從賣(mài)token到賣(mài)結(jié)果，這些公司開(kāi)始讓AI背KPI了

編輯｜張倩

自從黃仁勛在 GTC 上大手一揮，鼓勵(lì)企業(yè)把 token 消耗量算進(jìn)工程師的 KPI，魔幻的事情就一天比一天多了。

先是 Meta 內(nèi)部搞起「燒 token 競(jìng)賽」，員工為沖 KPI，寫(xiě)死循環(huán) bot、用低效提示詞刷量；接著亞馬遜員工為了證明自己「高頻使用 Agent」，明明不需要自動(dòng)化的活兒，硬給做成自動(dòng)。表面看，這是大廠(chǎng)員工在「卷 AI 使用率」，但背后暴露的問(wèn)題其實(shí)更嚴(yán)重：當(dāng)企業(yè)無(wú)法衡量 AI 的真實(shí)價(jià)值時(shí)，就只能退而求其次，用「調(diào)用量」代替「產(chǎn)出」。

而這種失真，正在變成整個(gè)行業(yè)的共同困境。

麥肯錫數(shù)據(jù)顯示，88% 的企業(yè)已經(jīng)在至少一個(gè)職能中常態(tài)化使用 AI，但真正能被定義為「AI 高績(jī)效企業(yè)」，即 EBIT 因 AI 提升超過(guò) 5% 的，不到 6%。大量預(yù)算、算力和工程師時(shí)間被投入進(jìn)去，最后換來(lái)的，卻往往只是一份「看起來(lái)很忙」的賬單。企業(yè)知道 AI 很重要，也知道競(jìng)爭(zhēng)對(duì)手在用，但問(wèn)題是：錢(qián)到底花得值不值？沒(méi)人說(shuō)得清

這其實(shí)也是過(guò)去兩年 AI 落地最尷尬的地方。

因?yàn)榇蠖鄶?shù) AI 公司賣(mài)的，本質(zhì)上還是「工具」。工具是否真正創(chuàng)造價(jià)值，風(fēng)險(xiǎn)天然由采購(gòu)方承擔(dān)。更何況，這一次的工具不僅更貴、更復(fù)雜，還高度依賴(lài)企業(yè)自身的數(shù)據(jù)、流程和組織配合。于是，很多企業(yè)最后只能盯著 token、調(diào)用次數(shù)、Agent 使用頻率這些「過(guò)程指標(biāo)」，試圖從里面推測(cè) AI 有沒(méi)有產(chǎn)生結(jié)果。

但問(wèn)題在于，企業(yè)真正想買(mǎi)的，從來(lái)不是 token。

CEO 不會(huì)因?yàn)閱T工多調(diào)用了幾次模型而高興，董事會(huì)也不會(huì)因?yàn)?Agent 使用率提升就認(rèn)可 ROI。企業(yè)真正想要的，其實(shí)一直都很簡(jiǎn)單：結(jié)果，而且是能被驗(yàn)證、能被歸因、最好還能直接寫(xiě)進(jìn)財(cái)報(bào)里的結(jié)果

只是過(guò)去，很少有 AI 公司敢為這個(gè)結(jié)果負(fù)責(zé)。

而現(xiàn)在，一批公司開(kāi)始嘗試改寫(xiě)這件事：他們不再按「賣(mài)工具」收費(fèi)，而是開(kāi)始直接對(duì)結(jié)果收費(fèi)，讓 AI 真正背上 KPI。其中，硅谷的 Sierra 與國(guó)內(nèi)的零犀科技，恰好代表了這一模式在海內(nèi)外的先行探索。

當(dāng) AI 公司開(kāi)始為結(jié)果負(fù)責(zé)

今年 3 月份，紅杉的一篇文章帶火了一個(gè)名為「Raas（Result-as-a-Service）」的概念。

文章開(kāi)篇就拋出斷言：「下一個(gè)萬(wàn)億美元級(jí)公司，將是一家偽裝成服務(wù)公司的軟件公司。」

怎么理解？先看文中定義的兩種 AI 商業(yè)模式：Copilot 和 Autopilot。前者賣(mài)的是工具 —— 專(zhuān)業(yè)人士用 AI 提效，但雇人用 AI 還得額外花錢(qián)。后者賣(mài)的是「工作成果」本身：AI 直接交付結(jié)果，客戶(hù)只為可衡量的業(yè)務(wù)結(jié)果付費(fèi)，而不是軟件訂閱。

