OpenAI 勝出關鍵：分發策略勝過模型品質

OpenAI 明白一件特別且罕見的事，而它就藏在大家眼前。正如 Peter Drucker 半個世紀前所說：企業的目的就是創造顧客。

OpenAI 不會因為擁有最好的模型、最先進的晶片、最優的成本效益曲線，甚至最好的產品而勝出——儘管我們認為他們確實具備這些優勢。我們認為，OpenAI 會贏，是因為他們太擅長創造新型態的顧客，也因為他們擁有最持久的分發策略。

當我們在 2026 年 9 月寫下這篇文章時，「智慧即服務」（intelligence-as-a-service）產品的排名已經不再是重點。智慧無所不在，任何人都幾乎能做到任何事；但大多數人還沒開始這麼做。能不能喚醒新的行為模式、能不能在分發上勝出，才是真正重要的事。

看好 OpenAI 的理由，可以歸結為以下這個論點：要在 AI 前沿的規模下建立一家永續的企業，你有四個槓桿可以拉動：

創造新型態的行為
分發給大量使用者
用能獲取價值的方式為產品定價
建立高轉換成本

第 4 點基本上行不通。至少在模型層，AI 前沿就像一場「紅皇后賽跑」——你必須拼命奔跑才能留在原地。在不同模型之間切換實在太容易了，甚至可以針對每個任務逐一更換，而且所有人的能力都在不斷進步。

第 3 點是所有人都希望達成的目標。但同樣地，外面的競爭非常激烈，而 OpenAI（以及其他公司）都決心在算力成本的前沿保持領先，並透過規模經濟、垂直整合等策略來壓低 token 成本。無論最後誰能在性價比上領先，反正都會是那個在規模上勝出的人。

這意味著勝負取決於第 1 和第 2 點。我們認為 OpenAI 在第 1 點上明顯是最強的：

在 AI 領域，他們已有充分紀錄證明自己善於發現那些簡單、事後看來理所當然的突破，進而解鎖新型態的消費行為

而在第 2 點上，他們也是最強的：

現在每一家 AI 實驗室都在試圖加速推進分發，而且不侷限於自家產品。要做到這一點有兩種方式：成為平台，或透過合作夥伴。真正以平台的方式去做，長期來看更為理想：營收成長會稍微慢一點，但一旦做到，它會持久得多，也更有價值。

OpenAI 之所以能在第 1 和第 2 點上勝出，背後有一個根本原因：他們擁有最廣泛、最全面的通用智慧之一——不僅體現在模型上，也體現在公司本身與顧客群中。他們接觸到最廣泛的使用者群（橫跨一般消費者、專業消費者與企業），擁有最深度的自我進化技術堆疊（一路延伸到自研晶片），這就是為什麼他們總能持續找到真正有效的新模式與新原語（primitives）。對於如何打造勝出的 AI 平台，他們採取的是長遠眼光，而這套做法正在奏效。

OpenAI 真的很擅長發現「下一個東西」

OpenAI 一開始並不是要成為一家消費型公司。隨著 ChatGPT 的發布，他們有點像是誤打誤撞闖進了這個領域。這是個美麗的意外，因為那一刻正是科技史上的轉捩點之一。如果他們沒有這麼做，世界會截然不同。AI 可能仍被牢牢掌握在實驗室和少數親近客戶手中，進步速度遠遠不及現在，而我們會處在一條「預設封閉」的時間線上，而不是今天這個豐富無限的世界。

Sam Altman 最近分享了一個故事：ChatGPT 發布後的幾週裡，OpenAI 內部多數人的心態是：「嗯，這挺好玩的，但我們大概該去開發一些真正的產品了吧。聊天機器人不可能就是答案吧？」當時正是 Peter Thiel 提醒 Sam：不，這就是答案。你創造了一種新型態的顧客。沒有任何事比這更重要。

而且不只是 ChatGPT：OpenAI 值得肯定的一點是，他們普遍來說都很擅長找到真正重要的突破性模式與原語，並喚醒新型態的使用者行為。Ben Hylak 在前幾天的一篇文章中說得很精闢：「OpenAI 是尋找『下一個東西』的常勝王者（幾乎沒輸過）。它總是比你想像的簡單很多，而且事後看來極其明顯。」GPT 的對話介面、推理、工具調用以及 Computer Use，都是重大的突破，它們簡化並聚焦了技術的發展方向，讓技術變得可用。OpenAI 唯一沒有率先突破的主要領域是程式開發，但他們也順利追趕上了。

