Product Trends — Overview

Product Trends 追踪 AI 如何改变软件、服务、组织、角色和分发。本页是 MOC，负责组织长期判断；单次产品发布、融资、事件和 brief 应留在 raw、reference 页或具体 concept 页。

Core Questions

• AI 原生产品和传统 SaaS 的边界在哪里？
• 哪些应用会被模型原生能力吞掉，哪些会因为 AI 获得更大市场？
• Agent 时代的产品设计应优先服务人、agent，还是人和 agent 的协作关系？
• 创业机会更像软件工具、替代服务，还是企业内部 workflow 重构？
• 当执行成本下降，真正稀缺的是分发、品味、判断、数据，还是组织改变能力？

Key Concepts

• AI-native startup lifecycle：The Death of the Three-Act Playbook 提出传统 "wedge → suite → platform" 创业剧本正在因软件工程成本趋零而被压缩或 bypass。Cursor、Lovable 等公司在数年内从 ~$0 冲到 ~$100M ARR，验证了 "unreasonable ambition" 替代渐进式策略的可行性（Vernal, 2026-06-02）。这与 Anthropic 官方创始人手册将 AI 原生初创公司生命周期重划为构思 → MVP → 发布 → 扩展四个阶段形成互证——核心变化是 AI 使验证闭环从"按季度"压缩为"按星期"。构思阶段的关键风险是"把开发当验证"——原型能跑不等于痛点真实；MVP 阶段需警惕"零阻力范围蔓延"和"agent 技术债"（AI 生成的碎片代码会随复利累积结构性混乱）；发布和扩展阶段则要求从"创始人亲力亲为"转向"系统替代创始人注意力"。这代表创业方法论本身正在被 agentic 能力重写（2026-05-27）。Garry Tan 的创始人教训："钱不是火，钱是浇在已有火焰上的汽油。你没有融资问题，你有的是'人们还不需要它'的问题。先去点燃第一把火。"这强调了产品-市场契合（第一把火）优先于资本注入（汽油）的创业顺序（garrytan, 2026-05-30）。Nicolas Dessaigne 的"花 token 而不是招人"：AI 正在改变创业公司的组织形态。未来的公司不是"使用 AI"，而是"AI 原生"——自记录、可查询、自我改进的闭环将成为基础设施。建议创始人用 token 替代 headcount，将一切记录并使其可查询；AI 不会只是辅助运营，而是让公司具备自我改进能力。类比：这是自云计算以来创业公司构建方式的最大变革（dessaigne, 2026-05-30）。远离前沿模型竞赛的"黄砖路"：HubSpot 创始人 Dharmesh Shah 提出，不要追随前沿模型公司的竞赛路线，而应专注于构建工作流系统、积累非公开数据、交付客户需要的确定性成果。真正的机会在于构建"工作系统"（workflows），将 AI 能力封装为可复用的业务流程；非公开数据的复利效应是关键壁垒——公开数据所有人都能用，私有数据才是护城河；客户需要的是确定性结果（deterministic outcomes），而非更强大的模型能力本身。这与当前行业过度关注模型参数和基准测试的风气形成鲜明对比（dharmesh, 2026-05-28）。a16z：应用层没有死——基础设施巨头正在用真金白银投票：OpenAI 和 Anthropic 投入数十亿美元建立大规模前向部署合资企业，这本身就是对"通用 AI 同事能解决一切"的否定。在 AI 时代，基础设施层正在用真金白银确认应用层是一个独立且巨大的机会。应用层的机会在于：构建工作流系统、捕获复合非公开数据、交付客户需要的确定性结果。这与云计算时代的价值迁移逻辑不同——AI 基础设施和应用层是并行而非线性关系（a16z, 2026-05-29）。Apple 的免费 AI 改变开发者经济：Apple 为 <200 万下载量的 iOS 应用开发者提供免费 AI 模型访问，且推理在端侧/Private Cloud Compute 运行——这意味着开发者不必每次使用都向 OpenAI/Anthropic/Google 付费。这可能使 AI 功能对无法证明月度模型账单合理性的应用成为可能，独立开发者可以零边际成本添加 AI 功能（Every 2026-06-12）。

• Token capital as durable asset: Token Capital frames AI capability as an organization's compound asset — private evals, agentic workflows, and learning loops that survive model churn. The model-swap test (can you replace the frontier model without losing expertise?) distinguishes organizations that rent intelligence from those that compound it. Satya Nadella, Swyx, Amjad Masad, and Aaron Levie converged on the same frame on 2026-06-15: the moat is the learning loop on top of models, not the model itself.

• Token allocation era:Mike Taylor(Every)提出 token 访问即将像资本一样被分配,最大预算流向能证明最大回报的人,且这种动态会随模型能力增强而加剧。Uber、Meta、Amazon、Walmart 都已开始限制员工 AI 使用;8x8 讨论要求员工证明旧模型无法完成任务后才允许访问最新模型;Kieran Klaassen 几天内花掉 2,000 美元 Cursor 额度(发生在 Fable 5 出现之前)。这标志着企业 AI 采用从"tokenmaxxing(以 token 消耗量衡量采用率)"转向战略性 ROI 验证和"降级优先"的使用政策(Every, 2026-06-28)。

