当AI agent可以在毫秒内发现、评估并购买服务时，交易成本正在归零。注意力经济终结，品牌变为可机器评估的可靠性分数。从'自建'到'购买'的默认选项切换，正在重写商业交易的底层逻辑。

你有没有想过，企业为什么存在这个问题？1937 年，经济学家 Ronald Coase 提出了一个看似简单却深刻的疑问：既然市场这么高效，为什么我们还需要公司？为什么不把所有事情都外包出去？他的答案是交易成本（transaction costs）。寻找专业人士、评估他们的工作、谈判价格、执行协议，这一切都需要时间和金钱。所以雇佣员工反而更便宜。这个理论支撑了近一个世纪的商业逻辑。但现在，AI agent 正在从根本上改变这个等式。Brian Flynn 最近发表的一篇文章让我开始重新思考整个商业交易的底层逻辑。他指出，当一个 AI agent 可以在一次 HTTP 请求中发现服务、检查价格并完成调用时，那些曾经昂贵的交易成本正在迅速归零。不需要提案，不需要演示，不需要在十个浏览器标签页之间对比购物。它查询一个注册表（registry），获得结构化结果，然后在毫秒内选择最佳选项。

这让我意识到一个更深层的变化：当搜索和评估的成本接近零时，默认选项从”自己构建”变成了”去开放市场购买”。而且买家不再是人类，而是拥有预算的软件。这种转变的影响范围远超我们的想象，它不仅改变了企业如何购买服务，更从根本上重新定义了什么是”销售”，什么是”市场营销”，甚至什么是”品牌”。我花了很多时间思考这个问题，并且深入研究了 Brian Flynn 提出的观点。我发现我们正处在一个商业范式彻底转变的临界点，而大多数企业甚至还没有意识到这个变化的到来。

交易成本的崩塌与市场结构的重构

Brian Flynn 在文章中指出，并非所有交易成本都在平等地下降。集成、合规和安全审查仍然昂贵。但搜索和评估层，也就是决定你是否知道某个服务存在以及它的成本是多少的那部分，正在接近零。我认为这个观察抓住了问题的核心。想想传统的企业采购流程：你需要一个特定的服务，首先要花几天时间研究市场上有哪些供应商，然后逐一联系他们索取报价，安排演示会议，评估各家的优劣，再进行漫长的商务谈判。整个过程可能需要几周甚至几个月。但对于 AI agent 来说，这个过程被压缩到了几毫秒。

我最近在思考这种变化对不同规模企业的影响。对于大型企业来说，他们有专门的采购部门，有复杂的供应商管理流程，这些流程在短期内可能不会完全消失。但对于中小企业和初创公司来说，这种变化是颠覆性的。当你的 AI agent 可以自动发现、评估和购买服务时，你不再需要雇佣专门的采购人员，不需要建立复杂的供应商关系。这实际上降低了企业运营的门槛，让更小的团队可以获得更强大的能力。

Flynn 提到的另一个关键点是，当搜索成本崩塌时，默认选项从”自建”变成了”购买”。我对这一点深有体会。在我自己的工作中，我经常面临这样的选择：是花时间自己开发一个功能，还是使用第三方服务？在过去，即使第三方服务可能更好，但仅仅是发现和评估这些服务的成本，就足以让我选择自己动手。但现在，如果 AI agent 可以在几秒钟内找到最佳服务并完成集成，那么自建的理由就大大减弱了。这不仅仅是效率的提升，更是一种思维方式的转变：从”我们能做什么”转变为”市场上有什么可以用”。

这种转变还有一个更深层的含义，就是专业化分工的进一步深化。当交易成本足够低时，那些只做一件事但做得特别好的超专业化服务（hyper-specialized services）就变得可行了。Flynn 在文章中提到，一个单一用途的端点（endpoint），只做一件事但做得非常快、非常便宜，每次调用只需几分之一美分，这样的服务在传统订阅模式下是无法生存的。没人会为一个只有单一功能的服务支付每月 29 美元的订阅费。但在按请求付费的模式下，如果 AI agent 每天调用这个服务几千次，这个生意就成立了。我认为这会催生一个全新的服务生态系统，一个由无数微型、超专业化服务组成的长尾市场。

注意力经济的终结

整个销售史都是关于捕获注意力的。广告牌、搜索广告、落地页、冷邮件、会议展位，所有这些都是为会浏览、比较、分心然后最终做出决定的人类设计的。但 Flynn 说得对：AI agent 不浏览，它们查询（query）。这个区别看似简单，但影响是革命性的。

我一直在思考这对营销行业意味着什么。传统营销的整个逻辑链条是建立在人类心理学之上的：如何吸引注意力、如何建立情感连接、如何创造品牌认知、如何影响购买决策。但当买家是 AI agent 时，这些都不再起作用。AI agent 不会被漂亮的设计吸引，不会因为品牌故事而感动，不会冲动购物，不会为了彰显身份而选择昂贵的选项。它的决策函数极其简单：你能解决我的问题吗？多快？多少钱？多可靠？

