WAIC最冷靜的8小時：20位CEO，把AI實賬攤在了虎嗅的桌上

題圖| AI生成，非WAIC實景

7月18日早上，WAIC開館不到10分鐘，上海世博館門口長隊就排到了十幾米開外。

10萬平方米，1100多家企業、3000多項展品，200多家企業的機器人打球、翻跟斗、上模擬產線，人群中包括阿姨們都舉著手機，為每一個動作高興、鼓掌、錄像。

世界模型、開源智能體、Token經濟、OPC……幾乎所有正在升溫的AI概念，都有自己的展臺和論壇。

WAIC現場從來不缺讓人停下來的瞬間。

但在39℃的上海，虎嗅在WAIC會場直播間里的討論，和熱鬧保持了一點距離。

這一天，我們請來了20多位產業一線的實干家：

有人剛接待完重要人物，跑了2公里、帶著汗意趕進直播間；有人剛結束上一場的主題演講，一路小跑坐進了圓桌；有老一輩知名互聯網人，正在All in AI；也有曾經的華為"天才少年"，如今的機器人創業者。

連續8小時、7場直播，我們只追問一件事：當AI從模型能力走向真實產業，它到底創造了什么商業效率與價值？

• Token便宜了，為什么賬單還在漲？

• 機器人會干活了，什么時候能穩定進廠？

• Agent會寫方案了，企業敢不敢交出真實流程？

• AI硬件能讓人排隊體驗，為什么還沒成為每天使用的產品？

七場討論中，有一個詞反復出現：真實的商業結果。

以下，是我們聽到的答案。

第一場｜Token便宜了，賬單為什么更貴了？

嘉賓：姚欣（PPIO聯合創始人&CEO）、劉奇（優刻得副總裁）、付智（共績科技聯合創始人&CEO）｜主持人：陳伊凡（虎嗅科技主筆）

虎嗅把第一筆賬，放在了AI最底層的"燃料"上：

Token越來越便宜，企業的AI賬單為什么沒有跟著便宜？

過去用大模型像打一次電話：問一句、答一句，花了多少Token算得清楚。

Agent出現以后，用戶交給AI的不再是一個問題，而是一件要它從頭辦到尾的事。

比如完成一份報告，它要搜索、讀幾十份文件、調不同模型、寫代碼、反復修改，失敗再重來。

原來是"問AI一句話"，現在是"請AI跑一趟腿"。跑這一趟繞的路、返工次數，才決定最終成本。

姚欣在現場披露了一個標志性數據：

"5月份，由OpenClaw、Hermes 等 Agent 發起的調用量，已經全面超過人的調用量。"——姚欣

Token的第一消費者，正在從"人"變成"機器"。

過去的云計算是為人設計的，用量跟著人的工作和睡眠走，有波峰也有波谷；Agent的調用則是碎片化、高頻化、7×24小時不停歇的。

更大的變化不只是"用得更多"，而是"用法變了"。

人是一問一答，Agent卻可能平時一動不動，一到執行時間突然集中干活；多Agent協同時，可能同時拉起上百個運行環境，做完又瞬間收縮。

對算力公司來說，這像一家餐廳平時沒客人，每隔半小時突然涌進幾百桌訂單。

按最高峰長期備著機器，大部分時間都在閑置；不提前準備，需求一來又接不住。

所以Agent時代的基礎設施，不能只回答"有多少張卡"，還要回答三個問題：

需要時能不能馬上提供？用完能不能馬上釋放？后臺換了機器，客戶能不能無感？

付智舉例說明了這種波動：

一款AI應用走紅后，算力需求短時間從200張卡沖到1900張卡——沒有企業會為一個不知何時出現的高峰，長期買下2000張卡放在那里等。

彈性算力解決的正是這個問題。但真正難的不是找到閑置機器，而是資源切換時讓客戶毫無察覺。

他的結論是：便宜的算力并不稀缺，又便宜、又穩定、需要時還能馬上找到的算力，才稀缺。

"大家都在吃外賣，但今天的外賣是用卡車送的。未來要優化成用小汽車送、用電驢送，效率才會高。"——付智

劉奇把降本總結為四個字："向外取，向內求。"

