深潮導讀： 「淘金熱裡，賣鏟子」曾是創業圈的金科玉律。但在 AI 時代，這條邏輯失效了——因為礦工自己開了五金店。OpenAI、Anthropic、Google 正在系統性吞噬中間件層、程式助手、瀏覽器自動化等創業賽道。作者 Ben Basche 認為，真正能活下來的 AI 公司不是賣工具的，而是把 AI 當原材料用在垂直領域的「首飾匠」——深入特定行業、掌握本地知識、擁有不可複製的上下文。
全文如下：
有句話在第一次網路泡沫前後成了創業圈的福音：「淘金熱裡，賣鏟子和鐵鎚。」意思是，真正賺錢的不是挖礦的人，而是供應礦工的人。發財的是 Levi Strauss，不是那些淘金者。
這是一個好框架。在一段時間內確實好用。
但在 AI 領域，它是錯的。如果你的公司建立在這個邏輯之上，你可能需要好好看看過去十二個月發生了什麼。
實驗室就是整個技術棧
以下是實際發生的事情——先是悄無聲息，然後突然全面爆發。
OpenAI 發布了 Operator，一個能瀏覽網頁、填表單、端到端執行任務的計算機代理。接著發布 Responses API 和 Agents SDK，讓開發者無需第三方框架就能獲得原生的工具調用、記憶和編排能力。然後是 Codex，一個能自主編寫、測試和迭代軟體的雲端程式代理。再加上 Deep Research。這些產品中的任何一個，放在兩年前都足以支撐一家拿到融資的創業公司。
Anthropic 發布了 Claude Code、Computer Use、帶持久記憶的 Projects，以及 MCP（Model Context Protocol）——幾乎一夜之間成為連接 AI 與外部工具和資料的主流標準。然後他們把 MCP 捐給了 Linux 基金會，確保它是基礎設施而不是產品。接著又推出了 Claude in Excel、Claude in Chrome、Cowork。
Google 發布 Gemini 2.0，原生內建工具調用和多模態感知能力，嵌入 Vertex AI 作為企業級代理控制平面，開箱即用地提供組織級策略和編排。
觀點：AI 淘金熱裡，「賣鏟子」的邏輯已經失效了
作者： Ben Basche
編譯： 深潮 TechFlow
深潮導讀： 「淘金熱裡，賣鏟子」曾是創業圈的金科玉律。但在 AI 時代，這條邏輯失效了——因為礦工自己開了五金店。OpenAI、Anthropic、Google 正在系統性吞噬中間件層、程式助手、瀏覽器自動化等創業賽道。作者 Ben Basche 認為，真正能活下來的 AI 公司不是賣工具的，而是把 AI 當原材料用在垂直領域的「首飾匠」——深入特定行業、掌握本地知識、擁有不可複製的上下文。
全文如下：
有句話在第一次網路泡沫前後成了創業圈的福音：「淘金熱裡，賣鏟子和鐵鎚。」意思是，真正賺錢的不是挖礦的人，而是供應礦工的人。發財的是 Levi Strauss，不是那些淘金者。
這是一個好框架。在一段時間內確實好用。
但在 AI 領域，它是錯的。如果你的公司建立在這個邏輯之上，你可能需要好好看看過去十二個月發生了什麼。
實驗室就是整個技術棧
以下是實際發生的事情——先是悄無聲息，然後突然全面爆發。
OpenAI 發布了 Operator，一個能瀏覽網頁、填表單、端到端執行任務的計算機代理。接著發布 Responses API 和 Agents SDK，讓開發者無需第三方框架就能獲得原生的工具調用、記憶和編排能力。然後是 Codex，一個能自主編寫、測試和迭代軟體的雲端程式代理。再加上 Deep Research。這些產品中的任何一個，放在兩年前都足以支撐一家拿到融資的創業公司。
