如何把產品賣給AI Agent？

你有沒有想過，企業為什么存在這個問題？1937 年，經濟學家 Ronald Coase 提出了一個看似簡單卻深刻的疑問：既然市場這么高效，為什么我們還需要公司？為什么不把所有事情都外包出去？他的答案是交易成本（transaction costs）。尋找專業人士、評估他們的工作、談判價格、執行協議，這一切都需要時間和金錢。所以雇傭員工反而更便宜。這個理論支撐了近一個世紀的商業邏輯。但現在，AI agent 正在從根本上改變這個等式。Brian Flynn 最近發表的一篇文章讓我開始重新思考整個商業交易的底層邏輯。他指出，當一個 AI agent 可以在一次 HTTP 請求中發現服務、檢查價格并完成調用時，那些曾經昂貴的交易成本正在迅速歸零。不需要提案，不需要演示，不需要在十個瀏覽器標簽頁之間對比購物。它查詢一個注冊表（registry），獲得結構化結果，然后在毫秒內選擇最佳選項。

這讓我意識到一個更深層的變化：當搜索和評估的成本接近零時，默認選項從"自己構建"變成了"去開放市場購買"。而且買家不再是人類，而是擁有預算的軟件。這種轉變的影響范圍遠超我們的想象，它不僅改變了企業如何購買服務，更從根本上重新定義了什么是"銷售"，什么是"市場營銷"，甚至什么是"品牌"。我花了很多時間思考這個問題，并且深入研究了 Brian Flynn 提出的觀點。我發現我們正處在一個商業范式徹底轉變的臨界點，而大多數企業甚至還沒有意識到這個變化的到來。

交易成本的崩塌與市場結構的重構

Brian Flynn 在文章中指出，并非所有交易成本都在平等地下降。集成、合規和安全審查仍然昂貴。但搜索和評估層，也就是決定你是否知道某個服務存在以及它的成本是多少的那部分，正在接近零。我認為這個觀察抓住了問題的核心。想想傳統的企業采購流程：你需要一個特定的服務，首先要花幾天時間研究市場上有哪些供應商，然后逐一聯系他們索取報價，安排演示會議，評估各家的優劣，再進行漫長的商務談判。整個過程可能需要幾周甚至幾個月。但對于 AI agent 來說，這個過程被壓縮到了幾毫秒。

我最近在思考這種變化對不同規模企業的影響。對于大型企業來說，他們有專門的采購部門，有復雜的供應商管理流程，這些流程在短期內可能不會完全消失。但對于中小企業和初創公司來說，這種變化是顛覆性的。當你的 AI agent 可以自動發現、評估和購買服務時，你不再需要雇傭專門的采購人員，不需要建立復雜的供應商關系。這實際上降低了企業運營的門檻，讓更小的團隊可以獲得更強大的能力。

Flynn 提到的另一個關鍵點是，當搜索成本崩塌時，默認選項從"自建"變成了"購買"。我對這一點深有體會。在我自己的工作中，我經常面臨這樣的選擇：是花時間自己開發一個功能，還是使用第三方服務？在過去，即使第三方服務可能更好，但僅僅是發現和評估這些服務的成本，就足以讓我選擇自己動手。但現在，如果 AI agent 可以在幾秒鐘內找到最佳服務并完成集成，那么自建的理由就大大減弱了。這不僅僅是效率的提升，更是一種思維方式的轉變：從"我們能做什么"轉變為"市場上有什么可以用"。

這種轉變還有一個更深層的含義，就是專業化分工的進一步深化。當交易成本足夠低時，那些只做一件事但做得特別好的超專業化服務（hyper-specialized services）就變得可行了。Flynn 在文章中提到，一個單一用途的端點（endpoint），只做一件事但做得非常快、非常便宜，每次調用只需幾分之一美分，這樣的服務在傳統訂閱模式下是無法生存的。沒人會為一個只有單一功能的服務支付每月 29 美元的訂閱費。但在按請求付費的模式下，如果 AI agent 每天調用這個服務幾千次，這個生意就成立了。我認為這會催生一個全新的服務生態系統，一個由無數微型、超專業化服務組成的長尾市場。

