📌 一句话核心
Ben Thompson 罕见反共识：AI 不是泡沫，因为 agents 已经改变算力需求和企业经济。随着 agency 需求下降，少数能编排 agent 的人可驱动海量计算；模型厂商也因 harness 整合获得新的价值链位置。
💡 核心观点
- LLM 三个拐点定义了这一波 AI：(1) ChatGPT (2022/11)——让世界看到 LLM 能做什么，但有两大缺陷：易出错+幻觉、需要用户主动想清楚用来做什么；(2) o1 (2024/09)——reasoning 模型自我评估，让 LLM 从「读起来好」变成「靠得住」；(3) Opus 4.5 / Codex (2025/11-12)——真正的 agents 出现，能完成数小时长任务且做对，关键不是模型而是 harness（控制模型的软件层）。
- Agent = 模型 + harness 的紧密整合，而不是把模型当成可替换组件。Claude Code 和 Codex 把用户从模型抽离——用户给 agent 指令、agent 调度模型、agent 用确定性工具验证结果。代码场景的三个范式：LLM 写代码 → LLM 思考代码 → agent 让模型写代码再验证代码是否能运行。
- Capex 不是泡沫而是真实供不应求：三个范式逐步推高算力需求。第一范式训练贵但推理便宜；第二范式推理也变贵（reasoning 多生成大量 tokens + 更多人用）；第三范式三重推高——一次回答多次调 reasoning 模型 + agent 本身需要算力（CPU 而不只是 GPU）+ agents 比 chatbot 用得更多。这是为什么每家 hyperscaler 都说 demand 远超 supply。
- Agency 需求大幅下降——这是最被低估的洞察。Chatbot 时代的隐藏瓶颈是要让 AI 真正有用需要使用者有「主动用 AI 的能力」（agency）。Agents 改变了这一点：一个有 agency 的人可以同时指挥多个 agents 工作。Demand 暴涨不需要全民学会用 AI，少数有 agency 的人就够了。这从根本上动摇了「AI 是泡沫」的核心论据（批评者总说「大多数人没充分用 AI」）。
- 企业经济逻辑驱动 AI 必然落地：消费者大多只想消费内容、不愿为生产力付费——这就是为什么所有生产力应用最终都转向企业市场。Anthropic 选企业市场是对的：企业有付费意愿+人员替代场景。企业高管最眼红的不是 AI 让员工更高效，而是「AI 直接替代员工还让公司更高效」——agents 让公司核心驱动者影响力放大，把「难以管理和激励的人类齿轮」换成「不知疲倦、持续到任务完成的 agents」。
- 裁员潮不能简单归因为 COVID 后整顿：公司之所以臃肿，是因为长期以来 scale 只能靠加人，协调成本超过边际员工价值的那个点很难找到、找到时已经过了。AI 让企业有理由消除冗余，且把「rightsize 点」显著下移——公司会问「我们不是为 AI 前的世界招人多了，是为 AI 后的世界招人多了」。远见的企业会大砍而不是小砍，否则被 AI 原生小公司从后面咬上来。Thompson 不主张但分析为什么这一定会发生。
- Agents 让 value chain 重新整合：Horace Dediu 在 Asymco 主张「Apple 是天才——AI 模型在商品化所以 Apple 只许可 Google Gemini」。Thompson 反驳：第一范式 Dediu 是对的，reasoning 范式开始失效（需要快算力+大上下文+大内存，本地推理基本无望），agent 范式致命一击——Opus 4.5 惊艳关键不是模型而是 Claude Code 的 harness 改进。模型 + harness 的整合才是 agent 差异化的来源，profits 从模块化环节流向整合环节。
- Anthropic 和 OpenAI 比想象中更耐久：如果 agents 要求模型 + harness 整合，它们就是 value chain 的整合点——profit 流向它们而不是流向「商品化的模型层」。这意味着 Anthropic 和 OpenAI 的高估值是合理的。Gemini 是好模型，但 Google 还没有 compelling 的 harness——只有模型没有 harness 不足以构成 agent 差异化。
