Should American Enterprises Work With Open-Source Chinese Models? | Only 10% of Neo-labs survive

Factory 联合创始人 Eno Reyes 断言：3 年内 99% 的工作流将跑在开源模型上，前沿模型 TAM 被高估，智能主权归属是未来 5 年 AI 核心问题。

九成 Neo-lab 会死，最强模型反而最便宜

Eno Reyes 是自主软件开发公司 Factory 的 CTO 与联合创始人，曾在 Microsoft 工作一年半。Factory 的路线很鲜明：不把命运押在单一模型上，强调模型独立、私有化部署，以及能交付给大型企业的开发系统。Reyes 讨论的不是“下一个模型谁第一”，而是模型越来越便宜、越来越多之后，软件公司和企业到底靠什么留下价值。

这期回答了 8 个问题：

1. 为什么最贵的模型，反而可能是完成任务成本最低的模型？
2. 未来 18 个月，为什么 80% 到 90% 的 Neo-lab 可能失去独立存在的理由？
3. AI 要进入法律、医疗等模糊任务，关键为什么不是模型更聪明，而是先学会验证？
4. 模型路由只能省 10% 到 20% 成本，真正的价值会流向哪里？
5. 企业为什么必须拥有自己的“智能主权”，而不能把工作流全交给模型公司？
6. 为什么 Factory 想通过收购公司和创始团队，完成未来全部招聘？
7. 为什么 Reyes 明知自助产品诱人，却持续拒绝用补贴换千万用户？
8. 软件开发为什么会从少数工程师的特权，变成人人即时生成的基础能力？

被问到未来三到五年有多少 Neo-lab 会死、投资人该怎么判断时，Reyes 给出的时间表比常见预测更短：不是三五年，而是未来 18 个月。他说，许多以模型能力为中心的新公司会消失，但这里的“死”不等于清盘，更可能是被收购、并入更大平台，或者产品仍有价值，却不足以支撑一家独立公司。"I think it could be 80 to 90% of Neolabs die in the next 18 months."（我认为，未来 18 个月内可能有 80% 到 90% 的 Neo-lab 会死掉。）

他的筛选法有三步。第一，这家公司是否卡在一个耐久工作流里；第二，前沿模型变强后，这个工作流会不会被直接改写；第三，若有新公司带着新工具进来，能否把同一件事做得更好。Excel、Jira 中大量中间型知识工作，在他看来就危险：流程太普遍，用户也未必会在五到十年后继续以今天的工具形态完成它。

这意味着，判断 AI 公司不能只看增长率、token 消耗量或当前模型表现。真正的问题是：模型升级后，客户是否仍必须经过你的系统完成工作。被收购可以是好退出；没有一个模型升级后仍站得住的工作流，才是独立公司真正的风险。

被问到“最便宜的模型不一定是最便宜的系统”是什么意思时，Reyes 把计价单位从 token 换成了结果。一枚 token 可以粗略理解为模型处理文本时的计量单位，但企业真正买的不是 token，而是一次完成工作的能力。代码审查就是例子：该问的不是“这次审查用了多少 token”，而是“这次 code review 最终花了多少钱”。

高质量模型若第一次就找对代码位置、给出正确判断，可能消耗约一百万 token；便宜模型若不断尝试、走错路径、需要返工，则可能跑到五千万 token。后者单价再低，也可能把时间、计算、人工复核和延迟一起堆高。"I see a world where the smartest model is actually the cheapest."（我看到的未来是：最聪明的模型，实际上反而最便宜。）

这意味着，模型采购会从比较每百万 token 单价，转向比较端到端账单：成功率有多高，错误后要返工几次，等待多久，最后还需要多少人来检查。模型本身像出租车的每公里价格；完成一趟行程的成本，还取决于司机会不会绕路。

不过 Reyes 也划了边界。这套逻辑主要适用于高智能度、高要求的任务。简单、低风险、错误容易发现的任务，低价模型依然可能是更好的经济选择。不是所有工作都值得叫最强模型出场。

被问到营销归因、法律意见这类没有唯一正确答案的任务，企业如何评估 AI 输出时，Reyes 把答案指向了 verifiability，也就是“可验证性”：系统能不能用稳定方法判断自己做得好不好。他认为，这是当前 AI 成功最重要的属性。"Verifiability is ultimately the single most important property of success with current AI systems."（可验证性归根结底是当前 AI 系统成功最重要的属性。）

在代码审查里，漏洞有没有被发现、测试能不能通过，验证相对明确。但医疗、法律和人才判断里，很多专家自己也说不清完整规则。Reyes 描述的做法是：先让领域专家并排看两个案例，再判断哪个更好。专家未必一次性写出“好答案”的公式，却能在具体比较中做判断。评测创建者和模型训练者据此把这种判断沉淀成新的验证形式，再让模型学习如何重复使用它。