注意力經濟的終結

整個銷售史都是關于捕獲注意力的。廣告牌、搜索廣告、落地頁、冷郵件、會議展位，所有這些都是為會瀏覽、比較、分心然后最終做出決定的人類設計的。但 Flynn 說得對：AI agent 不瀏覽，它們查詢（query）。這個區別看似簡單，但影響是革命性的。

我一直在思考這對營銷行業意味著什么。傳統營銷的整個邏輯鏈條是建立在人類心理學之上的：如何吸引注意力、如何建立情感連接、如何創造品牌認知、如何影響購買決策。但當買家是 AI agent 時，這些都不再起作用。AI agent 不會被漂亮的設計吸引，不會因為品牌故事而感動，不會沖動購物，不會為了彰顯身份而選擇昂貴的選項。它的決策函數極其簡單：你能解決我的問題嗎？多快？多少錢？多可靠？

Flynn 提到了一個服務推薦引擎的評分函數例子。這個函數給三件事加分：存活性（liveness，服務現在是否在響應）、可靠性（proven reliability，它以前是否工作過）和置信度（confidence，它返回準確結果的頻率）。沒有 Twitter 粉絲數量的加分，沒有媒體報道的加分，沒有品牌認知度的加分。算法看不到這些，即使能看到也不會在乎。這讓我想到，我們可能需要重新定義什么是"品牌"。在 AI agent 的世界里，品牌不再是視覺識別和情感聯想，而是可機器評估的可靠性分數。

這個轉變對我來說最有趣的地方在于，它實際上讓市場變得更加理性和高效。人類買家會受到各種認知偏見的影響，會因為營銷話術而做出非最優決策，會因為品牌忠誠度而忽視更好的替代品。但 AI agent 的決策是基于客觀數據的優化過程。這意味著真正有價值的服務會被發現和使用，而那些只是營銷做得好但實際能力一般的服務會被淘汰。從某種意義上說，這是市場效率的巨大提升。

但這也帶來了一個新的挑戰：如何讓你的服務對 AI agent 可發現（discoverable）？Flynn 說得很直白：如果你的服務無法被機器發現，那么對 AI agent 來說它就不存在。這意味著發現必須是程序化的（programmatic）。人類通過口碑、搜索結果和社交媒體發現服務，但 AI agent 需要機器可讀的能力注冊表（capability registries）。它們需要訪問一個 URL，然后獲得結構化數據：這是我做的事情，這是成本，這是付款方式。你的漂亮營銷網站在 AI agent 運行時是不可見的，你的定價頁面是無關緊要的。真正重要的是你的 API：它做什么，響應有多快，成本多少，以及它現在是否在線。

買與建的新計算邏輯

每次 AI agent 遇到一個子任務時，它都會做一個買還是建（buy vs. build）的決定。我應該自己計算這個，還是應該付錢給已經有答案的人？Flynn 指出，這個計算歸結為兩件事：成本和速度。而驅動購買決策的是信息套利（information arbitrage）。

他舉了一個很好的例子。假設一個 AI agent 的子任務是"有哪些網頁抓取服務存在"或"這個數據集最好的 API 是什么"。當 agent 自己研究這個問題時，使用 GPT-4 級別的模型，大約 16K tokens 的推理和工具調用，成本是 0.10-0.50 美元，需要 10-25 秒。準確性是可變的，因為它是從訓練數據中合成的。而一個專門的服務，擁有精心策劃的目錄，可以在 200 毫秒內以 0.01-0.02 美元的價格返回相同的答案。準確性更高，因為它是維護的數據，而不是生成的推理。這便宜 7-50 倍，快 50-100 倍。數學決定了選擇。

我認為這個例子揭示了一個更深層的原理：在 AI 時代，專業化戰勝泛化（specialization beats generalization）。一個通用的 AI agent 可以抓取網頁、解析 HTML 并提取結構化數據。它能工作，但成本是專門抓取服務的 100 倍，后者在基礎設施層面以每頁 0.003 美元的價格完成同樣的工作。經濟邏輯很簡單：如果委托的邊際成本低于計算的邊際成本，并且專業服務更快，那就委托，總是委托。

