当智能走向 Commodity： AI 经济的结算对象为何正在上移
当前，人们在讨论 AI 商业化时，往往把注意力集中在最显眼的地方：模型是否还在变强，算力投入是否还会攀升，哪一家平台率先形成生态闭环，哪一类 Agent 产品更像下一代入口。这些讨论当然重要，但它们多数停留在”产品竞争”的视角里，没有触及这轮技术周期更深的一层：AI 所改写的，不只是能力结构，更是结算结构。
真正值得追问的问题，并不是”模型还能强到哪里去”，也不只是”Agent 还能像人到什么程度”，而是市场最终会为哪一层买单。哪一层会被压成像电力、带宽与云算力那样的基础供给？哪一层又会因为嵌入了上下文、责任和结果交付，而获得新的溢价？
顺着这个问题向下追，眼前的许多零散现象会连成一条线。OpenAI 的价格体系已经不再只给出一个模型调用单价，而是把模型、缓存、批处理、搜索、容器、文件检索等能力拆成可独立计费的资源单元； Google 开始把适用于高吞吐 Agent 任务的模型明确定位为低成本工作层； Anthropic 一边维持高端模型的价格梯度，一边把 Skills 和 MCP 这类能力推向开放标准； Intercom 则已经在客服场景中把 outcome 直接写成结算单位。把这些信号放在一起看，会发现一个越来越清晰的趋势：底层智能供给正在迅速单位化，中间层能力正在协议化，上层交付则开始从”卖一个工具”转向”卖一个结果”。如果这条路径继续推进，那么未来 AI 经济中的高议价权，很可能不会长期停留在模型本身或 Skill 本身，甚至未必停留在 Agent 本体，而会上移到一层新的结算对象之上：可验证、可归因、可签约、可追责的结果合同。
这篇文章想论证的，正是这样一个判断。未来三到五年，AI 经济会经历一次显著的价值重排：Token 和基础 Agent 能力会越来越接近认知公用事业； Skill 会是一个阶段性的 know-how 封装形式； Agent 更像知识劳动的运行时(runtime)，而非终局商品；真正可能保有高议价权的，将是那些把行业经验、工作流规则、评测体系与责任边界编译进执行系统之后，能够稳定交付结果并承接部分责任的服务。当然，这个趋势并不会均匀地覆盖所有领域——它有自己的适用条件和边界，而这些条件同样是本文要讨论的内容。
一、被低估的结算方式
技术浪潮来临之初，几乎每个时代的人都会高估”能力”本身的意义，却低估”能力如何进入组织、如何被市场结算”的重要性。原因不复杂。能力是显性的，它可以被演示、被比较、被惊叹；结算方式则是隐性的，它要等到产业逐步成熟之后，才会以预算、采购、合同、验收、风控和责任的面貌浮现出来。然而回过头看，改写产业结构和利润分布的，往往是结算对象的变化，而非能力本身。
今天的大模型和 Agent 产业已经到了这样一个临界点。过去几年，人们对 AI 的想象更多建立在”它越来越像一个会说话、会推理的超级工具”之上；但到了 2026 年，产业语言已经悄悄发生了变化。OpenAI 的官方定价页上，模型只是众多计费对象之一，缓存、Batch 、Web Search 、Containers 、File Search 都被单独列出； Google 给 Gemini 3.1 Flash-Lite 的定位已经绕开了”最强模型”的叙事，直接指向 high-volume agentic tasks 的高吞吐、低成本工作层； Anthropic 对高端模型维持 premium 定价的同时，又在通过开放 Skills 和 MCP ，让能力封装与工具接入具备更强的可移植性。这些变化说明，市场对 AI 的理解正在从”神秘能力”切换为”可调度资源”。一旦能力被持续拆分、计量、比较和路由，它就会越来越像云计算、带宽和电力，越来越接近 commodity 的形态。这里需要强调的是，commodity 并不意味着不重要，也不意味着不赚钱——它真正意味着的是：买方会越来越按单位成本、可用性、吞吐量、兼容性和服务水平来进行比较，而不会长期为”神秘性”本身支付溢价。
也正是在这里，很多关于 AI 商业化的讨论开始显得不够充分。如果底层智能供给终将被不断单位化，那么围绕”模型谁更强”“Agent 谁更会做事”所形成的产品叙事，只能解释产业的一部分。它解释了供给侧的能力竞争，却没有解释需求侧会把预算付给谁；解释了工具如何越来越通用，却没有解释结果如何被签收、被归因、被结算。未来更值得追问的问题也随之浮现：”谁定义了结果，谁掌握了验收标准，谁能够把智能转译成可采购、可管理、可追责的服务”。
