大模型与智能体：盈利挑战与成本困境

这里的精度不是数学上的小数点或分数。

精度指：在真实、具体、可复现的业务场景中，敢不敢把“是否完成”交给智能体，而不是人。关键不在于“会不会错”，而在于“你怕不怕它错”。

例如：写营销文案可以修改——精度要求低；生成海报不讲究美观——精度要求低；自动下单、投放广告、发合同——精度要求极高；与客户谈价格、决定是否放款——几乎不允许误差。

这就是为什么模型展示能力强，但智能体落地能力弱。

我个人判断是：无状态的模型智商尚可，很多情境下模型分析判断能力超过人，但变成智能体后信息量不如人，加上幻觉就是灾难性后果。

精度就是一堵墙。

智能体意味着三件事同时成立：

1. 它要理解目标

2. 它要调用工具

3. 它要产生真实世界的后果

精度墙导致第三步失败。

在真实业务中，对“差不多”是零容忍的：

● 下错一次单 = 损失惨重

● 发错一封邮件 = 法律风险

● 操作错一个系统参数 = 生产事故

这不是模型再训练能解决的问题，因为语言模型天生不是为“确定性行动”设计的。

可以通过规则、审批、人类兜底（HITL）提高精度，但会发现一个有趣的结果：智能体越“安全”，越不像智能体，而像一个复杂的自动化脚本。

成本墙

即使暂时忽略精度问题，成本也会很快让你清醒。

1️⃣ 模型成本

GPT/Gemini/Claude等海外模型贵但能力强；国产模型便宜但精度弱；Token单价持续下降。

2️⃣ 流量成本&人员成本

做内容的基本都忍不住投流；卖产品的也会投流，但大部分投流是赔钱的。人员成本更显著，2万月薪的人一年支出逼近40万。

为何有例外

这时能赚钱的就值得细看了。

生成营销文案成本2元，指望它对外赚钱大概率是亏的。但如果一个人一天成本1000+元（2万月薪含各种支出），只要质量还行，用来代替其他人干活就划算。

《无人公司》不是可选项

“无人公司”不是理想状态而是必经之路。“无人公司”不是说一个人没有，而是说有一套智能体系统能完整驱动业务，人是辅助这套系统的。

小结

“AI的节奏会比互联网慢一些”，因为技术还没完全稳定；另一个原因是生产关系梳理比互联网技术更费力。