来源：硅谷101播客 · 从B2B到A2A：Agent新基建，如何让"一人企业"做全球生意？ 嘉宾：张阔（阿里巴巴国际业务部总裁） 主持：红军

一、硅谷AI生态的多元分层

新变化：AI创业生态的"分层生态位"日趋清晰

张阔在GTC期间访问硅谷后发现，美国的AI创业生态呈现出一种非常清晰的分层结构——这不是过去"所有创业者都挤在应用层"的单一局面，而是形成了从基础设施到垂直应用的完整生态链：

  • 底层基础设施：各种AI Frameworks、推理优化工具，帮助上层应用更容易地接入和使用模型。这些公司已经具备相当规模，专门解决模型调用、推理成本等问题。
  • 中间层工具：专注于语音转文字、多模态输入等特定能力的中小企业。例如与阿里巴巴合作的 Whisper Flow，在语音转文字的时效性和准确性上做到了行业领先，自身也形成了独立生态。
  • 上层垂直应用：在某一垂直领域比大厂快一步的公司，“永远在推土机前面几十米跑，但能保持身位”。

为什么会有这种变化？ 核心原因是AI技术栈的复杂性已经超过了单一公司能覆盖的范围。从芯片算力到模型训练，从推理优化到应用落地，每一层都需要深度专业化。这催生了大量的"缝隙市场"，让小公司也能在特定环节建立起不可替代的价值。

带来的影响：这种分层生态意味着AI创业不再是"赢者通吃"的游戏。只要你能在一个细分环节做到极致，就能在这个生态中找到自己的位置。

作者观点：SaaS不会死，但会被AI增强

张阔明确反对"AI来了SaaS就死了"的简单论断。他举了一个生动的例子：一家帮助连锁超市和视频彩印店做施工照片管理的公司。原来的流程是人工通过电话通知工人几点来上班，但show up率（到岗率）非常低。引入AI Agent后，Agent可以跟工人详细沟通所有细节——穿什么衣服、怎么报到、车停哪里、工作时长如何记录社会保障等等。因为AI提供了更完整的信息，工人的到岗率大幅提升。

关键论点：不能一概而论"AI出来了所有旧东西都不好"。关键在于人怎么用。基于token的使用计量方式（usage-based）确实比传统的基于座席的计量方式（seat-based）更优，这是下一代商业模型的基础。但SaaS公司如果能成功将AI融入产品，让产品更好用，反而是一个利好。

二、OpenAI Operator vs 微软 Copilot：两种AI工作范式

新变化：AI工具正在分化出不同的工作范式

张阔提出了一个非常敏锐的观察：OpenAI的Operator和微软的Copilot，实际上对应的是两种不同的工作范式。

  • Operator 更适合To C场景——你在对话框里告诉它一个事情，它帮你去爬网页、转音频、修瑕疵，流程开放且灵活。但它的开放性过强，导致"什么做的好、怎么记住做的好"需要大量磨合，安全性和可靠性也面临挑战。
  • Copilot 更适合To B场景——面向知识工作者（开发人员、分析师、律师等），需要与邮件、Word、Excel、互联网信息进行大量交互的场景。它的产品设计面向对象更清晰。

为什么会有这种分化？ 因为To C和To B对"准确性"的要求本质上不同。To C可以容忍一些误差，但To B的stake（赌注）非常高——一个商品定价差一点，对商家的利润就是决定性的。

作者观点：AI Agent的核心是"步骤验证"而非"一步到位"

张阔提出了一个关键洞察：AI Agent不是要一次性把所有事情做完，而是每一步都要验证。

他举了一个精辟的计算：假设做一个博客要18个步骤，每步有10%的误差，那么0.9的18次方基本上就是不可用的结果。所以核心方法论是：

  1. 每一步都要跟AI做verify（验证）
  2. 把核心步骤的差错率降到最低
  3. 用自己的expertise定义"成功标准"
  4. AI通过强化学习不断优化这个标准

这个观点的背景：当时业界有争论——到底应该让AI分步骤解决问题（人还在控制流程），还是让AI一步到位（才算AI Native）？张阔的判断是，对于严肃的商业场景，分步骤验证是唯一可行的路径。AI一旦学会，后续的推理和执行过程就很简单，单位token产生的经济价值会更大。

