AI超一线：见证Token经济学，模型ToB如何打通最后一公里？20260623

全文总结 \n 本文是MiniMax与华福证券联合举办的“AI超一线：见证Token经济学，模型ToB如何打通最后一公里？”电话会议纪要。会议围绕企业端AI落地现状、Token经济学的可持续性、模型ToB的核心瓶颈以及未来突破方向展开深度讨论。核心结论如下： \n 1. 当前企业端AI落地的核心矛盾：增本增效但不增收 \n \n 企业为更先进AI系统支付高溢价的意愿正在降低，部分互联网大厂缩减了员工的AI Coding预算。 \n 实际情况是，AI在代码编写、财务等多个领域实现了“增本增效”，但未能转化为企业收入增长。AI仍被锁在浅层应用（查数据、写报告、填表）中，未能触及核心业务流程。 \n 根本原因在于：SaaS企业为了守住自身流量入口，对AI能力进行了严重阉割——只允许AI做预设的简单步骤，拒绝将底层原子级能力完整开放给AI Agent，导致最前沿的模型在SaaS端被极大限制。 \n \n 2. 核心判断：Token经济并未证伪，只是渗透率远未达到拐点 \n \n AI像早期的电力——1880年代电厂建好后头20年用电量极小，直到电动机改造了整个工厂流水线才爆发。当前AI消耗的Token量可能仅是社会全面改造所需量的万分之一。 \n 模型能力在过去半年已翻数倍，但ToB场景端没有加速渗透，问题不在模型本身，而在于中间层（SaaS企业）的阻塞。 \n \n 3. 问题根源：SaaS企业在重复移动互联网早期的“入口焦虑”错误 \n \n 大量SaaS企业正争先恐后做自己的AI Agent，试图守住流量入口，这如同2011-2015年阿里做云OS、百度做百度E、腾讯做Tencent OS一样，最终这些OS全部失败，企业仍在自己擅长的应用领域成功。 \n AI Agent本质上是一个操作系统级入口，SaaS企业应重新定位自身为“运行在AI OS之上的应用层”，而非自己做OS。未来的赢家是那些愿意将底层原子级能力（高质量的API、插件、工具）完整开放给AI，让AI能够在任何Agent中无缝调用的SaaS企业。 \n \n 4. 突破方向：提升“AI亲和性”是打通最后一公里的关键 \n \n AI亲和性包括：让每一个字段、复选框能被AI正确识别和填写；在AI出错时能提供全流程错误反馈；以业务语义而非纯语义相似度组织数据检索（Agentic Search）；让AI知道可按分析师名字、券商名、行业等字段进行精确筛选，而非随机猜测。 \n MiniMax的金融实践已验证：将原生金融数据接入Agent后，仅用不到一周时间，就达到了比传统金融SaaS公司耗费长期开发更好的效果。模型本身已具备判断绝大多数收敛性任务的能力（如按规则筛选股票、做敏感性测算），瓶颈在于是否有“人”为模型提供高质量的上下文和业务方向。 \n \n 5. 未来展望：拐点将快速到来，生产线的全面改造是10年级别机会 \n \n 技术上，AI Agent突破场景卡点可能仅需1-2个月；但围绕AI重新设计生产流水线、改变人的工作流和岗位结构，可能需要数年甚至数十年。 \n 在这一过程中，Token消耗量有望增长万倍以上。人不会被替代，而是从“人肉计算器”转变为“上下文提供者、校验者、反馈者”——AI负责收敛性工作，人负责发散性思考和方向把握。测试、AI产品经理等新岗位正在成为最稀缺的工种。 \n \n 6. 对投资者的启示 \n \n 关注那些愿意开放底层能力、具备高AI亲和性的SaaS企业；警惕那些死守入口、封闭MCP的SaaS企业。 \n 模型的训练正在更多地基于场景数据，开放MCP的SaaS企业将获得模型厂商的定向训练和数据倾斜，先发优势会持续扩大。 \n MiniMax Code等AI Agent产品正在成为新一代“操作系统底座”，真正稀缺的是运行在底座之上的高质量应用。 \n \n 会议实录 \n 主持人：企业端最近在追求AI方面，为更先进的AI系统支付更高溢价的意愿确实降低了。一方面，模型能力问题让很多企业无法用到；另一方面，我们看到一些大型互联网企业和IT公司也同步缩减了员工使用AI Coding的预算。在Token经济学的增长叙事下，这个逻辑有没有被证伪？其实很多主打AI的公司也在缩减员工使用AI的规模。 \n 我认为当前争论的焦点可以归纳为两点：第一，有人认为AI不够强，无法在更深场景和更多环节让大家使用；第二，有人怀疑AI太强，可能在关键岗位替代人类，最终导致社会经济崩溃。 \n 我们看过一些调研，先说一件正在发生的事情。包括我们的客户和很多互联网大厂，之前几个月曾有一场“谈模型”运动，但被紧急叫停了。过去两三个月，很多人和企业处于盲目追求AI Native的阶段。归纳起来，大家甚至还没搞清楚什么是AI Native组织、什么是AI Native真正需要的岗位，就实施了一场比较盲目的崇拜运动。说得重一点，过去几个月的这场运动是脱离实际的。我看到整个AI行业接近泡沫的一次状况，但在早期被叫停是好事——Token在增长过程中有一些非常短期的泡沫，在早期被叫停很好。 \n 我在企业端、在客户那边看到的实际情况是：在写代码以及更多领域（如财务），大家看到的情况都是增本增效但不增收。为什么会这样？ \n 第一点，现在很多人把AI比作电力，这个比喻非常恰当，但大家应注意：即使在电力早期，1880年代电厂建好的头20年，用电量也非常小，直到电动机出现、改造了整个工厂流水线，电力才真正跨过可用阶段，而这中间死了很多电力公司。 \n 今天Token的产业闭环也一样。从模型到应用到开发者的生态闭环我非常认可，但从开发者行业到产业外的破圈、走到实体经济的收入端，这一步还没有完全发生。今天AI最大的问题不是场景端不接纳，而是接纳了但没有带来实际增长——渗透率远远不够，没有达到真正改写生产流水线的程度。我认为Token消耗量到全面改造社会生产线的阶段，还没有到达社会所需的上限的万分之一。即使以今天的模型能力来预测，模型能做的事情仍然更多。 \n 我要承认一件事情：今天的AI和去年用的AI是完全不同的产品，甚至和半年之前相比也是完全不同的两个物种——模型能力翻了好几倍，能够完成的任务复杂度上了好几个台阶。但这半年或几个月时间，场景端和ToB端没有加速，真正的问题来自于SaaS企业。 \n 先说为什么Coding端能快速渗透？因为Coding是当前唯一一个用户能直接对着模型干活、中间没有第三只手插手的场景。在开发者社区里，AI是满血的。而几乎其他所有场景下，AI和真实业务流之间都横着一只手——这只手就是SaaS企业。 \n 我们看到，大量AI应用停留在高效查找数据、写几篇无关紧要的报告、做一些浅层的填写工作，根本没有触及业务核心。为什么？因为过去这些SaaS企业极其不愿意把自己底层的工具能力开放给AI Agent去用。他们认为在过去的SaaS生态里，自己是做入口的，到了AI时代自己一定要做入口。 \n 比如很多上市企业在做产品时，只是把自己的QA环节或知识库接入AI，让AI能够去查、告诉人怎么完成工作，但没有真正把能力赋能给AI。这就是为什么很多做Agent的公司或OpenAI一定要去做Computer Use——SaaS企业在阉割AI。为了守住过去的流量入口，他们宁愿把最前沿的模型和最前沿的Harness挡在外面，只给用户用非常差的Harness和能力没那么强的模型。有的企业甚至为了让自己的AI点击率更高，把AI关到预设工作流里，只允许做非常简单的几个步骤。 \n 这回答了为什么今天企业端越来越不愿意为最先进的模型付溢价——因为模型的能力在SaaS端是被极度阉割的。