9 月 21 日，Meta 收涨超 11%，创去年 4 月以来最大单日涨幅，市值单日增加超 1900 亿美元。
行情的导火索是 Meta 近期推出的个人智能体 Muse。Sensor Tower 数据显示，应用上线六天它在美国 iOS 累计下载超 90.2 万次，远超 Meta 上一代产品的数据表现；到周一，Muse 同时坐在美国 iOS 与 Google Play 免费榜第一，把 ChatGPT 挤了下去。
市场为 Muse 的大热疯狂买单。科技分析师 Ben Thompson 在文章《Frontier Overhangs》中评价道："Muse Spark 1.3 并非最顶尖的模型，但这正是值得警惕的信号——一个并不领先的模型，已经足够支撑一款极具粘性的个人 Agent 产品。"
Thompson 认为，当下前言模型能力已经出现 " 过剩 "，模型能力不再是 AI 企业最重要的护城河，下一个赛点或许是 " 应用时刻 "。
9 月 22 日，腾讯呼应了隔夜 Meta 的涨势，早盘港股跳涨超 6%，盘中最高 463.40 港元。
" 应用时刻 " 将临？
Thompson 提出了一个关键概念：当前沿模型的能力持续提升，但实际产品和用户场景对模型能力的消化速度跟不上时，就会出现 "frontier overhang" ——模型能力过剩。
他援引了一个具体案例：AI 叙事游戏公司 Fable 推出了新一代模型，但市场需求反应平淡。这不是因为产品质量差，而是因为现有模型能力对于该场景已经 " 够用 "，更强的模型并未带来用户可感知的体验提升，自然也就无法转化为更高的付费意愿或更大的市场份额。
Thompson 认为，性能还不够用时，谁把模型和应用层（harness）绑得紧谁赢；一旦越过 " 够用 " 那条线，客户开始在意上市速度、便利、定制、数据怎么处置，模块化就占便宜了。
这个细节具有指示意义。它说明，在某些场景下，模型能力的边际价值正在递减。当 " 更强的模型 " 不再等于 " 更好的产品体验 "，模型层的竞争优势就开始与应用层的商业价值脱钩。
Thompson 进一步指出，在这种背景下，真正重要的是 " 应用层（harness）" ——即如何将模型能力有效地组织、调度和封装，使其能够在具体场景中稳定、可靠地完成任务。模型是引擎，Harness 是传动系统。没有后者，前者的马力再大也无法有效输出。这一框架，为理解 Meta Muse 和腾讯 WorkBuddy 的产品逻辑提供了清晰的坐标。
C 端：Meta Muse 的产品赌注
Meta 推出 Muse，是一次典型的 " 应用层押注 "。根据 Meta 官方介绍，Muse 定位为个人 AI Agent，其底层模型为 Muse Spark 1.3，但产品的核心卖点并不是模型参数规模或基准测试成绩，而是 Agent 能够实际完成任务的能力——帮用户制定计划、执行步骤、追踪进度，在用户的日常生活场景中真正 " 干活 "。
这一定位的背后，是 Meta 对 AI 产品竞争格局的一个判断：在模型能力已经相对充裕的当下，用户真正稀缺的不是 " 更聪明的模型 "，而是 " 能帮我把事情做完的工具 "。Muse 试图成为用户的个人执行层，而不仅仅是一个问答界面。
更进一步看，Muse 的产品重心，实际上将 C 端 Agent 的突破口从 " 模型是否足够聪明 "，转向了 " 用户能否放心交付任务、产品能否连接真实事务 "。Muse Spark 系列模型帮助 Meta 补上了基础能力，但决定 Agent 能否进入用户日常生活的，并不只是推理和生成能力，还包括授权、信任与执行链路。为此，Muse 将独立运行环境、凭据保护和关键动作审批纳入产品设计，以建立清晰的授权边界；同时结合长期记忆与后台执行能力，让 Agent 能够围绕用户目标持续推进任务，而非止步于一次性的问答或指令响应。
从商业逻辑看，这种设计有其深意。个人 Agent 一旦深度嵌入用户的日常工作流，就会积累大量个人数据、偏好和使用习惯，形成难以迁移的用户粘性。这种粘性，才是真正意义上的护城河——而不是某个特定版本的模型能力。
市场对 Muse 发布的积极反应，在一定程度上印证了这一逻辑：投资者对 " 能用 " 的 Agent 产品的兴趣，已经超过了对 " 更强 " 模型的关注。
B 端：腾讯 WorkBuddy 的企业路径
在企业端，腾讯 WorkBuddy 呈现出相似的产品逻辑。根据腾讯云官方介绍，WorkBuddy 企业版的核心能力不在于提供一个通用聊天界面，而在于能够连接企业内部的各类系统和流程，跨平台执行工作任务，将 AI 能力真正嵌入企业的日常运营。
这代表着企业 AI 从 " 工具 " 向 " 执行层 " 的一次关键跃迁。过去，企业购买 AI 产品，本质上是购买一个更智能的搜索或问答工具；而 WorkBuddy 所代表的方向，是让 AI 成为能够主动发起、执行和完成工作任务的 Agent，直接参与业务流程。
对于企业软件公司而言，这是一个需要认真对待的结构性压力。