三、从B2B到A2A：AI如何重塑跨境贸易

新变化：跨境B2B正在走向Agent to Agent

这是本期最核心的变化判断。张阔认为，B2B的生意未来都会走向A2A（Agent to Agent）——不仅是买家Agent对接卖家Agent，还包括一个企业内部的多个Agent之间的协同。

阿里巴巴目前有两条平行的业务系统：

  1. Marketplace（阿里巴巴.com）：传统的搜索-沟通-推荐-交易-物流体系，正在快速用AI重构，变成一个"AI Native"产品。买家可以跟AI交互，让AI筛选信息、推进订单、推荐物流和支付方案。
  2. Accio（accio.com）：去年推出的Agent-based产品，到2026年3月MAU已达1000万，月度增长速度非常快。核心解决sourcing（寻源采购）环节的问题。

为什么会有这种变化？ 全球B2B交易额高达30万亿美元，但数字化的渗透率还非常低。传统互联网并没有改变这个庞大存量市场的核心问题——语言障碍、时差、信息不对称、流程繁琐。而AI Agent恰好可以系统性地解决这些问题。

Accio的实践：从一周到一天的效率革命

张阔分享了Accio带来的具体变化：

以前：一个买家从产品idea到建立商业关系，需要大约一周时间。要克服语言障碍、时差问题，买家卖家的设计沟通很潦草，需要逐步完善。

现在：基于Agent-based的模式，同样的过程缩短到一天之内：

  • AI帮助理解全网信息，做产品research（竞品分析、定价范围、利润计算）
  • AI直接生成专业的design pack（包含图片、文字、3D模型等技术设计文档）
  • 买家卖家的交互变得高效、专业

这个效率提升的根源在于：AI不仅能做信息检索，还能做深度分析、专业设计和跨语言沟通。原来需要人一步一步去完成的28个跨境贸易步骤，现在可以由Agent自动化大部分。

作者观点：Accio与通用大模型的四个核心差异

张阔明确指出，Accio不是简单套壳大模型，而是在四个方向上做了深度定制：

维度通用大模型Accio的做法
信息准确性生成式回答，可能有幻觉结合26年平台数据+实时交易信号，确保商品价格、物流费用、关税的精确性
强化学习通用RLHF基于B2B场景的真实交易闭环做RL——从idea到是否成交、是否复购，形成完整反馈链
安全与可靠性较少考虑分层安全保障、沙箱隔离、推理过程可回滚、长上下文传递
超长周期推理上下文窗口有限分层存储策略：即时推理+多模态索引+按需访问，覆盖从寻源（一个月）到销售（半年到一年）的全周期

特别值得注意的是强化学习部分：B2B的反馈周期比To C长得多——物流价格是否合理、关税计算是否准确、商品到用户手上的反馈信号，周期长、链路多。所以Accio在长上下文推理上花了更多精力。

四、X Work：从寻源工具到全流程Agent平台

新变化：Agent产品正在从单一环节扩展到全流程

Accio的第一版是一个Browser-based的Agent系统，专注于从产品idea到寻源采购。而升级版X Work则是一个Desktop-based的全流程平台，覆盖商家的所有日常运营：

  • 开店卖商品、管理库存
  • 处理客服反馈
  • 多平台发布商品（利用Browser Use能力）
  • HR、Payroll、Finance、Tax等企业管理功能（通过接入硅谷的垂直Agent产品）

为什么会有这种扩展？ 因为对于中小企业来说，尤其是那30%-40%的"solo entrepreneur"（一人企业），设计产品可能花三四天是值得的，但之后还要花同样的时间去发多个店铺、管社交媒体、回客户消息、管理库存、进货……这些"杂活"占据了大量时间，而AI Agent恰恰可以自动化这些工作。

作者观点：中小企业需要的是开箱即用，而不是复杂的组件拼装

张阔对当前AI Agent产品提出了一个非常直白的批评：

“你今天打开一个产品，从前面到后面告诉你，这有Skills，这有Hooks，这有Agents，这有Connectors，这是Plugin。我觉得大家有点晕。没点技术背景，你可能不理解每一个分层到底是什么意思。”

他的核心论点是：对于实体经济的中小企业，那些没有接触过AI的人，你让他自己去搭一个Operator都很难，第一步就卡住了。 Accio/X Work的设计理念就是做一个开箱即用的简单产品，解决他们日常的关键问题，同时保证ROI在合理范围内。