二、五层结算栈：一套更有解释力的产业结构
要回答这个问题，简单地用”模型层、应用层”来分是不够的。那种二分法过于粗疏，既无法解释为什么 Skill 重要却不是终局，也无法解释为什么某些看起来不起眼的协议和基础能力，反而会在产业中扮演越来越关键的角色。更有解释力的方式，是把整个 AI 经济看作一套逐层上移的结算栈。
最底层是公用事业层。这里包括算力、Token 、缓存、搜索调用、容器、文件检索、基础推理资源等，共同构成了”认知吞吐量”的底座。它们的共同特征是可被稳定计量、被批量采购，也越来越容易被多家供给方提供。今天开发者购买的，实际上已经是一组经过高度抽象的智能资源账户——模型只是其中的一项：输入多少、输出多少、是否命中缓存、是否调用搜索、是否占用容器、是否需要优先执行。这种资源账单化，正是 commodity 化的前奏。
第二层是协议与基础能力层。这里最重要的不是某一家公司做出了某个新功能，而是行业逐渐形成了让模型、工具、数据源以及 Agent 之间互操作的共同语言。Anthropic 已将 MCP 捐给 Linux Foundation 旗下的 Agentic AI Foundation ，Google 推动的 A2A 也进入了 Linux Foundation 路径，并已有超过一百家公司公开支持。协议层一旦成熟，很多原本属于单点产品差异化的能力，就会被抽象为通用接口。单个基础 Agent 的独特感会被削弱，行业会更快地进入”谁都能做，但谁做得更稳定、更便宜、更可治理”的阶段。
第三层是知识封装层。Skill 、Prompt 、Eval 、Policy 、Memory 、Connector Mapping ，大体都属于这一层。它们的重要性并不低，因为行业 know-how 必须通过某种形式被编码、被保存、被迁移，AI 才可能从”通用智能”走向”特定领域里的可靠智能”。但这里最容易出现一个判断上的误区：误把 Skill 本身当成最终商品。Skill 更接近知识的一种序列化形式——它解决的是”经验如何被携带”，而不是”价值最终如何被结算”。Anthropic 把 Skills 视为开放标准，Manus 把 Skills 当作模块化工作流的一部分来处理，OpenClaw 的 ClawHub 则更像一个公开能力注册表。行业已经承认需要一个封装 know-how 的中间单位；但中间单位之所以重要，并不等于它天然会成为长期的高溢价对象。
第四层是执行交付层。在这里，Agent 不再只是一个概念或一个 UI ，而是被持续托管、运维、更新、观测、监控的一段”数字劳动力”。Salesforce 的 AgentExchange 与 Microsoft Marketplace 都已把 Agent 明确放进”discover, try, buy”的商业入口之中。这意味着市场正在从”下载能力”转向”调用能力”，从安装逻辑转向服务逻辑。对很多企业来说，买一个始终在线、能接自己数据与系统、并且持续维护的 Agent ，和下载一个静态能力包，已经不是同一种商业关系。
第五层，也是这套结构中最值得关注的一层，是结果与责任层。成熟的 AI 经济，不会长期停留在”购买一个工具”或”购买一个 Agent 入口”上，而会在部分场景中转向”购买一段被完成的工作”。Intercom 的 Fin AI Agent 已经公开按 outcome 定价，并清楚定义什么样的客户问题算作一个可计费 outcome ；这意味着在某些边界清晰、验收标准明确的场景里，结果已经开始成为正式的结算对象。再往上走一步，如果服务方不仅交付结果，而且在明确边界内承接一部分结果责任，那么市场购买的就不再只是功能，而是一份更接近合同化外包的知识劳动成果。
这套五层栈的意义在于：越靠下的层，越容易被单位化、标准化、路由化；越靠上的层，越深地嵌入上下文、验收、归因与责任，因此越可能获得溢价。但”可能获得溢价”这个判断需要进一步追问：机制到底是什么？
