最近看到两种关于 AI 的说法，放在一起很有意思。
一种说法很吓人：AI 泡沫可能在 2029 年破裂，等到 2030 年，市场里才会遍地都是便宜货。
另一种说法很兴奋。Y Combinator 在讨论 AI 原生服务公司时判断，未来十年，最大的公司里很可能有一批来自这里。
一个让人赶紧下车，一个让人赶紧上车。
但它们其实不冲突。
AI 可以是真技术，同时也是一个大泡沫。真正要分开的，是“技术能不能做事”和“今天的价格有没有把未来很多年的成功都提前算进去”。
这篇不讨论该买什么，也不提供买卖建议。它只想把“2029”这类很抓人的年份，换成一套更落地的看法：一家公司到底有没有把 AI 变成稳定交付。
2029 不是闹钟，而是一棵预测树
那段访谈里，之所以把时间点放在 2029，背后并不是一句“到那天就会崩”。它串起了几块条件：Robotaxi 出现明显赢家，AI 编程证明这是很大的新市场，数字资产放大风险偏好和波动，再叠加政治与市场周期。
这些条件要是同时成立，市场确实很容易做一件熟悉的事：看见少数赛道跑通，便把所有 AI 公司都按“未来赢家”提前定价。
一家公司刚证明自己能赚一百块，市场已经开始替它计算未来的一万块。
问题是，这不是一张确定的时间表，而是一棵预测树。Robotaxi 晚两年成熟，AI 编程更多带来降本、却没有催生百倍的新需求，或者风险资产没有形成连锁反应，那个年份就要重算。
所以，“2029”可以放进自己的预测台账，提醒你别对热潮失去警惕；不能把它当成一个买卖口令。年份很容易被记住，真正决定公司能不能活下来的，还是今天的账。
真技术和大泡沫，为什么能同时存在
很多人一听“泡沫”，就以为是在说 AI 没有用。不是。
互联网泡沫之后，互联网没有消失。移动互联网估值涨得很凶的时候，手机也没有因此变回功能机。技术是真的，泡沫往往出在市场把少数已经做成的案例，提前外推成所有行业都已经做成了。
AI 现在也有这个风险。
一个团队做出很惊艳的 demo，不难。真正困难的是：客户愿不愿意持续付钱；同样的任务能不能稳定完成；需求涨上来以后，后台是不是还得同步堆人；把模型、云服务、人工复核和售后全算进去，钱到底剩不剩得下。
故事讲的是未来。经营要回答的是今天。
这也是为什么我更愿意把 AI 公司看成一家具体的服务公司，而不是先把它看成一个“用了 AI 的故事”。客户最后买的不是模型参数，也不是一段演示视频。他买的是一件事能不能按要求完成。
YC 提出的三道业务题
YC 讨论 AI 原生服务时，给出的框架很实用。它没有先问“你用了哪一个模型”，而是盯着交付到底有没有变。
模型变强后，你会更强，还是被绕过去？
这是第一道题。
如果下一代通用模型一升级，客户就不再需要你了，说明你可能只是临时包在模型外面的一层壳。你的价值没有随着模型能力增长，反而被模型本身吞掉了。
反过来，好的 AI 原生服务会把模型能力变成自己的交付能力：更快收集信息、更少人工处理、更稳定完成任务、更贴近某个行业真正的流程。模型越好，它越能把事情办好，而不只是更容易被替代。
这不是让每家公司都去谈“护城河”。它只是一个很朴素的业务问题：底层能力升级后，客户为什么还要继续找你？
收入翻倍，人数也必须翻倍吗？
第二道题是看人。
有些公司融资材料里全是 Agent，利润表里却还是靠堆人。收入涨一倍，交付团队也涨一倍。那它并不是不能做生意，只是更像传统人力服务换了一层新包装。
AI 原生服务真正有意义的地方，是把原来必须由人反复完成的步骤拆开。AI 接手资料整理、初步判断、重复操作，人留在异常、关键决策和最后验收的位置。
人不会因此凭空消失。很多任务需要复核，需要担责，也需要理解客户现场。但如果系统跑顺了，收入和人数应该开始慢慢脱钩。不是完全不需要人，而是每多做一单，不必机械地再多配一个人。
同一件事，今天做好、明天会不会翻车？
第三道题是看方差。
产品每周做出一次漂亮演示，并不等于能做服务。服务业最怕的不是偶尔慢一点，而是客户不知道你哪一次会出事。
