大模型亏损已成行业常态，但智能体的商业化之路同样荆棘密布。从精度墙到成本墙，为何Midjourney能年入5亿美金，而多数AI公司仍在融资困境中挣扎？本文用最硬核的财务拆解和场景分析，揭示AI商业化的致命瓶颈与破局可能。

大模型不赚钱，这事不多说，但简单回顾：

• OpenAI据说得2029年盈利，每年亏140亿刀。
• Anthropic据说2028年能盈利，也亏损。
• 刚上市的MiniMax每年亏5个亿刀。
• 智谱和MiniMax差不多，也是每年亏这么多。
• 据说DeepSeek能赚钱，但这行当基础模型基本亏损是确定的。

不能赚钱就主要靠VC，国内VC不给力所以就导致了基模发展的一系列问题。

但基模属于非典型产品，不多说了，下面重点说智能体。（包括做基础模型也做应用的）

智能体也先说结果：

就拿我比较熟悉的Glean举例子，ARR最新报道过了2亿美金，我们就假设每年都是这么多收入，那现在有1000个人，所以每个人对应收入是20万美金。这在AI行当基本会亏损。对应的事件呢，我觉得接下来大概率会继续融资。

类似的，其他明星智能体公司也基本这样，大额融资的包括并购的…

如果就这么多，那就和上波AI有点像，还好不全是，比如：

Midjourney一年赚了5亿美金的时候只有40个人，这就怎么都赚钱的。因为它流量基本还是自然流。

你比如Base44，一年350万美金，还就1个人，这怎么也是赚钱的，不太可能都是投流投出来的。

这样题目从结果看就比较清楚了：大模型能干的事很多，智能体赚钱的其实不多，下面说为什么？

这里我们用有点“土”的方法来解读：

• 精度：能不能在一个具体场景中，稳定完成一件事，而这个事有用。不管是面向用户，还是面向企业你得有用才行。
• 成本：算不算一笔划算的生意，包括模型成本 + 流量成本

精度墙

这里说的精度，并不是数学意义上的小数点，也不是分数。

精度指的是：

在一个真实、具体、可复现的业务场景中，你敢不敢把“是否完成”这件事，交给智能体，而不是交给人。关键不在“会不会错”，而在“你怕不怕它错”。（因为肯定会错）

• 写一段营销文案，错了可以改 ——精度要求低
• 自动生成一张海报，丑一点无所谓 ——精度要求低
• 自动下单、自动投放广告、自动发合同 ——精度要求极高
• 自动和客户谈价格、自动决定是否放款 ——几乎不允许误差

这也是为什么：

• 模型展示能力很强
• 智能体落地能力很弱

这个上我个人判断是：无状态的模型智商还可以，同样信息量下，模型分析判断能力很多情景是超过人的，但倒霉就倒在大多时候变成智能体后，它获取的信息量不如人。这在加上幻觉，就是灾难性后果。经验、感觉这些背后都是信息量，一个人活到当前节点的信息量。