答案至少包含三层。其一是信息不对称带来的定价权。在底层，买方拥有近乎完美的信息——Token 价格透明、吞吐量可测、多家供应商可比，竞争充分，利润向成本线压缩。而在上层，提供方掌握着买方不具备的东西：如何把通用能力组合成特定领域的工作流，如何校准判断阈值，何时该升级给人工。这种信息不对称正是定价权的来源——底层是成本加成定价，上层是价值定价，两者之间的差距就是溢价空间。其二是复杂性吸收带来的替代成本。上层提供方替买方承担了”把通用能力变成可用结果”这个过程中的全部复杂性：工作流设计、规则制定、评测体系搭建、边界情况处理。如果买方不购买这种服务，就需要自己组建团队从零开始，而这个替代成本越高，提供方的议价空间越大。其三是转换成本的非对称性。换掉一个底层 Token 供应商可能只需改几行代码；换掉一个已经深度适配业务流程的审核结果服务，则意味着重新校准规则、重新验证效果、重新建立信任，迁移成本极高。这种底层转换成本低、上层转换成本高的不对称结构，正是上层溢价得以持续的结构性原因。
当然，有一个重要的限定：承接责任本身也意味着承接风险，而风险是有成本的。建筑行业的总包方承担了最终交付责任，但利润率往往不高于专业分包商，因为责任带来的风险会侵蚀利润。AI 结果市场的溢价要成立，需要一个额外条件：提供方必须拥有某种不容易被复制的能力优势——比如独特的行业知识积累、经过大量场景验证的评测体系、长期运行形成的可靠性记录。否则即便承接了责任，也只是在承接风险，未必能获得溢价。
三、经济史的回声：从电力到 DRAM
如果只从眼前的产品和价格表出发，上述判断也许仍然像一种面向未来的猜测。但一旦把视角拉长，就会发现它其实是许多通用技术在历史中反复出现的模式：底层能力逐渐标准化、计量化，价格与供给逻辑越来越像公用事业；与此同时，上层围绕底层能力重构自己的流程、接口、组织和责任分配，高价值随之转移。
电力提供了最直接的类比。NBER 关于美国制造业电气化的研究表明，电力带来的生产率跃升，远比”有电就更快”复杂——它与工厂内部布局、设备配置和资本深化相伴随。真正的提升来自围绕电力重写了生产组织。Token 很可能会像电一样，便宜、可计量、不可或缺，但最终真正值钱的，是围绕电重写了哪些工序、减少了哪些摩擦、形成了怎样的新生产体系。
集装箱提供了更加贴近协议层的类比。集装箱革命的重要性，远超”箱子更标准”本身——这种标准化容器迫使港口、铁路、公路、仓储、保险和海关重新形成一套高度协同的系统。它真正改变的，是整个网络的协调成本。MCP 、A2A 、Agent Skills 的作用，很像 AI 世界里的”标准箱”：单个协议本身不等于结果，但它让原本碎片化的能力更容易被组合、迁移和采购，从而为上层的结果市场创造条件。
DRAM 这类 commodity memory （指的是已经高度标准化、可互换、主要按价格和规格参数竞争的存储芯片品类） 则提供了一个经常被忽略的提醒。OECD 关于半导体价值链的研究表明，commodity memory 恰恰是一个资本密集、规模驱动、供给高度集中的市场。它的重要性没有因为 commodity 属性而下降，反而因为资本与规模门槛而进一步强化。
这里有必要正面回应一个容易引起混淆的问题：如果底层即便 commodity 化了依然可以非常赚钱、甚至赢家通吃，那么”价值上移”这个判断的含义到底是什么？本文所说的”价值上移”，指的不是绝对利润池从底层转移到上层（且我认为底层基础设施的绝对利润池很可能始终巨大），而是结算对象与议价模式的上移。底层的利润来自规模、效率和资本壁垒，买方选择供应商的方式是比价、比稳定性、比吞吐量，这是一种成本驱动的议价模式。上层的利润来自不可替代性、上下文嵌入深度和结果责任的承接，买方选择供应商的方式是评估效果、信任和风险边界，这是一种价值驱动的议价模式。两种模式都可以赚到钱，但后者的利润率天花板更高，因为它的价格锚不是投入成本，而是为买方创造的价值。对标到 AI 上，标准 inference compute 的供给方即便赢利可观，也难以逃脱单位成本不断被压缩的竞争逻辑；而上层结果服务的提供方，一旦建立了可靠性和信任，更有可能按价值而非成本来定价。
最后，交易成本理论为”结果合同”这个命题提供了最深的一层解释。Coase 以及 transaction cost economics 这一脉络最重要的启发是，企业之所以存在，部分原因就在于市场契约的书写、监督与执行存在高摩擦。很多知识劳动之所以长期留在组织内部，不是因为外部没有能力，而是因为工作结果难以被清楚定义、价值难以被可靠归因、责任边界难以被合同化。Agent 时代深刻的地方，也许不只是自动化，而是让部分原本无法市场化的知识劳动，第一次有机会被拆成更细颗粒度的、可观察、可验收、可结算的结果单元。
