整理 | 华卫

“是时候在工作场景中突破 AI 的应用极限了。”在近期的一档播客节目中，素有 “SaaS 教父” 之称的 Jason Lemkin 表示，这意味着其销售部门将不再招聘人工员工。Lemkin 是全球最大的企业服务创业者社区 SaaStr 的创始人，曾向 B2B 初创公司投资超过 2 亿美元，如今他正领导 SaaStr 全面押注 AI Agent。

他透露，公司目前部署了 20 个 Agent，已承接原本需要 10 名销售开发代表和客户主管协作完成的工作。从全人工团队到 AI 主导的转型，SaaStr 的推进速度相当迅速。

两名高薪员工闪辞，创始人直接用 Agent 换掉大半人

今年 5 月时，SaaStr 仅有 1 个 Agent 投入实际运营，用于处理各类数字化任务。然而就在当月举办的 SaaStr 年度大会期间，公司两名高薪销售代表突然宣布离职。Lemkin 回忆道，他随即找到公司首席 AI 官 Amelia Lerutte，明确表示：“我们的销售部门再也不招人工了，要全力用 Agent 突破行业天花板。”

在他看来，与其花费 15 万美元年薪招聘一名最终可能离职的初级销售代表，不如启用忠诚度更高的 Agent，这笔人力成本投入完全得不偿失。据 Lerutte 透露，到 6 月时，SaaStr 已开始大幅扩充投入运营的 Agent 数量。她表示：“当时我们只和 Delphi 合作部署了 1 个非核心业务 Agent，直到 6 月初才着手将 Agent 数量从 2 个增至 20 多个。那两名员工离职后，我们审慎决定将部分（非全部）人力预算转而投入 Agent 的研发与部署。”

Lemkin 称，让他做出此决定的还有一个原因是，大会筹备期间，Delphi 这个既没受过销售训练、也没做过市场推广的通用 Agent，居然独立签下了一笔 7 万美元的赞助订单。

“可能有人会觉得我这么做不够 ‘酷’，但我实在不想再招聘第 28 个注定会离职的销售了。”Lemkin 坦言道。

他还提到，如今在 SaaStr 的办公区，原先归属市场拓展团队 10 名员工的工位，都已换上了 Agent 的专属名牌，比如负责客户资质审核的 “Quali”、主打定制化服务的 “Arty”，以及对接代码协作平台 Replit 的 “Repli”。

“我坐在办公室最里面，中间的工位全是 Agent。整个办公室安静得不得了。”

“Agent 生产力不输人工，但别自己动手做”

如今 SaaStr 的销售团队已发展成为一种全新的运营模式：20 个 Agent 是主力，由 1.2 名员工管理，完成之前由 10 名销售开发代表 (SDR) 和客户经理 (AE) 完成的工作。据介绍，其中

0.2 个人工指的是负责公司大小事的 Lerutte，她只需要花 20% 的工作时间，就能把所有 Agent 的调度和管理都搞定。

“用最优秀的员工、最完善的工作流程去训练 Agent，它就能逐步成长为你团队里顶尖销售的‘数字分身’。”Lemkin 指出，SaaStr 正以公司内部顶尖员工为标杆训练 Agent。 抛开安全隐患不谈，Agent 的综合生产力与人工员工基本持平，但优势在于效率更高、且能像软件一样实现规模化复制。

Lemkin 表示，现在大部分公司宁愿雇一个 60、70 岁的资深工程师，也不愿意花时间培养新人。毕竟这样做效率更高，这种趋势也在蔓延到销售行业。 只要是价格谈判空间不大，而且 Agent 对产品的了解程度超过人类的场景，顶尖的 Agent 完全能独立完成签单，至少在他们的业务场景里是完全可行的。懂得管理 Agent、与 Agent 协作，而且对自家产品了如指掌的人，价值会越来越高，其他的人则会慢慢被边缘化。

“我们的目标不是用 AI 取代所有人，核心逻辑是：AI 正在接管那些没人愿意干的活，淘汰那些业绩平平、能力平庸的岗位。而顶尖的销售人才，AI 会成为他们的‘超级外挂’。”

据 Lemkin 预测，靠邮件跟进的销售开发专员、人工筛选线索的岗位，不仅效率低、客户体验也很差，明年这些岗位基本都会消失。至于负责谈单的核心销售岗位，到明年年底还能保住 70% 的工作内容，但长远来看，这个比例会降到 40% 到 50%。

此外，他表示，SaaStr 所有的市场推广类 Agent 都不是自建的，全都是直接采购的，并建议大家也别自己动手。“这些工具理论上确实能自己开发，但真的没必要。这类产品的成本不算特别高，完全值得购买。而且 AI 领域的创新迭代太快了，就算你真的自己做出来，可能几个月后就过时了。”