Anthropic 發布了 Claude Code、Computer Use、帶持久記憶的 Projects，以及 MCP（Model Context Protocol）——幾乎一夜之間成為連接 AI 與外部工具和資料的主流標準。然後他們把 MCP 捐給了 Linux 基金會，確保它是基礎設施而不是產品。接著又推出了 Claude in Excel、Claude in Chrome、Cowork。
Google 發布 Gemini 2.0，原生內建工具調用和多模態感知能力，嵌入 Vertex AI 作為企業級代理控制平面，開箱即用地提供組織級策略和編排。
這些動作中的每一個，都在吃掉某個創業公司曾經擁有的領地。
「賣鏟子」的邏輯有一個隱含假設：實驗室會待在自己的賽道上。做基礎模型，提供 API，把工具層、編排層和應用層留給生態。這個假設已經死了。
中間件大屠殺
看看中間件層具體發生了什麼。
LangChain 是 2023 年 AI 熱潮中最典型的「賣鏟子」押注。一個用於串聯 LLM 調用、連接工具、管理記憶的編排框架。幾千個團隊基於它構建產品，GitHub star 超過 10 萬。到 2024 年，各種團隊開始寫部落格解釋為什麼要把它從生產環境中拆掉。不是因為它差，而是因為底層模型已經聰明到不需要它了。LangChain 建構的抽象層解決的是昨天的問題。
與此同時，OpenAI 發布了自己的 Agents SDK。微軟出了 AutoGen 和 Semantic Kernel。實驗室和它們的母公司沒有收購 LangChain。它們只是在自己的平台裡原生地構建了 LangChain 做的事。
同樣的劇本在每一層上演。代理框架、提示詞管理工具、RAG 管道、評估框架、可觀測性工具。所有這些都在被運行底層模型的廠商吸收進原生產品。
殘酷之處在於：當 OpenAI 或 Anthropic 把編排能力直接內建到 API 中時，它們不需要在功能上贏。它們只需要「夠用」且「已經在那了」。開發者默認走阻力最小的路。那個有著巧妙中間件的創業公司，必須做到大幅領先，還要在模型不斷進化的過程中維持這個優勢，同時跟擁有無限資本且掌控底層基礎設施的對手競爭。那不是一門生意，那是一個有倒數計時的科研項目。
礦工自己開了五金店，鏟子就沒法賣了
「賣鏟子」這個類比在 AI 領域失效，根本原因是一個關鍵的結構性差異。1849 年，Levi Strauss 和那些五金商人自己不挖金礦。礦工和供應商是利益分離的獨立角色。
在 AI 領域，實驗室既在挖礦，又在賣鏟子，還在修路，還在印地圖。它們有充分的動機擁有整個技術棧，因為每多控制一層就多一個鎖定點、一個利潤擴張機會、一條分發護城河。
Anthropic 把 MCP 捐給 Linux 基金會，那不是慈善。那是確保一個它們設計的標準成為通用基礎設施，就像以太網成為通用標準一樣。標準是科技行業最強大的護城河，因為它們無形且永久。
所以，如果你的創業公司的價值主張是「我們夾在開發者和模型之間，讓做 X 這件事更容易」，你需要面對一個事實：你夾在中間的那個實體已經注意到你了，有資源複製你，而且有結構性理由這麼做。
那什麼才管用？
回到淘金熱的比喻。鏟子賣不了了，你該賣什麼？
賣首飾。
或者更好的說法是：把金子當工業原料用，做成礦工自己沒興趣做的東西。
在 1849 年的真實淘金熱中，能熬過繁榮期的企業不是賣通用工具的。它們是那些把黃金當原材料，用深厚的專業知識做成特定產品的人。珠寶匠、牙醫、後來的電氣工程師。這些人對某個具體應用場景的理解深到通才根本做不到。
AI 版本就是在垂直領域構建應用——那些需要實驗室不具備也難以獲取的真實世界上下文的領域。
想想 OpenAI、Anthropic 和 Google 在結構上不擅長什麼：
