最近，红杉资本AI Ascent 2026峰会，再次吸引了全行业的关注。
在一个模型能力以周为单位迭代、智能体开始渗透白领岗位、重构职场分工的当下，这家投出了苹果、谷歌、英伟达的全球顶尖的风投机构，却给了一个看似朴素的忠告：忘掉技术竞赛，去理解你的客户。
这听起来有些老生常谈。但看完演讲，似乎没有表面上的那么简单，而是关于AI时代竞争逻辑的全新理解。
在红杉合伙人帕特·格雷迪、索尼娅·黄和康斯坦丁·布勒的演讲中，这句建议的背后，其实是一个值得深度探讨的问题：当技术本身变成快消品，什么才是持久的价值锚点？
来了解一个案例：2024年春天，咨询公司埃森哲做过一个内部实验。他们让一组刚入职的分析师和一组AI工具协同完成一份行业研究报告。
结果是，AI 辅助的新人团队，在分析深度和报告质量上，全面碾压了独立工作的资深顾问组。
当然，2026年今天，这已经没有那么令人惊讶了。
但这个案例不仅仅是一个效率故事。可以说，它暗示着一场前所未有的“智力平权运动”正在发生。
要理解这个趋势的深远影响，我们需要回到一个根本问题：在过去几百年的商业社会里，企业究竟在为什么买单？
答案是：为稀缺的认知能力买单。
就比如说，律师收费高，不是因为打字快，而是因为他们脑子里装着判例和法理；咨询顾问收费贵，不是因为PPT做得漂亮，而是因为他们能穿透复杂商业问题；医生受人尊敬，不是因为会用听诊器，而是因为他们能根据症状做出正确诊断.....
这些能力的共同点是：都需要漫长的训练周期、昂贵的教育投入和持续的经验积累。供给有限，所以价格高昂。这是工业革命以来知识经济的底层逻辑。
如今，AI 正在击穿这套逻辑。
当一个大语言模型可以在几秒钟内调取全部法律条文和相关判例，当它能像一位十年经验的税务师一样分析财务结构，当它能比放射科医生更准确地识别早期肿瘤——那个曾经被“漫长训练”保护起来的认知壁垒，正在变得千疮百孔。
演讲中，红杉合伙人康斯坦丁·布勒讲了一个意味深长故事：19世纪，美国为华盛顿纪念碑封顶时，选用了当时世界上最珍贵的金属——铝。100盎司的铝被陈列在蒂芙尼精品店里，比黄金更稀有。短短几十年后，电解法被发明，铝的价格暴跌到可以用来包三明治，用完即弃。
他表示，今天铝就是人类的智能，电解法就是人工智能。那些曾经需要数十年寒窗才能掌握的博士级技能，正在被“电解”成随手可得的日用品。
这不是替代，而是能力的廉价化。
红杉合伙人在演讲中反复强调一个观点：他们投资的不是AI技术本身，而是AI技术引发的服务业重构。这个判断建立在一个简单但深刻的经济学洞察之上：当一种能力从稀缺变得充裕，所有建立在这种能力之上的商业模式，都将经历价值重估。
如果10万美元年薪的律师助理能被每月500美元Token成本的智能体替代，如果40万美元年薪的初级医生能被每张片子几美分的诊断AI替代——那么被颠覆的不只是工资单，而是整个服务业的供应结构和定价模型。
红杉在演讲中亮出了一个足够震撼的数字：仅仅是美国法律服务这一个垂直市场，规模就达到4000亿美元——与整个全球软件产业的体量相当。而放眼全美所有可以被智能体渗透的服务业，这个数字是一个好记的整数：10万亿美元。
他们不是在谈技术趋势，而是在押注一场即将到来的认知劳动力的重新定价。
02.扩散鸿沟出现：“慢”将会成为新的商业机会？在演讲中，红杉合伙人们反复提及一个看似矛盾的现象：技术能力产生的速度，与这些能力被市场实际采纳的速度之间存在巨大落差。
这个落差在AI时代正在急剧扩大。那么，我们来聊一聊它的成因。
模型能力的进化速度有多快？2023年初，GPT-4刚刚能通过律师资格考试；2024年中，Claude 3.5已经能独立完成复杂代码项目；到了2025-2026年，长周期智能体可以在数小时内完成过去需要数周的工作。这条进化曲线陡峭得像一面悬崖。
