本文来自微信公众号： 出海同学会 ，作者：出海同学会，原文标题：《干货｜To Agent 时代，App 和 SaaS 还会存在吗？》
在这一期中，我们邀请了来自AI产品团队、Agent创业公司、支付基础设施、企业服务与组织管理一线的多位嘉宾，围绕To Agent时代的产品形态、组织结构与商业逻辑变化展开讨论。
一个逐渐清晰的共识是：Agent正在改变的，并不只是软件交互方式，而是整个软件行业的组织逻辑与价值分配方式。
但与此同时，路径分化同样明显——有人开始重做面向Agent的基础设施与通信网络，也有人重新思考支付、信任、责任与协作体系；而大量传统SaaS与平台，则正在被重新放到“是否还能被Agent调用”的标准下重新估值。
本篇，我们聚焦几个问题：To Agent时代，App、网站与SaaS的价值会被如何重估？Agent与Agent之间，会不会形成新的协作网络与经济体系？当Agent开始代替人完成决策与执行，企业组织又会如何被重新定义？
[一页精华].
如出现链接或企业名为嘉宾引用第三方，侵删。
Ancher AI｜CTO｜Steve Li
Attribuly｜CEO｜李驹
北京认知涌现科技｜CEO｜王豫强
Citable｜Founder｜Cole Leng
Cloudsway小宿科技｜CEO｜William杜知恒
嘉程资本｜投资经理｜刘欣宇
Low Hanging Lab｜Partner｜姚中耀
美元家办｜AVP｜Emma Zhu
Pingcap｜Cofounder CTO｜黄东旭
Shoplazza&Subotiz｜Founder｜Jeff
Part.01产品形态研讨
在ToA时代，产品形态将会是怎样的？App、网站、SaaS界面的价值会被怎么重估？
黄东旭｜Pingcap
我觉得去谈To A经济的本质，还是有点太宏大了。我更想分享一些最近在做to agent产品时的真实感受。因为今天高频使用agent的人遇到的痛点，很可能就是未来的产品机会。
第一个痛点，是agent team和agent team之间怎么协作。现在大多数agent的使用，还是发生在个人场景里。比如我自己带着一套agent在开发软件。但一旦进入团队协作，每个人底下都有各自的一套agent team，这时候真正麻烦的是：不同team之间的信息交换非常低效。今天很多时候，还是靠人去帮agent传话，但这个效率很低。所以我觉得，这里面有一个很大的机会，就是agent的“互联网”，也就是agent team和agent team之间的通信和协作网络，而且这个网络应该尽量不需要人参与。在讨论经济模型之前，我觉得这种基础设施得先有。
第二个痛点，是agent和现有SaaS、现有服务之间怎么连接。我自己的体验是，我现在已经几乎不再直接打开很多SaaS了，很多事情都是通过agent的接口完成的。这样一来，核心就变成了：agent的working space，以及它调用各种tools的能力。所以这里面会出现一个很现实的问题：传统SaaS是给人设计的，但未来真正使用它们的，很可能是agent。那像Gmail这种服务，如果是agent在访问，它的使用方式、访问频率、信息footprint都和人完全不一样。所以我觉得，未来这里面一定会长出一种新的模式：面向agent的接口层、proxy层，甚至新的定价模型。而且光做这一层，我觉得商业模式就已经很清晰了。
因为现在普通人用agent，最痛苦的一件事就是：怎么把Gmail、飞书、各种服务和机器环境真正打通。这件事即使对程序员来说也不轻松，更不用说普通用户。所以我觉得，这里面无论需求端还是供给端，机会都很多。
第三个变化，是软件本身的形态会变。以前的软件，本质上是程序员写出来的，产品经理设计出来的，所以它能力的上限，往往也是产品经理理解问题的上限。但未来我觉得，大量长尾需求会被识别出来，而这些需求背后的人类专家，会成为新的软件能力来源。比如一个特别会做饭的人，以前他很难把自己的知识产品化，因为他不是程序员；但在agent-native application的世界里，他完全有可能把自己的领域知识，变成agent可调用的能力。所以我觉得，未来会出现越来越多这样的application：它的核心不是程序员写死的软件逻辑，而是agent从人的长期互动和记忆里，抽出来的结构化能力。
