2026 下半场，AI Agent 的红海已满，蓝海在哪

假如今天你要给自己选一个 AI Agent 的方向下注，你最该先问的问题是什么？

多数人问的是"这个能不能做出来"。但在 2026 年的下半场，模型能力已经不再是瓶颈，“能不能做"几乎恒为真——真正该问的，是另一个更冷的问题：“为什么这么大的机会，别人还没把它做死？”

这个问题的答案，往往就藏着这个方向到底是红海还是蓝海。如果答案是"没人做死是因为大家刚反应过来”，那多半是红海，你冲进去只是给这片海再添一具尸体；如果答案是"没人做死是因为它难、它脏、它慢、它要担责任"，那你可能撞上了少见的蓝海。

我横向扫过大量 agent 产品、创业方向、一手信源与行业分析之后，越来越确信一件事：通用和水平的 agent，已经是一片正在结痂的红海；而蓝海，正躲在那些让人本能不想碰的地方。

一张攻防图：红海已满，蓝海难进

先把战场画出来。

                     AI Agent 战场 · 2026 下半场
   易被复刻 ←─────────────────────────────────────→ 难被复刻
   （软层 / 通用能力）                          （硬层 / 领域 + 责任）

  ┌───────────────── 红海（已满）─────────────────┐
  │  编码 agent   客服 agent   销售 agent   日程 agent │
  │       ▲            ▲           ▲          ▲       │
  │       │            │           │          │       │
  │   基础模型厂：一个产品周期就下场把你抹平        │
  │   （功能即护城河 = 没有护城河）                 │
  └───────────────────────────────────────────────┘
                          │
             护城河从"功能"迁移到"数据 + 领域 + 责任"
                          │
                          ▼
  ┌───────────────── 蓝海（难进）─────────────────┐
  │  法律合规   医疗运营   财务审计   科研编排  制造 │
  │      +                                          │
  │  给 agent 造地基：运行时 · 支付轨 · 评测        │
  │                                                │
  │  护城河 = 专有数据飞轮 · 领域深度 · 端到端责任  │
  │  代价   = 难、脏、慢、要担责                    │
  └───────────────────────────────────────────────┘

红海那一格，我几乎可以闭着眼睛列出清单：编码 agent、客服 agent、销售 agent、日程 agent。它们的共同点不是"没价值"，恰恰相反，它们全都很有用——问题在于，它们全都建在软层上。

红海为什么守不住

我在这个专栏更早的一篇里聊过"软层降维打击"（见 从 Chatbot 到 Agent 到 Skill ）：越是靠近通用语言能力、越是不依赖专有资产的功能，越容易被上游一层的能力直接抹平。红海的悲剧就写在这条规律里。

第一，功能护城河正在被 AI 本身抹平。 你今天引以为傲的"能自动写周报"“能自动排会"“能自动跟进客户”，本质上是把一段 prompt 和一点编排包装成了产品。但编排不是壁垒，prompt 更不是。你能想到的巧思，别人下个季度也能想到，模型再强一档，连想都不用想。

这里有个很少被点破的机制：红海产品的核心资产，恰好是最容易被模型升级"吃掉"的那部分。 你花半年调出来的一套提示词工程、一堆兜底规则、一层格式约束，是在补当下模型的短板。而模型厂下一代做的事，正是补同一批短板。换句话说，你辛苦搭的脚手架，正是上游明年要拆掉的东西。 你在给一个正在自愈的伤口贴纱布，还指望靠卖纱布长期赚钱。

第二，基础模型厂只需要一个产品周期就能复刻你。 这是红海最残酷的地方。当你的整个产品，恰好就落在模型厂"顺手就能做"的射程内时，你不是在和同行竞争，你是在和给你供电的人竞争。据我持续追踪，凡是"薄薄一层套壳 + 通用能力"的方向，被官方 Copilot、官方 Agent 模式吃掉，大致只是时间问题。你辛苦教育的市场，最后是替别人交的学费。

而且这场竞争的不对称，比"大厂钱多"要深得多。真正致命的是三件事：他们的边际成本是负的——同样一个 agent 功能，你要为每次调用付 API 费用，他们是自家的 GPU，做进去还能提升订阅粘性；他们的分发是白拿的——你要一个一个买用户，他们只需在已有入口加一个按钮；他们的迭代不需要说服任何人——你要发版、要教育、要等客户点头，他们改个默认值就上线了。你在和一个成本更低、分发免费、还不需要征得你同意的对手打价格战。

