> ## Content Index > Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt > Use this file to discover other available public pages before exploring further. # 我们正处在 AI 的1997年 - URL: https://www.hubwiz.com/blog/we-are-in-1997-for-ai/ - Published: 2026-06-10T14:45:09.000Z - Updated: 2026-06-10T14:45:09.000Z - Description: 互联网浪潮与AI浪潮的对照。我们正处于AltaVista时刻——早期基础设施，没有明确的赢家，大多数用例尚未被想象。 - Author: admin - Tags: INDUSTRY, #Import 2026-10-14 14:41 Benedict Evans花了几十年时间观察技术浪潮的到来、达到顶峰并重塑一切。他目睹了PC时代让位于互联网，互联网让位于移动互联网，现在他正以同样的审慎、不带感情色彩的目光注视着AI。他的结论既非乌托邦也非反乌托邦——而是更难让人安坐的结论：*在结构上似曾相识，在个体上具有颠覆性，在具体细节上则几乎不可知。* > *Benedict Evans是谁？* > > *他是世界上最受尊敬的独立技术分析师之一，拥有超过25年研究移动、媒体和技术领域的经验。他以帮助组织理解快速变化的技术格局中什么才是重要的，以及这对战略和竞争优势意味着什么而闻名。* 这七点心得来自Evans最近对AI发展轨迹的分析。对于产品经理来说，它们不是抽象的哲学——它们是应该积极塑造路线图决策、招聘赌注以及你未来十年注意力投向的框架。 ## 1、AI正处于1997年 这是你能做出的最大胆也是最令人谦卑的比较。 1997年，万维网已经以公开形式存在了大约六年。亚马逊当时还是一家挣扎中的书店。谷歌还没有推出。那些将定义互联网经济的公司——Facebook、YouTube、Netflix、Airbnb——要么还处于萌芽阶段，要么根本不存在。这项技术显然具有变革性，但几乎没有人能确切告诉你原因是什么、为谁服务、通过什么产品。 这就是我们现在在AI领域的处境。Evans对这个比较非常精确：AI*和互联网或移动互联网一样重要*，而且——关键的是——*也只是和互联网或移动互联网一样重要*。后半句是一种自律性检查。它纠正了那些叫嚷着AGI下周二就要重塑文明的最大主义者，也纠正了那些认为LLM只是一个美化版的自动补全的轻视者。 > "大多数东西还不太好用，人们将要构建的大部分东西还没有被构建，而且即使构建了，也不清楚它们将如何运作。" —— Benedict Evans谈AI的当前状态 数据以令人不安的清晰度印证了这一点。尽管围绕ChatGPT在60天内突破1亿用户的大肆宣传——这是当时历史上最快的消费品普及速度——但实际日常使用情况却讲述了一个不同的故事。即使在最AI原生的人群中，13-18岁的青少年，也只有大约15-20%是每日活跃用户。这不是一个大众市场产品。这是一个拥有极佳媒体报道的小众产品。 **研究背景** 2024年麦肯锡的一项调查发现，只有4.7%的美国工人报告在工作中每天使用AI工具。Andreessen Horowitz的消费AI报告发现，虽然ChatGPT在2024年初拥有约1.8亿月活跃用户，但中位数的使用频率大约是每周两次——更接近"偶尔使用的工具"而非"日常习惯"。作为参考，普通智能手机用户每天打开手机58次。 **PM心得** 不要押注今天的AI产品是最终形态。押注这个品类。主导互联网的公司不是Netscape或AltaVista；它们是后来由深入理解基础设施的人建立的。你的工作是在现在建立深厚的AI素养，这样当Google时刻到来时你就能认出它。 ## 2、每一次技术浪潮都会创造新的伤害方式 AI并不特殊，但这并不意味着它安全。 历史模式是一致的：1970年代的数据库使大规模监控和信贷歧视成为可能。2010年代的社交媒体腐蚀了民主话语和青少年心理健康。每个技术能力扩张的时代同时也扩大了意外和故意伤害的攻击面。 AI时代的伤害向量已经开始显现：深度伪造技术促成了未经同意的私密影像，LLM幻觉出医疗或法律建议，算法系统以大规模编码历史偏见，以及足够复杂的说服工具以前所未有的规模推动新的欺诈和操纵形式。 Evans做出的重要细微区分是拒绝让风险意识演变为瘫痪。目标不是零伤害——那将需要零技术。目标是有意识的设计、适当的安全保障和明确的责任链条。 **研究背景** 斯坦福HAI 2024年AI指数发现，AIAAIC数据库中记录的AI相关事件数量在2016年至2023年间增长了32倍。2023年MIT的一项研究发现，在68%的测试案例中，AI生成的虚假信息被认为比人类编写的虚假信息更可信。欧盟AI法案（2024年）是第一个试图将法律问责结构与这些伤害类别相匹配的主要监管框架。 **PM心得** 将伤害审查嵌入你的产品开发流程中，就像你嵌入安全审查一样。不仅要问"这个功能能用吗？"还要问"谁可能滥用它，这种滥用在大规模下会是什么样子？"对二阶效应的无知不是法律上的辩护——而且越来越不可能是声誉上的辩护。 ## 3、事情可能会好起来 但平均值掩盖了巨大的个体痛苦，这很重要。 宏观故事是令人安心的。自工业革命以来，每一次自动化的重大浪潮最终都提高了繁荣水平、延长了预期寿命并减少了物质贫困。农业革命让人们摆脱了农田。工厂时代创造了中产阶级。计算机革命创造了数百万以前不存在的工作岗位。我们不再像曾祖父母那样因为庄稼歉收而辗转反侧。 但Evans小心地指出了这种整体乐观主义中被忽略的东西：过渡时期对真实的人、真实的小镇、真实的时间线来说是残酷的。煤矿工人整个区域经济在二十年间消失了，他不会从2060年GDP会更高的宏观经济事实中找到安慰。2026年被LLM取代工作的呼叫中心工人不会体验到均值回归——他们体验到的是失业。 > "我们经历摩擦性痛苦、动荡，人们失去工作，城镇变得空洞，这一切都很糟糕。但我们变得更富有地走了出来。" —— Benedict Evans **研究背景** 高盛（2023年）估计AI可能在全球范围内颠覆3亿个工作岗位。世界经济论坛《未来就业报告》（2023年）预测8300万个工作岗位消失但6900万个被创造——短期内净损失，新岗位创造比颠覆滞后5-10年。牛津经济研究院估计，从事常规认知任务的工人面临比平均水平高2-5倍的替代风险。 ## 4、会计的历史是你了解AI和就业最重要的事情 这是挑战大多数AI替代叙事的反直觉事实：尽管经历了加法机、穿孔卡片、大型机、关系数据库、ERP软件、云平台、电子表格，以及现在的AI驱动工具——会计师的数量一直在增长。 这是应用于劳动力的杰文斯悖论：当你使一项任务更便宜或更快时，你不仅仅是花更少的钱做同样的工作。你会做大量更多的工作，因为投资回报率改变了。在CPA每小时$200的情况下，你雇佣会计师来做年度申报。在软件定价的情况下，你可以获得持续的财务可见性。对底层服务的需求不会保持平稳——它会扩张以填满新的成本曲线。 对AI的启示：AI使更便宜的任务不会消失——它们通常会激增。如果AI使写作速度提高10倍，我们可能不会写得少十倍。我们会写十倍多的内容。如果AI使分析速度提高10倍，公司不需要十分之一的分析师——它们会运行十倍多的分析。理解哪些任务遵循杰文斯逻辑，哪些真正是替代关系，是任何构建AI产品的PM面临的核心分析挑战之一。 **研究背景** BLS数据显示，美国会计就业人数从1940年的约16.8万人增长到2022年的约140万人——经历了计算自动化的每一波浪潮。2023年哈佛商学院关于GitHub Copilot的研究发现，使用AI辅助的开发者每小时完成了55%更多的任务——但他们也承担了明显更复杂的项目，在部署Copilot的组织中，对开发者时间的需求增加而非减少。 **PM心得** 在构建AI驱动的功能时，仔细考虑杰文斯与替代动态。自动化重复任务的功能通常不会缩小市场——它们会扩大市场。你的TAM模型应该考虑需求弹性，而不仅仅是自动化效率。 ## 5、当软件开发变得更便宜时，分发成为护城河 在位者知道这一点。 AI软件市场的核心存在一种张力：使构建竞争性产品变得最容易的工具也使其他所有人构建竞争性产品变得最容易。AI大幅降低了软件的工程成本和上市时间。但它这样做是均匀的——意味着来自"能够构建它"的竞争优势正在快速消失。 随着AI的改进，不会变得更便宜的是分发。你仍然需要客户。你仍然需要信任。你仍然需要销售活动、集成、品牌认知度，以及让你的产品出现在决策者面前机构关系。Evans认为这种动态系统地有利于在位者——不是因为他们会构建更好的AI，而是因为他们从客户关系开始，不需要去获取这些关系。 **研究背景** A16Z 2023年《谁拥有生成式AI产品栈》报告发现，早期AI部署的最大赢家是拥有现有分发渠道的在位者：Microsoft（GitHub Copilot、Copilot 365）、Google（Workspace AI）、Salesforce（Einstein）、Adobe（Firefly）。拥有更好技术但没有分发的纯AI初创公司在企业细分市场的留存率明显更低。 **PM心得** 如果你在在位者公司，你最大的AI优势不是你的AI团队——而是你的客户关系。设计能够加深这些关系的AI功能，而不是孤立存在。