- Microsoft 的战略转向是煤矿金丝雀：Microsoft 曾自称「整合型 AI 提供商」夸耀和 OpenAI 深度集成；OpenAI 内乱后 Microsoft 转向 Core AI 战略把模型当作可替换商品。但上周推出 Copilot Cowork（基于 Claude Code 的企业版 + 组织数据 + 权限）作为 E7 套餐（$99/seat/月，比 E5 贵一倍）的核心卖点。Copilot Cowork 不是 model-agnostic——Microsoft 实际上承认：交付真正让企业愿付费的 agent 必须放弃「模型无关」的目标。这反过来证明模型不是商品。
- Apple 的处境更糟：Apple 决定许可 Gemini + 自建 harness（new Siri）。Microsoft 都没法走通这条路，Apple 凭什么？唯一救命的可能是 Dediu 的观点——消费者可能就是不在乎 agent；这种情况下 Apple 的 good enough 还能撑住消费市场。但企业市场注定是 Microsoft + Anthropic 而不是 Apple——Microsoft 在企业 AI 上将不得不和 Anthropic 分润，而 Apple 在企业 AI 没有立足之地。
- 核心结论：no bubble：Thompson 的标志性自嘲——「只要所有人都担心泡沫就没有泡沫；当所有人都开始保证『这绝对不是泡沫』时才真的在泡沫里」。他承认自己现在做出「no bubble」的判断，paradoxically 可能就是泡沫的征兆——「如果我的宣告意味着泡沫存在，那就这样吧」。但他坚持判断：agents 的崛起让 capex warranted、让 Anthropic 和 OpenAI 比以往任何时候都更耐久。
🎯 启示与思考
这篇文章的真正价值不是「Ben Thompson 给 AI 不是泡沫的判断盖了一个章」，而是**他系统性地拆解了为什么 agent 范式从根本上改变了 AI 价值链的逻辑**。 **对 Jason 客户场景的实际含义**： **1. 给客户做 AI 战略沟通时这是「权威反共识素材」** Ben Thompson 在咨询圈、企业战略圈、CTO 圈是最有公信力的独立分析师之一。当客户（L'Oréal、LVMH、零售 / 快消）的 CXO 仍在「AI 是不是泡沫、要不要现在大投入」之间犹豫时，**「Ben Thompson 2026/3 GTC 当天说 no bubble」这个数据点本身就是有分量的对话开启句**——比任何一份咨询行业分析报告都更有说服力，因为他向来谨慎、向来反共识、且从无利益相关。 **2. 对企业 IT 战略最具直接含义：agent ≠ chatbot** 这是文章最被低估的洞察——**「企业愿付费的 AI = agent，不是 chatbot」**。这意味着： - **M365 Copilot（chatbot 形态）天花板比想象低**——这是埃森哲 + Microsoft 合作生态需要直面的事实 - **真正贵且有附加值的产品是 Copilot Cowork、Claude Code、Codex 这一类** - **Microsoft E7 套餐（$99/seat/月）的定价逻辑就基于此**——Cowork 是 model + harness 整合，不再 model-agnostic Jason 团队的咨询业务里，「帮客户从 chatbot 形态过渡到 agent 形态」会是 2026-2027 的核心战略议题。 **3. 对裁员浪潮的判断框架** Thompson 不主张但分析「为什么这一定会发生」——**这是给 Jason 团队做客户高管会议时一个很重要的「不带感情的分析框架」**： - 客户 CEO 想做大规模 AI 裁员时，可以引用 Thompson 的分析作为「这不是单纯的成本削减，而是 rightsize 点下移」 - 但客户工会 / HR 想拖延裁员时，也能引用「Thompson 自己说不是在主张这个结果」作为缓冲 - **同一篇文章服务两边对话**，这是 Stratechery 类内容的特殊价值 **4. 对 Anthropic / OpenAI 战略选择的暗示** 文章最强的判断是：**「模型 + harness 整合」会成为 AI value chain 的整合点**。