这意味着，AI 能否进入模糊的专业工作，不只取决于模型是否更聪明，也取决于组织能否把专家脑中的直觉，拆成可讨论、可比较、可迭代的评测机制。评测会变成一种生产基础设施。

但把标准写下来也有代价。你规定“好”是 A、B、C，员工和模型都会拼命产出 A、B、C；如果 A、B、C 本身漏掉了真正目标，系统会极其稳定地朝错误方向优化。

被问到模型路由会不会成为 AI 应用层最值钱的一环时，Reyes 先承认它有用。企业在模型网关做 routing，也就是把不同请求分给不同模型，通常能省下约 10% 到 20% 的成本。但他认为，这更像电商比价插件：能帮你挑便宜选项，却不负责把复杂任务真正做完。

复杂的 agentic workflow，也就是由智能体连续规划、调用工具、执行多步任务的流程，不能只在任务外面选模型。系统需要知道刚发生了什么、正在处理什么、下一步可能去哪，然后动态调度不同等级的智能。"You need your agent or your system to dynamically understand the task it's working on and understand how to allocate intelligence in a much more stateful way."（你的智能体或系统需要动态理解它正在处理的任务，并以更有状态的方式理解如何分配智能。）

这里的 stateful，指系统保留任务状态，而不是每次都像失忆一样从头读提示词。Reyes 还提到，越来越长的上下文窗口并不主要靠模型端解决，而是靠 agent 内部的 compaction，也就是把过去过程压缩成仍能继续工作的有效信息。逻辑、状态和已完成的工作，会沉淀在 harness 中。harness 可以理解为智能体任务执行时的“脚手架加操作台”。

这意味着，通用路由容易商品化；真正难替代的是能保存状态、压缩上下文、分配模型和持续推进任务的执行系统。网关能省钱，但无法单独替代任务内部的工作流设计。

被问到什么是 sovereign intelligence，也就是“智能主权”时，Reyes 用律所讲得很直白：如果一家律所把每个案件都交给外部供应商，甚至分给十家，五年后，这些供应商可能已经知道如何做这家律所的全部生意。问题不只是数据有没有泄露，而是完成案件的流程、判断和持续积累的经验，到底属于谁。

"Who is the sovereign of your intelligence? Is it you or is it some other company?"（谁是你智能的主权者？是你自己，还是另一家公司？）

Reyes 提到，至少两家大型模型提供商已经明确表示，要进入所有向其购买“智能”的行业和业务。企业担心的未必只是模型公司明天直接抢客户，也包括供应商掌握企业工作方式后，拥有更强的议价能力、控制力，甚至能决定哪些任务愿意服务。

Factory 因此提供 Factory Private 的本地部署选项。但有意思的是，很多企业最后仍选 SaaS。原因不是它们不在意控制权，而是只要确认自己能切换、能接管、知道迁移怎么做，就获得了安全感。

这意味着，私有化部署不只是安全或合规清单上的一项。企业采购 AI 时，会越来越在乎工作流、数据、评测结果和持续学习成果能否带走。真正需要保留的不是每台机器都放在自己机房，而是在供应商关系变化时，自己还能继续运转。

被问到自己曾经必须修正的先验认知时，Reyes 没谈模型路线，而是谈经营节奏。他说，Factory 几乎所有最好的决策，都来自新信息出现后的快速反应，而不是六个月前写好、再按图推进的总规划。"Building a business is much more reactive than planning."（经营一家公司，比起规划，更是一种持续反应。）

他把商业世界形容为一个持续反馈循环：客户在沟通，团队在群聊，竞争对手在发布产品，模型能力也在变化。每一次反馈都会改变下一步。没有人真的掌握未来的确定答案，所谓未来，是在讨论和行动中被实时定义出来的。

这句话放在 AI 创业里尤其具体。模型更新可能改变产品可行性，客户一条反馈可能暴露此前根本没看见的需求，成本结构也可能在几周内翻转。于是，竞争力不只是谁的路线图画得漂亮，而是谁能缩短“信息进入—做出判断—开始行动”之间的时间。

这不等于不要方向感。没有方向，快速反应会变成到处救火。Reyes 反对的是另一种幻觉：以为复杂市场能像工程项目一样，在半年前就精确排出全部步骤。真正该固定的是要解决的问题，真正该保持可变的是实现它的路径。

被问到 Factory 为什么希望未来 100% 的新增招聘来自收购公司及其创始团队时，Reyes 的判断是：组织形态变了，收购也不再只是买收入、买客户，还是买已经被现实验证过的小团队。节目中提到，Factory 预计未来新增招聘都将来自被收购公司的创始人与团队。

