What the Top AI Users Are Doing Differently

普通AI用户和最先进的AI用户之间一直存在差距，但天哪，这个差距已经变大了。

在最近发布的研究中，OpenAI显示，最先进用户和普通AI用户之间的差距已经从一月份的2.6倍增长到六月底的8.3倍。

换句话说，最先进的AI用户使用的AI量是普通用户的8倍。

原因当然是AI代理。

今年年初，基于代理的使用场景开始变得可行，并显著提升了AI能承担的工作的难度、复杂性和重要性。

顶级用户已经一头扎进去，弄明白了如何大幅提高他们从AI使用中获取的价值。

而普通用户呢，根本就没有这样做。

但随着高级用户利用AI代理接管越来越有价值的工作，这个差距只会越来越大。

《AI每日简报》是一个关于AI领域最重要新闻和讨论的每日播客和视频节目。

好了朋友们，在我们深入之前先快速说几句公告。

你也可以在aidailybrief.ai网站上找到相关信息。

根据The Information看到的路线图文件，Meta正在完成他们的消费级AI代理的收尾工作，预计在未来几周内发布。

这个消息我们已经听说了一段时间，但随着产品即将上线，我们得到了更多细节。

在内部，这个产品被称为Hatch，听起来有点像Grok系列，提供一种更精简的OpenAI风格代理体验。

据报道，该公司正在考虑将Hatch作为新的AI代理订阅的一部分，这可能为高使用量账户定下每月200美元的价格。

Meta还计划在WhatsApp上推出一个新平台，以便更好地集成第三方AI代理。

该平台据说允许多个代理通过WhatsApp消息相互协调，这再次模仿了Grok的一些功能。

说实在的，我完全不觉得这是Meta在抄袭Grok。

我觉得这更像是我们未来会经常看到的交互模式。

推出可能会最早在本周开始，先向一小部分客户提供预览。

最后，在Meta模型新闻方面，一个名为Watermelon的更大模型正在准备于10月发布。

今年7月，Meta的AI首席执行官Yann LeCun告诉员工，Watermelon在内部基准测试中已经赶上了GPT-4.5。

显然，前沿技术已经随着GPT-5.6的发布大幅推进，到10月可能又会进一步变化。

所以我们得看看Watermelon是否真的能跟上步伐，还是继续落入Meta接近前沿却从未真正达到的范畴。

说到GrokBot，你们很多人测试它的一个障碍就是它极高的价格。

实际上，不仅仅是价格高，而且定价还有点混乱。

起初，用户不确定是否需要同时订阅Cursor Ultra和Super Grok Heavy，那样每月总共要花500美元才能使用该服务。

但后来很多人，包括我自己在内，只通过Super Grok就拿到了，而这本身也不算便宜的订阅。

但很明显，这是一次有意限制速度的发布，以确保系统不会崩溃，并希望之后能降低价格。

从本周开始，GrokBot已包含在每月60美元的Cursor Pro订阅和每月100美元的Super Grok订阅中。

说到降价，OpenAI 也在下调 GPT-5.6 SOL 的价格。

通过 API 访问 SOL 现在每百万输入 token 花费 4 美元，每百万输出 token 花费 20 美元，之前分别是 5 美元和 30 美元。

上个月末，LUNA 和 TERRA 的价格也已经下调了。

很多人在猜测，这是 OpenAI 试图在 Anthropic 进行 IPO 之前对其施加压力。

我的猜测是，不管这带来什么额外好处，OpenAI 更可能只是意识到他们面临一系列新的挑战，也就是我们每周在节目中讨论的那些。特别是企业客户不再会为了一切都使用最昂贵、最前沿的模型，而是必须以更复杂的方式思考他们的整个模型栈。