这意味着： - **Anthropic 选企业市场 + Claude Code 是对的**——它在 harness 上的投入比 OpenAI Codex 更深、更早 - **Google 的 Gemini 模型很强但 harness 弱**——这是为什么 Google Cloud 在 enterprise agent 市场迟迟没起势 - **埃森哲在 Anthropic 合作生态上的潜在杠杆**：如果 Microsoft Copilot Cowork 已经是 Claude Code 的企业版，那 Anthropic 的企业市场份额会通过 Microsoft 的渠道扩张到极高——埃森哲作为 MS 头部合作伙伴需要思考如何在这条价值链里定位 **5. 对 Apple 在中国市场的含义** Thompson 对 Apple 的反共识判断（Apple 在企业 AI 完败、消费市场靠 good enough 撑住）放到中国市场更激进——**HarmonyOS + 升腾 + DeepSeek + 国产 agent 框架** 这条「东方答案」对 Apple 在 enterprise AI 的弱势会更加致命。Jason 团队在中国的高端品牌客户（L'Oréal China、LVMH China）需要重新评估 iOS 优先策略。 **最后判断**：这篇文章是 2026 上半年最重要的 AI 战略文档之一。Thompson 用 LLM 三范式、agency 论、企业经济、value chain 整合四把刀，把「为什么 capex 是合理的、为什么 Anthropic/OpenAI 高估值合理、为什么裁员潮不可避免、为什么 Microsoft 不得不放弃 model-agnostic」四个看似独立的问题串联成一个内部自洽的论证。**之后 5 年的 AI 战略思考绕不开这套框架**。
📜 中文解读
一、引子：Nvidia GTC 当天，Ben Thompson 的罕见反共识
2026 年 3 月 17 日，Nvidia GTC 大会的清晨，Ben Thompson 写下这篇 Stratechery——
「我不再认为我们处在 AI 泡沫里（虽然这种宣告本身可能就是泡沫的征兆）」
这是 Ben Thompson 罕见的明确表态。他过去一直承认「AI 可能是泡沫但泡沫也能是好事」（参见他 2025/9 的《The Benefits of Bubbles》）。这篇却给出了反共识的判断——并系统性地论证了为什么。
核心论证由四部分组成：(1) LLM 三个拐点；(2) agency 需求下降；(3) 企业经济驱动；(4) value chain 重新整合。
二、LLM 三个拐点：为什么算力需求每个范式翻一番
拐点 1：ChatGPT（2022/11）
- 让世界看到 LLM 能做什么
- 两个根本缺陷：(1) 易出错且幻觉，让 LLM 像「parlor trick」——奇妙但不可靠；(2) 用户必须主动想清楚用 LLM 做什么 + 主动管理幻觉风险
- 这两个缺陷正是「AI 泡沫论」者抓的把柄
拐点 2：OpenAI o1（2024/09）
- Reasoning 模型自我评估：先思考、再回答
- 解决了传统 LLM「auto-regressive」的根本弱点——一旦开始生成就被锁定路径，难以回头
- 用 Thompson 自己的话：「如果 ChatGPT 的天才在于让 LLM 更可读更有用，o1 的天才在于让 LLM 更可靠更不可缺」
拐点 3：Opus 4.5 + Claude Code / Codex（2025/11-12）
这是文章最关键的洞察——
- Anthropic 2025/11/24 发布 Opus 4.5，但「相对没什么 fanfare」
- 真正的飞跃是 2025/12 某个时刻——Claude Code 突然能完成数小时的长任务且做对
- OpenAI 2025/12/18 发布 GPT-5.2-Codex，同样能力强大
- 关键不是模型，而是 harness（控制模型的软件层）
Thompson 强调：agent 不是「递归调用模型」，agent 是「模型 + harness 紧密整合」。Claude Code 和 Codex 把用户从模型抽离：用户给 agent 指令、agent 调度模型、agent 还能调用确定性工具来验证模型输出。
回到代码场景三个范式的对比：
- 范式 1：LLM 直接生成代码
- 范式 2：LLM 思考生成代码、迭代改进
- 范式 3：agent 指挥模型生成代码 → 跑代码验证 → 不通过则重试，整个过程不需要人类参与