再往后走，你甚至可以想象一种很自然的付费模式：我今天要做某件事，我自己的agent不一定最懂；那它就可以去agent网络里找最擅长这件事的另一个agent，然后我为这次调用付费。我觉得，这才是更值得看的方向。所以我想说的核心其实就是：未来不是简单多了一个To A渠道，而是agent作为一种新型软件，会把通信方式、连接方式、软件形态和知识生产方式都改掉。
Gary Qi｜Trae
我是做AI coding这一块的，所以我自己的感受非常直接：我们现在大部分工作，其实都已经被AI coding自动化了。但与此同时我们也发现，那些传统由人开发出来的软件，反而正在变成最大的bottleneck。举个很简单的例子。比如我们想让AI去帮我们发邮件，但如果邮件系统本身没有MCP，也不开放API，那它马上就会变成一个数据孤岛。这样一来，整个workflow就很难自动化。所以我觉得产品要to agent，已经不是可选项，而是must choice。如果一个产品不想被历史的洪流抛下，to agent就是必须的。那to agent的本质是什么？我自己的理解很简单：
第一，是保证信息的顺畅流通；
第二，是让不同的agent能够被激励、被联通、能一起work together。因为未来每个人手里，可能都会有成千上万个agent，它们技能不同、能力不同。如果没有一种机制去衡量它们，我们就很难判断哪些agent是好的，哪些agent是不好的。就像互联网时代，如果没有权重、没有索引，你其实也很难判断哪些网站是有价值的。我觉得未来agent世界里，也一定会需要类似的机制。
另外一点是：越来越多的产品，未来必须把自己打通，否则就会被抛弃。比如微信。微信为了自己的用户体验，可能不会轻易开放MCP，也不会对外开放很多能力。但这样做的后果就是：在AI时代，它反而可能会成为自己的绊脚石。这样的话，反而可能催生出更强的竞争对手。至少在海外，大家就可能会更多转向Telegram这类更容易接入agent的工具。
所以我会觉得，未来对一个App或网站的估值方式也会变。不能再只从功能角度去看产品了，而是要看几个新的维度：品牌价值、数据价值，以及网络效应。像微信为什么有底气不开放？本质上就是因为它有足够大的用户基础，也有足够多的数据沉淀。这些东西就是它手里的筹码。至于很多传统SaaS软件，我觉得未来未必还有那么强的独立存在必要。像Adobe、Figma，这些最近其实都已经受到明显冲击。那它们未来还有什么价值？我觉得最核心还是一点：产品体验。也就是说，你的产品体验必须比Claude、ChatGPT这类通用agent更好。比如Claude也能做设计，但如果进入到更精细、更商业级的设计场景，我们还是会需要Figma这种工具。所以我会觉得，Cursor是一个很典型的例子：既然模型能力比不过别人，那就把产品体验做到极致。这样的话，这类SaaS至少还有自己的竞争空间。
Jeff｜Shoplazza&Subotiz
我们主要做支付，也一直离商业场景比较近，所以内部对这件事有两个很核心的判断。第一个判断是，过去大家用SaaS，本质上是为了拿到结果。所以我们内部一直盯得很紧的一件事，就是结果本身。过去是人定义流程、人操作软件去拿结果；到了agent时代，我们会觉得，很多过去由人定义的流程、习惯和交互方式，未必还是最优的。未来更像是人去定义agent，再由agent去帮你拿结果。所以我们内部一直在讲一个路线：from prompt to revenue。也就是在agent时代，能不能通过prompt直接拿到商业结果。
第二个判断是，很多基础能力未来会处在“被调用”的状态。像支付、和全球媒体平台的对接、物流系统的对接，这些能力短期内都很难被替代。那问题就变成了：你能不能成为那个被agent调用的能力。而且你被调用，不只是接口通不通的问题，最后还是要对结果负责。调用顺不顺、商业场景覆不覆盖、效率高不高，这些都很关键。
基于这两个点，我们内部会觉得真正的创业机会，还是在那些能够通过prompt直接拿到结果的垂直领域。因为每个领域的knowledge都很深，没有长期商业积累，其实很难把agent定义对。所以哪怕方向很小，只要你在某个垂直场景里有足够深的knowledge，能真的把结果做出来，我觉得就是机会。
