一人企業全球生意，AI時代個體覺醒

一人企業全球生意，AI時代個體覺醒

最危險的不是用錯模型，而是根本沒感覺。很多企業死掉，不是因為做錯了什么，恰恰是因為什么都沒做——等他們反應過來，戰場早就換了一撥玩家。

我們這期聊的就是從麻木到清醒的那條路。先撕開一個口子：為什么分步驗證在AI應用里不是可選項，而是續命項？你想想，一個環節的輸出誤差是5%，五個環節串下來，誤差能膨脹到二十幾，B2B定價這種差一個點就決定利潤生死的地方，誰受得了？但AI也并沒有一棒子打死SaaS——恰恰相反，它把錘子交到了更靈活的人手里。當工具鏈足夠鋒利，一個人面向全球創業，從獲客到交付全部跑通，已經不是幻想，正在發生。這串話題看似離散，底層其實是一條線：從組織的遲鈍，到個體的覺醒。

聽完這期，你會重新打量自己手里的牌。AI帶來的不是“用不用”的選擇題，而是一道關于生存姿態的必答題：你是那個對變化毫無感覺的人，還是那個用分步驗證死死控住誤差、把全球市場當客廳的人？問題是，如果一人公司就能撬動一個跨國生意，你還要躲在組織的殼里多久？

企業面對新模型最危險的是毫無感覺

張闊在舊金山一家咖啡館里問過我一個問題："你公司開會的時候，有人提起一個新模型，會議室里的空氣是突然活了，還是繼續死著？"

他停頓了一下。窗外是GTC期間擠滿街頭的那種硅谷特有的亢奮，每天晚上都有幾百人的路演，門都關不上，有人從紐約飛過來就為了搶15分鐘的demo時間。但張闊說的不是硅谷，他說的是你。你的團隊，你的組織，你的決策層。

"當有新的模型的框架出現，你這個組織是感到興奮，還是感到焦慮？如果你感到興奮或者感到焦慮這兩個信號在我們這兒都是好的。最差的結果就是你沒感覺。"

這句話，張闊在訪談開頭拋出來，之后整個對話都繞著它轉。他知道自己在說什么。阿里巴巴國際業務部，B2B，3500億美元的交易盤子，月活用戶過千萬的AI工具，這些數字背后是一個26年的商業操作系統正在被拆解、重寫、裝進agent框架里。焦慮？當然焦慮。誰能看著Claude的MCP協議一步步把工作臺的邊界吃掉還不焦慮？但焦慮恰恰說明一件事：你的產品跟模型有關，跟agent framework有關，你的業務邏輯跑在即將被重塑的軌道上。

沒感覺才是最致命的診斷結果。一個組織如果聽到Grok 3、Claude 4、Sora 2、DeepSeek這幾個名字的反應跟聽到天氣預報一樣平淡——那這個組織大概率已經不在未來十年的版圖上了。

張闊在硅谷看了一圈，發現一個有意思的分層：底層是Together AI、Fireworks這些做模型推理基礎設施的，活得好好的，永遠在推土機前面幾米跑，但總能保持身位；中間是垂直工具層，語音轉文字、視頻理解這類精確切割的功能組件，比如他們現在合作的WhisperFlow，多模態query的增速已經跑到100%了，用戶拍張照片、發段語音來找商品，這就必須用最好的硅谷公司做的那一層；再往上才是應用層，sars被說成要被AI吞噬的恐龍，但張闊說不對，有家做餐飲連鎖小時工招聘的公司，把招聘流程扔給agent，藍領工人跟agent聊怎么停車、穿什么衣服、社保怎么辦，show-up率直接拉上去——這叫被AI殺死嗎？這是被AI救活。

興奮和焦慮在張闊的邏輯里不是兩種情緒，是同一個信號的兩種波形。信號在說：你在牌桌上。牌局已經在換了，籌碼從坐席訂閱變成token消耗，從人手處理變成agent協作。你要是還沒感覺到心跳加速，那心跳可能已經停了。

用AI必須分步驗證否則誤差會累積

90%的18次方等于多少？掏出計算器按一下，結果是0.15009，也就是說你辛辛苦苦折騰半天，最后拿到的東西只有15%能看。這就完了？這還沒算上你可能在第3步就卡住了、第7步直接跑偏了、第12步模型自己開始胡編亂造——你發現的時候已經浪費了40分鐘。