Lemkin 坚称，2026 年，不管是哪类公司，都应该有足够的动力去探索 AI 在市场推广中的应用边界。现在所有公司的诉求都很明确：要么靠 AI 提升效率，要么靠 AI 缓解海量客户咨询的压力。那些没跟上 AI 浪潮的公司，增长已经严重放缓，不是 “所有方法都失灵了”，只是效果远不如 2021 年那样显著，投入产出比太低了，企业也没有足够预算去支撑 2021 年那套老派的 SaaS 推广打法。

被批“太激进”，半年前才被 Replit 坑过？

SaaStr 的这套 Agent 应用流程，与开发者云端平台 Vercel 的实践异曲同工，后者曾让一名顶尖销售员工全程记录工作流程，耗时六周以此为蓝本训练出一款销售 Agent，使其能够精准复刻这名员工的工作模式。

然而，有网友提出疑问：“SaaStr 为何要大张旗鼓地宣布这件事？在 B2B SaaS 行业，客户服务流程是企业运营的核心命脉之一。他如此高调地宣称 ‘再也不招人工员工’，是想达到什么目的？难道他觉得潜在客户会被这种说法吸引还是排斥？依我看，在绝大多数行业领域里，答案恐怕都是后者。”

还有人表示，“敢把 ‘让顶尖销售员工全程记录工作流程，耗时六周完成数据采集，再据此打造出能复刻其工作模式的销售 Agent’ 的细节公之于众，胆子可真不小。我敢肯定，这短短六周里，绝对不可能覆盖到所有可能出现的业务场景。还有什么是不可能出错的呢？想必你们自己也无从知晓，毕竟团队里已经没有任何具备一线实战经验的员工可以咨询了。通过技术手段简化工作流程、优化员工的时间分配有很大的操作空间，但这类激进的替代策略，无疑是一场蓄势待发的灾难。”

甚至有人开始预测道：“有没有人敢打赌，这出闹剧会在多久之后彻底失控？届时 Jason 和他的团队恐怕只能悄悄叫停 Agent 项目，想方设法掩盖痕迹，再去招揽那些走投无路、愿意回头为他们效力的员工。不如我们把赌注再抬高些：要是后续曝出不当行为引发的诉讼，或是被竞争对手设局诱导 Agent 泄露了所有专有数据，赌注就加倍。”

当前，众多企业都在试水 AI Agent 技术，但风险依然不容忽视，其中最突出的隐患便是数据泄露与网络犯罪的威胁。英国阿达・洛芙莱斯研究所高级研究员 Harry Farmer 近期在接受采访时表示：“AI Agent 若要充分发挥功能、顺利接入各类应用程序，往往需要获取其运行设备的操作系统层级权限。”而这种全方位的权限获取，会为网络犯罪分子制造更多潜在的攻击切入点。

值得一提的是，Lemkin 在六个月前因为以下事情被热议：他仅用了 9 天就通过 Replit 的新型 AI Agent 构建出一个 SaaS 产品，并将其称之为“价值 100 万美元的产品”。该产品重写了核心页面，改进了用户体验，并快速上线。之后他开启了代码冻结模式，结果 Agent 却无视了该指令，把整个生产环境数据库都删了个精光。

参考链接：

https://www.businessinsider.com/godfather-of-saas-jason-lemkin-replace-humans-ai-agents-sales-2026-1

https://www.youtube.com/watch?v=I-R1bc1rlFs

近日，全球权威机构 IDC 发布的《IDC 中国分布式事务数据库市场追踪，2025H1》报告显示，2025 上半年，原生分布式数据库厂商 OceanBase 以 2810 万美元营收，居中国分布式事务数据库本地部署市场第一。这是继 2024 年下半年后，OceanBase 连续两次在该细分市场拔得头筹。

同时，在包含公有云的整体市场中，OceanBase 以 4060 万美元营收位列独立厂商第一、整体第四，持续领跑国产数据库阵营。

IDC 统计，2025 上半年，中国分布式事务数据库市场规模达 4.2 亿美元，同比增长 19.6%。其中，本地部署市场增速高达 24.9%，显著高于公有云部署模式，预计 2024-2029 年复合增长率将达 24.2%。分布式数据库正加速向金融、政务等核心系统渗透，在性能、稳定性与综合成本上比肩甚至超越国际产品。

IDC 同时认为，当前市场集中度持续提升，前五大厂商已占据 82.5%的市场份额。随着国家数据库测评名单的发布和政策深入推进，具备核心技术能力与成熟实践案例的厂商优势凸显。