• AI 视频制作工作流：dotey 展示了使用 Claude Code + Fable 5 的全自动视频制作工作流，用代码驱动的剪辑、调色、动画和 Figma 协作取代传统非编软件。25GB 原始素材通过本地 Whisper 转写生成毫秒级单词时间戳，AI 子智能体自动筛选最佳镜头，FFmpeg 根据决策 JSON 自动拼接粗剪，手写 LUT 代码实现自定义调色并附带 HTML UI 供人类调整参数，基于 React 的 Remotion 动画组件替代 After Effects，Figma MCP 集成允许人类设计师优化视觉效果后 AI 将修改拉回代码管线。这代表了 AI 原生内容生产从"辅助工具"向"端到端代码化管线"的演进（dotey, 2026-06-13）。

• HTML 技能趋势：effective-html 是一套面向智能体的 HTML 技能，用于生成自包含、美观的 HTML 交付物，包括架构图和计划页。Vercel Drop 支持拖拽部署 HTML，标志着 HTML 作为主要媒介的回归。这与此前 Thariq 和 Clara Vo 提出的"HTML 是新的 Markdown"趋势形成互证——当 Agent 运行时间从几分钟变成数小时，HTML 比 Markdown 更容易阅读、滚动浏览，且模型不需要费劲地画 ASCII mockup（QingQ77, rauchg, 2026-06-13）。 Agent-native Architecture、三大原则、Codex-native Apps 讨论为 agent 而建的产品结构。Agent-native 产品设计正在从概念走向实践：为 human 优化 UI（美观、简洁、直觉），同时为 agent 暴露操作接口（hidden selectors、state endpoints、debug hooks），形成"双界面"架构。Ben Tossell 的邮件客户端是早期案例——人类看不到任何 agent 操作痕迹，但 agent 可通过结构化接口直接操作应用（2026-05-09）。Figma Config 2026 的 agent 原生设计套件:Figma 发布 Code Layers(设计图层一键转可交互代码层,支持画布上并排迭代和双向同步)、Figma Motion(内置时间轴/关键帧/预设,可生成 CSS/JSON/React 动画代码并通过 MCP 传给 Coding Agent)、Shader Fills and Effects(自然语言生成 Shader)、Generative Plugins(自然语言描述生成插件)和 Figma Weave Tools(节点式生成工作流画布)。Figma Agent 新增 Skills、Connectors(连接 Notion/Slack/GitHub 等)和 Attachments(引入研究/简报上下文),且对话默认对团队成员可见。Dylan Field 提出"AI 降低了门槛,但并未提升天花板——设计师、创作者、构建者将提升天花板",强调执行自动化后人类创意方向的价值(Ben's Bites, 2026-06-28)。Notion Developer Platform 的 Agent 集成:Notion 正式推出开发者平台,核心组件包括 Workers(Notion 托管的运行时,支持自定义代码和数据库同步)、External Agents(将 Claude Code、Cursor、Codex、Decagon 等外部 Agent 作为原生工作空间参与者引入 Notion)、External Agent API(接入团队自建 Agent)和 ntn CLI。治理上采用渐进信任、全工作空间可见性和沙箱隔离。Notion 用户已创建超过 100 万个 Custom Agents,显示 Agent 工作流正在快速普及(Ben's Bites, 2026-06-28)。

• Software factory maturity：Software Factory Ladder 将工程组织的 AI 采用从"工具使用"重新框定为"过程工业化"，提出五级成熟度模型（Artisan → Assisted → Delegated → Supervised Factory → Autonomous Factory）。关键洞察： hardest jump 是 Level 2 → 3（需要可信自动化测试、内部平台和低风险自动合并规则）；"X% 代码由 AI 写"是误导性 flex，真正指标是"生产线中有多少步骤无人介入"。该框架同时预测了工程之外下一个"工厂化"的功能：具备可验证输出、数字 I/O、高重复性和可逆性的领域（QA、数据管道、DevOps）（@businessbarista, 2026-06-02）。

• SaaS vs agent-native：SaaS vs Agent-Native、AI-Native SaaS 颠覆、SaaS Extinction、SaaS Not Dead 是同一争议簇。Aaron Levie 的应用层乐观信号：某家公司花费 5 亿美元自建一个已有应用的替代品，Levie 认为这恰恰是对应用层最好的广告——"标题无法涵盖所有细微差别，但这应该让你对软件行业非常乐观"。当 AI 让某件事对所有人都变得容易时，竞争优势会转移到相邻领域（销售、营销、客户成功、分发），执行能力趋同时，差异化来自问题理解、审美判断和分发渠道（levie, 2026-05-30）。企业 AI 落地的真正瓶颈不是模型，是知识提取：AI 模型已经足够聪明，企业 AI 落地的真正障碍是将资深员工头脑中的领域知识提取出来，作为结构化上下文提供给模型。Garry Tan 推荐 GBrain 作为开源检索层来支撑这一需求。谁能解决公司层面的知识提取问题，谁就能解锁 AI 的剩余价值（t_blom, 2026-06-01）。这与 Aaron Levie 提出的"企业 AI Agent 的上下文碎片化问题"形成互证——从编码 Agent 转向知识工作 Agent 时，上下文问题变得更加尖锐，企业需要将 tribal knowledge 转化为 Agent 可用的非结构化数据（levie, 2026-06-01）。Coding Agent 是企业基础设施的终极 PLG：Guillermo Rauch 观察到 CEO 和 CTO 们因 Claude Code 和 Vercel 重新爱上写代码，Coding Agent 成为企业基础设施的终极产品驱动增长方式。这代表基础设施公司的获客逻辑正在从"销售给开发者"转向"让决策者亲自体验"（rauchg, 2026-06-01）。