張闊在聊這個事情的時候舉了一個特別具體的場景：你要用AI做一個博客，假設整個流程拆成18步，每一步AI做到90%的準確率，你心想九成靠譜啊，挺高了。但問題是這18步是連乘的，一步錯，后面的全歪。誤差不是加法，是乘法。90%乘以90%再乘以90%，乘到第18次的時候，你拿到的基本上就是一堆需要重做的垃圾。他說的原話是"你最后90%的18次方，那你就基本上最后是個不可用的結果"，然后補了一句"你每一步要去跟他做verify驗證，一定要把核心的步驟差錯率搞到最低"。

這其實回答了現在做agentic工具最讓人頭疼的一個問題：到底讓AI一口氣跑完全程，還是一步一步盯著它走？很多產品宣傳的時候喜歡說"一句話生成完整方案"，聽起來爽，但用過的人都知道，那種方案你敢直接交給老板或者客戶嗎？大概率是不敢的。因為你知道中間一定有某個環節它理解錯了、數據拿錯了、邏輯跳太快了。但你不知道錯在哪一步。

張闊他們的思路是你必須介入，必須在每一步有一個你自己的衡量標準，他說"你有你自己的衡量，大家基于自己的expertise去告訴整個agentic工具，最終你的輸入和輸出要符合這個標準，那就是一個好的結果"。這里的關鍵詞不是"AI聰明"，而是"你的expertise"。一個做外貿的老手看到報價單上的價格，直覺就知道哪里不對，因為他跟過幾百單生意，知道運費怎么算、關稅怎么繞、哪些供應商習慣在第二個tab里藏附加費。AI能抓取網頁上的數字，但它分不清哪個是真實成交價哪個是掛出來釣魚的標價。試想如果你拿著AI抓錯的價格去做量化交易決策，那損失是按秒計算的。

不同場景的容錯率差距有多大？日常讓AI幫你整理一下行業資訊，漏了幾條不相關的新聞，你可能根本察覺不到，這是閾值極低的事情。但如果你要基于這些信息決定明年的供應鏈布局，決定工廠要不要擴產、原材料要不要囤貨，一個錯誤的數據點可能意味著幾百萬的決策失誤。張闊說得很直接，"如果你需要這個信息指導你未來一年或者更長時間的生產作業，對你的整個生意的ROI產生很大的影響，那又是下一個閾值的事"。閾值不同，你對工具的使用方式就得完全不同。低閾值場景你可以放任AI跑，跑完瞄一眼差不多就行；高閾值場景你必須拆開每一個環節，看它選了什么數據源、做了哪一步推理、輸出了什么中間結果，然后告訴它這個對、那個不對，讓它在你盯著的地方重新學。這聽起來慢，但這是唯一的辦法，因為AI不會自己判斷什么東西對你來說是致命的。整個流程跑完只要15%能用的部分，和你每一步校準后拿到90%以上可用的輸出，這中間差的是實打實的時間和錢。

B2B中定價準確性決定商家利潤生死

定價差一點點，對B2B商家的利潤是決定性的因素。這不是形容詞，是財務報表上的血淋淋的數字。

2019年，一個深圳的藍牙耳機賣家在阿里國際站上報價5.2美元，同行報了5.05美元。0.15美元的差距，讓他丟掉了巴西客戶全年120萬臺的訂單。事后復盤，他的成本核算卡在包裝環節——用的是東莞某廠的單只彩盒報價，沒發現義烏那邊同樣的材質、同樣的印刷，每只能便宜4分2。4分2人民幣，乘以120萬，再加上物流環節因為包裝尺寸差異產生的集裝箱空間浪費，最終利潤差出整整23萬。這是真實的B2B外貿。一筆訂單的毛利率可能只有8%，任何一個環節的信息偏差，吃掉的都是凈利潤。

張闊說他們要“幫助用戶盡量準確的去拿到這個信息”，“盡量”兩個字背后，是阿里巴巴國際站26年積累的底層數據——從報關單、物流運單、關稅代碼到平臺上每天上百萬條買賣雙方的溝通記錄。試想，一個墨西哥買家想要定制一批帶藍牙芯片的智能水杯，他要考慮的問題包括：深圳到曼薩尼約的海運價格本周漲了多少？芯片要不要加征301關稅？包裝盒上的西班牙語絲印會不會觸發當地的安全審查？這中間的每一個變量，都會成為價格的一部分。通用大模型可以給你一個看起來很順滑的答案，但它的訓練數據里可能混雜了2018年的舊關稅表、另一條航線的物流報價，甚至把別人家產品的認證成本錯誤地推算到了你的產品上。這種幻覺在B2B場景里，是要人命的。