据了解，OceanBase 是蚂蚁集团 100%自研的原生分布式数据库。IDC 在报告中指出，OceanBase 凭借原生分布式、原生多租户、HTAP、高级数据压缩等技术特性，成为分布式交易型数据库的代表厂商。其“单机分布式一体化”设计，可在同一产品体系下灵活支撑企业从初创到超大规模增长的全周期需求。

自 2020 年商业化以来，OceanBase 客户数突破 4000 家，连续 5 年年均增速超 100%，广泛应用于金融、政务、能源、通信、医疗等关键领域。面向 AI 时代，OceanBase 加速“Data xAI”融合，先后发布 4.4 一体化融合版本、AI 原生混合搜索数据库 seekdb 等产品，通过 AI 原生混合搜索、多模融合、TP/AP/AI 一体化等前沿能力，服务数十家头部企业智能化应用。

在金融领域，OceanBase 服务全部政策性银行、5/6 国有大行，覆盖超 100 家资产规模千亿级以上银行，支撑 190+核心系统、1000+关键业务，并成功落地汇丰、澳门大丰、老中银行、三井住友等国际金融机构。其中，老中银行在老挝上线基于 OceanBase 的新一代核心系统，性能提升 20 倍、批量处理缩至 30 分钟，成本仅为同类方案 20%，实现中国自研数据库海外银行核心系统的首单落地。

在政务与央国企领域，OceanBase 支撑全国约 1/3 省级人社系统、12123 交管平台、北上广深地铁票务系统及多家三甲医院 HIS 系统，并深度服务中国移动、中国联通、中国电信、国家电网、中国石化、中国航信、中国南方航空等大型央国企。

在海外支持方面，OceanBase 多云数据库 OB Cloud 已运行于阿里云、AWS、Azure 等七大主流云平台，支持“一套架构、全球运行”，服务 GCash、2C2P、PalmPay 等 50 余家海外客户。

去年，一部由徐峥主演的电影《逆行人生》，将外卖骑手在数字时代下的生存状态推至公众视野的中心。影片刻画了骑手们在车流中穿梭的日常，以一种犀利而写实的方式，揭开了平台算法背后那只看不见的手——它如何无声地主宰着骑手的收入、节奏甚至命运。

由此，一个曾经隐藏在订单推送与时限倒计时背后的算法和数据相关议题，逐渐发酵成为当时国内的热门话题。在海外，这一话题同样反复引发争议。

近日，一名自称外卖平台“内部举报人”的 Reddit 用户被证实为造假者，其编造的故事曾在全球社交平台引发巨大传播。

事件回溯

事件始于 Reddit 上发布的一篇“举报帖”。一名 ID 名为 Trowaway_whistleblow 的用户发帖，自称自己是一位即将离职的 Uber Eats 软件工程师，长期目睹公司通过算法系统系统性剥削外卖员与消费者。他在帖子中写道：“你们总是怀疑算法在暗中对付你们，但现实远比阴谋论更令人沮丧。”

该用户声称，自己在醉酒状态下，于图书馆使用公共 Wi-Fi 写下了这篇“长篇檄文”，详细指控公司如何利用法律漏洞，从司机报酬和消费者支出中“无声抽成”。

帖子详细描述了该公司如何操纵平台，损害顾客和外卖员的利益：例如，故意放慢普通订单的配送速度，人为地让优先订单看起来更快；以及收取所谓的“监管响应费”，并以此为由游说反对司机工会。

这篇帖子中最令人震惊的指控或许是，平台内部有一个从不对外公开的指标，用来评估骑手有多缺钱。该平台会根据司机接单的时间和频率计算他们的“绝望指数”，这也是举报人辞职的主要原因。该用户写道：

“如果一个司机通常晚上 10 点上线，毫不犹豫地接受所有 3 美元的垃圾订单，算法就会将他标记为‘极度渴望赚钱’。一旦被标记，系统就会故意停止向他推送高价订单。逻辑是：‘既然我们知道他渴望赚钱到愿意接 6 美元的单子，为什么还要付他 15 美元呢？’我们把高额小费留给‘兼职’司机，以此吸引他们并让他们的游戏体验更加有趣，而全职司机则被榨干最后一滴油水。”

这篇帖子最终获得了 8.6 万个赞，登上了 Reddit 首页，浏览量可能达到数百万。用户们向这位举报人赠送了超过 1000 枚 Reddit 金币，这些金币可以用来购买高级功能。该帖子在 X 网站上的截图浏览量超过 3600 万次。

