向注脚——"早"本身没有奖励。Matan 用两年"沙漠期"证明，真正的约束不是模型能力、而是买方（工程师/采购）的行为惯性：

"being two or three years early is the same as being wrong. … There's no consolation prize. It's either you do the thing or you don't do the thing."
「早两三年，跟做错了是一回事。……没有安慰奖。要么你做成，要么没做成，就这样。」
Matan Grinberg · Factory's Matan Grinberg: The Coming 'Dark Factory'

无论选哪种 AI-native 模式，决策窗口都比 SaaS 时代窄得多——但 Factory 提醒：窗口错在早的一侧，代价一样是致命。

2026-08-24 新增：两条操作性注脚。 第一条来自 Google Labs——Josh Woodward 的团队用"从想法到最终用户手中 50 到 100 天"给速度定了数字刻度（转述），但更重要的是他给"早"提供了一个免死条件：与模型成本曲线对齐。Google 看到文本模型成本一年降 97 倍，于是 Veo 生成视频再贵也按同一条曲线的终点来建产品：

「在过去几年里，我从 AI 工作中真正学到的一个原则是：确保你的产品与模型变得更智能、更便宜、更快相一致。如果你的核心产品价值主张能够从这些顺风中受益，那么你就处在一个好的位置。如果这些都不对，那就质疑你的存在。」
— Josh Woodward · Google Labs is Rapidly Building AI Products from 0-to-1（逐字稿仅中文译文）

把它跟 Matan 的"早=错"并排，窗口的形状清晰了一点：早本身不必然致命，致命的是"早 + 产品价值主张吃不到模型顺风"——Factory 的两年沙漠期恰是撑到了顺风抵达。第二条来自 Eric Vishria 转述 Brett Taylor 的比喻，解释为什么迭代速度成了生死指标（他说的正是 Cursor 的演化史）：

"They were obsoleting their work from six months ago. And it's what Brett Taylor calls like sandcastles. We used to be building castles. Now we're building sandcastles that get longer away."
「他们在不断淘汰六个月前的工作。这就是布雷特·泰勒所称的沙堡。我们曾经构建城堡。现在我们在建造越来越远的沙堡。」（"get longer away"为转写瑕疵，照录）
Eric Vishria（转述 Brett Taylor）· A Decade of Lessons Investing in Software & Hardware

沙堡逻辑与 Vishria 自己那句"每天完成计划就是在摧毁股权价值"（见主流共识第一点）是同一枚硬币：在不稳定的技术基座上，执着于把砖砌进百年城堡的工匠心态本身就是风险。

都没说透的

我的看法

判断（不是事实）：这次 6 篇最有价值的贡献，是把上一版"模式 A+F 组合最稳"的结论从孤例推向可复用——DoorDash 证明"从 use case 倒推、拿独家数据做复利"不是 Reducto 的偶然，而 Matan 的"早=错"和 Clay Bavor 的"别把栈打得比需要更深"共同指向同一条纪律：AI-native 的胜负手在'节奏与栈深的克制'，不在'模型有多前沿'。我现在更相信，防御力这件事上 Accel 的悲观比 Casado 的乐观更值得当回事——"GPT wrapper 不是 thing"更像是 2025 的口号，而 2026 年真正在下注的钱（Accel 退回 infra、Factory 押模型无关、Sierra 只微调不预训练）都在用行动承认：纯应用层薄壳确实会被模型能力扩张吞掉，活下来的要么握数据（DoorDash）、要么握分发 choke point（Cursor）、要么握 model-agnostic 的编排层（Factory）。 最被高估的仍是"替代 labor"的 narrative——四个当事人连边界都划不出来，说明它离可验证的商业模式还有距离。

2026-08-11 增补：这次 5 篇把上面的判断推进了两步。第一，"活下来的"清单要加第四项——握 vertical 专用微调模型（Decagon 的 90% 开源迁移 + Ashwin 的"垂直实验室"终局），而且它与 Factory 的"模型无关"正面互斥：编排层与模型层这两种护城河至少有一个会被证明是错的下注，这是本主题目前最值得跟踪的活分歧。第二，"纯应用层薄壳会被吞掉"拿到了第一具完整的尸体——Airtable 以约 1/10 峰值估值卖给 Bending Spoons，且死法不是被 AI-native 竞品正面击杀，而是被"AI 让维护变廉价"降维成 PE 可收租的资产；这比任何 VC 口头判断都硬。"替代 labor"我维持低估值判断，且证据更强了：现在连押注方自己（Jesse）都改口成 Jevons 式"杀工作、不杀职业"——当一个 narrative 的旗手开始给它加限定语，说明定价该往下修。

2026-08-24 增补：这批 4 篇把两条主线各推进一步，并埋下一个可能改写互斥局的变量。第一，"判断/品味即瓶颈"现在是全语料最硬的一条共识——六个声部横跨模型厂、应用双寡头、数据供应商、顶级 VC、adtech 现任者与 Google，且 AppLovin 给了可证伪指标（业务翻数倍、工程人数三年不变）。我认为这条可以从"共识"升格为"操作判据"：看一家自称 AI-native 的公司，先看它的人头曲线是否与收入曲线解耦。第二，输家侧从个案（Airtable）升级成机制链（agent 溶解迁移护城河 → 老 KPI 反噬"完成计划=摧毁价值" → 文化不可转换"几乎得换掉所有人"），"纯应用层薄壳被吞掉"进一步坐实——但 Vishria 的反零和是有益矫正：被吞掉的是"无差异化的那一层"，不是"应用层"本身，2014 年"AWS 吃掉一切"式的悲观同样会错。第三，最值得盯的：Trajectory 把"自有垂直模型"做成月级交付的平台服务，Decagon、Mercor 已在客户名单上。这对 Ashwin 的路线是双刃——成本骤降（利好），独占性同样骤降（利空）：当第二名也能一个月训出模型，护城河就退回到修正数据的独占流上；而 Ronak 公开把"harness 与模型共同优化"当研究方向，如果跑通，Factory 的"模型无关"与 Decagon 的"模型自有"可能不是谁赢谁输，而是双双被合流吃掉。上一版说的"最值得跟踪的活分歧"从二元改判为三体。另记一笔：Ronak 的"活系统"论若成立，模式 C 的门票从"握存量数据"扩成"能捕获增量修正"——这会显著拉低 incumbent 相对创业公司的数据优势，值得跟 DoorDash 案例对照检验。

把握程度：中等偏上（较上一版升一档）。最强支撑是 DoorDash 与 Sierra 两个当事人一手数据把模式 C、B 坐实；最弱环节是"应用层会被吞掉"——Accel 是用"我们没投"来间接背书，属于缺席证据，不是正面证据。（2026-08：维持不再升档——本批新证据以印证与细化为主（双寡头栈深收敛、Airtable 尸检、判断瓶颈第三声部），真正的新增量"模型自有 vs 模型无关"互斥局还需要至少一个周期看谁先被打脸。）（2026-08-24：仍维持不升档——本批最大新增量 Trajectory 是创始人单方叙事 + 发布周材料，Factory 未对"共同优化"作出回应；AppLovin 的人头指标是单一公司自述，需要第二家复现；判断/品味共识确实变硬，但属加固而非翻新。）

还想知道什么

取材

继续读
线索
阅读线索：agent 不到 9 nines 可靠，那应该卖给企业还是消费者
线索
阅读线索：如果 coding 是 commodity，AI startup 的护城河长在哪儿
线索
阅读线索：推理成本一年跌 10×，AI app 该按什么定价
线索
摘报
线索
摘报
线索
摘报