AI正在進入從「會回答」走向「能執行」的新階段。

據追風交易台，高盛最新報告顯示，AI商業化正從「按席位訂閱」轉向按消費量、交易量和結果收費；與此同時，Agent正從輔助工具走向工作流執行者，產業價值也在從模型本身向專有數據、業務上下文和領域專業能力遷移。

這意味着，AI產業競爭正在從「誰的模型更強」轉向「誰能真正掌握工作流」。模型能力依然重要，但能否進入企業生產環境、理解業務上下文並穩定完成任務，將成為更關鍵的競爭壁壘。

這一判斷來自高盛近期對硅谷AI產業鏈的實地考察。8月18日至19日，高盛連續第三年走訪AI初創企業、頭部風投機構及斯坦福大學、加州大學伯克利分校和舊金山分校的研究人員。高盛認為，隨着Agent加速落地，前沿模型、開源模型、世界模型、企業軟件和專有數據之間的價值分配都將發生變化。

Agent落地：企業真正缺的不是能力，而是「可控性」

如果說過去AI解決的是「幫人完成任務」，那麼Agent正在嘗試解決「自己把任務做完」。但在企業大規模部署過程中，最大的障礙可能已經不再是模型能力，而是責任如何劃分，以及整個執行過程能否被控制。

報告援引斯坦福研究人員指出，目前多數企業仍處於人工監督模式。尤其在法律、風控、保險和審計等領域，模型一旦出現錯誤，誰承擔責任、如何追溯過程、能否及時糾正，可能與模型本身的能力同樣重要。

因此，最容易率先實現自動化的工作流，通常具備三個特點：決策邊界清晰、結果可以驗證、錯誤能夠回滾。發票處理就是典型案例。AI負責提取字段並執行檢查，低置信度案例交由人工複覈，隨後通過可逆的ERP流程完成入賬。

這也意味着，擁有可信內容、經驗證的領域模型以及成熟監管關係的信息服務商，更有可能率先進入企業生產環境。

模型競爭：前沿模型與開源模型走向分工

圍繞「開源還是閉源」的爭論，高盛此次考察釋放的信號並非二選一，而是不同模型可能對應不同層級的工作流。

前沿模型陣營認為，企業基準測試往往低估了模型能力。在真實生產環境中，模型精度下降帶來的業務損失，可能遠高於節省的推理成本。因此，多家AI原生公司雖然宣稱採用多模型策略，但在覈心生產環境中仍高度依賴前沿模型。

另一種觀點則認為，絕大多數企業工作流並不需要前沿級智能。隨着開源模型性能持續提升，客戶越來越願意用有限的性能損失換取更低的推理成本。一家風投機構預計，未來12至18個月，約90%的推理Token將流向開源模型。

這意味着，未來AI模型市場可能形成更加明確的分工：前沿模型負責高價值、高可靠性的複雜任務，開源模型承擔規模更大的標準化任務和大部分Token消耗。

世界模型：AI算力可能迎來第二條增長曲線

過去18個月，研究人員越來越多地將關注點從LLM轉向「世界模型」。

與主要依賴互聯網數據訓練的LLM不同，世界模型需要理解環境、因果關係、物理規律以及現實世界中的動態交互，其數據更多來自物理系統、具體行業和實際運營場景。這意味着，專有數據的重要性可能進一步上升。

高盛認為，物理、工業、科學和機器人等領域對應的問題空間遠大於純文本生成，而且這些工作流往往需要更高的算力投入。隨着AI從數字世界進一步進入物理世界，模型訓練、仿真和推理的算力需求也可能出現新的增長曲線。

高盛預計，未來5年算力需求可能增長約24倍，供需緊張有望維持更長時間，微軟、甲骨文和CoreWeave等雲計算及算力基礎設施公司將直接受益。