这两天看 AI 行业新闻，会发现很多人追问的问题变了。
林俊旸离开 Qwen 后创业，新实验室传出 20 亿美元估值；李彦宏在 Create 2026 上提出日活智能体数；腾讯那边，马化腾说 AI 的船现在站上去了，还坐不下去。三件事表面上分别属于人才、指标和大厂追赶，背后都绕不开一个问题：市场已经不满足于听模型水平有多强，开始追问这些输出到底能不能把事办完。
过去两年，AI 行业最常见的叙事是模型叙事。参数、榜单、上下文、Token、推理速度、价格，都是围绕模型本身展开。这个阶段很必要，因为没有模型水平，后面的产品想象都站不住。
但模型叙事有一个问题：它离真实使用太远。
用户不会因为一个模型消耗了很多 Token 就付费。企业也不会因为一次发布会说模型很强，就重写内部流程。能让人掏钱的场景更具体：客服少转一次人工，销售少查一遍资料，开发者少改一轮代码，运营能直接拿到可用素材，财务能提前看到异常。
AI 应用的竞争，正在从能回答转向能办事。
这张封面图把需求、流程和复盘放在同一条路径上，AI 应用的价值要落到可用成果里。
这个变化会重写很多判断。
看创业公司，不能只看创始人履历
顶级模型人才当然重要。林俊旸这样的研究者出来创业，资本愿意给很高估值，不难理解。Qwen 过去给阿里带来了技术声量和开源生态，一个参与过核心模型建设的人，本身就是稀缺资产。
但新公司下一步要证明的事情更靠后：模型输出能不能被组织成产品闭环，客户能不能持续用，反馈能不能回到迭代里。
如果做基础模型，要面对算力、数据、工程化和生态分发。大厂在这些地方有天然优势。创业公司如果正面打，资金压力会很重。
如果做世界模型、具身智能或 Agent model，故事空间更大，落地难度也更硬。物理世界的数据、硬件、场景、成本和安全责任，比聊天框复杂得多。投资人买的是未来概率，用户和客户看的会是今天能不能解决问题。
所以接下来评价 AI 创业公司，不能只问创始人是谁，还要问产品反馈从哪里来，任务闭环怎么形成，成本能不能随规模下降，客户为什么不能继续用大厂模型拼一个类似方案。
看大厂，不能只看有没有模型
腾讯的例子很典型。它有微信、QQ、游戏、广告、支付、云、文档、会议和企业协同，这些都是 AI 可以进入的真实场景。问题在于，场景多不等于 AI 心智强。
很多大厂做 AI，最容易变成给旧产品加一个按钮。用户点一下能总结、能生成、能问答，但原来的工作流没有变化。这个按钮有用，却很难变成新入口。
有价值的 AI 改造，往往会动到产品结构。客服系统如果只多一个问答框，价值很容易停在演示层；把问题识别、工单流转、知识库更新、人工接管、质检复盘串起来，才会碰到真实效率。代码工具只补全几行代码，替代的是局部敲字；参与需求拆解、接口查找、测试生成、代码审查和上线风险提示，才会进入开发流程。广告系统写几句文案只是素材起点，后面还要接上投放、转化和复盘。
大厂的优势是场景和分发，弱点是组织惯性。AI 要成为生产力，常常需要原来的业务部门改变流程、指标和权限。这比发布模型更难。
看指标，不能只看 Token 或活跃数
Token 是成本表，不是价值表。一个系统消耗了很多 Token，可能说明它业务量大，也可能说明链路低效。把 Token 当成绩，很容易鼓励无意义的调用。
日活智能体数比 Token 往前了一步。它至少开始问：有多少 agent 在真实运行。但这个指标也会被误用。一个每天自动跑很多次的低质量 agent，可能很活跃，却没有帮业务减少多少人工。一个频率不高但能处理关键审计、风控或决策支持的 agent，价值可能更大。
更稳的指标应该是一组组合。
任务完成率，说明智能体有没有把事情办完。
人工接管率，说明它能独立走多远。
单位任务成本，说明它是不是经济。
错误率和复核成本，说明它能不能进入严肃流程。
留存和复用率，说明用户是不是愿意把任务继续交给它。
这些指标合在一起，才接近 AI 应用的真实价值。只看一个数字，都会把团队带偏。
普通用户会怎么感受到这个变化
对普通用户来说，AI 应用下一阶段的差异，不会只体现在回答更聪明。更明显的差异，是它能不能少让你来回搬运信息。
现在很多 AI 工具仍然需要用户自己拆任务、复制材料、判断结果、整理格式、回填系统。它像一个聪明的实习生，但你还得一直盯着。
更成熟的 AI 应用，会主动进入任务链。你让它准备一次会议，它不只是写纪要模板，还会读取议题、拉取历史资料、整理分歧点、生成行动项、提醒负责人。你让它做一次竞品分析，它不只是给一段总结，还能沉淀来源、标出不确定信息、形成可复用表格。
任务流白板把需求、拆解、执行、复核、留痕串起来，适合判断一个工具是否真的进了工作链。
这就是能办成事的含义。用户到手的，应该是一件可以接着用的成果，而不只是一段看起来正确的话。
企业会更在意责任划分
AI 越接近真实工作，责任问题越明显。
订错票、写错合同条款、漏掉财务风险、生成有版权隐患的素材、把客户信息发到错误位置，这些都不是模型评分能解决的。企业会关心谁授权，谁复核，谁留痕，谁承担后果。
所以未来好用的 AI 产品，可能不会一味追求全自动。它会清楚地告诉用户：哪些步骤自动完成，哪些节点需要确认，哪些结果只做建议，哪些操作会留下审计记录。越是严肃场景，越需要这种分寸。
这也是很多 AI demo 到生产环境会掉速的原因。演示只要看起来顺畅，真实业务要考虑权限、合规、异常、责任和长期维护。
企业把 AI agent 放进业务前，至少要问清授权、复核、接管和成本，这些问题比自动化口号更关键。
下一轮竞争的关键词
模型水平仍然重要，但它会越来越像水电网络。更能拉开差距的，可能是任务设计、场景数据、成本控制、权限系统和复盘机制。
谁能把 AI 做成用户的默认动作，谁就能占入口。
谁能把智能体接进真实流程，谁就能拿到数据和留存。
谁能把错误率、接管率和成本讲清楚，谁就更容易进入企业预算。
谁只停留在发布会和榜单里，热度会很快被下一个模型盖过去。
AI 应用的下一轮竞争，不会结束模型竞赛，但会把问题问得更具体：它到底替谁完成了什么任务，完成得是否稳定，成本是否可承受，出错时有没有人兜底。
当行业开始认真回答这些问题，AI 才算从展示效果走向生产力。