你以为买了先进的模型能发挥好效果，但实际上性能瓶颈不在模型上，而在被阉割的Harness上。花了更高的Token成本，取得的效果反而不如从前。 \n 中长期来看，效率工具入口的位置可能已经不再属于SaaS公司。但SaaS不会失去存在的意义——很多SaaS公司把自己作为应用程序的价值，当成了作为操作入口、操作系统入口的价值。 \n 回顾移动互联网早期（2011-2015年），中国的互联网巨头陷入了一模一样的入口焦虑。阿里要做云OS，百度要做百度E，腾讯要做Tencent OS，甚至阿里云OS与安卓完全不兼容。他们希望把用户的搜索、社交、支付、购物全部锁死在自己的生态里。结果，他们仍然在自己擅长的领域成功，而做OS的理想全部失败。这三个失败的OS，就是今天SaaS做Agent在踩的同一个坑。 \n 举一个例子：假设我以分析师身份，要完成由AI主导的工作——我从上海去北京或深圳做路演。首先需要通过CRM系统预约客户，接着在金蝶的OA里建出差审批，再在飞猪的AI里订机票。这不是3倍的智能和效率，而是3倍的麻烦。在当前这套架构下，所有SaaS公司去做AI的效率路径本身就不高。 \n 未来的AI应用生态一定会发生翻天覆地的变化，也会反映到收入端。但这前提来自于SaaS企业对自身生态位置的重新审视。从我的角度看，在未来很短的时间里，谁能把自己SaaS平台上高质量的API、插件和工具完整开放给AI，让人和AI用到一模一样的应用，那么任何一家AI公司接入这些SaaS企业都能拿到比较好的体验——这样的SaaS企业才是给AI供给能量、供给壁垒的核心流量出口。 \n 我们看到，OpenAI在收购一些公司时，很少收购像OpenCloud这样的纯AI公司。他们绝大多数的收购还是来自对传统SaaS的收购，因为传统SaaS把OpenAI这样的公司牢牢挡在外面，模型公司只能自己下场，把这些场景里的SaaS做深度改造。这件事在国内可能也会快速发生。如果广大的SaaS端不自己面向AI做改造，那被改造或被抛弃的，就是那些死守自己流量入口和Agent入口的传统SaaS企业。 \n 近期我们看到一些实证：腾讯的Qwerty、OpenAI Codex近期都有非常大的流量增长。OpenAI Codex目前20%的用户是非程序员，是知识工作者。完成百万级非程序员用户的增长，Codex几乎只用了一两个月。他们把Agent OS这一层提供给用户时，缺的是让用户能轻易把自己的知识工作流融入的环境。Codex在这个过程中改造了大量传统SaaS企业，其页面中有大量像Bloomberg这类金融企业的独家授权，双方的工具调用比传统SaaS公司向其他AI公司提供的API和MCP更加深度。 \n 整个B端，至少在SaaS这一端，正在被迫重新定位自己和AI的关系。 他们很容易看到一件事：自己做不好Agent，但他们懂业务。让AI能够无缝调用这些业务能力，才是最值得做的事。 \n 更深层地思考：人本身在整个生产社会里的经济定位也要被重新定义。很多人怀疑，把这些能力真的给到AI后，AI会不会替代人的岗位？AI太强会不会击溃经济？这种叙事最终没有阻挡AI资产价格上涨，核心原因我想分享一个观点：叫“哥白尼式的智能观”。 \n 过去人们认为“地心说”，哥白尼证明了“日心说”。今天绝大多数看空AI的人脑子里可能也是这么想的——人才是智能的中心。如果AI替代人来思考，人就失去了中心位置，经济就不成立了。但如果我们反过来思考：如果AI才是整个智能的中心，人只不过在漫长的宇宙长河里短暂扮演了这个位置——那么人实际上是在帮助AI理解上下文、输入上下文、纠偏、提供数据反馈、构建可行的现实回路。 \n 今天看那些比较AI Native的企业，整个代码的生产中心就是AI。