全文 3,000字 | 閱讀約 8 分鐘

（9月13日，Brett Taylor：AI公司不應(yīng)該追求通用模型）

先看一個新聞。

9 月 4 日，由 OpenAI 董事長 Brett Taylor 創(chuàng)辦的 Sierra 官宣完成 3.5 億美元新融資、估值 100 億美元。

這家成立僅 18 個月的公司，專注于一件事：幫企業(yè)構(gòu)建 AI 客服智能體。從產(chǎn)品到商業(yè)化，一路狂奔至獨角獸陣營。

Sierra 不是個例。

同樣 18 個月，紅杉領(lǐng)投的 OpenEvidence 改變了醫(yī)生的工作方式：不再翻資料、查指南，而是直接在手機上問臨床問題。這個產(chǎn)品證明了垂直領(lǐng)域的 AI 應(yīng)用，用戶粘性遠超想象。

與此同時，開源社區(qū) Hugging Face 推出機器人平臺，讓任何人都能快速上手物理世界的 AI。

這三家 AI 初創(chuàng)公司的選擇并非隨意。因為它們分別代表了 AI 落地的三種典型路徑：B2B 企業(yè)服務(wù)、專業(yè)垂直應(yīng)用、開放生態(tài)平臺。

它們背后，是同一個信號：AI 正在從技術(shù)展示轉(zhuǎn)向“業(yè)務(wù)閉環(huán)”。

GPT-5 訓(xùn)練受阻、數(shù)據(jù)墻困擾之后，大模型的狂熱開始降溫，AI 泡沫聲音此起彼伏。所有人都在問同一個問題：“這個 AI ，到底能不能真正落地？”

答案很簡單：企業(yè)不要追求更大的通用模型，而是關(guān)注哪些能集成現(xiàn)有系統(tǒng)，能成為團隊中可靠“執(zhí)行者”的真 AI 產(chǎn)品。

一、AI 工具的價值，起點是閉環(huán)能力

Sierra CEO Brett Taylor 一直以來的觀點很明確：

“AI 不是來演示的，是來做事的�！�

Sierra 做的，不是給客戶部署一個聊天界面，也不是教企業(yè)怎么用 GPT，而是提供一個能從頭做到尾的 AI 智能體。

具體到客戶服務(wù)這個場景，Sierra 能做到：跟用戶完整對話 →獲取所需信息 → 在后臺調(diào)用系統(tǒng) →改訂單、退運費、重發(fā)商品。

同時還能直接生成合規(guī)郵件、報表，無縫貼入客戶原有流程。

Taylor 說：這些動作不是靠堆砌模型實現(xiàn)的，而是他們從一開始就圍繞一件事設(shè)計功能。

這才是 Sierra 這家公司能迅速站穩(wěn)、迅速擴大的關(guān)鍵：

“提供能直接上工位、替人干活的智能同事，直接帶來可對賬的銷售利潤�！�

這種 “以結(jié)果為衡量標準” 的邏輯，在 OpenEvidence 也是一樣的。

這家公司沒做什么花哨的功能，產(chǎn)品頁面看起來甚至有點樸素。但它能在 18 個月里，拿下美國 40% 的醫(yī)生使用率。CEO Daniel Nadler 說得很實在：

“醫(yī)生不是來跟 AI 聊天的。醫(yī)生是要做決策的，做錯了會死人�！�

他舉了個例子：

“一位女病人患有銀屑病，還合并有多發(fā)性硬化（MS），皮膚科醫(yī)生得快速決定用哪種藥不會誘發(fā)神經(jīng)問題。”

