关于 AI Agent、信任与决策权的 100 条

About this offer

硅谷公司 Instinct 只有 14 个人,估值却做到 100 亿美元。它不靠更漂亮的 App,而是把 App 藏起来,让 AI 直接替你订机票、改酒店、处理邮件,从「给答案」变成「替你做」。它还盯上了一笔早已存在的钱:旅行的需求分发费。 一、十四个人,一百亿美元 1、最近硅谷有一家叫 Instinct 的公司,很适合拿来观察 AI 应用层正在发生什么。Instinct 成立于 2025 年,创始人 Noah Shinn 只有 23 岁。 2026 年 8 月 26 日,它完成 2.5 亿美元 B 轮融资,累计融资约 3.5 亿美元,估值 25 亿美元; 33 天后的 9 月 28 日,它又融资 10 亿美元,估值直接变成 100 亿美元。9 月中旬,《The Information》报道称其用户已经超过 10 万; 创始人披露,用户使用三周以后,约 40% 愿意把私人信用卡交给它,交出敏感信息后的用户留存约 80%; 平台流经的年化交易额接近 10 亿美元,其中超过一半来自旅行。团队只有 14 个人。 2、Instinct 最特别的地方,不是又做了一个更漂亮的 App,而是努力把“App”本身藏起来。用户可以通过短信、电话、Email 和语音联系它,像找一个真人助理。 上一代软件要求人学习一个新的界面; Instinct 的思路反过来:软件去适应人已经会的动作——说一句话,找个人把事情办了。真正的“活人感”,不是聊天框里写得像人,而是你把现实世界的事交给它以后,它真能往下做。 3、这些数字要理性来看。 融资额和估值已有公开报道确认; “超过 10 万用户”主要来自媒体信源; 40% 信用卡连接率、约 80% 留存、10% 日增长、接近 10 亿美元年化交易额,主要来自创始人的公开访谈,并非审计数据; 早期用户又高度集中在硅谷科技圈,不能直接外推到大众市场。 真正值得注意的不是某一个数字精确到小数点,而是它们共同指向一件以前颇为抽象的事情: 已经有一批人愿意让 AI 不只回答问题,而是真正进入自己的信用卡、日程、邮件和现实交易。 二、从答案到行动 4、ChatGPT 这一代聊天机器人的基本产出是答案(Answer),个人代理人(Personal Agent)的基本产出是行动(Action)。前者告诉你怎么做,后者开始代表你做:订机票、改酒店、找餐厅、取消订阅、协调日程、处理邮件。这里不是一次普通的产品升级,而是软件角色的变化:从工具(Tool),走向代理人(Agent)。 5、Instinct 先在旅行上跑出来,不是偶然。旅行客单价高、信息复杂、步骤多、实时变化多、供应商零碎,而且消费者早就习惯让第三方代办。 过去携程和 Booking 的价值,是把酒店、机票、租车装进一个界面; Agent 再走一步,连界面都可能不重要。用户只需要说:“今晚必须到纽约,帮我搞定。”剩下的比较、权衡、预订、修改和支付藏到后台。Instinct 创始人称,目前超过一半的交易额来自旅行。 6、旅行还有一个商业上的好处:这个行业早已习惯为流量和交易入口付钱。Booking Holdings 2025 年营销费用约 81.9 亿美元,占收入约三成,其中效果营销(Performance Marketing)包括搜索、比价、联盟等重要渠道。也就是说,旅行行业本来就存在巨额“需求分发费”。如果 Agent 能从 Google、OTA 或 App 手里拿走一部分需求入口,就不必凭空发明一个利润池,它争的是一笔已经存在很多年的钱。 (至少在中国老板的现实生活里,私人助理最重要的一类工作,本来就是安排行程、订酒店、改机票。旅行可能天然就是“私人代理”最早被理解的场景。) 7、Instinct 想走的商业模式也很直接:消费者尽量免费,不主要靠每月 20 美元的订阅,而是在替用户真正完成交易后获得交易抽成(Take Rate)。