你的 AI 战略正在下注。你知道押的是什么吗？
一个帮助 AI 初创公司把隐含押注明确说出来的框架
图片：Every／Dan Pupius。
编者导语｜Kate Lee
忘掉“AI 套壳”之类含糊的判断方法吧。The General Partnership 的首席技术官 Dan Pupius 认为，创始人需要一个更扎实的框架，来理解用 AI 构建产品的风险与机会。他鼓励创始人全面审视 AI 战略背后的隐含假设：智能的成本、模型的自给能力、平台锁定，以及监管环境。十多年前，我曾在 Medium 与 Dan 共事；当年我熟悉的那种沉静而深思熟虑的才智，也体现在他这篇细腻的分析里。——Kate Lee
我曾经基于一些被人认为是错的想法构建产品，后来又眼看着这些想法成为必然。
2005 年，我在 Google 参与重建 Gmail 时，我们押注的是：沟通正在变得更快，更接近对话，也越来越原生于浏览器。于是，我们构建了 GChat，首次将实时聊天放进浏览器，就在你的电子邮件旁边。我负责 Medium 的工程团队时，押注的是：社交信息流不足以支撑深入思考和写作发布。因此，即便 Twitter、Snapchat 和 Vine 的注册人数正在爆发式增长，我们仍然大力支持长文写作。
每一次，我们都先洞察行为、技术和市场的变化方向，再据此下注。但如今，AI 变化得如此之快，一项战略背后的假设与洞察可能在执行途中发生改变，让这些押注崩塌。
创始人需要一种更灵活的思考方式，来决定该押哪些注。不要只问“我们认为会发生什么？”，而要问自己两个根本问题。第一：哪些假设是不可逆的？如果你深度依赖一家供应商，例如某一家模型供应商，那么想要离开它，就得重新改造产品。第二：哪些假设仍然可以修订？“token 会一直很贵”是一个可以不那么执着的押注：如果成本下降，你可以调整做法，无须重建任何东西。
在我担任首席技术官的 The General Partnership，我们提出了一套框架，帮助创始人理解自己在押什么，以及在用 AI 构建产品时，哪些押注是可以撤回的。这个四轴框架让讨论离开 “AI 套壳”之类笼统标签，转向一家公司正在押注的特定未来。目的不是更精确地预测未来，而是更早发现自己错了，在市场逼迫你之前先行动。
四种押注
我们在创始人身上反复看到一种模式。一个团队会向我们详细介绍战略。听起来合理，也令人兴奋。但越是深入考察，我们就越频繁地发现，这些公司的命运似乎取决于它们控制不了的因素。
这些因素对应着初创公司押注的四个维度。理解这一点的公司，知道用 AI 构建产品时，顺风与风险在哪里。不理解的公司，则暴露在风险之中。
面向 AI 构建者的四轴框架。每一家 AI 公司都在围绕这四个维度，押注世界最终会走向何处。越靠近某一端，押注越大。图中的四个问题分别在下面各节展开。图片：Every。
Token 经济：稀缺 ↔ 充裕
如果你是 token 的消费者——大多数 AI 初创公司都是——充裕是个好消息，而我们目前正处在 token 供应充裕、但这种局面还很脆弱的时期。你的利润率会提高。你可以做更多事，更自由地实验，还可以构建一年前成本高得难以承受的功能。Cursor 及其同类产品之所以能够成为一个产品类别，就是因为运行 AI 的成本降到了足够低的水平，产品可以持续在后台运行，同时仍然赚钱。
但充裕也是个陷阱：如果每个人只花几分钱就能做出你正在做的东西，你的优势是什么？作为创始人，你需要知道，自己押注的是成本会升高到足以构成壁垒，还是即使成本没有升高，你也有能守住的优势。
问问自己：运行 AI 的成本会高到限制你，还是会趋近于零？
如果你押注稀缺，就需要说明，为什么 token 成本下降不会摧毁你的优势。一个例子是智能体持续运行、而非仅按需运行的应用：在这样的用量下，即便 token 很便宜，成本也会累积起来，因此尽力降低每次调用的成本也会变得困难。另一个例子是对延迟敏感的任务，例如基于 Vapi 构建的语音智能体，任何延迟都会让对话显得支离破碎。在这种情况下，即使其他模型越来越便宜，你仍然不得不为最快的模型付费。
如果你押注充裕会持续，就需要凭借以下某一项建立优势：专有数据、领域专长、分发渠道，或者知道该构建什么。我们相信 token 会继续变便宜。但我们也看好能够降低成本波动的公司：让支出可预测，并使客户免受波动影响。一家帮助客户封顶账单的初创公司，比一家靠平均价格竞争的公司更能守住自己的优势。我们在医疗领域见过这种情况：处理海量数据的公司仍然需要管理最坏情况下的成本，避免对文档、转录文本和会话日志进行代价高昂的重复处理。即使每个 token 的价格下降，能够告诉客户“你的账单不会超过 X”，仍然很有价值。
