AI 正在进入从 " 会回答 " 走向 " 能执行 " 的新阶段。

据追风交易台，高盛最新报告显示，AI 商业化正从 " 按席位订阅 " 转向按消费量、交易量和结果收费；与此同时，Agent 正从辅助工具走向工作流执行者，产业价值也在从模型本身向专有数据、业务上下文和领域专业能力迁移。

这意味着，AI 产业竞争正在从 " 谁的模型更强 " 转向 " 谁能真正掌握工作流 "。模型能力依然重要，但能否进入企业生产环境、理解业务上下文并稳定完成任务，将成为更关键的竞争壁垒。

这一判断来自高盛近期对硅谷 AI 产业链的实地考察。8 月 18 日至 19 日，高盛连续第三年走访 AI 初创企业、头部风投机构及斯坦福大学、加州大学伯克利分校和旧金山分校的研究人员。高盛认为，随着 Agent 加速落地，前沿模型、开源模型、世界模型、企业软件和专有数据之间的价值分配都将发生变化。

Agent 落地：企业真正缺的不是能力，而是 " 可控性 "

如果说过去 AI 解决的是 " 帮人完成任务 "，那么 Agent 正在尝试解决 " 自己把任务做完 "。但在企业大规模部署过程中，最大的障碍可能已经不再是模型能力，而是责任如何划分，以及整个执行过程能否被控制。

报告援引斯坦福研究人员指出，目前多数企业仍处于人工监督模式。尤其在法律、风控、保险和审计等领域，模型一旦出现错误，谁承担责任、如何追溯过程、能否及时纠正，可能与模型本身的能力同样重要。

因此，最容易率先实现自动化的工作流，通常具备三个特点：决策边界清晰、结果可以验证、错误能够回滚。发票处理就是典型案例。AI 负责提取字段并执行检查，低置信度案例交由人工复核，随后通过可逆的 ERP 流程完成入账。

这也意味着，拥有可信内容、经验证的领域模型以及成熟监管关系的信息服务商，更有可能率先进入企业生产环境。

模型竞争：前沿模型与开源模型走向分工

围绕 " 开源还是闭源 " 的争论，高盛此次考察释放的信号并非二选一，而是不同模型可能对应不同层级的工作流。

前沿模型阵营认为，企业基准测试往往低估了模型能力。在真实生产环境中，模型精度下降带来的业务损失，可能远高于节省的推理成本。因此，多家 AI 原生公司虽然宣称采用多模型策略，但在核心生产环境中仍高度依赖前沿模型。

另一种观点则认为，绝大多数企业工作流并不需要前沿级智能。随着开源模型性能持续提升，客户越来越愿意用有限的性能损失换取更低的推理成本。一家风投机构预计，未来 12 至 18 个月，约 90% 的推理 Token 将流向开源模型。

这意味着，未来 AI 模型市场可能形成更加明确的分工：前沿模型负责高价值、高可靠性的复杂任务，开源模型承担规模更大的标准化任务和大部分 Token 消耗。

世界模型：AI 算力可能迎来第二条增长曲线

过去 18 个月，研究人员越来越多地将关注点从 LLM 转向 " 世界模型 "。

与主要依赖互联网数据训练的 LLM 不同，世界模型需要理解环境、因果关系、物理规律以及现实世界中的动态交互，其数据更多来自物理系统、具体行业和实际运营场景。这意味着，专有数据的重要性可能进一步上升。

高盛认为，物理、工业、科学和机器人等领域对应的问题空间远大于纯文本生成，而且这些工作流往往需要更高的算力投入。随着 AI 从数字世界进一步进入物理世界，模型训练、仿真和推理的算力需求也可能出现新的增长曲线。

高盛预计，未来 5 年算力需求可能增长约 24 倍，供需紧张有望维持更长时间，微软、甲骨文和 CoreWeave 等云计算及算力基础设施公司将直接受益。