如果把 2025 的 AI 关键词压缩成两个词，一个是 Agent（智能体），一个是 vibe coding（氛围编程）。前者让“对话”开始具备“执行”的想象，后者把写代码这件事变得像“说人话”一样轻。热度很高，但进入 2026，很多人会有一种更真实的体感：模型能力在飞，但多数人的生活和工作，并没有以同样的速度被改造。
这期 OpenAI Podcast 的有趣之处在于：嘉宾不是研究员，而是 OpenAI 的 CFO Sarah Friar 和 Khosla Ventures 的 Vinod Khosla。一个站在“算力投入、收入与商业模式”的视角看 AI，另一个用 VC 的长期尺度谈“泡沫、需求与产业外溢”。他们讨论的核心不是“下一个模型有多强”，而是一个更现实的问题——当智能已经被交到大众手里，为什么它还没变成大规模的结果？
01 2026 年的故事：Agent 终于要从“演示”走向“真正可见的影响”
Sarah 在开头就给 2026 定了调：2025 讨论了很多 agents，但真正成熟还没到位；2026 的变化，会发生在多智能体系统开始带来“肉眼可见的影响”。
她举的企业例子很具体：不是“帮你写几段文案”，而是让多个智能体去跑完整任务链——例如帮企业运行 ERP 系统、每天自动做对账（reconciliation）、计提（accruals）、合同追踪（tracking contracts）。这类工作本来是典型的“系统工程”：数据在不同系统里，规则有合规约束，还要能持续、稳定、可审计。她的意思是，2026 的 agent 价值不在于更会聊天，而在于能把这种成体系的工作接起来，变成日常运行的一部分。
在消费者侧，她也同样用“旅行规划”这个看似日常的场景说明：为什么 agent 没那么容易成熟。因为一次像样的旅行规划，本质上要跨过你的偏好、餐厅预订、航班时刻表、个人日历等多个信息源——这不是单一对话能完成的，而是一个需要多个 agent 协同的项目。她判断这类体验会在接下来一年左右开始更成熟。
紧接着，她把视角延伸到机器人与“现实世界模型”：她期待的不是某个机器人动作更炫，而是模型开始具备更通用的直觉能力（general intuition），能在更复杂的现实环境里做更可靠的决策。
02 “真正瓶颈不是模型”：能力差距（capability gap）才是 2026 的主战场
这期播客里最关键的概念，是 Sarah 明确说出的 capability gap（能力差距）。
她的描述非常形象：我们已经把“巨大的智能”交到了人们手里，就像把“法拉利的钥匙”给了大家，但很多人还在学习第 一次把车开上路。问题不在于车不够快，而在于多数人还不会开、也不知道能开到哪里。
她进一步把这件事拆成两层：
消费者侧：今天大多数人把 ChatGPT 当成“问答工具”。她真正关心的是：怎么让它从“聊天机器人一问一答”，走向“真正的任务工作者（task worker）”——比如替你把旅行订好、帮你理解医生的建议并获得第二意见、甚至围绕慢病（她提到糖尿病孩子）做菜单规划。这些都不是“回答一句话”能完成的，而是“把结果交付出来”。
企业侧：同样存在一个从“浅用”到“深用”的连续体。企业可能先从“全员 ChatGPT”开始，再走向垂直专业化的解决方案，最终触达那些真正改变关键业务指标的环节。
她还抛了一个非常“残酷”的判断：今天真正把 AI 用到 30% 能力的人，可能都只是个位数比例；更别说 50%、80%。她认为这是一段很长的学习旅程，甚至可能要十年才能让大多数人真正掌握“能用 AI 做什么、怎么用得更复杂”。
为了避免误读，她补了一句很重要的提醒：很多评论者把“采用曲线”当成“能力曲线”。模型会继续变强，但这并不自动意味着所有人都会同步把它用到位。能力进步不等于采用完成。
03 一个很妙的类比：AI 像“刚通电的家庭”，大家先学会开灯，后来才会做饭和取暖
Sarah 用了一个更生活化的类比来解释“为什么体感落差这么大”——我们像是刚把电接进家里。
一开始大家只会开灯，觉得“好方便”；但其实电还能取暖、做饭、卷头发，能改造整个家庭生活方式。她的意思是：AI 现在的状态也很像这样——能力早就在那儿，但人类的创造力、产品形态的迭代、以及“把能力嵌进日常”的工程化过程，还没有跟上。
她顺带提到移动互联网的历史：移动端刚兴起时，很多人只是把桌面网页搬到手机上，体验很糟糕；后来 GPS、摄像头等能力被真正用起来，Uber、移动银行等新用法才出现。她想表达的是：不是硬件一出现世界就变了，而是当人们理解“它还能怎么用”，新的产业形态才会长出来。
04 这也是她为什么不认同“泡沫叙事”：价值已经能落在企业账上
谈到“是否泡沫”，Sarah 的论证方式不是宏大叙事，而是很 CFO：我能把价值量化出来。
她讲了一个非常具体的财务场景：收入管理团队每天要做的事之一，是下载最近签署的大量合同，逐条阅读，找出“非标准条款”，因为这会影响收入确认（rev-rec）与审计风险。公司增长越快，合同量越多，传统做法只有一个：多雇人。于是入门级员工每天做的工作就是“读合同、再读下一份合同”。
她说现在用 OpenAI 内部工具，合同可以隔夜被系统抽取出来，进入表格化数据库（她提到 Databricks），智能体可以自动标出哪些条款非标准、为什么非标准，并进一步推导它对收入确认的影响。更关键的是，它还能把“非标准条款”当作信号：这到底是销售让了不该让的东西，需要去辅导？还是业务模型在变化，某些“非标准”应该变成新的“标准”？