向外取，是主流算力卡稀缺時，加大與國產芯片和社會閑置算力合作；向內求，是不增加機器，先把手里每一張卡的能力壓榨到極限。

"云計算誕生之初，就是把閑置的CPU和存儲拿出來給大家用，削峰填谷是本質。"——劉奇

他的第二個判斷：

"圍繞AI應用和任務、按效果付費的模式一定會出現——就像十五、二十年前，廣告行業走向按效果付費一樣。"——劉奇

在需求端，他提醒，100張卡的問題和1萬張卡的問題不一樣——不盲目追求規模，先把效率做好，再自然演進。

三位嘉賓指向同一個判斷：企業降本不能只盯著大模型價目表。就像出差不能只看機票——一項AI任務的真實成本，包括調用、工具、返工和為高峰準備的閑置資源。

Agent時代真正該算的，不是"每百萬Token多少錢"，而是：

讓AI真正辦成一件事，到底要花多少錢？

如果事情最終沒有辦成，Token再便宜，也只是讓浪費變得便宜了一點。

第二場｜機器人進廠，先別問它多聰明

嘉賓：王闖（智元合伙人&高級副總裁）、李大海（面壁智能聯合創始人&CEO）、謝晨（光輪智能創始人&CEO）、張濤（光象科技創始人&CEO）｜主持人：宋思杭（虎嗅科技編輯）

機器人館是全場人氣王。但這場直播把討論從展臺動作，帶進另一套評價標準：機器人能完成一次任務之后，能不能把同一件事連續做對一千次、一萬次？

產線不獎勵偶爾的高光

王闖把機器人進廠分為五步：實驗室驗證、客戶現場POC、進入正式產線、批量推廣、產品周期維護。

行業整體還在從POC走向測試線的過程中，但少數邊界清晰的場景已經跑通。他現場分享了平板質檢案例：

8臺機器人已完整并線、小批量推廣，并完成了首次連續6天公開產線直播，"成功率做到了99.99%"。

這個數字真正說明的是：在每天重復上萬次任務的產線上，1%的失敗，就意味著持續不斷的異常和停線。

產線不獎勵偶爾的高光。機器人商業化首先要守住的，不是能力的最高點，而是穩定性的最低線。

他的第一條經驗：連續作業比單次速度更重要。

"達到人類效率的50%或者60%，就可以開始工作。"——王闖

機器人不吃飯不睡覺，能穩定連軸轉，全天產出就可能成立；進入真實環境后，節拍還會肉眼可見地提升。

第二條經驗反直覺：選對場景比追求通用更重要。

他們探索過上千個場景，最終收斂到平板和3C上下料這類邊界清晰的工作；連最擬人的靈巧手，在壽命、節拍和算法成熟度上也過不了工業這關，產線上反而用更簡單的夾爪。

"客戶不會為'更像人'付錢，只會為任務完成得更穩定付錢。"

具身智能需要自己的"GPT-3.5時刻"

李大海回答了一個問題：為什么今年才進場？

"2024、2025年行業很熱，但我們追求的是具身智能的'GPT時刻'，不是把某個特定任務做到很高的成功率，而是產品不完美、甚至有點笨，但已經便宜易用到能被真實用戶持續使用，數據飛輪就會轉起來。

"今年本體連續作業能力成熟了，我們判斷機器人的‘大腦’該走完全泛化學習的路，并在WAIC發布、開源了具身模型系列。”

至于VLA與世界模型之爭，他的態度很克制：

技術史就是分散、驗證、收斂的循環，世界模型不是一個架構，而是對模型提出的要求——理解物理世界的規律。客戶不會為概念付錢。

數據不是燃料，是機器人接受的教育

謝晨的判斷是：上一代AI卡在算力，物理AI更可能卡在數據——

機器人要的不只是互聯網圖文，還有人手的接觸、摩擦、受力和失敗反饋。他留下了值得記住的一句話：

"數據不是燃料，而是教育。"——謝晨

機器人不是一次性吃進數據就能畢業。真實人類示范是老師和教材，仿真負責規模化練習和考試，部署之后還要不斷帶回錯誤和反饋。

先做出能覆蓋70%問題的產品，再談通用

張濤把話拉回客戶現場：現階段先守底線，再談上限。

"機器人上去不能出事故，還得能干活。"——張濤

這兩條先做到，才有機會逐步提效率、降成本。哪怕單一場景，客戶要的也是復合指標：精度、節拍、可靠性、平滑度，缺一不可。

通用本體一機包打天下現階段并不現實。他們進入工業場景前，先拆解了上千項制造工藝，把任務和環境全部研究清楚，再據此定義本體——不是先做出一臺機器人，再到處找它能干什么。

