撰文：Yokiiiya
我之前发过一个视频，标题是《元宝如果可以发红包，那才是真正的 AgentFi》。最近，AI 红包大战真的来了。但说实话，我并没有想象中的兴奋，反而有一点难过。这和我设想中可以说几乎毫无关系。
当时我设想的场景，其实非常具体：不是平台为了拉新而发红包，而是一个作为 Agent 的「元宝」，能够理解我的目标、我的约束，并在我授权的前提下，为我制定的人、在合适的时间、发出指定金额的红包。
那种「发钱」，不是营销动作，而是一次被理解、被授权、被精确执行的系统行为。
所以，当最近 AI 红包大战真的来了的时候，我的第一反应并不是兴奋，而是有一点难过。不是因为红包不够多，也不是因为发得不够快，而是因为这件事，和我当初设想的那种「Agent 在发钱」，几乎毫无关系。现实中的 AI 红包，更像是一次熟悉的技术换壳：模型变了，入口变了，但问题框架没变。钱依然是平台在发，逻辑依然是补贴、拉新、裂变和占位。
而我原本期待的，是另一种完全不同的事情：钱是被 Agent 调度的，动作是为某个具体目标服务的，发钱本身，是系统理解之后的结果，而不是增长手段。
正是这种落差，让我意识到：我们讨论的，可能并不是「AI 会不会发红包」，而是——我们到底在用什么方式理解 AI。
一、AI 红包大战的「熟悉感」
这种熟悉感，其实不只是来自红包本身，而是来自它背后那套我们已经非常熟悉的叙事方式。红包、补贴、免费额度、邀请返现、裂变拉新。不同公司的 AI 产品，用着几乎同样的方式争夺用户注意力。各个微信群里，也很快就被「元宝派红包」的链接刷满了。这一幕并不陌生。
十年前是打车软件，后来是外卖、电商、社区团购；再后来是内容平台、教育、SaaS。几乎每一次新技术真正走向规模化之前，都会经历这样一轮「补贴期」。
这套方法论曾经非常有效，也确实推动过多个行业完成早期扩张。AI 只是最新被套用这套模板的对象。从表面看，一切都很合理：模型能力差距还没有被彻底拉开，产品体验也高度接近，用价格和补贴争夺用户，几乎是最直接、也最稳妥的选择。但让我真正停下来思考的，其实是另一件更底层的事情：AI 被放进了哪一套问题框架里？我们到底是在把它当成什么来理解？
如果你仔细观察，会发现现在关于 AI 的讨论，正在慢慢分化。有一类叙事，把 AI 当作一种更强大的工具或产品。核心问题很清晰：体验好不好、能力强不强、用户多不多，以及，能不能更快进入主流使用场景。在这套叙事里，红包是一种非常自然、也非常顺手的工具。
但与此同时，另一类叙事正在悄悄出现。它们关注的，已经不只是「有多少人在用 AI」，而是：AI 在整个系统里的位置，是不是正在发生变化。在这种理解里，AI 不再只是被人使用的对象，而是开始被假设为可以被调用、协作、分工的参与者。当问题被这样重新定义之后，讨论的重心也就跟着变了：从增长，转向结构；从流量，转向规则；从补贴，转向结算与秩序。
并不是地理意义上的差异，也不完全是技术路线的分歧。更准确地说，这是不同创业者，对「AI 到底在解决什么问题」的理解差异。
有人觉得，AI 需要先被尽可能多的人用起来；也有人觉得，AI 更重要的是先在系统层面被安放到一个合适的位置。这两种选择，本身并没有绝对的对错。它们回应的，是不同阶段、不同目标下的现实约束。但当我看到 AI 再次被拉回到熟悉的红包叙事中时，那种难过，正是来自于这种对照。不是因为这条路是错的，而是因为它提醒我：我们可能正在用一套已经非常成熟的答案，去回应一个正在变化的问题。我在意的从来不是「谁在发红包」，而是钱是不是被 Agent 按目标调度的。
二、红包解决的是增长问题，但不一定是 AI 的核心问题
先说清楚一件事：AI 红包大战本身，并不奇怪。红包、补贴、免费额度，一直都是非常成熟的增长工具。它们解决的，是几个非常明确的问题：让更多人愿意第一次使用，让用户形成短期使用习惯，在多个能力接近的产品中，尽快占据默认选择权。