模型自给能力（model self-sufficiency）：需要辅助架构 ↔ 能原生处理
这个维度决定了我们泛称为“模型套壳”的那类公司的命运。如果你正在增强模型的能力——添加记忆、改进检索、编排多步工作流——你就隐含地押注：模型有一天也不会自己做到这些。这是一个有到期日的押注。也许是好押注，也许不是，但你应该知道自己正在下这个注。面向律师事务所的 AI 平台 Harvey，以及客服 AI Sierra，都在指望通用模型无法在各自的细分领域完成它们所做的事。
问问自己：如果模型的能力没有上限，我的产品还会被需要吗？
如果答案是会，那么你构建的是集成（integration）。以集成为主要价值的公司——把模型连接到纷乱的外部系统——无论模型变得多强，仍然具有竞争力。比如，一家将 AI 带入医疗工作流的公司，在这个维度上就处于更能守住优势的位置。任何模型都能围绕医疗信息进行推理；真正能守住的优势，在于产品与医疗行业现有的权威记录系统（systems of record）、文档流转和运营约束完成了集成。
如果答案是不会，那么你构建的是辅助架构（scaffolding）。以让模型变得更聪明为主要价值的公司，面临被模型吸收的风险：它们今天提供的东西，是对现有模型能力的增强。一家做 AI 辅助代码审查的公司，可能正在构建客户眼下需要的东西，但随着模型越来越擅长发现错误、理解更大的代码仓库，这家公司必须清楚，在模型之外，自己还剩下什么差异。
一些能力已经被模型吸收了：上下文窗口大幅扩大，许多用例不再那么需要把文档拆成小块来检索。我们认为，模型还会继续变强。
另一些能力目前看起来更不容易被吸收：在优势或成本不同的供应商之间进行路由，以及受监管行业的合规工作。有能力的模型可以学习法规，但不能信任它来检查自己的工作。金融业的模型风险管理考虑到了这种张力：美联储曾告知银行机构，模型风险管理应包括“有效质疑（effective challenge）”，即由独立于模型构建者的人员进行审查。受监管的医疗行业也有同样的结构。出了问题时，监管机构或企业需要能够指认一个负责的主体，而“模型判断自己合规”并不提供这样的主体。
平台结构：锁定 ↔ 商品化
下一个维度涉及你用来构建业务的工具和基础设施。
问问自己：你是否被锁定在一家 AI 供应商上，还是可以在不破坏现有功能的情况下替换供应商？
如果你在一家供应商的生态系统上构建产品，要知道，你正在下这个注。你可能在针对它的 API 做优化，使用它的微调基础设施，或者依赖它的模型特有的能力，例如 OpenAI 供应用通过代码调用模型的接口、Anthropic 像人一样操作计算机的能力，或 Gemini 的网页搜索集成。你这样做得越多，就越难在不重建产品重要部分的情况下切换供应商。这本身并没有错。对大多数公司来说，被锁定在 Amazon Web Services（AWS）上也没什么问题。你需要判断，这个类比是否适用于自己的情况。
如果你构建的东西不依赖某一家供应商的生态系统，那么你指望的是：模型选择随着时间推移会变得没那么重要。你可能在构建多模型路由，或者跨供应商工作的工具，例如 OpenRouter、LiteLLM，或 Vercel 的 AI Gateway。你押注的是切换成本会保持在低位，而你的独特之处存在于产品中，而非底层模型中。这里可以类比 Postgres：一种开源关系型数据库技术，让用户能够存储和查询结构化数据。如今有几十家托管 Postgres 的供应商，竞争围绕的是执行能力，而非核心技术。
两种选择都可能正确。答案可能因用例而异：如果一项高风险任务需要尽可能好的模型，你大概会依附一家前沿模型供应商。如果你只需要一个够用的工具来总结文档，你会选择那一周最便宜的工具。AI 基础设施的集中趋势表明，最终可能会由一两家供应商主导，但这种整合还要以年计，而非以月计。当 Llama、DeepSeek 和 Qwen 这样的开放权重模型仍然是可行替代方案时，如果你能在未来几年保持灵活，今天就不必锁定在 OpenAI 或 Anthropic 上。
眼下押注一家供应商并没有错。但我们更喜欢那些已经想过必要时如何分散供应商依赖的创始人，即使他们今天并不打算这么做。
信任与治理：宽松 ↔ 受约束
这个维度涉及你所处的规则与合规规范。与其他维度不同，它较少取决于技术本身，更多取决于监管机构、企业买家和公众反应。
问问自己：你是现在快速推进，把治理留到以后，押注规则会保持宽松？还是提前投入审计追踪和认证，押注合规要求只会越来越严格？
如果你快速推进，把治理当作未来的问题，那么你押注的是监管会保持宽松。迄今为止，在美国市场上，这一直是个合理的押注。它也可能继续合理。