第三，差异太薄，薄到用户不会为你留下来。 红海产品之间的差别，常常小到需要用市场费用去制造。没有切换成本，没有数据沉淀，用户来去自由——这种生意可以赚钱，但赚不到护城河。

有一个很朴素的自测：如果你的用户明天全量迁到竞品，他会损失什么？ 如果答案是"重新学一遍界面”，那你没有护城河，你只有习惯。如果答案是"他过去两年积累的、只在你这里存在的东西全没了"，那才叫切换成本。红海产品的答案，几乎清一色是前者。

一句话：当功能就是你的全部护城河时，你其实没有护城河。

真护城河只剩三种

那什么还立得住？我把 2026 下半场还算得上护城河的东西，收敛成三条，而且它们往往要叠在一起才够深。

其一，专有数据飞轮——越用越好。 这是 AI 时代少数仍然成立的老护城河之一。关键不在"你有数据"，而在"你的产品每被用一次，都在生成别人拿不到、且会让你下一次表现更好的数据"。这个闭环一旦转起来（close the loop），后来者即便模型和你一样强，也要从零攒时间。呼应我常说的那句：信息本身不值钱，值钱的是处理信息的能力，以及在处理过程中沉淀下来的、别人复制不了的东西。

但"数据飞轮"这个词被滥用得太厉害了，几乎每份 BP 里都有。所以值得把它的启动条件拆开来讲清楚。一个真正能转起来的飞轮，四个条件缺一不可：

1. 产出必须被判定对错。 用户用完之后，系统要能知道这一次做得对不对。写周报这种活没有对错，只有"还行吧"，所以它永远转不起来；而"这份监管报送有没有被退回"是有明确判定的——退回，就是一个免费的标注。 没有判定信号的方向，不管数据量多大，都只是在攒日志。
2. 判定必须回流成训练/规则的输入。 知道错了还不够，要有一条工程通路把"错在哪"变成下一版的改进。很多团队卡在这一步：反馈躺在客服工单里，从来没进过管线。
3. 数据必须是你独占的。 如果同样的数据公网上能爬到、或者客户明天换供应商就带走，那不叫飞轮，叫租来的仓库。
4. 改进必须被用户感知到。 不然用户在飞轮转够圈数之前就流失了，飞轮还没起转就停了。

用一张图看这四个条件哪一步最容易断：

   用户使用 ──→ 产出 ──→ ①判定对错 ──→ ②回流管线 ──→ 模型/规则改进
      ▲                      │              │                │
      │                      ✗              ✗                │
      │              没有对错标准       反馈进了工单          ▼
      │              （"还行吧"）       没进管线         ④用户感知到变好
      │                                                       │
      └───────────────────────────────────────────────────────┘
                            ③数据独占（否则整个环是租来的）

   断在 ① → 你在攒日志，不是攒数据
   断在 ② → 你有金矿，没有矿道
   断在 ③ → 你在给行业做公益
   断在 ④ → 飞轮起转前，用户已经走了

判断一个方向能不能起飞轮，就看它有没有一个天然的、便宜的、高频的判定信号。 这个视角比"我们有很多数据"有用一百倍。

其二，领域深度——团队是不是真懂行。 蓝海方向几乎都有一层厚厚的"行业黑话 + 隐性规则 + 边界情况"，这些东西不写在任何文档里，只长在从业者的脑子里。一个真正在医院跑过流程、在律所熬过夜、在审计季被折磨过的团队，和一个只读过维基百科的团队，做出来的 agent 是两个物种。领域深度买不到、抄不走，也不会因为模型升级而贬值。

领域深度最值钱的地方，不是"懂得多"，而是知道哪一步不能自动化。这个判断，一个没在行业里待过的人做不出来——他会把所有步骤一视同仁地丢给模型，然后在最不该出错的地方出错。

其三，端到端责任——不是助手，是替你负责到底。 这是我认为最被低估的一条。绝大多数红海 agent 的定位都是"助手"：我给你建议，做不做、错没错，你自己扛。而真正的蓝海产品在做一件相反的事——它把一个受监管的流程，从头到尾负责到底。 它不是"帮你写合规报告"，而是"直接替你把监管报送这件事做完并对结果负责"。责任，是软层永远无法降维打击的硬层。

