题图：AI生成
这是虎嗅WAIC“追寻Token商业新范式”系列文章第16篇
过去两年，长江商学院教授孙天澍一直在学术和产业一线研究“AI如何重构千行百业”，孙教授曾是南加州大学商学院和计算机系终身教授，也曾在Meta、阿里巴巴任职，产学跨界，AI与商业交叉。虎嗅与他有过多轮讨论。最近两次，发生在今年5月与7月。
5月与他对话时，AI市场正沉浸在Token调用量与基础设施扩张的上升叙事中；
到7月，技术继续向代码智能体和复杂任务执行推进，资本也仍在追逐头部公司与算力建设——但市场的追问已经改变为：高估值和巨额Token开支，何时才能兑现为真实生产力和产业价值？
AI仍是资本市场最拥挤的交易之一，但围绕其投入规模与回报可持续性的分歧，却在同步加大。
相比5月那次，在7月这次对话中，孙教授的判断进一步收敛：Token只是供给端的计量单位，消耗并不等于价值；真正的价值，要看AI能否进入产业场景，完成可衡量的任务，形成业务闭环，并最终沉淀为企业自己的智能体系统。
一如既往，他仍然坚持——
中国这一轮AI更大的机会，不在复制新的消费互联网，而是在AI To B：智能体对千行百业的产业重构；
每个垂直产业都可以借助AI拥有自己的“产业大脑”，每个企业都需要建立自己的“智能体系统”；
完成这场转化，需要一批理解产业隐性知识、业务架构和组织变革且有AI原生思维的“亨利·福特”——他们不是给旧流程增加一个AI功能（+AI），而是第一性原理重新设计生产方式、商业模式与产业秩序（AI+），就如福特先生在100年前的电气时代，在底特律高地公园，设计围绕电力为中心的“流水线模式”那样，重构生产力与生产关系，开创了汽车工业“电力原生”新时代。
以下内容，虎嗅根据访谈实录整理，为了阅读体验，进行了适当编辑，但不影响访谈者表达原意。
产业要从AI的“消耗”转向“价值”
虎嗅｜四五月我们第一次聊Token经济时，你对此很兴奋。到了7月，你的判断发生了什么变化？
孙天澍：资本市场和产业竞争都有阶段性。过去两三个月，AI应用的增长速度、智能体产品形态和爆款应用的出现速度，都有一定放缓。企业端也开始重新计算投入产出。资本市场也开始出现波动和回调。
但这不等于AI的长期趋势发生了逆转。供给端仍然在持续变好：模型会更聪明，推理成本会继续下降，芯片、能源、算力调度等基础设施也会继续进步。问题在于，需求端和商业化没有同步以同样的速度打开。
我的判断是：对AI，短期需要更理性，中长期仍然乐观。问题不是AI模型不够好，也不是智能体进化不够快，而是卡在千行百业的吸收和重构上。目前的应用扩散速度和商业化模式，能不能支撑资本市场已经给出的短期预期，是一个问号。
资本市场容易把供给端的指标——比如算力、Token消耗、模型参数和调用量——直接等同于价值端的增长。但这中间还隔着产品、场景、付费意愿和商业闭环。供给端持续上行没有问题，真正需要验证的是，这些能力最终能不能转化成稳定的场景价值。
虎嗅｜确实，过去半年来，Token经济的说法很时髦，但近来越来越多的声音出现：Token消耗不能直接代表AI创造的价值。
孙天澍：Token是一个很好的供给端计量单位，但它不等于价值本身。它更像一种新的燃料：下面连接能源、芯片、存储、算力和前沿模型，上面连接智能体系统和应用场景。我自己在学术上提出一个“AI价值倒三角”模型（下图），最底层是能源、基础设施、芯片生态和算力调度，再往上是模型和技术能力，最上面是产品、场景和产业价值。
“AI价值倒三角”模型
现在是下半部分火热，上半部分温吞，下半部分Token-per-Watt持续提升，上半部分Value-per-Token在求索，芯片和模型把能源变成更聪明更高效的Token，而Token还没有在上半部分To C和To B场景中带来规模化的产业价值，而AI长期健康发展的终局是下面的持续投入放大成为上面千行百业的价值，最终在倒三角中形成一个自我实现的正循环。
