Muse上線六天下載破90萬、登頂雙平台榜首，用的卻並非最頂尖的模型。從C端Meta Muse到B端騰訊WorkBuddy，一個新共識正在成形：當模型能力越過「夠用」臨界點，AI競爭的勝負手已悄然從算法轉向應用層、工作流與用戶入口的爭奪。

9月21日，Meta收升逾11%，創去年4月以來最大單日漲幅，市值單日增加超1900億美元。

行情的導火索是Meta近期推出的個人智能體Muse。Sensor Tower數據顯示，應用上線六天它在美國iOS累計下載超90.2萬次，遠超Meta上一代產品的數據表現；到周一，Muse同時坐在美國iOS與Google Play免費榜第一，把ChatGPT擠了下去。

市場為Muse的大熱瘋狂買單。科技分析師Ben Thompson在文章《Frontier Overhangs》中評價道：「Muse Spark 1.3並非最頂尖的模型，但這正是值得警惕的信號——一個並不領先的模型，已經足夠支撐一款極具粘性的個人Agent產品。」

Thompson認為，當下前沿模型能力已經出現「過剩」，模型能力不再是AI企業最重要的護城河，下一個賽點或許是「應用時刻」。

模型能力跨過臨界點之後，AI競爭的重心正在發生位移。從C端的Meta Muse到B端的騰訊WorkBuddy，一個共同信號浮現：決定產品價值的，越來越不是模型本身，而是Harness、工作流與用戶入口的控制權。

9月22日，騰訊呼應了隔夜Meta的漲勢，早盤港股跳升逾6%，盤中最高463.40港元。

與此同時，諮詢機構和風險資本的研究正在從不同維度驗證同一判斷。Gartner警告，到2030年，高達2340億美元的企業軟件支出面臨「Agent套利」風險；a16z明確建議AI應用公司停止按Token定價，轉向按結果收費；ICONIQ調研的300餘家AI軟件公司數據顯示，應用層已成為行業建設重心，AI產品毛利率正從2025年的45%向2026年預計53%攀升。

「應用時刻」將臨？

Thompson提出了一個關鍵概念：當前沿模型的能力持續提升，但實際產品和用戶場景對模型能力的消化速度跟不上時，就會出現「frontier overhang」——模型能力過剩。

他援引了一個具體案例：AI敘事遊戲公司Fable推出了新一代模型，但市場需求反應平淡。這不是因為產品質量差，而是因為現有模型能力對於該場景已經「夠用」，更強的模型並未帶來用戶可感知的體驗提升，自然也就無法轉化為更高的付費意願或更大的市場份額。

Thompson認為，性能還不夠用時，誰把模型和應用層（harness）綁得緊誰贏；一旦越過「夠用」那條線，客戶開始在意上市速度、便利、定製、數據怎麼處置，模塊化就佔便宜了。

這個細節具有指示意義。它說明，在某些場景下，模型能力的邊際價值正在遞減。當「更強的模型」不再等於「更好的產品體驗」，模型層的競爭優勢就開始與應用層的商業價值脫鉤。

Thompson進一步指出，在這種背景下，真正重要的是「應用層（harness）」——即如何將模型能力有效地組織、調度和封裝，使其能夠在具體場景中穩定、可靠地完成任務。模型是引擎，Harness是傳動系統。沒有後者，前者的馬力再大也無法有效輸出。這一框架，為理解Meta Muse和騰訊WorkBuddy的產品邏輯提供了清晰的座標。

C端：Meta Muse的產品賭注

Meta推出Muse，是一次典型的「應用層押注」。根據Meta官方介紹，Muse定位為個人AI Agent，其底層模型為Muse Spark 1.3，但產品的核心賣點並不是模型參數規模或基準測試成績，而是Agent能夠實際完成任務的能力——幫用戶制定計劃、執行步驟、追蹤進度，在用戶的日常生活場景中真正「幹活」。