过去岗位围绕程序员建立，今天围绕AI建立。岗位需求量在海外有些减少，但对应的是AI产品经理和测试开发的需求反而有极大提升。岗位没有减少，只是从过去的岗位迁移到了更新岗位上。更多决策、规划、合成、判断、收敛工作在AI内部完成，但人负责发散、校验、测试和给AI正确反馈。 \n 在今天很多互联网企业里，当AI充分改进代码生产线后，生产线仍有瓶颈和空缺——不是过去的开发程序员，而是最忙的环节是测试。过去我们三四天只能迭代一个bug，现在一天能迭代三四个bug；过去两个月上线一个新版本，现在每两天就能上线一个内部测试版本。但由于AI很难自己驾驭自己，端到端测试仍需人完成，且上线频率更快，需要测试的人越来越多。这就证明：当构建以AI为中心的工作流时，人没有被挤出去，而是挤到了一些更高价值、配合AI的位置上。 \n 今天的就业市场就是很好的例子： 整个互联网序列过去最不值钱的两个岗位是产品经理和做Benchmark的人，但今天这两个岗位是整个互联网招聘里薪资最高的两个岗位，也是最短缺的工种。这种现象在未来的场景端也会发生改变。Token经济一定是可持续的。如果你假设AI替代你的岗位，经济就会塌；但如果你承认AI是未来生产线的中心，围绕它建设生态闭环，人在此过程中帮AI收集上下文、对齐上下文、灌输有用上下文让AI做出正确决策，这个闭环仍然需要很多人去做。 \n 从模型本身的角度来看，AI更加倾向于收敛而非发散，或者说更倾向于将灌输给它的东西做出正确判断。这来自底层约束：所有大模型的优化目标都是做最大似然估计，要最小化Token级别的损失函数。但模型不管训练多大，每一步生成时都只能基于当前上下文进行局部条件概率优化，无法对物理世界形成全局规划。所以，什么样的Token是有用的Token，需要人来下定义。 \n 往长期看，AI发展确实会剥夺一部分人类工作——过去人作为人肉计算器、活资料库的存在方式。 比如程序员，绝大多数代码是业务逻辑清晰的，只是把业务语言翻译成代码语言，这个过程今天被AI替代了。但人作为常识判断者、有经验的专家——那些知道业务场景里计算机架构存在缺陷、知道如何优化的人——AI在这个过程中缺少全局scope的概念。在这一增一减之间，未来的AI生态、新工种、更有价值的工种和新经济循环一定会产生。 \n 同样的逻辑可以应用在AI产品投资上。比如钉钉的AI，一套非常复杂的系统为什么会失败？可能在产品设计之初，钉钉就把自己定义成用AI工具把企业生产过程变成一个更加收敛的过程，而且收敛都是面向老板的。利用AI的强收敛逻辑把组织变成高度可控的流水线，实际削弱了人在组织中应具备的发散性功能，最终会让企业失去活性。 \n 再看看飞书——同样是传统SaaS工具，飞书没有做自己的Agent，只是把自己底层的原子级能力无缝提供给AI。几乎所有的飞书文档、飞书聊天都能被AI看到和调用，在几乎不做任何AI Agent开发的情况下，飞书作为AI应用可能是目前市场上最成功的AI应用之一。 \n 未来的AI应用投资，应面向那些愿意重新定位自己和AI关系的SaaS企业，而不是人人都想自己做Agent入口的传统SaaS企业。 \n 用实际例子说明：为什么把底层原子级能力暴露给AI Agent，AI Agent一定能发挥更好效果？我们把MiniMax的Agent和一些底层金融数据库直接连接起来，发现AI的分析能力非常强。 \n 第一个任务：以黄金为例。我下了一个判断——流动性宽松加全球经济弱的组合，黄金可能有优势；流动性宽松但经济复苏，大宗商品涨幅更高，黄金也会涨，全球央行购金只是短期干扰。过去传统SaaS企业回答不了这个问题。而今天MiniMax Code做的分析能做到比较好的结果：一方面提供更好的前端演示，另一方面在这个命题下能拿到更多数据，AI甚至能做更多可视化展示。