• Services as software：Services is the New Software、Enterprise Workflow Redesign、Enterprise Automation Demand 指向服务市场软件化。

• Human-agent interaction：Human-Agent Interaction、Environment Context Agents、Intent by Discovery、Realtime Voice Agent Systems 追踪交互范式变化。

• AI operator and org redesign：AI Operator、PM Role Bifurcation、PM-Engineer Fusion、Org Design in the Age of AI 是角色变化入口。AI-native 组织形态已有真实案例：Anthropic 内部所有 agent 通过 Slack 实时协作，无人手写 SQL 和业务代码（2026-05-09）。团队扩张节奏也在被重新审视：Linear 的实践经验表明，团队规模每年最多翻倍（3→6→15→30→50→80→120）能维持文化稳定性和人均产出增长，早期盈利和极低流失率是结果。GitLab 裁员与 Agent 技能要求：GitLab 裁员 9%（150 人），CEO 明确对工程团队提出"AI fluency"新要求——每个工程师必须与 Agent 一起工作。Qualcomm CEO 在微软 Build 会议上表示"AI 会夺走工作吗？是的，并且很快"，企业裁员与 AI 部署的关联从暗示变为公开声明（2026-05-12）。Linear Agent 实战数据：Linear 部署 Agent 后开发速度提升 25%，迭代次数达 3000 次/周；62 名工程师每周与 AI agent 完成 11,000 次交互，Agent 审查代码占比 32%。这提供了 Agent 增强而非替代人类工作的量化证据（2026-05-12）。Forward deployed engineers：Aaron Levie 进一步提出，前线部署工程师将成为 AI 推广中最抢手的新角色。Agent 部署比软件部署复杂得多，涉及业务流程理解、模型选择、evals 搭建、变更管理、数据准备和持续调优；客户将供应商视为端到端的专业服务商，期望从当前状态无缝迁移到目标状态。这与传统 SaaS 的"交付即完成"模式形成鲜明对比（2026-05-13）。FDE 的局限性：Allie K. Miller 指出，将 Forward Deployed Engineer 作为企业 AI 转型唯一方案是错误的外包思维。外部 FDE 无法让公司自动变成 AI-first 组织——即便有多 agent 编排，如果大多数员工讨厌、回避或不信任 AI，转型仍会失败。真正的转型需要技术、人员赋能和流程再造三者结合（2026-05-13）。FDE 的教育视角：Box CEO Aaron Levie 建议高校职业顾问尽快引导学生理解 FDE 岗位，这类角色需要 CS 背景+系统思维+商业敏锐度+AI agent 深度（coding agents、MCP、CLI、Skills 的 fluency），数百至数千家科技公司和咨询公司都将招聘此类人才（2026-05-15）。AI-native onboarding 作为"挂载机构记忆"：Jean-Michel Lemieux 描述 AI-native 公司的 onboarding 体验：agent 自动完成开发环境搭建、仓库拉取、权限申请和 backlog 对接；需要历史上下文时能精准定位数月前的 Slack 线程、Linear issue 和相关 PR。3 天的新员工即可获得相当于传统公司 1 年的上下文深度。作者将这种体验称为 "mounting"——挂载分布式文件系统 "institutional memory"，而非缓慢的上下文滴灌（2026-05-13）。该体验已被另一位新入职者独立验证：加入 AI-native 公司后，agent 完成全部环境配置和上下文定位，3 天内感觉像已工作一年（2026-05-15）。AI 重构数据科学岗位：Lenny Rachitsky 与数据科学朋友交流后发现，该团队现在主要工作是审查 PM 和工程师用 AI 产出的数据分析，且这些"半吊子"分析约有 50% 存在错误。数据科学角色正从"有趣的探索性分析"转变为"质量把关和纠错"（2026-05-13）。企业 AI 工具选型陷阱：clairevo 观察到大型企业在 2025 年底/2026 年初犯下的典型错误：为全公司选定单一 coding model、chat 工具和 harness，结果因合同锁定而错过 Codex、Notion AI 等更好的工具。当前处于工具收敛前的阶段，企业应保持组织选项开放，避免在能力每月跃升时自我锁定（2026-05-15）。AI 重构技术面试标准：当最基础的 AI 模型已能一次性通过完整的 LeetCode 风格面试，过去 10 年科技公司依赖的算法 puzzle 筛选机制正在失效。这引发招聘标准的根本性质疑：如果 AI 能轻松通过算法面试，面试到底在筛选什么？系统 design、协作能力、判断力和实际工程经验可能成为更重要的考察维度（2026-05-15）。入门级岗位的萎缩与技能导向招聘：斯坦福大学 Digital Economy Lab 研究显示，自 2022 年末以来，22-25 岁人群在最容易受 AI 冲击的岗位中就业率下降了 13%，而同岗位年长从业者保持稳定。雇主对入门级岗位的 AI 技能需求在 2025 年秋季以来几乎翻了三倍（NACE 数据）。更根本的转变是招聘逻辑从"头衔导向"转向"技能导向"（skills-based hiring）——简历单薄不再是致命伤，作品和判断力成为新通货（Every, 2026-05-18）。垂直 AI Agent 创业 playbook：gregisenberg 提出垂直领域 AI Agent 创业的系统方法论：先在枯燥行业找到痛苦工作流，与 10 个每天做这件事的人深入交流，绘制每一步、每个工具、每个表格、每个电话；先手动执行工作流，成为 agent 再构建 agent，在 Obsidian 中用结构化 markdown 记录所有边界情况；技术栈建议 Hermes 作为 harness，Obsidian vault 作为知识库，Composio 处理跨应用认证，Claude Code / Codex 构建产品；收费模式按结果收费（per lease renewed, per claim processed），而非按 seat；关键护城河是让 agent 在每次任务后写入自己的记忆，6 个月的积累上下文竞争对手无法复制（2026-05-25）。Google AI Studio 原生 Android 应用构建：Google AI Studio 新增免费原生 Android 应用构建功能，自发布以来用户已创建超过 250,000 款 Android 应用，预计超过 99% 的创建者此前从未开发过 Android 应用。Android 拥有超过 30 亿活跃用户，这一功能完全免费且直接在 Google AI Studio 中提供（2026-05-25）。Yansu 主动型 Agent 应用：Yansu 是一款主动型 Agent，在后台记录用户截图、操作和声音，沉淀为结构化知识后主动生成定制工具（项目追踪器、AI 花费监控、会议 action item 提取器、专属 dashboard）。虚拟光标可在后台开 App、填表单、提工单，不抢占用户鼠标。本地优先，数据不上传服务器，已通过 SOC 2 Type II 和 ISO 27001 认证（2026-05-25）。