“难、脏、慢"到底难在哪：把一个流程拆开看

“难、脏、慢"这三个字，说起来轻飘飘，像个口号。所以我想把它落到具体的流程里——因为蓝海的门槛，全藏在流程的细节里，而不藏在模型的能力里。

拿合规审计里最常见的一类活举例：某个受监管机构要向监管方定期报送一份数据。听上去像是"把数据库里的数拉出来，套个模板”，一个下午的活。但真正做过的人知道，这条流程大概长这样：

  ①取数 ──→ ②口径对齐 ──→ ③人工判断 ──→ ④交叉勾稽 ──→ ⑤签字 ──→ ⑥报送 ──→ ⑦答疑
   ✅自动     ⚠️半自动      ❌几乎不能    ⚠️半自动     ❌不能    ✅自动   ❌不能

  ① 取数：从十几个系统拉数。脏在系统老、接口烂，不难。AI 能干。
  ② 口径对齐：同一个字段，A 系统叫"净额"、B 系统叫"净额"，但一个含税
     一个不含税。差异藏在五年前某次会议纪要里。AI 能提出疑问，不能拍板。
  ③ 人工判断：这笔业务算不算某个科目？监管条文写得含糊，行业里靠的是
     "去年监管口头反馈过"这种没有文本的先例。AI 在这里没有任何输入。
  ④ 交叉勾稽：这张表的合计要等于那张表的某几行之和。规则能写，例外
     多如牛毛，每个例外背后都有一个具体的历史原因。
  ⑤ 签字：有人要为这份报送承担个人责任。这一步在法律上就不能自动化。
  ⑥ 报送：调接口。AI 能干。
  ⑦ 答疑：监管回来问三个问题，你要在三天内解释清楚每个数字怎么来的。
     解释不清 = 报送作废。这一步需要的是"审计轨迹"，不是"生成能力"。

看清楚这条流程之后，很多事就通了。

第一，难的地方从来不在两端，在中间。 ①和⑥（取数、报送）是纯工程活，任何一个套壳团队一周就能做完——所以红海玩家做的 demo 永远漂亮，因为 demo 演的就是①和⑥。而②③④⑦这些真正吃掉从业者 80% 时间的步骤，全都卡在"没有文本记录的隐性知识"和"需要有人担责"上。demo 到生产之间那条鸿沟，我在 信任一个无人值守的 agent 里叫它评测鸿沟；在这里，它的名字叫领域深度。它们是同一条鸿沟的两个侧面。

第二，“脏"的具体含义是：规则有例外，例外有历史。 一条规则写下来，行业里跑十年，会长出几十个例外，每个例外背后都是一次具体的事故、一次监管反馈、一次内部妥协。这些东西不在任何文档里。你只能靠时间和人去攒——这就是为什么它慢。

第三，⑦（答疑）这一步，解释了为什么这类产品必须做审计轨迹。 你的 agent 给出一个数字不够，你得能回答"这个数字是从哪三张表的哪几行、按哪条口径算出来的”。这意味着整条链路要可回放、可归因。这套东西的工程量，往往比"让 AI 生成报告"本身大一个数量级。而这，恰恰是红海玩家绝对不会做的——它不能出现在 demo 里，它只在你被监管问到的那一天才有用。

所以你看，“难、脏、慢"不是形容词，是一张具体的施工图。红海玩家看到这张图会绕开走，这正是它蓝的原因。

端到端责任落地长什么样：合同、赔付、保险

“承担端到端责任"这句话，说出来很豪迈，但它必须落到纸面上，否则就还是营销词。我见过太多产品宣称"我们对结果负责”，翻开合同，第一条就是"本产品输出仅供参考”。这两句话不能同时为真。

真正的端到端责任，会长成下面这个样子，而且它是有梯度的：

这张表最值得琢磨的是从 L2 到 L3 那一跳。它不是文案的升级，是整个公司结构的升级：

• 你得先能精确定义"错”。合同里写"准确率 99%"，就必须回答：分母是什么？一份报送算一条还是一百条？谁来判？争议了找谁？——这些问题答不出来，SLA 就是一句空话。 而能答出来，恰恰要求你已经有了前面说的"判定信号"。你会发现，数据飞轮的启动条件，和端到端责任的落地条件，是同一批条件。 这不是巧合。
• 你得赔得起。这意味着风控、资金储备、法务，全是重资产。一个两个人的团队签不了这种合同——这也正是它挡住轻装套壳者的地方。
• 你得让保险公司愿意接。L4 是最有意思的一档：当有保险公司愿意为你这条流程承保时，说明有一个专业的、以赔钱为业的第三方，算过你的事故率并认为可控。这是比任何 benchmark 都硬的第三方背书。 我倾向于认为，下半场值得盯的一个信号，就是这类"AI 交付结果险"会不会开始出现——它一旦出现，就意味着某些垂直方向的可靠性，第一次被精算过了。