但企业采纳这些技术的速度呢？
2024年麦肯锡的一项全球调查显示，虽然超过70%的企业声称在“探索AI应用”，但真正将AI深度嵌入核心业务流程的比例不到15%。大多数财富500强公司，仍然在用2022年的工作方式处理2026年的业务。
为什么？是技术不够好吗？不是。是决策者太保守吗？不完全是。
真正的原因是：组织的消化能力跟不上技术的进化速度。
经历过企业数字化的人都知道，让一个几百上千人的组织真正采纳一套新工具，需要经历什么：选型评估、预算审批、安全审查、员工培训、流程改造、绩效考核调整……每一步都可能卡住好几个月。而当你终于部署完毕，模型能力可能已经又迭代了两代。
这个速度差造成了一个奇特的市场结构：技术供给端白热化竞争，而需求端消化能力严重不足。就像一条巨型水管往一个小漏斗里灌水，无论水流多猛，最后过水的速度由漏斗的口径决定。
红杉将这种现象称为“扩散鸿沟”——技术越加速，这个鸿沟越大。
而对于应用层创业者来说，这个鸿沟不是bug，是feature。因为你在模型厂商和终端用户之间，扮演的是一个“适配器”的角色。
你不是在提供技术能力，你是在解决“如何让这个组织真正用上这种能力”的问题。这个问题的复杂度与模型能力无关，与人有关。
人的训练、流程的设计、变革的推动、信任的建立——这些脏活累活，正是技术能力与商业价值之间的最后一公里。也是那些只擅长训练模型的公司最不擅长的东西。
03.护城河悖论：越底层的技术，越没有壁垒？2023年，当时几乎所有人都认为AI领域的护城河在模型层。谁拥有最强的模型，谁就能统治市场。
两年后的今天，这个假设已经被现实撕得粉碎。
OpenAI发布GPT-4后不到一年，Claude、Gemini纷纷追上来，包括国内的头部模型厂商。每当一家模型厂商推出新能力，几个月内竞争对手就会推出类似甚至更强的版本。价格战也在同步发生：Token成本跳水式下降，推理价格一降再降。
这并非偶然。AI基础模型有一个内在属性，使得它天然不适合成为护城河的基础：同质性。
与石油、矿产、专利药不同，AI模型的能力建立在公开论文、开源代码和可获得的算力之上。这意味着任何一家公司的技术突破，很快会被整个行业吸收。你今天引以为傲的领先优势，下周就可能变成开源的通用能力。
格雷迪在演讲中引用了一个经典比喻：过去几年我们看到的很多AI应用，本质上都是“一匹更快的马”——能让效率提升10%到40%，但没有从根本上改变工作方式。而真正的机会在于造出“一辆汽车”——那些能让你重新思考整个工作流和组织架构的东西。
关键词题在于：如果你把产品建立在某个模型特有的能力之上，那你造出来的永远是“更快的马”。因为模型一升级，你的马就跑不过别人家的了。
真正的壁垒不在“快”，而在“懂”。
“懂”什么？懂你的客户为什么痛苦，懂他们说不出口的真实需求，懂他们采购决策背后的逻辑，懂他们行业里那些不成文的规矩和隐性的知识。
这些知识不在论文里，不在数据集中，在多年沉浸于一个领域所获得的“手感”里。
红杉指出：在计算革命中，你应该向上看，而不是向下看。向下是日新月异的模型能力，永无止境的军备竞赛；向上，是客户那些相对稳定的根本问题。
因为客户需求变化的速度，远慢于技术能力进步的速度。你今天开发的产品，明天可能就过时了；但你与客户深度绑定的程度，却能穿越周期。
技术竞赛是巨头们的游戏。他们有钱、有算力、有人才，能在最短的时间内追上任何技术突破。但理解一个具体行业里某个具体角色在某个具体场景下的痛苦，需要的是完全不同的能力和时间投入——你没办法靠堆GPU加速对客户的理解。
04.示能的消失：越强大的AI，往往比较难用？在红杉提出的MAD框架中，A代表“示能”——一个借自设计领域的概念。这值得展开讨论。