紅杉的判斷是：后者價(jià)值高得多。因?yàn)閿?shù)據(jù)擺在那里 ——企業(yè)每花 1 美元在軟件工具上，就要在相關(guān)服務(wù)和人力上花掉約 6 美元。AI 的進(jìn)步讓「賣(mài)結(jié)果」成為可能，Autopilot 公司可以直擊這個(gè)遠(yuǎn)超工具市場(chǎng)的勞動(dòng)預(yù)算。

這篇文章在圈內(nèi)引發(fā)轟動(dòng)，原因很簡(jiǎn)單：一個(gè)頂級(jí)投資機(jī)構(gòu)，親自把「賣(mài)結(jié)果」的前景和分量點(diǎn)明了，等于給投資人指了下一波重倉(cāng)方向。

不過(guò)，也有人質(zhì)疑這是投資機(jī)構(gòu)炒概念，但緊隨其后的一個(gè)融資消息讓市場(chǎng)開(kāi)始認(rèn)真審視這個(gè)概念的分量。

這個(gè)消息來(lái)自一家名為 Sierra 的公司。該公司由 OpenAI 董事會(huì)主席 Bret Taylor 與前谷歌高管 Clay Bavor 聯(lián)合創(chuàng)立，旨在通過(guò) AI 為企業(yè)提供定制化的客戶(hù)體驗(yàn)解決方案（比如幫用戶(hù)改訂單、退款、調(diào)庫(kù)存），其核心理念就是讓客戶(hù)「pay for a job well done」。今年 5 月，該公司宣布完成 9.5 億美元融資，公司估值超過(guò) 150 億美元。

要知道，這一估值是他們ARR（1.5 億美元）的 100 多倍。對(duì)于一個(gè)剛剛被擺上牌桌的新賽道來(lái)說(shuō)，這幾乎已經(jīng)不是普通意義上的高估值，而更像是一種明確的下注。

而真正說(shuō)服投資人的，是 Sierra 本身的商業(yè)化進(jìn)展。目前，他們已經(jīng)覆蓋超過(guò) 40% 的財(cái)富 50 強(qiáng)企業(yè)。在客戶(hù)體驗(yàn)與自動(dòng)化服務(wù)這種高度核心、又極度看重穩(wěn)定性和 ROI 的場(chǎng)景里，大企業(yè)不會(huì)因?yàn)椤父拍钚愿小咕痛笠?guī)模采購(gòu)。某種意義上，這些客戶(hù)本身就是最嚴(yán)格的投票人。

而 Sierra 拿下這些客戶(hù)，本身就在說(shuō)明一件事：RaaS 已經(jīng)不再停留在 PPT 和融資故事里，而是開(kāi)始完成真正的大規(guī)模商業(yè)驗(yàn)證

在國(guó)內(nèi)，類(lèi)似的事情也在發(fā)生。而且國(guó)內(nèi)公司還額外證明了一件事：RaaS 模式能實(shí)現(xiàn)規(guī)模化盈利和正現(xiàn)金流

讓市場(chǎng)注意到這一點(diǎn)的，是一家名為零犀科技的公司。

坦白說(shuō)，國(guó)內(nèi)宣稱(chēng)走 RaaS 路線(xiàn)的公司不止他們一家，但現(xiàn)階段，真正能拿出盈利數(shù)據(jù)的卻鳳毛麟角，而零犀恰恰是那個(gè)少數(shù)派

他們做的事，其實(shí)可以理解成「讓 AI Agent 直接去賣(mài)東西」。在保險(xiǎn)、汽車(chē)這些行業(yè)里，零犀的 AI 會(huì)直接面向 C 端用戶(hù)溝通，從最開(kāi)始判斷用戶(hù)有沒(méi)有興趣，到中間的跟進(jìn)、推薦，再到最后成交，整套銷(xiāo)售流程都由 AI 自己完成。這個(gè)過(guò)程最大的難點(diǎn)在于，你最終要拿結(jié)果說(shuō)話(huà) —— 用戶(hù)是不是真的下單、保單是不是真的成交、錢(qián)是不是真的進(jìn)來(lái)是金標(biāo)準(zhǔn)。

