智能体盈利困局：精度墙与成本墙如何制约AI商业化

关于大模型难以盈利的话题已是老生常谈，这里仅简要回顾：

据称OpenAI要到2029年才能实现盈利，目前每年亏损高达140亿美元。

Anthropic预计2028年有望盈利，但目前同样处于亏损状态。

刚刚上市的MiniMax每年亏损约5亿美元。

智谱的亏损规模与MiniMax相当，同样每年约5亿美元。

有消息称DeepSeek能够盈利，但基础模型领域整体亏损已是行业共识。

无法自我造血就只能依赖VC输血，而国内VC的谨慎态度也引发了大模型发展的一系列挑战。

不过基础模型作为非典型产品并非本文重点，接下来我们将聚焦智能体（包括既做基础模型也做应用的公司）。

先看智能体的现状：

以我熟悉的Glean为例，其ARR最新报道已超过2亿美元，假设每年保持此收入，目前员工1000人，人均创收20万美元。在AI行业，这样的效率往往意味着亏损。因此，我判断它接下来很可能需要继续融资。

其他明星智能体公司也大多如此，频繁进行大额融资甚至并购。

如果仅此而已，那这一波AI浪潮似乎与上一轮无异，但好在并非全无例外，例如：

Midjourney在年赚5亿美元时仅有40名员工，这样的模式显然稳赚不赔，主要得益于其流量主要来自自然增长。

再如Base44，年收入350万美元却只有1人运营，这种轻量级模式盈利理所当然，不太可能依赖大量投流。

由此观之，结论已清晰：大模型能力虽强，但能盈利的智能体却寥寥无几，原因何在？

接下来，我们用一种接地气的框架来分析：

● 精度：能否在特定场景中稳定完成有价值的任务，无论是面向C端还是B端，都必须切实有用。

● 成本：是否算得过来账，涵盖模型调用成本与流量获取成本。

精度壁垒

这里的“精度”并非数学中的小数点精度，也不是评分指标。

它指的是：

在真实、具体且可重复的业务场景中，

你是否敢于将任务的成败完全托付给智能体，而非人类。核心不在于它是否犯错（错误在所难免），而在于你是否承受得起它的错误。

● 撰写营销文案，错了可修改 —— 精度要求低

● 自动生成海报，美观度要求不高 —— 精度要求低

● 自动下单、自动投放广告、自动发送合同 —— 精度要求极高

● 自动与客户议价、自动审批贷款 —— 几乎零容忍误差

这解释了为何：

● 模型演示能力惊艳

● 智能体落地却步履维艰

对此，我的判断是：无状态的模型在智商层面尚可，同等信息量下其分析与判断能力往往超越人类，但问题在于，当模型转化为智能体时，所能获取的信息量通常不及人类。再叠加幻觉问题，便可能导致灾难性后果。经验与直觉本质上是信息量的累积，是人类终其一生所积累的信息总量。