过去一段时间，资本市场和AI公司容易形成一种错觉：Token消耗得越多，价值就越大。但这个判断隐含了一个前提——更多调用一定会转化为更高的场景价值，现实并非如此。
同样数量的Token，用在低价值内容生成，和用在新药研发、智能制造、患者管理、保险精算、物流决策等产业场景上，产生的价值完全不同。Token可以衡量“消耗了多少智能”，却不能单独回答“创造了多少价值”。
虎嗅｜那什么更接近AI时代真正的价值单位？
孙天澍：可能是“场景任务”，也可能是完成场景任务所需的更基础的“认知单元”，或者更宏观层面一个智能体系统完成的“闭环结果”。高价值、高付费，最终是按照你完成了什么任务、改变了什么结果来定义的。
企业CEO真正关心的，不是每天消耗一百亿还是一千亿Token，而是单位智能投入之后，如何在场景中通过智能体系统转化成“场景任务”的完成，带来某个“闭环结果”的改变；是否为企业在场景中收入、效率、研发、风险控制或客户价值带来了什么变化；以及一个系统有没有进入业务流程，有没有形成反馈和持续迭代，耗用Token和创造价值之间的ROI是多少，等等。
Token的确便于计量，但随着价格持续下降 和单位任务耗用的上升，它作为度量衡的长期稳定性会变弱。
总之，产业需要从“使用了多少AI”转向“AI在业务中完成了什么任务”。只有当智能能力被转化为可衡量的任务和结果，Token才有商业意义。
虎嗅｜你上面所说的“AI价值倒三角”，这个模型其实就是想说明，在AI经济里，商业价值的分配大头，最终还是要落到场景中。
孙天澍：如果一个企业在核心场景中通过智能体系统创造了100元的增量价值，在今天Token同一化定价下，基础设施和模型厂商可能只拿走了少量的价值，芯片生态拿走5元，能做出最好Token的前沿模型厂商和云厂商拿走15元（比如Seedance在多模态的应用），而剩下80元由应用企业拿走，比如医疗中的患者管理、智能制造中的工艺优化、科学研究中的新材料发现、保险中的销售和理赔、营收场景中的广告投放转化，这些场景价值会在产业链的不同环节重新分配。
因此，模型公司一定会往上走，寻找更高价值的场景，并且形成端到端的服务；场景公司也会把模型和Token成本封装进自己的产品，按照原有产业能够接受的服务价格收费。
100元的增量商业价值，大头应该落在场景方
未来真正重要的是，谁能把同样的算力转化为更聪明、更高效、更有结果的系统。这就是我经常说的，未来企业的竞争是“智能体系统”的竞争。
虎嗅｜为什么价值最终会沉淀为“智能体系统”，而不是一款模型或一个单独的Agent？
孙天澍：底层模型能力会持续提升，但在垂直场景和行业场景本身还需要编排和架构智能体，并且通过后训练来持续迭代。感知、多模态、推理等基础能力越来越强，不代表它们会自动在一个具体岗位或业务中产生价值，也不代表可以在业务场景中持续迭代。
我曾经在研究中尝试把人的智能拆分成很多子能力。完成一个岗位或任务，并不是调用全部能力，而是重点调动其中一部分，再按照流程进行协同。AI也是一样，需要把模型能力、工具、数据、技能、流程和反馈编排起来，形成一个持续迭代的系统，才能释放场景价值。
所以未来企业的核心资产，不只是模型，也不是单一Agent，而是能够围绕业务场景 持续运转、反馈和迭代的智能体系统。
虎嗅｜这种智能体系统会成为一种新的生产资料吗？
孙天澍：一定会。但它和传统劳动力不同，它会与资本、流程和企业资产更深地耦合。
过去企业的生产力来自劳动力 、资本投入 和科技的函数组合，三者相对独立，互为补充。未来，智能体系统会进入这个生产函数，并且可能与资本、劳动力、科技投入融为一体，固定资产是智能体系统，可变资产是Token，持续产生价值。
我一直认为，具身智能的范围远远超过人形机器人，而智能体系统的涵义又远远大于具身。黑灯工厂里的智能流水线，本身就是一种具身智能资产。它不一定表现为五百个人形机器人站在生产线上，而可能是一条能够感知、决策、协同和自我优化的生产系统。