现在它尚未形成一套公开、稳定的抽佣制度,所以那接近 10 亿美元是交易额(Transaction Volume),不是 Instinct 的收入。它真正实验的是另一条链:免费获得使用 → 服务建立信任 → 信任获得委托 → 委托产生交易。 8、Shinn 在谈商业模式时拿几个成熟行业作过参照:支付网络通常只拿几个百分点,交易平台可能拿到更高的比例,应用分发平台甚至能拿到 30%。这不应该理解成“Instinct 已经决定在 2.5%、10%、30% 三档里选一个”,真正的问题是:市场最终会把 Agent 当成什么? 如果只是支付基础设施,抽成很薄;如果是交易平台,会厚一些; 如果它真正控制了稀缺的需求分发权,利润池又完全不同。 Agent 在价值链上的身份,比抽成数字本身更重要。 9、所以把 Instinct 叫“AI 版携程”,只说对了一半。 携程主要聚合某一个领域里的供给(Supply),把旅行需求和机票、酒店、租车凑到一起; 个人代理人想聚合的是一个人的需求(Demand),而且跨品类。 携程从旅行出发,努力越来越懂旅行; Personal Agent 从用户出发,想越来越懂这个人,再走向旅行、购物、餐厅、日程、邮件以及更多现实事务。 10、做 AI 创业,大家经常问“AI + 什么行业”。更应该问的是:AI 出现以后,产业链里多出了什么以前不存在的位置? 我们习惯认为 AI 最大的机会,要么属于模型公司,要么属于苹果、腾讯、携程这种拥有数据、客户和产业壁垒的巨头。但技术革命真正巨大的创业机会,经常来自第三种东西:旧地图上根本没有那个位置。 11、互联网早期也一样。电信公司拥有网络,零售商拥有商品,媒体公司拥有内容,但后来真正长出来的是 Google 的搜索入口、Amazon 的线上交易入口、Facebook 的社会关系入口。旧资产当然重要,但技术范式变化时,更要问:新的稀缺位置是什么? (我们总爱谈护城河。在一个稳定范式里,护城河当然有用;问题是,范式切换时,护城河本身也会换定义。新的军队未必攻破你的城墙,它可能直接绕过这座城,在另一个维度建立一张新地图。) 12、Bill Gates 2023 年写过一篇关于 Agent 的文章。他的判断是,Agent 会成为下一代计算平台,人不需要知道应该打开哪个 App,只需要说自己想完成什么;他还特别提到,今天只有少数富人负担得起的私人助理式服务,会被 Agent 大幅降低成本。 (有趣的是,盖茨那篇文章里仍然强调最终决定权属于用户。今天真正更激进的问题,是:最后拍板的那一下,有多少也会被委托出去?) 13、所以“未来每个人都有一个 AI 助手”,可能还是停留在旧语言里,就像当年“每个人桌上都会有一台电脑”。更大的变化可能是两步: AI 让智能大众化(AI Democratizes Intelligence); Agent 让委托大众化(Agent Democratizes Delegation)。 第一阶段,每个人都能低成本调用过去属于专家的知识; 第二阶段,每个人都可能拥有一个持续了解自己、替自己判断、协调并执行的数字代理人。软件开始进入过去主要存在于人与人之间的委托关系。 三、上下文、记忆和“我的模型” 14、智能(Intelligence)和判断(Judgment)不是一回事。一个模型可以知道全世界所有酒店的信息,却仍然不知道哪家最适合你。 专业能力(Expertise)让它懂这个行业; 上下文(Context)让它懂你; 判断才是把两者结合,在具体约束下做出选择。 个人代理人的核心竞争,很可能会从“知道多少”逐渐走向“替这个具体的人判断得有多好”。 15、Noah Shinn 的学术背景因此很有意思。他是 NeurIPS 2023 论文《Reflexion》的第一作者。那篇研究讨论的不是重新训练一个更大的模型,而是 Agent 能不能把过去行动获得的反馈转换成语言反思,写进情景记忆(Episodic Memory),再改善下一次行动。 