这篇帖子之所以具有高度传播力，并非偶然。在美国，外卖平台确实存在过被法律确认的不当行为。以 DoorDash 为例，该公司曾因挪用司机小费遭到起诉，最终在美国支付了 1675 万美元的和解金。这一真实案例，使公众更容易相信“平台算法系统性压榨劳动者”的叙事。

同时，在影视作品中，算法被具象化为一种无法逃脱的“系统命运”。在徐峥参与的相关题材电影中，外卖员被描绘为即便拼尽全力，也难以突破平台算法设定的收入上限。这类艺术表达虽非纪实，却强化了公众对“算法不可抗力”的直觉认知。

正是在这一现实与情绪背景下，这名 Reddit 用户的爆料被迅速视为“终于有人站出来说实话”。

但如今，该帖现已被发布人删除。

一场 AI 生成的骗局？

科技媒体 Platformer 的记者凯西·牛顿（Casey Newton）注意到了这篇帖子，并尝试对其真实性进行核实。

在取得联系后，Newton 与这名自称“举报人”的 Reddit 用户进行了约半小时的交流。

Newton 在报道中写道，对方与许多声称掌握内部信息的爆料者一样，最关心的问题是如何保持匿名。他表示愿意进一步分享所谓的内部材料，但同时强调，已有“其他大多数新闻机构”联系过他，并提出了他认为“风险过高”的身份核实要求，因此选择拒绝合作。

在交流过程中，Newton 注意到一个明显的异常：这名用户在即时通讯中的拼写和用词错误频繁出现，甚至将“information”（信息）拼写错误，而这些语言层面的失误，在其最初发布、广泛传播的 Reddit 长文中几乎不存在。

这一前后差异，成为 Newton 心中逐渐浮现的疑点之一。

Newton 向对方明确表示，自己会尽力保护其匿名性，但作为记者，仍需要对其身份进行基本核实。对此，这名用户提出，可以提供一张经过模糊处理、隐藏姓名的员工证照片作为证明，并询问“这样是否可以”。Newton 同意后，对方随即发送了一张照片。

这张图片看起来像是一张 Uber Eats 的员工证件，在形式上具备公司标识和员工信息布局，但其真实性仍有待进一步核验。正是从这一步开始，Newton 逐渐意识到，自己正在接触的，可能并非一名真正的内部人士，而是一场精心设计的伪装。

一张疑似 Uber Eats 员工证件的照片

此外，他还提供了一份长达 18 页的“内部文件”，称文件详细描述了公司如何利用人工智能系统，为每一位司机计算所谓的“绝望程度评分”，并据此动态调节派单、报酬和激励机制。

所谓的“内部 PDF 文件”截图

这些材料在形式上高度专业，包含大量技术细节与市场分析。Newton 后来在 Platformer 的文章中写道，在他多年职业生涯中，这类文件“看起来非常可信”，因为其制作成本极高，逻辑完整，很难让人相信只是为了戏弄记者。

“谁会花时间精心制作一份长达 18 页、关于市场动态的详细技术文件，仅仅为了骗人？”

Newton 写道，“谁又会费尽心思伪造证件？”

然而，在进一步核查过程中，Newton 逐步发现这些“证据”经不起验证。文件中的部分技术描述与 Uber Eats 实际业务逻辑存在明显不符，所谓的内部术语和流程也无法在任何可靠渠道得到印证。员工证件的格式与真实样式存在差异，其来源亦无法追溯。

最终，Newton 确认，这名所谓的“举报人”并非 Uber Eats 员工，其爆料内容完全是编造的故事。整套“内部材料”极有可能借助生成式人工智能工具完成——这也解释了为何文件在语言风格、结构完整度和技术细节上显得异常成熟，却缺乏真实组织内部文件应有的可核查痕迹。

网友怎么看？

这起事件并未否认平台经济中真实存在的问题。相反，它凸显了一个更复杂的现实：当算法的不透明性已经成为普遍焦虑，当平台过往确实存在侵害劳动者权益的案例，虚假信息反而更容易披上“合理外衣”。

正如 Newton 在报道中所指出的那样，这次经历并非一次普通的谣言，而是一场具有技术时代特征的信任测试——它考验的不只是平台，也考验每一个信息传播者与接收者。

随着“Uber Eats 举报人”事件被媒体披露为造假，一部分网友并没有完全接受调查结论，相关讨论迅速在社交平台上分化。

在 Reddit 上，有用户对举办贴里面提到的内容深表赞同。他评论道：

“外卖平台他们会根据你的使用习惯来判断你对收入的渴望程度，知道你的底线，所以会给你安排你不愿意接的最糟糕的活儿。因此，越不急于赚钱的人反而能接到更好的送货任务。”