这段叙述的重点不在“省了多少人”，而在：原本的苦活被机器吞掉后，人可以回到更接近专业价值的工作上。她甚至说，这可能让团队更小但更高绩效、更高士气、更高留任率——这些对 CFO 来说都是可以写进指标的“业务更健康”。
她随后举了一个“快公司”的故事：一家 ARR 约 1.5 亿美元的公司，会计部门几乎只有一个人（controller），因为他们用 AI 导向的 ERP 替代了传统系统。这里不必纠结个案的普遍性，但它在播客里的用途很明确：用“现实存在的生产力跃迁”去对冲“你们是不是在泡沫里自嗨”的质疑。
05 Vinod 的“泡沫指标”更狠：别看股价，去看 API 调用
如果说 Sarah 是用企业内部的“可量化价值”反驳泡沫，那么 Vinod 的框架更直接：泡沫不该用股价衡量。
他认为人们把泡沫等同于价格涨跌，本质只是投资者的恐惧与贪婪。互联网泡沫时期，价格可以剧烈波动，但互联网流量本身并没有“泡沫”；同理，在 AI 时代，更该看的是 API 调用量 ——它代表真实使用、真实需求、真实效用。
06 为什么算力还在被疯投？CFO 的回答是：需求被“算力可用性”卡住了
进入算力部分，Sarah 的结论非常明确：需求的限制主要来自算力的可用性。如果今天有更多算力，他们可以做更多产品、训练更多模型、探索更多多模态方向。
她还给了一个 CFO 式的决策逻辑：算力投资不是“看到需求才投”，因为数据中心和供应链有滞后；她必须在今天就为 2028、2029、2030 的算力做决策。如果不提前下单、不给建数据中心的信号，未来就是没有。
更关键的一段是她讲“算力与收入的相关性”。她用年份举例（23、24、25 的算力规模与 ARR 对应关系）来说明：内部观察到“当期算力与当期收入”有很强的相关性，因此 CFO 会把它当作经营指标的一部分来管理，而不是纯技术理想主义。
同时，她也解释了 OpenAI 为什么要从“单一云、单一芯片、单一产品、单一商业模式”变成“多云、多芯片、多产品、多商业模式”的三维结构——她用“魔方”比喻这种组合带来的战略选项：不同的芯片与延迟特性、不同的产品形态（她提到 ChatGPT、Sora 等）、不同的变现方式（订阅、企业 SaaS、信用计费、甚至探索广告与商业），最终目标是把“支付算力成本”这件事变成可持续的系统。
07 医疗：最早体现价值的方向之一，但“限制项”不在技术
医疗段落里，Vinod 认为 AI 会让专业知识更像一种可规模化分发的“商品”；Sarah 则把现实的刹车踏板讲得很清楚：医疗的限制来自监管与边界——处方权、诊断、医疗器械审批等都决定了 AI 能做什么、以什么方式做。
但他们也用具体场景说明为什么医疗会成为“高价值用例”：
对医生而言，AI 是增强：把最新研究、药物相互作用、罕见病可能性放到眼前，补齐人的模式识别盲区。她举了她哥哥在英国重症监护（HDU）的例子：如果在苏格兰急诊出现疟疾，医生未必第 一时间想到，但模型可能会把这种“你可能旅行过”的线索纳入推理范围。
对普通人而言，AI 让你能更早做功课、获得第二意见、甚至在餐厅场景里拍菜单、快速筛选适合慢病需求的菜品，减少沟通成本，把注意力还给“我们为什么一起出来吃饭”。
医疗这段的核心其实是：能力在快速逼近可用，但大规模结果仍要靠流程、监管与产品化路径把它接住。
08 广告与多订阅：当 AI 变成基础设施，商业模式也会变得像“电”一样复杂
他们谈到广告时，Sarah 先强调了一个“信任前提”：哪怕未来出现广告，用户也必须相信模型给你的始终是“最 好答案”，而不是“付费答案”。她希望广告以一种“平台原生、对用户有用”的方式出现（比如你问周末去哪玩，某些服务信息可能确实有帮助），同时必须保留“无广告层级”的选择权。
在订阅上，Vinod 的判断很直白：多数人最终会有不止一个 AI 订阅，这与媒体订阅的行为类似。但主持人也提出了一个很现实的问题：AI 的“记忆”和“长期上下文”会形成黏性，如果你在多个平台之间切换，你会损失这种连续性，这和读不同报纸的多订阅不完全一样。
当 AI 越来越像基础设施，商业模式不会只有一种答案，而会出现分层、组合与权衡。
09 创业公司还有空间吗？他们给的方向是“数据权限 + 复杂流程 + 垂直专精”
当话题转到“OpenAI 做这么多，创业公司还有没有机会”，两人的答案都很明确：机会不仅有，而且会更多。
Vinod 的观点是：没有任何一家公司能包办地球上的所有事情；模型越强，能在模型之上叠加的机会越多。Sarah 则给了更具体的创业切口：
很多价值藏在企业防火墙后，真正的机会来自你能否进入企业数据与流程；
你是否掌握独特数据、并能在复杂工作流里做权限与治理（她以采购系统的“授权链路、审批权限、HR 级别校验”为例）；
代理之间通信会引入新的身份、权限与风险问题，“permissioning”会成为新一代基础设施创业的方向。
他们讨论的创业机会，不是“再训练一个模型”，而是把模型嵌入现实组织的规则系统里：数据、权限、流程、合规与行业语境。
这期对谈其实在反复强调同一件事：智能已经不是最稀缺的变量，稀缺的是把智能用成结果的能力。2026 年真正的变化，会发生在 agent 更成熟、工作流被重写、算力供给逐步释放、以及更多人真正学会“怎么开那辆法拉利”的那一刻。