但交易成本理论也提供了同样重要的反面约束。Williamson 对资产专用性、机会主义和不确定性的分析告诉我们，并非所有知识劳动都适合被拆成结果合同。至少有四类情况下，企业即便在技术上可行，也很可能选择不这么做。
第一，当工作深度嵌入组织的专有上下文时。 有些知识劳动与企业的专有系统、内部数据、组织文化和隐性判断标准紧密缠绕。一家投行的并购尽调不仅涉及财务分析，还涉及对行业人脉的判断、对管理层性格的评估、对监管风向的嗅觉——这些东西极难被写进合同规范。当定义”什么算合格结果”本身就需要深度内部知识时，外包为结果合同的成本会超过内部完成的成本。
第二，当结果的验收标准在事前无法明确定义时。 很多知识劳动的价值恰恰在于它的探索性。战略咨询、产品方向探索、基础研究——这些工作的输出不是一个可以被预先定义的”完成件”，而是一个在过程中逐渐涌现的判断。如果你不知道”好的结果”长什么样，结果合同的前提条件就不存在。
第三，当外包意味着敏感信息暴露时。 一个为你做合规审核的 AI 服务同时也在为你的竞争对手服务，即使有保密协议，这种结构性的信息不对称也会让很多企业不安。知识密集型服务中，Williamson 所说的机会主义风险尤其突出。
第四，当验证和治理体系的搭建成本超过外包收益时。 构建一套完整的验收、归因、审计和争议解决机制本身就是一笔巨大投入。对于低频、小规模或高度非标的知识任务，这笔投入可能根本不值得。
这些反面条件的存在，并不会否定结果合同的趋势，只是要把它的适用范围锚定得更精确。结果合同最可能率先成立的，是那些边界相对清晰、验收标准可以被形式化定义、执行频率足够高（从而分摊治理成本）、且信息敏感性可控的场景。客服、内容审核、文档处理、对账、合规检查等领域之所以走在前面，正是因为它们更符合这些条件。而那些高度探索性、深度嵌入组织上下文、或涉及核心竞争情报的知识劳动，短期内仍然更适合留在组织内部。
四、Skill 为什么不是终局
如果只停留在当前的行业术语里，Skill 很容易被误认为是未来知识商业化的核心单位。它既像”技能”，又像”可复用能力模块”，而且不少平台确实围绕这个概念在构建生态。然而一旦从架构层审视 Skill 的商业化逻辑，就会发现一个比商业模式更根本的结构性矛盾。
先用一个具体场景来展示这个矛盾。假设开发者构建了一套面向文章发布前审核的能力，它能识别一篇稿件中的内容风险、政治风险、品牌风险和商业表述风险，并给出修改建议。技术上，这可以被打包成一个 Skill——内部包含规则、流程、调用链、风险阈值和判断逻辑。但问题在于，在当前主流的 prompt 与 workflow 式 Skill 架构中，Skill 本质上是一组指令、规则和工作流定义，它必须被动态注入到 Agent 的运行时才能生效。而一旦注入，这些内容就对 Agent 和 Agent 背后的用户完全透明。它不是编译后的二进制文件，更像一份被朗读给厨师听的菜谱——读出来之后，内容就暴露了。
这就引出了 Skill 作为商业化载体的核心矛盾：它的可用性要求内容暴露，而它的商业价值要求内容保护。 买方一旦拿到完整的指令和判断逻辑，提供方对这份知识的控制力就基本归零。买方可以自行改写、迭代，甚至转交给其他人使用。这个矛盾不是商业模式能轻松解决的。有人也许会说，可以把 Skill 做成订阅制——用户付费获取持续更新的版本。但问题在于，用户拿到第一版之后已经掌握了核心的规则框架和判断逻辑，后续更新的边际价值很难支撑持续付费。尤其在中国市场，为”持续更新的已暴露数字内容”买单的意愿本就偏低。
那能不能绕过这个矛盾？比如用一种”薄 Skill + 厚后端”的架构：注入到 Agent 的 Skill 只包含接口定义和调用规范——告诉 Agent”遇到审核任务，把稿件发到这个端点，按这个格式提交，按这个格式接收结果”——而真正的规则库、阈值、判断逻辑和敏感词库全部运行在提供方的服务器上。这样一来，用户的 Agent 能看到的只是一个调用接口，看不到也拿不到背后的判断引擎。
技术上这当然可行。但这种做法，在本质上就已经不是一个 Skill 了——它是一个 API 服务，只是用 Skill 的外壳暴露给 Agent 而已。核心 know-how 从”被携带的知识文件”变成了”被调用的在线服务”，交付形态已经跨过了一个不可逆的门槛。