而定价逻辑的迁移才是真正的价值所在：L0 到 L1 卖的是能力，按人头或按 token 收；L3 到 L4 卖的是结果，按结果收。 前者的天花板是客户愿意为工具付多少钱，后者的天花板是客户为这件事本来要付出多少成本（人力 + 风险）。这两个数字，常常差一个数量级。

回到复合误差那道硬数学（我在 信任工程那篇 里算过：单步 95% 准确率连做 20 步只剩约 36%）——它在这里有个直接推论：你敢签 L3 合同的前提，是你已经把流程拆到人只需要审几个关键节点，而不是端到端全自动。 承担责任不等于全自动。恰恰相反，敢担责的团队，往往是最舍得在关键步骤上放人的团队，因为他们清楚哪一步错了要自己赔钱。这也是为什么"承担责任"和"人在回路"不矛盾——它们是同一件事的两面。

蓝海在哪：垂直、受监管、端到端

顺着这三条护城河往回找，蓝海的坐标就清晰了。

第一片蓝海：垂直的受监管工作流。 据我追踪，最被看好的方向大致集中在这几类——法律合规、医疗运营、财务审计、科研编排，以及建筑与制造里那些高合规、高人工协调成本的环节。它们的共同特征是：出错代价极高、流程冗长肮脏、且有人愿意为"有人担责"付很贵的钱。有分析认为，垂直 AI agent 正在吃掉水平 SaaS——过去你买一个通用工具再自己拼流程，现在你直接买一个"懂你这行、还替你把活干完"的 agent。我大致认同这个判断：水平 SaaS 卖的是能力，垂直 agent 卖的是结果，而客户要的从来是结果。

已经能看到这类形态的雏形。比如有团队直接自称做"最准确的财报 AI agents"，把银行的监管报送这种又硬又脏的活整条接管下来——它不是给财务人当助手，它就是那道流程本身。这种打法，恰恰是红海玩家最不愿意碰的：太重、太慢、太容易担责。而这正是它蓝的原因。

第二片蓝海：给 agent 造基础设施。 淘金热里，卖铲子的人常常活得最久。当成千上万个 agent 开始真正跑起来、开始被托付无人值守的任务（我在 信任一个无人值守的 AI Agent 里聊过这有多难），它们就需要一整套过去为"人"设计、如今必须为"agent"重造的地基：

• 运行时：让 agent 稳定、可观测、可回滚地长时间运行——尤其是当开源模型成本坍塌、每个人都能开一整支 agent 舰队之后（见 开源模型成本坍塌与 agent 舰队 ），调度和治理的价值只会更高。这里有个容易被忽略的推论：当 agent 的数量从个位数涨到三位数，“我昨晚那 200 个 agent 到底干了什么、花了多少钱、哪几个跑歪了"就从一个好奇心问题，变成一个运维问题。 为一个 agent 做的工具，和为一支舰队做的工具，不是同一个东西。
• 支付轨：这是我认为当下最明显的一个真空。据我追踪，面向自主 agent 的专用支付基础设施基本还是空白——现有的支付系统全部预设"付款的是人”。这个预设埋得比大多数人想的更深：风控模型判断欺诈的核心特征之一，就是"这个行为像不像人"——凌晨三点、每秒一笔、金额精确到分、没有任何犹豫和浏览行为，这在今天的风控里几乎是欺诈的教科书画像，而它恰恰是一个正常 agent 的行为指纹。同样的错位到处都是：授权体系预设"一个人一张卡一个额度"，但 agent 需要的是"这个任务、这个时间窗、这个上限、这类商户"的细粒度授权；对账体系预设"人会记得自己买了什么"，但 agent 一夜之间产生几千笔微额支出，谁来归因到哪个任务？争议处理预设"持卡人能解释自己的意图"，但 agent 的意图在哪，在它的 prompt 里吗？当付款方不是人，风控、授权、对账、争议，四样全得重写。 谁把这条轨修通，谁就握住了一个入口级的位置。
• 评测：agent 越自主，“它到底做得对不对"就越贵越难回答。可信、可复现的评测，本身就是一门生意。而且注意这条和上面"数据飞轮启动条件"的呼应——评测提供的正是那个判定信号。 谁能在一个垂直领域里定义出被行业接受的评测标准，谁就同时握住了那个领域所有玩家的飞轮起点。这是一个比"做一个评测工具"大得多的位置。