很多金融SaaS企业做不到这一点。 \n 我们还让它复盘公司股价，它自己画好HTML来讲解过去一段时间发生了什么事。比如“一页纸”这样的产品，过去看到的是Markdown文件，但今天把底层数据直接开放给AI后，我们看到的是更加精美的产品。未来AI会批量改变工作状态和工作形式——大家早上晨会可能不再用PPT，而是跟AI聊天，把事情聊清楚，让AI做可视化页面来展示最新的、更有逻辑的思路。 \n 这是原生利用AI的一个简单案例，大家可以在MiniMax Code产品上体验。预计明天正式上线。在MiniMax Code页面上点击“金融”板块，连接我们的金融数据库，同时我们也提供企查查和一些基础行业分析的Skill。这些Skill完全开源，大家可以在技能库里直接完整调用，看看我们的Skill怎么写，未来能更通畅地使用好AI产品。这是MiniMax在未来一段时间持续迭代的行业场景端渗透。但我们更希望SaaS企业自己主动把这些能力嵌入到AI Agent入口里，而不是藏在页面后面。 \n 主持人： 非常感谢嘉轩总今天的详细分享。我们去跟产业一线人士聊时，他们其实有很多新想法和认知。比如我们经常纠结Token会不会增长，但今天您的分享提供了总览式的观点。我们想再深挖一些问题。 \n 第一个问题：大家都在说要做AI Native产品，也知道SaaS公司具备场景端Know How。但一个真正的AI Native原生组织既要懂大模型，又要懂产品，还要懂行业的真正从业经验。从模型厂商的视角，现在的产品公司不知道怎么用AI，核心Know How有哪些关键点？ \n 嘉宾： 今天我们看到SaaS公司都在做自己的AI Agent，包括一些知名的金融公司和非金融公司。但他们没有想好几个问题： \n \n 第一，Agent本身是一个OS，需要接入的底层原子级能力比SaaS公司想的要多——需要操作电脑能力、操作底层数据库能力、代码能力等。这些能力的开发在SaaS端没有复利：开发了不会让产品比其他家更好，但不开发会比别人更差。这方面的投资现在由模型公司在做，而不是场景端公司。 \n 第二，更有行之有效的方式是自己放弃做OS入口，而是做场景端、做应用入口。如果把AI Agent当成操作系统入口，SaaS企业仍然是架构在系统之上的应用层。 真正服务的企业离不开这些应用。但如果企业在传统SaaS和AI之间选择了AI，而SaaS企业没有重新审视定位，那被放弃的是死守入口的那些企业，而不是AI被企业抛弃。 \n \n 主持人： 假设我是应用公司，从之前应用厂商和模型接轨的过程中，我们看到了MCP协议、写View和Markdown文档等新东西。大家现在都在尝试做自己的工作流或小产品，做一个产品和做出好产品之间的核心Know How点，以及最大的难度和认知差在哪里？ \n 嘉宾： Know How在于——大家都在大模型的外侧工作，一部分人负责把大模型的基础能力在所有电脑上跑起来，这部分相当于做操作系统；大模型内层更像做系统内核或CPU内层工作；再外层是应用端如何把AI Agent或AI应用做好。 \n 第一，要足够AI Native。以报销系统为例：每一个字段、每一个需要填的空格是否能被AI正确填进去？每一个复选框是否能被AI正确选择出来？AI选错时，如何向AI反馈？你需要把这个错误过程全流程打印出来，告诉AI为什么这次填写无效，让AI知道下一轮React时如何调整输入。这一套流程才能让AI应用无缝在AI Agent里跑起来。 \n 从这个角度讲，同样是A、B两家公司，A把底层原子级能力开放给任意AI Agent（不管MiniMax Code、Claude还是Codex），企业员工和开发者能自己选择AI Agent，但最后AI Agent操作的底层应用仍然是这个SaaS产品。