這一定位的背後，是Meta對AI產品競爭格局的一個判斷：在模型能力已經相對充裕的當下，用戶真正稀缺的不是「更聰明的模型」，而是「能幫我把事情做完的工具」。Muse試圖成為用戶的個人執行層，而不僅僅是一個問答界面。

更進一步看，Muse的產品重心，實際上將C端Agent的突破口從「模型是否足夠聰明」，轉向了「用戶能否放心交付任務、產品能否連接真實事務」。Muse Spark系列模型幫助Meta補上了基礎能力，但決定Agent能否進入用戶日常生活的，並不只是推理和生成能力，還包括授權、信任與執行鏈路。為此，Muse將獨立運行環境、憑據保護和關鍵動作審批納入產品設計，以建立清晰的授權邊界；同時結合長期記憶與後台執行能力，讓Agent能夠圍繞用戶目標持續推進任務，而非止步於一次性的問答或指令響應。

從商業邏輯看，這種設計有其深意。個人Agent一旦深度嵌入用戶的日常工作流，就會積累大量個人數據、偏好和使用習慣，形成難以遷移的用戶粘性。這種粘性，纔是真正意義上的護城河——而不是某個特定版本的模型能力。

市場對Muse發布的積極反應，在一定程度上印證了這一邏輯：投資者對「能用」的Agent產品的興趣，已經超過了對「更強」模型的關注。

B端：騰訊WorkBuddy的企業路徑

在企業端，騰訊WorkBuddy呈現出相似的產品邏輯。根據騰訊雲官方介紹，WorkBuddy企業版的核心能力不在於提供一個通用聊天界面，而在於能夠連接企業內部的各類系統和流程，跨平台執行工作任務，將AI能力真正嵌入企業的日常運營。

這代表着企業AI從「工具」向「執行層」的一次關鍵躍遷。過去，企業購買AI產品，本質上是購買一個更智能的搜索或問答工具；而WorkBuddy所代表的方向，是讓AI成為能夠主動發起、執行和完成工作任務的Agent，直接參與業務流程。

這一轉變的商業含義同樣深遠。當AI能夠跨越多個軟件系統完成任務，傳統企業軟件的「功能價值」就面臨直接挑戰。Gartner在2026年7月的報告中明確指出，Agentic AI的興起使高達2340億美元的企業應用軟件支出面臨風險——因為Agent可以繞過或替代原本需要多個獨立軟件才能完成的工作流程，傳統軟件的「功能護城河」可能因此被侵蝕。

對於企業軟件公司而言，這是一個需要認真對待的結構性壓力。

商業價值的重新定價：從Token到結果

模型能力的"夠用化"，正在推動AI商業模式發生根本性轉變。

風險投資機構a16z在其報告《You are not a model. Don't price per token.》中直接點明瞭這一趨勢：AI應用的真實價值，來自其所整合的數據、工具、工作流以及最終交付的可量化結果，而不是來自調用了哪個模型、消耗了多少Token。換言之，「賣模型能力」的定價邏輯正在讓位於「賣結果」的定價邏輯。

a16z給出三種收費模式：賣模型訪問，按 token 計價；把模型變成有用的工作，按客戶認得出的價值單位計價，通常是積分；交付清晰可歸因的業務結果，按結果計價。而受訪的50位企業AI技術買家，27人偏好「和可辨認的工作量掛鉤的積分」，14人偏好按token付費。

這對AI產業的價值鏈分佈有直接影響。如果模型本身逐漸成為一種基礎能力——類似於雲計算早期的算力——那麼真正能夠捕獲商業價值的，將是那些能夠在模型之上構建出具體產品、垂直工作流和可驗證ROI的應用層公司。

McKinsey在其報告《Where AI agents pay off》中提供了企業視角的佐證：隨着Token成本持續下降，企業在評估AI投入時，關注的核心問題已經從「這個模型有多強」轉向「這個Agent能帶來多少可量化的效率提升和經濟回報」。ROI的可驗證性，正在成為企業AI採購決策的核心標準。