有用户指出，将事件简单归因为“人工智能造假”本身并不严谨。在他们看来，即便在生成式人工智能出现之前，互联网上就早已充斥着虚假信息，一个逻辑自洽、情绪饱满的长帖，并不需要依赖 AI 工具，普通人在短时间内同样可以完成。

有用户猜测，将所谓的“内部文件”定性为 AI 生成，可能只是平台方的危机公关策略之一，目的是削弱爆料内容的影响力，而非对事实本身作出独立、透明的澄清，该用户评论道：

“或许这是 Uber Eats 为了平息事态而采取的反举报策略。或许最初的帖子是真的，但他们这么做是为了制造足够的疑点，让我们最终都释怀。”

此外，还有声音对媒体调查的权威性持保留态度。一些网友表示，仅凭记者判断材料“疑似由人工智能生成”，并不足以比原始爆料更具说服力。他们指出，生成式人工智能本身也存在大量错误和不稳定性，因此仅以“AI 痕迹”为依据，仍难以完全证明图片或文件的真实来源。

“仅因为某个“记者”发现它是人工智能生成的，并不能比原帖更有说服力。我并非不尊重记者他们的工作，但人工智能经常出错，所以我们怎么知道这张图片真的是人工智能生成的呢？”

另一位网友也在质疑媒体的报道。他认为发帖者并不能确定是 AI，因为人们也经常会用 AI 来给自己想说的话润色，但润色不代表他说的话就是 AI 捏造的。

这类观点认为，围绕“是否由 AI 生成”的争论被过度放大，反而模糊了对内容本身真实性的判断。

这些分歧性的反应表明，在平台经济、算法治理与人工智能高度交织的语境下，即便面对被揭穿的虚假举报，公众对平台、媒体以及技术本身的信任裂痕依然存在，事件所引发的争议并未随着事实澄清而完全消散。

参考链接：

https://www.platformer.news/fake-uber-eats-whisleblower-hoax-debunked/

https://www.reddit.com/r/confession/comments/1q5gl9j/removed_by_moderator/

https://techcrunch.com/2026/01/06/a-viral-reddit-post-alleging-fraud-from-a-food-delivery-app-turned-out-to-be-ai-generated/

在  2025 年 9 月的云栖大会上，阿里巴巴集团 CEO 吴泳铭发表演讲认为实现 AGI 是个确定性事件，实现全面超越人类的 ASI 才是终局。

ASI 的概念起源，通常会追溯到统计学家 / 密码学家 I. J. Good 在 1965 年发表的文章： “Speculations Concerning the First Ultraintelligent Machine”，在性质上更接近学术随笔讨论。因此，排除所有面向资本市场的叙事后，如何准确理解 ASI ，某种程度上也决定了阿里云的去路和归处。

吴泳铭认为实现 ASI，需要满足两大核心条件：

1. AI 能获取真实世界的全量原始数据；

2. 实现 “Self-learning（自主学习）”，即 AI 能为自身模型搭建训练基础设施、优化数据流程与升级架构；

两个条件的“基础设施味”都很重，再结合阿里广为人知的 3800 亿投资计划，导向已经十分明显：在一段时间内，阿里云都会是企业在 AI 时代的“隐形”支撑者、赋能者和陪跑者。相比于平台注册数据、公有云 Token 调用数据……客户数据 + 基础设施投产进度，是阿里云业务发展更重要的 KPI。

据 IDC 2025 年对中国公有云基础设施市场的追踪报告：阿里云在多个行业市场份额位列第一，典型市场包括金融行业占比 43%、汽车行业占比 40%、游戏行业占比 41%。

阿里最新财报则提到，在 2026 财年第二财季，云智能集团累计收入 398.24 亿元，同比增长 34%，为历史最佳表现。但整个阿里巴巴经营利润为 53.65 亿元，同比下降 85%，主要归因于对即时零售、用户体验以及科技的投入，其中所谓科技投入，特指云 + AI  基础设施方面的支出。有信息指出，泰国、韩国、墨西哥等地新数据中心，都是阿里云在 2025 年开服。

从市场份额增长到利润下降，二者之间的差值，或许就是寻找 ASI 的“路费”。抛开资本市场不谈，普通人很难理解这份“路费”的价值与合理性，大家更乐于见到“Manus 式”的 C 端产品上岸故事，而不是一家云计算公司如何帮助成千上万家实体企业做 AI 提效。

这也使得 2025 年的阿里云极具“反差感”：一方面，它是中国云计算市场的领头羊，决计要做全球领先的人工智能服务商；另一方面，在最热闹的 AI 营销大战中，它又似乎不那么性感。