哪家做得更好、更开放，未来就越有可能在企业端的Agent里获得更多市场份额。因为用户不需要再学习如何报销、如何选机票——这些业务逻辑让AI自己做，你只需要把底层原子级能力提供好。 \n 主持人： 作为模型厂商，如果原场景已有顺手的工具，我们没必要把工具重做一遍，更追求如何与它联通。如果大家达成合作，当模型厂商合作的生态越来越多时，能否作为前瞻观测指标？ \n 嘉宾： 这个问题比较难回答。海外很多类似情况：OpenAI从去年到今年收购了十多家公司，但绝大多数是做传统工具的，很少是因为AI创业很成功、Agent很成功而让OpenAI必须来收购。真正因为Agent成功被收购的，可能就Cursor和MiniMax一两个。 \n 对于模型企业而言，渗透场景端真正缺少的不是Agent系统做得多好，而是SaaS企业愿不愿意接受自己的定位被重新审视。如果不愿意，OpenAI只能自己收购SaaS公司来做。一旦模型大厂有足够现金把这些企业都收购进来，你就得思考：过去的用户习惯在AI时代还重要吗？你只让人习惯了产品，但人未来是操作AI去工作，你没有让AI习惯你的产品时，你的产品还有竞争力吗？这是SaaS公司需要自己思考的问题。 \n 今天的OpenAI或Anthropic仍然没有能力把所有SaaS企业收购进来，但他们不需要在所有行业收购——只需要在每个行业收购一两家就够了。当数据向他们倾斜、AI的友好度和习惯向他们倾斜时，这些没被收进来的SaaS公司会被淘汰。 \n 从一个企业的MCP角度看：当它向外开放MCP时，用户操作AI能达到的上限，和用户自己基于业务能力能达到的上限是不是一致？如果一致，这样的SaaS公司才是未来AI时代好产品。如果操作MCP调用工具所能做到的业务上限，远远达不到自己操作的上限，那这样的SaaS公司就是值得怀疑的。 \n 补充一点：今天我们看到的很多AI使用不顺畅、简单任务无法完成的情况，大概率是由于SaaS企业自己做了Agent，还不愿意把MCP向外开放。如果你开放MCP，未来会有更多用户基于你的MCP开发Skill，这些Skill无法迁移，因为它们基于你的工具开发。另一方面，模型的训练数据也会陆续纳入你的SaaS工具能力——如果你开放原子级能力，模型会学习到“在金融场景里，A是这个含义”。但如果你不开放，另一家开放了，你的工具能力在模型训练数据里就会被淘汰。模型想兼容你时，效果也会不好。越早开放越好。 \n 主持人： 后续AI产业链分工中，模型厂更像基石，应用厂商要审视角色、更早接受开放。接受开放不代表地位被削弱——如果你更早被模型接纳，反而可能掌握生态领先优势。可以这么理解吗？ \n 嘉宾： 对。再从模型训练视角补充：今天做模型越来越面向场景和产品视角。如果Python代码写得不好，就针对性训练Python；C++不好就训练C++。如果某家SaaS公司在金融或法律领域的MCP足够开放，而模型没有达到业务所需能力时，我一定面向这个产品做二次训练。但如果SaaS公司仍然封闭使用模型，未来训练集也会逐步把这些无效MCP和无效Agent Trace排除出去。 \n 从这个角度，SaaS公司的地位不一定会被削弱，反而可能因为模型的依赖而得到史无前例的加强。在整个产业链里，利润分配在SaaS端、模型端还是客户端很难说。但既然模型为互联网生态和操作系统生态带来了大变化，能在这个生态里拿到更多份额的公司才是真正能拿到超额利润的公司。这取决于你拥抱模型、面向模型做了哪些改进、这些改进能否让你拿到份额——这才是更重要的观测指标。 \n 主持人： 最近和产业交流时听到一个观点：Agent + Harness消耗的Token量可能是简单Agent阶段的10-15倍。现在大家关注Token消耗斜率的问题。