但從 2019 年開(kāi)始，零犀就選擇為這件事的結(jié)果負(fù)責(zé)，并一路走到了今天：從早期負(fù)毛利，到 2024 年實(shí)現(xiàn)公司級(jí)凈利轉(zhuǎn)正，再到 2025 年跑出規(guī)模化盈利與正現(xiàn)金流。數(shù)據(jù)顯示，某頭部保險(xiǎn)機(jī)構(gòu)接入其智能體后，新增保費(fèi)超過(guò) 20 億元。而如果用傳統(tǒng)人機(jī)結(jié)合模式完成同樣的增量，往往需要一支 800 到 1000 人的銷(xiāo)售團(tuán)隊(duì)。

無(wú)論是硅谷的 Sierra，還是國(guó)內(nèi)的零犀，它們都在做同一件需要膽量的事：把傳統(tǒng)上由客戶(hù)承擔(dān)的不確定性，主動(dòng)攬到自己身上

在 AI 仍被多數(shù)人當(dāng)作「效率工具」的語(yǔ)境下，這種選擇本質(zhì)上需要足夠的技術(shù)底氣。因?yàn)橹挥挟?dāng)你真的相信，自己的系統(tǒng)能夠穩(wěn)定完成任務(wù)、持續(xù)優(yōu)化結(jié)果、并長(zhǎng)期控制波動(dòng)時(shí)，你才敢簽下這樣的合同。否則，一次結(jié)果不達(dá)標(biāo)，吞掉的就是真金白銀的虧損。

也正因如此，RaaS 真正有意思的地方，從來(lái)不只是商業(yè)模式創(chuàng)新，而是它天然會(huì)倒逼公司走向另一個(gè)維度的技術(shù)探索。而這，恰恰也是 Sierra 和零犀接下來(lái)最值得被拆解的地方。

為結(jié)果負(fù)責(zé)，不能單靠大模型基座

Sierra 和零犀，表面上看業(yè)務(wù)差別很大。Sierra 把「Better customer experiences. Built on Sierra.」掛在官網(wǎng)最顯眼的位置，核心產(chǎn)品 Agent OS 幫企業(yè)批量造 AI 客服，談的是體驗(yàn)。零犀則一頭扎進(jìn)保險(xiǎn)、汽車(chē)等銷(xiāo)售場(chǎng)景，談的是成交。

但從底層來(lái)看，兩家公司面對(duì)的是同一個(gè)根本性難題：如何讓 AI 在真實(shí)業(yè)務(wù)場(chǎng)景里穩(wěn)定地把事情做完，并且為結(jié)果負(fù)責(zé)。正是這個(gè)共同的出發(fā)點(diǎn)，倒逼出了高度相似的技術(shù)路徑。

首先，兩家都不是在單純地賣(mài)模型能力，而是在賣(mài)任務(wù)完成 ——Agent 的設(shè)計(jì)目標(biāo)從一開(kāi)始就指向業(yè)務(wù)結(jié)果，而不是簡(jiǎn)單的生成質(zhì)量。為此，它們都在大模型之上額外搭了一套執(zhí)行、記憶與評(píng)估系統(tǒng)，并對(duì)模型本身做了二次干預(yù)，讓它在特定場(chǎng)景下更可靠、更少犯錯(cuò)、更清楚什么算好結(jié)果。更關(guān)鍵的是，兩套系統(tǒng)都不是靜止的 —— 它們?cè)谡鎸?shí)業(yè)務(wù)里持續(xù)跑、持續(xù)學(xué)，越用越強(qiáng)。

這些共性讓它們看起來(lái)走在同一條大路上。但接下來(lái)的岔口，客戶(hù)體驗(yàn)與銷(xiāo)售的本質(zhì)差異，把兩家推向了完全不同的技術(shù)縱深。

