Ali Ghodsi 對 AI 超週期經濟學的看法

AGI 已經出現，但缺乏情境

人工通用智慧（AGI）已經實現，但在企業環境中仍大多無法發揮作用，因為它缺乏人類擁有的特定組織情境。模型雖能解決複雜的數學問題，卻無法複製長期員工所掌握的制度知識——公司裡那位真正了解一切運作方式的「John 或 Jane」。

要讓 AI 產生巨大影響，焦點必須從追求「超智慧」轉向如何將人類情境與組織流程轉移到 AI 代理人上。若沒有這種「將大腦下載到矽晶片」的過程，模型將持續犯錯，無法在高價值企業任務中發揮效用。

「SaaS 末日」與軟體的未來

軟體並未「死亡」，但保護軟體公司的經濟護城河已經轉變。兩大主要變化推動了這一演變：

1. 降低進入門檻： AI 讓編寫軟體變得更便宜、更快速，將生產成本降至接近零。
2. 降低切換成本： 隨著使用者從複雜的 UI 轉向與 AI 代理人互動，以前鎖定使用者於特定軟體生態系（例如 Android 與 iOS）的慣性被消除。

儘管如此，軟體公司仍可透過規模經濟、品牌信任、專利與專有資料維持護城河。那些十年未創新、未能利用 AI 快速打造更優產品的新進者的公司，面臨被淘汰的高風險。持續創新且擁有深厚客戶資料的公司則更有可能存活並繁榮。

生產力差距與流程重構

AI 能力與組織實際看到的生產力提升之間存在顯著差距。這不是 AI 的失敗，而是人類流程的失敗。Ali Ghodsi 把這比作個人電腦與電動引擎的引入：

• 個人電腦悖論： 早期採用者把 PC 當作昂貴的打字機，列印紙張並手動歸檔，結果沒有立即的生產力提升。
• 電動引擎： 從 1880 年到 1920 年，電動引擎花了 40 年才對經濟生產力產生影響，因為工廠必須徹底重新設計——從密集的蒸汽驅動軸線轉向分散式動力布局。

同樣地，現代企業正試圖「以電動引擎取代蒸汽引擎」卻不改變廠房平面圖。真正的生產力提升需要「人為重構」——從第一原理重新設計組織流程。

案例研究：Databricks 的連接器開發

在 Databricks，傳統上打造一個可投入生產的連接器需要三個季度（九個月）。AI 介入後，首次嘗試優化流程僅縮短了 1.5 個月，因為團隊仍維持相同的僵硬流程（長時間需求階段、串行測試、單人負責）。

透過第一原理思考與流程重構，團隊取得突破：在一個季度內交付七個連接器。具體做法包括：

• 將需求階段從一個季度縮減至一週，並加速迭代。
• 外包外部軟體實例的設定，以平行化測試。
• 從「單點故障」的「一人負責」模式，轉為協作式團隊方式。

這項改進是流程變革的結果，而非更聰明的 AI 模型。

AI 堆疊中的價值累積

長期來看，價值將向上移動至應用層。雖然目前的「藍色三角」價值集中在硬體（Nvidia）與基礎設施，但科技歷史（從 IBM 到 Microsoft 再到 VMware）顯示，價值最終會在底層商品化，並累積到頂層。

高價值 AI 應用的預測

• 醫療保健： 能分析數百萬患者基因與醫療史，提供個人化、拯救生命的介入方案的公司，市值可能達到兆級。
• 教育： 雖然風投普遍認為教育是差的投資，但若有公司提供經驗證、AI 驅動的卓越教育，將能達到大規模並形成資料護城河。

前沿模型的角色

專有的前沿模型仍具價值，但提供這些模型的業務將變成規模經濟的薄利遊戲，類似 Amazon 的圖書販售業務。開源模型正快速縮小與專有模型的差距，進一步對模型層施加價格壓力。