AI 提效已索然无味，下半场是什么？

潮水退去后的硅谷，与那些索然无味的“神话”

如果你今天走在旧金山 SoMa 区的街头，或者去参加任何一场黑客松，你会发现空气中的气味变了。

两年前，这里的咖啡馆里充斥着宏大的叙事。人们红着眼眶讨论通用人工智能（AGI）何时到来，讨论提示词工程是不是下一代人类唯一的母语，讨论怎么用 GPT-4 把现有的 SaaS 软件全部重写一遍。那是一个“差一个程序员就能改变世界”的黄金时代，每个人都觉得自己手里握着通往未来的金钥匙。

但到了 2026 年的今天，这种狂热已经退潮，取而代之的是一种略带冷酷的清醒。

最直观的变化在黑客松的配对环节。以前，大家聚在一起，最核心的痛点是“找人配对”——懂产品的人疯狂寻找懂技术的工程师，工程师则在挑剔哪个 idea 更有想象力。但现在的黑客松几乎没有这种配对环节了。来参加的人，无论背景是产品、设计还是销售，手里都拿着自备的 AI 编程工具。他们不再说“我缺一个程序员”，因为在 Claude Code、Cursor 或是各种成熟的命令行 AI 工具辅助下，任何一个有明确想法的人，都能在几个小时内把产品的原型、前端、后端甚至数据库部署全部搞定。

代码变得极其便宜，便宜到近乎免费。

然而，这种技术门槛的坍塌，并没有带来预想中的“人人都是独角兽创始人”的盛况。相反，一种深深的疲惫感和迷茫在开发者社群中蔓延。

我们开始频繁看到各种新名词的诞生：从早期的智能体（Agents），到后来的模型上下文协议（MCP）、技能系统（Skills）、甚至是各种评估框架（Harness）。每一个新概念出来，媒体和投资人都会兴奋地鼓噪一番，声称这又是某项“重塑格局”的底层技术。

但作为一名常年泡在硅谷一线、写过代码、带过团队也创过业的 AI 工程师，我的真实感受是：索然无味。

这些技术名词和工具的迭代，对于真正的商业落地而言，已经变得越来越不重要。你用的是 MCP 还是自定义的 API 接口？你的 Agent 跑在哪个最新的评估框架上？你的代码生成效率是提升了 10% 还是 20%？对不起，这些问题在真实的商业世界里，根本无法激起任何浪花。

我们正在经历 AI 行业的“下半场”转型。上半场的主旋律是“提效”（Efficiency），而下半场的唯一核心命题，是“闭环”（Closed Loop）。

---

“提效狗都不提”：大众叙事里的最大盲区

在中文互联网上，我们经常能看到这样的新闻：“某大厂引入 AI 辅助编程，研发效率提升 50%”；“某设计公司使用 Midjourney，海报产出速度加快了十倍”。

每当看到这样的报道，我都想冷笑。在我的创业经历里，有一句跟朋友私下聊天时常说的话：“提效这件事情，现在真是狗都不提。”

为什么？因为在商业的账本上，“效率的提升”如果不能直接转化为“财务结果的改变”，它就是一堆毫无意义的 PPT 数字。

让我们剥开企业管理那层温情脉脉的面纱，看看底层的因果链。如果一个公司的管理层兴奋地宣布，AI 帮他们的团队提升了 50% 的效率，那么这个提升必须在以下两个硬指标中占一个：

1. 收入（Revenue）提升了 50%
2. 成本（Cost）降低了 50%

如果这两个指标都没有发生变化，只是员工每天下班早了一个小时，或者程序员每天多写了 50% 没人看的冗余代码，那么这种提效就是一种“自嗨式”的泡沫。

事实上，大部分企业在过去两年的 AI 提效尝试中，都陷入了这种“原地打转”的窘境。

传统的企业组织是一个高度“解耦”的复杂系统。一个需求的提出到最终落地，要经过产品经理（PM）、设计师、前端、后端、测试、项目经理（Project Manager）等无数个节点的传递。在这个链条里，AI 确实能把某一个具体节点的执行速度缩短十倍。比如，后端工程师用 AI 写一个 API 只要 10 分钟，而以前需要一天。

