📋 全文总结 本文是MiniMax与华福证券联合举办的“AI超一线：见证Token经济学，模型ToB如何打通最后一公里？”电话会议纪要。会议围绕企业端AI落地现状、Token经济学的可持续性、模型ToB的核心瓶颈以及未来突破方向展开深度讨论。核心结论如下： 1. 当前企业端AI落地的核心矛盾：增本增效但
- 企业为更先进AI系统支付高溢价的意愿正在降低，部分互联网大厂缩减了员工的AI Coding预算。
- 实际情况是，AI在代码编写、财务等多个领域实现了“增本增效”，但未能转化为企业收入增长。AI仍被锁在浅层应用（查数据、写报告、填表）中，未能触及核心业务流程。
- 根本原因在于：SaaS企业为了守住自身流量入口，对AI能力进行了严重阉割——只允许AI做预设的简单步骤，拒绝将底层原子级能力完整开放给AI Agent，导致最前沿的模型在SaaS端被极大限制。
- AI像早期的电力——1880年代电厂建好后头20年用电量极小，直到电动机改造了整个工厂流水线才爆发。当前AI消耗的Token量可能仅是社会全面改造所需量的万分之一。
- 模型能力在过去半年已翻数倍，但ToB场景端没有加速渗透，问题不在模型本身，而在于中间层（SaaS企业）的阻塞。
- 大量SaaS企业正争先恐后做自己的AI Agent，试图守住流量入口，这如同2011-2015年阿里做云OS、百度做百度E、腾讯做Tencent OS一样，最终这些OS全部失败，企业仍在自己擅长的应用领域成功。
- AI Agent本质上是一个操作系统级入口，SaaS企业应重新定位自身为“运行在AI OS之上的应用层”，而非自己做OS。未来的赢家是那些愿意将底层原子级能力（高质量的API、插件、工具）完整开放给AI，让AI能够在任何Agent中无缝调用的SaaS企业。
- AI亲和性包括：让每一个字段、复选框能被AI正确识别和填写；在AI出错时能提供全流程错误反馈；以业务语义而非纯语义相似度组织数据检索（Agentic Search）；让AI知道可按分析师名字、券商名、行业等字段进行精确筛选，而非随机猜测。
- MiniMax的金融实践已验证：将原生金融数据接入Agent后，仅用不到一周时间，就达到了比传统金融SaaS公司耗费长期开发更好的效果。模型本身已具备判断绝大多数收敛性任务的能力（如按规则筛选股票、做敏感性测算），瓶颈在于是否有“人”为模型提供高质量的上下文和业务方向。
- 技术上，AI Agent突破场景卡点可能仅需1-2个月；但围绕AI重新设计生产流水线、改变人的工作流和岗位结构，可能需要数年甚至数十年。
- 在这一过程中，Token消耗量有望增长万倍以上。人不会被替代，而是从“人肉计算器”转变为“上下文提供者、校验者、反馈者”——AI负责收敛性工作，人负责发散性思考和方向把握。测试、AI产品经理等新岗位正在成为最稀缺的工种。
- 关注那些愿意开放底层能力、具备高AI亲和性的SaaS企业；警惕那些死守入口、封闭MCP的SaaS企业。
- 模型的训练正在更多地基于场景数据，开放MCP的SaaS企业将获得模型厂商的定向训练和数据倾斜，先发优势会持续扩大。
- MiniMax Code等AI Agent产品正在成为新一代“操作系统底座”，真正稀缺的是运行在底座之上的高质量应用。
- 第一，Agent本身是一个OS，需要接入的底层原子级能力比SaaS公司想的要多——需要操作电脑能力、操作底层数据库能力、代码能力等。这些能力的开发在SaaS端没有复利：开发了不会让产品比其他家更好，但不开发会比别人更差。这方面的投资现在由模型公司在做，而不是场景端公司。
- 第二，更有行之有效的方式是自己放弃做OS入口，而是做场景端、做应用入口。如果把AI Agent当成操作系统入口，SaaS企业仍然是架构在系统之上的应用层。 真正服务的企业离不开这些应用。但如果企业在传统SaaS和AI之间选择了AI，而SaaS企业没有重新审视定位，那被放弃的是死守入口的那些企业，而不是AI被企业抛弃。