大家好，我是奔波儿。《随处奔波》第三期还是单口，这期继续聊 AI，从 to C、to 小B 和 to 大B 三个场景切入，看看现在的 AI 落地进展如何。
在小宇宙搜索「随处奔波」，或者扫下面的二维码关注。想听我原样慢慢讲的，点文末「阅读原文」收听这期完整播客。
最近一两个月，AI 发生了很多变化。我的判断是，AI 的渗透宽度已经够了，问题在深度。
一、宽度够了，深度不够
1. 覆盖面三到五成，花钱很不均匀
看 AI 发展到哪一步，第一个指标是渗透率。美国公司卡平台 Ramp 按企业的实际付款统计：2026 年 8 月，它样本里 56% 的企业当月给 AI 付过钱。美国统计局的企业调查（2025 年 11 月到 2026 年 1 月）是 18% 的企业在业务里用 AI，按员工人数加权是 32%。不管是用还是付钱，覆盖面在三到五成，已经很高了。
差别在深度：花钱的分布非常不均匀。 Ramp 还按每个员工每月的 AI 支出排了队：
（前 10%、前 1% 是这一组公司内部的中位数。）
中位数 12.5 美元，还不到一个 20 美元入门订阅的钱。前 10% 和中位数的差距，三年前是 28 倍，现在是 54 倍。用得多的人越用越多，大多数人用得很浅。
所以要解决的是让大部分人用得更深，办法是把使用门槛降下来。现在大部分人对着一个黑底白字的终端界面也很迷茫，哪怕能用自然语言说话。
2. 降门槛：三条路，再加模型能力
降门槛就是产品化，落到具体场景里。现在有三条路：
1. to C：Meta 的 Muse，OpenAI 前几天发布的 dots，创业公司 Instinct（9 月 28 日宣布 C 轮融了 10 亿美元，估值 100 亿美元），还有 today.ai。
2. to 小B：Claude Tag 这类产品。它只会从小企业入手，不会去大B。
3. to 大B：世界 500 强这种大企业，是找 SAP 或埃森哲这种咨询公司，用项目制落地。Palantir 处在产品驱动和项目驱动融合的位置。
三路齐发，解决的都是同一个问题：让更多的人用得更深度。
还有一条是继续提高模型能力，比如 GPT-6 Astra 大幅优化了 computer use。如果模型厂商靠模型能力把最后一公里解决了，价值就可能归模型厂商。
二、to C：个人 agent
1. 我自己的体验：today、dots 和我的 Mac mini
Muse 我没用上，我试了 today.ai 和 OpenAI 的 dots。它们能完成的任务，和我在 Mac mini 上跑的 OpenClaw 没有本质区别：我的 AI Signal 每天晚上抓播客、翻译、传到 GitHub，日报、周报和监控也都在 Mac mini 上跑。我的场景偏生产力，所以没觉得有什么区别。
但接入存量数据这一点，today 体验好很多。 原来我做健康日报，要买一个专门导出苹果健康数据的 App（一年一两百块钱），再让 OpenClaw 读导出的数据。接 Gmail 我也自己搞了半天。today 一键就接上了健康数据和 Gmail。大部分人不会去折腾怎么把存量数据接到自己的 OpenClaw 或 Claude Code 上。
第二点是交互。today 全是卡片：它猜你的意图，给几个选项，你点一下，或者直接用语音。除了跟人聊天、写文章，我不愿意打字给 AI 下指令。
2. Muse 火在哪
Muse 是 9 月 8 日发布的。刚发布时国内很多开发者嗤之以鼻，觉得就是套壳的 OpenClaw。但现在要做的是降低更广大用户使用 AI 的门槛，技术创新不是重点。 到 9 月 20 几号，Muse 已经是现象级产品。FUNDA 估它日活 150 万到 200 万（Meta 自己没公布）；应用数据公司 Sensor Tower 估它上线 22 天，在美国的累计下载就破了 500 万，ChatGPT 当年到 500 万用了 56 天。