ChatGPT 的两个根本缺陷在 agent 范式被基本解决：LLM 第一次就对的概率高了 + 自带 reasoning + agents 自动验证结果。还剩一个缺陷——「用户必须想清楚用它做什么」。
三、算力需求的三重推高
这是为什么 hyperscaler capex 不是投机而是真实供不应求：
范式 1：训练贵，推理便宜——把 LLM 输出的 tokens 直接发给用户即可。
范式 2：推理也变贵了——Reasoning 生成大量额外 tokens（不只是答案还有思考过程）+ 更可靠 → 更多人用 → token 总量暴增。
范式 3：三重推高—— - 一个 agent 请求往往多次调用 reasoning 模型 - Agent 本身需要算力——而且这部分算力 CPU 比 GPU 更适合（Intel 的 agentic opportunity） - Agents 是又一次「step function increase」——比 chatbot 用得更多
这就是为什么所有 hyperscaler 都说 demand 远超 supply、都在面对市场质疑发布远超预期的 capex 计划。
四、Agency 需求大幅下降：最被低估的洞察
Thompson 引用他 2024 年的《MKBHD's For Everything》：「大语言模型很聪明，但它们没有目标、没有价值观、没有驱动力。它们是工具——给那些愿意 + 能够 take initiative 的人用。」
ChatBot 时代的隐藏瓶颈：要让 AI 真有用，需要使用者有「主动用 AI 的能力」（agency）。大多数人没有这种 agency——他们用 chatbot 但用得不够多、不够主动。
这一点过去是个普及瓶颈，但 agents 改变了一切：当然 chatbot 也会演化成 agent manager，但更关键的观察是「一个有 agency 的人可以同时指挥多个 agents」。不需要全民学会用 AI，只需要少数有 agency 的人——他们驱动的算力消耗就足够拉动整个产业。
「The rise of agents doesn't just mean a dramatic increase in compute, but also a narrowing of the need for widescale adoption by humans for that demand to manifest.」
AI 仍需要 agency，但不需要那么多人有 agency，影响就已经深远。这从根本上动摇了「AI 是泡沫」的论据——批评者总说「大多数人没充分用 AI」，但 agents 让这变得无关紧要。
五、企业经济驱动：裁员潮的逻辑
消费者付费意愿低的事实
Thompson 用 Asus CFO Nick Wu 评论 MacBook Neo 引出一个关键观察——大多数消费者只是想消费内容，这就是为什么所有生产力应用最终都转向企业。企业愿付费，因为企业有人力成本要优化。
Anthropic 选企业是对的
- OpenAI 想把消费者转为订阅用户——这天花板低，必须靠广告
- Anthropic 几乎全部押注企业——企业付费意愿明确、生产力 ROI 可衡量
企业高管真正眼红的是什么
Thompson 提出一个赤裸的洞察：「企业高管最眼红的不是 AI 让员工更高效，而是 AI 直接替代员工还让公司更高效」。
论证：大公司里只有少数人真正驱动公司前进；这种驱动力被一个巨大的人员机器过滤——这个机器在某些方向加速、在某些方向减速；协调成本巨大；Agents 倾向于纯加速——让驱动者的影响力大幅放大。
Thompson 同情「最好的公司用 AI 做更多而不是省钱」的论点，但他认为大企业的现实是——正向影响不是消除工作，而是用 agents 替代「难以管理和激励的人类齿轮」。Agents 听话、不知疲倦、持续到任务完成。
裁员潮的不可逆性
Thompson 给出一个最让人不安的论证：
- 公司之所以臃肿，是因为长期以来 scale 只能靠加人
- 协调成本超过边际员工价值的那个点很难找到——找到时已经过了
- AI 让企业有机会重置这个点：「我们不只是为 AI 前的世界招多了，是为 AI 后的世界招多了」
- 远见公司会大砍而不是小砍，否则被 AI 原生小公司从后面咬上来
- 「这可能很丑陋——我不是主张，是分析为什么这一定会发生」
这反过来证明算力需求会持续增长——more compute over time. No bubble.