這個問題用傳統(tǒng)搜索查不到，GPT 也會瞎編。但在 OpenEvidence 里，醫(yī)生只需輸入完整病例描述，系統(tǒng)能：

• 理解語義；

• 定位到《新英格蘭醫(yī)學(xué)雜志》中的三期隨機對照試驗；

• 明確顯示：“IL-17 類藥物可能加重 MS，IL-23 更安全�！�

重要在于：它不是在生成一個答案，而是在找對一個決策依據(jù)。

OpenEvidence 把臨床 AI 工具從參考一下升級成真正能用。醫(yī)生在用它，不是因為它好，而是因為它能幫他們治病救人。

你會發(fā)現(xiàn)，這兩個產(chǎn)品雖不在一個行業(yè)，但做對了同一件事：閉環(huán)跑通，落點明確，客戶直接獲益。

這一點，在開發(fā)者工具領(lǐng)域也有體現(xiàn)。

Hugging Face CTO Thomas Wolf 說：

“以前的機器人一只手臂要10萬美元，不能聯(lián)網(wǎng)，不能改行為。我們現(xiàn)在只做一件事：讓它動起來�！�

關(guān)鍵是 LeRobot 從一開始就設(shè)計成“能干活的完整系統(tǒng)”。開發(fā)者不需要從零搭建，用 Python 腳本就能部署一個在現(xiàn)實中解決問題的機器人。

結(jié)果很成功：有團隊用它自動化零售流程，有人用它做教學(xué)工具，還有人讓它生成手勢回應(yīng)客戶。

他們不是展示機器人多聰明，而是證明它確實能完成任務(wù)。

硅谷這些最有潛力的 AI 公司，不拼技術(shù)先進程度，

而是專注于能否解決客戶的實際問題。

二、快速部署，落地的第一步

現(xiàn)在大部分 AI 工具，用戶還得主動去操作。但 Sierra 要讓 AI 自主執(zhí)行任務(wù)。

區(qū)別在哪？

傳統(tǒng)方式下，企業(yè)接入 AI 需要經(jīng)歷學(xué)習(xí)、部署、維護、推廣等復(fù)雜流程。

而 Sierra 直接提供落地服務(wù)，帶著客戶把系統(tǒng)建立起來。

他們有一套前置部署工程師機制（FDE）。與傳統(tǒng)的交付說明書不同，Sierra 會派工程師直接接手客戶的業(yè)務(wù)流程，

比如電商客戶的退貨處理：

• 把 Sierra 的智能體插入客服流程；

• 自動識別用戶問題、抓取訂單、判斷政策、執(zhí)行退款或重發(fā)；

• 所有動作都走完，還能生成一份記錄自動存檔。

客戶不用二次學(xué)習(xí)，也不用切換界面，等于多了個助理在處理具體業(yè)務(wù)。

這就是 Sierra 增長快的秘訣：主動上門和客戶一起，直接落地方案。

OpenEvidence 也用類似的上門服務(wù)模式。不過它更獨特的是，完全繞過了對接醫(yī)院。

Daniel Nadler 說：

我們沒有做什么系統(tǒng)集成。醫(yī)生就是看到好用，直接下載，開始用。

一個醫(yī)生看到別人用了 OpenEvidence，自己點開網(wǎng)頁、注冊賬號、上傳病例，立刻能查文獻、看研究結(jié)論，整個過程不需要 IT 部門、也不需要培訓(xùn)。

Nadler 的思路是：

“只要醫(yī)生能在兩分鐘內(nèi)搞明白這個工具怎么用、為什么值得用，就足夠了。”

背后是一套極簡部署邏輯：

• 所有醫(yī)學(xué)文獻數(shù)據(jù)在云端已整理好；

• 輸入病例，后臺自動調(diào)用、定位引用；

• 頁面簡單易用，重點是可信、快速。

Hugging Face 不是做 B2B 軟件，而是做 AI 工具的工具。

但他們也沒有等開發(fā)者來自學(xué)，而是干了件更徹底的事：

直接把模型、硬件、數(shù)據(jù)全部打包好，變成一整套 LeRobot 系統(tǒng)，送到開發(fā)者面前。

這不是給你一個平臺，你自己研究，而是給你一個能運行的系統(tǒng)，你直接用。

開發(fā)者不需要從零開始搭建機器人架構(gòu)，不需要處理底層對接問題，甚至不需要學(xué)習(xí)復(fù)雜的機器人工程。他們只要聚焦自身的業(yè)務(wù)場景即可。

Hugging Face 的“送上門”策略是：不是推銷產(chǎn)品，而是主動承擔(dān)了搭建工作。

無論是 Sierra 的工程師親自介入流程，OpenEvidence 讓醫(yī)生兩分鐘上手，還是 Hugging Face 把模型變成現(xiàn)成系統(tǒng)，