虎嗅｜这和五年前企业购买SaaS、或者今天给旧软件增加一个AI功能，有什么本质不同？
孙天澍：过去很多数字化产品是在原有流程上增加一个功能，或者把线下环节搬到线上。AI To B如果只停留在功能层，也很容易变成新一轮工具采购、红海竞争。
真正的变化，是从以人为中心的流程，逐步变成以人和智能体共同协同、甚至以智能体为决策中心的流程。它会进入研发、生产、销售和服务的内部，而不是只在外面增加一个入口。
我把它称为一种“内爆”：不是给旧系统打一个新功能补丁，而是重构内部生产和创新方式。只有走到这一步，AI才从工具变成资产，企业从+AI走向AI+，Token规模化变成价值。
AI To B，可能是中国这一轮最大的机会
虎嗅｜你为什么更看好AI To B，而不是首先押注To C的爆发？
孙天澍：To C当然会出现新产品，但用户的注意力和消费力短期没有巨大的新增。移动互联网时代，人们从功能机迁移到智能手机，几十亿人的使用时长和消费入口发生了大规模转移；但今天用户每天在手机上已经花了很长时间，很难再从七小时变成十七小时，而手机上消费决策也与社零趋势一致。
能看到，今天的AI内容产品，很多仍然是在提高生产供给效率，但没有创造出全新的消费物种。并不是因为小说、短剧或视频由AI生成，用户就愿意同比例多看。换句话说，AI内容供给增加五倍，并不意味着用户时长会增加五倍。真正的产业增量突破需要出现一种比现有内容更强、让用户感到“从无到有”的体验。除非这种新体验出现，否则很多To C产品仍然是在争夺现有注意力。
相比To C，我更看好AI To B的产业重构。智能体在千行百业的场景中给To B带来的生产力增量，可能堪比移动互联网给To C带来的增量。
To B的价值更容易落到研发、生产、销售和服务结果上，不只是移动互联网带来供需关系的重新匹配，而是Agent带来对生产力和创新的增量。
虎嗅｜那你认为什么样的产业场景，最有可能率先跑出高价值AI？
孙天澍：我会看某个产业是否具备“增量智能体密度”，也就是说：新增智能能力能够创造多少过去不存在的增量价值。
有些行业的需求非常明确，但过去受限于人的供给数量和智力能力。医生供给不足，科学家无法无限迭代，新药和新材料研发也受制于实验速度。AI如果能在这些环节形成新的发现、决策和闭环，它带来的不是简单提效，而是过去无法获得的能力。
真正高价值的场景，通常同时具备几个特征——专业供给不足、单次决策价值高、结果可以衡量，而且业务模式有被重构的空间。
虎嗅｜Claude Code已经证明了横向专业场景的价值。每一个纵向垂直产业，是否都会有自己的“Claude Code”？
孙天澍：垂直产业的Claude Code是AI下半场的最大机会。AI编程之所以先跑出来，是因为代码是很多专业任务中最通用、最容易客观衡量结果的场景。再往产业深处看，营销、物流、保险、工业研发等领域，也有类似特征。
可以这样理解。未来很多行业都会出现自己的“产业大脑”或核心智能系统。它不是把通用模型包装一层，而是把行业的场景、数据、隐性知识、工具和经营反馈真正连接起来。
比如养殖业可以把每头牛的传感器、养殖数据和经营结果连接起来；零售业可以把库存、销售、生产和补货连接起来；制造业可以把研发、工艺、生产和质量反馈连接起来。
横向工具解决的是相对通用的专业任务，纵向系统要进入产业的完整闭环。每个垂直行业都可能出现很大的公司，但前提是它真正理解产业场景，真正有垂直知识，有独特Harness，模型后训练和强化学习持续迭代，而不是只把通用模型包装一层。
孙天澍认为，每一个纵向产业，都会有自己的“claude code”
虎嗅｜你好像特别偏爱医药医疗这个行业，看好它的AI高价值属性。
孙天澍：它的一个方向在研发侧。新药、新材料和科学发现需要更快、更全面的实验闭环，包括药物发现、干实验、湿实验、数据分析和持续迭代。AI可以把过去受限于科学家数量和实验速度的工作，变成更高频的发现过程。