• FDE 的历史溯源与结构比较：宝玉的深度分析指出 FDE 概念源自 Palantir（2010 年代 Delta 工程师驻场模式），核心是将工程师嵌入客户现场解决真实问题。当前三家公司走了三条不同路径——OpenAI 成立独立 Deployment Company（估值 140 亿美元，收购 Tomoro 获 150 名 FDE），Anthropic 与华尔街巨头合资（15 亿美元，主攻中型企业），Google 传统自建（高阶总包 40 万美元以上）。FDE 工作可翻译为 JD：25% 编码、50% 系统集成、25% 沟通。关键风险在于独立公司结构与母公司之间的反馈环受阻，FDE 可能沦为纯"写代码的咨询"而非真正的 AI 转型推动者（2026-05-16）。企业 Agent 部署的 Agent Manager 角色：Anthropic 新设 Agent Manager 岗位，负责管理 CLAUDE.md 层级、插件市场、权限和哪些 skills 上线，直接回应企业 Claude Code 推广中"模型变好但 setup 不跟进、没有人 ownership"的普遍瓶颈。这标志着 agent 工具在企业落地已从个人尝鲜进入组织治理阶段，setup 维护应被视为持续工作而非一次性配置（dani_avila7, 2026-05-18）。Razorpay Slash 规模化数据：印度支付巨头 Razorpay 的内部 AI 助手 Slash 六周内从 122 任务/周增长到 14,854 任务/周，45% PR 零人工返工，250+ 非工程师运行数千次 session（占 11%）。这是目前公开的最完整企业 agent 部署量化案例，证明 agent 在工程和非工程团队均可产生可衡量的生产力跃迁（shashank_kr, 2026-05-18）。Anthropic 内部财务团队使用 Claude：CFO Krishna Rao 披露 Anthropic 内部 90%+ 代码由 Claude Code 完成，财务团队运行 70 个 skill，准确率 90-95%；Q1 年化营收从 90 亿增至 300 亿美元。这一数据将"AI-native 组织"从概念推向可量化的财务现实（vista8, 2026-05-18）。企业 AI 部署的十倍人力缺口：Aaron Levie 提出企业 AI 部署正从简单的 LLM+搜索聊天系统,转向连接真实生产系统的高风险代理工作流。这一转变催生了十倍于预期的新角色需求,涵盖数据保护、访问控制、可观测性、人机协同和变更管理。模型能力更新后,上述工作的一半会过时,另一半需要升级以利用新能力;token 预算紧张时还要迁移到更便宜的模型。AI 服务商和新兴 AI 服务公司将成为企业落地的重要支撑,这一扩散过程将持续数年(levie, 2026-05-29)。