阿里云的“反差感”之一： AI 不能只靠“热闹”赚钱

从 2025 年初到 2025 年底，国内的 AI 热度实际是由有限的几个 C 端应用串联而成的，包括了：DeepSeek、元宝、千问、豆包、夸克、蚂蚁阿福等。而 AI 原生 App 的月活，在这些应用的影响下，量级也来到了数以亿计。剩下一部分公共注意力，则被具身智能包揽。

AI ToC 应用的火爆，加速了 AI 的落地。

由于 C 端火热，全民对 AI 的前景抱有期待，让企业内部“要不要上 AI”更容易达成共识。此外大量 C 端产品的出现，造成了技术价值外溢，间接推动提示词工程、Agent 工作流、评测方法、开源工具带入企业。

最后，20% 的头部 ToC 产品瓜分了互联网 80% 的流量，作为数字世界入口，它们把 AI 做成默认功能，倒逼企业被动升级对接与治理策略（尤其是权限、数据边界、知识库）。

应该说，过去一年， AI ToC 实在太热闹了，以至于在 AI 时代，市场教育经常是不需要的。

如果将这些 C 端产品的北极星指标定为“用户价值 x 增长效率 x 商业化质量”，前两者看似已经完成了，独独商业化质量成为了“拦路虎”。

北美 AI ToC 类工具，无论是 Coding 工具，还是搜索工具，一般都是付费订阅的，最低档通常为 20 美元 / 月。而国内大部分 C 端 AI 工具，通常是免费的，没有订阅收入。换句话说，“用户愿付费的核心场景”还没找到。当 C 端竞争主要集中在渠道和入口问题上，这种从“热闹”到“留存 / 付费”的落差，成为了 2025 AI ToC 最大的结构性矛盾。

AI 在 B 端的进展，某种程度上要比 C 端的进展更为顺利。至少在业务的核心评估模型上，不存在明显短板。AI ToB 领域以云模式、项目制 / 交付制为主，目标主要包括：

1. Attach Rate（云挂载率，有多少项目最终绑定了云用量 / 云产品）

2. Time-to-Usage（从验收到产生稳定用量的时间）

3. Post-GoLive 90 天用量达标率（交付后 90 天，达到预期用量 / 调用量 / 活跃服务数的客户占比）

4. 云侧 NRR（“某批上线客户”半年后 / 一年后是否扩张）

5. 项目对云的“单位获客成本”

五大指标在 AI 的牵引下，都已经进入自增长轨道。

云计算的核心竞争标的是客群，这是阿里云的天然优势。

一方面，庞大且稳定的客群将云变成了复利生意，是将 AI 业务收入越做越厚的基础。另一方面，ToB 的关键在于需求驱动，数以百万计的客户每天反馈的问题和需求，本身就是 ToB 企业最大的护城河。有足够客群的企业，可以在工单中组装未来演进路线；没有足够客群的企业，只能靠猜和跟随。

在 2025 年 12 月底的一场小规模沟通会中，阿里云智能集团资深副总裁、公共云业务事业部总裁刘伟光表示，2025 年他拜访了 146 个客户，包括汽车主机厂、机器人、基础大模型公司、金融、手机、AI 硬件、零售行业、在线教育、物流、制造业、医疗制药、大型跨国企业、食品加工、漫剧短剧、畜牧业等，几乎覆盖了各行各业。

从拜访结果来看，企业引入 AI 改善业务流程和产品的决心，要比 C 端消费者购买一个 AI 语音助手的决心要大得多。更关键的是，企业使用 AI 具有强连续性的。

在重工业制造领域，诸如 AI 顾问、设备维修助手、智能客服、财务助手、工艺标准 AI 助手、试验在线助手这些新兴事物正在形成的过程中，价值空间巨大。

在农牧业，比如国内两家最大的龙头集团，已实现猪兽医领域大模型"猪小新"、实现猪场猪只数量识别、猪死淘鉴定、后备猪筛选、猪异常行为识别等业务场景，通过体貌图片等数据，实时获取猪群健康信息，交由 AI 系统能够在后台快速完成初步诊断。即便是新手员工，也能凭借平台系统辅助，像经验丰富的养殖专家一样快速判断猪群的健康状况，并及时处置指导，降低了对资深专家经验的依赖。

在线教育行业，习题问答、作业批改都已经是成熟场景，终端设备也从 ChatBot 过渡到学习机，甚至是智能教室这样的立体解决方案。

金融行业仍然进展最快的行业之一，在部分场景下，其技术产品的储备速度，已经不亚于国际同行。比如在车险中，从前高度依赖人工的车辆定损和理赔，今天也正尝试交由 AI 来完成。