但问题是，整个系统的瓶颈从来都不在“写代码”这一个动作上，而在于“人与人之间的对齐”（Alignment）。

工程师写完了代码，要等测试去跑自动化脚本；测试跑完了，要等 PM 去做功能验收；验收完了，还要等市场部去排期上线。AI 让执行变快了，但人与人开会对齐、扯皮、推卸责任、修改需求的速度，一点都没有变快。人和人的对齐是极其昂贵且低效的。其结果就是，局部效率的百倍提升，在被整个组织的摩擦力稀释之后，反映到最终的交付上，可能只剩下了可怜的 5%。

更残酷的是，在今天的硅谷，那些最容易通过“局部提效”来节省成本的动作，其实在过去两年里已经基本完成了。该裁的冗余中层已经裁得差不多了，该自动化的客服、初级翻译、基础文档写作也早已被大模型占领。

在这个节点上，如果你还在拿着一个新工具，试图说服老板或者客户“这能帮你再提升 10% 的效率”，你得到的只会是冷漠和疲惫。因为大家已经对“提效”这个词产生了生理性的免疫。

提效的边际效应已经递减到了冰点。下半场的生存法则，要求我们彻底抛弃“副驾驶”（Co-Pilot）的逻辑，去寻找“自动驾驶”（Autopilot）的可能。

---

核心断言：先闭环，再提效

既然提效已经无法解决问题，那么下半场的出路到底在哪里？

我的核心判断只有一句话：先闭环，再提效。

什么叫闭环？在 AI 的语境下，闭环意味着端到端（End-to-End）地完成一个业务流程，并且在这个流程的终点，能够直接验证结果、赚到钱。

一个真正的业务闭环，应该包含以下几个要素：

1. 获客（Traffic/Leads Acquisition）：AI 能够自主找到潜在客户或吸引流量。
2. 交付（Delivery）：AI 能够独立生成、处理或提供客户需要的服务或产品。
3. 变现（Monetization）：客户愿意为这个结果买单，资金流入账本。

在这个链条里，只要有任何一个环节需要人类进行高认知的频繁干预，它就不是一个闭环。

我们过去的做法是“先提效，再闭环”：我们先在现有的、支离破碎的工作流里引入 AI 工具，希望每个人都变快，然后再指望这个组织能奇迹般地拼凑出一个更赚钱的闭环。

这是完全本末倒置的。

正确的思维路径应该是：在 AI 当前的能力边界之内，去寻找那些已经可以被 AI 100% 独立跑通的极窄场景。哪怕这个场景再小、再不起眼，只要它能端到端地运转起来，并且实现盈利，它就是一个黄金闭环。

你不需要一开始就去挑战那些需要复杂协作的大型业务。你可以用极其粗糙、甚至在技术人眼里显得有些“丑陋”的方法，把获客、交付、收钱这三件事情用 AI 强行连在一起。只要这个闭环转动起来，哪怕每天只能赚 10 美元，它也具备了极其恐怖的自我演进能力。

因为在闭环之内，AI 第一次获得了直接的、来自真实世界的“反馈数据”（Feedback Loop）。它知道什么样的获客手段能带来真正的付费，知道什么样的交付质量能减少退款。有了这层反馈，AI 就可以在后台进行自我迭代。

而此时，你作为一个人类，你的角色就发生了根本性的转变：你不再是一个在流水线上哼哧哼哧干活的装配工，而是一个“Driver”（驾驶员）。你的主要任务，是把原有的、已经跑通的闭环交给 AI 去“Autopilot”，而你则抽身出来，去寻找下一个可以被闭环的“价值洼地”。

---

机制剖析：AI 闭环的自我进化与被动收入

为什么我如此执着于“闭环”？这需要我们深入到大语言模型的底层运行机制和商业博弈的因果链中去剖析。

在非闭环的场景下，AI 只是一个工具。比如你用 AI 写一封开发信，写得好不好，大模型自己是不知道的。你需要人类阅读、修改，然后手动发出去。这个过程中，数据链条是断裂的。AI 无法得知“这封信发出去之后，客户到底有没有回复，有没有最终签单”。因为没有这个结果数据，AI 的能力就永远停留在“根据通用语料生成一封看起来还不错的信”的水平上。