这两片蓝海有个共性：它们都不在软层，而在硬层。 软层可以被降维打击，硬层只能被硬啃。

一张判据表：怎么判断一个方向是红是蓝

前面说的都是形势。但你真正需要的，是一把能拿去量具体方向的尺子。我把它收敛成七条判据——这七条不是加权打分，是逐条过；红海那一列每中一条，都是一个独立的死因。

最后那条值得单独说，因为它是最反直觉的一条：“上手快、能快速做出 demo"在今天是一个危险信号，不是好消息。 你能在一个周末做出来的东西，意味着任何人都能在一个周末做出来，也意味着模型厂能在一个下午做出来。门槛的高度，就是你未来护城河的高度——你冲进去的那道门有多难开，之后追你的人就有多难开。

方向自查：读完可以立刻做的三件事

如果你读到这里在认真考虑一个方向，我建议你别急着写代码，先花一小时做完下面三件事。

第一，用七条判据过一遍你的方向，逐条写下答案。 不要打分求平均——红海那一列中任何两条，基本就足以判死。特别注意"模型强一档，你更值钱还是更没用"这条：如果你诚实的答案是"更没用”，那你做的所有努力都是在给上游打工，做得越好，被吃掉得越快。

第二，做一次护城河体检。 对着这五个问题，给自己一个诚实的现状而不是规划：

护城河体检表（写现状，不写"我们计划"）

□ 判定信号   我今天能否自动知道昨天的产出对不对？
             ├ 能，且免费自动获得        → 飞轮有起点
             ├ 能，但要人工标注          → 成本会吃掉你
             └ 不能                      → 没有飞轮，别再说这个词

□ 数据独占   我的数据公网能爬到吗？客户换供应商能带走吗？
             └ 任一为"是"                → 不是飞轮，是租来的仓库

□ 领域深度   我团队里有人真的在这行干过吗？
             ├ 有，且知道哪一步不能自动化 → 真深度
             ├ 有，但只做过其中一段       → 半深度，补人
             └ 没有，我们打算多访谈几个   → 这是调研，不是深度

□ 责任层级   我今天的合同写到哪一档（L0-L4）？
             └ 停在 L0-L1                → 你卖的是能力，不是结果

□ 切换成本   用户走了会损失什么？（一句话答完）
             └ 答案里出现"习惯""熟悉"    → 没有护城河

第三，反过来找你的死法。 别问"我怎么成功"，问"三年后我死了，最可能是怎么死的"。红海的死法是"被模型厂一周期抹平"，蓝海的死法是"被漫长的难活拖垮"。你要挑的不是没有死法的方向——没有这种方向——而是那个你恰好扛得住的死法。 现金流撑不过两年的人不该去啃需要三年趟坑的合规方向；没有行业人脉的人不该去做需要靠先例判断的活。这不是保守，这是选战场。

反模式清单：看起来是蓝海，其实是坑

判据表告诉你什么是蓝的，但还有一类方向最危险——它们长得很像蓝海，甚至完美命中了"难、脏、慢"，但它们是坑。 我把见过的几类列在这里。

坑一：难是难，但难得没有价值。 有些方向确实难、确实脏、确实没人做——因为做出来也没人买。“没人做"和"没人愿意付钱"是两件事，但它们在早期长得一模一样。分辨方法很直接：现在有人在用人力硬扛这件事吗，扛得有多贵？ 如果这件事今天根本没人做（不是"用土办法做”，是压根不做），那大概率不是蓝海，是不存在的需求。蓝海的正确画像是"有人正在用很贵、很痛苦的方式做这件事"，而不是"没人做这件事"。

坑二：假垂直——只是在通用 agent 前面加了个行业提示词。 这是最常见的一种自欺。你说自己做"法律 agent"，但拆开看，你的产品 = 通用模型 + 一份法律领域的系统提示词 + 一个换了配色的界面。这不是垂直，这是给红海产品换了个皮。 它命中不了任何一条真护城河：没有独占数据，没有隐性知识，没有承担责任。检验方法：把你的系统提示词删掉，换成竞品的，你的产品会垮掉吗？如果只是"效果差一点"，那你没有垂直，你只有一段提示词。