但這里有一個微妙的平衡。Flynn 提到，隨著模型變得更便宜、更強大，一些服務會被重新吸收回 agent。能夠生存下來的服務是那些擁有 agent 無法復制的真正優勢的：專有數據集（proprietary datasets）、實時數據源（real-time feeds）、依賴硬件的計算如圖像生成或網頁渲染。你不是在銷售智能，AI agent 有足夠的智能。你銷售的是它們實際上無法自己計算的東西的訪問權。

我花了很多時間思考這個"建"的邊界在哪里。在我看來，隨著基礎模型能力的提升，這個邊界會不斷移動。今天需要專門服務才能完成的任務，明天可能就能被更強大的模型直接處理。這意味著服務提供商需要不斷創新，不斷尋找新的價值點。你不能只是做 AI agent 也能做的事情，你需要做它們做不了或者做起來不經濟的事情。這可能是訪問獨特的數據源，可能是需要特殊硬件的計算，也可能是需要實時更新的信息。

速度和成本的權衡也很有趣。Flynn 說速度和成本一樣重要，甚至可能更重要。當一個 agent 花費 25 秒推理一個子任務時，整個管道都被阻塞了，用戶在等待。時間會復合：一個 10 步的 agent 工作流，每步需要 20 秒，就是 3 分鐘以上的等待。用 200 毫秒的服務調用替換每一步，整個流程在 2 秒內完成。這不僅僅是用戶體驗的改善，更是競爭力的關鍵。在一個由 AI agent 驅動的世界里，速度可能比成本更重要，因為速度直接影響用戶滿意度和系統吞吐量。

向 AI Agent 銷售的新規則

如果你正在構建一個 AI agent 會購買的服務，產品需求看起來和你為人類構建的完全不同。Flynn 列出了幾個關鍵點，我覺得每一個都值得深入思考。

定價應該在協議中，而不是在網頁上。AI agent 需要在 API 層面有機器可讀的定價。不是帶有三個層級和"聯系銷售"按鈕的定價頁面。價格應該在響應本身中，作為結構化數據。當一個 agent 訪問你的端點時，它應該立即知道調用的成本以及如何付款。Flynn 提到 HTTP 自 1997 年以來就有一個狀態碼：402 Payment Required（需要付款）。它被"保留供未來使用"了近三十年。我們終于找到了那個用途。

我認為這個觀點揭示了一個根本性的轉變。在傳統商業中，定價是一個復雜的心理博弈。企業故意讓定價模糊不清，設置多個層級，使用"聯系我們"的按鈕，因為他們想根據客戶的支付能力和談判技巧來調整價格。但這一切在 AI agent 的世界里都行不通。Agent 需要即時、透明的定價信息。如果它無法立即知道成本，它就會轉向下一個選項。這實際上迫使市場變得更加透明和高效。

按請求定價改變了什么是可行的。傳統的 API 計費從每月 29 美元起步。在這個價格點上，你需要成為一個具有廣泛功能的平臺才能證明訂閱的合理性。但在每次調用幾分之一美分的情況下，經濟學就翻轉了。一個只回答一個特定問題的單一用途端點可以成為一個真正的生意。社交數據源每次調用十分之一美分，文檔分析工具半美分，圖像生成器六分之一美分。這些服務在訂閱模式下無法維持自己。沒人會為單個端點支付每月 29 美元。但在按請求模式下，如果 agent 每天調用它們數千次，數學就成立了。

這讓我想到了一個更廣泛的趨勢：微服務化和按使用付費模式的興起。在云計算時代，我們已經看到了從購買服務器到按需使用計算資源的轉變。現在同樣的邏輯正在應用到軟件服務層面。你不再需要購買整個軟件包，你只需為你實際使用的功能付費。而 AI agent 作為消費者，會自然地推動這種模式，因為它們只會為完成任務所需的確切功能付費。