但是，一旦我们把这个流程闭环——让 AI 自主在网络上筛选客户名单、自动撰写并发送邮件、自动处理回复，甚至在后台通过接口直接生成报价单并引导客户付定金。

在这个闭环里，每一个“成功付费”或“拒绝退款”的动作，都会作为最硬核的 Context（上下文）和数据重新喂给 AI。

这时候，奇迹就会发生。AI 开始进行自我进化（Self-improve）。

它可以通过强化学习的逻辑，或者简单地通过结构化数据库的积累，在后台分析：为什么发给 A 类客户的邮件转化率是 5%，而 B 类只有 0.5%？为什么某种语气的交付文档能让客户爽快地付尾款？

这种基于真实商业结果的迭代，是任何实验室里的 Benchmark、任何人工编写的 Prompt 都无法模拟的。这就是为什么闭环一旦跑通，它就会变成一个能够自我滚动的飞轮。

从商业模式上来看，闭环带来的是真正的“被动收入”（Passive Income）。

在传统的商业世界里，想要获得被动收入，你必须购买房产收租，或者投资股票分红。如果你想通过创业获得被动收入，你必须雇佣职业经理人和员工，建立一套复杂的组织制度来维持运转。而员工是有情绪的、有 ego 的，人与人之间的管理成本会随着规模的扩大呈指数级上升。

但 AI 闭环不同。AI 没有情绪，它不需要心理按摩，它不会因为办公室政治而消极怠工。一旦它的赚钱逻辑和数据闭环建立起来，它就可以在 Vercel、AWS 的服务器上，以极低的成本 24 小时不停地运转。它会不断地优化自己的获客和交付路径，直到触及这个细分场景的市场天花板，或者有新的竞争者涌入打破平衡。

作为 Driver 的人类，在这个时候唯一需要担心的，是系统底层的 API 额度够不够，以及如何把这套赚钱的逻辑“Scale Up”（规模化扩张）。

规模化在 AI 时代也变样了。以前的 Scale Up 是招更多的人、融更多的钱、开更多的分公司。现在的 Scale Up，是你看你手里握着多少个已经跑通、正在自主运转的 AI 闭环。

你就像一个管着十几个“微型无人自动工厂”的领主，每一个工厂都在不知疲倦地为你生产利润。

---

从零开始的微型帝国：我的考试网站与“被动收入”实践

光讲理论未免有些空洞，我想聊聊我自己是如何在这个逻辑下，搭建起一个完全自动化的微型帝国的。

前段时间，因为个人兴趣和一些职业规划的考虑，我决定去考美国个人财务规划领域最困难的一门考试——CFP（注册理财规划师）。这门考试的内容非常繁杂，涵盖了税务、保险、遗产规划、投资、退休计划等七八门高深且枯燥的领域。

在备考的过程中，作为一个凡事都想用 AI 解决的工程师，我很快发现市面上的备考资料不仅昂贵，而且交互体验极差。于是，我脑子里冒出一个想法：我能不能用 AI 做一个完全免费的 CFP 备考网站？

这个网站叫作 Open Exam Preparation。在开发它的时候是 AI 时代最纯粹的“Vibe Coding”（氛围感编程）。

我几乎没有手写过一行代码。我每天的工作就是打开 Claude Code，像跟一个资深的合伙人聊天一样，告诉它：“我今天需要把 CFP 考试中关于‘跨世代信托税务’的 200 道真题和解析导入数据库，并且生成一个支持卡片复习（Flashcard）的前端页面。另外，我要在这个页面里嵌入一个可以随时根据用户答错情况进行针对性讲解的 AI 导师。你来写，我不管具体的代码实现。”