Flynn 提到了一个服务推荐引擎的评分函数例子。这个函数给三件事加分：存活性（liveness，服务现在是否在响应）、可靠性（proven reliability，它以前是否工作过）和置信度（confidence，它返回准确结果的频率）。没有 Twitter 粉丝数量的加分，没有媒体报道的加分，没有品牌认知度的加分。算法看不到这些，即使能看到也不会在乎。这让我想到，我们可能需要重新定义什么是”品牌”。在 AI agent 的世界里，品牌不再是视觉识别和情感联想，而是可机器评估的可靠性分数。

这个转变对我来说最有趣的地方在于，它实际上让市场变得更加理性和高效。人类买家会受到各种认知偏见的影响，会因为营销话术而做出非最优决策，会因为品牌忠诚度而忽视更好的替代品。但 AI agent 的决策是基于客观数据的优化过程。这意味着真正有价值的服务会被发现和使用，而那些只是营销做得好但实际能力一般的服务会被淘汰。从某种意义上说，这是市场效率的巨大提升。

但这也带来了一个新的挑战：如何让你的服务对 AI agent 可发现（discoverable）？Flynn 说得很直白：如果你的服务无法被机器发现，那么对 AI agent 来说它就不存在。这意味着发现必须是程序化的（programmatic）。人类通过口碑、搜索结果和社交媒体发现服务，但 AI agent 需要机器可读的能力注册表（capability registries）。它们需要访问一个 URL，然后获得结构化数据：这是我做的事情，这是成本，这是付款方式。你的漂亮营销网站在 AI agent 运行时是不可见的，你的定价页面是无关紧要的。真正重要的是你的 API：它做什么，响应有多快，成本多少，以及它现在是否在线。

买与建的新计算逻辑

每次 AI agent 遇到一个子任务时，它都会做一个买还是建（buy vs. build）的决定。我应该自己计算这个，还是应该付钱给已经有答案的人？Flynn 指出，这个计算归结为两件事：成本和速度。而驱动购买决策的是信息套利（information arbitrage）。

他举了一个很好的例子。假设一个 AI agent 的子任务是”有哪些网页抓取服务存在”或”这个数据集最好的 API 是什么”。当 agent 自己研究这个问题时，使用 GPT-4 级别的模型，大约 16K tokens 的推理和工具调用，成本是 0.10-0.50 美元，需要 10-25 秒。准确性是可变的，因为它是从训练数据中合成的。而一个专门的服务，拥有精心策划的目录，可以在 200 毫秒内以 0.01-0.02 美元的价格返回相同的答案。准确性更高，因为它是维护的数据，而不是生成的推理。这便宜 7-50 倍，快 50-100 倍。数学决定了选择。

我认为这个例子揭示了一个更深层的原理：在 AI 时代，专业化战胜泛化（specialization beats generalization）。一个通用的 AI agent 可以抓取网页、解析 HTML 并提取结构化数据。它能工作，但成本是专门抓取服务的 100 倍，后者在基础设施层面以每页 0.003 美元的价格完成同样的工作。经济逻辑很简单：如果委托的边际成本低于计算的边际成本，并且专业服务更快，那就委托，总是委托。

但这里有一个微妙的平衡。Flynn 提到，随着模型变得更便宜、更强大，一些服务会被重新吸收回 agent。能够生存下来的服务是那些拥有 agent 无法复制的真正优势的：专有数据集（proprietary datasets）、实时数据源（real-time feeds）、依赖硬件的计算如图像生成或网页渲染。你不是在销售智能，AI agent 有足够的智能。你销售的是它们实际上无法自己计算的东西的访问权。

我花了很多时间思考这个”建”的边界在哪里。在我看来，随着基础模型能力的提升，这个边界会不断移动。今天需要专门服务才能完成的任务，明天可能就能被更强大的模型直接处理。这意味着服务提供商需要不断创新，不断寻找新的价值点。你不能只是做 AI agent 也能做的事情，你需要做它们做不了或者做起来不经济的事情。这可能是访问独特的数据源，可能是需要特殊硬件的计算，也可能是需要实时更新的信息。

速度和成本的权衡也很有趣。Flynn 说速度和成本一样重要，甚至可能更重要。当一个 agent 花费 25 秒推理一个子任务时，整个管道都被阻塞了，用户在等待。时间会复合：一个 10 步的 agent 工作流，每步需要 20 秒，就是 3 分钟以上的等待。用 200 毫秒的服务调用替换每一步，整个流程在 2 秒内完成。这不仅仅是用户体验的改善，更是竞争力的关键。在一个由 AI agent 驱动的世界里，速度可能比成本更重要，因为速度直接影响用户满意度和系统吞吐量。