核心都是：別讓用戶摸索，讓 AI 做第一步。

三、組織結(jié)構(gòu)，決定工具跑得起來

大多數(shù) AI 工具失敗，不是技術(shù)問題，而是組織無法有效采用。

工具再優(yōu)秀，團隊用不起來也難以產(chǎn)生價值。

Sierra、OpenEvidence、Hugging Face 這三家公司在組織采用方式上都有特別之處。它們不依賴人力推動，而是讓 AI 工具自然融入團隊工作流。

? Sierra 的做法：讓技術(shù)直接面對業(yè)務(wù)

Sierra 最特別的一點，是工程師不只是寫代碼，還要直接對接客戶場景。

每個技術(shù)人員入職前 30 天，必須跟客戶一起上線一個真實功能。

Brett Taylor 的邏輯很明確：

讓寫代碼的人直接面對使用場景，他們自然就知道該做什么。

這樣一來，團隊避免了功能層面的反復(fù)討論，直接圍繞問題解決效果開展工作。

從人員配置到工作標準，都貫徹了這個理念。

連招聘標準也很簡單：

“你有沒有在一個月內(nèi)上線過能被真實客戶用的 AI 產(chǎn)品？”

? OpenEvidence 的策略：讓用戶倒逼團隊

OpenEvidence 從一開始就定下一個標準：

“醫(yī)生能不能兩分鐘內(nèi)搞明白，能不能直接做出決策？”

從技術(shù)方向到界面設(shè)計，從功能優(yōu)先級到產(chǎn)品規(guī)劃，都服務(wù)于這一標準。

他們把這個標準寫進產(chǎn)品準則：

每上一個功能，都要先問一遍，這東西是讓醫(yī)生用起來更輕松，還是更麻煩？

不是產(chǎn)品經(jīng)理主導(dǎo)，而是用戶體驗反過來管團隊節(jié)奏。

這確保了團隊始終貼近實際需求，不會把產(chǎn)品做得越來越復(fù)雜。

? Hugging Face 的思路：干脆把組織開放

Thomas Wolf 走的是另一條路：徹底打破組織邊界。

所有開發(fā)、優(yōu)化都開源，任何人都可以提交改進。 很多關(guān)鍵模塊的維護者，也不是公司員工，而是從社區(qū)自然成長起來的開發(fā)者。

Thomas Wolf 說得很清楚：

真正的使用需求會自動浮現(xiàn)，真正有能力的人會自動聚集。

產(chǎn)品完全跟著實際場景發(fā)展，團隊與市場同步演進，而不是在辦公室里預(yù)測趨勢。

這三家公司證明了一點：真正能用好 AI 不在技術(shù)復(fù)雜度，而在組織協(xié)調(diào)能力。

四、增長，來自真實使用后的反饋

Sierra 從沒開過發(fā)布會。增長全靠客戶介紹客戶。

Taylor 強調(diào)：

我們增長靠的不是曝光，而是客戶介紹客戶。

OpenEvidence 更極端一點。沒有市場部門，沒投廣告，也沒找醫(yī)生給他們背書。 短短 18個月，覆蓋了全美近半數(shù)的醫(yī)生用戶。

它們的共同邏輯是：做得越像工具，客戶可能只試一次；做得越像同事，客戶就愿意天天用。

在 Sierra 的客戶服務(wù)場景中：

• 你投訴訂單，AI 在后臺自動改地址、重發(fā)貨。

• 你發(fā)封郵件，對方幾分鐘內(nèi)回一封完整處理結(jié)果。

• 你以為在和人交流，其實整個流程都是貼心 AI 客服完成的。

Taylor 表示：我們要的是客戶從第一天開始就真在用，然后讓更多人愿意加入。

Sierra 通過無縫流程讓用戶自然依賴，而 OpenEvidence 則靠極致實用贏得口碑。

在醫(yī)療領(lǐng)域，醫(yī)生是最難打動的一群人。

Nadler 講得很實在：

“醫(yī)生之間口碑是最敏感的。你推一個不好用的工具，他馬上拉黑你；你給他一個真省時間、省風(fēng)險的工具，他立刻會告訴同事�！�

一個醫(yī)生用 OpenEvidence 查病例，只需幾秒就能定位文獻出處、試驗編號、結(jié)論摘要。 比自己翻文獻快得多，也更有把握。下次自然還會再用。