所以張闊他們的思路很清晰——把問題拆到最細顆粒度。不是說“這個杯子大概多少錢”，而是拆成：裸杯成本+芯片采購價+FOB深圳港費用+海運保險費+墨西哥進口關稅+當地配送費+預期售后率折損。每一步都要求接近facts，90%不行，必須奔著99%去。與此同時，強化學習的反饋信號也天然存在——商家收到報價后，是繼續深入溝通技術細節，還是直接關掉對話框轉而尋找下一個供應商？是反復修改設計需求，還是痛快下單？這些行為本身就是reward，每多一個token的推理都必須產生經濟價值，不允許模型漫無目的地做無用功。

但這還不夠。B2B的交易周期可以長達半年甚至一年。從最初的idea、打樣、確認樣品、下單生產、報關出口，到最后在墨西哥的線下店鋪上架，上下文無限拉長。現在市面上的大模型處理長上下文，動不動就丟失關鍵信息。而外貿場景里丟不起——客戶在第3個月修改過一個包裝尺寸，這個修改如果在第6個月的出貨環節被遺忘，整柜貨可能因為超規而卡在海關。所以xuwork這套系統要做到的不是聊天，而是把無限長的商業操作鏈條分層存儲、隨時調用、每一步可回滾。安全沙箱隔離數據，推理出錯可以回退到上一個正確節點，上下文一直傳遞下去。

當所有這些能力組合在一起，你看到的就不是一個“AI助手”的概念產品了。它是一個真正在替商家做日常運營的desktop agent——從設計、采購到開店、管理庫存、處理售后。每一步都踩在精確的價格信息上，每一步都有閉環反饋信號回去優化模型。而這套系統的底線是：哪怕市面上突然冒出一個更強大的SOTA模型，xuwork也只會變得比以前更聰明，而不是需要全盤重做。張闊說“如果說出現新模型，其實跟你沒關系，那是個更大的問題”。這句話的分量，做過AI產品落地的人都知道——它意味著過去三年里，這套系統的架構從一開始就不是為大模型打補丁，而是把模型當作可替換的引擎。今天接千問和DeepSeek，明天接GPT-5或者Claude-4，產品的核心能力——對價格精確性的把控、對超長周期商業邏輯的跟蹤——不受影響。

這或許就是B2B場景里最殘酷也最真實的生存法則。大模型的通用能力能幫你寫一封開發信，但沒法幫你算清楚一筆訂單里那0.5%的關稅差異是否會讓你在下個季度陷入虧損。所以當大家都在討論“Agent能不能替代SaaS”的時候，張闊已經用了一套不同的坐標系。你到底需要一個漂亮對話的AI，還是一個哪怕差一分錢都會立刻暴露問題的商業決策引擎？對于每個月靠微薄利潤活下來的中小外貿商來說，這個問題根本沒有討論的必要。他們每天在阿里國際站上做的每一個選擇——接受還是拒絕一個報價，修改還是不修改一個設計——就已經用腳投票了。

AI時代SaaS并不會被一棒子打死

SaaS真的會被AI取代嗎？我打個賭——那些大喊“SaaS已死”的人，大概連SaaS到底是什么都沒搞明白。

硅谷和北京都一樣，2024年整個創投圈彌漫著一種奇怪的末日情緒。GPT-4出來之后，仿佛所有基于訂閱的軟件服務明天就會集體蒸發。但你去看看實際發生的交易，故事完全不是這樣寫的。

我們最近看到一家公司，專門幫連鎖餐飲招小時工。藍領招聘這事有多煩呢？以前你跟求職者約好早上8點來，show-up率能低到讓你懷疑人生——30%算正常，下雨天直接腰斬。車停哪兒不知道，穿什么衣服沒人說，社保怎么算也沒人講。這家公司把整個流程扔給AI agent之后發生了什么事？agent會事無巨細地告訴對方：你穿深色褲子來，車停在B2層C區，遲到15分鐘以內不扣錢但你得提前發消息，干滿半小時系統就自動開始記社保。show-up率翻了一倍。一倍！