商业价值的重新定价：从 Token 到结果
模型能力的 " 够用化 "，正在推动 AI 商业模式发生根本性转变。
风险投资机构 a16z 在其报告《You are not a model. Don't price per token.》中直接点明了这一趋势：AI 应用的真实价值，来自其所整合的数据、工具、工作流以及最终交付的可量化结果，而不是来自调用了哪个模型、消耗了多少 Token。换言之，" 卖模型能力 " 的定价逻辑正在让位于 " 卖结果 " 的定价逻辑。
a16z 给出三种收费模式：卖模型访问，按 token 计价；把模型变成有用的工作，按客户认得出的价值单位计价，通常是积分；交付清晰可归因的业务结果，按结果计价。而受访的 50 位企业 AI 技术买家，27 人偏好 " 和可辨认的工作量挂钩的积分 "，14 人偏好按 token 付费。
McKinsey 在其报告《Where AI agents pay off》中提供了企业视角的佐证：随着 Token 成本持续下降，企业在评估 AI 投入时，关注的核心问题已经从 " 这个模型有多强 " 转向 " 这个 Agent 能带来多少可量化的效率提升和经济回报 "。ROI 的可验证性，正在成为企业 AI 采购决策的核心标准。
这意味着，AI 应用公司需要回答的问题，已经从 " 我们用了什么模型 " 变成了 " 我们能帮客户省多少钱、提多少效 "。
产业格局：多模型时代的应用层竞争
ICONIQ 在其《2026 State of AI Report》中对 300 多家 AI 软件公司进行了调查，结果揭示了一个清晰的产业趋势：接近三分之二的受访公司正在开发横向或垂直 AI 应用，多模型使用已经成为常态。
" 多模型使用成为常态 " 这一数据，本身就是模型商品化趋势的有力注脚。当企业可以根据任务需求灵活切换不同模型，模型提供商的议价能力就会受到压制，而能够有效整合多模型、构建稳定工作流的应用层平台，反而获得了更强的议价地位。
ICONIQ 的报告同时追踪了 AI 收入和毛利率的变化。这一数据维度的重要性在于：它将帮助市场判断，应用层的商业价值捕获是否真的在发生，还是仍停留在叙事层面。对于投资者而言，这是区分 "AI 应用故事 " 与 "AI 应用生意 " 的关键指标。
从产业结构看，当前正在形成的格局是：模型层（OpenAI、Anthropic、Google、Meta 等）提供基础能力，应用层（各类垂直 Agent 和工作流平台）负责将能力转化为可交付的结果，而传统企业软件公司则面临被绕过或被替代的压力。这三层之间的价值分配，将是未来数年 AI 产业最值得持续观察的动态。
如果 Agent 可以跨系统完成任务，企业员工就不必频繁进入每一个传统软件界面。软件仍在运行，但界面可能退到后台。
Gartner 预计，到 2030 年，最高 2340 亿美元企业应用软件支出将面临 Agentic AI 带来的风险，约占企业应用 SaaS 支出的 20%。
Gartner 管理合伙人 George Brocklehurst 说："Agentic AI 改变了软件的经济逻辑。Agent 系统直接交付结果，绕开重度依赖用户界面的应用，让软件变得不可见。" 座席数量与软件收入增长之间的传统联系，可能因此被削弱。
压力首先落在依赖仪表盘、功能模块和座席授权收费的厂商身上。企业买家不会因为多了一个 AI 按钮就增加预算；他们会追问，Agent 是否减少人工操作、是否缩短流程、是否提高转化率、是否降低单位成本。
但这不是传统 SaaS 的终结。拥有行业数据、客户关系、系统连接和业务流程控制权的厂商，仍可将自身重构为 Agent 执行层。风险在于守着界面收费，机会在于占住任务执行和结果交付的位置。
需要明确的是，上述分析并不指向 " 模型不重要 " 的结论。前沿模型能力仍然是整个 AI 产业的基础，没有足够强的模型，应用层的构建无从谈起。真正值得讨论的问题是：模型领先，是否还能直接转化为产品优势和商业价值？
从当前的证据看，这条转化路径正在变得更长、更复杂。Fable 新模型需求不佳的案例说明，在某些场景下，更强的模型已经无法带来可感知的用户价值提升；Meta Muse 和腾讯 WorkBuddy 的产品逻辑说明，头部科技公司已经在用 "Harness 应用层 + 工作流 + 用户入口 " 来构建差异化，而不是单纯依赖模型能力；a16z 和 McKinsey 的研究说明，企业客户的付费逻辑正在从 " 模型能力 " 转向 " 可量化结果 "。
这意味着，AI 产业的竞争正在进入一个新阶段：模型能力是必要条件，但不再是充分条件。谁能把通用模型转化为具体的产品体验、稳定的工作流和可验证的商业回报，谁才能在下一阶段的竞争中真正占据有利位置。
而这一变化提示了一个值得重新审视的估值框架：在 AI 领域，模型参数规模和基准测试排名固然重要，但应用层的工作流深度、用户入口的粘性，以及 ROI 的可验证性，可能正在成为更具预测力的商业价值指标。当模型开始 " 够用 "，下一场战争的战场，已经悄然转移。
