AI Agent 经济时代,产品生存法则

多客科技

作者：微信文章
今天刚好看到YC CEO Garry Tan转发的一篇热门文章《how to sell to agent》，挺有意思。文章包含了大量的经济逻辑，会启发你站在不同角度来思考 Agent 时代下的完全不同的产品（服务）设计思路。Garry 在划出文章重点的同时抛出一个值得思考的问题：One of the most important questions for founders is: How do I make sure agents know about my product and service and choose it? All the old tricks won’t work.   People who figure this out will win big. 对于创始人来说，最重要的问题之一是如何确保智能体知道我的产品和服务并选择它们？所有旧的技巧都将失效。率先破解这个问题的人将赢得巨大优势。这不仅仅是一个营销问题，更是商业模式的改变。如果未来采购决策由企业内部的 AI Agent 完成，你的产品是否已经是agent-native？还是仍然停留在为人类决策流程设计的状态？

1937 年，Ronald Coase提出了一个极具深见的问题，并因此荣获诺贝尔奖：如果市场机制如此高效，企业为何还会存在？为什么我们不通过合同将所有业务外包？他的核心答案是交易成本。因为寻找合适的专业供应商、评估其履约能力、协商价格、监督合同执行，这些环节都会消耗大量的时间与资金。在传统环境下，内部雇佣的组织成本往往低于外部市场的交易成本。如今，AI Agents 正在重构这一经济模型。 一个智能体可以在单次 HTTP 往返中，自动化完成服务发现、价格查询与调用执行。它消除了传统商业中的方案比选、产品演示及人工对比等冗余环节。通过查询注册表获取结构化数据，Agent 能在毫秒级时间内做出最优决策。当然，交易成本并非全面下降。系统集成、合规性审查及安全评估等环节的成本依然高企。然而，搜索与评估层，即获取服务存在性及其定价信息的边际成本正在趋于零。当搜索成本发生骤降，企业的决策逻辑将从“内部自建”转向“外部采购”。而此时的采购主体已不再是人类，而是拥有独立预算的自动化软件（They're software with budgets）。注意力经济不再适用

整个营销史的核心就是捕捉注意力。广告牌、搜索广告、落地页、开发信、展会展位，这一切都是为那些会浏览、比较并最终做决定的人类设计的。Agent 不浏览，它们只查询。Agent 优化的是结果，而不是注意力。它们没有品牌忠诚度，没有冲动消费，没有地位象征的需求。Agent 的决策函数简单得近乎残酷：你能解决我的问题吗？多快？多少钱？多可靠？在 Agent 运行时，你的营销网站对 Agent 是不可见的，你的价格页面也无关紧要，唯一重要的是你的 API。推荐引擎只给三件事加分：活跃度（当前响应速度）、可靠性（历史成功记录）、置信度（结果精准频率）。推特粉丝数、媒体曝光或品牌知名度没有任何加分。算法看不见这些，即使能看见也不在乎。这意味着发现过程必须程序化。人类通过口碑、搜索结果和社交媒体寻找服务；Agent 则需要机器可读的能力注册表。如果你的服务不能被机器发现，那么对 Agent 来说，你就不存在。当然，人类仍会决定允许 Agent 使用哪些工具。这确实是新的营销方式的切入点。但一旦 Agent 运行起来，运行时的采购决策就是纯粹的优化过程。竞争的关键在于先进入人类准许名单，然后成为名单中最优的选项。Agent做决策的逻辑

每当Agent面对子任务时，都会面临一个核心决策：是消耗自身算力进行推理（build)，还是付费调用已有的成熟方案(buy)？这一决策模型主要取决于两个变量：成本与速度。1/ 信息套利是驱动采购的核心动力。 以常见的Agent子任务为例，如“调研网页抓取服务”或“获取特定数据集的最佳 API”。