这才是 Skill 不会成为终局的深层原因。它面对的不仅是”容易被复制”“价值归因模糊”“静态下载难以持续证明效果”这些商业层面的困难，更是一个架构层面的两难：完全暴露就失去定价权，保护内容就不得不走向服务化。而一旦走向服务化，结算对象就自然从”一份知识文件”上移到了”一段执行服务”乃至”一个被完成的结果”。
换到内容审核这个例子上：用户不再需要下载能力本身，只需提交文章；执行过程发生在服务端，规则、知识库、阈值与升级逻辑都留在系统内部；最终交付的是一份可签收的审核结果，包括风险等级、问题列表、修改建议、审计记录以及是否建议发布。买方购买的已经变成了一段”稿件审核结果服务”，而非一个 Skill 文件。如果再进一步，服务方愿意针对某些边界条件承接部分责任，这段服务就更像一条被外包出来的知识劳动产线。
Skill 当然重要。它是行业 know-how 走向数字化和可复用化的第一步，就像操作手册和工艺文件是制造业知识管理的基础一样。但对于真正有高商业价值的行业知识来说，Skill 形态天然存在的架构矛盾，会驱使它们向服务化演进——把核心经验留在服务端，把执行过程变成黑箱，把结果变成可结算的交付件。
五、结果市场的四道门槛
如果说未来 AI 经济会从工具市场逐渐生长出结果市场，那么最关键的问题就落在市场端：它如何成立？在展开之前，有必要先锁定一个定义：本文所说的”结果合同”，不是泛泛的”按结果付费”，而是指一种带有明确验收标准、归因逻辑、计费规则与责任边界的结果服务协议。它与简单的 outcome pricing 的区别在于，后者只改变了计费方式，前者则同时约定了什么算完成、价值如何归因、价格如何计算、以及在约定范围内谁承担何种责任。这个区分很重要，因为只有当这四个维度同时被写进协议，”结果”才真正从一个模糊的产出概念变成一个可交易的商业对象。
结果市场之所以难，正是因为它至少需要同时满足这四个条件。也正因为这四件事都不容易，结果市场一旦形成，通常会比单纯的 Skill 市场更有价值。
所谓验收，是指把一段知识劳动从模糊过程变成可签收工作件。用户真正关心的，不是 Agent 看起来干了多少动作，而是这件工作到底算不算完成。要让结果成为商品，至少要明确输入边界、输出格式、质量阈值、失败条件和升级路径。Intercom 对 outcome 的定义，就是在把客服工作写成一种可计费的完成件：什么样的问题算解决，什么样的不算；什么情况下 Fin 的介入被视为一次有效 outcome ，什么情况下需要转给人工。需要指出的是，Intercom 目前仍是一个边界相对清晰的早期案例，而不是已被广泛验证的成熟模式。它的价值在于方向性信号——表明在特定条件下，结果确实可以被定义为结算对象——而不是证明这种模式已经可以在所有场景中通用。
所谓归因，是指结果增量究竟是谁带来的。企业不会因为某个工具”看起来有帮助”就长期把结果收益分给它，除非它能被证明在 baseline 之上带来了清晰的价值提升。这包括节省了多少人工时间、降低了多少误报和漏报、减少了多少升级处理、压缩了多少合规风险暴露。运行日志、版本记录、证据链和 A/B 基线因此变得异常关键。这也是为什么很多 know-how 更适合通过 hosted service 而不是 downloadable asset 来商业化，前者更容易保留完整的观察面与可归因性。
所谓定价，则决定了结果能否进入真正的合同语言。AI 商业化很可能不会从 usage pricing 一步跳到纯 outcome pricing ，而会经历一条价格阶梯：先按资源付费，再按动作付费，再按结果付费，最终在少数场景下出现带责任边界的 assured outcome pricing 。今天底层资源层和动作层的计费已经相当成熟，而在边界清晰的任务里，结果计费开始逐步成立。真正稀缺的将是那些不止交付结果，而且能承诺结果在一定边界内被保证的服务。
所谓责任，则决定了一个对象究竟只是工具还是供应商。这里值得把”责任”做一个更细的拆分，因为不同层级的责任对应着完全不同的商业关系和议价能力。最浅的一层是建议责任——Agent 给出推荐或判断，但用户自行决定是否采纳，所有后果由用户承担，这本质上仍是高级工具。往上一层是执行责任——Agent 不仅给出判断，还在授权范围内直接执行动作，并保留完整的操作日志和审计记录。再往上是结果责任——服务方承诺交付物满足约定的质量标准，如果不达标则触发补救或重做机制。最深的一层是赔付责任——在约定边界内，服务方为误判或失误承担可量化的经济后果。今天绝大多数 AI 产品还停留在建议责任这一层，少数进入了执行责任层，而本文讨论的结果合同所对应的高议价，主要来自后两层。市场最终愿意高价购买的，往往不是”判断”本身，而是”判断 + 执行 + 结果保证 + 风险承接”的组合。