• Taste and craft：AI Founder Guide to Taste、Design is Understanding、AI Slop 与 Craft 危机、After Automation Productivity Paradox、Product Taste and System Thinking 讨论执行自动化后的人类差异。Tony Fadell（iPod/iPhone/Nest 创造者）提出系统级创新框架：伟大产品不是单点功能而是一个系统（iPod = 播放器 + iTunes + Store）；三代法则（第一代做产品、第二代修产品、第三代修商业模式）；1.0 产品必须依赖品味制定者的观点驱动决策；AI 时代"快软件"（fast software）与"奢侈品级软件"（luxury software）的分化——AI 加速原型但制造技术债，真正稀缺的是架构能力、故事能力和长期主义（2026-06-08）。Willie Williams 的 "Vibe" 作为人类最后的差异化因素：LLMs 能生成选项，但无法判断哪些选项会与其他人类共振。Vibe——锁定并共振他人能量的能力——源自一生作为人的经验，不在训练集中。AI 提供选项，人类提供 vibes。这种分工在创意决策、产品设计和内容策略中尤为关键（Every 2026-06-12）。"价格-速度-氛围"模型选择框架：Ben Tossell 提出实际模型选择应在三个维度上权衡——价格（cost）、速度（speed）、氛围（vibe，即思考风格与输出气质）。Fable 处于高能力高价格低速的"甜点区"，Cursor Composer 2.5 Fast 和 GPT 5.5 则打破速度玻璃天花板。这验证了工具切换不应只看通用能力，而应匹配任务属性（Ben's Bites, 2026-06-12）。"AI 三明治"工作流：Kieran Klaassen 描述为"设定任务 → 机器执行 → 审查结果"的三段式。Fable 5 让这种结构真正运转，因为以前模型的能力不足以可靠完成复杂多步任务的"肉"部分。人类的价值集中在两端的判断，机器承担中间执行（Every 2026-06-12）。AI Engineering Culture Stack 进一步解释为什么软件开发更像愿景对齐系统，而不是缺陷消除工厂。Peter Yang 观察到 agent 生成的 markdown 文件在快速浏览时看似正常，但仔细检查可能包含约 10% 的 slop，这提示 agent 输出必须经过结构化审查而非盲目接受（2026-05-10）。反 AI 标签偏见实验：概念艺术家 SHL0MS 将莫奈 1915 年《睡莲》真迹发布为"AI 生成画作"，结果数千人踊跃批评其"缺乏灵魂"、"构图糟糕"。该实验与 2024 年挪威研究一致——人们其实更偏好 AI 艺术，但一旦知道是 AI 创作就会表现出明显的负面偏见。"AI"这个词本身就能触发条件反射式的敌意，无论实际内容如何。这提示在评估 agent 输出时，需要区分"内容质量"和"来源偏见"两个独立维度（TheRundownAI, 2026-05-18）。 Pre-AI 代码审查文化的怀旧与警示：一篇关于 2018 年 400 行 PR 的怀旧叙事引发广泛共鸣——那时的代码审查是协作、学习和共同所有权的仪式：优雅的微重构、清晰的命名、建设性的来回讨论。PR 合并后的共同所有权感和"代码形状印在眼睑背面"的意象，捕捉了 pre-AI 编码的情感维度。在 AI agent 能一次性生成数千行代码的时代，这种文化正在迅速消失。近万赞的共鸣说明工程社区对"手工编码文化"的集体怀旧，但也提示：在引入 agent 生成代码时，应刻意保留审查的协作仪式，让审查成为学习机会而非单纯质检（2026-05-13）。Paweł Huryn 指出 AI 让每个知识工作领域的执行成本趋近于零，真正的护城河已从执行能力转向品味：知道什么值得做、何时完成、该切掉什么（2026-05-11）。Every 主编 Eleanor Warnock 提出 "Socrates as a Service" 概念：AI 无法替代真正优秀的"提问者"——最好的故事藏在人身上，而把它们"提取"出来仍然是一项人类工作；隐性知识（tacit knowledge）存在于身体实践和直觉判断中，抗拒被文档化，而符号语言正是 AI 摄取信息所需的形式（2026-05-11）。

• Distribution and agent-led growth：Prompts Replacing Download Buttons、Headless Mode、CLI as Agent Interface 记录 agent 作为新用户/新渠道。内容价值转移：Zara Zhang 观察到静态内容的价值在下降，实时互动的价值在上升。人们希望与作品背后的人产生连接；原始、有观点的内容胜过精致但平庸的。这提示在 AI 生成内容泛滥的时代，"人格化"和"实时性"可能成为新的分发壁垒——AI 可以批量生产 polished content，但无法复制创作者与受众之间的真实关系（zarazhangrui, 2026-06-07）。个人软件（personal software）正在崛起：当 AI 生成让前端门槛趋近于零，软件形态可能从面向大众的 SaaS 转向为个人工作流定制、由个人构建的工具。Ben Tossell 从 Superhuman（$40/月）转向自建邮件客户端，验证了"精确匹配需求"替代"为不需要的功能付费"的可行性（2026-05-09）。HTML 正在替代 Markdown 成为 AI 原生文档格式——交互元素和自定义样式无需手动前端工作。SaaS 平台的 "无头化"（headless SaaS）正在加速：HubSpot 的 Dharmesh Shah 推动实现完整 UI-API 对等，让 Agent 既能运行在 HubSpot 上，也能直接运行 HubSpot；这标志 CRM 操作可完全由 Agent 执行，其他 SaaS（Salesforce、Notion、Linear 等）很可能跟进（2026-05-11）。PostHog 构建类 Codex 编辑器，以产品数据（使用模式、Bug、日志错误）为核心信号，形成"自驱产品闭环"（self-driving product loop），让产品洞察自动转化为代码实现（2026-05-11）。

• AI productivity paradox：工程与知识工作领域不断宣扬 10-100 倍生产力提升，但市场层面的营收增长和产品质量并未同步跃升。生产力的提升可能被吸收进了更频繁的迭代、更多的实验性项目，以及维持同等产出所需的更少人力。这提示需要区分「工具效率」（单位时间产出）与「商业效率」（单位投入回报）：前者在个体层面已显著改善，后者在组织和市场层面的转化存在明显滞后与损耗（karrisaarinen, 2026-05-26）。这与 François Chollet 观察到的"代码产出 10 倍增长与净生产力停滞"形成互证——增量问题和新增代码自身制造的技术债务抵消了产出红利。

• Automation aftershock：Every 的 After Automation / Cheap Competence 组合把问题从“AI 是否提升效率”推进到“效率释放后人类还负责什么”。强相关入口是 After Automation Productivity Paradox：human sandwich 变成状况判断、上下文配置、例外处理和质量归责；管理者需要重新设计工作流，而不是只要求员工更快产出。