不能说这篇论文“直接构成了 Instinct 的技术实现”,但它与今天 Instinct 的产品哲学高度呼应:真正重要的不只是这一次够不够聪明,而是和你相处越久,能不能越来越会替你办事。 16、Shinn 后来又与 Sierra 团队做过 τ-bench,用来测试 Agent 在现实工具和规则约束下的可靠性。原论文一个很重要的结论是:当时最先进的工具调用型 Agent 在不少任务上的成功率仍低于 50%;而要求同一种任务重复稳定成功时,零售场景的pass^8低于 25%。这把尺子今天依然很重要:一个 Agent 偶尔会做对,与“我敢把信用卡交给它”之间,还有很长距离。 (这里用概率看尤其有意思。Agent 的可靠性不是一枚“每次胜率 60%”的均匀硬币。不同任务的难度差异极大,有的任务几乎次次成功,有的任务高度不稳定。所以授权最好按任务类型给,而不是笼统问一句:“这个 Agent 到底靠不靠谱?”) 17、这可以称为学习型关系(Learning Relationship)。传统软件用一年以后,它还是差不多同一个软件;真正好的 Agent 用一年以后,应该因为与你共同经历过大量行动和反馈,变成了一个“不同的 Agent”。一次酒店订错,不应该只是一个 Bug,而应该成为下一次判断的训练材料。 18、因此,“数据壁垒”这个词太笼统。携程拥有领域数据(Domain Data),苹果拥有大量行为数据(Behavioral Data),Personal Agent 真正想积累的是个人上下文(Personal Context)。知道我上次住了 Aman,是数据;知道当时是因为同行者喜欢,而我自己其实嫌位置不方便,是上下文;下次在商务行程里自动排除它,才开始接近真正的“我的模型”(Model of Me)。 19、Scott Belsky 对 Instinct 有一个很耀眼的判断:用户偏好的长尾(Long-tail of User Preferences),可能是消费者 AI 最终的护城河。一个人不是十几个标签组成的。真正的偏好藏在数千次小选择里:什么时候愿意多花钱换时间,谁的邮件不能晚回,什么会议宁可改机票也不能错过,什么酒店看着喜欢但以后不会再住。 20、Belsky 还强调选择性记忆(Selective Memory)。Personal Agent 的难题不是“记得越多越好”,而是要知道什么值得记、什么只是偶然、什么已经失效、什么本来就不应该保存。好的 Context 不是一个越堆越大的数据库,而是一套不断更新的解释。 21、更难的问题是:Agent 到底代表哪一个你?你嘴上说要减肥,半夜点的是炸鸡;说今年要少花钱,遇见打折又下单。经济学区分声明偏好(Stated Preference)和显示偏好(Revealed Preference),但还有第三层:你想成为的那个人。 《奥德赛》里,奥德修斯知道自己经过海妖时会失控,于是在清醒时让水手把自己绑到桅杆上,并规定届时无论自己怎样哀求都不要松绑。这种机制后来常被称为尤利西斯契约(Ulysses Contract),也就是预承诺。 (最高级的 Agent 也许不是永远听“此刻的我”,而是理解一个偏好栈(Preference Stack):即时指令、长期目标、预先设好的红线,谁的优先级更高。真正的关键不是 AI 替我做主,而是清醒时的我,预先规定冲动时的我不能做什么。我以前写过,健身房是在做空你的意志力;一个站在你这边的 Agent,可能恰好是在替你做多自己的意志力。) 22、时间再拉长,形成的可能不只是“我的模型”,而是“我们的模型”(Model of Us)。一个跟了你十年的助理,价值不只在于“了解你”,而在于双方形成了大量无法写进说明书的默契。你说“有点贵”,他知道不一定是不买;你说“再看看”,他知道暂时不要推进。真正昂贵的迁移成本(Switching Cost),未必是数据,而是这种共同校准出来的判断。 23、但这里有一条非常重要的边界:原始数据、规则和偏好清单应该尽可能让用户带走。