六、Value Chain 重新整合：Agents 让模型变得不可商品化
Horace Dediu 的 Apple 天才论
Horace Dediu 在 Asymco 写了一篇《Apple 的最聪明一招》：「Apple 没自建 AI 模型，而是花 $1B/年许可 Google Gemini。模型在快速商品化——DeepSeek 用 $600 万做出和 $1 亿系统匹敌的模型。Apple 押注的不是基础设施，而是客户拥有权——它的 moat 不会蒸发。」
Thompson 的反驳：三个范式的边际效应
范式 1 时代：Dediu 是对的——base model 很快「足够好」用于做饭、医疗咨询、陪伴等。本地推理是合理的演化方向。Thompson 自己也写过这是 Apple 的机会。
范式 2 (reasoning) 时代：本地推理论开始失效——Reasoning 模型需要快算力 + 大上下文窗口 + 大内存。Apple Silicon 在 unified memory 上有优势，但不可能在可预见未来让本地 reasoning 模型与云端模型相竞争。
范式 3 (agents) 时代：Dediu 的论证彻底崩溃——Opus 4.5 之所以惊艳，关键不是模型本身而是 Claude Code 的 harness 改进。这意味着模型性能不是唯一重要的——模型与 harness 的整合才是 agent 差异化的来源。
Value chain 重组：profits 流向整合环节
Thompson 给出关键论断：profits 流向 integrated parts of the value chain（差异化），流离 modular parts（商品化）。
Apple 自己就是 ultimate example——硬件不被商品化是因为它和软件整合，这让 Apple 能持续收高溢价、几乎拿走 PC + 智能手机行业利润的全部。
按这个逻辑：如果 agent 要求模型 + harness 整合，那 Anthropic 和 OpenAI 就是 value chain 的整合点——它们的高估值合理。Gemini 是好模型，但 Google 还没有 compelling 的 harness——这是为什么 Anthropic 和 OpenAI 比想象中更耐久。
Microsoft 是煤矿金丝雀
Microsoft 曾自称「整合型 AI 提供商」夸耀和 OpenAI 的深度集成；OpenAI 内乱后 Microsoft 转向 Core AI 战略，把模型当作可替换商品。
但上周 Microsoft 推出了 Copilot Cowork——基于 Claude Code 的企业版 + 组织数据 + 权限。Microsoft 把它作为 E7 套餐（$99/seat/月，比 E5 贵一倍）的核心卖点。
关键事实：Copilot Cowork 不是 model-agnostic ——Cowork 是 agent，需要模型 + harness，二者紧密整合。
Microsoft 实际上承认了：要交付让企业愿付费的 agent 必须放弃「模型无关」的目标。这反过来证明模型不是商品。
Apple 的处境更糟
Apple 和 OpenAI 的协议是：许可 Gemini + Apple 自建 harness（new Siri）。
Microsoft 都没法走通这条路，Apple 凭什么？
- 唯一救命的可能是 Dediu 的观点：消费者可能就是不在乎 agent
- 但企业市场注定是 Microsoft + Anthropic 而不是 Apple——Microsoft 在企业 AI 上将不得不和 Anthropic 分润，而 Apple 在企业 AI 没有立足之地
七、最终结论：No Bubble
文章末尾，Thompson 回到他著名的「泡沫论」自嘲：
「我一贯主张：只要所有人都担心泡沫就没有泡沫；当所有人都开始把谨慎抛到风中、保证「这绝对不是泡沫」时，我们才可能真的在泡沫里」
按这个标准，他自己现在做出「no bubble」的判断，paradoxically 可能就是泡沫的征兆——「如果我宣告「没有泡沫」反而证明真有泡沫，那就这样吧！」
但他坚持核心判断：
- agents 的崛起意味着我们不在泡沫里
- capex 是 warranted 的
- Anthropic 和 OpenAI 比以往任何时候都更耐久
八、对读者的实际启示
这是 Thompson 罕见的「四把刀串成一个论证」的文章——LLM 三范式 + agency 论 + 企业经济 + value chain 整合。每一把刀单独看都不算新洞察，但串起来给出了关于「AI 时代价值链整合」的一个完整心智模型。
对企业战略决策者来说，这篇文章给出几个关键的可操作启示：