這場在具身智能火熱現場的理性討論，讓人有所體悟：

展臺上的機器人負責讓人看見未來；而在展臺之外的產線上，那些動作不炫目、卻能穩定完成第一千次任務的機器人，才開始回答：機器人究竟什么時候，才能真正成為生產力？

第三場｜Agent進企業，半年只是起步價

嘉賓：胡一川（來也科技聯合創始人&CTO）、毛春景（施耐德電氣數智化轉型總設計師）、馮雯（MiniMax AI架構師）｜主持人：張卓（AI鬧創始人）

分歧從開場第一個問題就出現了："如果今天有一位AI同事入職，你敢把真實工作交給它嗎？"

毛春景選了謹慎——只交安全可控的事；胡一川選了敢，但加了個前提："我先試，它證明自己能勝任，我就把更多工作交給它。"

兩種選擇背后是同一個問題：企業不是不相信AI，而是還沒有一套可以驗證、授權和追責的信任機制。

Agent進大企業，要翻"三座大山"

毛春景指出三大硬核關卡：

• 知識關，約3—4個月，把員工腦子里的經驗變成Agent能調用的知識資產；

• 系統關，3—4個月起步，老系統是給人點界面用的，沒為Agent準備接口；

• 治理關，約1—2個月，Agent能讀什么、改什么、出錯誰叫停。

三項可以并行，但他的結論很直白：

"想真正看到效果，半年是起步價。"——毛春景

全場最有火藥味的一段也來自這位甲方。過去SaaS按席位收費，預算好做；

現在按Token計費，一個應用會消耗多少Token沒有標準，大企業連預算都沒法做：

"價格高不要緊，只要有依據，我還能討價還價；現在是我連'該在哪兒用它'都評估不了。"——毛春景

被問怎么穿透部門墻，他沒先談技術：“第一關是人心。”

他們先找變革意愿最強的制造部門立標桿，再向銷售、研發、財務推廣——先通人心，再通流程，最后通數據。

模型有了"大腦"，企業還要給它準備"手腳"

胡一川回答了"為什么偏偏是Coding先跑通"：編程任務完全數字化、工具鏈成熟，而且代碼寫完可以自動測試——結果可驗證。

Coding不是因為最容易被替代，而是因為結果最容易驗收。

他們內部研發與非研發團隊的人均Token消耗量相差約10倍，說明其他部門還遠沒有這樣的驗證機制。

他也潑了冷水：用慣通用AI產品的客戶，天然覺得Agent可以立刻進企業干活。

"這顯然是高估了。模型夠強只是必要條件，企業的系統、數據、知識是否對Agent開放，這些基礎不具備，落地就有巨大的鴻溝。"

而過去十年做的RPA（流程自動化）反而成了資產：

模型負責理解和判斷，RPA負責打開系統、填寫數據、提交流程。

所以他的建議是：先別問要建多少個Agent，先問企業的知識、系統和流程，能不能被Agent調用。

他最重要的判斷落在流程上：只在舊流程里插幾個AI按鈕，價值有限；

企業要把流程從"以人為中心"改造成"以Agent為中心"。而這是組織和文化變革：

"AI轉型一定是一把手工程。"——胡一川

模型越聰明，企業越需要確定性

馮雯解釋了"為什么過了benchmark企業還是不敢上線"：

大模型基于概率生成，哪怕只有0.1%的不確定性，落在財務、生產、定價流程里都可能是巨大損失。

模型廠商一邊要摸高智能上限，一邊要保證企業需要的確定性，兩者天然有張力。

模型越聰明，企業反而越需要驗證、權限管理和人工兜底。

對定價質疑，她的回應是：別只比Token單價，要比任務總成本。

"一個任務原來要1億Token，優化后只用十分之一，即使新模型單價更貴，客戶依然是省錢的。"——馮雯

三位從甲方、服務方、模型方出發，指向同一個結論：

企業不缺一個會回答問題的Agent，稀缺的是一套讓它進入系統、使用工具、接受驗收，并在風險邊界內承擔任務的制度。

直播收尾時，主持人張卓給整場定了調：

企業敢不敢把Agent放進真實流程，最后拼的不是技術——真正的考題是人和組織的變革。

第四場｜把AI裝進硬件不難，讓人每天使用才難

嘉賓：吳強（后摩智能創始人&CEO）、李元慶（樂享科技聯席CTO、穹明智能總經理）、趙維奇（Rokid全球開放生態負責人）｜主持人：陳伊凡（虎嗅科技主筆）

行業等"下一個iPhone"等了幾年，眼鏡、機器人輪番登場，第一次體驗都很驚艷——然后呢？

三位嘉賓的共識是：消費AI終端要成為剛需，得同時算清三本賬。

• 技術賬，算力、功耗、成本怎么平衡；

• 數據賬，誰能拿到真實場景的數據；

• 信任賬，價值是否大到讓用戶愿意交出隱私。

家庭機器人的第一天，可能只是個"笨蛋小朋友"