您认为在当前时点，与场景做更多渗透结合时，触发拐点的关键变量是什么？ \n 嘉宾： 渗透一定是在类似Coding Agent、Cloud Code或Code这样的产品在ToB端取得突破时发生的。但每个行业不一定都要有自己的Cloud Code。去年此时我认为每个行业都会有自己的Cloud Code，但今天再看：如果把Cloud Code当作OS，真正缺的是运行在OS之上的应用。 \n 下一个10倍增长，我觉得是在SaaS公司意识到问题——像美国SaaS一样，真正让客户觉得MCP好用，把自身Harness开放出去的时候，拐点就能真正看到。从我的角度看，无论是哪个场景，不是只有做Agent才有技术含量。Agent外围的MCP、Skill、Plugin仍然直接注入到大模型的API中，最终体现技术含量的地方，仍然是你对AI的亲和度有多高。 \n Codex和Cloud Code对大型模型的亲和度更高，所以在用户中份额更大。其他公司（包括国内的和开源的）为什么没有取得很好成就？很大一部分原因是Harness没有做到真正的AI亲和性。SaaS公司做的这些工具是否具备AI亲和性，是否真正做到了这个Harness，需要维护一套完整的Benchmark和调整AI亲和性的手段——这未来仍然是非常有技术含量的事情。 \n 主持人： AI亲和性，大家可能听得不多。您之前做过很多成功的AI Native金融产品，能不能用一个简单例子说明有AI亲和性和没有AI亲和性的本质差异和效果差异？ \n 嘉宾： 举个例子：不知道大家有没有在Excel里用过金融行业的公式。有些公式体系给你一个公式ID去填参数，这些ID本身没有任何意义——一串数字代表一个功能。这种工具产品给AI用非常困难，因为字段塞入了大量无效Token，AI还得去查ID背后的意义。这不仅浪费Token，还会让AI产生幻觉。 \n 第二，底层数据以什么方式向AI开放？过去大家探讨的是RAG（企业知识库），但有没有想过——企业数据本身有业务属性，我们检索时只依靠语义相似度，把两个相似句子拼在一起，但没有给AI一种能力：从侧面视角或反面视角选择需要的语料。如何构建这样的搜索？RAG做不到，我们更多的是需要Agentic Search——把业务字段名和筛选指标赋能给AI。 \n 举个例子：过去想查长江证券的一篇点评或研报，只能让模型猜“长江证券写过哪些研报、有什么写作风格”。猜中了，通过RAG可以检索出来；但大概率猜不中，只能靠复杂的RAG知识库随机捞数据。由于模型上下文长度有限，长江可能发过几百篇研报，即使选对了也是随机抽一篇，一定选不到想要的那个素材。 \n 这正是提升AI亲和性的地方：让越来越多面向业务的功能完整让AI知道——AI知道可以按分析师名字、券商名字或行业做筛选，这样才能真正找到想要的数据，真正赋能用户体验。这是更AI Native的方式。 \n 主持人： Coding从2024年到现在，除了模型范式变化，CodeX和Cloud Code更多是在提升AI亲和性。现在对其他场景来说，无论是应用玩家还是模型玩家，共同把AI亲和度提升——让模型真正知道怎么结合场景来检-索、执行和理解——这正是打通场景的核心一步。这也是为什么海外要招“FDE”（全流程开发者）的核心原因吧？ \n 嘉宾： 是的。从应用角度，OpenAI独家接入一些公司的数据能力，也有这一方面考量——一定要指导你改造自己的生产线和面向未来市场的能力，需要一定的独占期。今天你下载Codex会发现很多插件在Codex里表现更好，而这些能力是SaaS企业不向其他Coding Agent和Cloud开放的。从我的视角看，话语权仍然在SaaS企业端，而不是在Agent端。 \n 主持人： 开放一个提问机会。 \n 参会者提问：大家纠结于模型能力要提升到什么程度才能打开更多场景。