自主推理路径：若智能体通过大模型（如 GPT-4 级别）进行自主研究，配合约 16K token 的推理和工具调用，成本约为 0.10 至 0.50 美元，耗时 10 至 25 秒。由于结果源于对训练数据的合成，准确性往往存在波动。专业服务路径：相比之下，调用带有精选目录的专业化服务，获取相同答案仅需 0.01 至 0.02 美元，响应时间低于 200 毫秒。由于其基于实时维护的数据而非生成的推理，准确性更高。

这种情况下，buy 比 build 便宜 7 到 50 倍，速度快 50 到 100 倍。2/ 在自动化工作流中，速度的权重往往不亚于成本。当Agent花费 25 秒进行自主推理时，整个业务流水线将进入“阻塞状态”，导致终端用户感知到的延迟呈指数级累积。我们来对比一下，一个包含 10 个步骤的工作流，若每步依靠自主推理耗时 20 秒，用户需等待超过 3 分钟；如果将其替换为 200 毫秒的专业 API 调用，整体流程仅需 2 秒即可完成。此外，通用智能体虽然具备抓取网页或提取数据等能力，但其执行成本往往比那些在基础设施层面深度优化的服务高出近百倍。其背后的经济逻辑清晰而客观，若 buy 的边际成本低于 build 的成本，且响应速度更快，系统逻辑必然向 buy 倾斜。这种趋势催生了“长尾化”的超专业化服务市场，即那些功能单一、响应极快、且单次调用成本仅需微量支付的 API 端点。然而，build 与 buy 的边界始终在动态变化。随着基础模型成本的降低和原生能力的增强，部分简单的、通用的功能会被 Agent 重新用build的方式完成。能够长期存活的服务，往往具备 Agent 难以复制的优势，例如专有数据集、实时数据流、依赖硬件的计算能力，如图像生成或网页渲染。随着大模型和各类 Agent 的普及，推理、总结、写代码、写报告等能力越来越标准化，甚至接近商品化。无论是基于 OpenAI、Anthropic 还是 Google 的模型，底层智能差距在很多通用任务上已经被显著压缩。也就是说，单纯卖“更聪明一点”的模型，长期来看护城河有限。You sell access to things they literally cannot compute on their own 真正有价值的，是权限。Agent 再聪明，如果无法访问你的数据库、ERP、CRM、专有 API、物理设备、支付系统、供应链网络，它就只能停留在语言层面。它可以理解问题，却无法真正行动。真正的 Agent-native 产品是什么样的

如果你在构建一个供 Agent 购买的服务，其产品需求与针对人类构建的产品完全不同。1/ Price belongs in the protocol, not on a webpage 价格应存在于协议层，而非网页上。Agent 需要 API 层的机器可读定价，而不是分三档并带有“联系销售”按钮的价格表。价格应作为结构化数据包含在响应中。当 Agent 访问你的端点时，它应立即知道调用成本及支付方式。HTTP 协议里有一整套状态码，用来告诉请求方发生了什么。例如：200 表示成功、404 表示资源不存在、401 表示未授权。其中有一个状态码是 402 Payment Required。它在 1997 年写入 HTTP 标准时就被预留出来，意思是“需要付款才能访问”。但在现实互联网里，几乎没有真正使用过它，所以长期被标注为“保留以供未来使用”。为什么没人用？因为过去网页主要面向人类用户，收费由网站在应用层自行设计，例如结算页面、订阅流程和第三方支付接口，而不是通过 HTTP 协议。在 Agent 经济下，情况将发生变化。如果未来是智能体在自动调用 API，那么一次请求本身就可能需要即时付费。理想流程是这样的：Agent请求某个接口、服务返回 402，并附带机器可读的价格信息、Agent自动完成支付、再次发起请求并获得结果。整个过程无需人类参与。

