就像提前约好了一样，OpenAI和Anthropic两大巨头几乎是在同一天发布了从自家产品数据中提炼的使用报告。
如果说OpenAI的报告像一本从个人使用者出发的《AI用户行为学白皮书》，向我们展示了一个拥有全球7亿用户，每天25亿的日均消息量的超级app正在如何改变我们的生活，那么Anthropic的报告则更像一份的《AI宏观全球经济扩散报告》（由于使用地域限制这里剔除了中国）。
在这里，我想从这两篇报告出发，透过它们各自独特的视角，探讨我的一个观察：AI的发展正在催生一个分裂的未来。同时，也分享一下作为一名前互联网从业者和AI领域的观察者，我是如何思考AI应用（行业）的现状和发展的。原文链接我放在最后，相信关注AI的朋友在各种地方也看了对于chatgpt的各种总结（甚至是AI总结的）本文我就不再重复去罗列百分之多少的人用了某个功能，而没有看过的也可以直接看最后附上的一个导图，包含了两篇报告的AI使用统计数据。
聚焦个体的openAI和聚焦“系统”的Anthropic
我的想法来源于两篇报告带给我的极大感受差异： OpenAI的使用报告主要聚焦在个人使用上，甚至让我看到了之前做的各种用户数据报告的影子。在它的描绘下，AI正以前所未有的亲和力融入日常生活。高达73%的使用与工作无关，这意味着AI已在加速成为普通人的“生活副驾”（co-pilot），用户更倾向于用AI进行“Asking”（寻求决策辅助），而不是简单的“Doing”（执行任务）。
虽然Anthropic的报告展示了更高的Automation占比，但我认为它并不影响OpenAI观察的核心表达。首先Anthropic的coding能力的差异化定位以及API数据的倾向都会导致Automation类型的人物的增多，随着openAI地Codex等产品的推出和优化，代码或者工作辅助型的任务数量几乎也是可预见性的增加，但是AI作为普通人生活的“助手“定位是毫无疑问的，越来越多人在用AI做健康管理，烹饪助手。
Anthropic的报告更加吸引我的其实是下面两点： 首先，在代表企业行为的API使用中，77%是追求极致效率的“自动化”模式，其目标是取代流程，而非增强员工。企业对价格不敏感，愿为高能力模型支付更高费用，这意味着拥有资本和数据的强者将获得最大收益。
如果说OpenAI的个人生活提升的美好蓝图印证着报告中对于世界似乎正自下而上地走向更平坦、更民主的描绘：无论是发展中国家的快速渗透，还是性别差距的弥合，都展现出AI技术普惠大众的巨大潜力，那么Anthropic的报告就像一台扫描仪，揭示了硬币的另一面。它首创的“AI使用指数（AUI）”无情地指出，AI的采用极不均衡：高度集中在新加坡、以色列等富裕的科技小国及美国等发达经济体，而这可能逆转近几十年的全球经济趋同，加剧不平等。
Anthropic描绘了一个自上而下的未来，在这里AI作为新的生产要素，正遵循资本的逻辑，加速权力的集中。
全新的市场结构下，到底什么才是产品的护城河
这种鲜明的对比其实并不矛盾，而是向我们展示了一个新的市场结构。 传统的市场划分方式通常为B2B与B2C，而在AI的冲击之下，整个市场正在逐步形成一个更加两极分化、中间塌陷的“杠铃市场（Barbell Market）”。
杠铃的一端，是OpenAI报告所展示的，一个巨量的“心智与决策”消费市场。这个市场的用户追求的不是生产效率，而是情感慰藉、决策信心与娱乐体验。这里的商业模式与传统互联网类似，归根结底是注意力经济，产品形态可能是是AI伴侣、AI导师或者是AI游戏伙伴。
我认为在这个市场中，对于产品经理而言，核心的策略应该是做大“Asking”的价值。你的产品不应该仅仅是工具，更要成为用户的“思考伙伴”，例如通过引导式提问、多方案对比等交互，帮助用户“想得更明白”，而非简单地“做得更快”。产品真正的护城河在于“共情能力”与“用户粘性”，类似自媒体中经常被提到的“人感”，而非功能的多寡。