當(dāng)回答對(duì)≠能成交

由于瞄準(zhǔn)客戶(hù)體驗(yàn)，Sierra 的核心命題是「把事情做對(duì)」，目標(biāo)是答對(duì)問(wèn)題、少犯錯(cuò)、不出合規(guī)風(fēng)險(xiǎn)。圍繞這個(gè)目標(biāo)，Sierra 搭建的是一套精密的模型編排體系：15 款以上的異構(gòu)模型按任務(wù)特性分工協(xié)作，再由監(jiān)督者模型實(shí)時(shí)審查每一次輸出。這是一種偏向「組織架構(gòu)管理」的技術(shù)思路 —— 把正確性管住，系統(tǒng)就能穩(wěn)定運(yùn)轉(zhuǎn)。

但對(duì)于瞄準(zhǔn)銷(xiāo)售的零犀來(lái)說(shuō)，核心命題截然不同 —— 它不是「對(duì)不對(duì)」的問(wèn)題，因?yàn)樵?huà)術(shù)對(duì)不等于能成交。舉個(gè)例子，一位女士在咨詢(xún)保險(xiǎn)過(guò)程中說(shuō)「我要和老公商量一下」，通用大模型可能順勢(shì)接一句「好的，您回去商量」。看起來(lái)，這個(gè)回復(fù)沒(méi)有什么毛病。但在實(shí)際的銷(xiāo)售場(chǎng)景中，一個(gè)金牌銷(xiāo)售不會(huì)讓話(huà)題就這么終結(jié)，而是讀懂這句話(huà)背后的真實(shí)顧慮（比如怕買(mǎi)錯(cuò)或沒(méi)搞懂保障范圍），并做進(jìn)一步努力。

這種情況下，模型必須學(xué)會(huì)向高轉(zhuǎn)化方向傾斜。因此，零犀真正需要的是一套獎(jiǎng)懲機(jī)制 —— 做對(duì)了給正向激勵(lì)，沒(méi)達(dá)到預(yù)期就施加懲罰，通過(guò)后訓(xùn)練持續(xù)把模型的權(quán)重推向想要的方向。

但這個(gè)后訓(xùn)練過(guò)程，遠(yuǎn)比訓(xùn)練模型去做編程等任務(wù)坎坷，因?yàn)殇N(xiāo)售場(chǎng)景的難點(diǎn)是全方位的 —— 數(shù)據(jù)稀缺、信號(hào)稀疏、歸因復(fù)雜，而且根本無(wú)法在虛擬環(huán)境中驗(yàn)證。

我們知道，銷(xiāo)售的成交率本來(lái)就低，實(shí)際場(chǎng)景里可能只有百分之幾，大部分用戶(hù)都不會(huì)成交。這意味著你拿到的正向反饋天然稀少，沒(méi)辦法像訓(xùn)練代碼模型那樣 —— 寫(xiě)一段代碼，跑一下看有沒(méi)有報(bào)錯(cuò)，就能立刻得到明確的對(duì)錯(cuò)反饋，進(jìn)而產(chǎn)生大量訓(xùn)練數(shù)據(jù)。銷(xiāo)售結(jié)果是由真實(shí)的人來(lái)決定的，你沒(méi)辦法造出一個(gè)虛擬用戶(hù)，設(shè)定「只要這樣說(shuō)他就一定會(huì)買(mǎi)」，這個(gè)環(huán)境根本不存在。

歸因則是更復(fù)雜的問(wèn)題。一單成交了，是因?yàn)?AI 話(huà)術(shù)好，還是客戶(hù)本來(lái)就有購(gòu)買(mǎi)意向？一單丟了，是 AI 策略失誤，還是客戶(hù)客觀原因？這和「吸煙是否導(dǎo)致肺癌」是同一類(lèi)問(wèn)題 —— 不是個(gè)體能直接驗(yàn)證的，必須靠大量真實(shí)樣本的統(tǒng)計(jì)因果分析才能建立可信的歸因邏輯。