同一个任务，今天结果很好，明天完全跑偏；看起来少了人工，但返工和客户投诉都堆到了后面。这种系统也许很有展示效果，却还没有形成可交付的能力。
所以真正值得看的是，模型进入流程后，交付方差有没有下降：错误是不是更少，返工是不是更少，例外能不能被识别并交给人处理。
一家公司越接近真实业务，越绕不过这道题。
从三道题，再看四条曲线
上面的判断，最后都要落到几条很朴素的经营曲线上。它们不能直接告诉你一家公司的价值，更不能替你做投资决定；但它们能帮你识别，眼前到底是一个开始变好的交付系统，还是一段还没落到账上的叙事。
1. 每名员工创造的收入
先看人均收入。
当收入增长时，每名员工创造的收入有没有上升？如果每多一单，就必须按同样的比例增加人工，AI 还没有真正改变生产方式。
这条曲线不是要求“零人工”。有的服务本来就需要专家把关。重点是，AI 有没有让一个团队把更多精力放到复杂问题上，而不是继续把时间耗在重复劳动里。
2. 单次交付需要的人工时间
再看同一类任务的人工投入。
一个报税服务、一个合规检查、一次售后处理、一次内容制作，完成一单到底需要多少人盯着、盯多久？系统上线后，这个时间是在下降，还是只是把人工藏到了后面？
客户买的不是“我们有 AI”。客户买的是事情办完。人工时间下降，才说明 AI 正在接住一部分真正的工序。
3. 错误和返工是否变少
第三条最容易被忽略。
只看前面处理得快，很容易漏掉后面的返工。AI 第一次给出结果很快，人工却要花更多时间校正；或者客户收到了错误结果，又重新进来投诉。这样算总账，效率可能根本没有提高。
所以要把错误率、返工次数、异常升级、客户投诉放进同一张表里看。一个系统值得扩大使用，不是因为它偶尔很聪明，而是因为它开始稳定。
4. 全部成本算进去后的毛利
最后一条最不浪漫，但最诚实。
别只算模型调用费。模型、托管、数据处理、人工复核、客服、返工和获客，全都要算进去。做完这些，毛利有没有改善？
许多 AI 产品看起来很轻，因为演示时只展示了一个回答。落到交付后，异常处理、人工兜底和客户支持一样需要钱。模型成本低一点不一定就能赚钱；如果返工更多、人工更重，结果可能刚好相反。
这四条曲线放在一起，才比较接近一件事的全貌：业务有没有随着 AI 的加入变得更能扩张，也更能稳定赚钱。
别被“像人”迷住，先问它到底替谁干了什么
人形机器人是个特别直观的例子。
两条腿、两只手、像人一样走路，很容易成为发布会上的主角。但客户真正需要的，可能不是一台完整的人形机器人，而是一双能稳定干活的手，加上一个轮式底盘。
前者更容易讲一个大故事，后者可能更早拿到订单。
AI 服务也是一样。一个很像人的通用助手很吸引人，但客户真正愿意花钱的，往往是一项具体任务被接住：税报好了，合规材料核过了，客户问题处理完了，内容按要求交付了。
形态可以制造想象，任务才能产生收入。把这句话放在心里，能避开很多“看起来已经无所不能”的演示。
普通人怎么用这张检查卡
你不需要拿到一家公司的完整财报，才能开始用这四条曲线。
看一个产品、一家创业公司，甚至看自己团队里正在试的 AI 项目，都可以先问：
- 模型再升级，它会更好用，还是会被直接替掉？
- 工作量增加以后，是不是还得按比例加人？
- 同一类任务，错误和返工有没有真的减少？
- 把看得见和看不见的成本都算进去，结果是更赚钱，还是只是更热闹？
对于自己在用 AI 的人，这张卡也很实用。别只记录“这次省了半小时”，连续记几周：用了多少人工，出了多少错，返了几次工，客户或同事还愿不愿意继续用。你会很快分辨出哪些流程是真的在变好，哪些只是第一次体验很新鲜。
把年份放回它该在的位置
市场总会偏爱一个明确的年份，因为它让复杂的事情看起来有答案。
但没有人能因为记住“2029”就自动看懂 AI。真正该盯的，是哪家公司一直在拿“以后会有”解释“今天为什么交不了付”，哪家公司已经让收入和人数慢慢脱钩，让错误和返工慢慢下降，把成本算清之后仍然能留下利润。
等市场翻脸，模型不会消失。会先消失的，是那些只会拿模型讲故事、始终交不出稳定结果的公司。
所以，年份可以放进预测台账。
别放进买卖口令。