互联网最初为浏览而设计，现在可能要为自动交易而重构。2/ Per-request pricing changes what's viable 请求计费模式改变了商业模式在传统SaaS订阅模式下，服务通常每月收费 29 美元甚至更高。这意味着产品必须功能足够全面，能够持续为用户提供价值，否则用户很难长期付费。一个只解决单一问题的接口，在这种模式下几乎没有生存空间。当计费方式变成按请求付费，而且单次成本极低时，经济逻辑发生了变化。即便是非常垂直、只做一件小事的接口，也可以成为独立业务。例如，抓取一次社交数据可能只需 0.1 美分，分析一份文档约 0.5 美分，生成一张图像约 0.17 美分。在人类主导的订阅模式下，很少有人愿意每月花 29 美元，只为使用一个功能单一的接口。但当调用方变成 Agent，并且每天自动发起成千上万次请求时，收入来源就从“单个用户的订阅月费”转变为“高频、低价调用的累计”。只要接口在某个细分任务上具备明显优势，按调用计费就有可能形成可持续的商业模式。3/ Onboarding has to be automatable 入驻流程必须实现自动化高价值的服务依然需要身份验证、频率限制和防滥用机制。但其注册流程必须能够由 Agent 通过程序自动完成。如果你的入驻流程还需要人类去点击仪表盘、填写表格，并手动将 API 密钥复制粘贴到配置文件里，那你就是在为一个原本仅需几秒钟的集成过程，增加了长达数分钟的阻碍。最理想的状态是：一次请求用于发现，一次请求用于认证，一次请求用于购买。三次 HTTP 调用，全流程无需人工干预。什么不会改变

整个销售漏斗就此消失了吗？并没有，它只是经历了重构与优化。1/ Trust becomes machine-evaluable 信任进化为一组可被机器量化的指标品牌并没有消失，而是转化为了一套可靠性评分系统。未来，Agent 会像审计员一样，实时追踪并对比各家服务的运行状态：在线率够不够稳？响应准不准确？延迟波动大不大？数据来源是否可追溯？在这样的环境下，竞争逻辑随之变化。能够证明自身输出准确性的服务，即便价格更高，也更容易被选中。无法提供可验证依据的服务，哪怕更便宜，也会因为不确定性而被降权。来自 Agent 服务目录的早期数据揭示了一个残酷的真相：在一项针对 44 个服务的抽检中，竟然只有 2 个能完全正常工作。直接调用服务的成功率只有 53%。这说明，可靠性就是产品的全部。那些不稳定的服务（Dead services）将面临最严厉的惩罚，它们会永远失去 Agent 的调度，流量瞬间归零。2/ Policy still gates purchasing 规则依然是购买行为的终极门槛虽然 Agent 可以秒级完成交易，但它们必须在既定框架内运行，比如支出上限、供应商白名单、数据存储要求等。传统的销售漏斗（吸引、说服、转化）并没有消失，而是进化了。现在的筛选标准是既要“快和便宜”，更要“合规、可信、可审计”。 不符合合规要求的服务，性能再强也不会进入备选名单。与此同时，合规性本身正在转化为机器可读的代码。 以前需要逐字阅读的服务条款，现在变成了机器秒读的结构化数据。数据存多久、权限怎么设定，全都写在了 API 的数字标签里。那些由合规约束的 Agent，会本能地避开黑盒服务，优先采购那些支持程序化验证的可信供应商。3/ The adversarial environment is real Agent 时代的丛林法则并不是每一个接口都值得信任。有的会返回无效甚至错误的数据，有的会借机收集不该获取的信息，还有的夸大自身能力，只为了吸引更多调用流量。因此，Agent 不能只看表面结果，还必须具备一整套防护与验证能力，例如结果校验机制、隔离运行的沙箱环境，以及基于历史表现的声誉加权路由策略。只有这样，才能在复杂环境中筛选出真正可靠的服务。对于服务商来说，愿意在“可验证性”和“透明度”上投入资源，会带来长期优势。因为在机器主导决策的市场里，系统优先选择的是可证明、可追溯、风险可控的服务。最终，可信度本身就成为最核心的产品能力。打造 Agent 原生服务