如果你早早投入审计追踪、可解释性基础设施，以及 NIST AI RMF、ISO 42001 等管理 AI 风险的框架，再加上记录模型训练数据、局限和预期用途的模型卡（model cards），那么你押注的是环境会收紧。你接受眼下走得慢一些，以便在合规不再可选时做好准备。
两种选择都有机会成本。如果治理要求突然变得重要，快速推进者就失去了提前布局的优势。如果宽松环境持续，提前投入合规的人则牺牲了速度。
这个维度比其他维度更难预测。一场对公众造成无可争辩伤害的重大 AI 故障——大规模医疗误诊、基础设施中断、造成伤亡的事件——引发立法回应的速度，会快过产品路线图的调整速度。如果就业替代引发足够强烈的政治反响，也可能带来意想不到的监管。或者，还可能出现类似 Anthropic 的 Fable 模型所遭遇的情况。
合规要求也会迅速传播。大型企业越来越多地要求供应商满足 AI 专属标准。如果几家《财富》百强企业强制要求 AI 审计和模型卡，所有想向它们销售产品的供应商都必须遵守，接着这些供应商的其他客户也会开始期待同样的要求。这就会在没有立法的情况下形成事实上的监管。它比政府推进得更快，也更难预测。
SOC2 安全合规标准的发展轨迹就是一个先例。大型企业开始要求供应商满足 SOC2 后，这项要求沿着采购链传导，直到任何 B2B SaaS 公司都需要它来赢得企业订单，即便是早期初创公司也不例外。自动化合规公司 Vanta 就是在这股浪潮上建立起了业务。AI 合规是否会走同样的路，仍是一个开放的问题。
把框架用于实践
针对每个维度，问自己四个问题。
- 我们的隐含押注是什么？ 大多数人并没有清楚说出来，即便对自己也是如此。写下来，会迫使你表达准确。可以把它看作融资演示中经典的“为什么是现在”那一页的延伸：解释为什么时机恰当，以及你正朝哪一种未来构建产品。
- 什么条件必须成立，这个押注才会奏效？ 如果你押注 token 充裕会提高利润率，那么关于成本曲线、你的使用模式，以及竞争态势，哪些条件必须成立？如果你押注辅助架构会持续有价值，那么模型能力的提升速度必须满足什么条件？
- 什么信号会告诉我们自己错了？ 大多数战略规划都失败在这里。如果你说不出哪些信号会让你认为自己押错了，你就没有真正对战略进行压力测试。
- 如果错了，我们能多快适应？ 有些公司可以转型。另一些公司已经在技术、组织或合同上作出承诺，将自己锁定在固定的位置。没有哪一种天生更好，但你应该知道，自己的公司属于哪一种。
正如商业战略家 Hamilton Helmer 在《7 Powers: The Foundations of Business Strategy》中所论述的，更强的护城河能够在市场变化中存续。如果你的竞争优势取决于某一个特定的成本假设或监管假设一直成立，你就暴露在风险中。但如果你的优势适用于多种可能的未来——无论 token 变得更便宜还是保持昂贵，无论监管保持宽松还是收紧，你都能守住自己的优势——那么你就处于一个持久的位置。
同样的逻辑也适用于决定下注的大小：信念坚定的创始人往往恰恰因为在别人对冲风险时集中下注而获胜，但他们知道自己作出了这种选择。
有些押注一天之内就可能翻转。Intel 前首席执行官 Andy Grove 将这些变化称为“战略拐点（strategic inflection points）”——它们会颠覆竞争的基础。地缘政治冲击可能令 token 成本飙升。模型可能吸收你押注它们不会吸收的能力。开放权重模型可能缩小能力差距。一次真正造成伤害的 AI 故障，就可能在一夜之间引发立法回应。你不需要预测其中哪一种会发生，但需要知道哪些会威胁你的公司，以及一旦发生，你会怎么做。
说清楚你的押注
你的战略已经在这些维度上下注了。问题是，你是否把它们写了下来，并明确说出来。
明确的押注会带来内部共识。团队知道你正在朝什么方向构建产品，也知道什么情况会导致转型。因为理解背后的假设，他们可以在局部决策中与整体方向保持一致。当计划改变时，他们仍然知道要去哪里。
明确的押注也能让你更快适应。当信号改变时，你会更早识别，因为你知道自己一直在观察什么。你已经想过其中的影响。你不必从零开始。
所以，拿出一小时。写下你在每个维度上的隐含押注，以及它对业务意味着什么。然后，写下哪些信号会告诉你自己错了。
这比听起来难。大多数团队会发现，自己的押注没有想象中那么清晰，或者自己一直在同时作出互不相容的押注。如果你说不清楚它们，你的战略就没有你以为的那么自洽。从这里开始。
Dan Pupius 是 The General Partnership 的首席技术官，负责该机构及其投资组合公司的工程工作。
本文由 AI 翻译。