如果 OpenAI 有足够的算力来更便宜地交付前沿模型，那看来他们决定这么做是有道理的。

接着昨天的消息，Business Insider 报道，Hugging Face 正在以 130 亿美元的估值寻求收购。

据与 The Information 交流的消息人士称，可能支持他们高要价的部分原因是，公司现在的年化收入超过 1.5 亿美元，比两个月前增长了 50%。

相对于编码代理创业公司，那个数字可能显得很低，但 Hugging Face 是一家特意不专注于创收的公司。

97% 的用户完全免费访问该平台，包括下载最新的模型权重。

Hugging Face 的主要收入来源是高级账户和企业级账户，这些账户通过与超大规模云服务商合作提供推理服务。

基本上，到目前为止，平台的盈利部分一直是为了补贴开放模型的免费托管和分发。

六月，CEO Clem Delangue 表示，高级账户数量在上半年翻了一番，基于这一点，平台正在接近盈利。

对于收购方来说，这很可能不是一种严格的基于收入倍数的谈判。

总结一下这个逻辑，Jess Fields 写道，Hugging Face 的估值应该和 Cursor 一样高，远超过 130 亿美元，可能是其3到4倍。

考虑到 Hugging Face 是开放权重运动挑战前沿把关的中坚力量，它在整个经济中占据着独特的强大地位。

现在，人们猜测可能与 Hugging Face 产生有趣契合的公司之一，当然就是 Nvidia。

就算没有其他原因，他们现在似乎每一笔收购都在讨论之列。

事实上，最近几天关于 Nvidia 的交易动作的报道非常多，有些人在猜测 Jensen 到底在构建什么。

过去一周，我们听说 Nvidia 签署了一项协议，从 Poolside 获得技术许可并引进人才，收购数据标注公司 Merkur 的股份，并且可能以令人费解的 300 亿美元估值投资 Perplexity。

更不用说其他对 NeoClouds 的股权投资、土地和电力交易，以及数据中心的后备支持。

一些人已经开始将 Nvidia 视为计算领域的中央银行，它既支撑着 AI 经济，也设定着关键资源的价格。

The Information 的 Martin Peers 将 Jensen 的做法与 John Malone 进行了比较，John Malone 在1980年代建立了庞大的有线电视帝国。

另一个粗略的比较点可能是 Google 在2010年代中期通过其控股公司 Alphabet 的做法。当时 Google 重组了公司，创建了 Other Bets 部门，用来容纳对 Waymo 的登月式投资以及 Google Ventures。

基本想法是将他们在互联网广告中获得的巨额收益再投资到更广泛的科技生态系统中。

当然，随后其中很多投资现在都得到了回报。

Nvidia 的做法显然不同。

Nvidia 没有分散投资于下一代科技，而是专注于 AI 生态系统。

尽管如此，他们仍在建立一组强大的其他投资组合。

在3月的最近一次财报电话会议上，他们报告称已在私营公司投资423亿美元，而本周晚些时候他们发布财报时，这个数字肯定会更高。

在咱们急着喊什么循环交易之前，有一点很重要得认识到：这部分反映出英伟达在自身业务再投资方面已经差不多到顶了。

英伟达自己不运营晶圆厂，所以现阶段芯片收入的增长受限于其供应商网络的产能限制。

换句话说，就是他们自己控制不了的瓶颈。

通过把投资转向外部，英伟达支撑着整个AI生态，这反过来又能确保他们的收入在未来很多年里保持强劲。

至少看起来是这么个目标，同时他们在其他押注上野心也变得更大了。

不过芯片仍然是重头戏。在地球另一边，台湾检方起诉了9个人，涉及芯片走私，其中包括一名英伟达经理。

周一，台湾方面宣布了9项起诉，涉及一个将尖端Blackwell 300系统走私到中国的计划。

除了被指认为英伟达经销业务经理的那个人之外，另外两人是英伟达合作伙伴SuperMicro的员工。

今年早些时候，SuperMicro的一位联合创始人就因另一起走私案被起诉。

英伟达和SuperMicro都表示，问题仅限于少数违规员工，他们正在配合当局调查。

让你了解下这事的规模：该团伙据称订购了130台装有Blackwell 300的SuperMicro服务器。检方称有74台已交付给中国买家，另外56台被台湾官员截获。