坑三：难在自己身上，不难在别人身上。 你觉得这件事难，可能只是因为你不熟。而对行业里的老手，它是常识。你以为的护城河，是你自己的学习曲线。 这种方向的特征是：你每往前走一步都很痛苦，但一个真正的从业者看一眼就说"这不就是那什么嘛"。检验方法很便宜：找三个真从业者聊，如果他们的反应是"这个确实烦，我们每周花两天"，方向对了；如果是"这个不难啊，我们一直这么干的"，那你的难是错觉。

坑四：客户要的是责任，你给的是准确率。 你把准确率从 95% 提到 98%，很自豪。但客户心里的问题从来不是"准确率多少"，而是"出事谁去坐那个会"。在受监管领域，客户买的常常不是效果，是一个能承担后果的对手方。 如果你的合同还停在 L0"仅供参考"，那你无论把准确率做到多高，都还是在卖工具，客户还是要养着原来那批人来兜底——那你省下的成本，从来没有真的省下。

坑五：把"重"当成护城河。 重和难不是一回事。有些方向确实又重又慢——比如要接三十个客户的老系统——但那种重是线性的苦力，它不会随时间沉淀出任何独占资产。做完第三十个客户，你只是做了三十遍同样的脏活，第三十一个客户还是要从头来。真护城河的重，是会沉淀的重：每接一个客户，你的规则库、判例库、例外集都在变厚，第三十一个客户会比第一个便宜十倍。判断标准就一句：你的第 N 个客户，比第一个客户更便宜吗？ 如果不是，你不是在挖护城河，你是在开一家人力外包公司。

坑六：等风来。 “这个方向现在还不成熟，等模型再强一点/等监管明朗一点/等市场教育好了再进。” 这话在红海里是对的（因为红海拼的是时机），在蓝海里是致命的——蓝海的护城河是时间本身挖出来的。你等的那两年，正是别人在攒数据、攒判例、攒信任的两年。等你觉得"时机成熟了"进场时，蓝海已经被人挖成了自己的内湖。蓝海不奖赏聪明的时机判断，只奖赏早开工的人。

两条不同的下注：超级个体 vs 创业者

同样一张地图，超级个体和创业团队该走的路并不一样。

如果你是超级个体，我的建议是：别拿你的短板去撞红海的长板。 你打不过模型厂的通用编码 agent，但你可以在一个足够窄、窄到大厂看不上的垂直缝隙里，用你的领域理解 + 一套趁手的 harness，做出一个"专为某一类人、某一道流程"的 agent。你的优势从来不是资源，而是贴地的领域深度和极快的迭代。软层帮你降维打击那些还在手工做的人，而不是让你去和上游硬碰硬。

把它做得更可执行一点，超级个体的选择标准，我会收敛成三条硬约束：

• 窄到大厂看不上。 一个具体的量化直觉：如果这个市场做到头也就几千万营收，那它对模型厂来说连一次立项评审都过不了，但对一个人来说是绰绰有余的生意。“市场太小"对你是筛选器，对他们是否决项——这个不对称，就是你唯一的安全区。
• 深到你自己就是用户。 你最该做的，是你自己每天在痛的那道流程。因为超级个体没有用户调研的预算，你唯一的领域深度来源就是你自己。你不是这个流程的受害者，就别做它。
• 快到别人反应过来时你已经改完三版。 你的护城河不是任何一个静态资产，而是迭代速度本身。这也意味着：你不该选那种需要三年才能验证一次的方向——那种方向的护城河是时间，而时间恰恰是超级个体最耗不起的东西。合规审计这类活，是创业团队的蓝海，不是你的。

注意最后这条和创业者那一栏的矛盾：同一片蓝海，对创业团队是机会，对超级个体可能是坟墓。 蓝海不是一个绝对的地理位置，它是相对于你的弹药和耐力而言的。

如果你是创业者，你要下的注更重也更值：去啃那些需要数据飞轮 + 领域团队 + 端到端责任三者叠加的方向。这些方向前期难看、增长慢、脏活多，但也正因如此，它们对模型厂没有吸引力，对轻装套壳者是天堑。你熬过那段难、脏、慢，护城河就是你替行业趟过的所有坑。

同样把它落到可执行：

• 第一个雇的不是工程师，是那个行业里干了十年的人。 而且要给他否决权。因为前面说过，领域深度最值钱的地方是"知道哪一步不能自动化”——这个判断，你的工程师做不出来，而做错的代价是你赔钱。
• 第一份合同就往 L2 以上写。 哪怕客户没要求。因为签 L2 会逼你回答"什么叫错"，而回答这个问题的过程，恰好就是在给你的飞轮装上判定信号。合同不是法务的事，是产品设计的事。
• 算清楚你的现金能撑几年趟坑。 蓝海的回报周期以年计。如果你的跑道只有 18 个月，你不该选一个需要 36 个月才能攒出护城河的方向——不是方向错了，是你和方向不匹配。选战场之前先数弹药。