這意味着，AI應用公司需要回答的問題，已經從「我們用了什麼模型」變成了「我們能幫客戶省多少錢、提多少效」。

產業格局：多模型時代的應用層競爭

ICONIQ在其《2026 State of AI Report》中對300多家AI軟件公司進行了調查，結果揭示了一個清晰的產業趨勢：接近三分之二的受訪公司正在開發橫向或垂直AI應用，多模型使用已經成為常態。

「多模型使用成為常態」這一數據，本身就是模型商品化趨勢的有力註腳。當企業可以根據任務需求靈活切換不同模型，模型提供商的議價能力就會受到壓制，而能夠有效整合多模型、構建穩定工作流的應用層平台，反而獲得了更強的議價地位。

ICONIQ的報告同時追蹤了AI收入和毛利率的變化。這一數據維度的重要性在於：它將幫助市場判斷，應用層的商業價值捕獲是否真的在發生，還是仍停留在敘事層面。對於投資者而言，這是區分「AI應用故事」與「AI應用生意」的關鍵指標。

從產業結構看，當前正在形成的格局是：模型層（OpenAI、Anthropic、Google、Meta等）提供基礎能力，應用層（各類垂直Agent和工作流平台）負責將能力轉化為可交付的結果，而傳統企業軟件公司則面臨被繞過或被替代的壓力。這三層之間的價值分配，將是未來數年AI產業最值得持續觀察的動態。

傳統SaaS的座席邏輯正在被穿透

如果Agent可以跨系統完成任務，企業員工就不必頻繁進入每一個傳統軟件界面。軟件仍在運行，但界面可能退到後台。

Gartner預計，到2030年，最高2340億美元企業應用軟件支出將面臨Agentic AI帶來的風險，約佔企業應用SaaS支出的20%。

Gartner管理合夥人George Brocklehurst說：「Agentic AI改變了軟件的經濟邏輯。Agent系統直接交付結果，繞開重度依賴用戶界面的應用，讓軟件變得不可見。」座席數量與軟件收入增長之間的傳統聯繫，可能因此被削弱。

壓力首先落在依賴儀表盤、功能模塊和座席授權收費的廠商身上。企業買家不會因為多了一個AI按鈕就增加預算；他們會追問，Agent是否減少人工操作、是否縮短流程、是否提高轉化率、是否降低單位成本。

但這不是傳統SaaS的終結。擁有行業數據、客戶關係、系統連接和業務流程控制權的廠商，仍可將自身重構為Agent執行層。風險在於守着界面收費，機會在於佔住任務執行和結果交付的位置。

模型領先，還能直接變現嗎？

需要明確的是，上述分析並不指向「模型不重要」的結論。前沿模型能力仍然是整個AI產業的基礎，沒有足夠強的模型，應用層的構建無從談起。真正值得討論的問題是：模型領先，是否還能直接轉化為產品優勢和商業價值？

從當前的證據看，這條轉化路徑正在變得更長、更復雜。Fable新模型需求不佳的案例說明，在某些場景下，更強的模型已經無法帶來可感知的用戶價值提升；Meta Muse和騰訊WorkBuddy的產品邏輯說明，頭部科技公司已經在用「Harness應用層+工作流+用戶入口」來構建差異化，而不是單純依賴模型能力；a16z和McKinsey的研究說明，企業客戶的付費邏輯正在從「模型能力」轉向「可量化結果」。

這意味着，AI產業的競爭正在進入一個新階段：模型能力是必要條件，但不再是充分條件。誰能把通用模型轉化為具體的產品體驗、穩定的工作流和可驗證的商業回報，誰才能在下一階段的競爭中真正佔據有利位置。

而這一變化提示了一個值得重新審視的估值框架：在AI領域，模型參數規模和基準測試排名固然重要，但應用層的工作流深度、用戶入口的粘性，以及ROI的可驗證性，可能正在成為更具預測力的商業價值指標。當模型開始「夠用」，下一場戰爭的戰場，已經悄然轉移。