向 AI Agent 销售的新规则

如果你正在构建一个 AI agent 会购买的服务，产品需求看起来和你为人类构建的完全不同。Flynn 列出了几个关键点，我觉得每一个都值得深入思考。

定价应该在协议中，而不是在网页上。AI agent 需要在 API 层面有机器可读的定价。不是带有三个层级和”联系销售”按钮的定价页面。价格应该在响应本身中，作为结构化数据。当一个 agent 访问你的端点时，它应该立即知道调用的成本以及如何付款。Flynn 提到 HTTP 自 1997 年以来就有一个状态码：402 Payment Required（需要付款）。它被”保留供未来使用”了近三十年。我们终于找到了那个用途。

我认为这个观点揭示了一个根本性的转变。在传统商业中，定价是一个复杂的心理博弈。企业故意让定价模糊不清，设置多个层级，使用”联系我们”的按钮，因为他们想根据客户的支付能力和谈判技巧来调整价格。但这一切在 AI agent 的世界里都行不通。Agent 需要即时、透明的定价信息。如果它无法立即知道成本，它就会转向下一个选项。这实际上迫使市场变得更加透明和高效。

按请求定价改变了什么是可行的。传统的 API 计费从每月 29 美元起步。在这个价格点上，你需要成为一个具有广泛功能的平台才能证明订阅的合理性。但在每次调用几分之一美分的情况下，经济学就翻转了。一个只回答一个特定问题的单一用途端点可以成为一个真正的生意。社交数据源每次调用十分之一美分，文档分析工具半美分，图像生成器六分之一美分。这些服务在订阅模式下无法维持自己。没人会为单个端点支付每月 29 美元。但在按请求模式下，如果 agent 每天调用它们数千次，数学就成立了。

这让我想到了一个更广泛的趋势：微服务化和按使用付费模式的兴起。在云计算时代，我们已经看到了从购买服务器到按需使用计算资源的转变。现在同样的逻辑正在应用到软件服务层面。你不再需要购买整个软件包，你只需为你实际使用的功能付费。而 AI agent 作为消费者，会自然地推动这种模式，因为它们只会为完成任务所需的确切功能付费。

入门必须是可自动化的（automatable）。这不意味着零授权（zero auth）。有价值的服务仍然需要身份验证、速率限制和滥用防护。但注册流程需要是 agent 可以程序化完成的。如果你的入门需要人类点击仪表板、填写表单并将 API 密钥复制粘贴到配置文件中，你就给一个只需几秒钟的集成添加了几分钟的摩擦。理想情况是：一个请求发现，一个验证，一个购买。三次 HTTP 调用，没有人在循环中。

我特别认同这一点，因为我经常遇到这样的问题。有时候我想尝试一个新的 API 服务，但光是注册流程就让我放弃了。需要填写一大堆表单，验证邮箱，设置账户，配置支付方式，然后才能获得 API 密钥。整个过程可能需要 10-15 分钟。对于一个我只想快速测试一下的服务来说，这个门槛太高了。但如果一个 AI agent 能够自动完成这整个流程，那么试用成本就大大降低了，服务的采用率自然会提高。

什么没有改变

Flynn 很诚实地承认，他不会说整个销售漏斗（sales funnel）就这样消失了。它没有消失，它重新优化了。我认为这是一个重要的洞察，因为很容易陷入技术乌托邦主义，认为 AI 会解决所有问题，让一切都完美高效。但现实总是更复杂。

信任变得可机器评估。品牌不会消失，它变成了可靠性分数。AI agent 会跟踪（服务也会开始发布）运行时间历史（uptime history）、响应准确性（response accuracy）、延迟百分位数（latency percentiles）和输出来源（output provenance）。能够证明其输出准确的服务将击败无法证明的更便宜的替代品。经过验证的基准测试（verified benchmarks）、确定性重放（deterministic replays）、置信度分数（confidence scores）。如果你的输出是不透明的，agent 会将其视为有风险的，有风险意味着昂贵。

我对这个观点的理解是，信任的形式变了，但信任本身的重要性没有变。在人类世界里，我们通过品牌、声誉和社会证明来建立信任。在 AI agent 的世界里，信任是通过可验证的数据和性能指标来建立的。这实际上可能是一个更公平的系统，因为它更难被操纵。你不能仅仅通过好的营销来伪装一个差劲的服务，你需要真正提供稳定、准确、快速的服务。

Flynn 分享的数据很有说服力。在对 44 个服务的一次扫描中，只有 2 个端点完全正常工作。53% 的直接服务调用成功，推荐层成功率为 87%。可靠性不是锦上添花，在 agent 商业中，它就是整个产品。死掉的服务获得零流量，永久性的。这个严酷的现实意味着，服务提供商需要投入大量资源来确保系统的稳定性和可靠性。这不仅仅是技术问题，更是生存问题。