下半场预测

把镜头拉到 2026 下半场到 2027，我给三个偏结构性的判断，都用"我倾向于认为"来说，别当铁律：

预测一：垂直 agent 会明显吃掉水平 SaaS 的份额。 不是水平 SaaS 消失，而是价值重心迁移——客户越来越不愿意为"通用能力 + 自己拼流程"付钱，而愿意为"懂行且交付结果"的垂直 agent 付更贵的钱。SaaS 的估值逻辑会被重新定价：过去按席位数算钱，因为价值和"多少人在用"成正比；而垂直 agent 的价值和"替代掉多少人力 + 承担了多少风险"成正比，按席位收费在这个逻辑下是自相矛盾的——你干得越好，客户的席位越少，你的收入越低。 我倾向于认为，这个内在矛盾会逼着定价从席位制迁向结果制，而这个迁移本身，就是红蓝分野在财务报表上的投影。

预测二：企业记忆（enterprise memory）成为核心护城河。 当模型能力高度商品化，企业自己积累的、结构化的、可被 agent 高效调用的"记忆与数据"，会变成 AI 时代少数仍然成立的护城河之一。谁把自家的领域知识沉淀成 agent 能吃的记忆，谁就在自己的地盘上不可被替代。这其实是"专有数据飞轮"的组织版本。

值得点破的是它和上面那条流程图的关系：企业记忆真正要装的，恰恰是②③④那几步里的东西——口径为什么这么定、这个例外是哪年因为什么事故加的、上次监管口头反馈了什么。 这些东西今天存在老员工的脑子里和五年前的会议纪要里。谁能把它们变成 agent 可检索、可引用、可审计的结构，谁就把一个组织最不可替代的资产数字化了。这也解释了为什么企业记忆不是一个"更好的知识库"——知识库存的是文档，企业记忆要存的是判断和它的理由。

预测三：面向 agent 的支付基础设施开始成形。 我倾向于认为，下半场会看到第一批认真为"付款方是 agent"重做的支付、授权与对账方案跑出来。它不会一夜爆发，但方向已经不再是空白。我会盯的信号很具体：有没有出现"给 agent 的、带任务级额度和商户白名单的授权凭证"这类原语——不是给 agent 发一张人的卡，而是给一次任务发一张只能干这件事的凭证。 这个原语一旦标准化，上面才长得出对账和风控。

一段诚实的 caveat

我得把话说回来，免得这篇读起来像是在发招商传单。

蓝海之所以蓝，往往正因为它难、它脏、它慢。 这不是修辞。垂直受监管的活，意味着你要啃法规、要过审计、要在一个错误就上新闻的领域里如履薄冰；端到端责任，意味着你真的要为结果兜底，而不是甩一句"仅供参考"。这些方向的回报周期，可能以年计。很多人冲进蓝海，最后不是被淹死，是被拖死、耗死、烦死。

而且蓝海不会一直蓝。今天难、脏、慢的地方，一旦有人把路趟出来、把数据攒起来、把责任扛习惯，它就慢慢变成新的红海。护城河是动词，不是名词——挖完不修，一样会淤。软层可降维，硬层撞不动，说的只是当下的地形；地形是会变的。

我还得对自己这套判据泼一瓢冷水：这七条判据是回头看很准、往前看很难的东西。 “为什么还没人做死"这个问题，你在事后总能编出一个漂亮答案；难就难在你身处其中时，分不清"它难所以没人做"和"它没价值所以没人做”——这两者在早期的观感一模一样，而这正是坑一存在的原因。我给不出让你分清的银弹，只能给一个笨办法：去找三个正在用人力硬扛这件事的人，看他们扛得有多贵。 这个问题的答案是骗不了人的。