总共算下来也就不到一万块芯片，这虽然不算少，但绝对不足以搭建一个前沿训练集群。

最后今天，我们来看看一家超大规模云服务商的员工使用AI的情况。

Business Insider拿到了一份微软内部表格，员工在其中自愿填报关键指标，包括薪资、奖金和AI使用量。

这不是一个关于刷token量的故事，因为BI发现微软内部AI使用量与薪酬或晋升之间没有相关性。

无论是跨部门还是部门内部，AI使用情况都极不均匀。

在Azure部门，月度AI花费的范围从1美元到7500美元。

在云与AI部门，最高端达到了15000美元。

而在微软客户与合作伙伴解决方案部门，至少有一个人花费了28000美元。

所有部门的中位数AI使用量则更集中一些。

8个部门中有7个的中位数AI使用量在150到500美元之间。

Core AI是个例外，他们中位数AI使用量是975美元。

重要的是，这些全都是自愿填报的数据。

这个表格是为了让员工自愿分享薪酬数据，以促进薪酬透明度而维护的。

微软总共22.3万名员工中，只有极少数人贡献了这份数据。

实际上只有600名美国员工，其中仅350人报告了AI使用情况。

不过，这也能让你大概了解像微软这样的公司内部一些比较突出的AI用户在使用规模上是什么情况，我觉得这正好为我们今天的主节目做个引子，现在就开始。

欢迎回到AI每日简报。

现在AI叙事方面一件最好的事，至少在我看来，是我们开始看到人们不再无条件接受“AI显然会摧毁工作”这种前提了。

常听节目的听众会知道，我的立场是很明确的。

我绝不是盲目乐观，谈到两种完全不同的工作范式之间的转变时，潜在挑战的规模非常大。

你不可避免地会看到某些类型的岗位，这种新技术会让它们变得不再必要，这会给个人带来真正的冲击，而社会最好做好准备去支持那些受到影响的人。

但是，认为会有某种剧烈而快速的就业末日，这个想法从来都不准确。

关于这一点，Sam Altman 越来越不遗余力地——不只是改变了他的立场，还解释说他相信自己是错的，并试图解释他为什么认为自己错了。

在最近的一个播客采访中，他说：我原以为当我们到了 GPT-4 的时候，也就是 2023 年，在那之后很快就会有更大的颠覆，软件公司会立刻被抢走，但实际并没有。

我觉得我在几件事上错了，但其中一个就是速度。

经济本身就有巨大的惯性。

人们继续做同样的事，从同一家公司买东西，希望用同样的方式使用他们的工具。

其实我认为这在很多方面是积极的，它会让这个巨大的转型进行得更平滑、更缓慢。

我对此很感激，但这意味着我们所有人都对时间表太乐观了。

即使有这项令人难以置信的技术，社会和经济也会更慢地适应。

换句话说，就像我喜欢思考的那样，当你有企业的时候，谁还需要暂停 AI 运动呢？

但有趣的是，Sam 实际上走得更远，他认识到，虽然是的，制度惯性可能是推广放缓的最大驱动因素，但这种惯性也会在个人层面上发生，即使是对那些非常高级的用户也一样。

在同一次采访中，他说：我觉得自己最心理矛盾的地方是，20 年来我一直用同样的方式使用电脑。

现在我有了一个神奇的东西叫 Codex。

你也有。

每个人都有了。

这意味着我应该完全以不同的方式使用我的电脑。

我不应该再点来点去，从一个聊天应用复制粘贴到另一个。

我不应该再盲目地滚动邮件，试图找出哪一封打开起来最不痛苦。

我不应该再像以前那样，保持待办事项列表，做那些机械的电脑任务。

然而，我脑子里有一种编码，认为做这些事就是工作和高效的表现。

如果你问我，我绝不会说我喜欢那样做。

事实上，我会说相反的话，而且我是认真的。

但根据显示出来的偏好，我现在有更好的方法，却仍然用老方法。

这完全说不通，除非我其实偷偷喜欢它，或者觉得那样挺好。

但我认为甚至也不是什么隐秘的满足感。

我只是觉得我们都会陷在固有的做事模式里。