如果你把 AI 当作一个面向人的工具型产品，这套逻辑几乎是必然的。但问题不在于红包「有没有用」，而在于：它默认回答的是哪一类问题。红包擅长解决的是——人如何开始使用 AI。但它几乎无法回答的是——AI 之后会如何被真正使用。
当 AI 越来越多地被嵌入到系统里、流程里，被调用、被组合、被协作，使用者不再只是人，而可能是另一个 Agent 或一套自动化逻辑时，红包能发挥作用的空间，其实是在变小的。这并不意味着红包是错误的选择，
当我们持续用这套增长叙事去理解 AI 时，一个微妙的错位就会出现。我们会越来越擅长讨论：哪家模型更好用、哪家更便宜、哪家补贴更狠；却越来越少去追问：当 AI 被真正嵌入系统、流程和协作关系中时，它们之间的分工、责任和价值该如何被定义。这些问题，在早期看起来并不紧急。但一旦 AI 的使用开始脱离「个人体验」，它们就不会随着用户规模扩大而自动消失。相反，它们往往是在规模出现之后，才真正暴露出来。红包是平台行为，结算是系统行为。
三、转折点：当 AI 的主要使用者不再只是人
如果说前两部分讨论的是叙事上的选择，那么真正的转折点，其实来自一个已经在发生的变化：AI 的主要使用者，正在不再只是人。越来越多的 AI，并不是被某一个具体的用户「打开」和「使用」，而是被嵌入到系统和流程中，在后台被自动调用。它们出现在审批链路里、交易系统里、风控和客服流程中，也出现在内容生产、投研分析和自动化运维的每一个节点上。在这些场景里，AI 的「用户」往往并不是人，而是另一个 Agent，或者是一整套自动化逻辑。
当使用者发生变化时，一些原本被默认成立的假设，也开始变得不再稳固。我们习惯用体验、情绪和使用习惯来解释为什么一个人会持续使用某个产品，但这些因素对一个 Agent 几乎没有意义。一个 Agent 不会因为红包而产生好感，也不会因为补贴而形成忠诚，它只关心几件非常冷静的事情：能不能被稳定调用，输出是否可预期，成本和收益是否清晰。当 AI 的调用越来越多地发生在机器之间时，那套围绕「人」的增长叙事，就开始逐渐失去抓手。
这种变化在多 Agent 协作的场景中会被进一步放大。当多个 AI 同时参与同一条业务链路时，问题不再只是「好不好用」，而是变成了一组更难回避的问题：谁完成了哪一部分工作，谁对最终结果负责，各自创造了多少价值，如果出现偏差或错误，又该由谁来承担后果。这些问题在「一个人用一个 AI」的阶段并不突出，但一旦进入多 Agent 协作，它们就会迅速变成系统能否长期运转的关键。
更重要的是，这类问题并不会随着模型能力的提升而自然消失。恰恰相反，模型越强、协作越复杂，这些问题就越难被模糊处理。也正是在这个意义上，AI 正在从一个单纯的「工具问题」，慢慢转变为一个「秩序问题」。不再只是它能不能帮我把事情做好，而是当它和其他 AI 一起工作时，这个系统还能不能被理解、被管理、被结算。
当我们把视角放到这里，前面提到的叙事分化，也就变得更加清晰了。有的创业者仍然在解决「如何让更多人开始用 AI」的问题，而另一些创业者已经开始尝试回答另一个更慢、更底层的问题：当 AI 彼此协作、彼此调用时，整个系统应该如何运转。这并不是一个更热闹的问题，但它很可能决定了，当 AI 真正走入系统深处之后，我们是否仍然能够对它保持掌控。
四、新叙事出现：当 AI 协作开始需要被「结算」和「确认」
当 AI 的使用从「人与模型的交互」，逐渐转向「系统中多个 Agent 的协作」时，一类此前并不显眼的问题开始浮现出来：系统是否真的知道这些协作是如何发生的。
在多 Agent 同时参与的系统里，有的 Agent 负责拆解任务，有的负责执行，有的负责校验结果。如果系统无法确认每一步是谁完成的、在什么条件下触发、对最终结果产生了什么影响，那么协作本身就会变成黑箱。
在以「人」为中心的产品阶段，这种模糊性并不致命。一个人使用一个 AI，体验好不好、结果准不准，大多可以通过主观反馈来判断。
