OpenAI CFO + 頂級 VC：2026 年 AI 行業的真正瓶頸不是模型，而是……

如果把 2025 的 AI 關鍵詞壓縮成兩個詞，一個是 Agent（智能體），一個是 vibe coding（氛圍編程）。前者讓“對話”開始具備“執行”的想象，后者把寫代碼這件事變得像“說人話”一樣輕。熱度很高，但進入 2026，很多人會有一種更真實的體感：模型能力在飛，但多數人的生活和工作，并沒有以同樣的速度被改造。

這期 OpenAI Podcast 的有趣之處在于：嘉賓不是研究員，而是OpenAI 的 CFO Sarah Friar和Khosla Ventures 的 Vinod Khosla。一個站在“算力投入、收入與商業模式”的視角看 AI，另一個用 VC 的長期尺度談“泡沫、需求與產業外溢”。他們討論的核心不是“下一個模型有多強”，而是一個更現實的問題——當智能已經被交到大眾手里，為什么它還沒變成大規模的結果？

01 2026 年的故事：Agent 終于要從“演示”走向“真正可見的影響”

Sarah 在開頭就給 2026 定了調：2025 討論了很多 agents，但真正成熟還沒到位；2026 的變化，會發生在多智能體系統開始帶來“肉眼可見的影響”。

她舉的企業例子很具體：不是“幫你寫幾段文案”，而是讓多個智能體去跑完整任務鏈——例如幫企業運行 ERP 系統、每天自動做對賬（reconciliation）、計提（accruals）、合同追蹤（tracking contracts）。這類工作本來是典型的“系統工程”：數據在不同系統里，規則有合規約束，還要能持續、穩定、可審計。她的意思是，2026 的 agent 價值不在于更會聊天，而在于能把這種成體系的工作接起來，變成日常運行的一部分。

在消費者側，她也同樣用“旅行規劃”這個看似日常的場景說明：為什么 agent 沒那么容易成熟。因為一次像樣的旅行規劃，本質上要跨過你的偏好、餐廳預訂、航班時刻表、個人日歷等多個信息源——這不是單一對話能完成的，而是一個需要多個 agent 協同的項目。她判斷這類體驗會在接下來一年左右開始更成熟。

緊接著，她把視角延伸到機器人與“現實世界模型”：她期待的不是某個機器人動作更炫，而是模型開始具備更通用的直覺能力（general intuition），能在更復雜的現實環境里做更可靠的決策。

02 “真正瓶頸不是模型”：能力差距（capability gap）才是 2026 的主戰場

這期播客里最關鍵的概念，是 Sarah 明確說出的capability gap（能力差距）。

她的描述非常形象：我們已經把“巨大的智能”交到了人們手里，就像把“法拉利的鑰匙”給了大家，但很多人還在學習第一次把車開上路。問題不在于車不夠快，而在于多數人還不會開、也不知道能開到哪里。

她進一步把這件事拆成兩層：

• 消費者側：今天大多數人把 ChatGPT 當成“問答工具”。她真正關心的是：怎么讓它從“聊天機器人一問一答”，走向“真正的任務工作者（task worker）”——比如替你把旅行訂好、幫你理解醫生的建議并獲得第二意見、甚至圍繞慢病（她提到糖尿病孩子）做菜單規劃。這些都不是“回答一句話”能完成的，而是“把結果交付出來”。

• 企業側：同樣存在一個從“淺用”到“深用”的連續體。企業可能先從“全員 ChatGPT”開始，再走向垂直專業化的解決方案，最終觸達那些真正改變關鍵業務指標的環節。

她還拋了一個非常“殘酷”的判斷：今天真正把 AI 用到 30% 能力的人，可能都只是個位數比例；更別說 50%、80%。她認為這是一段很長的學習旅程，甚至可能要十年才能讓大多數人真正掌握“能用 AI 做什么、怎么用得更復雜”。

為了避免誤讀，她補了一句很重要的提醒：很多評論者把“采用曲線”當成“能力曲線”。模型會繼續變強，但這并不自動意味著所有人都會同步把它用到位。能力進步不等于采用完成。