AI 完成得非常出色。我把整个网站部署在 Vercel 上，数据库用了 Neon 的免费额度，除了每个月两百美元的 Claude 订阅费，几乎没有任何硬性成本。

但如果只是把网站做出来，这依然只是一个“工具”，而不是一个“闭环”。要完成闭环，我必须解决两个问题：流量（获客）和变现（赚钱）。

我是怎么做的？

首先是流量。我让 AI 每天自动去监控 Google 上的 CFP 相关搜索热度，自动生成高质量的备考指南、高频错题解析，并且自动发布到各大社交媒体、Reddit 的相关板块以及 SEO 友好的博客页面上。这些内容全部由 AI 独立撰写、排版并发布，我根本不知道它每天发了什么，我只看到 Vercel 后台的独立访客数（UV）开始呈现出单调递增的趋势，很快每天就有几百个极其精准的精准备考访客。

然后是变现。我没有像传统的 SaaS 网站那样去搞什么“注册付费”或者“解锁关卡要钱”。因为一旦要用户注册、掏信用卡，决策门槛就会变得极高，闭环的摩擦力就会变大。

我采用的是广告和联盟营销（Affiliate Marketing）的流量洼地逻辑。

我问 AI：“现在有这么多考 CFP 的人来到我们的免费网站。市场上哪些大型的、客单价极高的付费培训机构是有联盟营销计划（Affiliate Program）的？我们怎么把流量卖给他们？”

AI 迅速帮我梳理出了几家头部机构。然后，我让 AI 自动给这些机构的联盟营销部门写申请邮件，附带上我们网站的流量数据。很快，我们就拿到了专属的推广链接。

当用户点击链接并购买后，佣金就会自动结算到我的账户里。

在这个闭环里，从“生成备考内容吸引流量”，到“提供免费交互式刷题交付价值”，再到“通过 AI 推荐完成联盟营销变现”，整个流程 100% 自动化运转。

我唯一的动作，就是每周登录一次 Stripe 账户，看着里面源源不断汇入的几千美元。

钱多吗？相对于硅谷的消费水平，这确实只是一笔小钱。但它带给我的震撼是无与伦比的：我没有花任何主动时间去运营它。它是一个完全独立于我肉体存在、在数字世界里自己生息、自己获客、自己变现的生命体。

这就是闭环的力量。

---

硅谷下半场的风向标：从 Sierra 的 Agent OS 到 AMT 的无人值守营销

如果你把视线从我的个人实践移开，投向整个硅谷的创投生态，你会发现，那些最敏锐的顶级捕手，也早已用真金白银为“闭环”投下了赞成票。

这里有两个在硅谷引起巨大震动的英文公开案例，它们完美地展现了这种从“提效”到“闭环”的行业演进。

第一个案例是 Sierra AI。

这是由前 Salesforce 联席 CEO 兼 OpenAI 董事会主席 Bret Taylor 创立的 Agent OS（智能体操作系统）平台。在 Sierra 出现之前，企业客服领域的主流产品都是那些基于大模型的 Chatbot。这些 Chatbot 的核心逻辑依然是“提效”：当用户提问时，AI 能够快速检索知识库，给出一个看起来很体面的回答。如果用户想办理退款或者更改订阅，AI 就会说：“好的，我已经帮您记录了需求，请等待人工客服处理。”

Bret Taylor 敏锐地意识到了这种“只回答、不执行”的半吊子工具的局限性。Sierra 推出的 Agent 系统，核心卖点就是“执行闭环”。

Sierra 的 AI 代理不仅能跟用户聊天，更重要的是，它通过安全协议直接接入了企业的内部数据库、ERP 系统和第三方的 API。当一个消费者对 Sierra 的 AI 说“我想退掉上周买的这双鞋，并且把退款打回我的 PayPal 账户”时，AI 代理不需要人类客服的介入，它会自主在后台校验购买记录、发起退货物流工单、调用支付接口执行退款，并且更新库存数据。

这是一个完整的、端到端的行动闭环。

Sierra 在首年就实现了数千万美元的 ARR（年度经常性收入），估值一路狂飙。它的成功向整个硅谷证明了一件事：客户不再愿意为“能帮我写草稿的 AI”付钱，但他们极度渴望为“能帮我把事情办完的 AI”买单。