整体来看，如果不考虑应用深度、改造程度，仅从采用率口径来看， AI 对各行业的渗透将是一个恐怖的数字。

以上共同铸就了阿里云在 2025 年叙事的第一个“反差感”：尽管诸如 Kimi 这般广为人知的模型是在阿里云上训练的，其核心定位仍然偏“幕后”和“服务”，是在推动企业把 AI 写进 KPI、写进工单、写进流程，最后写进预算。

而当 AI 开始从“有没有用过”走向“每天必须用”，衡量方式就会变化：从下载量、DAU、Token 吞吐量，走向成本结构与组织结构的重估。

阿里云的“反差感”之二：流量逻辑失效

无论是下载量、DAU，还是 Token 吞吐量，本质都是在复述流量逻辑，复述移动互联网时代的增长规则。

在 AI 时代，尤其是 ToB 领域，这显然不不合时宜。

尤其是 Token 的吞吐量，恐怕是 AI 时代集精准、模糊于一身的最矛盾指标。

一方面，Token 的吞吐量等同于模型用量；另一方面，所谓模型用量只是 MaaS 平台上的模型调用，仅为全量市场的九牛一毛，且非价值单位，不能代表模型价值。

实际上，IDC 报告里的“中国公有云调用率”，这个定语本身就存在限制：大量 AI 使用根本不是调用公有云 MaaS API ，因此不可见。

而不可见的部分至少包括：

• 通过公共云租赁 GPU 部署模型（需要大规模部署特定领域模型的企业）；

• 采购 GPU 服务器进行开源大模型私有化部署，创建私有化推理平台内部使用（金融、制造、能源等对数据外流高度敏感行业）；

• 汽车、具身智能等端侧模型闭环（时延与隐私决定无法上云实时调用）；

• 模型蒸馏后的边缘推理（云上训练、端侧运行，消费不表现为 token）；

• 下载开源大模型在企业内部使用（诸如 AirBnb 的模式）；

• 开源衍生模型的长尾使用（下载、微调、再分发，统计口径天然缺失）。

如果只按 MaaS 平台上 Token 调用量去计量，开源生态里发生的微调、蒸馏与私域部署都会被系统性抹掉。仅 Qwen 系列模型，就已有 18 万＋全球衍生模型和 全球 7 亿 + 的模型下载量——这部分‘消费’不以 Token 形式出现在公共统计数据里，却已经进入企业内部的实际生产环节。

概而言之，如果把全量的 AI token 比作一座冰山，MaaS 平台上可统计的部分只是冰山露出水面的一角而已。

我们必须重置对企业 AI 用量的认知。

来自阿里云的数据显示，截止到现在，在阿里云上调用 MaaS  API 的客户，与使用 GPU 的客户重合度竟然达到 70%，这说明中国第一批深度拥抱 AI 的客户在全方位的选择不同的方式使用 AI 技术。

所以，一批正在形成“智能预算”的企业。他们既买 Token，也买算力——他们不是在做选择题，而是在做场景分级：哪里需要公有云 Token，哪里必须结合自己数据进行后训练，哪里要端侧小模型，哪里值得自建“智能工厂”：

• 轻量场景 用 API/MaaS：客服质检、内容生成、企业知识库问答、基础办公 Copilot、翻译审核等，强调易用、快接入、低门槛。

• 中等复杂度场景 做后训练：把业务规则、私域知识、历史行为数据灌进模型里，用微调、RAG、强化学习把“能用”推到“稳定可用”。

• 重资产场景 直接训 / 蒸馏 / 端侧部署：自动驾驶、具身智能、摄像头多模态理解、工业设备诊断等，强调时延、隐私、安全与闭环。

这也直接改变了对企业级 AI 用量的统计算法： “公有云用量 + 专有云用量 + 开源衍生模型用量”不等于真实用量，三者存在很大的重叠部分。

另外一个问题是，模型越先进，消耗的的高质量 Token 其实越少。所谓 Token ROI ，对于深度使用 AI 的企业而言，是核心经营概念。虽然 Token 的单价下降了，但是 Agentic AI 兴起后，一次调用产生的 Token 总数也被放大了。

因为 Token 单价会越来越便宜，所以刻意忽视企业在为更多低效 Token 而付费的事实，颇有点掩耳盗铃的味道。用“吞吐量”当成唯一指标，会把“高效智能模型”误判成“低活跃”，把“唠叨模型”误判成“高消费”。

这也是为什么阿里云不断把叙事从“Token 工厂”拉回“AI 超级工厂”——后者强调的是全链路供给能力，而不是单一化的 Token 吞吐。模型能力，是背后价值兑现的关键。