另一个方向在服务侧，尤其是个性化患者服务。健康消费的弹性很大，随着老龄化和长寿需求增长，人们愿意为更好的健康结果和个性化陪伴付费。
研发与服务还可以耦合：理解患者、积累真实世界数据，再反过来帮助适应症开发和新药研发。医疗中存在大量分工和支付结构，也可能与保险等支付方式结合。
但是，跟所有行业一样，医药医疗真正的门槛不只是行业当下的知识和信息，而是对产业系统如何运作的第一性原理理解，并且用无限供给的智能体去架构下一代产业形态和组织形式。
医药医疗里有大量隐性知识，比如宏观上医药行业政策的演化和背后原因、医药企业如何配置资源、各个渠道销售和支付的底层逻辑、创新药的临床、批准、准入、微观上医生的职业发展诉求，医生怎样和患者、家属沟通，慢病如何长期管理，患者追求的是科学事实还是心理安慰，患者的多渠道购药行为；在创新上还要理解新药周期、熟悉集采、准入、渠道、医院、医生和药店之间的关系等。
这些东西外人很难只靠读资料学会。知识可以快速获取，但对行业如何运作的理解和架构能力形成得很慢。这也是为什么AI to B需要时间和积累的重要原因， Palantir的Ontology也是一点点积累出来的。而当下的AI to B跟5年前的SaaS也截然不同，不只是在原有产业价值链某个环节和功能性场景的修修补补，而是一次全产业从human-centric到agent-centric的内爆重构。
下一代伟大的垂直AI公司，必须把行业和场景的隐性知识变成可用的“智能体系统资产”。微软纳德拉最近也撰文提到每个企业都必须沉淀“Token资产”，Palantir创始人Alex Karp最近抨击Anthropic也重点讲到企业和行业需要自主可控的垂直模型。
虎嗅｜中国为什么特别有机会在产业AI上形成领先？
孙天澍：中国是全球产业门类最齐全、产业生态最完整的国家之一。汽车、医药、精细化工、机械制造等行业，都有复杂而真实的场景，也积累了大量数据、流程、技术专家和隐性知识。
我在学术研究中提出，AI To B的三个核心资产是场景、数据和智能体。今天很多场景资产还没有被合理定价，数据资产也没有被沉淀和泛化，更没有一批真正懂产业和懂智能体架构的“AI产业架构师”。谁能把三者整合起来，谁就可能形成下一代产业资产。
这不只是企业内部提效。如果AI重构了一个行业的生产函数、供需关系和价值分配，中国企业就可能借此改变在全球产业价值链中的贡献和相对位置，并结合中国的开源AI生态把我们的产业能力以“智能体产业大脑”赋能全球。
AI重构千行百业，需要一千个“亨利·福特”
虎嗅｜你多次用“亨利·福特”来形容这是AI下半场最需要的人。
孙天澍：To C可能需要乔布斯式的天才人物，去重新定义智能硬件和新的交互，一战成名；产业端更需要一千个亨利·福特式的人物，在垂直产业中深耕，重构生产方式和商业模式。
福特的伟大不只是把汽车做得更快，而是用“电力原生”的流水线模式加速生产和降低成本，让更多人买得起车，进而改变城市、交通和生活方式。产业革命的标志，不是每家工厂都装了一盏电灯，而是出现了新的生产函数、新的公司和新的产业秩序。
亨利·福特因为首创汽车流水生产线而名垂工业史
AI产业升级也需要这种级别的重构，而不是给旧流程增加一个功能。在能够被智能体“内爆重构”的行业里，企业的100次“+AI”，可能不如一次真正的“AI+”。 就像十五年前传统出租车公司再怎么在原有组织设计和运营逻辑上拥抱移动互联网也依然会被移动原生的滴滴平台重构
虎嗅｜这些“亨利·福特”更可能是AI技术创业者，还是来自产业内部？
孙天澍：真正的主导者很可能来自产业内部，或者由产业企业家与AI架构师组合而成。产业企业家知道行业是怎样运行的，深刻理解产业场景、价值链关系和隐性知识；AI团队掌握模型、工程和系统架构。