第二个案例，则是独立开发者圈子里非常著名的 Tom Hollands 和他的 AMT (Autonomous Marketing Team，自主营销团队) 平台。

传统的红人营销（Influencer Marketing）是一个极度消耗人力的过程：你必须派人去 Instagram、TikTok 上一个一个寻找调性匹配的网红，查看他们的粉丝数据，手动发私信沟通，谈判价格，跟踪视频发布，最后结算付款。

Tom Hollands 觉得这个过程太蠢了。他用 AI 构建了 AMT 平台，让 AI 代理完全接管了整个营销生命周期。

在 AMT 的系统里，AI 代理会在后台 24 小时不停地爬取各大社交平台的数据，自主识别出那些有潜力的微型红人（Micro-influencers）。接着，AI 会根据红人的过往内容风格，自主撰写极具个性化的合作邀请信并发送出去。当红人回复后，AI 能够自主进行商务谈判，甚至在后台自动生成电子合同。一旦视频发布，AI 会自动监测播放量、互动率等数据，并自动通过接口完成尾款的支付。

在这个闭环里，没有“市场部总监”，没有“媒介公关经理”，只有一个坐在电脑前设定预算和 ROI 边界的 Solo 创始人。

AMT 的实践，生动地诠释了什么叫“一人企业”（One-person business）的终极形态：AI 负责在闭环里哼哧哼哧地干活、获客、变现，人类负责在闭环之外享受生活，或者构思下一个闭环。

---

边界、暗礁与反方：为什么不是所有事都能闭环？

作为一个理性的工程师，在享受闭环带来的巨大红利的同时，我也必须诚实地指出它的局限性。

闭环并不是万能灵药。如果你脑子里热血一冲，试图把所有的业务、所有的工作流都在今天强行闭环，你大概率会撞得头破血流。因为在现实的商业世界里，闭环的路径上布满了暗礁。

第一大暗礁，是“不在互联网上的本地知识”（Local knowledge not on the web）。

我们在硅谷做企业出海合规时发现，AI 最大的瓶颈，不是大模型不够聪明，而是很多最关键的本地规则、行业潜规则、甚至政府官员的个人偏好，根本没有被数字化，也从来没有出现在公开的互联网上。

比如在某些拉美国家，医疗器械的审批流程在官网上写得清清楚楚，但实际操作中，你必须知道某个特定办公室的秘书喜欢什么样的纸质排版，或者某种特定类型的临床报告需要找哪一位本地专家签字才更容易通过。

这些信息是“水面之下的冰山”。AI 无论迭代到 GPT 几代，只要它无法触达这些私有的、 local 的、甚至只存在于人类脑海中的 context，它就无法在交付环节实现真正的闭环。这种时候，强行闭环只会导致申报被无情驳回。

第二大暗礁，是“高风险决策的责任边界”（Liability and Risk Boundary）。

在法律、医疗、高额金融交易等行业，业务的终点往往伴随着巨大的法律责任。

如果一个 AI 法律代理在闭环里自主帮客户签了一份合同，结果合同条款存在重大漏洞，导致客户损失了数百万美元，这个责任谁来承担？是提供 AI 服务的创业公司，还是底层的模型厂商？

在责任边界没有被法律和行业共识明确划分之前，这些高风险行业在交付的最后一公里，必须保留“Human-in-the-loop”（人类在环）的机制。人类专家必须作为“背锅位”存在。这就决定了这些行业的闭环无法做到 100% 的纯粹。

第三大暗礁，是“反向投毒与商业竞争的失序”。

随着越来越多的企业开始用 AI 闭环来自动获取流量和客户，整个互联网的信息生态正在急剧恶化。

几乎所有的商业公司都在试图通过生成大量的 AI 内容来影响 AI 搜索引擎（如 Perplexity、SearchGPT）的推荐结果。这在行业里被称为“AI 搜索投毒”。当 AI 代理在闭环中自主去寻找潜在客户或合作伙伴时，它很可能会被这些充斥着垃圾信息的“AI 投毒内容”所误导，从而做出错误的商业决策。