入門必須是可自動化的（automatable）。這不意味著零授權（zero auth）。有價值的服務仍然需要身份驗證、速率限制和濫用防護。但注冊流程需要是 agent 可以程序化完成的。如果你的入門需要人類點擊儀表板、填寫表單并將 API 密鑰復制粘貼到配置文件中，你就給一個只需幾秒鐘的集成添加了幾分鐘的摩擦。理想情況是：一個請求發現，一個驗證，一個購買。三次 HTTP 調用，沒有人在循環中。

我特別認同這一點，因為我經常遇到這樣的問題。有時候我想嘗試一個新的 API 服務，但光是注冊流程就讓我放棄了。需要填寫一大堆表單，驗證郵箱，設置賬戶，配置支付方式，然后才能獲得 API 密鑰。整個過程可能需要 10-15 分鐘。對于一個我只想快速測試一下的服務來說，這個門檻太高了。但如果一個 AI agent 能夠自動完成這整個流程，那么試用成本就大大降低了，服務的采用率自然會提高。

什么沒有改變

Flynn 很誠實地承認，他不會說整個銷售漏斗（sales funnel）就這樣消失了。它沒有消失，它重新優化了。我認為這是一個重要的洞察，因為很容易陷入技術烏托邦主義，認為 AI 會解決所有問題，讓一切都完美高效。但現實總是更復雜。

信任變得可機器評估。品牌不會消失，它變成了可靠性分數。AI agent 會跟蹤（服務也會開始發布）運行時間歷史（uptime history）、響應準確性（response accuracy）、延遲百分位數（latency percentiles）和輸出來源（output provenance）。能夠證明其輸出準確的服務將擊敗無法證明的更便宜的替代品。經過驗證的基準測試（verified benchmarks）、確定性重放（deterministic replays）、置信度分數（confidence scores）。如果你的輸出是不透明的，agent 會將其視為有風險的，有風險意味著昂貴。

我對這個觀點的理解是，信任的形式變了，但信任本身的重要性沒有變。在人類世界里，我們通過品牌、聲譽和社會證明來建立信任。在 AI agent 的世界里，信任是通過可驗證的數據和性能指標來建立的。這實際上可能是一個更公平的系統，因為它更難被操縱。你不能僅僅通過好的營銷來偽裝一個差勁的服務，你需要真正提供穩定、準確、快速的服務。

Flynn 分享的數據很有說服力。在對 44 個服務的一次掃描中，只有 2 個端點完全正常工作。53% 的直接服務調用成功，推薦層成功率為 87%。可靠性不是錦上添花，在 agent 商業中，它就是整個產品。死掉的服務獲得零流量，永久性的。這個嚴酷的現實意味著，服務提供商需要投入大量資源來確保系統的穩定性和可靠性。這不僅僅是技術問題，更是生存問題。

政策仍然限制購買。企業 AI agent 會在約束條件下運作。支出限制、供應商白名單（vendor allowlists）、數據駐留要求（data residency requirements）、批準的提供商列表。漏斗不會完全崩潰，它圍繞"允許的、可信的和可審計的"以及"快速和便宜"重新優化。我認為這是一個重要的平衡。完全不受約束的 AI agent 可能會做出不符合企業政策或合規要求的決策。所以企業需要建立治理框架，定義 agent 的行為邊界。

但合規本身可以變得機器可讀。服務條款作為結構化數據，數據保留政策在 API 頭部（API headers），許可作為元數據（metadata）。需要合規的 agent 會從使合規易于程序化驗證的服務購買。這是一個很聰明的見解：與其讓合規成為阻礙，不如讓它成為競爭優勢。如果你能讓你的合規性以機器可讀的方式呈現，那么需要滿足合規要求的 agent 就會優先選擇你的服務。

對抗性環境是真實存在的。不是每個端點都會誠實。有些會返回垃圾數據，有些會從請求中竊取數據，有些會謊報其能力以捕獲流量。AI agent 需要驗證、沙箱和基于聲譽的路由（reputation-weighted routing）。投資于可證明性和透明度的服務創造了一條難以復制的護城河。在機器市場中，信任是終極產品特性。我認為這會催生一個新的服務類別：專門用于驗證和監控其他服務的服務。就像我們有信用評級機構評估企業的信用一樣，我們可能會有服務評級系統評估 API 的可靠性和誠實性。