大家用 Muse 干什么，和当初想的不太一样。研究机构 FUNDA 整理了 654 条用户公开晒出来的案例：
• 第一名是退钱、省钱，约占两成（19.6%）。健身房赚的是你突发奇想办了张 5,000 块的年卡、一年只去几次的钱。Muse 帮你查出你有哪些订阅，再去跟客服退钱；还有的是查到机票降价了，去找航空公司要积分。
• 第二、第三是工作和小生意、行政杂事（11.2% 和 10.6%）。
• 第四、第五是购物 9.5%，旅行 8.1%。
我觉得购物和旅行有一类是功能性的：买卫生纸我不在乎品牌，想很快搞定；旅行我不喜欢规划，你直接给我一个详细行程，我就跟着走。这类可以完全交给 AI。Muse 默认接入你的 Facebook、Instagram，一开始就了解你的偏好，规划得更好。
还有一类购物是娱乐性的，例如电商直播和刷会，目的性不强，重在“逛”的这种体验，这类的购物就不是 agent 可以代劳的，本身就是一种娱乐活动。
3. Instinct：一半交易额是旅行
Instinct 的 CEO 9 月 28 日上了美国播客 Invest Like the Best，给了几个数：
• 邀请制，用户数公司没披露，摩根士丹利估约 10 万。
• 年交易额超过 10 亿美元，其中 50% 是旅行。
• 用户每天增长约 10%，已经持续几周。
• 3 周内约 40% 的用户会把信用卡等敏感信息交给它（分母含已流失用户）；交出之后，留存率约 80%。
CEO 说他们的效果对标 Opus 5，成本低很多，用的什么模型没公开。群里有朋友说，他爱人用上 Instinct 就爱不释手，很多杂活都交给它，一次成功率很高，明显高于 Muse。这非常关键，大家对 personal agent 的信任是有限的，出一两次错，你可能就不想让它做了。
4. 还没回答的三个问题
第一，怎么挣钱。personal agent 底层是 AI，边际成本不像互联网那么低。摩根士丹利估每个用户每月 3 到 130 美元；a16z 估要用得充分，每人每天约 20 美元。靠订阅我觉得难以持续：我要是用户，付 300 美元订一个月，把杂事一股脑做完就退订，过半年再订就行。最后可能还是要靠广告或者向商家收费。这是空头的质疑，我觉得合理，但至少广告是一条解决路径。
第二，存量平台不配合。亚马逊屏蔽了 Muse（TechCrunch 9 月 21 日报道），因为你用 AI 来买东西，它的广告价值就丢了。大概率是存量巨头不接入、自己做一个，Muse 去跟行业老二、老三合作。如果存量平台的门槛只是网络效应，这个门槛可能大幅下降。
第三，商家反击。商家原来的体系是给人做的。以后商家也用 agent 回复你，你还退得掉吗？我要是健身房，就会在你办卡的时候写更严格的条款。退订是在解决现有系统的摩擦，摩擦解决完了，价值在哪，现在看不清楚。
还有个好问题，是我看 Raymond 在苔藓之火上跟别人讨论的：为什么谷歌没做成 Muse？我推测是，商业化前景不够明显，再加上很大的存量用户基数和很高的边际成本，就很难下这么大的决策。OpenAI 的人上播客也被问过类似问题：几亿月活的用户，对你们是财富还是拖累？Google 面临的存量客户的利益和成本的问题，远甚于 OpenAI。
这些问题边走边看，但 to C 已经往前迈了一大步。 快速接入数据源，交互足够好，它就能帮你完成很多杂事。我对这个挺乐观。
5. 上下文、垂直 agent 和品味
to C 产品的价值，核心是它对你的了解，也就是上下文。OpenClaw 的架构和底层模型都不是核心。要么自己有数据，像 Meta；要么能快速接入存量数据、跟平台合作，像 OpenAI 接入了很多网站，可以直接用 ChatGPT 登录、花钱。
第二，会不会出现垂类 agent？a16z 最近有个讨论：垂直的 to C agent 是成立的。比如一个很会带小孩的育婴师，把自己的知识、品位做成 agent，可能一万个用户就够了。没有 agent，他只能一个一个去教，瓶颈是自己的时间。所以垂类的 agent 降低了专业技能的分发成本，同时又让小群体但高付费意愿的客户群成为了可能性。