03 一個很妙的類比：AI 像“剛通電的家庭”，大家先學會開燈，后來才會做飯和取暖

Sarah 用了一個更生活化的類比來解釋“為什么體感落差這么大”——我們像是剛把電接進家里。

一開始大家只會開燈，覺得“好方便”；但其實電還能取暖、做飯、卷頭發，能改造整個家庭生活方式。她的意思是：AI 現在的狀態也很像這樣——能力早就在那兒，但人類的創造力、產品形態的迭代、以及“把能力嵌進日?！钡墓こ袒^程，還沒有跟上。

她順帶提到移動互聯網的歷史：移動端剛興起時，很多人只是把桌面網頁搬到手機上，體驗很糟糕；后來 GPS、攝像頭等能力被真正用起來，Uber、移動銀行等新用法才出現。她想表達的是：不是硬件一出現世界就變了，而是當人們理解“它還能怎么用”，新的產業形態才會長出來。

04 這也是她為什么不認同“泡沫敘事”：價值已經能落在企業賬上

談到“是否泡沫”，Sarah 的論證方式不是宏大敘事，而是很 CFO：我能把價值量化出來。

她講了一個非常具體的財務場景：收入管理團隊每天要做的事之一，是下載最近簽署的大量合同，逐條閱讀，找出“非標準條款”，因為這會影響收入確認（rev-rec）與審計風險。公司增長越快，合同量越多，傳統做法只有一個：多雇人。于是入門級員工每天做的工作就是“讀合同、再讀下一份合同”。

她說現在用 OpenAI 內部工具，合同可以隔夜被系統抽取出來，進入表格化數據庫（她提到 Databricks），智能體可以自動標出哪些條款非標準、為什么非標準，并進一步推導它對收入確認的影響。更關鍵的是，它還能把“非標準條款”當作信號：這到底是銷售讓了不該讓的東西，需要去輔導？還是業務模型在變化，某些“非標準”應該變成新的“標準”？

這段敘述的重點不在“省了多少人”，而在：原本的苦活被機器吞掉后，人可以回到更接近專業價值的工作上。她甚至說，這可能讓團隊更小但更高績效、更高士氣、更高留任率——這些對 CFO 來說都是可以寫進指標的“業務更健康”。

她隨后舉了一個“快公司”的故事：一家 ARR 約 1.5 億美元的公司，會計部門幾乎只有一個人（controller），因為他們用 AI 導向的 ERP 替代了傳統系統。這里不必糾結個案的普遍性，但它在播客里的用途很明確：用“現實存在的生產力躍遷”去對沖“你們是不是在泡沫里自嗨”的質疑。

05 Vinod 的“泡沫指標”更狠：別看股價，去看 API 調用

如果說 Sarah 是用企業內部的“可量化價值”反駁泡沫，那么 Vinod 的框架更直接：泡沫不該用股價衡量。

他認為人們把泡沫等同于價格漲跌，本質只是投資者的恐懼與貪婪?；ヂ摼W泡沫時期，價格可以劇烈波動，但互聯網流量本身并沒有“泡沫”；同理，在 AI 時代，更該看的是API 調用量——它代表真實使用、真實需求、真實效用。

06 為什么算力還在被瘋投？CFO 的回答是：需求被“算力可用性”卡住了

進入算力部分，Sarah 的結論非常明確：需求的限制主要來自算力的可用性。如果今天有更多算力，他們可以做更多產品、訓練更多模型、探索更多多模態方向。

她還給了一個 CFO 式的決策邏輯：算力投資不是“看到需求才投”，因為數據中心和供應鏈有滯后；她必須在今天就為 2028、2029、2030 的算力做決策。如果不提前下單、不給建數據中心的信號，未來就是沒有。

更關鍵的一段是她講“算力與收入的相關性”。她用年份舉例（23、24、25 的算力規模與 ARR 對應關系）來說明：內部觀察到“當期算力與當期收入”有很強的相關性，因此 CFO 會把它當作經營指標的一部分來管理，而不是純技術理想主義。