这与当前AI行业的趋势形成鲜明对比：很多AI工具在设计时面向的是技术人员或至少是对AI有一定认知的用户。但真正庞大的传统行业用户群，需要的是"不需要理解原理就能用"的产品。

五、AI时代的商业模式演变

新变化：AI正在重塑广告与佣金的商业逻辑

张阔分享了AI对阿里巴巴.com广告业务的两个影响：

  1. 搜索量变多了：AI更好地理解用户意图。原来只能输入短关键词，现在可以丰富表达需求参数、上下文限制，甚至上传照片和PDF。AI基于商品的全部上下文信息（而不仅仅是标题关键词）做匹配，结果更精准，用户更愿意来搜索。
  2. 广告更精准了：原来给一千个结果，现在给五个精准结果。广告必须更精准才能存在，否则毫无意义。

为什么这是好事？ 张阔用Google做类比——市场原本担心AI Mode会冲击Google的广告收入，但事实上Google既做到了用户停留时长增加，又做到了广告收入增长。因为广告更精准了，点击率更高，广告主更愿意付费。

作者观点：AI时代的四种商业模式

张阔总结了AI时代可能存在的商业模式：

  1. Token-based（按使用量计费）：帮助做更好的设计、更好的全球分析，按token收费。核心竞争的是"单位token的智力密度"——谁的token产生的价值更高，谁就胜出。
  2. Performance广告：供需匹配中的广告展示，长期存在。商家愿意为了更好的需求让利或付费获取更多展现。
  3. 平台供应链服务：担保交易（类似保险，take rate约1-2%）、支付terms、物流等，规模放大后增量价值巨大。
  4. Token-based的Agent服务：Accio/X Work的模式，对SaaS的seat-based模式形成替代。设有月费上限（如20美元/月），超出可选择升级plan。

他的核心判断：Token-based的usage计量模式在"此时此刻就已经领先于"SaaS的seat-based模式，未来会持续占据更大份额。但现有的平台商业模式（广告、供应链服务）也会自然延续到Agent世界。

六、AI Native产品如何衡量成功

新变化：AI产品的评估标准正在发生根本性转变

张阔分享了一套非常有价值的AI产品评估框架，核心是四个维度：

量化指标：

  1. 上线idea的转化率：每季度有300个idea，约150个上线，最终50个work（产生实际商业价值）。希望AI帮助下，从50个增长到100个甚至300个。
  2. 新AI产品的规模化速度：Accio和X Work从0到1，是否能快速scale成为市场共识的成功。
  3. 现有业务的非线性增长：阿里巴巴国际站运营26年的各种指标，是否有非线性增长。2026年EBITDA增长约18%。

感性指标（张阔认为更重要）：

  1. 新模型出来时，组织是兴奋、焦虑，还是没感觉？
  2. 团队对AI工具的使用深度

作者观点：面对新模型，“没感觉"才是最危险的

这是张阔最精彩的判断之一：

“如果你感到兴奋或者感到焦虑，这两个信号在我们这儿都是好的，就说明你这个产品跟模型有关，跟Agent的framework有关。最差的结果就是你没感觉——外边模型出现速度很快，就像一个高速列车一样，你在边上开自己的老爷车，无论你开得多快，边上高铁已经呼啸而过了。”

他进一步解释了"兴奋vs焦虑"的区分：

  • 兴奋：新模型来了，你原来解决不了的问题现在可以解决了。你在做产品时能利用到新模型的能力。这是最好的状态。
  • 焦虑：你虽然在模型上，但你是一个Wrapper（套壳）。新模型每次大迭代，你的价值就被挤压。这是不好的状态。
  • 没感觉：新模型来不来，你的产品都一样。这意味着你根本不是AI Native的产品，迟早被淘汰。

类比到个人：这个判断同样适用于每个人在AI时代的位置——你是兴奋地拥抱变化，焦虑地追赶变化，还是对变化毫无感知？最后一种才是最危险的。

七、工程团队的AI Native转型

新变化：AI正在彻底改变工程团队的工作方式

张阔分享了几个工程团队AI化的具体实践：

  1. Master Agent + Sub Agent架构：给工程设计一个master agent，下面管理多个sub agent——写代码的、读文档的、做code review的、做checking的。形成完整的Agent框架。
  2. 量化公司的极端案例：几个researcher在Slack里讨论模型改到一定程度，直接@Agent说"我们谈完了，你看一下”。Agent读完全部对话，写出设计文档（.md），生成代码。人可能看也可能不看，看目标和结果就行。
  3. 角色融合：原来产品经理写需求、交互设计师画交互、技术员实现——三个角色。现在融合成一个或两个角色，一个人对闭环结果负责。