我们建立了智力的肌肉记忆，而一想到要放弃它去建立一种新的、更不舒服的肌肉记忆，往往就显得很累人——因为我们确切知道用老方法做需要多长时间。

而且我们可以现在就做完，然后继续去做我们真正想做的事，这就是为什么花时间去看看那些已经打破自己肌肉记忆的人是怎么做事的，如此重要。

有意思的是，几周前，OpenAI发布了一些关于这个问题的研究。

我不知道他们为什么没大肆宣传这篇文章，但如果我错过了某些数据，关于前沿公司怎么跟别人做法不一样，那东西宣传得远远不够。

总之，我是通过A16Z把它当成每周图表重新发布时才注意到这些数据的。

吸引我和其他人注意的那张图，是按企业职位分类显示Codex用户增长的图表。

这张图以今年2月初为基准，在那段时间里，虽然所有职位都在增长，但非技术类职位的增速最快。

当然，一部分原因是他们的起点较低，但举个例来说，工程和技术人员的用量增长了5倍，而财务和会计领域的用量增长了20倍。

市场和传播领域则是26倍。

人事招聘，还有销售和客户管理，增长了41倍。

在法务领域，Codex的使用量从2月份开始增长了108倍。

关于律师这块，我半开玩笑地说，Spellbook的Scott Stevenson引用了Jack Newton的话说，LLM对律师来说就像电子表格对会计一样。

但这并不是这里唯一的数据。

这篇文章的主要信号，题目叫《企业信号：前沿公司在做什么不同的事》，分为两部分。

第一，更多工作被委派给了代理。

第二，正因为如此，产生了一种复合效应，领先的公司正在拉大与落后公司之间的距离。

换句话说，代理式使用正在复合它们的领先优势。

重要的是，这不是模型本身的问题。

这关乎OpenAI所说的，如何让这些模型发挥作用，从辅助转向委派，给代理提供上下文和工具来完成复杂任务，并把代理式AI的应用范围扩展到软件开发之外。

那我们来聊几个最有趣的数据。

一年前的这个时候，也就是2025年8月，GPT-5发布时，企业以任何方式与ChatGPT生态系统交互所产生的输出token中，ChatGPT使用和代理式使用的比例基本上全是ChatGPT的token，几乎没有代理式的。

在10月到2月之间，我们开始看到实际代理时代的初步迹象。

10月，Codex正式全面开放，企业输出token中只有低个位数百分比属于代理式类别。

12月，GPT-5.2发布，我们看到了一点提升，延续到2月初。

2月，当Codex应用在macOS上推出时，按企业输出token衡量，ChatGPT和代理式使用的比例是87%对13%。

但之后，代理式使用案例开始起飞。

到了3月，Codex在Windows上发布，GPT-5.4也出来了。

现在我们到了73%的ChatGPT，27%的代理式。

4月底，仅仅一个月后，GPT-5.5发布，我们看到了翻转，代理式输出token突然占到了53%。

到了6月，这个数据集结束的时候，我们降到36%，而代理式token上升到64%。

请注意，这并不意味着突然间64%的人坐下来使用OpenAI产品工作时，都在和代理打交道。

相反，这意味着如果你用所有提示产生的输出token数量来算，也就是把输出token当作工作量或工作量的代理指标，那么其中大部分，在这些统计被记录时几乎有三分之二，现在都是代理式工作。

所以第一点是，代理型AI的使用在增加；第二点是，领先的AI用户，也就是那些使用代理最多、最擅长的企业，与普通企业用户之间的差距正在扩大。

OpenAI将前沿企业定义为每月使用量排名前10%的企业，衡量标准是每个活跃用户生成的输出token数；而普通企业则位于第45到第55百分位之间。

最好用数字来说明：从2025年4月左右开始，整个2025年，普通企业与前沿企业之间每个活跃用户的输出token差距只有大约2倍——也就是说，前沿企业的普通用户使用的输出token大约是普通企业普通用户的两倍。