李元慶先拆了一個迷思：家庭機器人不能套用傳統消費電子的打法。

掃地機器人解決掃地，痛點和驗收都清楚；但家庭具身機器人進家門的第一天，可能只有幾個成功率30%—50%的單項能力。

他用了全場最形象的比喻：

"機器人走進家庭的第一天，大概率是個笨蛋小朋友，然后在這個家里慢慢成長成少年、科學家、博士。"——李元慶

所以邏輯是反過來的：先進家庭，再靠真實數據把成功率養上去。仿真覆蓋不了真實家庭的家具擺放、成員習慣和突發狀況。

"大家都說這個時代最該搶的是算力和能源；對做產品的初創團隊來說，最該搶的是產品走進家里之后產生的數據。"——李元慶

他也坦率擺出不可能三角：夠聰明、夠便宜、數據不出門，現階段難以兼得。

破法之一是極致輕量化——30公斤以下，用戶能把它抱進家門。

消費者不會因為"未來可能變聰明"，無限容忍今天不好用。

至于取代手機？他的態度冷靜：手機是社會基礎設施，機器人與它更像"手和腳"的協作。

"Token自由"并不免費

吳強補了另一筆賬：Token該按次付，還是一次性買斷？

Agent的出現改變了端側芯片的需求——機器人、眼鏡、AI PC都要在本地跑多模態大模型，還要求低功耗、低噪音。

他把任務分三類：數據敏感或斷網的放本地；80%—90%的高頻任務在端邊完成，最復雜的10%—20%上云；純對話留在云端。

對應兩種模式：云端按量付費、越用越貴；端側一次性投入、邊際成本極低。

端、邊、云不是路線競爭，而是成本、功耗和體驗之間的一種任務分工。

客戶也不會為某種芯片技術路線買單——他們看的是設備能不能更小、更省電、更安靜，同時保留足夠的智能水平。

他的關鍵判斷是：當一套端側設備降到幾千元至一萬元區間，"不再為每一次Token調用操心"就會形成真實吸引力。

"Token自由是一種心態，但需要付出一點代價。"——吳強

真正的AI終端，不是把最大的模型強行塞進最小的硬件，而是知道每一類任務應該在哪里完成。

新終端不是把手機界面搬到眼前

趙維奇負責解釋交互層的變化：從GUI走向自然的NUI，以及更自然的AI驅動的主動交互界面AIUI。

過去是你拿出手機、解鎖、打開App、逐層找功能；未來設備基于視覺、語音、位置和長期記憶主動服務。

比如當你準備趕飛機時，眼鏡能夠結合日歷、實時路況等，主動提醒出發，并持續提供路線等關鍵信息。

他認為行業最大的變化，是從關心上下文走向理解用戶長期的習慣和記憶。

下一代人機操作系統，讓設備更懂人——不只回答問題，而是主動調度資源、幫人把事辦了。

多終端也不會被一個全能設備統一，判斷新終端是否值得存在，標準只有兩個：場景和成本。

新終端的價值，不是把手機界面搬到眼前，而是通過主動智能，讓服務在用戶操作之前發生。

"降低使用與學習成本，讓體驗自然發生。"——趙維奇

三位最后收斂到同一個畫面：

新奇能讓人停下來體驗；剛需的標志，是用戶不再意識到自己正在操作AI，只是自然地把事情完成。

第五場｜AI應用到底怎么賺錢？三位CEO把方法論攤開了

嘉賓：孫克強（Mizzen AI創始人&CEO）、趙充（像素綻放創始人&CEO）、翟星吉（語核科技創始人&CEO）｜主持人：張卓（AI鬧創始人）

第一筆錢，來自足夠痛的問題；第二筆錢，來自結果能夠重復出現。

這場直播開場就定了規矩：不問"AI能做什么"，只問兩個問題——怎么收到錢？怎么讓客戶再付一次錢？三位跑通閉環的創業者，給出了三套相互印證的方法論。

趙充：先驗證"有人付錢"，再談一切增長。

他選場景的標準是"市場大+痛點痛"：

PPT不是最前沿的AI任務，但它承載融資、匯報、銷售這些高價值時刻，痛點越具體，付費越好驗證。

路徑上先C后B——個人用戶覺得好用，會推薦公司采購。他最鋒利的觀點是驗證節奏：

"第一天、第一個月，就知道產品行不行。"——趙充

付費率長期很低、靠新增用戶掩蓋問題，增長越快、虧損越大。

他還提醒，毛利高不等于生意好——Token成本只占幾個點，真正的生死線是獲客成本。

Agent還把過去"不值得做"的生意重新變得值得做——以前參與一次比稿要五六個人忙一兩周，成本太高就直接放棄，現在隨時能比。

孫克強：把依賴人力的行業，重做一遍。

用戶研究是千億級全球市場，但靠研究員一個個訪談，規模永遠跟著人頭走——這正是AI可以平臺化的地方。

一家消費電子頭部客戶，過去30天訪談30人；接入Mizzen后，AI主持、一晚8小時訪談200多人。

變化的不只是效率，而是企業使用調研的方式。他同時劃了一條高信任產品的底線：

AI可以壓縮交付過程，但不能偽造交付依據。

AI負責主持、追問和整理，但洞察必須來自真實用戶，每個結論都能追溯到原始表達。

翟星吉：賣的不是軟件席位，是崗位能力。

AI最該進入的，是人才最貴、卻把大量時間花在臟活上的崗位——解決方案專家值錢的是判斷客戶、設計策略，但他們每天在寫方案、改標書，"他非常想把這件事交出去，但交不出去"。