• SaaS 解绑（Unbundling）趋势：Ben Tossell 提出 SaaS 的根本问题不是被 AI 替代，而是"功能膨胀"——工具为大众设计，但用户可能只需要一小部分。当执行成本趋近于零，用户更倾向于自己拼凑碎片（文档编辑器 + 代理 + API），而非为不需要的功能付费。API/CLI/SDK-first 公司（如 WorkOS、Stripe）处于有利位置，因为它们提供可组合的构建块而非固定功能集。这与 Felix Rieseberg 的 "Execution is Free" 论点形成对照：Felix 强调 headless 模式，Ben 强调功能选择自由，两者共同指向固定功能集的一体化 SaaS 在 agent 时代失去竞争力（Ben's Bites, 2026-05-26）。

• AI education as ongoing service：AI 教育平台正从"一次性课程"转向"持续更新 + 社区共创 + 工具接入"的订阅模式。Rundown University 通过每日 10 分钟实战视频、每周直播工作坊和即将上线的 Workflow Exchange（社区工作流分享与竞赛平台）维持学习节奏；Pro 会员捆绑五款 AI 工具年度订阅（总价值 $1,656）并配套使用指南，将教育价值从"课程内容"扩展到"工具栈接入"。这代表"教育 + 工具分发"的混合商业模式可能成为 AI 教育平台的新标准（2026-05-17）。

• AI 进入个人金融基础设施：OpenAI 在 ChatGPT 内推出个人理财功能，与 Plaid 合作连接 Chase、Schwab、Robinhood 等 12,000+ 金融机构，用户可在侧边栏查看支出、投资组合和待付账单，并直接用 @finance 调用。该功能先向美国 Pro 用户开放，未来还将接入 Intuit 以支持税务估算、信用卡审批概率等。这标志着 AI 助手从"信息问答"向"个人财务操作界面"的演进（TheRundownAI, 2026-05-18）。

• 2026 年创业机会图谱（gregisenberg）：36 个最大创业机会指向七个结构性窗口——解决孤独感（最大 B2C，第三空间与社区应用）、为企业托管 AI 员工（最大 B2B）、老年科技（7000 万婴儿潮一代，最被忽视）、agent 权限/安全/审计追踪（最大基础设施）、反 AI slop 的数字验证（每个平台两年内都需要）、培训非技术人员操作 agent（最大人才需求）、以及感觉模拟的怀旧产品（黑胶/纸张/手工，对抗 AI 一切的反定位）。这些领域共同描绘 AI 时代从产品到服务的创业地图（2026-05-18）。

• SF 前沿信号的 17 个观察（gregisenberg）：亿万富翁以 agent-first 方式收购并重建 SaaS；MCP 端点成为新的 SEO——如果 agent 找不到你，你就不存在；forward-deployed engineer 成为最热角色；开源模型态度转变（Gemma/DeepSeek 满足 80% 需求）；语音 agent 被认为是下一个十亿用户的接口；"agent debt"概念首次出现——快速搭建的 agent 工作流若不及时清理，6 个月后会出现系统提示冲突和记忆污染（2026-05-26）。

• Enterprise AI adoption truth gap：为美国大型企业提供 AI 实施服务的团队发现，媒体上关于大企业 AI 采纳的共识性说法大多是错误的。真实的落地涉及复杂的组织变革、数据治理、合规和变革管理，外界看到的往往是经过筛选的成功案例（vasuman, 2026-05-26）。Allie K. Miller 的 AI 现状日记：硅谷最大话题是 self-learning org，但多数企业领导者从未见过 Agent 实际运行。Meta 裁员引发科技从业者普遍不信任感；Eric Schmidt 等亲 AI 演讲被嘘，Ronny Chieng 的"f*ck AI"反而获欢呼。CIO 们普遍担心 token maxxing 和成本失控，需要找到信号与噪音的分界线。企业内部的超级用户改变了工作方式，但缺乏分享动力，最佳实践无法流通——平均工程师目前更偏好 Codex 而非 Claude Code（alliekmiller, 2026-05-30）。

• AI freedom paradox：Tiago Forte 反思 AI 带来的时间盈余反而照出了生活的贫瘠——没有深层友谊、没有社区归属、没有艺术或历史方面的持久兴趣。当获得一直声称想要的自由时，反而不知所措。这提示 AI 节省的时间若不被刻意重新分配，只会加剧工作中心主义（2026-05-26）。

• AI 与娱乐行业的焦虑：好莱坞从业者普遍认为没有 AI 会被淘汰——制作成本已变得过高，AI 是维持竞争力的必要工具。反对 AI 的强硬派可能低估了行业对成本控制的实际需求（venturetwins, 2026-05-28）。

• 个人软件与工具哲学：Obsidian 的产品哲学 — Steph Ango 阐述的 "File over App" 和 "Don't Delegate Understanding" 框架。Obsidian 同时吸引两类用户：逃避 AI 界面污染的人，以及将 Obsidian 作为 AI 生成 Markdown 文件的查看与交互层的人。7 人团队、无会议、无融资的异步协作模式，以及放弃数百万收入改为可选捐赠的商业决策，构成了 AI 时代另类产品发展路径的案例（2026-05-29）。

• AI 让“做软件”本身不再值钱：Thorsten Ball 指出 AI 不同于以往技术浪潮，它是一个随野心规模化的文本框；AI 采用呈锯齿状，最终用户可能不是热爱软件的人而是追求业务结果的人。小应用和 B2B SaaS 的价值主张被削弱，因为 agent 可以按需完成 x。这提示产品战略应从“软件本身”转向“软件带来的结果”，并建立 agent 工作流中何时放手、何时介入的组织记忆（2026-06-15）。