最后，Hugging Face 是把用戶變成自己的“產(chǎn)品傳播者”。

Thomas Wolf 的想法是：

“如果你想讓別人持續(xù)用你的 AI，就得讓他們覺得這是自己的工具�！�

LeRobot 要讓開發(fā)者可以深度參與：

不只是下載使用，而是可以根據(jù)自己需求自由改造和擴展。

開發(fā)者投入越多，離開成本越高；定制越深，替代難度越大。

這樣，開發(fā)者不只是在用工具，而是在親自改造工具。

他們不強調(diào)自己多領(lǐng)先，而是希望聽到用戶說：

• Sierra 的客戶說：“這服務(wù)怎么這么順？”

• OpenEvidence 的醫(yī)生說：“這工具查文獻太快了，你試試�！�

• Hugging Face 的開發(fā)者說：“這是我自己改造的產(chǎn)品，有成就感�！�

增長，這件事不是宣傳多響，而是用戶用完后，愿不愿意主動告訴別人。

結(jié)語｜真正有效，是能做完一件事

回頭看這三家公司，沒有誰在講自己的工具比別人強，他們都在驗證同一件事：AI 到底能不能把問題解決？

三種落地路徑，同一個答案：B2B 企業(yè)服務(wù)的 Sierra，Brett Taylor 說，客戶要的是結(jié)果；專業(yè)垂直應(yīng)用的 OpenEvidence，Daniel Nadler 表示，醫(yī)生用你是因為找不到更快更準的工具；開放生態(tài)平臺的 Hugging Face，Thomas Wolf 認為，開發(fā)者能拿來就用、隨時集成，才叫真正的 AI 工具。

這背后，是一種新的產(chǎn)品方式、部署方式、組織方式正在落地。

對創(chuàng)業(yè)者來說，這提醒我們：估值高的，不是概念，而是閉環(huán)；走得遠的，不是路線，而是動作。

AI 不缺看法，缺的是執(zhí)行。

誰能先做完一件事？

本文由AI深度研究院出品，基于Sierra CEO Brett Taylor、OpenEvidence創(chuàng)始人Daniel Nadler、Hugging Face CTO Thomas Wolf等訪談內(nèi)容翻譯整理。未經(jīng)授權(quán)，不得轉(zhuǎn)載。

星標公眾號， 點這里 1. 點擊右上角 2. 點擊"設(shè)為星標" ← AI深度研究員 ? ← 設(shè)為星標

https://www.youtube.com/watch?v=aABWOv2uMig&t=197s&ab_channel=TheLoganBartlettShow

https://www.youtube.com/watch?v=RFKFaJfvBqE&t=782s&ab_channel=SequoiaCapital

https://www.youtube.com/watch?v=mTnoAM-BvUs&t=398s&ab_channel=NoPriors%3AAI%2CMachineLearning%2CTech%2C%26Startups

https://pocketcasts.com/podcast/the-logan-bartlett-show/0624a9f0-6085-013a-d728-0acc26574db2/ep-150-bret-taylor-ceo-sierra-a-new-class-of-software-winners/e172fbf8-7dfa-4bb2-beca-cfe6f3864f72?utm_source=chatgpt.com

https://www.theverge.com/decoder-podcast-with-nilay-patel/773904/sierra-ceo-bret-taylor-ai-agents-openai-bubble-interview?utm_source=chatgpt.com

https://sierra.ai/blog/theres-an-agent-for-that-and-it-runs-on-sierra?utm_source=chatgpt.com

https://podcasts.apple.com/us/podcast/live-how-ai-is-reinventing-software-business-models/id1750736528?i=1000708448379&utm_source=chatgpt.com

來源：官方媒體/網(wǎng)絡(luò)新聞，

排版：Atlas

編輯：深思

主編：圖靈