六、时间判断：机制阶段与前置信号
关于未来三到五年的时间判断，我更愿意从机制阶段出发，避免给出看似精确、实则空泛的年份表。
第一个阶段是单位化。 能力被拆成可以单独计量和计费的资源单元。这一步今天已经非常明显——OpenAI 、Google 、Anthropic 都在把模型、缓存、搜索、批处理、容器等能力拆开，行业语言已经从”买一个模型”转向”买一组能力账单”。
第二个阶段是可比化与可路由化。 当多个供给方都用近似的 rate card 和协议语言描述服务时，企业自然形成采购比较表；当 MCP 、A2A 、Skills 等标准继续成熟，系统对单一平台的锁定程度就会下降。采购决策会从”谁最厉害”逐渐迁移到”谁最便宜、最稳定、最符合治理要求”。
第三个阶段是治理归位。 真正让市场从实验性工具消费走向正式采购的，是预算、法务、采购、安全和业务负责人开始接管决策——技术团队的热情远远不够。一旦企业内部开始围绕”每个完成任务的综合成本”“每份审核结果的责任边界”来管理支出，底层能力的产品叙事就会被采购叙事取代。
按这个逻辑推演：未来十二到二十四个月，低端与中端 Token 、基础搜索、简单 tool use 、容器执行等能力，很可能会越来越清楚地进入 procurement 逻辑；未来二十四到三十六个月，基础 Agent primitives 会逐渐”无聊化”——仍然重要，却不再神秘，市场把它们视为默认件；未来三十六到六十个月，窄场景下的结果市场更有可能真正形成规模，尤其在客服、审核、对账、文档处理、内容合规等边界清晰的领域。
比时间更重要的是信号。判断底层是否已进入采购化阶段，关键信号包括：企业内部开始看”每个完成任务的综合成本”而非只看底模名字；系统架构开始默认多供应商路由；合同条款里出现越来越多关于 SLA 、缓存、数据驻留和责任边界的语言。判断结果市场是否正在形成，则应当观察：商品页是否开始定义”什么算完成”； marketplace 是否出现带 eval card 的 Agent 服务；买方是否开始按完成件付费；第三方是否开始提供审计、认证和争议处理服务。时间本身不重要，重要的是这些信号一旦连续出现，意味着结算对象上移已经从判断变成现实。
七、谁会拿到新的议价权
如果上述判断成立，那么对绝大多数创业者和行业专家而言，真正的机会不在最底层。Token 、算力和基础推理服务规模巨大，但它们越来越像 DRAM 和骨干网络——资本密集、能源密集、基础设施密集，集中度极高。这个市场会有巨大的企业，但不是多数人最现实的切入点。
更有机会的是几类更靠上的角色。上下文编译者——他们的价值不在于重新训练模型，而在于把行业 tacit knowledge 、流程例外、判断边界、升级条件和审计需求编译进可执行系统。结果运营者——不出售静态文件，而是 host 一段持续运行的 Agent 服务，对效果、更新、异常和 SLA 负责。评测与认证者——结果市场要成立，就需要有人定义验收标准、提供第三方评测、帮助解决归因争议。责任基础设施提供者——包括审计、担保、保险、合规与纠纷处理。
过去人们习惯说”AI 会替代很多岗位”，这句话并不完全错，但太粗糙。更准确的表述也许是：AI 会让一部分原本只能在组织内部完成的知识劳动，逐渐变成可以被更细颗粒度地外包、采购和结算的结果单元——前提是这些劳动满足前文讨论的那些条件：边界可定义、验收可形式化、频率足够高、信息敏感性可控。在这些条件成立的地方，谁能把自己的行业 know-how 从 tacit knowledge 转成 executable knowledge ，再从 executable knowledge 变成 auditable knowledge ，最后变成 contractable knowledge ，谁就更接近下一轮 AI 经济里真正的高议价位置。
结语：刚刚开始的问题
如果必须用一句话概括全文的判断：未来 AI 经济真正会 commodity 化的，是其中可计量、可替代、可路由的那一部分；真正会升值的，则是那些把智能嵌入具体上下文后，能够被验收、被归因、被定价、被追责的结果。