但当 AI 开始彼此协作、并嵌入到系统和流程中时，这种不透明就会迅速累积成结构性风险。也正是在这样的背景下，一批项目开始从不同切面切入，尝试为 AI 协作补上长期缺失的两件事：确认（谁做了什么），以及 结算（价值如何分配）。它们的技术路线不同，切入点也不一致，但回答的其实是同一类问题：当 AI 不再只是工具，而是系统中的参与者时，这套系统是否具备最基本的可理解性与可持续性。
下面这几家公司，分别代表了四种不同的解法。
把 Autonolas、Bittensor、Fetch.ai 和 Kite AI 放在一起看，会发现一件很清晰的事情：它们并不在同一条产品赛道上，也几乎不存在直接竞争关系，但它们都在各自的位置上，认真回答着同一个问题的不同侧面。
-
Autonolas 关注的是：多个 Agent 是否真的能够围绕任务形成长期、可复用的协作关系。它优先解决的是协作结构能不能成立、能不能持续运行。
-
Bittensor 关心的是：当多个模型或 Agent 同时参与产出时，系统是否有能力区分不同参与者的边际贡献，并据此完成价值分配。
-
Fetch.ai 把重点放在决策层面：当 Agent 参与真实系统运作时，身份、权限和责任边界是否足够清晰，决策结果是否可以被追溯和归因。
-
Kite AI 则试图把问题再往前推一步：如果协作过程本身不可被确认，那么无论是激励还是结算，其实都缺乏坚实基础。
这几条路径切入点不同，但共同指向一个正在发生的变化：AI 正在从「被人使用的工具」，转变为「参与系统运作的主体」。而一旦主体发生变化，系统所依赖的基础能力也会随之改变。红包、补贴和增长手段依然重要，它们解决的是「人如何开始使用 AI」的问题；但当 AI 开始彼此协作、开始嵌入流程与系统时，真正决定系统上限的，已经变成了更具体、也更底层的事情：
-
协作是否真的发生过（Autonolas 关心的）
-
贡献是否能够被区分和定价（Bittensor 关心的）
-
决策是否有清晰的责任边界（Fetch.ai 关心的）
-
协作过程是否具备可确认、可结算的基础（Kite AI 试图回答的）
这并不是某一家公司的选择，而是一组问题在同一时间被不同团队分别击中的结果。这，才是新叙事出现的真正原因。
五、结语：不是红包错了，而是问题变了
回到最开始那场 AI 红包大战。它并不荒谬，也不落后。相反，它非常成熟，甚至可以说，是过去十几年里被反复验证过的最优解之一。
当一项新技术需要尽快进入大众视野、形成使用习惯、争夺默认选择权时，红包、补贴、免费额度，确实是效率最高的工具。它们解决的是一个清晰的问题：如何让「人」开始使用 AI。但让我感到犹豫、甚至有点难过的，并不是红包本身，而是我们是否正在用一套已经非常熟练的答案，去回应一个正在发生变化的问题。
因为在另一条不那么热闹的路径上，AI 已经开始以一种不同的方式被理解。它不再只是被人调用的工具，而是在系统中被假设为可以协作、分工、决策、并长期参与运作的主体。当 AI 开始彼此协作时，系统真正需要回答的，就不再是「用户来没来」，而是：协作是否发生过，贡献来自哪里，责任是否清晰，价值是否真的被结算过。
这些问题无法通过红包解决，也很难通过补贴绕开。它们更慢、更底层，也更不讨好市场，但却直接决定了多 Agent 系统是否具备长期运行的可能性。从这个角度看，新叙事并不是对旧叙事的否定。
红包依然是旧世界里的最优解，但当 AI 开始进入系统深处、开始彼此协作时，真正决定未来走向的，已经不再是补贴力度，而是规则是否成立，结构是否清晰，结算是否可信。也许正因为如此，当我看到 AI 再次被拉回到熟悉的红包叙事中时，才会感到一丝失落。
不是因为这条路是错的，而是因为它提醒我：我们已经站在一个需要换问题，而不仅仅是换答案的节点上。当钱仍然只是平台在发，AI 还停留在工具阶段；当钱开始被 Agent 调度，AI 才真正进入系统时代。
——而这，可能才是 AI 时代真正开始的地方。
