应用层上的压力点： 1）模型成本：如果服务于高度复杂的用例，你需要提供最先进的模型（代币价格一直保持稳定），否则你的竞争对手（背后有其他顶级风投支持）就会抢先一步。毛利率翻转？不太确定。 2）模型能力：模型的能力越来越强（参见METR图表）。如果工作流有可能变得无关紧要，为什么还要用工作流来包装认知过程呢？ 是的，分布等因素很重要，但我认识的每个普通人都在某些方面使用人工智能，所以除非他们的雇主禁止他们使用横向模型，否则我保证任何使用纵向人工智能/工作流程产品的人也都会用他们选择的模型尝试同样的提示——如果6个月前它不起作用，那么今天它可能就起作用了。
那么所有应用都注定要失败吗？不。我认为未来能够长久发展的应用是“后拟物化”的，它们首先关注模型的细微之处，然后探索如何创造新的工作流程和体验。