他們為什麼這麼厲害？或許在早期，他們就是掌握了某種獨門秘方；沒有人能確切說清楚，是什麼樣的創業能量與魔力造就了這樣的成果。但隨著時間推移，這顯然已成為他們刻意培養出來的一項技能。這裡有三個關鍵要素：

他們的思考與行動方式，就像一家想成為平台的公司。「平台」是個承載許多意涵的詞，我們稍後會詳細討論，但這是一家真心相信使用者很聰明、能在精心設計的框架內自己做選擇的公司。
他們加倍投入技術深度，也就是試圖掌控技術堆疊中的每一層，並持續優化使用者作為建構基礎所需的平台原語。
或許最重要的是，他們擁有驚人的消費者廣度。無論是消費者類型的多元程度，還是橫跨個人生活與工作場景的使用情境，他們依然是領導者。

使用他們的人群廣度，是這裡最被低估的因素。正如 Hylak 簡單指出的：「Computer use」[舉例來說] 是一件非常通用、不具體的事。要把它做得更好，你需要全面提升自己的智慧。跨越許多領域、跨越許多工作流程。人們總是一再低估從特定解決方案走向通用解決方案有多困難。但通常只有當你追求那種通用解決方案時，才會發現那些（事後看來）簡單又明顯、但（作為待解決問題時）卻通用而不具體的東西。

為什麼不是更多公司去追求「通用解決方案」？因為這麼做的成本其實相當高，而且違背了經營一個聚焦型產品組織的大多數最佳實踐。你需要從極大範圍的客戶、行為與操作中收集輸入，讓他們基本上想做什麼就做什麼，才能在某個領域取得通用進展，而不是只在單一產品上取得特定進展。

這意味著，把「通用知識」建構到產品中的能力，其實取決於你的分發策略。這點並不直觀，但非常重要，而 OpenAI 理解這一點。

你要如何在大規模下，為所有人提供「我正好想要的東西」（那可能是非常客製化、具體、又挑剔的需求）？

基本上有三種方式。你可以透過獨立產品來提供，可以透過合作夥伴來提供，或者以平台的形式提供。

獨立產品有一項有利的限制條件：你的產品本質上必須讓使用者「想做什麼就做什麼」（例如向 ChatGPT 提問任何事），因此你是真正在打造完整的顧客體驗——從把產品交到他們手上，到看著他們每天使用。
透過合作夥伴分發的好處在於，合作夥伴能讓你在大量使用情境中迅速觸及廣大受眾。但最終，主導並引導顧客「我想做什麼都行」這種本能的，是合作夥伴。因此長期下來，他們不僅很可能拿走最誘人的利潤，也掌控了使用者最終能做什麼、以及系統能學到什麼。此外，你的客戶甚至可能不知道底層是由你驅動的，所以你無法從他們身上贏得任何信任或好感。
以平台形式分發，意味著人們可以在你之上建構任何他們想要的東西。這很慢，因為你必須從零開始打造所有支援「我想做什麼都行」的新產品。但一旦站穩腳步，它會非常強大，因為即使營收來得較慢或抽成比例較低，你也已經建立起一個關於世界的超強學習迴圈——當使用者運用你的原語與模式時，他們會教你認識這個世界，以及人們到底想從你這裡得到什麼。這不是指「用客戶資料訓練」的那種意義，而是「原語逐漸成為疆域更精準的地圖」的那種意義。

https://x.com/GavinSBaker/status/2100240010695827959

只要時間夠長，產品會來來去去，合作關係會改變，實際收益也可能不如預期。但 OpenAI 一次又一次地回歸初心，執著於打造永續的平台。而他們的做法正在奏效。

真正的平台很罕見，但絕對值得

平台很難打造，也很難想清楚。它們甚至很難定義！

一般來說，我們對平台有個模糊的寬泛概念：「平台讓人們能針對自己的特定需求打造東西。」

在軟體領域，有幾種方式可以做到這一點。十九年前，Marc 寫了一篇名為〈Three kinds of platforms you meet on the internet〉（你在網路上會遇到的三種平台）的文章，至今仍然實用。Marc 的定義是：「『平台』是一個可以被外部開發者（也就是使用者）編程並客製化的系統，藉此適應無數平台原始開發者根本想不到、更沒時間去滿足的需求與利基市場。」

這「三種類型」對應了三種不同的電腦配置方式，讓使用者能得到自己想要的客製化結果。從第 1 類往上到第 3 類，建構難度逐步提升，但它們所能解鎖的行為與建構能力也越來越神奇。