同時，她也解釋了 OpenAI 為什么要從“單一云、單一芯片、單一產品、單一商業模式”變成“多云、多芯片、多產品、多商業模式”的三維結構——她用“魔方”比喻這種組合帶來的戰略選項：不同的芯片與延遲特性、不同的產品形態（她提到 ChatGPT、Sora 等）、不同的變現方式（訂閱、企業 SaaS、信用計費、甚至探索廣告與商業），最終目標是把“支付算力成本”這件事變成可持續的系統。

07 醫療：最早體現價值的方向之一，但“限制項”不在技術

醫療段落里，Vinod 認為 AI 會讓專業知識更像一種可規?；职l的“商品”；Sarah 則把現實的剎車踏板講得很清楚：醫療的限制來自監管與邊界——處方權、診斷、醫療器械審批等都決定了 AI 能做什么、以什么方式做。

但他們也用具體場景說明為什么醫療會成為“高價值用例”：

• 對醫生而言，AI 是增強：把最新研究、藥物相互作用、罕見病可能性放到眼前，補齊人的模式識別盲區。她舉了她哥哥在英國重癥監護（HDU）的例子：如果在蘇格蘭急診出現瘧疾，醫生未必第一時間想到，但模型可能會把這種“你可能旅行過”的線索納入推理范圍。

• 對普通人而言，AI 讓你能更早做功課、獲得第二意見、甚至在餐廳場景里拍菜單、快速篩選適合慢病需求的菜品，減少溝通成本，把注意力還給“我們為什么一起出來吃飯”。

醫療這段的核心其實是：能力在快速逼近可用，但大規模結果仍要靠流程、監管與產品化路徑把它接住。

08 廣告與多訂閱：當 AI 變成基礎設施，商業模式也會變得像“電”一樣復雜

他們談到廣告時，Sarah 先強調了一個“信任前提”：哪怕未來出現廣告，用戶也必須相信模型給你的始終是“最好答案”，而不是“付費答案”。她希望廣告以一種“平臺原生、對用戶有用”的方式出現（比如你問周末去哪玩，某些服務信息可能確實有幫助），同時必須保留“無廣告層級”的選擇權。

在訂閱上，Vinod 的判斷很直白：多數人最終會有不止一個 AI 訂閱，這與媒體訂閱的行為類似。但主持人也提出了一個很現實的問題：AI 的“記憶”和“長期上下文”會形成黏性，如果你在多個平臺之間切換，你會損失這種連續性，這和讀不同報紙的多訂閱不完全一樣。

當 AI 越來越像基礎設施，商業模式不會只有一種答案，而會出現分層、組合與權衡。

09 創業公司還有空間嗎？他們給的方向是“數據權限 + 復雜流程 + 垂直專精”

當話題轉到“OpenAI 做這么多，創業公司還有沒有機會”，兩人的答案都很明確：機會不僅有，而且會更多。

Vinod 的觀點是：沒有任何一家公司能包辦地球上的所有事情；模型越強，能在模型之上疊加的機會越多。Sarah 則給了更具體的創業切口：

• 很多價值藏在企業防火墻后，真正的機會來自你能否進入企業數據與流程；

• 你是否掌握獨特數據、并能在復雜工作流里做權限與治理（她以采購系統的“授權鏈路、審批權限、HR 級別校驗”為例）；

• 代理之間通信會引入新的身份、權限與風險問題，“permissioning”會成為新一代基礎設施創業的方向。

他們討論的創業機會，不是“再訓練一個模型”，而是把模型嵌入現實組織的規則系統里：數據、權限、流程、合規與行業語境。

這期對談其實在反復強調同一件事：智能已經不是最稀缺的變量，稀缺的是把智能用成結果的能力。
2026 年真正的變化，會發生在 agent 更成熟、工作流被重寫、算力供給逐步釋放、以及更多人真正學會“怎么開那輛法拉利”的那一刻。