但这个判断本身也打开了一系列它无法独立回答的新问题。如果结果合同真的成为一种新的结算形态，那么谁来制定验收标准？标准的制定者会不会成为比结果提供方更有权力的角色？当 AI 结果服务的责任边界开始被合同化时，现有的法律框架能否跟上——算法误判的责任如何分配，AI 审核结果的法律效力如何界定？如果越来越多的知识劳动可以被拆成结果合同外包出去，那么组织的边界会如何重新划定——什么是企业必须保留在内部的核心能力，什么可以交给市场？这些问题超出了本文的讨论范围，但它们的答案，可能会比”模型还能强到哪里去”更深地塑造 AI 经济的真正形状。
我是李琼羽，长期关注 AI 产业落地与商业化路径。如果你对文中的判断有不同看法，欢迎评论区讨论；如果你在相关方向有学术研究或商业落地上的合作意向，也欢迎后台加我微信，深入聊聊。
参考资料
[^1]: OpenAI, “API Pricing,” OpenAI 官方定价页，2026 年 3 月访问。https://openai.com/api/pricing/ [^2]: Google, “Gemini Developer API pricing,” “Gemini 3.1 Flash-Lite Preview,” Google AI for Developers ，2026 年 3 月访问。https://ai.google.dev/gemini-api/docs/pricing ； https://ai.google.dev/gemini-api/docs/models/gemini-3.1-flash-lite-preview [^3]: Anthropic, “Claude API Pricing” 与 “Claude Opus 4.6,” 2026 年 3 月访问。https://platform.claude.com/docs/en/about-claude/pricing ； https://www.anthropic.com/claude/opus [^4]: OpenAI, “A business that scales with the value of intelligence,” 2026 年 1 月。https://openai.com/index/a-business-that-scales-with-the-value-of-intelligence/ [^5]: Anthropic, “Donating the Model Context Protocol and establishing of the Agentic AI Foundation,” 2025 年 12 月。https://www.anthropic.com/news/donating-the-model-context-protocol-and-establishing-of-the-agentic-ai-foundation [^6]: Linux Foundation / Google, “Linux Foundation Launches the Agent2Agent Protocol Project” 与 “Google Cloud donates A2A to Linux Foundation,” 2025 年。https://www.linuxfoundation.org/press/linux-foundation-launches-the-agent2agent-protocol-project-to-enable-secure-intelligent-communication-between-ai-agents ； https://developers.googleblog.com/en/google-cloud-donates-a2a-to-linux-foundation/ [^7]: Anthropic, “The Complete Guide to Building Skills for Claude,” 2026 年。https://resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf [^8]: Anthropic, “Agent Skills Overview,” 2026 年。