最后讲一下支付。我们内部一直认为支付是最难被agent替代的领域之一。因为支付和软件不一样，它背后是非常复杂的全球合规、风控和责任链路。今天消费者自己下单、自己支付，这个行为是他自己做的，他有感知，也有责任意识。但如果未来是agent代替消费者下单，那消费者认不认可这笔交易、收到货后认不认账、责任到底算谁的，这些都是非常复杂的问题。所以我们觉得，agent自动下单、自动支付这种形态一定会有，也一定会覆盖一部分场景，但大规模落地会非常慢。绝大多数支付，未来很长一段时间内，还是会由消费者主动完成。
另外一个很核心的问题是，支付链路里的责任主体。无论是反洗钱还是资金链路合规，最后总得有一个实体来承担责任。而在人类社会里，能承担责任的，归根到底还是人，不是agent。所以这一层我们觉得也很难被替代。当然，我们也看到一些新的可能性。比如未来agent也许会被赋予一种独立身份标识，在卡组织体系里被单独识别出来。那到时候商户看到这笔支付是agent发起的，而不是人发起的，它的通过率、风控阈值、判断逻辑，都会形成一套新体系。但这件事要真正落地，不会很快。因为像Visa、Mastercard这种体系，都是几十年才长成今天这样。新的agent支付体系，不是定义个标准就能出来的。
所以对我们来说，现在服务的对象一方面还是传统SaaS客户，另一方面也包括现在的agent开发者。因为很多人知道自己可以用agent去创业，但对全球支付、资金链路、反洗钱、税务合规这些事情，其实了解很少。所以我们现在先解决的，还是最底层的那层问题：全球支付与资金链路合规。在这个基础上，再去和卡组织、支付机构一起，慢慢探索真正的agent authentic payment。
Steve Li｜Ancher AI
我之前在Google做了将近六年payment，后来又做了四年多AI客服相关产品。现在出来做新的创业项目，方向还是agent-to-agent。我觉得这个方向一定有机会，但我最近一个很强的感受是：越往general的方向做，风险越大。因为大模型和平台能力本身进化得太快了，很多原来OpenClaw能做的事，现在更稳定的大厂产品也在快速补上。所以如果只是做一个很泛的agent，我觉得风险会越来越高。更现实的方向，还是更垂直地去解决具体人的具体问题。
另外我觉得to agent最后会长成什么样，其实现在还很难说。因为最终付费和消费的还是人，而人拿到价值这件事，很多时候并不是一个纯文字交互就能解决的。比如生成图片、视频、PPT，这种需求很多时候你是说不清楚的。你不是一次就能把prompt写对，而是要在不断看、不断选、不断调整的过程中，慢慢找到感觉。所以如果没有UI，其实会限制很多to-vision的能力和想象空间。这也是我觉得现在很多to-agent产品还没真正解决好的地方。
还有一个问题是：这个价值到底怎么评判？今天如果大家都在提供service、plugin、skill，那用户到底怎么知道哪个是真的好？很多时候你要的其实不是一个skill，而是背后的服务能力。但现在并没有一个特别成熟的机制，能让你快速看到这些服务、判断它们的质量、并且愿意为它们付费。
所以我一直在想，未来是不是需要一种更成熟的生态：不是让我自己去一个个找，而是agent能够先理解我的use case，再帮我筛选出最合适的几个服务，告诉我为什么推荐它们。如果再往后走，还有评价、点赞、评论这些东西，那它就会更像一个真正的生态。但问题也很现实：人人都想做平台，但平台其实没那么好做。真正有能力定义平台的，往往还是Google、Apple这种级别。一般团队就算看到了这个方向，也未必真的能把它做起来。这也是我觉得这里面一个很大的难点。
如果agent要处理信息数据，例如agent要读新闻，这件事情怎么处理？
Steve Li｜Ancher AI
其实今天我已经在这么做了。因为每天的信息量太大，很多内容根本看不完。我现在的方式是先看个开头，再把觉得值得跟进的内容扔给系统去处理。但我觉得简单总结是没有意义的。如果只是把内容压缩一下，原本很多价值就丢掉了。你真正希望的是一种高度personalized的总结。它得了解你是谁、你在做什么、你最近在关注什么，然后基于这些背景把内容里的水分去掉，同时保留对你真正有价值的那些anchor点。因为同一篇文章不同的人关注的重点本来就不一样。这件事本质上需要系统对使用者有很深的理解。而且这个过程一定是滚雪球式的。第一天你打开一个全新的ChatGPT，它不可能真的了解你，一定是你用久了它才会越来越懂你。我们也在想怎么降低这个barrier，比如通过上传资料、导入收藏夹之类的方式，帮用户更快完成onboarding。