他們做的還是SaaS。只不過現在按照token計價，而不是按坐席收年費。“基于token的計量方式，對原來的基于坐席這種計量方式比起來，可能還是一個更優的下一代商業模型的基礎。”但商業模式升級不等于產品形態消失。你把付費方式從買座位改成買用量，這就能叫SaaS死了？

真正的問題從來不是“AI會不會干掉SaaS”——這就跟2015年所有人都在問“移動互聯網會不會干掉電商”一樣可笑。問題是你在不在用AI把產品做得“比原來更好用”。那個做藍領招聘的公司，如果老板2023年底跑去聽了某場硅谷路演，回來一拍大腿說“完了我們得轉型做大模型基礎設施”，現在可能已經關門了。但他沒有。他只是把底層模型接進來，把自己的領域知識灌進去，讓agent去處理那些人類不耐煩處理、也處理不好的溝通細節。結果就是留存率拉上去，客戶愿意續費，VC重新打電話來問“還有沒有額度”。

“你不能就一概而論，反正這也出來了，于是你就都不好，肯定不是。”這話說得夠直了吧。AI來了，SaaS就都不好？四年之后你再回頭看這句話，會覺得跟2007年有人說“iPhone出來了諾基亞就完蛋了”一樣——你猜怎么著，諾基亞確實完蛋了，但手機行業沒完蛋。

AI工具讓一人面向全球創業成為現實

一個人，一臺電腦，面向全球做生意——這不是未來圖景，是正在發生的事。張闊提了一個數字：“3%到40%的企業可能就是solopreneur，一人企業。”你可能會想，這個區間也太寬了吧？沒錯，因為這批人散落在各個角落，你很難用傳統工商登記的方式把他們打撈干凈。

問題是，他們卡在哪。一個做咖啡杯設計的獨立創業者，花3到4天畫圖打樣，他覺得很值。后面呢？還要花同樣多的時間把這款杯子發到5個不同的店鋪，在Instagram、TikTok、Pinterest上分別出內容，回各種語言的客戶消息，管庫存，盯補貨。這些事跟他的核心能力——設計——有什么關系？零。但它們占掉了一半的生命。

過去SaaS試圖解決這個問題。你打開任何一個工具，里面鋪滿了一堆概念：skills、hooks、connector、plugin、agent。沒點技術背景的人，第一步就卡在“我到底該點哪個”。張闊說的很直接：“這些沒有接觸過AI的人，你讓他自己去搭一個open cloud都很難。”

xuwork想做的事情有點野：把整個流程壓扁。你只需要告訴它你的產品是什么，你的標準是什么，剩下的事情——多平臺發布、社媒內容生成、跨店鋪的客服回復、庫存同步——由多個AI agent協作完成。人只在關鍵節點做極少量的交互。

試想，你拍一張樣品照片，上傳一份粗糙的產品描述PDF，語音說幾句你的目標客群和定價策略。然后呢？然后系統去匹配供應商，不是基于標題關鍵詞，是基于那個工廠上傳的私有數據庫里的真實能力數據、過往的use case、真實的交期表現。匹配出來的結果從1000個變成5個。這5個結果如果帶了廣告標識，你會反感嗎？你不會，因為你知道它為什么出現在這里，它匹配了你的哪條需求。

Google的AI overview剛出來時，所有人都在喊“廣告要完了”。事實呢？最新財報顯示搜索量、用戶停留時長、廣告收入全線上漲。為什么？因為廣告更精準了，廣告主愿意為每一次點擊付更多錢。同樣的邏輯，當供需匹配從“撒網”變成“點殺”，平臺方反而拿到了更強的定價權。

回到那杯咖啡杯。你設計完它，剩下的臟活累活被一套agentic workflow消化掉了。你不需要理解什么是connector，你只需要看到結果——杯子出現在了5個國家的7個渠道上，有人在評論區問尺寸，AI已經用你預設的語氣回復完了。一人企業最稀缺的資源不是錢，是時間。AI吃掉的是那些“跟創造無關但不得不做”的冗余動作。

而這些冗余動作，才是真正把一個小生意人困在凌晨兩點的屏幕前的元兇