但統(tǒng)計(jì)也不是萬(wàn)能的，因?yàn)楹芏鄷r(shí)候基于統(tǒng)計(jì)的大模型無(wú)法區(qū)分真正的因果和虛假的相關(guān)，這也是所謂「幻覺(jué)」的根源。當(dāng)模型看到「溝通時(shí)間長(zhǎng)」與「成交」之間存在統(tǒng)計(jì)相關(guān)，它可能就學(xué)會(huì)拼命延長(zhǎng)對(duì)話(huà)，卻不知道如果用戶(hù)一直在投訴，聊再久也不會(huì)買(mǎi)單。單純依賴(lài)統(tǒng)計(jì)因果，模型會(huì)輕易被混淆變量帶偏，這正是銷(xiāo)售場(chǎng)景里最容易踩的坑。這也是為什么通用大模型無(wú)論能力多強(qiáng)，在銷(xiāo)售轉(zhuǎn)化這件事上都難以直接搞定。

零犀的突破口：讓模型學(xué)會(huì)「因果」

正因?yàn)殇N(xiāo)售場(chǎng)景存在以上這些問(wèn)題，零犀最后走出了一條和通用大模型很不一樣的后訓(xùn)練路徑。這條路徑的關(guān)鍵，不是單純讓模型「更會(huì)說(shuō)」，而是讓模型在后訓(xùn)練階段學(xué)會(huì)：用戶(hù)買(mǎi)，為什么會(huì)買(mǎi)，什么策略真正有效、為什么有效，以及什么樣的策略應(yīng)該被持續(xù)雖化

為了達(dá)到這個(gè)目標(biāo)，首先，它解決的是「歸因」這件事。

前面提到，銷(xiāo)售最大的難點(diǎn)之一，是模型很容易被虛假的統(tǒng)計(jì)相關(guān)帶偏。這里的問(wèn)題不在于模型不會(huì)統(tǒng)計(jì)，而在于它不知道真正起作用的「因」是什么。

所以，零犀沉淀的并不只是普通對(duì)話(huà)數(shù)據(jù)，而是一套盡可能因果完備的全鏈路數(shù)據(jù)：用戶(hù)當(dāng)時(shí)是什么狀態(tài)、瀏覽了什么頁(yè)面、AI 為什么采取這個(gè)策略、用戶(hù)后續(xù)又給出了什么反饋…… 這些信息都會(huì)被完整記錄下來(lái)，并沉淀為領(lǐng)域因果知識(shí)圖譜，作為事實(shí)底盤(pán)約束模型輸出。因?yàn)橹挥小敢颉棺銐蛲暾Ｐ筒挪粫?huì)只學(xué)到表面的相關(guān)性。

但數(shù)據(jù)只是基礎(chǔ)，更難的是把銷(xiāo)售經(jīng)驗(yàn)真正變成模型能力

很多銷(xiāo)冠并不一定能準(zhǔn)確說(shuō)清自己為什么厲害，但他們往往知道：什么情況下應(yīng)該推進(jìn)，什么情況下應(yīng)該轉(zhuǎn)移話(huà)題，什么情況下用戶(hù)真正的顧慮其實(shí)沒(méi)有說(shuō)出口。零犀做的，是把這些原本存在于人腦中的經(jīng)驗(yàn)，拆解成一套「用戶(hù)狀態(tài)識(shí)別 — 策略選擇 — 結(jié)果反饋」的因果邏輯，再通過(guò)后訓(xùn)練沉淀進(jìn)模型。這套「邏輯因果」方法與「統(tǒng)計(jì)因果」共同作用，使得模型的輸出更加可靠，能讓模型知道什么該獎(jiǎng)、什么該罰、什么樣的策略值得被強(qiáng)化學(xué)習(xí)持續(xù)放大。

此外，起作用的還有反事實(shí)推理。系統(tǒng)不僅記錄「做了什么」，還會(huì)評(píng)估「如果沒(méi)做會(huì)怎樣」—— 對(duì)每一次未成交，它會(huì)復(fù)盤(pán)：比如在給新生兒父母介紹保險(xiǎn)時(shí)，如果當(dāng)時(shí)沒(méi)講性?xún)r(jià)比，而是繼續(xù)聊孩子保障缺口，轉(zhuǎn)化率預(yù)計(jì)能到多少？這種從「沒(méi)發(fā)生的事」里提取知識(shí)的能力，讓模型在真實(shí)數(shù)據(jù)稀疏時(shí)依然能持續(xù)學(xué)習(xí)。