但本质上，我觉得最大的现实是：信息overwhelm正在越来越严重。而且不只是文字，视频、音频，各种形式的信息都在同时overwhelm我们。人在这样的信息海洋里，怎么去navigate，怎么去anchor，我觉得这是一个非常大的问题。
而且我相信很多人是愿意为这个付费的。因为大家真正想要的不是一份所有人都一样的“报纸”，而是一份只写给我自己的内容流。它知道我在做什么项目，知道我最近在看什么，然后告诉我：今天最重要的三条线索是什么。我觉得这个价值会非常大。当然，这件事也不容易。我们现在也还在讨论，hyper-personalization到底应该是local、cloud，还是hybrid。我自己其实很明显地同时享受两种能力。一方面我很喜欢local，因为它快，很多内容我可以直接在本地处理；另一方面我也很需要cloud，因为我拿着手机，在遛狗、健身、通勤的时候，也能继续学习、继续工作，并且把之前的context延续下去。
所以我觉得，这也是为什么现在很多团队都在做自己的macOS App。本质上，大家想解决的，其实就是：把local和cloud真正打通。因为纯local不够，纯cloud也不够。
Cole Leng｜Citable
今天想聊一个我们观察到的ToA现象：在硅谷，大家已经非常to agent了，OpenClaw、各种模型，其实都已经ready了。但对很多中小企业来说，它们完全不知道这个东西该怎么接入、怎么使用。我们现在在中间做的事情，就是帮助这些小公司在AI时代能够被pick到，更直接一点说，就是能被大模型发现和理解。这里面大概有三个层面。
第一个，你的网站得能被AI crawl到。比如是不是server-side rendering，如果只是用一些方式快速搭了个站，AI其实可能根本读不到。
第二个，你能不能被agent使用。有没有MCP接口，或者其他让agent可以调用你的方式。
第三个，也是刚才很多同学提到的，品牌本身可不可信。但我觉得这里还有一个问题，其实还没怎么被讨论到。如果你卖的是鞋、卖的是具体产品，那可信度还比较好验证，评分、质量，逻辑上和电商比较像。但如果是必须由“人”来完成的服务呢？比如律师、家装，这种怎么办？
现在大家讨论的，基本还是人怎么验证agent可不可信。但我在想会不会反过来，未来更重要的问题是：agent怎么验证这个人提供的服务到底靠不靠谱。所以我觉得未来可能会出现一个新的信用层。不只是agent侧的信任体系，而是agent反过来评估人和服务：这个律师靠不靠谱，这个装修团队有没有问题。这一块我觉得现在基本还没什么人在做。
王豫强｜北京认知涌现科技
关于刚才提到的信任层我们的判断是：Agent和以前互联网最大的区别，在于它要进入社会。既然进入社会，它就要承担责任。而责任如果要在全球互通，底层就需要一种统一的“责任语言”。也就是说，我的智能体调用你的智能体，凡是涉及交易和协作，底层都需要先完成责任语言的统一。所以我们今年年初提出了一个关于责任层的判断，做了一个事件协议JEP，想去描述责任怎么生成、怎么传递。我们也把这套东西提交到了IETF和W3C，现在也在W3C发起了社区组，持续推进这个方向。我们后来发现，为什么现在问责这么难？核心原因在于，互联网过去更多是基于信息论在传递信息，但这里面天然缺了一层东西：主体、关注和因果关系。而责任不是一个单纯的信息事件，它是一个主体因果事件。围绕这个判断，我们也发了一篇数学论文。最近一些正在推进的标准，也开始引用我们这条线上的工作。