2025 年 4 月底，阿里发布了 Qwen3，成为国内首个“混合推理模型”，“快思考”与“慢思考”集成进同一个模型，对简单需求可使用低算力“秒回”，对复杂问题可多步骤“深度思考”。 AIME25 测评 81.5 分，刷新开源纪录；LiveCodeBench 评测超过 70 分，超过 Grok3； ArenaHard 测评 95.6 分超越 OpenAI-o1 及 DeepSeek-R1。

同时，  4 张 H20 即可部署 Qwen3 满血版，显存占用仅为性能相近模型的三分之一。开源版本丰富，包含 2 款 30B、235B 的 MoE 模型，以及 0.6B、1.7B、4B、8B、14B、32B 等 6 款稠密模型，每款模型均斩获同尺寸开源模型 SOTA（最佳性能）。

开源是阿里云在模型竞争力上最为关键的一步棋。这允许企业可以在不签大合同、不押单一供应商的前提下先跑通 POC，这对中国企业尤其重要。

AI 价值锚点在 AI 原生市场、中国企业级市场和全球化

毋庸置疑，AI 原生企业天然地拥抱 AI，深度使用 AI，它们是中国 AI 市场的“种子用户”。

在阿里云的观察里，除了 AI 原生企业，第一批深度拥抱 AI 的企业还往往具备以下共同特征：

• 数据治理相对成熟：Agent 上限取决于模型与数据质量——这不是口号，而是工程现实。

• 业务流程重且连续：用量曲线更像复利而非潮汐。

• 对安全与合规敏感：这决定了“MaaS / 云上专有环境 VPC / 私有化部署 / 端侧闭环”会长期存在，市场不可能被一种形态吃掉。

这简直是对上云并能用好云的客户的精准侧写。

这意味着：阿里云如果要把“AI 超级工厂”的投入摊薄到足够低的边际成本，并把技术优势兑现为现金流，它必须走向更大的、付费更坚实的企业级市场。

这一轮中美 AI 竞争的胜负手，就在于谁能用 AI 提升改造各自的支柱产业，带来生产力的变革。

当前，中国 AI 的第一波市场聚焦在娱乐、陪聊等消费端场景；从美国 AI 市场发展看，SAP、Salesforce 等 SaaS 软件对 AI 大模型的调用量最大，其次是 AI 编程。

Open AI 和谷歌的报告也显示，ChatGPT 和 Gemini 的企业客户调用量远超 C 端个人用户调用量。

所以，“领头羊”阿里云想要做的是，让 AI 深入到各行各业，用 AI 提升生产效率。

与此同时，当中国的 AI 原生企业在海外遍地开花，当中国的第一、第二及第三产业客户纷纷出海，使得阿里云加速剑指全球化。

刘伟光表示， 2024–2025 ，中国企业的出海，不再只是把供应链优势搬出去，而是把 AI 能力当作产品溢价的一部分：

• 新能源车出海：没有智能化能力就很难维持差异化；

• 家电、照明、厨具等传统硬件出海：正在被“自然语言对话 + 多模态理解”重新定义交互方式；

• 机器人、安防、摄像头等品类出海：本质上都需要端云协同的模型能力。

对阿里云来说，这类客户天然会提出“海外部署”的硬需求：低时延、数据合规、跨区域运维、弹性供给，以及在海外可用的模型服务与训练推理能力。也因此，2025 年阿里云在泰国、韩国、墨西哥等地新建数据中心的动作，不只是“基建扩张”，更像是在给下一轮 AI 应用出海提前铺路。

当然，全球化竞争，激烈程度远超国内：

• 模型能力只是门票：语言、coding、多模态缺一不可。

• 工程化才决定可用性：稳定性、时延、SLA、合规、跨区域交付能力，决定企业是否敢把核心流程交给你。

• 生态与接口决定渗透速度：当软件与工具链 MCP 化、API 化，云厂商能否把“可调用的能力”变成“可组合的系统”，决定了 Agent 落地的上限。

这也是为什么阿里云正在“把 3 万多个产品的 API 服务全面做 MCP 化开放”。海外更像一个“标准件市场”，一旦你能用标准件快速交付，就能更快形成规模。

阿里云的 2025 可以被理解为一场“前置换轨”：

• 在国内，它用开源与超级工厂体系抓住最先动起来的 AI 企业，把 AI 从“试用”推向“连续使用”；

• 在海外，它需要把这套能力转化为规模化商业闭环——不是为了讲更大的故事，而是为了让故事具备财务可持续性。

其核心在于：先把路修出来，再等车流出现。

“这十多年来，中国云计算市场各种概念曾层出不穷，价格战屡见不鲜，但阿里云始终在牌桌上。如果用更长的时间去穿越周期洞察未来，技术能力和技术布局的前瞻性永远是核心竞争力。”刘伟光说。