Agentic Workflow的兴起，正在瓦解“用户驱动”产品设计的传统

近日，由美国旧金山的财富管理公司ICONIQ Capital发布了《AI Builders Playbook》调研报告，基于对300位软件公司高管（包括首席执行官、工程主管、AI主管和产品经理）的访谈与问卷，描绘了一幅关于AI产品真实构建过程的全景图。（完整报告请点击文末阅读原文）

这份报告值得一看的点在于，它不再关注“企业是否采纳AI”，而是专注于AI产品是如何定义、落地、上线、扩展，以及需要怎样的组织协作、工程权衡、定价方式。

具体来说，ICONIQ将分析框架聚焦在五个维度：产品路线图与技术架构、Go-to-Market策略、人才组织构建、成本与ROI管理、以及AI如何渗透日常运营。

这些主题更像是AI一线操盘者的真实“使用说明书”，有更强的“how-to”取向，而不是趋势概览。

读完后，我们在其中发现了一些有趣的反直觉洞察。本文将这些结论分为两类：符合预期的趋势与颠覆常识的现象，以帮助大家更快地了解AI企业的现状。

不过，Same data, different eyes。数据是中性的，但解读不是。智幻时刻Fungimind尊重并喜爱不同解读让市场信号显影的过程，如果你对这份报告的关键数据有不一样的理解，欢迎和我们交流。

• 云服务和API主导AI基础设施

   

大多数组织显然倾向于完全托管的 AI 解决方案——68% 完全在云端运营，64% 依赖外部 AI API 提供商——因为这种模式可以最大限度地降低前期资本支出和运营复杂性，同时最大限度地加快产品上市速度。

但是，当你不再拥有底层模型，你必须在合同层面建立新的能力：选择什么供应商、怎么谈SLA、怎样应对服务波动、如何控制API调用成本。这些变量不再是IT层面的细节，而是成为商业策略的一部分。

报告进一步指出，只有不到1/4的公司采用混合部署方式，仅有不到1/10还维护自有或本地推理平台。

自控性并不是主流策略，仅在极少数监管敏感或超大规模场景下才值得投资。而随着AI应用逐渐转向实时性和嵌入性更强的场景，那些高度依赖托管平台的公司，未来也可能面临弹性控制与性能边界的再平衡。

在开发效率、运维成本和上市速度的共同压力下，“自研模型”成为少数公司的特权。技术的差异化壁垒未来将会坍塌，竞争的核心逐渐转向谁能更敏锐地定义任务、组织指令、优化调用路径。

•  合规最大挑战是解释性与ROI，而非现存的法律法规

报告显示，企业在AI合规方面面临的最大难题并非合规红线，而是模型的可解释性差、行为路径模糊、影响机制不透明。

尤其是在医疗、金融等垂直行业，产品经理和合规官员共同面临一个问题：如何向客户、审计机构甚至内部团队解释AI做了什么、为什么这样做、带来了什么结果。

这是一种管理透明性的焦虑：不是担心AI犯错，而是担心无法说清楚。这正是新型智能系统的悖论：它们越强大，人类越难界定它们的边界，也越难负责任地部署它们。

报告对AI合规的描绘符合我们对这个行业目前法律边界的想象，真正的难点是技术无法被审计和理解。

另外，多数AI公司尚未建立成熟的合规框架。很多公司采用“human-in-the-loop”兜底式策略；少数公司开始探索自动红队（auto-red teaming）、偏见检测、输出日志归档等机制，但尚无行业标准。

但需要注意的是，合规依然是产品Go To Market的固定成本。企业在销售AI产品时，不得不搭配提供“使用白皮书”“行为示例库”甚至“伦理审核接口”来打消客户疑虑。

合规性不再只是法律部的任务，而是产品设计、市场传播的重要组成部分。

• 成本高地从训练转移到推理与API调用

过去我们认为训练是AI最昂贵的环节，但推理才是核心变量。

高增长公司每月用于推理的成本高达1.6M至2.3M美元，远超训练开销。尤其是使用OpenAI等API服务的公司，API调用成本成为无法压缩的变量支出。

越多人使用AI，成本越高——这颠覆了互联网产品“边际成本趋零”的黄金律。AI产品并非规模经济，而是规模风险。

迫使产品经理不得不扮演精算师的角色，控制token流量、调度策略、缓存方案，每一个Prompt背后都是一份财务报表。

• AI Coding占据最大的市场

编程辅助占据65%的绝对领先地位。首先是用户群体的天然优势：程序员本身就是技术早期采用者，对新工具的接受度最高；其次是应用场景的理想匹配：编程工作高度结构化、逻辑清晰、有明确的对错标准，这与AI的能力边界完美契合。