但从创业市场来看，我们也观察到一个现实：现在还没有形成一个特别成熟的Agent创业市场。原因大概有两个。第一，基础设施还没有形成。比如Agent和Agent之间，还没有真正实现独立交流、独立结算、独立完成工作，也没有统一的语言体系。第二，商业模式还没有真的长出来。到现在为止，除了卖Token之外，我们还没有看到特别清晰、专门面向Agent的商业模式。现在更多还是Agent在提高人的生产效率，而不是Agent和Agent之间已经形成自循环、自协作。真正关键的判断环节还是人在做。所以我们最近主要在做两件事：第一，继续推进标准；第二，去看哪些场景和新的商业模式可能先落地。另外还有一个我们内部很核心的判断：判断是可以被交易的。基于这个判断，我们成立了两家公司，一家叫“判断”，一家叫“认知涌现”。“判断”主要是推进标准建设。因为我们认为人的判断代表他的认知，而当判断被积累下来、并且绑定责任之后，它就可以成为一种可以跨域传播、可以交易的资产。“认知涌现”想做的事情则更直接一点：当你的判断沉淀下来，并且绑定了你个人责任，它就可以成为你自己的资产。比如在投资领域，我可以去购买某个专家的判断，用来辅助我的投资决策。因为它绑定了责任，所以它是有价值的；如果不绑定责任，它就只是信息，而信息本身并不值钱。所以我们现在的观察视角大概就是这样。但问题也还在：除了Token之外，未来到底还会形成什么样新的商业模式？这一点我们也还在继续看。
SEAMATE Highlights
ToA时代真正被重估的，不只是App、网站和SaaS的界面价值，而是谁能成为agent时代那个真正“可被调用、可被信任、可直接拿结果”的入口。
Part.02场景组织研讨
如果Agent可以代替用户做筛选、比较、下单，品牌、渠道、平台的权力会怎么变化？
王豫强｜北京认知涌现科技
如果现在还围绕应用层去创业，未来可能会面临很大的挤压。因为当全球都在提升层间效率时，真正有机会被调用的可能更多是基础设施型公司，或者那些在某个垂直领域里有独特理解、专有数据的公司。
Agent和人不一样。人需要社交、需要社会关系，所以如果你做的是社交、内容平台，或者帮助人组织关系、分享内容的工具，就一定会涉及中心化。但如果你做的是Agent，它天然更偏去中心化。我们觉得，这件事会对现有电商产生很大的冲击，尤其是对中心化电商平台的冲击。因为未来它可能不只是一个给人用的平台，而要变成一种可以被调用的数据和服务层，去承接agent带来的流量。第二类还可能存在的公司，是那些在某个点上有独家优势的公司。比如它的成本效率最低，或者它对产品有最高的定义权。这样的公司可能还能留在中间层。但如果你只是处在一个效率中间地带，那我觉得很可能会被agent干掉。因为agent对效率的判断，本来就是另一套标准。
所以我们的核心判断是：如果你今天所有商业逻辑，还是围绕“人”的标准建立的，而未来真正的消费主体开始变成agent，那这里面可能就会出现很大的问题。
李驹｜Attribuly
我们也是在给电商品牌提供一些AI/agent增长方案。关于agent，我现在主要关注两个方向。
第一个方向，是用agent做邮件营销。这也是我今天特别想和大家探讨的。现在在电商场景里，ChatGPT、Claude这类入口拿走的流量越来越多，而且增长很快。但在这个过程中，品牌自己能做的事情其实不多，更多还是去提供一些能被大模型调用的数据。agent基于这些数据做判断，整体会更偏理性。可问题是，过去电商为了转化用户，还会做很多后链路动作，比如邮件营销。那如果agent已经先替用户做了很多判断，这种帮助用户做conversion的动作还会不会存在？至少今天看，我觉得还是存在的。比如我们现在就在做一件事，就是用agent帮品牌做完全个性化的营销。这在以前的邮件营销里其实做不到，但今天是可以做的。因为在当前阶段，最后下单的大部分还是消费者自己，所以品牌依然可以触达人。它还是可以通过邮件这种方式，去理解用户需求，再把用户痛点和产品卖点匹配起来。这一层今天肯定还是成立的。但未来会怎么样，我自己也不太确定。如果以后有越来越多订单，是agent自己在决策，或者用户授权agent去决策，那品牌还能做什么？品牌手里其实有很多CRM数据、很多消费者数据，那以后这些用户还需不需要经营？这是我现在心里一个很大的问号。
第二个方向，是AI做数据分析。我觉得它在这块的潜力也非常大。因为电商里很多指标本来就是相互关联的，但我们问过很多品牌客户，他们其实有90%的指标都没有真正用起来，甚至都不知道具体是什么意思。但今天如果把数据接到Claude这类模型里，它其实可以做出很多分析，甚至包括比较深入的根因分析。我觉得这方面它已经比单纯依赖人工强很多。
所以我们现在的判断是：未来在电商数据分析这件事上，人更多是做判断，很多基础分析工作其实已经不需要人亲自参与了。
Gary Qi｜Trae