讓你的服務對 AI Agent 友好

AI agent 已經在花錢了。它們只是通過為人類設計的笨拙界面花錢。注冊 API 密鑰，導航計費儀表板，解析為瀏覽器構建的定價頁面。如果你想向 AI agent 銷售，Flynn 給出了一個清單，我覺得每個服務提供商都應該認真考慮。

機器可讀的能力（machine-readable capabilities）。以結構化格式發布你的服務做什么。不是營銷頁面，而是任何 agent 都可以在一個請求中解析的 JSON 清單。協議中的定價。在 API 響應中返回你的價格，而不是在網頁上。AI agent 無法閱讀你的定價頁面，它們也不會嘗試。使用 HTTP 402 或類似標準，使成本成為交互本身的一部分。可自動化的入門。讓 agent 可以從"從未聽說過你"到"付費客戶"，而無需人類觸摸儀表板。程序化授權，程序化支付，程序化訪問。

可證明的可靠性（provable reliability）。發布你的正常運行時間、延遲百分位數和準確性指標。更好的是，在你的響應中返回置信度分數。AI agent 會路由到它們可以信任的服務，而信任是可衡量的，不是營銷出來的。比自己計算更快更便宜。這是門檻。如果一個 agent 可以在更少的時間和更少的錢內自己計算你的輸出，它就會這樣做。你需要明確地比 agent 自己的推理更快更便宜。這是唯一重要的價值主張。

我想強調最后一點，因為它揭示了在 AI agent 時代生存的關鍵。你不能僅僅提供一個"還可以"的服務，你需要提供一個明顯優于 agent 自己能做的事情的服務。這個優勢可以來自速度、成本、準確性或獨特的數據訪問。但它必須是明顯的、可衡量的。模糊的優勢不會被 agent 識別，因為它們的決策是基于具體數據的。

我還想補充一點 Flynn 沒有明確提到但我認為很重要的：文檔的重要性。雖然營銷網站可能對 AI agent 不重要，但清晰、準確、機器可讀的 API 文檔卻至關重要。Agent 需要理解你的 API 能做什么、如何調用它、會返回什么格式的數據。這些信息需要以結構化的方式呈現，最好是符合 OpenAPI 或類似標準。好的文檔不僅幫助 agent 正確使用你的服務，也減少了錯誤調用和支持請求。

網絡是為人類瀏覽而建的。下一層將為 AI agent 購買而建。問題是你的服務是否為新買家做好了準備。我深信我們正處在這個轉變的早期階段。大多數服務仍然是為人類用戶設計的，還沒有適應 AI agent 作為主要客戶的現實。但那些率先適應的服務將獲得巨大的先發優勢。它們將占據 agent 的白名單，建立可靠性記錄，并在這個新興市場中確立領先地位。

Flynn 的文章給了我很多啟發，讓我重新思考商業的基本假設。當買家不再是人類時，銷售的藝術徹底改變了。不再是關于捕獲注意力和創造情感連接，而是關于提供可驗證的價值、透明的定價和無摩擦的集成。對于那些習慣了傳統營銷和銷售方法的企業來說，這可能是一個痛苦的轉變。但對于愿意擁抱這個新現實的人來說，機會是巨大的。我們正在見證商業交易底層邏輯的重寫，這不僅僅是技術的進步，更是整個市場結構的根本性轉變。

結尾

也歡迎大家留言討論，分享你的觀點！

覺得內容不錯的朋友能夠幫忙右下角點個贊，分享一下。您的每次分享，都是在激勵我不斷產出更好的內容。

歡迎關注深思圈，一起探索更大的世界。

- END -

兩個“特別坑”的AI產品創業方向，你知道嗎

速度將成為AI時代唯一的護城河

a16z重磅預測：Vibe coding贏者通吃？錯了，垂直專業化才是未來