原來5個專家干的活，現在2個專家加Agent就能完成。

數字員工的定價參照物不是軟件席位，而是崗位——對標一名中級員工的年度成本，承擔多人的工作量。

Token決定產品不能低于什么成本，客戶獲得的業務價值決定產品最高能收多少錢。

被問"模型越來越強，應用公司憑什么存在"，他一句話收尾：

"大廠在賭能動性——連接工具、跑長任務，這些是入場券。我們賭的是Context。"——翟星吉

他還警告：PMF沒驗證就鋪銷售、鋪增長，本質是加速死亡，"像用網兜撈水"。

三位給出的，是同一個商業閉環的三道門檻：用戶獲得足夠價值，愿意持續付足夠的錢，交付之后服務商還能留下毛利。

第六場｜當執行變便宜，組織里什么會變貴？

嘉賓：黃有璨（超級OPC聯盟發起人）、吳承霖（DeepWisdom創始人&CEO）、施雯靜（AI Native組織產品創業者）｜主持人：李繼剛（AI探索者）

每家公司都在用AI工具了。但"用了很多AI工具的舊組織"和一家真正的AI-Native公司，差在哪里？

組織的基本單位，可能不再是崗位

黃有璨給了個定義：組織里應該有若干價值節點，每個節點都能自然形成"價值閉環"，而不是靠崗位拼接才能成事。

他對自己過去的管理方式做了次誠實復盤：很多協作的本質是"容忍"——你的時間覆蓋不到所有事，只能接受別人交付70分的結果。

有了AI之后，答疑、執行、信息整理，可以由更接近本人標準的Agent完成。真正值得保留的協作只剩三類：

各自有獨立價值閉環的人、能擴展現實邊界的伙伴、AI暫時做不了的明確事務。

那些只做信息轉述、沒有判斷權和完整結果的"中間態崗位"，價值正在明顯下降。

但一人公司不等于永遠一個人：用戶到幾萬、幾十萬，穩定、合規、履約責任會迅速增加。

規模化本身，就是重新需要組織的理由——OPC不是永遠一個人，而是只在真正需要價值和責任時，才建立組織。

被問"還有什么必須留給人"，黃有璨列了三件：

從0到1的探索、關鍵關系的維護、心力和愿力——這也是全場金句：

"AI可以把事情做得差不多，給你幾個方案說'老板你看行不行'。但它沒有那種無日無夜、非把一件事做出來不可的偏執。"——黃有璨

對普通人的出路，他反而讓人松了口氣：“不是每個人都必須成為超級個體——沖進洪流"。

多數企業只優化了執行，沒有減少溝通

吳承霖解釋了那個讓很多企業困惑的問題：為什么有人提效數倍，大多數企業只有30%？

他的回答是：大多數公司只用AI優化了執行，卻沒有取消溝通。

員工大量時間耗在信息同步、會議和等待上，只優化剩下的執行時間，怎么優化都有上界。

真正該問的，不只是"這份材料怎樣寫得更快"，還有"這份材料為什么需要在五個人之間傳遞"。

個人提效只有在協作摩擦同時下降時，才能變成組織效率。

"真正的第一步不是研究怎么提效，而是怎么通過組織設計，讓溝通不再被需要。"——吳承霖

管理者的職責隨之收斂為三件事：Plan、設標準、Review——這套機制對人和對Agent，正在變得統一。

超級個體，不會自動組成超級團隊

施雯靜把問題拆成三層：超級個體、超級團隊、超級組織。

個人提效是工具問題；但一群超級個體湊在一起未必更強——"一堆'復聯英雄'在一起，吵架可能更激烈"；