我自己也一直在观察agent支付这件事。先别把它想得太复杂，它一定会先发生在电子层面，也就是数字互联网世界。第二个特点是，agent支付会是高频、零碎的。因为接下来很多agent的经济行为，本质上都会变成按效果付费。那既然是按效果付费，你总得先测试、先体验，才知道这个agent到底好不好。所以未来一定会有非常多的free trial。那如果全球有上亿个agent，每天都在高强度测试，你不可能每一次都还让owner去手动点一次确认。这显然不现实。
所以我觉得接下来一定会发生一个变化：在电子层的互联网世界里，一部分交易决策权会让渡给agent自己。而且这种决策，会是高频、分散的。在这种情况下，我反而觉得会出现一些更集中的行为。因为很多网站安不安全、是不是钓鱼网站，这件事agent不一定能判断，人其实也未必判断得了。所以agent很可能会更倾向于在Amazon、Shopify这种安全性和置信度更高的平台上做决策和购买。所以我不觉得agent时代会削弱这些平台，反而可能会持续放大它们原有的平台优势。
但与此同时，很多购买行为也会被改写。因为agent天然适合货比三家。比如你要买一个鼠标，它可以在全网成千上万个网站之间帮你比价。我相信它做出来的决定，大概率会比人更理性，也会有越来越多人依赖这种能力。所以我非常坚定地觉得，agent支付一定会在一定程度上取代人类决策。只是它会先发生在那些agent最擅长、也最偏好的业务上。比如买数据、买API、买大模型调用、买router这类东西，因为这些本来就是agent最容易理解、最容易判断的场景。所以我觉得它大概的演进顺序就是：先从电子层开始，再逐渐走到物理层。
李驹｜Attribuly
我们其实也第一时间接过Shopify和Google的UCP协议，想看看到底会不会有消费者愿意直接在ChatGPT里下单。但到今天为止，我们几乎没有看到真正通过这条链路完成的订单。相反，更多用户的行为是：前面的信息了解、产品咨询、甚至加购前的判断，可能会在GPT里完成；但真正到了下单这一步，几乎还是会回到站内。也就是说，今天AI更像是在帮用户完成决策前半段，但最后的支付和下单，用户还是更愿意自己来。这件事其实也让我们比较困惑。但我自己的感觉是，这里面还是一个信任感和消费习惯的问题。到了最后那一步，用户还是要自己把信用卡掏出来，而不是愿意直接把信用卡交给GPT，让它替自己把整笔订单完成。
王豫强｜北京认知涌现科技
在这一块我们的观点是人的主体性还没有真正分离到Agent上。也就是说Agent目前还不能代表人。如果Agent直接帮人下单，就可能会侵入人的主体性。未来可能会出现一个趋势：当人的判断权或者说主体性，可以被抽离出来，成为一个可被调用的层之后，Agent再来调用这一层，判断某个决策是否符合你的价值观、你的审美。因为审美和价值观仍然是很独特的，如果Agent直接强行替人做决策，本质上就是一种主体性侵占。所以我们认为，当“判断”这一层成为基础设施之后，Agent自循环的电商形态才可能真正形成。这是第一点。
第二点是，在一些重大决策上，仍然需要经过人的判断。比如现在欧盟正在强推一个措施，要求在高风险决策上必须拉起人的判断。假设某个消费超过500美金，或者在电商价格带里200美金以上被定义为高风险，那就需要人来确认。这是法律界定的问题。在这个过程中，人的参与是必须存在的。但在低价格带场景下，如果人的判断权已经被沉淀下来，它肯定会被Agent取代。所以我们认为，有两个事情会促进电商被重构：第一，是判断力单独沉淀为可被调用的数据；第二，是主体性可以被沉淀成一个单独的层。
企业组织公司需要怎么围绕Agent重组？
MY｜通义实验室
Agent火起来之后，一个非常明显的变化是：coding能力的差距正在被快速拉平。过去工程师之间代码能力差异很明显，但现在借助AI coding，很多基础开发能力已经在趋同。当coding能力被拉平之后，真正拉开差距的，会越来越变成架构能力和产品能力。也就是说，工程师未来不只是写代码的人，还要有系统设计、任务拆解，以及产品层面的思考能力。最后比拼的，可能不再是代码本身，而是对问题的抽象能力和整体方案设计能力。
与此同时，我觉得另一个会被放大的方向，其实是测试和质量控制。因为Agent已经可以非常高效地生成大量代码，但问题是：这些代码最终由谁来review，谁来保证质量？这件事本身仍然需要很强的能力，要么是更强的Agent，要么是经验足够强的测试和工程人员。