真正的护城河应该来自“我不想走”,而不是“我走不了”。可以把它叫退出权(Exit Right)。Costco 的会员费可以退,很多商品退货极宽松,反而让消费者敢买。一个 Agent 如果允许一键导出记忆、撤销权限、换掉服务商,反而可能让人更敢把重要信息交进去。 (好的锁定,是我不想走;不是我走不了。最近,我正在为一个用了很久的知识库软件恼火,我忍住不说这个我付费用了十几年的App的名字,但它的确已经变成了一个恶棍。) 四、Costco 教给 Agent 的事 24、把判断外包给一个值得信任的专业机构,一点也不新。Costco 可以理解成一种低技术版的委托(Delegation)。它长期坚持有限选品。一个家庭走进 Costco,不需要重新研究市场上所有洗衣液、橄榄油和电视,而是默认 Costco 已经替自己筛掉了绝大多数选项。 25、所以 Costco 卖的不只是商品,还卖“替你做掉的一部分家庭采购判断”。这里至少需要两个条件:信任 + 专业(Trust + Expertise)。只有专业,没有信任,我担心你利用信息优势赚我;只有信任,没有专业,我没理由把决定交给你。Personal Agent 还可以再把信任拆成三种: 能力信任(Competence Trust)——你做不做得好; 立场信任(Alignment Trust)——你到底站不站在我这边; 程序信任(Process Trust)——我知不知道你什么时候会问我、怎么撤销、出了错怎么办。 26、Costco 的信任很大程度来自自我约束(Self-restraint)。长期以来,它对品牌商品和 Kirkland 商品的加价设置极低的上限;会员制、有限 SKU、退货政策,都构成某种承诺机制(Commitment Device)。真正牢固的信任,往往不是来自一句“相信我”,而是来自一个明明有能力占你便宜的人,长期反复选择不占你的便宜。 27、信任的经济价值也很具体:它降低搜索成本(Search Cost)、决策成本(Decision Cost)、验证成本(Verification Cost)。消费者信任 Costco,就不需要每次买橄榄油都研究两个小时;信任一个 Agent,也不需要每笔小额旅行、预订和购买都重新检查一遍。信任真正节省的,是人的注意力和决策能力。 (甚至可以说,最好的信任架构(Trust Architecture),不是让用户“更相信” Agent,而是通过限额、撤销、双确认、日志,让用户不需要那么相信它。制度把一次犯错的损失锁死,比一百句“请放心”都可靠。) 五、从注意力到决策权 28、赫伯特·西蒙 1971 年有一个著名判断:信息越丰富,注意力就越稀缺。互联网过去几十年不断让我们拥有更多网页、更多商品、更多餐厅、更多内容,但人的认知能力没有同比增长。 上一代互联网的任务是帮助人获得更多选择; Agent 时代真正值钱的服务,可能反过来:请替我删掉 9999 个,然后把最后那个选择做对。 29、所以真正稀缺的资源,正在从信息变成决策能力(Decision Capacity)。AI 能规模化的不只是智能,还可能是经过筛选的判断(Curated Judgment)。医生、律师、私人银行家、旅行顾问、家族办公室,本质上都在做同一种事:把复杂信息压缩成可以行动的判断。过去这种服务受限于昂贵的人力,现在它第一次可能获得接近软件的边际成本。 30、这也重新定义了“入口”。 PC 时代争的是信息入口(Information); 移动互联网时代争的是注意力入口(Attention); Agent 时代可能多出一个委托入口(Delegation)。 过去所谓入口,是“你先打开谁”;新的入口可能是“你允许谁代表你行动”。 31、Google 给我十条结果,我自己选;携程给我二十家酒店,我自己订;ChatGPT 给我五个方案,我自己决定。真正进入 Agent 时代的分水岭,是一句:“不用问我,你替我决定。”