第 1 類就是我們今天所說的「Headless」——透過 API 讓使用者存取有用的東西（像當年的 Flickr，甚至某些如 Stripe 一樣有價值的公司也可歸入此類。）
第 2 類使用的是所謂的「外掛」：例如早期的 Facebook 平台，或今天大多數的 Shopify 或 HubSpot 應用程式。你有一個核心服務滿足使用者前 80% 的需求，然後有運行在自己伺服器上的客製化應用程式（可能透過某種應用程式商店管理），為使用者提供他們想要的客製化體驗。
第 3 類是關鍵：它是一個真正的執行環境（runtime environment），人們可以在上面編程創造任何想要的東西。這類平台真的、真的很難打造，但一旦成功就是真正的魔法。iOS、AWS、Ethereum，以及近期的 Cloudflare 都是例子。

今天 AI 有趣的地方在於，從某種意義上說，所有模型公司和推論服務供應商都可以聲稱自己在貢獻「第 3 類平台」的工作。（模型本身就是一種執行環境，透過自訂指令來提示！）但單靠模型無法解鎖新行為，也不具備那麼強的護城河。就像我們在程式開發領域看到的，周邊框架（harness）同樣重要；在這裡真正關鍵的，是由限制條件與原語構成的上層結構。我們會給你一個理論上和實務上的理由。

理論上的理由是：如果你想發現那些事後看來理所當然、卻真正重要的模式與原語，你就需要盡可能廣泛地接觸使用者的各種用法、隱性知識與試錯過程，這樣你才能從特定產品（局部突破）演化為通用產品（全局突破）。而最純粹的做法就是讓他們為自己想做的事撰寫任意指令（也就是程式碼）。要把安全性、存取權限、資料結構與限制條件都做好，是一項龐大的工程，「產品導向」的公司往往難以優先處理；只有真正全心投入的人，才能抵達應許之地。

而就目前的 AI 而言，實務上的理由是：Agent 要有用，就必須會寫程式。這或許不太直觀，但卻是我們過去一年學到的事。儘管 AI 模型在寫程式方面表現驚人，但在日常知識工作中調用工具、執行指令時卻出奇地差勁——除非你反過來告訴它：「寫一支程式來完成這些任務」，這時它們就表現得非常好。目前企業導入 AI 的一個開放性問題是：「人們和組織要如何安全地支援這種做法？」而你大概應該押注在那些具備平台思維的人身上，他們才最有可能做對。

目前最大的開放性問題之一，是在 AI 堆疊的各個層級中，會出現什麼樣的網路效應、轉換成本與其他護城河。到目前為止，模型層的替代性依然高得令人吃驚。大家普遍認為「多人模式」（例如在專案上協作、Agent 獲得朋友 Agent 的信任）具備一些有利於商業模式防禦性的要素，但它尚未真正影響到我們在 token 消耗上所看到的那場「用量上升、成本下降」的全面混戰。真正重要的首要問題不是「你的模型有沒有黏著度」，而是「你有沒有創造新行為？」正如 Steve Hou 的精闢說法：「真正重要的彈性，不是模型之間的替代彈性，而是 AI 總體需求的彈性。」

類比歷史從來不會完美，但如果過去四年的 AI 發展有任何啟示，那麼下一波重大突破——讓一般人也能使用具防禦性、多人協作的 AI——將會來自那些頓悟時刻：當我們找到智慧模型、運算原語與行為模式的最佳分層方式時，某種簡單又明顯的東西就會浮現。它可能來自把模型公司當作平台來建構的新創公司；也可能來自模型公司本身。無論如何，OpenAI 顯然希望成為背後的驅動力，並把它交付給使用者。

在豐饒的世界裡，因果關係是反過來的

舊習慣很難改。用一般分析 AI 前沿實驗室這家企業的方式，你可能會看各種顯而易見的指標來評估競爭優勢：誰的模型最好？誰的晶片最強？誰的性價比最高？誰的產品最棒？

這些當然都還是很重要。但在一個智慧隨處可得、按需供應的世界裡，如果我們認為擁有上述一切就等於勝出，那大概是把因果關係搞反了。我們認為，在未來，OpenAI 會擁有最好的模型、晶片與產品，是因為他們有最好的分發能力，而不是反過來。到目前為止，他們在確保足夠算力、高效訓練模型、開發 Jalapeno 這款優化晶片，以及其他能在眾多 AI 選項中創造競爭差異的實務工作上，都做出了很棒的決策。但在未來，我們認為他們會持續勝出，因為他們將始終站在收集世界資訊的最前沿——從他們自己 newly awakened（剛被喚醒）的使用者身上獲取資訊，並由此不斷自我進化。