这就好比一辆自动驾驶的汽车，行驶在一条路标全部被人故意篡改、涂抹的公路上。这时候，闭环的自动驾驶系统越是高效，它可能开进沟里的速度就越快。

因此，寻找闭环的边界，考验的是一个创业者对行业底层的 Know-how 程度。

你必须清楚地知道：AI 能力的上限在哪里，行业的风险底线在哪里，哪些地方可以让 AI 撒欢地跑，哪些地方必须拉起警戒线、让最专业的人类肉身死守。

---

终局思考：从“打工人”到“Driver”的心态重构

从 2022 年大模型爆发至今，我们已经在这个波澜壮阔的时代里浸泡了数年。

我见过太多的焦虑。程序员在焦虑自己的代码能力会不会被 AI 彻底贬低，产品经理在焦虑自己的设计流程会不会被 AI 一键取代，运营在焦虑自己的文案写作还有没有价值。

但站在 2026 年的今天，回看这些焦虑，你会发现它们都源于一个旧时代的思维框架：我们习惯了用“技能标签”来定义自己。

“我是写 Java 的”，“我是做 SEO 的”，“我是画 UI 的”。在 AI 时代，这种自我打标签的思路正在加速破产。因为你引以为傲的、死磕了十年的专项技能，在几乎不要钱的 AI 算力面前，可能只需要几秒钟就能被等效替代。

在 AI 时代，你会什么技能真的不重要，重要的是你能够调动这些技能创造什么价值。

以前的商业公式是：

$$\text{商业价值} = \text{人手} \times \text{工时} \times \text{专业技能}$$

现在的商业公式是：

$$\text{商业价值} = \text{清晰的 Context（上下文）} \times \text{AI 算力} \times \text{端到端的闭环逻辑}$$

Talk is cheap, show me the code 的时代已经过去了。现在 Code is cheaper, talk 比 code 贵。这里所谓的“talk”，不是闲聊，而是你对客户痛点的深刻洞察，是你给 AI 提供的高质量、独一无二的领域上下文。

如果你读完这篇文章，想要改变自己的判断或行动，我建议你从以下三件事情开始：

1. 停止为“提效”买单，去寻找你的第一个“极窄闭环”。 不要再去研究怎么用 AI 帮你的工作提效 10% 了。从今天开始，问自己一个问题：如果我自己不出一份力、不手写一行代码，我能不能用现有的 AI 工具，搭建一个从引流、交互到变现，哪怕一天只能赚 1 美元的端到端小系统？去试错，去做 10 个、20 个这样的小尝试，直到你 figure out 其中的闭环逻辑。

2. 从不擅长的领域入手，借 AI 的胆子去跨界。 工程师不要在自己擅长的代码领域死磕 AI，去尝试用 AI 做你以前完全不敢做的营销和销售；运营不要只满足于用 AI 写文案，去用 AI coding 帮自己搭建一个自动化的数据分析后台。AI 最大的红利，是让普通人拥有了“越界”的入场券。出门在外，身份都是自己给的，只要你敢想，AI 就是你最坚实的后盾。

3. 重构你与组织、你与客户的关系。 如果你是管理者，重新评估你的团队激励机制。在 AI 时代，传统的雇佣制正在失效，尝试引入更大规模的、基于结果和绩效的“合伙人模式”，释放个体的 10 倍杠杆。如果你是一线员工，不要再把自己当成一个被动响应任务的 Agent。去向更上游、更靠近客户的地方要数据、要 context，用 AI 做出一个端到端解决客户问题的小方案，去证明你的商业价值，而不是你的工作时长。

这个时代最美妙的事情在于：梦想越大，AI 的加成斜率就越陡峭。

如果你今天只想做一个拿死工资、不求有功但求无过的打工人，那么 AI 对你而言大概率是一个充满威胁的、冷酷的“裁员工具”。但如果你今天有野心、有主观能动性，敢去想做一个以前需要几十人团队才能跑通的商业帝国，那么 AI 就会变成你最忠诚的、几乎不要钱的千军万马。

潮水已经变向。不要在提效的泥潭里继续打转了。

抬起头，跨过那条手工到自动化的分界线，去找到你的下一个洼地，去发动你的自动驾驶飞轮。