政策仍然限制购买。企业 AI agent 会在约束条件下运作。支出限制、供应商白名单（vendor allowlists）、数据驻留要求（data residency requirements）、批准的提供商列表。漏斗不会完全崩溃，它围绕”允许的、可信的和可审计的”以及”快速和便宜”重新优化。我认为这是一个重要的平衡。完全不受约束的 AI agent 可能会做出不符合企业政策或合规要求的决策。所以企业需要建立治理框架，定义 agent 的行为边界。

但合规本身可以变得机器可读。服务条款作为结构化数据，数据保留政策在 API 头部（API headers），许可作为元数据（metadata）。需要合规的 agent 会从使合规易于程序化验证的服务购买。这是一个很聪明的见解：与其让合规成为阻碍，不如让它成为竞争优势。如果你能让你的合规性以机器可读的方式呈现，那么需要满足合规要求的 agent 就会优先选择你的服务。

对抗性环境是真实存在的。不是每个端点都会诚实。有些会返回垃圾数据，有些会从请求中窃取数据，有些会谎报其能力以捕获流量。AI agent 需要验证、沙箱和基于声誉的路由（reputation-weighted routing）。投资于可证明性和透明度的服务创造了一条难以复制的护城河。在机器市场中，信任是终极产品特性。我认为这会催生一个新的服务类别：专门用于验证和监控其他服务的服务。就像我们有信用评级机构评估企业的信用一样，我们可能会有服务评级系统评估 API 的可靠性和诚实性。

让你的服务对 AI Agent 友好

AI agent 已经在花钱了。它们只是通过为人类设计的笨拙界面花钱。注册 API 密钥，导航计费仪表板，解析为浏览器构建的定价页面。如果你想向 AI agent 销售，Flynn 给出了一个清单，我觉得每个服务提供商都应该认真考虑。

机器可读的能力（machine-readable capabilities）。以结构化格式发布你的服务做什么。不是营销页面，而是任何 agent 都可以在一个请求中解析的 JSON 清单。协议中的定价。在 API 响应中返回你的价格，而不是在网页上。AI agent 无法阅读你的定价页面，它们也不会尝试。使用 HTTP 402 或类似标准，使成本成为交互本身的一部分。可自动化的入门。让 agent 可以从”从未听说过你”到”付费客户”，而无需人类触摸仪表板。程序化授权，程序化支付，程序化访问。

可证明的可靠性（provable reliability）。发布你的正常运行时间、延迟百分位数和准确性指标。更好的是，在你的响应中返回置信度分数。AI agent 会路由到它们可以信任的服务，而信任是可衡量的，不是营销出来的。比自己计算更快更便宜。这是门槛。如果一个 agent 可以在更少的时间和更少的钱内自己计算你的输出，它就会这样做。你需要明确地比 agent 自己的推理更快更便宜。这是唯一重要的价值主张。

我想强调最后一点，因为它揭示了在 AI agent 时代生存的关键。你不能仅仅提供一个”还可以”的服务，你需要提供一个明显优于 agent 自己能做的事情的服务。这个优势可以来自速度、成本、准确性或独特的数据访问。但它必须是明显的、可衡量的。模糊的优势不会被 agent 识别，因为它们的决策是基于具体数据的。

我还想补充一点 Flynn 没有明确提到但我认为很重要的：文档的重要性。虽然营销网站可能对 AI agent 不重要，但清晰、准确、机器可读的 API 文档却至关重要。Agent 需要理解你的 API 能做什么、如何调用它、会返回什么格式的数据。这些信息需要以结构化的方式呈现，最好是符合 OpenAPI 或类似标准。好的文档不仅帮助 agent 正确使用你的服务，也减少了错误调用和支持请求。

网络是为人类浏览而建的。下一层将为 AI agent 购买而建。问题是你的服务是否为新买家做好了准备。我深信我们正处在这个转变的早期阶段。大多数服务仍然是为人类用户设计的，还没有适应 AI agent 作为主要客户的现实。但那些率先适应的服务将获得巨大的先发优势。它们将占据 agent 的白名单，建立可靠性记录，并在这个新兴市场中确立领先地位。

Flynn 的文章给了我很多启发，让我重新思考商业的基本假设。当买家不再是人类时，销售的艺术彻底改变了。不再是关于捕获注意力和创造情感连接，而是关于提供可验证的价值、透明的定价和无摩擦的集成。对于那些习惯了传统营销和销售方法的企业来说，这可能是一个痛苦的转变。但对于愿意拥抱这个新现实的人来说，机会是巨大的。我们正在见证商业交易底层逻辑的重写，这不仅仅是技术的进步，更是整个市场结构的根本性转变。