“示能”是什么？用最简单的例子：一把锤子。你不需要说明书就知道它的用途。它的形状、重量、重心分布，都在无声地告诉你“握住这里，挥向那里”。好的设计让人不假思索就能正确使用。
但今天我们最强大的AI工具，普遍缺乏示能。
红杉表示，Claude Code极其强大，但你需要打开终端，懂得命令行操作，理解文件路径概念——这让大多数非技术背景的用户望而却步。ChatGPT的通用聊天界面几乎没有什么引导，新用户面对那个空白的输入框常常不知道从何说起。
这是AI产品化过程中一个被严重低估的挑战：能力越强，越需要精巧的示能设计。
为什么？因为强大意味着可能性空间大，可能性空间大意味着用户决策负担重。如果一个工具什么都能做，用户反而不知道该用它做什么。
这是应用层创业者的第二重机会：为特定的用户群体、解决特定的问题、在特定的场景下，设计一条阻力最小的路径。
这条路径不需要暴露所有能力，只需要在正确的时间、以正确的方式、向正确的人，呈现正确的功能。
这听起来像是产品设计的常识，但在AI领域，能做好的公司凤毛麟角。
大多数AI产品陷入两种极端：要么是“万能聊天框”（什么都能做，但用户不知道从哪里开始），要么是“功能大杂烩”（堆了上百个功能，但没一个好用）。
真正成功的设计往往极度克制。不是让用户去适应AI的强大，而是让AI的强大去适应用户的习惯。这需要对用户行为的深度理解，需要反复的交互打磨，需要在“能做”和“该做”之间做出大量取舍。
而这些，都与模型能力无直接关系。
05.服务即软件：当Token经济改写服务业的成本曲线在红杉的叙事中，有一个被反复强调但容易被忽视的判断：服务正在变成软件。
从亚当·斯密开始，经济学家就在研究一个困扰服务业上千年的难题：鲍莫尔成本病。
简单解释：制造业的效率可以持续提高（机器越来越快、自动化程度越来越高），但服务业（教育、医疗、法律）很难。因为服务业的“生产”高度依赖人的时间，而人的时间无法像机器那样指数级提效。一个老师一节课能教的学生有限，一个医生一天能看的病人有限，一个律师一年能处理的案子有限。
结果就是，服务业的成本会随着社会整体经济水平的提高而不断攀升。
如今，AI 正在改写这条规律。
当一个智能体可以同时处理100个客户的咨询，当诊断AI可以在一分钟内分析完一个病人全年的病历数据，当法律AI可以并行审查数千份合同——人的时间的瓶颈被打破了。
Token替代了工时。而Token的边际成本趋近于零。
这意味着服务业的“鲍莫尔魔咒”第一次有了被打破的可能。那些过去因为成本太高而无法被大规模提供的专业服务——定制化的法律建议、个性化的医疗方案、一对一的深度辅导——突然变得“可支付”。
这是红杉看多“服务即软件”的核心逻辑。不是AI比人聪明（这当然也是方向），而是AI让服务的单元经济学发生了质变。
每一个过去必须由高薪专业人士亲力亲为的任务，现在都可能被拆解、标准化、自动化，然后由Token驱动的智能体来执行。而智能体的成本不是线性的——一个智能体服务10个客户的成本，几乎与服务1000个客户的成本相同。
这种“复制边际成本为零”的特性，曾经让软件产业创造了人类历史上最高的利润率。现在，同样的特性正在向服务业渗透。
在哪里渗透得最快？在那些“标准化程度高、重复性强、专业知识密集”的领域。法律文书审查、基础税务处理、常规医疗影像诊断、标准化的财务审计等等，这些领域的人才成本高、服务量大、出错容忍度低，是智能体经济最先落地的滩头阵地。
06.工作意义重构：当“生产力”不再需要人类如果以上分析成立，一个更深层的问题会浮现：当脑力劳动可以被大规模替代，人类工作的意义还剩什么？
这不是一个哲学问题，而是一个正在发生的商业问题。