只懂技术，往往很难理解一个复杂产业的资源配置和利益关系；只懂产业，又可能缺少把智能能力重新编排为系统的能力。下一代产业公司需要有人连接两个世界。也需要建立双向信任。
中国的To B市场尤其重视信任。要成为客户的“AI商业伙伴”，而不只是功能伙伴或系统供应商，必须有综合能力和信任一起参与场景重构和资源配置，能够对业务结果负责，能真正架构下一代业务生态。
这件事很难，因为价值如何界定、如何分配、如何长期计价，都没有成熟答案。
所以我所说的“AI架构师”，懂产业场景，懂智能体能力，也要懂跨界架构。他不仅要知道AI能做什么，还要理解产业价值链、组织机制、业务反馈和商业模式，能把通用能力变成一套可持续运行的产业系统。这些人当中最杰出的架构师是AI时代的亨利·福特。
虎嗅｜如何判断一个项目是在给旧流程“加AI”，还是在真正重构产业？
孙天澍：关键看它是否改变了生产方式和商业模式。如果只是把毛利率从20%提高到21%，这对企业当然很重要，但它不一定改变产业的相对秩序，更没有从底层改变产业的生产和创新模式。
真正的重构会出现新的模式、新的领先者，改变行业的生产函数、供需关系和价值分配。滴滴并不是让出租车公司多装一个移动互联网工具，而是用移动手机的实时位置做出算法平台调度重构了出行。
因此，企业不应该因为AI很热，就在所有地方强行投入AI，也不是每个企业都能享受到AI红利，都需要拥抱AI。AI对千行百业的冲击非常不均匀，像彗星雨撞地球，有的地方是陨石坑而有的地方沙漠变绿洲。高研发附加值制造和普通家具制造，智能增量密度完全不同。如果一个场景最后加上AI只带来2%的增量变化，投入再多AI也未必有意义。所以我认为，第一要选行业，第二要选场景，第三才是选择组织机制。选择大于努力。
虎嗅｜什么样的企业更容易完成AI转型？
孙天澍：转型通常在两种情况下会比较快：一种是机会明显大于风险，新业务是清晰的增量，且与老业务解耦合；另一种是“危”大于机会，企业如果不变就会被淘汰。最难的是中间状态——旧业务还不错，但新业务又可能侵蚀旧业务，就会陷入创新者窘境。
这一轮AI不只是渠道革命，而是智能革命。它会触碰研发、生产、销售和服务的核心流程，也会带来左右互搏。内部变革越快，既得利益部门可能下降得越快，所以组织阻力一定存在。
虎嗅｜对想进入AI“新世界”的产业企业家，你最具体的建议是什么？
孙天澍：第一，保持对智能体高频使用和对业务场景的反思。企业家对自己的业务体感最强，要持续寻找哪些场景和问题值得用AI重做。只有保持对智能体的直觉，才能不断有新的想法。
第二，想清楚参与方式。你可以投资、孵化，也可以做主业转型，并不是所有企业都必须亲自做AI原生公司。一般来说，孵化比主业内部转型容易，外部孵化又比内部孵化容易。有些企业与其在原有主业上强行加AI，不如通过投资或孵化进入更有增量的相邻领域。
第三，选择一个场景建立“特区”，有独立业务结果闭环。给它独立团队、资源、考核和试错空间，不要让它完全被旧组织方式束缚，如果企业能够建立“特区”，就先在特区里试；如果无法解耦，才需要推动主业的组织变革。
AI时代最重要的仍然是企业家精神。做自己真正相信、愿意长期投入的事情，而不是因为AI流行就强行追逐一个方向。如果今天AI与你的业务没有明显关系，硬把它绑在一起，最后可能只获得很小的变化。
虎嗅｜最后，AI下半场最稀缺的到底是什么？
孙天澍：最终还是“AI架构师”。AI下半场稀缺的不是更便宜的Token，甚至不是更好的智能体，而是千行百业的产业重构，真正能吸收智能的增量红利，完成从Token到价值的正循环。真正稀缺的是能够把场景、数据和智能体整合起来的“AI架构师”，把产业的隐性知识变成智能体系统，把模型能力变成业务闭环。
横向的通用能力会越来越强，但纵向产业不会自动被改造。每个行业都需要自己的AI架构师，用无限供给的智能体去重新设计任务、流程、组织和商业模式。
这就是为什么我说，AI下半场需要一千个亨利·福特。