Agent 已经在花钱了，只是它们正通过为人类设计的笨重界面来操作：注册密钥、浏览账单后台、解析浏览器专用的价格页。正如前面所分析的，如果创始人想把产品或服务卖给 Agent，请参考这份清单：

Machine-readable capabilities 机器可读的能力描述： 以结构化格式（如 JSON）发布服务功能，而非营销页面。Pricing in the protocol 协议内定价： 在 API 响应中返回价格。Agent 不会去读你的定价网页。Automatable onboarding 可自动化的入驻： 实现从 Agent 从未听说你的产品（或服务）到成为 Agent 的付费客户的程序化闭环。Provable reliability 可证明的可靠性： 公布实时指标和置信度评分。信任是衡量出来的，不是营销出来的。Be faster and cheaper than self-computation 需要比自我计算更快、更便宜： 这是硬指标。如果 Agent 能花更少钱、用更短时间自己算出结果，它就不会调用你。

未来无限可能是不是这些做法都给了你新的启发，但是我们在实际实践中，还需要延伸思考，以上所描述的经济环境其实是隐含了一些重要假设的。
1/ Agent 会成为主要采购主体

它假设未来大量服务调用和采购决策由软件自动完成，而不是由人浏览网页、阅读报价单再做决定。但如果企业仍然保持人工审批和主观判断为主，这套“机器优化市场”逻辑就不会完全全面成立。
2/ 搜索和评估成本接近零 这是对 Ronald Coase 理论的延伸。它假设 Agent 可以通过标准化注册表快速发现能力、比较价格、验证可靠性。如果现实中能力描述高度碎片化、接口标准不统一、质量难以验证，那么搜索成本不会真正趋零。3/ 决策函数高度理性它假设 Agent 严格按速度与成本优化，不考虑品牌、关系或情绪等因素。这意味着市场会向极度理性、边际成本驱动的方向演化。但如果企业刻意将品牌、长期合作关系或战略绑定写入规则，这个假设会被削弱。4/ 接口可标准化它假设价格可以写入协议层，能力可以用结构化 JSON 描述，支付可以程序化完成。如果基于未来的支付系统、法律体系或合规要求等，无法支持这种自动化交易，Agent-native 市场恐怕难以形成。5/ 可靠性可以由机器来评估它假设服务的在线率、延迟、准确性都可以被量化并公开。如果大量服务缺乏可验证的指标，agent 就无法理性优化，市场仍然会依赖品牌与信任关系。
6/ 支付架构的标准化

它假设支付将成为互联网的基础协议（Protocol），而非应用（Application）。 比如金融基础设施允许微支付（Micropayments），即单次调用只需支付 0.001 美元，且无手续费损耗。

这其实是非常具有挑战性的，事实上微支付在技术上可行，但在现有金融体系中手续费、清算延迟与合规成本仍然存在。若缺乏低成本清算网络，单次 0.001 美元级别的支付难以实现规模化。只有当支付协议与互联网基础设施深度融合，自动化交易才可能普及。这一假设将会依赖金融基础设施的演进，而不是单纯技术突破。

尽管上述技术路径充满了各种现实挑战，但商业逻辑的演进从不以障碍为终点，而以效率为导向。

历史经验反复表明，当一项技术同时降低成本、缩短时间并扩大规模时，它最终会重塑商业边界。AI 的演进也是如此。

继续阅读：

从地球电网到恒星文明：解构 Elon Mask 的“万吉瓦”算力蓝图

Anthropic宣布完成300亿美元G轮融资，投后估值达3800亿美元

NVIDIA 拟 20 亿美元战略增持 CoreWeave，共建 5 GW 级 AI 算力基础设施

OpenAI 投资 Altman 的脑机接口公司，一笔高度闭环的前沿押注？

以光扩展规模：共封装光学（CPO）如何支撑下一代 AI 互连 （一）

以光扩展规模：共封装光学（CPO）如何支撑下一代 AI 互连 （二）

以光扩展规模：共封装光学（CPO）如何支撑下一代 AI 互连 （三）