高智商，低薪资：AI智能体为何在“盈利墙”前徘徊？

TL;DR：

AI大模型虽展现出近乎神迹的智力，但在商业落地上正撞向由“精度不足”与“成本倒挂”构成的双重围墙。真正的利润并不属于那些试图模仿人类组织的庞大实体，而属于那些敢于通过“无人化”重构生产关系的少数派。

在硅谷和北京的顶级写字楼里，人工智能（AI）正扮演着一种奇特的角色：它既是万众瞩目的普罗米修斯，又是吞噬资本的无底黑洞。如果说2023年是幻觉与希望并存的元年，那么当下则是冷峻的账本摊开在前的清算时刻。OpenAI据传要到2029年才能盈利，每年挥霍掉140亿美元；国内的“独角兽”们如MiniMax和智谱，即便估值高耸入云，每年数亿美元的亏损依然像某种挥之不去的背景噪音。¹

这种“高智商、负产出”的悖论在智能体（AI Agents）领域尤为显眼。智能体本被寄予厚望，被视为AI从“聊天机器人”进化为“数字劳动力”的关键。然而，现实却给这种乐观情绪泼了一盆冷水。当Glean这类明星智能体公司即便在ARR（年度经常性收入）突破2亿美元后，依然因高昂的人均成本而深陷融资循环时，我们不得不审视：为什么智能体赚不到钱？

精度之墙：当“差不多”变成灾难

智能体商业化的第一道障碍是所谓的“精度墙”。在大语言模型的语境下，95%的准确率在撰写营销文案或润色邮件时堪称卓越，但在真实业务场景中，剩下的5%往往意味着灾难。正如一位深耕此道的观察者所言，关键不在于智能体“会不会错”，而在于人类“敢不敢让它错”。²

在一个自动下单、合同审批或金融风控的流程中，一次微小的幻觉就可能引发真金白银的损失或法律纠纷。讽刺的是，为了修补这5%的误差，企业往往需要引入复杂的规则、繁琐的审批流程以及昂贵的人力兜底（HITL）。最终，原本宣称要释放生产力的智能体，变成了一个披着AI外壳的、昂贵且笨拙的自动化脚本。这种“确定性缺失”使得智能体在进入高价值、高责任的深水区时步履维艰，大多只能在精度要求极低的边缘地带（如美图、润色）赚点“辛苦钱”。

成本之墙：算法与算盘的对决

即便智能体克服了精度焦虑，它还必须面对更为冷酷的会计准则。目前的AI商业模式中，成本构成极度扭曲：模型Token成本虽然在下降，但为了追求高精度而进行的多次推理（Multi-hop Reasoning）和重试，使得单次任务的成本依然高企。²

以生成一篇高质量营销文案为例，包含Token成本、图像生成及人工审核，成本可能高达2元人民币。如果这2元投入不能带来超过2元的即时商业溢价，这笔生意在经济上就是不可持续的。相比之下，传统的SaaS模式是“编写一次，售卖万次”，而智能体模式更像是“雇用一个吃Token的实习生”，其边际成本远高于传统软件。

此外，由于国内VC环境的更迭，资本不再愿意为纯粹的“技术理想”买单。相比于深陷亏损的大模型公司，资本市场正将目光转向利润更为丰厚、竞争壁垒更稳固的AI芯片领域。¹ 这种资金流向的转变，实际上是对大模型变现能力投下的不信任票。

生产关系的“无人化”重塑

在哀鸿遍野中，Midjourney这类公司却成了异类——40个员工创造了5亿美金的ARR。² 它们的成功并非源于更强的模型，而源于它们不仅仅是“生产力工具”，更是“生产关系的重构者”。

未来的盈利路径或许不再是“AI+传统公司”，而是“无人公司”（Unmanned Company）。这并非指物理意义上的空无一人，而是指将智能体置于驱动业务的核心，而人类则退居幕后进行辅助。在这种结构下，编码、营销、客服等高频、标准化的职能被智能体系统深度接管。正如从马车转向汽车时，司机需要的不是更强壮的马，而是彻底抛弃马车的设计逻辑。

智能体的这场马拉松才刚刚开始。那些试图拿VC的钱去填补成本空洞的公司，最终可能会发现围墙比预想的要高；而那些能够从小处着眼、在细分场景内跨越“精度墙”并重构成本结构的独立开发者（OPC），或许才是第一批上岸的幸运儿。

引用

• AI智能体
• 商业变现
• 成本控制
• 无人公司
• 资本逻辑