这个差距在10月左右开始扩大，到1月时达到了2.6倍。

现在这个差距彻底爆发了，普通企业与前沿企业之间的差距已经达到了8.3倍。

总体来看，虽然普通企业使用的token数量比一年半前增加了一倍左右，但前沿企业使用的token数量是一年半前的17倍。

当然，部分原因是他们更多地使用了代理，但另一部分原因是他们更擅长使用代理。

为了衡量这一点，OpenAI统计了每周活跃用户中使用插件或技能的人数。

插件当然是一组能力集，可以连接到其他应用或数据；而技能则是可重复使用的指令，有助于处理常见的工作流程。

在普通企业中，大约9%的每周活跃用户使用插件，只有大约3%使用技能。

而在前沿企业，也就是排名前10%的企业中，19%使用技能，21%使用插件——这并不意味着这些前沿企业的使用率已经见顶。

作为对比，目前OpenAI内部93%的员工使用技能，95%使用插件。

但回到前沿企业与普通企业员工之间的差距：使用插件的人数差距是2.3倍，使用技能的人数差距超过6倍。

至于他们把这些技术用在哪些工作上——正如我们节目开头的图表所显示的，代理型AI用例增长最快的是来自软件和工程之外的知识工作者。

OpenAI是这样诊断的：软件行业之所以先行一步，是有原因的。

代码库为代理提供了清晰的上下文，测试让输出更容易验证，编程方面的进步也有助于加速AI的研究和开发。

相比之下，他们认为通用知识工作方面的进展较慢，因为许多任务提供的上下文有限，难以明确指定，而且缺乏验证结果的清晰标准。

但持续扩展的规模、强化学习的进步，以及针对性地提升在GDPVal等评估中的表现，正在让更多现实世界的任务、工具和工作环境被前沿模型所触及。

因此，自今年年初以来，代理型AI越来越多地在通用知识工作者中找到了产品市场契合点。

你看，OpenAI正在努力让他们的模型和工具更好地服务于知识工作，这很好，但代理型AI在非软件工程知识工作者中增长的原因并不是OpenAI做了什么。

代理型AI在通用知识工作者中增长的原因，是我们开始摸索出那些能让代理在我们自己的环境中真正发挥作用的模式。

那么这些模式是什么呢？

为此，我结合了OpenAI关于各部门在聊天和代理型AI中使用案例的研究，以及我们在AIDB和Superintelligent的自身经验，来描绘一下那些更高级的代理型AI在实际中是什么样子的。

在OpenAI的图表中你可以看到，从聊天到代理型AI，工作类型发生了巨大转变。

需要说明的是，这并不意味着用聊天完成的工作没有价值。

写作与沟通支持、知识检索与搜索——这些事情确实带来了很多价值。

但代理型AI将许多个人工作流程整合起来，转化为系统级的工作，影响范围不再局限于个人。

你几乎可以想象一个用例阶梯。

最底层是生成。

比如起草邮件、报告、Excel公式之类的。

第二层是综合能力，能够将不同的数据来源整合起来，生成一个更完整的、基于这些信息的结果。

再往上走，就到了执行层，AI实际上被派去与现有系统交互，并在其中执行操作。这当然与下一层的维护紧密相关——在维护层，智能体不仅负责执行特定任务，还要长期维护一个系统。

比如说，在法律领域，人们依赖的上下文当然是合同、政策文件、判例，以及任何相关的对手方历史。

你会看到的智能体工作模式包括：比较条款、标记差异、起草修订标记、记录决策、监控承诺履行。

人类将继续负责关键条款的谈判、设定风险承受度、批准例外情况和最终措辞。

所以基本上，这是一种分工：智能体负责覆盖面和协调工作。

而人类仍然掌握风险判断和问责权。

如果你回顾一下法律领域通过聊天或智能体完成的工作类别差异，就会发现：在聊天模式中，写作占法律工作的57%，紧随其后的是知识检索，占20.5%。

系统操作几乎可以忽略不计，只有0.2%。

然后你转向智能体模式，写作下降到16.2%，知识检索下降到8.3%，而一大批新类别大幅涌现。

分类与提取跃升至4.6%。

系统操作跃升至17.7%。

工作流自动化跃升至7.7%。

而编码，即实际构建应用程序，尽管这些人不是软件工程师，也跃升至32.9%。

基本上，你在其他每个部门也能看到同样的模式。

写作和知识检索，再加上教育和指导，仍然是聊天模式token的主要用途。

而智能体模式则进入了更深入的系统集成工作。

我认为，有一件事将把这一进程推向新高度，那就是多玩家和团队AI的出现，而不仅仅是单个AI。

我认为，尽管你看到这些前沿用户逐渐进入执行和系统维护的更高层次，但大多数智能体仍然在各自独立的孤岛中运作。

而我相信，下一代收益的很大一部分将来自不同团队的交汇点。

归根结底，这些都不那么令人惊讶。

一段时间以来，人们已经清楚，2026年是智能体真正落地的一年。

但天哪，数字不会说谎。

尽管连前沿公司也才刚刚开始摸索，但他们似乎在加速前进，与普通公司之间的差距越来越大。这对于那些尚未大规模部署智能体应用的公司来说，应该是一记警钟。

无论如何，OpenAI这次做得非常棒。

请继续这样做，并且下次更大力地推广。

当然，对于各位听众，一如既往地感谢你们的收听。

下次再见，peace。