我做的 AI Signal 就是个很简单的 GitHub 项目，谁都能用 AI 一键抓播客、本地转录。最宝贵的是那个清单：你 follow 它，就是在关注我关注的东西。比如最近朋友说，硬件链条应该多听台湾供应链的人：他们能看到 capex 有多坚实、硬件架构往哪个方向变，所以我也加进了清单。这个清单对应的是我的品味。
再往下，如果大家都有 agent，就需要 agent 对 agent 的基础设施：agent 用什么付钱，agent 之间用什么交流。现在的工具、接口、浏览器都是为人做的，这里还会有很多变化。
三、to 小B：Claude Tag
1. 它要求公司足够透明
Claude Tag 在公司的群聊里像一个 bot，读公司的聊天记录，了解谁负责什么、设计负责人的偏好是什么，然后给你反馈。但它要求公司足够透明：所有人都在一个群里，没有一对一的单聊，没有派系。这明显不是大公司的样子。所以要看初创公司、科技公司这些扁平、AI native 的公司怎么用。
我的观察和之前没有大变化。Block 这类原来用得很好的公司还是用得很好，但没看到更普及的反馈。网上的反馈大多说太贵：它读进群里所有的上下文，哪怕没怎么输出，输入也都算你的预算。我还是觉得它是非常好的产品形态。
2. 新架构先从小客户长起来：Siebel 和 Salesforce
从历史上看，新架构带来的新应用，都是先从小客户出现，最后才在大客户落地。 典型例子是 CRM（销售管理软件）龙头的更替。
第一代 CRM 龙头是 Siebel，收入峰值是 2001 年的约 21 亿美元。它自上而下做实施：跟大客户谈好，上门安装。2004 年它的收入约 36% 是买断许可，35% 是维护费，约 29% 是实施和服务；签完许可，实施还要三到九个月。Salesforce 1999 年才成立，借着互联网，软件分发和安装的成本大幅下降：网上直接用，按月订阅，销售人员自己装、自己用。
所以客户数差别很大：
单客户年收入差二十几倍，两家的客户大小差得很远。Salesforce 自下而上渗透，2010 年收入 16.6 亿美元，超过了 Siebel 最后一个完整年度（2004 年）的 13.4 亿。Siebel 2005 年被 Oracle 以 58.5 亿美元收购。（Siebel 的下滑早于 Salesforce 做大，不能说它的收入都是被 Salesforce 抢走的。）
想听更多软件案例的，可以评论区留言，感兴趣的人多我专门出一期。
四、to 大B：谁出预算，决定了怎么卖
大企业不会用 Claude Tag：那么多中层、高管，不可能接受所有人在一个群里聊天。所以 to 大B 要看埃森哲、Palantir、SAP 怎么部署。
1. FDE 进客户现场，像做 ERP 实施
Anthropic 10 月 2 日发布了 Claude Frontier Academy：投 1 亿美元，2027 年底前培训 1 万名工程师，对象是埃森哲、德勤、麦肯锡、摩根士丹利这些合作伙伴和客户的工程师。说白了是培养 FDE（Forward Deployed Engineer，前向部署工程师），派进客户现场，帮客户把 AI 用起来，上一期我和韦华聊过。对大公司来说，AI 落地像 ERP 实施：先捋清楚工作流、数据流、资金流，在现有基础上优化。想让大公司把整套组织架构翻过来，不可能。
很多企业已经过了试点期。按专家访谈的纪要，从试点进入部门级应用的大概 40% 到 45%；进了部门级的里面，铺到整个公司的只有 4% 到 5%。
2. 谁来采购
而且 AI 抢的还是 IT 预算，没有进入业务部门自己的预算，比如招人的预算。采购的人不一样，行为完全不一样。 to 小B 说服的是真要用软件的人，比如销售、前台，产品好用就行。IT 采购的老大自己不用这些软件，一换，存量数据和上面部署的东西都要动，他没动力换。现在还是 IT 的人自上而下在采购，比较早期。