https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview [^9]: Manus, “Integrating Agent Skills to Usher in a New Chapter for Agents” 与 Skills 文档，2026 年。https://manus.im/blog/manus-skills ； https://manus.im/docs/features/skills [^10]: Salesforce, “AgentExchange,” 2026 年 3 月访问。https://agentexchange.salesforce.com/ [^11]: Microsoft, “Microsoft Marketplace—cloud solutions, AI apps, and agents,” 2026 年 3 月访问。https://www.microsoft.com/en-us/marketplace ； https://learn.microsoft.com/en-us/partner-center/marketplace-offers/artificial-intelligence-apps-agents-publish [^12]: Intercom, “Pricing,” 2026 年 3 月访问。https://www.intercom.com/pricing [^13]: Intercom, “Fin AI Agent Outcomes,” 2026 年 3 月访问。https://www.intercom.com/help/en/articles/8205718-fin-ai-agent-outcomes [^14]: Martin Fiszbein et al., “Powering Up Productivity: The Effects of Electrification on U.S. Manufacturing,” NBER Working Paper 28076, revised 2024. https://www.nber.org/papers/w28076 [^15]: Daniel M. Bernhofen et al., “Estimating the Effects of the Container Revolution on World Trade,” 2013. https://globalmaritimehub.com/wp-content/uploads/attach_274.pdf [^16]: OECD, “The chip landscape” 与 “Mapping the semiconductor value chain,” 2025. https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/12/the-chip-landscape_27ef5d87/02dbd028-en.pdf ； https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/06/mapping-the-semiconductor-value-chain_5ba52971/4154cdbf-en.pdf [^17]: Oliver E. Williamson, Markets and Hierarchies: Analysis and Antitrust Implications, New York: Free Press, 1975; Oliver E. Williamson, The Economic Institutions of Capitalism, New York: Free Press, 1985. 关于交易成本概念的通俗介绍，另见 Encyclopaedia Britannica, “Transaction cost,” 2026 年 3 月访问，https://www.britannica.com/money/transaction-cost 。 [^18]: OpenClaw, “ClawHub,” 2026 年 3 月访问。https://clawhub.ai/； OpenClaw, “ClawHub Documentation,” https://docs.openclaw.ai/tools/clawhub 。