當(dāng)這些能力建立起來(lái)之后，系統(tǒng)的自主進(jìn)化才真正開(kāi)始運(yùn)轉(zhuǎn)。

由于零犀本身就是按結(jié)果收費(fèi)，它天然能夠拿到最直接的反饋閉環(huán)。哪些策略帶來(lái)了更高轉(zhuǎn)化，哪些用戶(hù)會(huì)在什么節(jié)點(diǎn)流失，哪些干預(yù)方式實(shí)際上適得其反，系統(tǒng)都能在真實(shí)業(yè)務(wù)環(huán)境中持續(xù)完成評(píng)估、歸因和策略調(diào)優(yōu)。

與此同時(shí)，新的業(yè)務(wù)規(guī)則、成功案例和失敗教訓(xùn)，也會(huì)被不斷加工成結(jié)構(gòu)化的因果知識(shí)片段，重新沉淀回模型與知識(shí)圖譜之中。隨著服務(wù)規(guī)模擴(kuò)大，系統(tǒng)對(duì)用戶(hù)理解、策略選擇和交付能力的積累也會(huì)越來(lái)越深，最終形成一種持續(xù)自我優(yōu)化、自我進(jìn)化的后訓(xùn)練體系。

因此，零犀的壁壘，本質(zhì)上并不是某一個(gè)單點(diǎn)技術(shù)，而是一套不斷自我強(qiáng)化的飛輪：因果完備的數(shù)據(jù)、業(yè)務(wù) know-how 的 AI 化，以及真實(shí)業(yè)務(wù)環(huán)境中的持續(xù)迭代，三者彼此咬合，最終形成了一個(gè)會(huì)越跑越快的后訓(xùn)練系統(tǒng)。

而支撐這個(gè)飛輪持續(xù)運(yùn)轉(zhuǎn)的，是一支優(yōu)秀的后訓(xùn)練團(tuán)隊(duì)。除了來(lái)自頭部高校和大廠(chǎng)的算法工程師之外，零犀還長(zhǎng)期引入深耕行業(yè)十年以上的銷(xiāo)售專(zhuān)家。他們參與的并不只是「標(biāo)注數(shù)據(jù)」，還在幫助系統(tǒng)回答一個(gè)更難的問(wèn)題：頂級(jí)銷(xiāo)售真正有效的能力，到底該如何被 AI 理解、拆解和復(fù)制。

RaaS：AI 的價(jià)值回歸

當(dāng)我們把視線(xiàn)從具體的技術(shù)細(xì)節(jié)拉回來(lái)，會(huì)發(fā)現(xiàn) Sierra 和零犀的探索，其實(shí)正在回答 AI 行業(yè)一個(gè)更根本的問(wèn)題：AI 到底應(yīng)該怎么創(chuàng)造價(jià)值，又該如何被定價(jià)

這兩年，一個(gè)趨勢(shì)正在變得越來(lái)越明顯：?jiǎn)吸c(diǎn)工具的壁壘正在被快速瓦解。Claude Code 等 Agent 產(chǎn)品的出現(xiàn)，讓很多專(zhuān)門(mén)工具，變成了「用時(shí)生成、用完即棄」的東西。工具本身的價(jià)值，正在以肉眼可見(jiàn)的速度被稀釋。但與此同時(shí)，另一件事情的價(jià)值卻在水漲船高：把工作真正做完、做好的服務(wù)。

原因很簡(jiǎn)單。工具只是流程里的一把錘子，你買(mǎi)了錘子，還得自己去釘釘子，釘歪了、釘錯(cuò)了，責(zé)任都在你。但服務(wù)交付的是「把釘子釘好」這件事本身 —— 結(jié)果確定，風(fēng)險(xiǎn)轉(zhuǎn)移。