1. 不要再用「AI 是不是泡沫」做战略对话的基础——agent 范式已经从根本上改变了讨论框架 2. 真正的企业 AI 价值在 agent 形态而不是 chatbot 形态——chatbot 是 commoditized 通道、agent 是 integrated 价值点 3. 模型供应商的选择 = 长期战略锁定——一旦选定 Anthropic / OpenAI / Google，未来 5 年的 harness 集成不可能轻易切换 4. AI 引发的裁员潮不是「成本削减」而是「rightsize 点下移」——这是不可逆的结构变化 5. Microsoft 在 E7 + Cowork 上的押注是「model-agnostic」战略的实质性放弃——这对所有依赖 Microsoft 合作生态的企业（含埃森哲）都是重要信号
💎 金句精选
"Sitting here in March 2026, on the morning of Nvidia's GTC, I've come to a different conclusion: I don't think we're in a bubble (which, paradoxically, maybe is the truest evidence we are)."
「2026 年 3 月 Nvidia GTC 当天的清晨，我得出了不同的结论：我不再认为我们处在泡沫里（虽然这种宣告本身可能就是泡沫的征兆）。」
"If the brilliance of ChatGPT was in making LLMs much more readable and useful, the brilliance of o1 was in making LLMs much more reliable and essential."
「如果 ChatGPT 的天才在于让 LLM 更可读更有用，那 o1 的天才在于让 LLM 更可靠更不可缺。」
"A critical component of making agentic workloads work is the 'harness', i.e. the software that actually controls the model."
「让 agent workloads 起作用的关键组件是「harness」——真正控制模型的那一层软件。」
"The rise of agents doesn't just mean a dramatic increase in compute, but also a narrowing of the need for widescale adoption by humans for that demand to manifest."
「Agents 的崛起不仅意味着算力需求大幅增长，更意味着这种需求并不依赖全民采用——少数有 agency 的人就够了。」
"What makes enterprise executives truly salivate is the prospect of AI not simply eliminating jobs, but doing so precisely because that makes the company as a whole more productive."
「企业高管真正眼红的，不是 AI 让员工更高效，而是 AI 直接替代员工——这让公司整体更高效。」
"Profits flow away from modular parts of the value chain — which are commoditized — and flow towards integrated parts of the value chain, which are differentiated."
「利润从被商品化的模块化环节流走，流向具有差异化的整合环节。」
"Microsoft is admitting, at least for now, that delivering a truly compelling agentic product that enterprises are willing to pay for means abandoning their stated goal of being model agnostic."
「Microsoft 实际上承认了：要交付真正让企业愿付费的 agent 产品，意味着放弃「模型无关」的既定目标。」
"There is no need to be worried about a bubble as long as everyone is worried about a bubble; it's the moment when caution is flung to the wind and assurances are made that this is definitely not a bubble that we might actually be in one."
「只要所有人都担心泡沫就没有泡沫；真正进入泡沫的时刻，是所有人都开始保证「这绝对不是泡沫」。」
"If my declaring there is no bubble means there is one, then so be it!"
「如果我宣告「没有泡沫」反而证明真有泡沫，那就这样吧！」