它們不深入了解你所在行業的工作流程。它們和你的客戶沒有關係。它們無法低成本獲取那些讓模型在特定場景中真正好用的私有資料。它們永遠不會去深入研究南非個體工匠為什麼那樣開發票，或者肯尼亞移動支付集成為什麼並不簡單，或者美國醫療預授權為什麼是一個特定的、棘手的、深度嵌入的運營問題。
實驗室在建水平基礎設施。機會在垂直領域——需要地理、監管、文化、行業特定的本地知識才能真正跑通的領域。
這就是為什麼新興市場的金融科技、針對特定司法管轄區的法律 AI、受監管行業的合規工具、以及利基專業領域的工作流程自動化，都比「做一個更好的 LangChain」更具防禦性。
護城河不在模型。護城河在上下文。
黃金的工業用法
這個思路還有第二個版本值得說清楚：像工業使用黃金一樣使用 AI。不是把它當價值儲藏或者展示品，而是把它當作元件，嵌入能創造持久經濟價值的東西中。
黃金的導電性幾乎無與倫比。所以每塊電路板裡都有它。沒人在談論它，沒人在這個語境下炒作它。它安靜地充當一個更大系統中的關鍵輸入。
現在正在構建的最持久的 AI 公司，都是把模型當元件——一個解決真實問題的產品的輸入——而不是把模型本身當產品。AI 是電路板裡的黃金，不是展櫃裡的黃金。
實際操作是這樣的：你選一個有真實痛點、真實工作流程複雜度、真實難獲取資料的領域，然後構建一個產品，底層恰好用了模型來讓它好得多。AI 是實現細節，產品才是那個取代了痛苦手動流程的東西。
這和「我們在 GPT-4 上面套了一層殼」正好相反。殼是展櫃，電路板是看不見的。
最近被干掉的賽道
為了說得更明確，以下是自 2024 年底以來實驗室正在系統性吞噬的部分創業類別：
代理編排框架。 現在是 OpenAI Agents SDK、Anthropic 工具鏈、Google Vertex Agent Builder 的原生功能。
AI 程式助手。 OpenAI 的 Codex 現在能做完整倉庫級別的自主程式設計。Claude Code 也能做。GitHub Copilot 是微軟的原生方案。純做程式助手的獨立賽道已經被大幅壓縮。
瀏覽器和計算機自動化。 OpenAI 的 Operator、Anthropic 的 Computer Use、Google 的 Gemini Astra。三家前沿實驗室現在都有這個方向的產品。所有用 LLM 做 RPA 的創業公司都在打防守戰。
RAG 管道和向量搜尋工具。 基本被商品化了。大多數模型 API 內建了原生檢索能力。框架層面的差異化已經消失。
通用 AI 助手和效率工具。 被 Claude、ChatGPT 和 Gemini 直接吃掉。
提示詞管理和評估工具。 越來越多地成為原生功能。LangSmith 還有一點空間，但那是和時間賽跑。
模式非常一致：實驗室發現某個類別獲得了可觀的開發者關注，判斷它和自己的核心產品緊密相鄰，然後發布一個版本。不一定更好，但整合、預設更便宜、而且分發能力是創業公司無法匹敵的。
你現在該怎麼辦
如果你現在在做 AI 創業，要問的問題不是「這個有沒有需求」。需求到處都是。要問的是：這個東西會不會被一家銀行裡有 100 億美元以上的實驗室用一個產品發布就干掉？
如果答案是「會」甚至「可能會」，那就不是一門生意，那是個功能。
持久的打法具備以下特徵：深度垂直特異性（實驗室能做通用的，但做不了你的那種通用）、無法通過爬公開網路就能複製的私有資料或關係、讓「直接調 API」不夠用的監管和合規複雜性、以及在信任和本地上下文比原始能力更重要的社群中擁有分發渠道。
淘金熱是真的。遍地是金子。但礦工現在也在開店了，而且用的是無限資本。
賣首飾。把黃金當工業原料用。做一些礦工自己沒興趣做的東西——因為它太小眾、太本地化、太深度嵌入在它們永遠不會擁有的領域知識中。
這就是我認為的正確打法。