更关键的是反馈机制的即时性。代码能不能跑、功能对不对，几秒钟就能验证，这让程序员可以快速迭代和优化AI的使用方式。

这种低风险、高频次的试错环境，让AI编程工具能够快速积累用户信任和使用习惯。

不过报告也指出，AI技术栈已经形成初步生态，但远未稳定。工具的使用状况呈现出“尖端领先，基础滞后”的断层状态：少数头部工具占据话语权，但绝大多数团队仍处在“用不明白”的阶段。

在编程辅助领域，GitHub Copilot 遥遥领先，Cursor、CodeWhisperer 等正在补位。但即便如此，不同团队对 Copilot 的理解深度天差地别：有团队只是把它当成智能补全，有的则构建了“AI pair programmer”的完整工作流程。

推理优化方面，NVIDIA 牢牢掌握主导权。TensorRT 和 Triton 成为构建高性能部署系统的标准组件，但门槛不低，更多由技术栈成熟的大型团队采用。

模型监控与评估工具也仍不成熟。LangSmith、Weights & Biases 等平台虽在快速成长，但报告显示，大量团队并不清楚自己如何有效使用监控工具。

这表明：AI工程标准化尚未形成，团队缺乏共识，也缺乏参考框架。

在AI应用开发工具方面，LangChain 与 Hugging Face 分别占据“链式调度”和“模型资源平台”两大高地。LangChain 提供任务编排能力，Hugging Face 则提供模型调用与部署接口，两者虽为主流，但仍面临学习曲线高、场景匹配难等实际门槛。

整体来看，AI工具生态还有很大分层的差别，部分前沿团队已能构建系统化的AI系统，但更多团队其实还只是先试试，或者先装上AI再说。

这部分很有趣。从模型部署挑战的数据来看，企业面临的三大核心问题依次是：幻觉问题（39%）、可解释性与信任（38%）、以及投资回报率证明（34%）。

这三个问题都指向同一个根本性挑战：如何让AI系统在实际业务环境中变得可靠和可信。

计算成本（32%）和安全性（26%）虽然重要，但排名相对靠后，说明企业更关注的是AI系统的可靠性而非技术实现的细节。

人才短缺仅占16%，表明随着AI技术的普及，技术人才问题正在缓解。

1. 高成长型公司并不执着于自研模型

我们过去认为：谁拥有自己的基础大模型，谁就拥有AI时代的护城河。

然而，数据揭示了一个更复杂且具有策略意味的现实：80%的公司依赖第三方模型API，而在这些公司中，那些实现高速增长的反而不是自研模型最多的，而是灵活使用现有资源、快速验证市场路径的。

这一点并不意味着高成长公司完全不做模型开发。他们在微调现有模型（fine-tune foundation models）方面投入更多，也在企业发展后期更有可能自建模型。

但他们并不把“自研”作为AI战略的起点，而是当作系统成熟后的放大器。真正的护城河不是“自己造了什么”，而是何时造、造给谁、能否持续低成本部署。

技术不是目的，差异化才是。

2.大多数用户没兴趣自己探索AI，而是期待直接替他们做决策

该页报告的数据和洞察发现，用户往往喜欢产品提供的分析和见解，但不愿意投入时间深入探索产品功能。

对于大多数用户来说，AI工具还是太复杂了。

传统产品设计逻辑强调“用户主导”：用户输入-操作系统-获得结果。但AI时代，“主动使用”的门槛被放大。

大量用户即使拥有AI能力，也懒于配置与探索。因此，高成长公司开始转向“代理式交互”：由AI代理替代用户在产品中的路径选择与执行。

新兴企业不再假定用户有意愿学习产品，而是默认用户希望被带领和代劳。这不是功能设计的转变，而是信任假设的崩解。

智幻时刻Fungimind认为，这个用户行动的“懒惰化”会越来越剧烈地改变产品设计流程的方式，用户下达命令这件事以后可能都不太重要了，代理要主动理解意图、预测路径、完成任务。

AI正在侵占决策链条的前段，不再协助用户思考，而是直接替代思考。这一变化动摇了用户为中心的哲学根基：过去产品围绕用户组织，现在产品围绕AI行为组织，用户只需“在场”而非“在控”。

3.规模化使用以牺牲利润率为代价

AI产品与传统软件的成本模型存在显著差异。在预发布阶段，AI人才成本占据57%的预算，但到规模化阶段降至36%；与此同时，基础设施成本从13%上升到22%，数据存储处理成本从10%增长到22%。

这意味着每增加一个用户，公司需要承担更多的计算和存储成本。特别是AI推理成本从预发布的4%增长到规模化的10%，这部分成本直接与用户使用量挂钩，用户越活跃，成本越高。