如果你在初创公司，分发策略是你的生死问题。构建一个更好的模型不如构建一个你的客户信任的渠道重要。 ## 6、OpenAI和Anthropic与咨询公司的合作 这告诉你一些关于企业AI采用的重要信息。 世界领先的AI实验室与麦肯锡、德勤和私募股权公司合作，表面上看起来有些矛盾。这些公司理论上拥有最精密的技术人才和对AI能力最直接的访问。为什么它们需要咨询中介？ 答案揭示了企业AI采用的一个结构性真相：困难的部分不是技术，而是组织变革。大多数企业没有闲置的人员来审计每个内部流程、识别自动化机会、重新设计工作流程、管理变革管理，以及构建维护AI驱动系统的内部能力。这正是咨询公司所做的工作——而这种组织部署能力确实是稀缺的。 **研究背景** Anthropic与埃森哲的合作伙伴关系（2023年）以及OpenAI通过微软SI渠道扩展的企业合作伙伴关系反映了一种深思熟虑的市场策略转变。麦肯锡的一项调查发现，只有8%使用AI的企业在多个职能部门大规模部署了AI——瓶颈始终被引用为"变革管理和工作流程重新设计"，而非技术访问。Gartner估计，到2026年，超过50%的企业AI支出将流向实施和变革管理服务。 > "公司没有闲置的人员等着重新想象他们所有的内部工作流程。瓶颈是组织部署，而不是AI能力。" —— Benedict Evans **PM心得** 在向企业销售时，工作流程集成和变革管理支持可能比与竞争对手的功能对等更具决定性。最好的AI产品通常是带有最清晰实施路径的产品。考虑你的入职流程、文档和客户成功行动如何解决组织变革问题——而不仅仅是技术问题。 ## 7、基础AI模型公司不会有持久的定价权 价值将向上层栈聚集。 AI中万亿美元的问题是价值集中在哪里。Evans的分析指向了一个对基础模型公司来说在结构上令人不安的答案：它们可能正在构建AI经济的基础设施层——不可或缺、技术上卓越，但最终会被商品化。 论点很简单。模型缺乏网络效应——更多地使用GPT-4并不会像更多地使用LinkedIn为LinkedIn用户创造更多价值那样，专门为你使它变得更好。没有网络效应，就没有赢者通吃的动态。从用户角度来看，有3-6个可靠的基础模型提供商在大致能力上持平，并且模型性能在基准测试上日益趋同，持续定价权的条件不存在。 历史类比是互联网基础设施层：TCP/IP对你在线做的一切都是必不可少的，但它从这种必要性中获得了零收入。价值积累到了其上构建的应用上——Google、Amazon、Salesforce。Evans建议基础模型层可能类似地发展：结构上至关重要，竞争上被商品化，价值流向 whoever在其上构建最不可攻破的应用层。 **研究背景** 模型定价数据支持这一点：GPT-4 API成本在2023年3月到2024年3月间下降了约97%。Sequoia 2024年AI报告指出，尽管AI模型年收入潜力约为500亿美元以上，但其投资组合中最赚钱的AI公司是拥有特定领域数据护城河的应用层企业，而非模型公司。高盛在2024年的一份报告中警告说，基础模型的资本支出可能大大超过可变现的近期收入——这是一种预示最终定价压缩的结构性失衡。 **PM心得** 如果你在构建AI产品，底层的模型越来越是一种商品输入——就像2015年的云计算一样。你的差异化应该来自专有数据、特定领域的训练、工作流程集成，以及通过深度客户集成创造的转换成本。"我们使用GPT-5"不是护城河。"我们有你们行业五年的数据微调到我们的模型中"才是。 ## 8、贯穿线：极度的耐心、结构意识和战术紧迫感 将这七点心得联系在一起的是一种特定的认识论姿态：对结构有信心，对细节保持谦卑。AI是变革性的——技术是真实的，能力是真实的，推动采用的经济激励是真实的。我们拒绝知道的是哪些公司会赢、哪些工作会存活、哪些产品重要。 对产品经理来说，这就是运营环境。你正在一个技术浪潮中构建产品，最终赢家是不可见的，伤害向量是真实的，分发动态正在转变，基础设施层正在你脚下被商品化。正确的反应不是等待清晰——清晰不会在一个有用的时间线上到来。正确的反应是建立深厚的结构性素养，为可选择性而设计，保护你的分发护城河，并对你认为你知道的事情保持谦卑。 我们正处于1997年。下一个Google可能正在某个车库里。下一个Pets.com可能正在融资。你的工作不是预测哪个是哪个——而是确保你的产品不是后者。 --- 原文链接: [We're in 1997 for AI](https://medium.com/analysts-corner/we-re-in-1997-for-ai-and-that-should-terrify-and-excite-you-c0d53b3afd0a?ref=hubwiz.com) 汇智网翻译整理，转载请标明出处