从这一刻开始,软件获得的不只是注意力,而是被委托的决策权(Delegated Decision Rights)。这里特意加“被委托”,因为这不是 Agent 天然拥有的权力,而是用户授予、可以收回的权力。 32、决策权不是一把总钥匙,而是一档一档交出去的。可以粗略分成:给建议;替我起草;我确认后执行;某个金额或范围内自动执行并事后告知;某一类事务完全托管。 授权也不能只看金额,至少要看三个轴: 最大可能损失(Maximum Loss)、可逆性(Reversibility)、对第三方的外部性(Externality)。 一封公开邮件金额为零,却可能伤害名誉;一张 2000 元可全退的机票金额更高,却未必风险更大。 (以后给 Agent 的不是一把银行卡总钥匙,而是一份委托风险预算(Delegation Risk Budget):能花多少钱、在哪些场景花、对谁花、有效多久、能不能撤回,应该分别设置。) 33、贝索斯曾把决策分成单向门(One-way Door)和双向门(Two-way Door):能退回来的双向门可以快,难以撤销的单向门要慢。这个框架非常适合 Agent。可取消的预约、可退机票,可以逐渐自动化;发出去的邮件、不可退订金、转出去的钱,则应该把确认门槛拉高。 Cruise 2023 年事故后,加州 DMV 暂停其无人驾驶许可,其中一个明确原因就是公司在安全事件披露上的问题;GM 后来退出 Robotaxi 业务还有成本、规模化时间和竞争等多重原因,不能简单归因于这一场事故。但授权系统有一点和自动驾驶很像:升级很慢,降级可以很快。 (保险也可能成为 Agent 时代很有意思的一层基础设施。未来如果 Agent 真正开始替企业和个人作出高价值决策,“自动决策保险”很可能会越来越具体。) 34、未来衡量 Personal Agent,也许需要一个现在很少出现在财报里的指标:权限深度(Permission Depth)。用户给你的只是日历读取权,还是修改权?只是信用卡信息,还是 500 元以下自动付款?只是起草邮件,还是允许直接发送?一个有 1 亿日活、但没有行动权的 AI,和一个只有 100 万用户、却掌握大量高价值权限的 Agent,是完全不同的资产。 35、Belsky 讲的信任回报率(ROI on Trust)因此非常有意思。它现在还不是一个标准财务指标,但逻辑已经可以观察:信任越高,权限越深;权限越深,委托越大;委托越大,Agent 能参与的经济活动越多。信任第一次开始拥有非常直接、甚至可以逐渐量化的经济后果。 (当年 Amazon 从 Costco 学过很多零售逻辑。AI 时代绕了一圈,商业最深处可能仍然是那件很古老的东西:专业地替人判断,并让人相信你不会滥用这个权力。) 六、订阅经济与交易经济 36、a16z 2026 年 10 月发布的消费 AI 报告给了一个很重要的背景:美国 AI 使用已经很广,但直接付费仍然很窄。YipitData 的美国样本显示,2026 年 8 月只有 4.5% 的消费者拥有 ChatGPT、Gemini、Claude 至少一个个人付费订阅,一年前是 2.1%;AI 消费还高度集中,Top 1% 的付费者贡献了 19.5% 的消费,平均每月在消费者卡片上花 903 美元,而中位数用户只有 25 美元。 37、所以“订阅是 AI 的终局商业模式”至少对大众 Consumer AI 来说,远未被证明。a16z 统计的头部 AI 原生 Web 产品中,84% 做订阅、64% 做 Credits 或用量收费,而广告只有 14%,交易或平台收费只有 2%。这很可能与今天昂贵的模型推理成本有关:传统互联网可以先免费养用户,AI 每多一个高频用户都要花算力。但这里要加一个限定:生产力 AI(Productivity AI)的订阅完全可能是长期模式。Claude 那批愿意每月付 100 美元甚至更多的重度用户(Power User),就证明直接创造经济产出的工具可以长期卖高价。 