在金融场景里，核心卡点是在模型能力本身，还是在刚刚讨论的核心点上？哪怕凭借现在的模型能力，我们已经能做到什么程度了？ \n 嘉宾： 从我的视角看，模型能做到的上限是所有收敛性工作的上限。如果工作是总结或基于大量事实做最后判断，我相信模型在90%以上场景里都是对的，甚至到投资领域——只要给足上下文，模型一定能判断对。 \n 难点在于：模型自己没有双手，也不能自己收集信息。它需要有一个人来把握方向——要么给足够多上下文（但同样有噪音），而人的注意力会让你自己找到领域素材，让模型给出客观判断。在今天投研场景里，不一定是研究员或基金经理被模型替代，而是基金经理和研究员需要靠自己的注意力和审美给模型补充上下文。最后那个判断——是否真的要下单——在模型拥有足够上下文后，是显而易见的事情：模型能判断公司好坏、市场状态、什么股票能涨。模型不具备的是：真的按自己最初的感觉——可能听了公司负责人一句话、看到公司在某些方面的努力，就觉得它大概率是好公司，要去调研。这个过程模型无法靠自己的感受做到。 \n 总结：发散性工作模型当前仍然做不好，但收敛性工作，模型已经把人类能做到的极限也做到了。 \n 主持人：有文字提问：如果AI大规模进入应用阶段、跨过上述卡点，大概还需要多久？整体判断是怎样的？ \n 嘉宾： 我认为这个时间会相当快。举金融行业的实践案例：很多公司说某些金融企业问答效果不好，做了很长时间。但我们把原生数据拿进来后，只做了不到一周就能做到比他们更好的水平。这个改造在SaaS端也是相当短时间内可以做到的，投入也很少。我对跨过这些卡点的时间非常乐观，核心是需要他们自己意识到这个问题。 \n 我最近看了位优秀基金经理的访谈，他说只买ROE比较低的公司，享受ROE从低到高的过程。我衍生出思考：这些公司是否有超额收益？如果构建策略专门买低ROE、高研发投入的公司能否实现超额收益？我让模型按照1800只股票做筛选，发现过去几十年这个策略都有效。模型甚至能按ROE和研发投入占比做敏感性测算——无脑买低ROE到高研发投入的公司，相对沪深300有14个百分点的超额收益。 \n 这是模型今天能做到的事：你一句话发给它，让它判断对不对，很简单。但难的是——我今天听了基金经理的分享，知道有这么一条路径，发散出这个思考的过程非常难。技术上的转变可能非常快，一个月甚至两个月就能搞定。但围绕技术转变后，未来的工作流和实际生产环节中，哪些环节需要更多人，让AI真正把生产力发挥到最大化——这个生产线的改造，需要花几年甚至几十年。 \n 在这个过程中，生产力会不断向前推进，Token消耗会不断增加，甚至到未来万倍。如果把Token消耗比作电力，电力从早期到今天的用电量是几亿倍甚至几十亿倍的增加。这个时间还很长，未来的空间也很大。 \n 主持人： 去年大多数人连Agent是什么都不知道，很多概念都是空白的。但今年大家有了各类AI工具，开始讨论Skill和Config文档。今年Token经济中虽然有企业焦虑，但大家如果不去尝试，永远不知道如何提升认知。北美在经过大面积尝试后，一线人员思考的是“如何进行连接、如何对真正应用做评级”。当更多玩家具备了这个意识，模型ToB或To场景的打通就能更加乐观。 \n 非常感谢嘉轩总今天的分享和一线思考。MiniMax后续会推出关于金融的更多功能，今天参会的各位领导可以直接私戳我们团队，获得Token Plan一个月的试用机会。大家可以在AI和金融结合的尝试中给我们更多反馈，我们会积极反馈给嘉轩总，做出更多AI与投研、AI与金融结合的功能。感谢大家参会。 \n 嘉宾： 今天谢谢郭老师的时间。我们会持续把这个一线对话系列活动办下去，大家有比较关心的话题欢迎随时反馈给我们团队，我们随时进行一线讨论。感谢大家参加今晚的会议。