模型训练成本从预发布阶段的每月16.3万美元暴增至规模化阶段的150万美元，增长了820%。同期公司收入从3800万美元增长到5亿美元，增长了1216%。

虽然收入增长幅度更大，但需要注意的是，这里只统计了训练成本，而第一页数据显示，AI推理成本在规模化阶段占到10%，按5亿美元收入计算，仅推理成本就可能达到每年600万美元。如果加上基础设施的22%（1.1亿美元）和数据处理的22%（1.1亿美元），总的可变成本已经相当可观。

4.高频用户让公司亏钱，低频用户又容易流失

从定价数据来看，40%的公司将AI功能捆绑在高端产品中，33%完全免费提供，这实际上就是变相的订阅制模式。

但AI产品的成本结构决定了这种模式存在根本缺陷。以规模化阶段为例，AI推理成本占10%，基础设施成本占22%，这意味着用户每次使用AI功能都会产生实际成本。

一个重度用户如果每天使用AI功能数百次，其产生的推理成本可能远超其支付的订阅费用。模型训练成本从16.3万美元增长到150万美元，增长了9.2倍，而63%的公司至少每月训练一次模型。

一个高频用户不仅消耗更多推理资源，还间接推高了整体的训练成本。

传统SaaS产品的订阅制成功基于一个前提：边际成本会逐渐下降，但AI产品颠覆了这个传统。

用传统订阅制来为这种“服务”定价，就像让餐厅采用包月无限用餐模式一样——大胃王会让餐厅亏损，而偶尔用餐的客人又会觉得不划算而流失。

5.压根找不到合适的用例

战略层面是最大痛点：找到合适用例（46%）和证明ROI（42%）是前两大挑战。

技术问题相对次要，传统认为的技术难题如计算成本（28%）、人才（21%）、延迟（9%）等排名都不高，甚至GPU获取（6%）这个市场热议的问题也排在末位核心问题。

这说明AI已经从“能不能做”的技术问题，转变为“怎么做”和“值不值得做”的商业问题。企业现在面临的最大挑战不是缺乏技术能力，而是难以识别真正能产生价值的应用场景，并量化其商业回报。

这也解释了为什么前面数据显示73%的公司采用免费或捆绑策略——因为连企业内部都很难证明AI的ROI，更别说向外部客户收费了。

6.多数企业尚未建立系统化的AI治理能力

随着AI产品从Pre-Launch阶段逐步迈向Beta、GA并最终规模化部署，预算结构发生了明显转移。

前期超过一半的成本集中于“AI人才”（招聘、薪资、能力建设），但随着产品落地，推理、数据处理、云资源等运营性支出迅速上升，在Scaling阶段已占据接近一半预算。

也就是说，AI项目越成熟，对人力依赖越低，而对基础设施与算力调度的依赖越高。

这个趋势是清晰的：AI产品不再是“一次性交付的功能系统”，而是持续燃烧计算的运营系统。

团队构建的重点，从“造出模型”转向“跑得起模型、跑得稳模型”。

更关键的是，图表还显示“治理与合规”的预算始终维持在5-7%之间，几乎没有增长。AI产品的合规压力或许在今天尚未爆发。

7.设计团队更倾向于使用实时协作、组件库和插件生态系统，还不是专门的AI原生设计工具

这份报告展示了产品设计领域的工具使用现状：Figma以87%的采用率成为UI/UX和产品设计的事实标准，团队普遍选择它是因为其强大的实时协作功能、丰富的组件库和插件生态系统。

Miro以37%的采用率位居第二，在线框图制作、用户旅程映射和跨职能头脑风暴方面表现突出，其白板式界面很好地补充了Figma的像素级精确画布，特别适合早期创意阶段的协作。

设计团队目前对AI原生产品/设计平台的紧迫需求并不强烈，但许多团队正在使用低代码/无代码解决方案，如Bolt、Lovable和Vercel V0来进行快速原型制作。

设计工具正在向更智能化、更快速的产品开发方向演进，AI工具正在成为传统设计流程的重要补充。

但是设计师更青睐熟悉工具+插件增强，对AI原生平台还没有形成依赖，迁移成本和学习曲线高阻碍采用。

8.技术可行性≠市场需求

前面我们已经讲到，编程辅助以65%的比例遥遥领先于其他应用场景，但也需要注意，高增长公司的AI代码生成比例（33%）相比其他公司（27%）的差距并不显著。

人们通常会认为高增长公司在AI编程工具的采用上应该更加激进，但数据显示这种差异相对温和，并没有拉开差距。

另外，法律合同审查只有5%的影响力排名，财务自动化更是只有4%，这似乎与市场上铺天盖地的"法律AI"、"财务AI"宣传形成了巨大反差。

这种现象背后有几个深层原因：首先是风险承受能力的差异，法律和财务领域对准确性要求极高，错误成本巨大，企业自然更加谨慎；其次是监管环境复杂，这些领域往往受到严格的合规要求约束，AI应用需要经过漫长的审批和验证过程。