"The profile of an organization has changed so rapidly that acquiring an organization is no longer what it was 10 years ago."（组织的形态变化得如此之快，以至于收购一家组织已经不再是十年前的那回事。）

一个人辞职后，用五到八个月做开源项目，往往比一次面试更能说明问题：他愿意为哪件事承担风险，能否自己推进，作品是否真有人使用。Reyes 所说的 mission aligned 也不是“我认同你们使命”的口头表态，而是候选人已经在做软件开发 harness、AI 结果衡量等紧邻 Factory 的问题。

他自己读过常春藤，也因此认为名校不是能力的充分信号。履历能说明一个人曾在既定规则里表现好；能独自做出一个愿意展示给世界的东西，才更能说明他有自主性。

这意味着，AI 人才市场会更像对“已验证组织图谱”的并购，而不只是筛简历。边界也很清楚：创始人不天然适合做员工。Factory 的前提是，对方已经在解决同类问题，能独立负责，也愿意迅速整合甚至放弃旧项目。

被问到最难拒绝的一个好主意是什么时，Reyes 的回答不是融资、扩张或新模型，而是 self-service，也就是面向个人用户的自助式增长。Factory 的产品已经可以直接从网上下载试用，每天也有数万名自助用户在使用。但 Reyes 认为，对产品反馈来说，少于 25 万用户就足够形成循环，并不需要五百万到一千万免费用户。

"I think self-service is by far for us the hardest thing to continuously say no to."（我认为，对我们来说，最难持续说“不”的事情，远远就是自助业务。）

为什么还要拒绝？因为竞品拥有数百万用户，主要差异未必是产品更强，而是经济学：它们愿意补贴。补贴可以快速换来下载量、讨论度和品牌声量，但也会推高服务成本，并让公司把注意力从企业级交付拉向更宽泛的用户需求。

Reyes 并不把自助业务视为永久禁区。他预计 Factory 到达一定规模后仍会推进更多自助，只是眼下优先保证企业级经济模型和产品质量。他承认真正难复制的部分，是草根用户自发生成的内容、社区与叙事。

这意味着，AI 产品的增长会更明确分叉：一部分公司用补贴买分发，另一部分公司先把单位经济和交付能力做稳。前者买速度，后者买选择权；两条路都可能成立，但不能假装千万用户天然等于更好的商业模式。

在节目最后被问到，五年后什么会从疯狂变成理所当然时，Reyes 把矛头指向软件生产的稀缺性。他估计，今天可能只有约两百万人在决定全人类软件的命运：他们会写代码、懂系统、能把需求转成产品，其余绝大多数人只能等待工具被做出来。

"We let a sort of like priestly class of maybe 2 million people decide the fate of all software for all of humanity."（我们让一个大约两百万人的、近似祭司阶层的群体，决定了全人类所有软件的命运。）

Reyes 预测，三到五年后，人们会觉得不能针对眼前问题即时生成软件，是一件难以想象的事。前提是问题可以通过信息处理解决。Lovable 和 Bolt 已经是早期信号：个人能够描述需求，再生成自己的应用，而不必先成为专业工程师。

这意味着，软件的核心稀缺资源会移动。它不再主要是“谁会写代码”，而会变成“谁能定义问题、给出约束、提供业务知识，并判断生成结果能不能用”。一个行业若能把自己的经验转成可生成、可验证的系统，软件能力就会从工程团队的专属工具，变成现场人员随手可用的能力。

边界也不能忽略。即时生成软件只能覆盖能靠信息操纵解决的问题；它不能替代现实世界的施工、物流、医疗操作，也不能自动消除人对结果负责的义务。

Reyes 的主线不是哪个模型会赢，而是谁掌握结果、验证、工作流与智能的所有权。第二节“最强模型可能反而最便宜”，说的是企业应按结果而非 token 单价付费；第四节“真正的壁垒在任务内部的 harness”，说的是结果之所以能被稳定交付，靠的不是外部路由，而是任务内部积累的状态、逻辑和执行方式。

第三节的“先学会验证”和第五节的“企业不能外包全部智能”，其实也在说同一件事：如果企业连什么叫好、如何判断好、完成好结果的流程都交给供应商，它买到的只是暂时的能力，而不是自己的生产能力。

对读者而言，问题不只是该选 Claude、GPT、开源模型，还是该不该上智能体。更实际的问题是：你的团队有没有一套能定义结果、验证结果、保存过程经验的工作流？如果没有，模型再强，能力也只是从外部租来的；如果有，模型升级、价格变化和供应商更替，才会变成你可以利用的变量，而不是决定你命运的变量。