OpenAI 說企業 AI 要進入下個階段了，但大部分公司還在原地踏步

原文網址

> Meta Shift

OpenAI 上個月發布了一份企業 AI 策略報告，宣稱企業 AI 應用即將從「實驗階段」正式轉向「生產部署」。報告強調三個重點：Agent 整合、安全性提升和成本控制。據報導，已有超過 92% 的財富 500 強企業在使用 OpenAI 的產品（來源：OpenAI 官方部落格）。

但老實說，我覺得 OpenAI 有點過度樂觀了。

大部分企業現在的狀態是什麼？還在搞懂 ChatGPT 能不能用來寫 email，IT 部門還在煩惱要不要封鎖這些 AI 工具。談什麼 Agent 整合，連基本的 prompt engineering 都還沒搞定。這就像遊戲裡大家還在新手村學走路，官方就急著推出高階副本一樣 —— timing 完全不對。

真正的問題在哪？不是技術不夠成熟，而是企業組織根本還沒準備好。OpenAI 畫的這個餅很香，但執行起來的 gap 比想像中大很多。

商業模式拆解

OpenAI 的企業策略其實很清楚：從 API 服務商轉型成企業解決方案提供者。目前他們的商業模式主要有三塊：

API 服務：按 token 計費，目前 GPT-4 的定價是每 1K input tokens $0.03，output tokens $0.06。這塊估計佔總營收的 60-70%，客戶包括微軟、Salesforce、Shopify 等大廠（來源：多家媒體報導）。

ChatGPT Plus/Team/Enterprise：訂閱制，個人版 $20/月，團隊版 $25/用戶/月，企業版 $60/用戶/月。據報導企業版客戶已超過 40 萬家，這塊 ARR 估計已達到 40-50 億美金規模。

定制化解決方案：這是 OpenAI 最想推的新戰場。不只賣模型，還要賣整套的 Agent 框架、安全控制、和企業整合服務。雖然目前還沒公開定價，但從他們的 sales motion 來看，這塊的客單價會是最高的。

護城河在哪？技術領先優勢 + 開發者生態。GPT-4 到現在還是最強的通用模型，而且 OpenAI 在 multimodal 能力上領先其他對手至少半年到一年。更重要的是，全球有上百萬開發者已經熟悉 OpenAI 的 API，這個 switching cost 不小。

但也有隱憂：成本控制。據報導 OpenAI 每個月的運算成本超過 7 億美金，而且隨著使用量增長還在快速上升。這就是為什麼他們急著推企業方案 —— 需要更高的客單價來 cover 這些成本。

競爭格局

企業 AI 市場現在基本上是三國演義：

OpenAI：技術領先，但成本高、依賴微軟基礎設施。策略是「premium route」，主打最強模型 + 完整解決方案。

Google (Gemini/Bard)：技術追得很緊，而且有完整的 GCP 生態支持。策略是「integration play」，把 AI 能力深度整合到 Google Workspace 和 Cloud 服務裡。據報導 Gemini Pro 的效能已經很接近 GPT-4，但 multimodal 能力還是有 gap。

Anthropic (Claude)：專攻企業安全和 compliance 需求。Claude 在處理長文檔和複雜推理上有優勢，而且 Constitutional AI 的設計讓企業更放心。最近拿到 Google 15 億美金投資，估值已達到 300 億美金（來源：The Information）。

還有一票二線玩家：Meta 的 Llama、微軟的 Copilot、Amazon 的 Bedrock。但基本上都是在搶剩下的市場份額。

目前看起來 OpenAI 還是在贏，但優勢正在縮小。Google 的 integration 策略很聰明，Anthropic 的安全 positioning 也找到了差異化的點。OpenAI 如果不能快速把企業客戶鎖住，後面會越來越辛苦。

Meta 判讀

這件事我判定是 Meta Shift。

類比一下，就像當年 cloud computing 從「實驗性工具」變成「生產環境標配」的那個轉折點。2006 年 AWS 推出 EC2，大家還在懷疑「把重要系統放雲上靠譜嗎？」到了 2010 年，不用 cloud 的公司反而被當成落後。

現在的 AI 就在這個 inflection point 上。OpenAI 想要 push 整個市場快速越過這個轉折點，但現實是大部分企業還沒準備好。

跟歷史上的 mobile internet transition 很像。2007 年 iPhone 出來時，大家都知道 mobile 很重要，但真正的企業級應用要到 2010-2012 年才開始爆發。中間這三年就是各種摸索、試錯、基礎建設補齊的過程。

AI 也會走類似的路徑。技術已經 ready，但組織流程、安全 compliance、成本控制這些配套還需要時間。OpenAI 現在做的就是想要 accelerate 這個過程，但 timing 可能還是早了一點。

工程師該怎麼看

對工程師來說，這個趨勢有幾個影響：

技術選型方面：如果你在做 enterprise 相關的專案，現在就要開始考慮 AI integration 了。不是說馬上就要上 production，但至少要 prototype 一些 use case，摸清楚 API 的特性和限制。

職涯方向：AI Engineering 這個 role 會越來越重要。不只是調 API，而是要懂得設計整個 AI workflow：prompt engineering、model fine-tuning、safety guardrails、monitoring 和 observability。這些技能的需求在未來兩年會快速增長。

Side project 機會：企業 AI tooling 還有很多空白地帶。比如 prompt version control、AI workflow orchestration、enterprise-grade RAG 系統。這些都是可以做 side project 甚至創業的方向。

最重要的是，不要被 OpenAI 的 marketing 帶風向。他們說的「next phase」確實會來，但不會像他們說的那麼快。作為工程師，我們要做的是提前準備，但也要務實地評估 timeline。搶跑太早浪費時間，起步太晚又會錯過機會。

這就是典型的技術 adoption curve，我們要做的是找到那個 sweet spot。

<h2>延伸閱讀</h2> <ul> <li><a href="/blog/openais-vision-for-the-ai-economy">OpenAI想重新設計經濟制度 — 機器人稅真的可行嗎？</a></li> <li><a href="/blog/the-first-40-months-of-the-ai-era">AI 這 40 個月都發生了什麼？一個技術人的冷靜回顧</a></li> <li><a href="/blog/is-anybody-else-bored-of-talking-about-ai">AI 話題聊膩了嗎？開發者的疲勞症候群觀察</a></li> </ul>