• Lovable 的高效团队七条经验：Lovable 设计负责人分享的经验包括直接拥有问题而非等待分配、招聘看态度和好奇心、资深管理者因 AI 放大杠杆而重新成为个体贡献者、在完美前发布。这代表 AI 时代团队角色和节奏正在从“计划-评审”向“快速交付-真实反馈”迁移（2026-06-15）。

Main Tensions

• SaaS is dead vs SaaS is reshaped：AI 原生公司有窗口，但有 workflow、数据、信任和组织嵌入的 SaaS 不会自动消失。
• Agent-first vs human-first UX：产品既要让 agent 可操作，也不能牺牲人类判断、信任和可解释性。
• Execution abundance vs taste scarcity：AI 降低制作成本后，同质化更严重，差异来自问题理解、审美和分发。但 slop 本身也可以是生产性阶段——Mitchellh 指出 slop 降低了并行实验门槛，关键是从 slop 中识别潜力的判断力。真正的稀缺可能不是工具或能力，而是心理层面的执行力和迭代意愿：任何人都能构建任何东西，但大多数人仍会失败于开始和迭代（DAN KOE, 2026-05-09）。
• Software vs services：Agent 能把服务交付软件化，但复杂服务仍包含责任、关系、合规和例外处理。
• Growth speed vs safety and trust：产品能更快病毒式扩散，也更容易引发安全、质量和品牌风险。
• Voice convenience vs workflow accountability：语音会降低输入摩擦，但真实任务仍需要可追踪的工具调用、确认、日志和回放。

Current Judgments

• “AI-native” 不等于加聊天框，而是重新设计对象模型、权限、工作流、接口和价值计费方式。
• Agent-ready 产品会同时提供 human UI、API/CLI、MCP、headless mode 和可审计日志。
• 传统 SaaS 的防线不在功能清单，而在数据、流程嵌入、组织信任和迁移成本。
• 推理成本的杰文斯悖论已经显现：成本降 100 倍，总账单反而上升。效率提升释放的需求弹性让 AI 总支出持续扩张，优化目标必须从'单次调用成本'转向'端到端任务成本'。
• 当 AI 让某件事对所有人都变得容易时，竞争优势会转移到相邻领域（销售、营销、客户成功、分发）。执行能力趋同时，差异化来自问题理解、审美判断和分发渠道（Aaron Levie, 2026-05-08）。
• AI 让 PM、工程师、设计师的边界变薄，但没有消除上游判断和下游责任。
• 一个优秀的人才配上 AI 工具，现在可以完成过去需要整个团队才能做到的事情。关键问题从"如何替代开发者"转向"如何帮助开发者像宝可梦一样进化成超级英雄"（Sam Altman, 2026-05-08）。
• 个人/团队知识库正在从静态笔记变成 agent 可使用的 context substrate。
• Build-then-align 正在取代 align-then-build：当编码瓶颈消失，前置对齐（会议、PRD、mockup 争论）的成本反而成为新瓶颈。正确的流程是问题定义 → 初版设计 → 快速 build → 基于实物体验对齐 → 迭代。Alignment 应该发生在「有解决方案在手」之后，而不是「动手之前」（Zach Lloyd, Warp, 2026-05-07）。
• 反馈层级的跃迁：从文字到视频+HTML：Ben Tossell 探索的 video-to-html 工作流代表了人机协作反馈方式的潜在跃迁——从人类用机器语言描述需求，转向人类用自然行为（屏幕操作+口语）表达意图，由 Agent 自行解析并生成结构化 HTML 报告（含关键帧截图、语音转录、GIF 展示和行动清单）。这比其他 agent 交互范式更接近"人类做人类擅长的事，机器做机器擅长的事"（2026-05-14）。
• Input/Output/Outcome 框架揭示 AI 生产力的真实传导链：AI 主要降低了 input（code）成本，但对 outcome（用户付费、业务增长）的传导仍不清晰。企业在 input 上多花 50%（token 消耗），但 outcome 未同步增长时，裁员成为平衡资产负债表的算术必然。真正的问题不是"AI 是否提升了效率"，而是"AI 投入是否转化为可衡量的 outcome"（championswimmer, 2026-05-06）。
• 代码产出 10 倍增长与净生产力停滞：Keras 创始人 François Chollet 指出，AI 让开发者代码产出量增长约 10 倍，但单位时间的净生产力几乎未变。增量问题和新增代码自身制造的技术债务抵消了产出红利。这提示 agent 生成代码的爆发必须配套审查、测试和架构约束，否则产出的可能是负价值（2026-05-14）。
• Vercel AI Gateway 生产指数揭示的多模型生产架构：基于 20 万+团队、数万亿 Token、7 个月真实生产流量的数据显示：Anthropic 占据 61% 支出份额（Opus 高单价驱动），Google 占据 38% Token 量份额（Flash 低单价高流量）；Agentic 工作负载占全部 Token 量的 59%，6 个月内翻倍；月请求 1000 万+的团队平均使用 35 个不同模型。工具调用请求仅占 22.2% 的请求数，却消耗了 58.9% 的 Token——Agent 调用链的 Token 密度是 Chat 的 2.6 倍。Fallback 机制按成本加权救回率为 4.9%，高于请求加权的 3.5%，因为被救回的请求平均更大、更昂贵。这证实了"模型忠诚度终结"和"Agent Token 预算作为一等约束"不是假设，而是已发生的生产现实（2026-05-14）。
• Railway 的 agent-native 基础设施：35 人团队服务 300 万用户，核心架构是 snapshot-based 部署——每次部署创建不可变快照，回滚即切换指针。创始人 Jake Cooper 认为 agent-native infra 的 checklist 应包括：(1) 仅追加的不可变构建产物；(2) 能描述状态的声明式接口；(3) 轻量 UI 但完备 API。这与传统 SaaS 的"功能膨胀"形成对比——Railway 的用户只为需要的部分付费（2026-05-28）。
• Dan Shipper 的 "After Automation" 框架：当 AI 接管执行层后，人类工作的价值向上转移——从"做事"转向"决定做什么"和"判断做得好不好"。Every 团队在全面使用 AI 自动化后人数增长了三倍，验证了"更好的模型意味着有更多框架可以交给它们"的机制：AI 进步创造更多人类工作，而非减少。这不是"人类被替代"的悲观叙事，而是"工作性质改变"的结构判断（2026-05-31）。
• Outcome-based pricing 作为 agent 商业化标准：Razorpay 的 Slash、垂直 AI Agent 创业 playbook 和 Forward Deployed Engineer 模式共同指向同一趋势：按结果收费（per lease renewed, per claim processed, per task completed）而非按 seat 或按 token。这代表了 AI 服务定价从"资源消耗"向"价值创造"的根本转移（2026-05-28）。企业 AI 部署的落地鸿沟: Aaron Levie 指出企业 AI 部署正面临巨大的"实施鸿沟"(implementation gap)。从简单的 LLM+搜索聊天系统到连接真实生产系统的 Agent,需要完成数据保护、访问控制升级、遗留系统迁移、Agent 可观测性、新工作流设计、人机协作节点定义、变革管理等一系列复杂工作。模型能力快速迭代导致已部署系统半数过时,另一半需要升级;token 预算紧张时还需将工作负载迁移到更便宜的模型,重复上述流程。AI 厂商和新兴 AI 服务公司将成为关键支持者,帮助企业跨越实施鸿沟(levie, 2026-05-29)。
• Agent 债务（Agent Debt）：快速搭建的 agent 工作流若不及时清理，6 个月后会出现系统提示冲突和记忆污染。这与技术债务类似，但产生速度更快、隐蔽性更强，因为 agent 的"临时脚本"往往缺乏版本控制和文档。gregisenberg 的 SF 前沿信号将"agent debt"列为 2026 年最值得关注的结构性风险之一（2026-05-28）。
• Benedict Evans 的产业判断框架：AI 的重要性和互联网、移动互联网同级，但不必神化。区分 task 和 job 是关键——AI 自动化某个任务不等于自动化整份工作。自动化可能扩大需求而非减少岗位（Jevons Paradox）。模型公司可能更像云服务而非 Windows，如果模型商品化，价值将上移到应用层和分发层。当基础能力趋同时，分发、品牌和默认入口成为关键竞争力（Google 的 Gemini + Android、Meta 的社交嵌入、Apple 的设备入口）。AGI 讨论的核心问题是我们没有智能理论，因此预测本质上是凭感觉——但即使模型明天停止进步，AI 仍是接下来十年改变世界的极其有用的技术（Benedict Evans, 2026-06-01）。

