AI盛世里的暗雷藏着下一个“次级债”危机前阵子去参加一个技术沙龙活动主题是“AI应用新机遇”。台上的Demo一个比一个炫AI一键生成营销视频、AI客服自动接待、AI绘画无限风格、AI编程助手帮你写整个模块。台下投资人举手问频率最高的一个问题不是“毛利多少”而是“用了哪个大模型”。散场后和一个做AI应用孵化的朋友聊起来他叹了口气他们团队手上同时跑了七个项目能说清楚“谁在付费、为什么付费、留存多少”的只有两个。其他五个全靠着Demo去融资团队每天都在改PPT和刷榜。这个场景让我想起一个有点危险但很贴切的隐喻AI行业眼下正攒着一堆“次级债”。不是AI技术会崩塌而是大量项目在拿“预期”当“资产”拿“融资”当“收入”拿“Demo的惊艳”当“产品的壁垒”。当底层资产质量越来越差资本退潮只是时间问题。那些真正有实际用户、有数据闭环、有成本控制能力的项目会在洗牌后留下来而靠概念和包装撑起来的项目可能会迎来一场集中清算。1. 先搞清楚“AI盛世”里真正值钱的资产是什么如果你打开融资新闻看到的AI项目大多是这样的一个通用大模型、一堆垂直行业Agent、一套AI短视频生成平台、一个无违禁词AI聊天应用。这些项目确实站在风口上但“风口”并不等于“资产”。在金融里资产是能持续产生未来现金流的资源在AI项目里现金流对应的应该是用户持续付费、企业续约、广告变现或者通过效率提升帮客户省下可量化的成本。而眼下很多AI项目本质上是“API套壳”。调用一个开源模型或商业模型外面包一层界面加几个模板就成了新产品。这种项目的“资产”极其单薄模型能力不属于自己。数据积累没有形成闭环。用户迁移成本几乎为零。对手两周内就能复制。不是说套壳项目没有价值。如果用户洞察足够深渠道和运营够强套壳也能做出好生意。但问题在于大量资源的涌入让这类项目数量爆发式增长大多数并没有差异化场景只是在同一个赛道上相互模仿。结果就是底层资产严重同质化估值却一个比一个高。真正值钱的AI资产至少需要具备三样东西场景入口、数据飞轮、成本控制能力。场景入口意味着你精准切进了一个高频需求数据飞轮意味着随着使用量增加你的模型或产品越来越懂用户成本控制能力意味着你的商业模式在算力成本和用户付费之间能留出利润空间。对照这三个标准很多项目只是在“有场景入口”这一步就站不稳。常见情况是团队听了一个“行业痛点”就开始做产品但痛点是不是足够痛、用户愿不愿意付费完全没有验证。这种项目在融资市场里可以讲故事在真实商业里其实就是一笔坏账。2. 为什么我用“次级债”来类比AI行业“次级债”这个词熟知的人是从2008年全球金融危机里听来的。它的逻辑链条很长银行把钱贷给了一群信用评分低、还款能力弱的人按揭贷款被打包成MBS住房抵押贷款支持证券再被层层包装成CDO担保债务凭证。评级机构给这种复杂金融产品打了高评级投资人只看到回报率根本看不清底层借款人已经还不起房贷了。等到房价下跌、利率上升无数借款人违约整条金融链条上的资产迅速蒸发危机就此引爆。AI行业当然不是金融行业我不会说AI会引发全球金融危机。但这个“资产分级、层层掩盖风险”的结构在AI创业领域真的有一比底层资产一个个AI项目本身的用户价值、收入质量、数据壁垒。融资工具天使轮、A轮、B轮不断把项目估值抬高。叙事驱动AGI颠覆一切、大模型改变所有行业让二级市场参与者产生“投了AI就等于投未来”的错觉。评级机构部分媒体、峰会、榜单、咨询报告在放大“AI能力”的同时弱化了“商业化验证”。这套结构里最危险的环节不是某一个项目失败而是风险从底层向顶层传导。当一批AI项目拿不到下一轮融资、无法继续烧钱留住用户时最先崩的是这些项目本身然后是它们依赖的算力租赁平台、模型API服务商、下游服务商接着是重仓这些项目的投资机构。与其说这是一场经济危机不如说是一场“风险连锁反应”。为什么大家看不见风险因为AI行业的成长期实在太短。一个项目从成立到宣布“月活过百万”只需要几个月很多数据还是“下载量”和“注册量”不是“日活”和“付费量”。资本市场上所有人都害怕错过AGI于是估值体系从“基于收益”变成了“基于前景”。只要还能讲出更大的故事就没有人愿意去检查底层资产的质量。这里要特别强调技术潜力大和项目价值高是两个概念。大模型本身的技术突破是真实的它能改变未来的生产力结构这一点我毫不怀疑。但“技术改变了行业”和“你的公司能靠这个技术赚到钱”中间隔着产品化、商业化、组织能力和成本控制。次级债危机并不是说“房子没用”而是说“给还不起钱的人发房贷”这件事有问题。