2026年6月15日，Salesforce宣布以36亿美元收购Fin（前Intercom）。同一周，硅谷数据与AI基础设施投资人Tomer Tunguz发布了一篇在业界广泛流传的产业判断："我们正在进入AI应用的黄金时代。"
Tunguz并非泛泛而谈。这位曾在Redpoint深耕多年、投出Looker和Kustomer等项目的投资人，在文中梳理了构建AI应用需要跨越的三项难关——选对模型、设计能让系统持续进化的"爬坡循环"，以及在每家企业的真实场景中评估系统表现。他的结论颇为直接：多数企业既没有意愿、也没有必要为每套内部业务软件单独配备AI团队，这类精细工作"更适合交由少数专业厂商完成，以实现每一美元的最大智能产出，并将成本分摊到更广泛的用户群体中"。
Salesforce的收购案，某种程度上是这段话的市场注脚。Fin的AI Agent能自主处理76%的客服工单，依托开源模型实现性价比最优，创始团队在AI浪潮中完成了公司的整体重新定位。资本市场已经开始为"替企业运营AI系统"这件事买单。
但Tunguz的框架远不止客服一个场景。放眼全球，不同背景的公司正在给出各自的答案。
第一道题：选对模型，还是绕开这道题
Tunguz在文中用相当生动的笔触描绘了模型选择的现实困境：速度快的模型精确度不足，性能出众的模型在工具链调用中途会突然卡住，擅长编码的模型又普遍节奏偏慢。预算限制让"一律选最顶尖"成为不可能，而每个模型各有其"性格"，这是一个无法靠"选最好那个"来解决的问题。
面对这道题，业内出现了几条不同路径。OpenAI和Anthropic等公司在持续推进单一旗舰模型的能力上限，试图让"一个模型覆盖更多场景"；另一些公司则转向多模型协作的架构，试图通过组合弥补单体模型的不足。
港股上市企业明略科技（2718.HK）走的是后一条路。其创始人吴明辉在2026年5月接受晚点LatePost专访时说，他们的方向不是"Scaling Up"，而是"Scaling Out"——让不同专长的模型动态协作，在细分场景中做到比通用大模型更好的结果。他用了一个颇具说服力的比喻：现代智人胜出，不是因为单个人比尼安德特人更强，而是因为更擅长协作。
在技术实现上，这套思路落地为MOA（Mixture of Agents）架构——不同智能体的专长在大量用户的动态使用中自然涌现，无需提前人工配置。这也是对另一个产业共识的工程级回应：Tunguz文中引用的Fable下架事件和微软CEO纳德拉同期发表的AI生态论断，都指向同一个警示——过度依赖单一模型存在系统性风险。
第二道题：设计一个让系统自我进化的循环
Tunguz将"循环设计"称为"这个时代最关键的问题定义工作"，并引用系统动力学的理论框架来说明其复杂性。他的核心问题是：如何定义一个循环，使智能体系统得以持续进化？
这道题的难点不在技术，而在架构选择。传统的AI系统学习路径是集中式的——数据统一回传中央模型，集中训练，再统一分发。这条路有清晰的天花板：模型越大，训练成本越高，迭代周期越长，长尾场景的覆盖也越来越吃力。
吴明辉给出的回答是分布式的。他将这套机制称为"个性化持续学习"：学习发生在每个Agent的具体使用场景中，不同智能体积累的能力和上下文无需统一回传，而是分散存储、在协作中动态调用，让群体智能通过交互网络自然涌现。这套逻辑配合明略的开源策略，形成了一个正向循环：开源吸引更多用户，用户带来更多场景数据，数据反哺Agent能力，能力加深护城河。吴明辉在专访中直接点明："开源越彻底，用的人越多，模型的场景数据积累越快。"
这一思路并非孤例。Hugging Face通过开放社区构建了类似的数据飞轮；Cohere则选择在企业私有数据上做定制化训练，以此建立循环壁垒。路径各异，但背后的逻辑一致——护城河来自数据和使用，而非模型本身。这也与纳德拉的判断吻合：在健康的AI生态中，"模型"本身很难成为护城河。
第三道题：评估表现，但不能只看榜单
Tunguz将"持续评估模型与循环的性能"定义为一项专业工作，类比调校复杂引擎，需要精细的专业能力。他提出的问题是：企业到底在哪里评、如何评？
这里有一个被广泛忽视的现实：公开benchmark的表现与企业生产环境之间，存在相当大的落差。吴明辉在专访中给出了一组颇具冲击力的数据对比：通用榜单上排名第一的模型，在GUI（图形界面）操作准确率可能在七十多分——换言之，每十次操作会出错三次。这个错误率在真实的企业流程中意味着什么？他的回答是：根本没法用。而明略旗下的Mano-P模型，在出海电商GUI这一具体场景下，准确率已达99.9%。
这组数字背后的逻辑，正是Tunguz框架的核心：将AI系统从通用跑分70%调到生产可用的99%以上，依靠的不是更好的通用模型，而是对特定场景的深度理解、持续的数据积累和反复优化。这种能力难以规模化复制，自然成了专业厂商的核心竞争力所在。
商业模式能否跑通，数字说话
Salesforce的收购验证了一种商业逻辑，但它终究只是一个数据点。更值得关注的问题是：这种模式能否在更广泛的企业场景中持续？
明略科技FY2025财报显示，收入14.26亿元，首次实现扭亏，其中Agentic Services板块收入突破1亿元，大客户续约率96%。这些数据尚不足以下定论，但作为早期信号，它们指向一个可能：当AI系统在具体场景中跑出足够高的准确率，企业的使用粘性会显著提升。
在定价模式上，吴明辉提出了一个类比：以前按人月、人天收费，将来可能变成"Token成本加管理费"——消耗了100万美元的Token，再收20万美元管理服务费。他将其类比为传统广告代理公司的抽佣模式。红杉资本将这类企业定义为"披着服务商外衣的Agent公司"，这与Tunguz所说的"专业厂商"本质上是同一件事的不同表述。
一个正在固化的产业信号
Tunguz的判断、Salesforce的收购、此前微软CEO纳德拉的论断、Fable被下架后开源社区的强烈反弹——这些事件密集地发生在同一周，透露出一个正在固化的行业走向：AI的竞争焦点，正从"谁的模型更强"转向"谁能帮企业把模型用好"。
这一转变背后是结构性原因，而非风向轮换。构建AI应用的真正难点，不是工程师不够，不是系统稳定性的挑战，而是一种此前没有被命名过的能力——Tunguz称之为"运营智能"。纳德拉则将其归结为"围绕模型构建的整套系统"。
在这个层面上，已经积累了真实生产数据和商业收入的企业，与仍在早期探索阶段的竞争者之间，差距不只是时间，还有数据飞轮开始转动后形成的复利效应。