38、Personal Agent 提供的是另一条路:交易经济(Transaction Economics)。如果 Agent 替我订酒店、买机票、换保险、安排服务,它创造了一笔现实世界里本来就存在的交易价值。那为什么一定要让我每个月先付 20 美元?过去大家一直问“怎么让十亿人订阅 AI”,未来也许会发现,这根本不是大众 Agent 必须解决的问题。 39、a16z 还点出了 To C AI 一个容易被忽略的问题:频率缺口(Frequency Gap)。程序员每天都有代码要写,研究者每天都有材料要处理,所以 AI 很容易高频;普通人的需求却非常零散。订机票、换运营商、处理保险、约餐厅都是真的需求,但并不每天发生。把一个空白聊天框放在普通消费者面前,他经常根本不知道该问什么。 40、Personal Agent 真正可能改变的是交互范式。今天大部分 AI 是提问驱动(Prompt-driven AI):先由用户意识到自己有一个任务,再想起“我要去找 AI”。长期拥有上下文的 Agent 则可能逐渐变成状态驱动(State-driven AI):邮件来了、航班延误了、两张日程撞了、账单重复扣款了,状态本身触发下一步。用户不必先产生“我要用 AI”这个念头,AI 也能创造价值。 41、普通人的生活里其实有一条巨大的未竟之事的长尾(Long Tail of Unfinished Business):一封该回没回的邮件、一项忘了取消的订阅、一张没报销的票、一场一直没约上的饭、一笔该重新比价的保险。这些事情单独看都小到撑不起一个 App,却每天持续消耗注意力。Personal Agent 真正可能创造的高频,不一定来自制造更多需求,而是接管那些过去“小到不值得专门处理”的需求。 七、服务图谱与旧巨头 42、上下文只解决了 Agent 壁垒的一半。Agent 知道你想吃什么,不代表能订到桌;知道哪班飞机最合适,不代表能够出票。要真正把事情做完,还要接支付、酒店、航空公司、电商、餐厅、票务、银行和各种企业软件。 因此一个成熟 Agent 很可能需要两张图: 个人上下文图谱(Personal Context Graph),负责懂你; 服务图谱(Service Graph),负责把事情做完。只有前者,它只是聪明顾问;两张图都有,才是代理人。 43、Amazon 和第三方 Agent 的冲突,几乎提前演示了下一场平台战争。Amazon 不愿让 Perplexity 的 Comet Agent 自由在站内替用户购物;a16z 同时观察到,Amazon 很快限制 Meta Muse,而 Shopify、Instacart、OpenTable、Expedia、Ticketmaster、Plaid 等却主动和 Agent 集成。 原因并不神秘: 如果你主要卖供给,Agent 给你带订单是好事; 如果你最值钱的是“用户必须先来找你”,Agent 就在抢你的入口。 44、所以携程面对 Agent,不只有“打败它”一个选项。它可以争夺终端用户,自己做最好的旅行 Agent;也可以成为世界上所有 Agent 最好调用的旅行执行层(Travel Execution Layer)。它真正的资产不是聊天能力,而是库存、支付、出票、改签、退款、客服和几十年的供应关系。最危险的位置不是“做执行层”,而是既没有终端用户的委托关系,也没有不可替代的执行能力,只剩一个必须等人主动打开的 App。 45、当比较和挑选越来越多由 Agent 完成,广告也会变。更准确地说,广告的说服对象将部分从人转向机器。品牌不会消失,但品牌价值可能重新分解:靠重复曝光、货架位置、人的记忆捷径形成的那部分溢价可能下降;真正可验证的质量、售后、交付、退货能力可能升值。 (写公众号的人大概也要想一件事:以后“读你文章”的,可能有一部分不是最终的人,而是替主人先读一遍、提取判断的 Agent。) 46、创业公司比巨头少交两种税:旧界面税(Lega