AI行业同理不是模型没用而是太多项目建立在不可持续的预期之上。3. 暗雷一算力成本成了项目身上越滚越大的利息次级债危机的导火索之一是利率上升。在AI行业对应的“利率”就是算力成本和技术迭代速度。算力成本有多高我用一个保守的估算来讲。一个中型AI应用如果每天要处理几万次用户请求每次请求到大模型接口需要消耗约几万token单日API费用大概在千元到万元级人民币。一年下来光是模型调用成本就是几十万到上百万元。如果团队自建GPU集群前期硬件投入、机房电费、运维人工更是无底洞。而一个刚起步的To C产品一个月的付费用户可能只有几十个ARPU每用户平均收入几十元。这样的收入连算力成本都覆盖不了更别说研发和运营成本。问题不在“短期亏损”几乎所有新业务初期都会亏损问题在于很多项目根本没有一个“亏损递减模型”。它们没有通过数据积累降低单位推理成本没有通过产品设计减少无效token消耗也没有通过场景筛选提高付费转化。成本随着用户增长线性增长毛利始终为负用户越多亏得越多。这种项目本质上是在“为算力商打工”撑到哪一天融资断了公司也就停了。我在不少技术团队里见过一个通病项目立项时只关心“效果好不好”不关心“每次调用多少钱”。等产品上线、用户量起来以后才发现成本比想象高了三倍再想优化交互策略和模型方案已经晚了。一个可落地的做法是在项目一开始就建立“成本指标”定义一次完整业务交互的token消耗量例如一次客服对话平均消耗多少token。计算单次交互的推理成本乘以预期的月交互次数。对比该场景下用户的收入贡献无论是付费、广告还是数据价值。如果单纯靠现有商业模式无法覆盖成本就要思考是否能通过更小的模型、缓存、蒸馏、规则预筛来降低消耗。这些步骤一点都不酷却决定了项目能不能活过十八个月。AI的真正门槛从来不是“能不能调通模型”而是“能不能让模型长时间在经济账下运转”。4. 暗雷二同质化套壳应用正在把优质场景做成劣质竞争我们可以观察一下应用商店和应用榜单很容易发现一个规律AI应用的热门榜几乎每季度洗一次牌。聊天、绘画、视频生成、写作助手、PPT生成、数字人播报这些赛道里挤满了长相差不多的产品。它们调用相似的模型、展示相似的模板、打出相似的营销话术。用户被“免费体验”吸引下载用完几次发现和上一个没区别于是继续等待下一个新的“神器”。同质化带来的最大问题不是竞争激烈而是劣币驱逐良币。当用户尝鲜心智消退很多应用开始通过低质内容吸引流量比如用AI批量生成低垂类视频、编造假新闻标题、批量制造同质化文案。这又催生出一条灰产AAI内容检测与“降AI率”工具。你生成一篇文章学校或平台检测出AI痕迹再用另一套工具改写伪装成人工写作。这种攻防不断消耗算力和人力却几乎没有创造任何真实价值。从技术演进的角度看模型能力会越来越便宜、越来越易得。两年前的AI写作为什么收费高因为技术稀缺。今天开源模型能力已经够强写一篇普通的营销文案根本不费劲。当所有人都能用同样便宜的模型时模型本身不再是壁垒渠道、数据、流量的稀缺性才开始凸显。这就是为什么同一个功能放在微信小程序里和放在独立App里商业结果可能差十倍。这时候需要问一个问题你的项目积累的是什么如果只是“我比其他应用多加了一百个模板”那你积累的只是用户已经不再需要的冗余。如果你积累的是用户在不同场景下的真实偏好数据是每一次反馈对模型的修正是用户在你这里形成的习惯和内容资产这才是同行短期追不上的东西。当然我也不是让所有人都去自研模型。相反我更建议大多数中小团队直接使用现成模型把精力集中在“场景理解”上。关键是别把“调用模型”当成“核心竞争力”别把“功能雷同”幻想成“用户价值”。5. 暗雷三工程化能力缺失让大多数AI项目停在Demo阶段我用一种很残酷的眼光审视项目时发现大多数AI项目的生命周期是“Demo-融资-新Demo”。它们可以做出一些惊艳的展示但很难成为稳定、可靠、能长期维护的生产系统。偏差集中在三块数据质量很多团队直接从网上抓一批数据微调模型没有清洗、去重、脱敏、回滚机制。模型上线后遇到真实用户输入各种边缘case接不住用户体验断崖下降。评测与监控不少团队只关注“生成效果”不关注“回答延迟”“错误率”“漏回率”。模型升级一次性能变化都说不清楚用户反馈也没回流到数据集里。这种项目别说规模化连上线后稳定迭代都做不到。工程整合AI能力要嵌入到真实的业务流程里需要跟权限系统、工单系统、库存系统、客服系统对接。这一层工作量巨大但很多团队只做了一小段API调用根本没法落地到客户环境。我自己看过一个AI客服案例。产品演示时完美回答了几个标准问题客户很满意。