在过去两个世纪里，工业革命替代了肌肉，但保留了大脑。工厂用机器取代了体力劳动者，但同时也创造了工程师、经理、设计师、分析师等大量新型的“脑力岗位”。人类的价值从“出力”转移到了“出主意”。
但AI革命替代的恰好是“出主意”本身。
这并不意味着人类将无事可做，但确实意味着需要重新定义“什么是有价值的工作”。
在这个问题上，康斯坦丁·布勒演讲中从艺术史入手，讲述了一个被技术冲击后的文化反弹故事：19世纪摄影术诞生后，写实绘画被机器碾压，但人类艺术家没有消亡，而是转向了摄影术无法触及的领域——内心的感受、主观的视角、情感的共鸣。于是印象派、表现主义、立体主义喷涌而出。
这个“技术替代-文化反弹”的模式，可能同样适用于AI时代的白领工作。
当AI能写出流利的报告、生成精美的图表、完成严谨的数据分析时，人类在这些“执行层”的优势消失殆尽。但在“为什么要写这份报告”、“为谁而写”、“用什么方式讲述最能打动人心”——这些涉及意图、判断和共情的问题上，人类的不可替代性反而被凸显。
这是否意味着，未来的工作会从“做事情”转向“决定做什么”和“为谁而做”？
我们已有一些早期迹象。在广告创意行业，AI可以生成100个slogan，但最终拍板选哪句、为什么选这句，仍然需要人的直觉。在投资领域，AI可以快速扫描海量数据并标出异常，但决定是否信赖一个创始人的愿景，仍然需要人与人之间的面对面判断。
这些不可被算法化的能力——意图设定、价值判断、情感连接、意义建构——正在从一个“高阶能力”变成“核心能力”。
古希腊哲学家普罗泰戈拉有句名言：“人是万物的尺度。”在AI能力指数级爆炸的未来，真正稀缺的将不是智能，而是连接。
人与人的情感链接、信任关系、审美共鸣，这些“非理性”的东西，恰恰是人类最后的、也最坚固的堡垒。
这也解释了为什么红杉合伙人们在技术大会的压轴环节，不谈参数、不算力、不聊AGI，而是提醒所有人：去和身边的人建立深刻的连接。
· 结语 ·最后，重新定义护城河。
红杉合伙人指出，20世纪初，福特汽车统治美国市场，靠的是流水线的生产效率。20世纪后半叶，丰田挑战福特，靠的已经是完全不同的东西——不是更快的流水线，而是精益生产、供应链管理和对人的深度赋权。当制造能力本身被商品化，竞争优势转移到了制造的组织方式上。
今天AI行业面临类似的结构性转变。
第一阶段的技术红利正在消退。早期，只要有模型能力就能生出差异化。但随着模型能力趋同和开源生态成熟，“有模型”本身不再是优势。
第二阶段的红利正在转移：从“有没有技术”转向“会不会用技术解决问题”。
格雷迪在演讲最后引用了一句赛车界的名言：“晴天你无法连续超越15辆车，但在雨天你可以。”此刻的AI领域就是一场暴雨。新能力的倾盆而下让所有人的领先优势都变得脆弱，但也意味着任何人有机会脱颖而出。
谁能在雨天超车？不是车技最好的，而是对路面最有感觉的。
这届红杉的演讲，实质上是在描述这个阶段转移的特征——以及在这个新阶段中，什么才是真正的护城河。
不是模型，不是算法，不是算力，而是三样只有扎根场景才能获得的东西：对客户痛苦的深度理解、为客户设计的最优路径、以及持续赢得客户信任的能力。
这也是为什么红熊AI重视技术创新的同时，永远会把“客户第一”作为公司发展的铁律。
其实这三样东西有一个共同特点：它们的老化速度很慢。技术会过时，但信任会积累；算法会被超越，但对一个行业的认知会越来越厚；模型会迭代，但客户关系会沉淀。
这也让我想起亚马逊创始人贝索斯的名言：“我经常被问到未来十年什么会变。但从来没人问我未来十年什么不会变。第二个问题其实更重要。”
在AI领域，未来十年什么不会变？人们依然会需要被理解、被服务、被信任。企业依然会愿意为真正解决问题的方案买单。行业经验依然需要靠时间换取。
而这些不会变的东西，或许才是这个剧烈变化时代里，创业者最应该下注的筹码。