国内的 FDE 还得先帮客户做数字化。把原来外包出去的工作 AI 化是合适的；要把核心工作流 AI 化，很多公司连数据都没留存，国内肯定很早期。
3. 埃森哲和 SAP：订单回来了，还在早期
国外的预算也还是 IT 预算。埃森哲上个季度的财报，托管服务的新签订单上个季度只有 91 亿美元，那次财报当天跌了 18%；这次 10 月 1 日的三季度财报，是创纪录的 128 亿美元，股价当天盘中最高涨约 24%，收盘涨 15.8%。这个季度有近 100 家客户首次做 AI 项目，FY26 累计 400 多家。但 CEO 说企业级铺开还只是 green shoots，刚冒头。
SAP 也类似，它的 AI 已经跟云部署合同一起卖了，大概 3,000 个顾问对接 2,000 个客户。但 SAP 的 CEO Klein 原话是：“以现在的数据质量，AI 哪儿也去不了。”Palantir 在政企和军方做实施很领先，但规模比埃森哲小。
4. 观察大B 看两点
我觉得大B 可能是最慢的。观察它看两点：
1. 客户端：AI 采购什么时候变成单独的预算或非 IT 的预算，也就是决策者变了。
2. 供应端：什么时候从咨询、项目制转成产品化。类似 ERP，一个基座软件加行业定制模块，然后迅速铺开。这个可能要看 Palantir。
五、模型能力往前推，钱归谁
GPT-6 Astra 和 Claude Opus 5.5 的反馈都特别好。Astra 强在 computer use；Opus 5.5 强在前端、审美和文字。我推测 Opus 5.5 在后训练上做了很大优化，Astra 像是一个新的基座模型。
computer use 我直接用 Mac mini 操作模拟网页去抓数据，直接从网页下载，可以绕过 API 和一些反爬的限制（各网站反爬严不严不一样）。Opus 5.5 可以像前两天 Karpathy 说的那样，学习的时候直接给你做一个 HTML 交互页面，或者一个三分钟看懂 Muse 的解说视频，做得非常好，知识架构很清晰，同时也非常精致，看起来很舒服，大家可以试试。以后就不用再去某音上看别人做的三分钟读懂 xxx 了。
模型能力是产品化的基础。 没有去年 11 月的 Opus 4.5、今年 2 月的 Opus 4.6 这一代模型，很难有今年 coding agent 的爆发。现在模型继续进步，加上三个场景的产品化，大家在朝非 coding 场景的最后一公里狂奔。关键的、高价值的任务可能还需要人验收、拍板，但很多场景已经有价值了。
不同的路，对应未来三四十万亿美元的 TAM（白领工资总量）归谁：
• 模型能力直接解决，归 Anthropic 或 OpenAI。
• to C 搞定，归拥有用户、跑通商业模式的人，可能是 Meta。有人觉得国内就是微信和豆包，因为别人会断掉你的数据源。
• to 小B，可能还是 Claude Tag，那还是 Anthropic。
• to 大B，没法产品化，还是埃森哲、SAP 这些懂大企业流程的存量厂商；产品化了，谁做出产品归谁，比如 Palantir。
9 月之前，大家在摸索非 coding 场景怎么落地；9 月之后，我觉得不同场景都蹚出了路，特别是 to C。
宽度已经有了，现在大家在解决深度。to C、to 小B、to 大B 和模型能力几条路都在走，已经看到了方法，接下来是继续改产品，让大家更愿意用、更愿意付费。
一旦有一个场景跑通，就可以打消大家对 AI 需求端的担心。 capex、ROI、资金来源的担心，其实都是对需求的担心。解决掉它，AI 会进入下一个阶段。股票上可能不再是硬件鸡犬升天：硬件可能分化，软件也会跑出牛的公司，包括存量巨头。
所以目前这个阶段，我觉得可以更乐观一点，去看到底谁能解决落地的瓶颈。欢迎在评论区留言讨论。
本文为个人研究与观察，不构成投资建议。