这便是精度之墙。

智能体的运作需要同时满足三个条件：

1. 准确理解目标

2. 熟练调用工具

3. 产生实际影响

精度墙往往在第三步让一切功亏一篑。

在真实的商业环境中，绝大多数场景对“差不多”持零容忍态度：

● 一次下单错误 = 直接经济损失

● 一封邮件发错 = 法律风险

● 系统参数误操作 = 生产事故

这并非通过“再训练几次”就能解决的，而是根源在于：

语言模型从本质上就不是为“确定性操作”而设计的。

我们可以通过以下方式提升精度：

● 规则约束

● 审批流程

● 人工干预（HITL）

但最终你会发现一个尴尬的局面：

智能体越追求“安全”，就越不像智能体，反而沦为复杂的自动化脚本。

因此，当前真正适合智能体自主行动的领域屈指可数。

其中，Claude Code（一款智能体）正坚定地朝这一方向迈进，试图完全接管程序员的职责。

这反过来意味着什么？

如果编程领域的接管效果尚不理想（尽管目前还算不错），那么其他领域将更加艰难，因为世界上没有哪个领域的规则比编程更清晰。

成本壁垒

即便暂时不考虑精度问题，成本也会迅速将你拉回现实。

这里的成本至少包含两个方面：

1️⃣ 模型调用成本

这部分大家已相当熟悉。

● 海外模型如GPT/Gemini/Claude：价格昂贵，但性能较强

● 国产模型：成本较低，能力基本够用，但精度稍逊

● Token单价持续走低

单从模型成本看，乐观情绪似乎有据可依。但现实情况如何？

暂且不提视频，仅看文本和图像生成。

生成一篇合格的营销文案（约3000字，配适量图片），成本是多少？

大约2元人民币，那么用这2元去赚钱，能收回2元吗？

大概率难以回本。

关于成本，补充一些细节以免误解：

1. 并非单纯的token费用，还包括重试等额外开销

2. 通常需要综合使用多种模型，否则成本更高

因此视频内容成本更高，若依赖视频则必须寄希望于爆款，但爆款可遇不可求，大量尝试和投流往往导致亏损。

2️⃣ 流量获取与人力成本

内容创作者几乎都会尝试投流，产品卖家亦然，但投流大多难以盈利。

但投入后总想补救，于是陷入循环，此不赘述。

人力成本更为直观，以月薪2万元的员工为例，企业年总支出（含房租、奖金、社保等）接近40万元。

换言之，若平均薪资2万，人均年营收需达100万，且在扣除Token、设备及投流成本后，还需有40万毛利才能实现盈利，否则便陷入亏损。

例外何以存在

此时，真正能盈利的案例便值得深入剖析。

其实答案已在前面埋下伏笔。

例如生成一篇营销文案成本2元，若指望它直接创收2元，大概率是亏损的。

但反过来，若一个人工每日成本超1000元（月薪2万含所有支出），只要智能体产出质量尚可，用于替代人工则无论如何都划算。

普通人一天难以产出10篇高质量内容，而智能体可以轻松完成更多。

仔细观察Midjourney等盈利工具，会发现它们绝大多数属于生产力工具。

更深一层，观察以下表单，直观印象是什么？

人员精简。

这意味着这些公司既是生产力工具的创造者，也是使用者。

《无人公司》从可选到必选

《无人公司》自问世以来争议不断，但若真正理解上述成本账，便会发现：要打造一家不依赖VC、能够自我造血的盈利公司，《无人公司》已从可选项变为必经之路。

无人公司并非空无一人，而是指由一套智能体系统完整驱动业务流程，人类则作为辅助角色存在。

好比开发了一个工具，但客服、营销乃至编码等核心工作均由智能体系统承担。

构建这样一套系统显然不易，正如书中所言：

必须从角色入手重构生产关系，建立以智能优先的新模式。

这套复杂体系在书中未详尽展开，因此衍生出配套课程：

这确实充满挑战，远比操作简单工具复杂，但若看过以下文章，便会意识到用AI赚钱本就不易：

https://type.earth/all-in-one-generalist/ （该列表汇集了典型OPC，且具备一定收入规模）

不过，创建一家以AI为主的公司比传统人力公司更简单，但面临的挑战也截然不同。

对司机而言，驾驭马车其实比驾驶汽车更难，但前提是必须抛弃马车时代的旧习（马匹难以伺候，我小时候曾被掀下车，摔得眼冒金星）。

此处不再展开，可参考先前文章：

一人公司何以成为传统公司的终点与无人公司的起点？详析年入270万美金的实践

无人公司的六种现实形态解析

组织进化是AI深度落地的前提

结语

我认为AI的发展节奏将慢于互联网，一方面技术尚未完全成熟，另一方面，一旦启动上述变革，生产关系重构的难度远超互联网技术应用。

这场变革刚刚拉开序幕，是一场马拉松，因此深思熟虑远比盲目行动更为关键。

当然，若能获得充足的VC资金支持，以上问题均可忽略。