这个精度就是一堵墙。

智能体意味着三件事同时成立：

1. 它要理解目标
2. 它要调用工具
3. 它要产生真实世界的后果

精度墙导致在第三步事就砸了。

在真实业务中，绝大多数场景对“差不多”是零容忍的：

• 下错一次单 = 真金白银损失
• 发错一封邮件 = 法律风险
• 操作错一个系统参数 = 生产事故

这不是模型“再训练一下”能解决的问题，而是：

语言模型天生不是为“确定性行动”而设计的。

你可以通过：

• 规则
• 审批
• 人类兜底（HITL）

来提高精度，但你会发现一个很扯的结果：

智能体越“安全”，它越不像智能体，而越像一个复杂的自动化脚本。

所以现在真正适合自主行动的智能体的场景不多。

这里面Claude Code（这是个智能体）看着就是坚定往这个方向推进，彻底接管程序员的活。

反过来这意味着什么？

如果编程接管的不理想（还好还算理想），那其他的更难，因为着世界绝对没有一个领域比编程的规则更清楚。

成本墙

即使你暂时忽略精度问题，成本也会很快把你拉回现实。

这里的成本，至少有两部分：

1️⃣ 模型成本

这部分大家已经很熟了。

• GPT/Gemini/Claude 等海外模型：贵，但能力强些
• 国产模型：便宜，能力够用，但精度弱些
• Token 单价在持续下降

单看模型成本，乐观情绪是有道理的。但在今天这个时间点是什么样呢？

我们都不说视频，就说文本和图形。

生成一个营销的合格的文案（3000字左右适度配图），成本是多少？

2元人民币左右，那这2元假如你用来赚钱，能赚回来2元么？

大概率赚不回来。

关于成本补充些细节，免得误解：

1. 不是纯粹token成本，包含重试等等
2. 肯定需要综合各种模型，否则更贵

所以视频肯定更差，然后就导致如果用视频做内容就必须期望爆火，可爆火就玄学了，你绝不可能每个都爆火，所以大量尝试和投流然后大概率会赔钱。

2️⃣ 流量成本&人员成本

做内容的，基本每个人都会忍不住投流，卖产品的也会投流，但投流大部分肯定是赔的。

可是忙活半天谁都想救一救，就又忍不住，所以这个就不说了。

人员成本就更明显，如果算小账大概是一个2万月薪的人，一年从企业成本角度算整个支出会逼近40万(房租奖金社保等等）。

也就是说假如平均薪资2万，每个人每年营收100万，必须在去除Token、设备和投流之外，还得有40万毛利才可能赚钱，否则就亏损。

为什么有例外

这时候真能赚钱的就特别值得细看了。

其实答案已经在前面说过了。

比如生成一篇营销文案，成本是2元，指望它对外赚钱，赚回来2元那大概率是亏的。

但反过来假如一个人一天成本是1000+元（2万月薪含各种支出），那只要质量还行，用来代替其他人干活，那就怎么都是划算的。

正常人一天很难做出来10篇高质量内容，而对于智能体它干的肯定更多。

如果大家仔细观察Midjourney这些赚钱的工具，你会发现绝大部分基本是生产力工具。

事实还要再深一层，下面这种表单，你直接看一个直观印象是什么？

人少。

也就是说这些公司不单是生产力工具的制造者，也还是使用者。

《无人公司》不是可选项

《无人公司》面世以来引发种种争议，但如果真看懂了上面这个小账，你就会发现：真做一个盈利，不靠VC养的公司。《无人公司》就不是可选项，而是必经之路。

无人公司不是说一个人没有，而是说有一套智能体的系统可以完整的驱动业务，而人是辅助这套系统的。

就好比你做了个工具，但客服、营销、甚至编码等主要都是智能体系统干。

而做成这套系统显然不容易，就像在书中说的：

要从角色开始重构生产关系，而新的生产关系是智能优先的。

这套复杂体系，在书中没有详细展开，所以就有了后面的配套课程：

这是真的有挑战的，至少比操作豆包什么的要复杂的多，不过如果你看过下面这类文章，你就会发现真想用AI赚钱，本来就不简单：

https://type.earth/all-in-one-generalist/ （这个列表里基本是典型OPC，并且有相当收入规模）

不过建个AI为主的公司肯定比建个以人为主的公司简单，但挑战方面来的不一样。

对于司机来讲，赶马车基本比开汽车更难，但得先扔掉马车那套事（马可不好伺候，我小的时候被从车上掀下来过，摔的我眼冒金星）

小结

我觉得AI的节奏会比互联网慢一些，一个原因是技术还没有完全稳定下来；另一个则是一旦开启上面的过程，那生产关系的梳理远比用互联网相关技术要花更大气力。

故事刚刚开始，且是马拉松，所以想清楚，比今天抓紧干这个明天抓紧赶那个关键。

当然如果你可以拿足够多的VC的钱，那上面说的不需要考虑。