为什么工程方式会发生根本性变化？ 因为AI生成的代码量越来越大，人反而越来越看不懂了。“你生成的越多就越看不懂，想做code review也很困难。工具突然不能用了，大家就panic。” 这意味着传统的"人审查代码"模式正在被"人审查目标和结果"模式取代。

作者观点：不要用代码量衡量AI的价值

张阔非常明确地指出：“你可以生成全世界最多的垃圾代码，不改变任何商业结果。” 衡量AI工程成功的标准绝对不是代码量，而是：

  1. 有AI帮助后，实际上线并产生business impact的idea数量是否变多
  2. AI Native产品是否能快速scale
  3. 现有业务指标是否有非线性增长

八、选人标准的变化

作者观点：AI时代的"一半一半"人才最稀缺

张阔对AI时代的人才需求提出了两个层面的观察：

不变的：学习能力要强，开放心态，同理心。这些"人的本色"在AI时代和数字化时代的要求是一样的。

变化的：

  • 对AI理解和模型技术理解越深的人：适合从底层做AI产品，从模型训练开始。
  • 商业理解和技术理解"一半一半"的人：适合做产品经理。因为你需要面向未来3-6个月的模型能力设计产品，需要对全世界AI走向有清晰判断。“不能看新闻去做决定”——buzzword很多，出来的新idea很多，你需要有自己独到的洞察。

面试方式的改变：不再走传统流程，而是打开一篇paper，大家一起来讨论，看候选人在其中的原创思想和贡献。

九、核心洞察总结

多模态能力的突破让产品体验质变

张阔分享了一个具体的兴奋时刻：图像生成模型的精度飞跃。原来用扩散模型生成商品图片时，尺寸经常搞错——“一个很大的机器放在桌子上，或者一个不是很大的机器显得很大”。为了让生成结果满足预期，需要花大量时间调试prompt。但新一代模型（如GPT-4o的多模态能力）让这个问题基本解决了，简单的上下文就能生成非常逼真的产品图片。

Browser Use能力催生X Work

另一个关键的技术催化剂是Browser Use——让AI Agent能够操作浏览器的技术。在Browser Use能力成熟之前，要帮助商家做日常运营（多平台发布、管理库存等）“每个地方都很别扭，要大量工程去解决细节问题”。但Browser Use出现后，Agent可以直接在各个电商平台、社交媒体平台上替商家操作，大大扩展了Agent能做的事情。

这也是张阔团队"春节开始加班做X Work"的原因——OpenAI Operator和微软Copilot证明了Agent范式在通用场景下成立，而阿里巴巴在垂直领域积累了足够的数据和know-how，可以快速推进产品。

数据飞轮是真正的壁垒

张阔最后总结了Accio/X Work的四大核心壁垒：

  1. 26年的平台积累：每天上百万千万的沟通、query、transaction，都是训练Agent的信号
  2. 自家模型能力：与通义千问紧密合作，从预训练阶段就注入数据，壁垒越来越大
  3. 数据飞轮：更多用户使用→记住更多工作流→更好的表现→更多用户
  4. 专注的ROI导向：面向对ROI更敏感的中小企业群体，倒逼单位token的智力密度持续提升

对亚马逊竞争的回应：张阔承认亚马逊在自己的后台系统上做Agent化有优势，但"你要把它泛化到经营多平台、利用全球供应链做更广泛的产品设计，我们起步更早、know-how更多"。

关键金句

“如果你感到兴奋或者感到焦虑，这两个信号都是好的。最差的结果是你没感觉。”

“你可以生成全世界最多的垃圾代码，不改变任何商业结果。”

“创作的门槛会被抹平，但审美和品味的差距将极度拉大。”

“核心还是你到底能产生多少价值，不是你消耗了多少token。”

“不能看新闻去做决定——你需要对全世界AI走向有自己的独到判断。”

“跨境B2B要分28个步骤，AI的目标就是让它像online shopping一样简单。”