判斷企業是否真正AI-Native，要看組織是否重設了流程，要看隱性經驗和專家知識，有沒有沉淀成"可被Agent調用"的組織資產。

個人提效是工具問題，團隊協同是流程問題，組織升級是資產問題。

她給人機邊界劃了三個詞：執行、判斷、擔責。

交付出了問題，企業不能"刪除一個Agent"就了結，所以價值閉環小團隊必須同時拿到三樣東西：責任、資源、判斷權。

AI可以提高生產速度，卻不能替企業解決權責不匹配。

她還給一個詞“平了反”："眼高手低"不再是貶義詞——審美和標準很高、執行偏弱的人，AI正好補上執行。

談到什么人會起飛，主持人李繼剛說出利落的一句總結：

面對新事物，"怎么讓AI不取代我"和"怎么讓AI幫我做成一件事"，是兩種完全不同的心態——

"這并非防守姿態，而是進攻姿態。"——李繼剛

施雯靜補了一類人：喜歡偷懶的人——總想自己干完的人，不會想到讓AI替自己干。李繼剛順勢補了一刀：

"偷懶是生產力的驅動力。"——李繼剛

這一場的結論很清晰：AI把執行變便宜之后，公司最貴的東西不再是任何可標準化的技能——

最貴的是定義問題的判斷力、贏得信任的關系、堅持標準的偏執，以及出事之后仍然站出來擔責的人。

第七場｜世界模型之后，機器人還要學會算賬

嘉賓：段炎彪（云跡科技副總裁）｜主持人：宋思杭（虎嗅科技編輯）

感謝零跑的支持。

世界模型知道會發生什么，價值判斷決定什么值得發生。

今年行業都在談"世界模型"，段炎彪的觀點很克制：世界模型幫機器人把動作做準，但動作正確不等于業務成功——送物機器人順利到了電梯口，卻堵在那里等了15分鐘。每個動作都對，整體任務卻失敗了。

他的第二個判斷：具身智能的真正產品，不是一臺機器人，而是一套任務系統。客人看到的只是機器人把外賣送到門口，背后是訂單、機器人、電梯、電話、人員的全套協同。

他也對"人機共生"重新定義：更務實的方法——要求機器人獨立處理100%的異常，成本會迅速推到算不平的地步；更現實的系統是機器人處理80%的標準任務，把20%的異常順利交給人。

"機器人不是取代人，而是與人一起協作創造更大的價值。"——段炎彪

他也直言行業最大的障礙仍是ROI算不平——技術能夠實現，不代表客戶現在值得采購。

"因為價值需要考慮成本。"——段炎彪

上一個階段的機器人比"能不能做"，下一個階段要比"值不值得做"。

尾聲

7月18日傍晚，WAIC展館里的人流仍然沒有完全散去。

站在會場里，很容易產生一種感覺：AI能做的事情，正在以越來越快的速度增加。

但經過七場直播，我們更清楚地看到，能力增加只是產業變化的開始。

真正困難的，是把這些能力接入一條完整的經營鏈路：

• 先解決能不能做，再解決能不能穩定做；

• 先進入流程，再證明結果；

• 先收到第一筆錢，再回答客戶為什么復購；

• 最后重新安排人、Agent和組織之間的關系。

一天后，以39℃高溫開場的這屆WAIC，突下了一場暴雨。機器人被撤下展臺，Demo停止運行。

而屬于AI的這本經營賬，也才剛剛翻到最難的一頁——

這些Token最終到底能創造出多少可以被驗證、被付費、被復購，也能夠被負責的商業價值？

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4877064.html?f=wyxwapp