這其實(shí)也是 AI 從誕生第一天開(kāi)始，人們真正期待它做到的事情 ——成為一個(gè)能獨(dú)立背 KPI 的數(shù)字勞動(dòng)力。誰(shuí)能真正做到這一點(diǎn)，誰(shuí)能拿到的市場(chǎng)，就會(huì)比傳統(tǒng)軟件大出一個(gè)數(shù)量級(jí)。

而 RaaS 這個(gè)賽道更值得關(guān)注的地方在于，它的護(hù)城河并不會(huì)隨著基礎(chǔ)模型升級(jí)而被削弱，反而可能越來(lái)越深

因?yàn)?SaaS 賣(mài)的是工具，客戶(hù)今天能買(mǎi)，明天也能換；但 RaaS 一旦開(kāi)始端到端地交付結(jié)果，它就會(huì)逐漸嵌入客戶(hù)真正的業(yè)務(wù)流程。更關(guān)鍵的是，每一次真實(shí)交付，都會(huì)沉淀新的結(jié)果數(shù)據(jù)、行業(yè) know-how、策略經(jīng)驗(yàn)和合規(guī)邏輯。這些東西不會(huì)因?yàn)榈讓幽Ｐ蜕?jí)就被清零，相反，模型越強(qiáng)，它們的價(jià)值反而越會(huì)被放大。

還有一個(gè)容易被忽視的變化是：當(dāng)客戶(hù)開(kāi)始習(xí)慣「按結(jié)果付費(fèi)」之后，他們會(huì)反過(guò)來(lái)用這套標(biāo)準(zhǔn)去要求所有后來(lái)的 AI 服務(wù)商。

這也是為什么，零犀提到說(shuō)，他們的一些大客戶(hù)，已經(jīng)開(kāi)始不再關(guān)心「你用了哪個(gè)模型」「參數(shù)量是多少」，而是直接追問(wèn)：「你到底能不能把轉(zhuǎn)化率做上去？」一旦行業(yè)開(kāi)始用結(jié)果而不是功能評(píng)估 AI，整個(gè)競(jìng)爭(zhēng)邏輯都會(huì)被徹底改寫(xiě)。

所以，先發(fā)者真正占據(jù)的，并不只是時(shí)間窗口，而是定義規(guī)則的能力

回到文章開(kāi)頭，那些大廠(chǎng)內(nèi)部為了沖 AI 使用率而瘋狂「燒 token」的荒誕場(chǎng)景，本質(zhì)上其實(shí)暴露的是同一個(gè)問(wèn)題：AI 的價(jià)值，始終沒(méi)有被真正兌現(xiàn)。而 RaaS 真正重要的地方，恰恰在于它把這件事重新拉回了正軌。

從本質(zhì)上來(lái)講，這是一種價(jià)值回歸：讓 AI 真正對(duì)結(jié)果負(fù)責(zé)，讓收益和風(fēng)險(xiǎn)對(duì)齊，也讓「生產(chǎn)力」這個(gè)詞第一次真正回到商業(yè)世界最樸素的衡量標(biāo)準(zhǔn)里 —— 到底有沒(méi)有把事情做成。

摩根士丹利 2026 年初發(fā)布的報(bào)告將 AI 定義為第六次技術(shù)革命。前五次技術(shù)革命的歷史已經(jīng)反復(fù)驗(yàn)證：短期賣(mài)「鏟子」的基礎(chǔ)設(shè)施商最先獲利，長(zhǎng)期最大價(jià)值卻沉淀在應(yīng)用層和采用者手中。由于這種生產(chǎn)率紅利的滯后性，AI 對(duì)生產(chǎn)率的實(shí)質(zhì)性帶動(dòng)可能要到 2030 年之后才會(huì)充分顯現(xiàn)。當(dāng)泡沫退去、噪音消散，真正穿越周期的，永遠(yuǎn)是那些敢于為結(jié)果負(fù)責(zé)、把技術(shù)轉(zhuǎn)化為生產(chǎn)率的公司。

這也正是 RaaS 最值得被長(zhǎng)期看好的底層邏輯。零犀和 Sierra 的探索，不是在做概念，而是在重演一個(gè)被歷史反復(fù)驗(yàn)證的劇本：誰(shuí)能把「鏟子」用好，把工作真正做完，誰(shuí)就能定義下一個(gè)十年。