我们自己做开源时就很明显能感受到这一点。现在很多人会直接用Agent给项目提交代码，但这些代码的质量其实参差不齐。很多人更关注的是生成了output，但未必能判断这个output能不能真正转化成有价值的outcome。所以我觉得未来一个非常重要的能力，不只是“生成代码”，而是对结果进行判断、验证和收敛的能力。
姚中耀｜Low Hanging Lab
这个问题我觉得要分成两个层面来看。一个是组织内部怎么变；另一个是外部公司会怎么变。这两者其实差异很大。
如果是AI公司、互联网公司，这类组织本身就更激进，也更愿意去调整架构。你会看到很多讨论，甚至会有人说“不需要工程师了，agent干活就行”。在这类公司里，组织精简、让团队更贴合市场和效率，这件事基本已经是一个大方向。但传统企业不一样。很多传统公司，连最基础的数字化都还没有完成，很多事情还是纯靠人力堆出来的。所以对它们来说，第一步其实不是agent，也不是组织大改，而是先把数字化这件事补上。
我们自己也看到，一些传统行业公司在从0到1之后，到了1到100的扩张阶段，会遇到很大的管理问题。这个时候如果还是单靠人去管，其实会越来越难。所以我觉得，对这类企业来说，更确定的方向反而是：先从数据层、运营层去支撑它们做变革，去调整工作流。比如像餐饮行业，尤其是门店管理和经营数据这一块，其实有很大的灰色地带。老板想的是一套，执行过程中又是另一套，中间会有很多偏差，甚至会出现一些很现实的问题。那如果用AI去做预测、告警，或者去支撑门店运营优化，这里面我觉得市场空间其实非常大。
那么这种产品的推行，会不会遭到行业很大的抵触呢？
姚中耀｜Low Hanging Lab
我觉得行业是否抵触，首先要看你针对哪个角色。如果是从老板的层面去引入，那其实对他来说是利好的；但如果是对于下面的执行层来说，因为他的可操作空间变小了，他肯定是不愿意的。所以你完全可以直接去和老板谈，因为说白了老板才是最终买单的人，是付出成本的客户。但有一个前提条件是如果你针对这种传统行业，实际上是需要切实进入他们真实的工作流程，也就是说你要足够深入地了解他们的业务。我觉得这一部分的缺口，其实也是当前很多AI在发展过程中的一个阶段性问题。AI从最早某种程度上的“圈内自嗨”，逐渐扩展到互联网行业，现在又开始慢慢扩展到各个传统行业，这是一个必然的发展路径。
Emma Zhu｜美元家办
这个问题我觉得还是要分维度看。首先是企业规模。大中小企业的路径肯定不一样。其次是具体职能。有些职能如果agent的长程任务能力已经比较成熟，而且不太涉及业务私有数据，那确实有机会被比较完整地端到端执行掉；但如果涉及很多专家判断，或者大量企业私有数据，那通常还是要先通过私有化部署，或者先去学习这个岗位原来是怎么工作的，再逐步拟合它的workflow，慢慢实现agentic化。所以这件事非常case by case。这里面其实也会自然长出一批做AI转型咨询的公司。因为如果你既了解企业是怎么运转的，又知道AI现在能力边界在哪儿，那你就有机会给企业递送一套分阶段推进的转型流程。
另外，国内和海外的路径也不一样。海外模型整体能力更强，所以自动化往前走得更快；国内很多大企业未必能直接用海外模型，所以更多还是基于现有国产模型，先做到一个阶段性的自动化水平。
同时，我觉得现在也出现了一些没有历史包袱的小公司。比如一个不到5个人的团队，养一堆agent，一个人带五六个agent，这种组织已经开始出现了。那这里面核心就变成：你的file system、组织memory、权限管理怎么设计；人和人、人和agent，甚至agent和agent之间，到底在什么环境里协作。所以现在很多AI native小公司，其实都在自己搭这套环境，也有创业公司在给它们提供类似AI版Slack的协作工具。所以我觉得这件事本质上是几方一起往前推的过程：一边是模型能力在持续迭代；一边是企业级安全和权限管理，需要Infra和云基础设施去支持；再一边是memory，有些靠产品层解决，有些靠工程，有些还在算法层突破。
最后还是回到一句话：这非常考验公司CTO或者一号位，怎么把模型能力和业务边界真正结合起来。它不是一蹴而就的，而是一个一步一步爬坡的过程。