AI 商业化
全景图.
Mapping AI commercialization on a power grid.
用电力系统当坐标系,给每一条 AI 新闻定位。主干(能源、芯片、模型、云)企业和个人共用,到了用电侧分成企业用电、民用电、动力用电三路,最后由一条管控总线贯穿全部。token 约等于“度电”。
The Grid
一条供电主干,三路用电
点任意一层,看这一层的核心问题、代表玩家、壁垒、当前看点和计价单位。
The Moves
新闻 = 位置 × 动作
层是静态的,新闻是动态的。绝大多数大新闻,都是某个玩家在层与层之间移动。先认出动作,再去电力史里找同样的动作,判断就有了参照。
向上整合
上游玩家往离客户更近的层走。
它是想赚下游的钱,还是想为自己的主业制造需求?
向下扎根
下游玩家往底层走:应用公司自研模型,模型或云公司自研芯片。
是为了成本、为了差异化,还是因为上游被卡脖子?
全栈一体化
一家公司同时占据芯片、云、模型、应用中的多层。
层与层之间的接口成熟了吗?成熟后全栈优势会减弱。
B / C 跨界
在一路用电上的优势,搬到另一路。
迁移过去的是什么:用户、数据、分发,还是品牌?
卡入口
控制用户接触 AI 的位置,或向别人收过路费。
入口方是在自用,还是在收租?监管会不会出手?
筑墙 / 拒接
在自己的地盘拒绝别人的 Agent,或只放行自家 Agent。与"卡入口"成对。
理由是安全,还是保护自己的推荐和广告?最后会不会转向付费接入?
定标准 / 开源
通过协议、开源权重、参考设计来决定别人怎么接入。
开放的这一层让谁受益?往往是开放方在更赚钱的另一层。
定价 / 商业模式
计价单位或付费方式发生变化。
价值和收费单位对齐了吗?谁的毛利被挤压?
扩产能 / 重投入
大规模建设算力、电力,或进行大额融资。
需求是真实付费需求吗?谁在承担杠杆?
管控 / 合规
围绕安全、权限、审计、监管的动作。
这是真实事故和法规推动的刚需,还是超前叙事?
剥离 / 分叉
交易被迫拆分,或产品按境内外分成两条线。
驱动是国家安全、数据主权,还是监管套利?
The Eras
电力史阶段:我们大概在哪
电从发明到真正改变生产率,用了约 40 年。关键不在“通没通电”,而在企业什么时候开始围绕电重新设计工厂。这是判断 AI 投入回报的最好参照(经济史学家 Paul David 的“发电机悖论”)。
1879–1890
灯泡与 1882 年纽约珍珠街电站。接口没有标准,爱迪生只能自己包揽发电、配电、电表、灯泡。早期电费常按“灯泡数”包月收取。
2022–2023
ChatGPT 时刻。模型公司自己做聊天产品来展示能力,企业按席位订阅(相当于按灯泡收费)。值得注意:按灯泡收费卖的是“光”这个结果,用途多样后才改成电表按度计费;AI 可能两头并存,底层按 token,应用层按结果。
1886–1900s
交直流之争;电站和电网疯狂扩张;电车是最早的大规模“动力用电”;设备商为了卖发电机,主动去创造用电需求。
2024–2026
协议之争(MCP 等)、开源和闭源之争;GW 级数据中心与万亿级资本开支;芯片商下场做模型“造负载”;机器人、自动驾驶开始商用。Agent 接入规则之争(SAEP、Google UCP、App Intents)约等于插头与插座的标准化:Hubbell 1904 年发明可分离插头前,电器只能拧进灯头取电,今天的 GUI Agent 就是“拧灯头”。
1900–1919
工厂拿一台大电机替掉蒸汽机,厂房布局照旧,生产率几乎没涨。电机在工厂动力中的占比从 1900 年前后不到 5%,到 1920 年前后才过半。
正在发生
把 Copilot 和办公 Agent 贴在旧流程上,人天、席位、审批链都没变,于是出现“AI 没带来 ROI”的焦虑。这是历史常态,说明 AI 没用对地方,不等于没用。
1920s
每台机器配独立小电机,单层厂房、流水线,生产率大幅跃升。赢家是会重组生产的企业,而不是发电厂。
局部开始(编程、客服)
围绕委托阶梯第 4、5 级(职责、团队)重建岗位和流程:按成果计费、人力结构从金字塔变成钻石。看到“某公司因 AI 重组了整个部门或流程”,就是阶段四的信号。
1920s–1950s
冰箱、收音机、洗衣机普及;电变成看不见的基础设施,受管制,利润率下降。价值转移到电器与使用电的行业。
未来
AI 成为默认能力;模型与算力趋向“公用事业”,利润向入口、应用和重组成功的行业集中。
1929–1932
英萨尔(Insull)靠高杠杆控股公司堆起的电力帝国崩塌。电力本身没错,错在融资结构与扩张速度。
持续观察
资本开支远超当期 AI 收入,行业有“泡沫”之声。遇到大额建设或融资新闻,记得同时问:谁在承担杠杆?
The Limits
电解释不了的地方,恰恰是 AI 的特殊之处
类比失效的地方最值得记住,因为那里的规律要从别处借。
B 端和 C 端要不要合在一张图里?要合,但只在供电侧合。能源、芯片、模型、云是共用的主干;到了用电侧,企业用电最适合用电力史来预测(采纳慢、要重组流程、要有人上门安装),民用电则要叠加互联网规律(入口、网络效应、广告)。AI 本来就建在互联网之上,所以这不是换类比,而是在 C 这一路上多一层规则。
补充:常驻个人 Agent 的成本结构,让 C 端部分回到了“按度计费”。民用电这一路,要同时看互联网规律和电力规律。
The Laws
八条可以反复使用的判断
它们来自对这张图的反复使用,会随着新的证据修改。
瓶颈同时卡在两头
2023 年缺芯片,现在一头缺电(L0),一头缺"真正用起来"(L5)。中间的模型和云反而是最不缺的。
早期整合,后期分层
接口不成熟时,全栈玩家赢(爱迪生、今天的阿里和 Google)。每当 MCP 这类标准成熟一步,分层专业化玩家的空间就大一步。
上游会往下"造负载"
芯片商做模型、模型公司做应用,很多时候是为了给主业制造需求,而不是为了应用本身的利润。
壁垒不在 AI 那一侧
能力是公开可得的。护城河是数据、工作流嵌入、切换成本、客户关系、入口、信任与中立性。
价值向两端聚集
能力越便宜、Agent 越多,钱越流向"谁能统管一切"的整合平台和管控层,以及 C 端入口。
替换不等于重构
生产率要等流程和组织围绕 AI 重新设计才会出现。看到 ROI 焦虑不必惊讶,要看的是谁开始重组"工厂"。
中美结构差异
美国是模型层与应用层分层竞合(Copilot Cowork 跑在 Anthropic 模型上,微软同时自研 Cowork 1);中国是大厂全栈加协作平台入口(千问办公 + 钉钉、豆包工作 + 飞书、WorkBuddy + 腾讯生态)。同类新闻,在美国看谁和谁合作,在中国看谁的全栈更完整。
Agent 的难易由第三方决定
最容易做的是企业给自己用的 Agent,环境是自己的;最难的是替个人去别人地盘办事的 Agent。委托关系里第三方越多越强,落地越慢,越依赖入口方和标准。
Every AI news item
has a place on the grid.
这张图是我在小红书「HaiPing(AI商业化)」写作时用的坐标系。如果你对某一层有不同的看法,或者发现了类比解释不了的地方,欢迎告诉我。