而杠铃的另一端，则是Anthropic的报告所描绘的，一个极致的聚焦在“自动化与价值生产”的企业市场。这个市场的客户追求的是可以被量化的投资回报率——成本削减、流程再造与价值创造。这里的商业模式就变成了价值型经济，产品形态变成了能自动完成保险理赔、金融建模或代码生成的“AI专家系统”。
对于这个市场的产品经理，或者说叫他们解决方案架构师更为合适，核心的策略就变成了如何做深“Automation”的护城河。你所构建的产品必须可以无缝嵌入客户的工作流，API或者私有化数据可能是产品基础，但真正的壁垒在于你可以提供多少有效的“上下文信息（Context）”。这一点也是Anthropic报告中提到的，目前企业广泛使用AI的最大瓶颈就是context的判断：“将人工智能部署到复杂任务中，可能更多地受到信息获取的限制，而非底层模型能力的限制”。因此构建能整合企业私有知识、打通内部数据系统的RAG应用，是成功的关键。
在这两个杠铃的中间，则是正在被无情挤压的中间地带，这部分产品的最大问题是无法真正产生任何一端的收益。例如那些试图为中小企业提供“通用效率工具”的SaaS产品：他们既无法像C端产品那样提供情感价值和巨大流量，又无法像B端高价值产品那样深入核心业务流程创造巨大ROI。同时，他们的功能最容易被基础模型比如chatGPT plus或claude pro的下一次迭代所免费覆盖，在这种情况下最容易被“挤压致死”。
从“模型训练”到“系统构建”
两份报告都清晰地证明无论是个人生活还是企业工作，通用模型都无法完美解决特定场景的问题。因此，真正的机会在于 “垂直整合”，即一套“模型能力 + 垂直场景知识 + 特有数据 + 工作流”的深度融合。
我们以法律场景中AI落地最成功的公司Harvey为例，来看一看这个明星公司是如何构筑真正的护城河的。
首先它在基础模型（chatGPT）的基础上叠加了垂直场景知识 （法律专业知识） ，在其通用能力的基础上进行训练，以理解法律术语的精确含义。例如它可以清楚地知道Indemnity和Warranty的区别，也明白在M&A的尽职调查中，需要重点关注“控制权变更(Change of Control)”条款。而这些都是通用模型不具备的专业判断力。
更为关键的壁垒，则是Harvey建立的特有数据：律所内部数据 + 专业法律数据库。它通过接入顶级律所过去十年所有的合同模板、成功的判例文件和内部知识库，创建了经过验证的“最佳实践”，而不是互联网上随处可查的通用合同模版，同时它也实时地接入LexisNexis等付费数据库，确保其建议基于最新的法律法规和判例。
最后从工作流的角度，我虽然并没有使用过Harvey的产品，但是从官网的产品介绍来看，它并不是一个聊天框，而是一个直接嵌入在Microsoft Word中的插件，AI会自动将合同与律所内部的“标准模板”进行逐条比对，用高亮和批注的形式，直接在文档中标出有风险、不符合惯例或对己方不利的条款，并重写条款，律师在track change的过程中可以直接点击“接受修改”，整个过程几乎可以无缝高效地融入律师现有的工作习惯。
而这一切的结构与战略变迁，都对底层的技术实现提出了新的要求，也一定程度上预示了后续的发展方向。即使底层模型能力不再进步，对于AI领域的的builder来说，挑战正从“炼丹”（训练模型）转向“建城”（构建系统）。正如前面所说，Anthropic报告就不断提到上下文的重要性，context is the bottleneck。我认为这意味着 上下文工程（Context Engineering）” 将成为未来的核心的技术壁垒。而我们需要思考的则是如何高效检索海量的私有数据、构建低延迟高准确率的RAG系统，以及如何让模型在超长上下文中保持高“注意力”，这些系统性的工程挑战。