所以别把"蓝海"当成一张免死金牌。它只是把你的死法，从"被模型厂一周期抹平"换成了"被漫长的难活拖垮"。你要挑的，是那种你恰好扛得住其难、其脏、其慢的方向。

收口：整个专栏，其实只在说一件事

写到这里，这个专栏也该收了。

回头看这五篇——它们看似在讲五件不同的事：信息自动化的边界、交互范式的迁移、成本的坍塌、信任的工程、机会的地图。但把它们叠在一起，你会看到一条很直的线：

① 信息自动化的天花板
   《让 AI 自动帮你追全网资讯，最后会卡在哪里》
   → 信息层被打到零，判断层无人接管
   → 结论：能力变便宜之后，稀缺的是判断
                     │
                     ▼
② 交互范式的迁移
   《AI Agent 开始"反过来提示你"》
   → 它开始替你判断"此刻什么最值得做"
   → 结论：判断权第一次被部分交出去；代价是打扰，赌注是信任
                     │
                     ▼
③ 成本的坍塌
   《开源模型便宜了近九成，一个人能养多大的 Agent 舰队》
   → 智能的地板塌了，一个人养得起一支舰队
   → 结论：能力供给过剩，杠杆变长，但"敢用多少"卡住了"能开多少"
                     │
                     ▼
④ 信任的工程
   《怎么才能放心把活交给一个没人盯着的 AI Agent》
   → 护栏 + 评测 + HITL，复合误差是硬数学
   → 结论：瓶颈从"造 agent"变成"信 agent"；信任是可工程化的
                     │
                     ▼
⑤ 机会的地图  ← 你在这里
   《红海已满，蓝海在哪》
   → 能被信任地担起责任的地方，就是护城河所在
   → 结论：红海淘汰功能的搬运工，蓝海奖赏责任的承担者

   ┌──────────────────────────────────────────────┐
   │ 一条线：能力越便宜 → 判断越贵 → 判断要被信任 │
   │         → 信任要被工程化 → 能担责的人赢       │
   └──────────────────────────────────────────────┘

第一篇 AI 自动新闻管线的边界 里，我算过一个漏斗：自动化把 800 条压到 240 条，压缩比 3.3 倍；而从 240 条到真正改变我某个动作的那 1 条，压缩比 240 倍——全是人用眼睛和脑子砍的。那篇的结论是"信息不值钱，处理信息的能力才值钱"。

第二篇 会主动 prompt 你的 agent 讲的，其实是这条 240 倍的人工压缩比第一次被机器碰了一下——它开始替你判断"此刻什么最值得做"。而它立刻付出的代价是打扰：一次错误打扰的成本约等于六到十次正确提示的收益。判断权一旦交出去，成本就不再是 token，而是信任。

第三篇 一支 agent 舰队 把"能开多少"这个约束拆掉了——成本坍塌近九成之后，一个人养得起一支舰队。但它同时暴露了新的约束：你能开一百个 agent，不代表你敢用一百个 agent 的产出。 供给一旦过剩，瓶颈就换了位置。

于是有了第四篇 信任一个无人值守的 agent ：护栏、评测、HITL，以及那道谁都绕不过的复合误差。它给出的最重要的一句是——信任不靠模型自觉，靠工程。信任是可以被建造的。

而这一篇，是前四篇的必然落点。既然信任可以被工程化，那么下一个问题就自动浮出水面：建好了信任，该拿去承担什么？ 答案就是这篇讲的东西——去承担那些别人不敢承担的责任。 你会发现，L4 那一档"有保险公司愿意承保"，正是第四篇"信任三件套"在商业上的最终形态：护栏 + 评测 + HITL 做到极致，它的名字就叫可投保。

所以这五篇一直绕着同一个问题打转：

当能力变得越来越便宜、越来越通用，什么东西还稀缺、还立得住？

上半场的答案是模型能力，所以大家挤在软层拼功能。下半场的答案变了：立得住的不再是"你能做什么"，而是**“你懂什么别人不懂、你担了什么别人不敢担、你攒下了什么别人拿不走”**。红海淘汰的是功能的搬运工，蓝海奖赏的是责任的承担者和数据的耕耘者。

这三样东西，恰好就是这个专栏五篇各自的落点：懂（领域深度，是第一篇那 240 倍压缩比里剩下的东西）、担（端到端责任，是第二、四篇里信任的商业形态）、攒（数据飞轮，是第三篇成本坍塌之后唯一还不会贬值的资产）。

所以回到开头那个冷问题——“为什么这么大的机会，别人还没把它做死？”

如果你找到一个方向，它没被做死的唯一原因是"它难、它脏、它慢、它要人担责"，那么恭喜你。那不是别人的疏忽，那是留给愿意吃苦的人的门票。 红海已满，蓝海从来不缺，缺的是愿意跳进冷水里、并且游得够久的人。

下半场见。