To Read / To Verify

• SaaS vs Agent-Native 已合并为争议簇，后续需要吸收 saas-extinction、saas-not-dead、software-moat-is-false 的反方证据。
• Agent-native Architecture 已吸收三原则；后续需要更多真实产品案例验证 parity/granularity/composability。
• AI PM Onboarding 与 April 01 版本需要合并。
• Everyone Gets a Sidekick 需要判断是 source reference 还是“AI coworker as default role”概念。
• Cursor 3 Feedback Analysis 应保留为 reference，不应升级为长期判断。

Output Directions

• 写一篇“SaaS 没死，但软件的用户变了”的产品趋势文章。
• 做一张 agent-native product checklist：human UI、agent API、permissions、logs、handoff、pricing。
• 输出“AI Operator / Agent Deployer / Forward Deployed Engineer”的角色地图。
• 写一篇关于“prompts replacing download buttons”的分发范式文章。
• 从 AIHOT、Linear、Ramp、Mercury、Notion 案例中抽一篇企业 AI 落地 playbook。

Navigation

Agent-Native Product Architecture

• Agent-native Architecture
• Agent-Native 架构三大原则
• Codex-native Apps
• Build, then align
• Cursor 3 Feedback Analysis
• LUI Skill Agent Jianying
• Environment Context Agents
• Headless Mode 作为生存必需
• Human-Agent Interaction Design
• Realtime Voice Agent Systems
• AI Companions as Training Wheels

SaaS, Services, and Enterprise Work

• SaaS vs Agent-Native
• AI-Native SaaS 颠覆机会
• SaaS Extinction
• SaaS Not Dead
• Services is the New Software
• 企业工作流的 Agent 时代重构

Roles and Organization

• AI Operator
• AI 时代的 PM 新打法
• PM Role Bifurcation
• PM-工程师融合
• Agent Deployer Role
• Org Design in the Age of AI
• Delegate vs Sit Beside — AI 工作方式二元分化

Design, Taste, and Craft

• AI 创始人的品味指南
• 设计不是输出速度，而是问题理解
• Code-Native Visual AI
• 如何设计有重量感的软件
• AI Slop 与 Craft 危机
• After Automation Productivity Paradox
• AI Engineering Culture Stack
• Agency vs Skill

Distribution and Interfaces

• CLI as Agent Interface
• Prompts Replacing Download Buttons
• Computer Use Agent Explosion
• Mercury MCP Case Study
• Stripe Agent-native Economy

Related

• harness-engineering/overview
• claude-code/overview
• ai-tools/overview