一家大型企业的CIO最近发现，公司每个月花了几十万美元，员工却只是用最顶级的AI模型问"今天天气怎么样"。
这不是段子。
这是Factory CEO Matan Grinberg亲口讲的真实案例。
Factory是一家专注企业级软件开发的AI公司，客户包括全球最大的一批企业。
Matan本人是物理学家出身，在普林斯顿和伯克利钻研弦理论12年，后来转行创业，拿到了Sequoia的第一张支票。
他对企业AI的观察，有一种物理学家特有的冷静。
Matan把企业采用AI的过程分成三个阶段：
第一阶段：董事会开始催CEO，"你的AI战略是什么？"CEO转头催CTO，"赶紧搞。"
第二阶段：AI不计成本地铺开。Token用量写进绩效考核，全员强制采用，越多越好。这个阶段比所有人预想的都结束得快。
第三阶段：宿醉。账单来了，ROI在哪里？没人说得清楚。
现在大多数企业正处于第三阶段的开端。
Uber宣布给每个员工设置1500美元的AI使用上限，这件事在企业圈里不是新鲜事，只是第一次被公开说出来。
Matan说，Factory的客户里，这种情况已经发生了几十次。
这说明什么？
Token不是越多越好，它是一种需要被管理的资源。
Matan用一个很直白的类比解释了企业AI资源分配的逻辑：他知道怎么出门买午饭，但这不意味着他应该去买。
Factory的CEO去给团队买外卖，不是高效的资源分配。
这个道理放到企业AI上同样成立。
Kirkland & Ellis宣布花5亿美元自建AI工具，Matan的反应是：这家律所的核心竞争力是法律，不是软件开发。
他甚至认为，这对Harvey（专注法律AI的公司）是个利好，因为没有什么比自己动手更能让人意识到"这件事真的很难，还是找专业的人来做吧"。
真正的问题不是"能不能做"，而是"值不值得做"。
以前软件的护城河是"我会做这个，你不会"。
但AI出现之后，理论上任何人都能构建任何软件。
护城河从"能力壁垒"变成了"时间和注意力的分配"。
所以对企业领导者来说，未来24个月最重要的决策不是选哪个模型，而是：我们的核心业务指标是什么，怎么把Token、人力和资金都对准这个目标？
Matan说了一句很坦诚的话："我在说大家都不敢说的事，每个人都在试图把不是自己的那一层变成商品。"
模型公司希望应用层变得无关紧要，应用层希望模型之间充分竞争、互相压价，基础设施公司有自己的算盘。
这就像微软那张著名的组织架构图，每个部门的枪都对着其他部门。
价值归属是一个时间依赖的现象。
不是说某一层永远拿走所有价值，而是在不同阶段，定价权在不同地方。
Factory的策略是做模型无关的应用层：让OpenAI、Anthropic、Google都感受到压力，逼着它们提供最好的性价比。
这个逻辑的前提是，没有哪家模型公司能拉开决定性的差距。
Matan的"空头论点"也说得很清楚：如果某一家模型公司远远甩开其他所有人，Factory的模型路由价值就会大幅缩水。
但他认为这种情况不太可能发生，而且一旦发生，那就是整个经济体都需要担心的垄断问题了。
他最近改变的一个判断是：最终会有至少四家公司保持在前沿水平，而不是一两家通吃。
这对整个生态是好事。
Matan给了一个很具体的数字：当前用前沿模型处理的任务，大约80%到90%用开源模型就能完成。
这不是在唱衰前沿模型。
他的解释是：真正需要顶级模型的，是规划和决策的部分，也就是那10%到20%的"关键Token"。
就像一家公司里，最高管理层花的时间不是最多的，但他们做的那几个不可逆决策，决定了公司的走向。
前沿模型是决策层，开源模型是执行层。
好的资源分配，是把贵的算力用在真正值得的地方。
这也解释了为什么"智能路由"会成为下一个重要基础设施：不是所有任务都值得用最贵的模型，但你需要一个系统来帮你做这个判断。
Matan对"10x工程师"这个概念有自己的理解。
他不太在意倍数，更在意的是"关键节点"：把这个人从组织里抽掉，会不会有什么东西倒塌崩溃？
AI工具给高杠杆的人提供了更高的杠杆，给低杠杆的人提供的帮助相对有限。
差距会拉大，但不是因为代码写得快不快，而是因为谁更懂得怎么用杠杆。
他认为，未来最值钱的工程师不是那种能快速写代码、赢得算法竞赛的人，而是能端到端拥有业务结果的人。
不只是"我负责这个功能"，而是"我负责这个功能从用户行为到销售转化的整条链路"。
Factory内部已经在实践这个模式：工程师和销售坐在一起，工程师发布功能时销售说"我们发布了"，销售签单时工程师说"我们签了"。
这在湾区AI圈子里被认为是异类，但Matan认为那些把销售和市场当成"脏活"的公司，迟早会付出代价。
他用了一个很好的比喻：现在是失重状态，不需要肌肉也能活。
但重力会回来。等市场回归正常竞争，那时候没有销售和市场能力的公司，肌肉早就萎缩了。
"说出一家传奇公司，它的销售或市场团队是烂的。你说不出来。"
Matan是物理学家，他对这件事有一种个人化的感受。
达芬奇那个年代，一个人可以同时是画家、工程师、解剖学家，因为每个领域都还不够深，一个人在有生之年可以触达多个领域的前沿。
到了20世纪，每个学科都深到需要几十年才能追上前人，专业化是唯一的出路。
AI把这个逻辑反转了。
它可以帮你快速跨越知识积累的门槛，让你在多个方向同时推进。
多面手的时代回来了。
这对招聘的启示是：Factory在找的不是某一项技能最顶尖的人，而是能在多个维度同时推进、愿意拥有端到端结果的人。
那种从小被训练"必须参加数学竞赛、必须走这条路"的人，反而是反向信号，因为他们没有在主动选择自己的方向。
Matan提到了一个值得认真对待的问题：Salesforce CEO Marc Benioff说，他在Anthropic上的花费是开发者薪资的3.8%。
三年后这个数字会是多少？
如果还是3.8%，说明AI没有真正改变开发效率。
如果是20%甚至更高，说明Token正在成为和人力同等量级的生产要素。
Matan的判断是：三年内，Token支出的中位数会和薪资处于同一数量级。
但这个数字不会是均匀分布的，有些人的Token支出会是薪资的几千倍，有些人可能是零。
这意味着，用统一的Token预算管理所有员工，是一种过于粗糙的做法。
真正的资源分配，需要按照每个人的杠杆率来设计。
如果你现在是企业的技术或业务负责人，最值得做的一件事是：把你的核心业务指标写清楚，然后问自己，现在的Token、人力和资金分配，有多少是在直接推动这些指标，有多少是在推动中间指标。
宿醉之后，账要算清楚。