可真正接入生产后模型对产品规则的理解一团糟经常给出违背售后政策的回答。项目组用了两周才勉强补充了一些规则库但客户已经失去耐心。后来复盘发现这个团队从头到尾都没有建立一个“真实问题反馈-模型修正-回归测试”的循环。同样的情况也出现在AI编程和AI Agent领域。很多开发者尝鲜用AI写代码觉得效率惊人但到生产环境就发现代码安全漏洞多、依赖版本混乱、生成内容不可解释、没有测试覆盖。AI编程助手可以当一个高级补全工具但不能替代对代码架构和系统稳定性的控制。这里想给一个明确的观点AI落地的最大瓶颈不是模型参数不够大而是工程化能力不够实。未来的价值差距会体现在谁能把AI能力稳定、安全、低成本地嵌入到真实生产流程里。谁能把模型评测、数据资产管理、可观测性、灰度发布、故障回滚做扎实谁就有资格谈“长期价值”。否则你手里的所谓AI应用不过是又一个一次性Demo。6. 在AI热潮里保持清醒给技术人的三条避坑策略作为普通开发者或技术管理者我们很难左右资本的潮汐但可以决定自己在潮水退去时还剩什么。如果想在AI热潮里不踩次级债的雷我建议从下面三个策略开始。策略一先回答“谁在什么场景下付钱”再动手。这个听起来像废话但大部分项目恰恰死在这里。不要用“AI可以帮助所有行业提效”这种话当立项依据。一定要把目标用户、使用场景、付费动作、支付意愿和频次拆到尽可能细。做智能文档助手你可以说“面向中小律所帮助实习律师把合同审阅时间从三小时缩短到三十分钟按审阅次数或包月收费”。这个描述里有用户、有场景、有量化收益、有付费方式。如果你的项目换一换行业完全讲不通说明需求还不是足够聚焦。策略二坚持“最小可结算闭环”验证。不要在还没有真实付费用户时就急着扩大模型选型、买一堆GPU、搭建完整应用架构。先用一个粗糙的MVP服务三五个种子客户甚至用人工在后台辅助跑流程只为了验证用户会不会为此付钱。很多团队觉得这样太慢但实际情况是与其埋头开发一个月后发现自己做的东西没人要不如用一周时间手动替客户做一次换来一句真实的“我愿意付费”。这种“最小可结算闭环”就是AI项目里的最小可行产品MVP它关注的不只是“能不能实现”而是“能不能收钱”。我经常用一张表来评估AI项目的健康度你也试着给项目打个分评估维度健康信号危险信号用户需求多个客户主动询问或付费使用团队自己认为“用户需要”经济模型单次毛利为正随规模提升收入永远覆盖不了算力和人力数据资产每日真实交互可回流训练集数据只能靠外部购买或伪造工程稳定性有监控、回滚、安全审查只有演示环境可以跑通护城河渠道、数据、品牌或行业Know-how只靠模型API和界面模板团队结构有工程、产品、行业专家不是纯算法全员都是模型调优工程师三张绿色以上项目还值得继续全部是黄色或红色就要小心这台“AI印钞机”印的是债务。策略三主动给AI投入设上限保留核心研发资源。对很多公司来说AI不是全部。我看到不少团队把全公司的人力都派去做模型微调、做Agent、做自动生成流程结果基本业务没人维护客户流失AI项目也没有形成收入。这种“赌徒式”投入比盲目不做AI更危险。给自己一个预算框架AI相关探索性项目占整个研发资源不超过20%30%。剩下的人力和精力继续投入到现有核心产品和用户服务上。让AI项目先在跑道上飞一小段证明自己有起飞能力再追加燃油。这样才能避免整个公司被一个还未验证的项目拖垮。7. 真正的“次级债”到期是行业回归理性的开始你可能会觉得我这篇文章太悲观好像AI行业马上就要完蛋。其实不是。我的核心判断是AI技术本身没有泡沫真正的泡沫在那些把技术随便包装成“万能资产”的项目上。回顾互联网泡沫期也一样。2000年大量“.com”公司倒闭伤了一批投资人但存活下来的亚马逊、谷歌反而在洗牌后构建了更深的壁垒。泡沫消化掉的不是技术而是对技术不切实际的定价。AI行业正在经历同样的过程。当靠讲故事和刷榜就能拿到融资的日子结束真正能解决用户问题、控制成本、积累数据资产的团队会活得更从容。对技术人来说这个阶段反而是最好的修炼期。你可以不再被“某个大模型发布就必须马上接入”的热点裹挟静下心来打磨数据治理、模型评估、系统稳定性、场景理解这些看起来很基础但长期不可替代的能力。未来你和大势保持同频靠的不是追新词而是能把这些新能力稳稳焊接在真实业务上。下一次再看到某个AI项目刷屏时先不要急着问用了什么模型。先扫一眼它的商业模式、用户留存和成本结构。如果这几个问题都没有答案那它很可能就是藏在这轮AI盛世里的又一颗暗雷。而你的时间值得用在能够产生真实价值的地方。