Ang AI Agent Economy ay Tinatapos ang Modelo ng Libreng Lunch ng Internet

Noong Abril 29, 2026, sinabi ni Andrej Karpathy sa isang panel discussion sa Red杉 AI Ascent na dumadaloy na ang isang bagong ekonomiya na nakatuon sa agent-native; ang lahat ng software, dokumento, at proseso na isinulat para sa tao ay kailangang isulat muli bilang “para sa Agent.” Tinalakay niya ang pagpapalit ng teknikal sa supply side, ngunit iniwan ang isang tanong na hindi sagutin: Kung lahat ay kailangang isulat muli, sino ang magbabayad para dito, at paano masasagot ang value?

Ang paksang pang-ekonomiya ng mga agent ay nagsisimula sa tanong na ito. Ang unang artikulo, "Sa Krusdakong Pagbabago ng AI: Bakit Mahirap Magtagumpay ang Advertising at Subscription Bilang Magkahihiwalay?", ay tumatalakay kung paano mapapalitan ang AI, at ang konklusyon ay na ang advertising at subscription ay mahirap magtagumpay nang hiwalay, kaya ang pagkakaroon ng kita ay umiikot mula sa "pagbebenta ng entry point" patungo sa "pagbebenta ng resulta." Ang artikulong ito ay haharapin ang susunod na antas: Bakit kailangang magbago ang business model? Ang sagot ay dapat hanapin sa istruktura ng gastos—ang karanasan ng internet na "halos walang dagdag na gastos sa paglilingkod sa karagdagang user" ay nagsisimulang mawala, at ang paraan ng paghahati ng kita na itinayo batay sa karanasang ito ay nasa panahon na para muling kalkulahin. Sa nakaraang dalawampung taon, ang pinakamahalagang paniniwala ng mga kompanya ng internet ay: mas maraming user, mas mababang gastos, mas malaking kita.

Ang mga search engine, social media, short-form video, content platforms, at e-commerce platforms ay batay sa iisang parehong priyoridad: pagkatapos makabuo ng imprastruktura, ang marginal cost ng paglilingkod sa isang karagdagang user, pagpapakita ng isang karagdagang pahina, o pagpapadala ng isang karagdagang kontento ay halos sero. Ang tunay na hadlang ng mga internet company ay kadalasan ay hindi “kung bawat serbisyo ay nagdudulot ng pagkawala,” kundi kung makakakuha sila ng sapat na oras ng user, data, mga advertiser, at mga transaksyonal na escenario.

Ang mga ad ay naging isa sa mga pinakamahalagang business model sa internet sa ilalim ng mga kondisyong ito.

Dahil maaaring ibahagi ang mga nilalaman at pahina sa halos walang gastos, maaari ng platform na hiwalayin ang paghahanap, pag-browse, pag-click, pagpapahinga, at path ng pagbili ng mga user bilang mga posisyon ng advertisement na maaaring ibenta. Mas mahaba ang user journey, mas marami ang mga puntos ng komersyal na maaaring i-implant; mas matagal ang paghahambing ng user, mas mataas ang halaga ng advertisement, recommendation, brand content, at pagkakasunod-sunod ng paghahanap.

Ngunit ang AI Agent ay nagpapalabo sa paniniwala na ito.

Hindi ang AI Agent ay simpleng nagpapadala ng mga umiiral na impormasyon, kundi nagpapatupad ng mga gawain para sa user. Bawat usapan, bawat pag-iisip, bawat pagbasa ng file, bawat pagtawag ng tool, at bawat pag-verify ng resulta, may kasamang tunay na GPU computing power, pagkonsumo ng kuryente, pagkabagsak ng chip, at gastos sa system scheduling.

Mas mahalaga pa, ang AI ay hindi lamang nagbago ng cost structure ng mga internet company, kundi nagbago rin ng user journey kung saan nakabatay ang advertising. Noong nakaraan, kailangan ng mga user na maghanap at mag-compare sa maraming pahina, platform, at brand; sa hinaharap, maaaring ipagkaloob na lang ng mga user ang kanilang pangangailangan sa isang Agent, na maghahanap, magpapasya, mag-order, mag-book, o kaya'y kumpletuhin ang transaksyon.

Ibig sabihin nito, ang libreng mga user sa panahon ng AI Agent ay maaaring mawawalan ng pera sa bawat serbisyo, at mawawalan din ng bahagi ng mahabang proseso ang tradisyonal na advertising na kung saan ito ay nakabatay sa pagkakaroon ng kita.

Kung ang susi salita ng internet economy ay "traffic", ang susi salita ng AI Agent economy ay "task". Ang traffic ay maaaring ma-distribute nang mura, ngunit ang task ay kailangang talagang maisagawa. Noong nakaraan, binenta ng advertising ang atensyon ng user kung saan ito dumaan, ngunit sa panahon ng AI, mas mahalaga ang tanong: Sino ang nag-uunawa sa task, sino ang nag-ayos nito, sino ang nagtatapos nito, at aling mga brand ang makakapasok sa candidate list at batayan ng desisyon ng Agent?

Kaya ang ekonomiya ng AI Agent ay hindi natural na pagpapalawig ng business model ng internet, kundi isang reverse correction sa mito ng paglago ng internet at ang lohika ng advertising.

Ang pundasyonal na lohika ng negosyo sa internet (kabilang ang software) ay maaaring maunawaan gamit ang pinakabase na pormula sa ekonomiks:

TC = FC + MC × Q (Kabuuang gastos = Fixed cost + Marginal cost ×产量)

Sa panahon ng tradisyonal na internet, kahit ano man ang pagbuo ng isang App, pagsulat ng isang artikulo, o pag-recording ng isang video, ang pangunahing gastos ay nakatuon sa unang yugto ng pag-aaral at paggawa, o ang mataas na fixed cost (FC). Gayunpaman, matapos ma-launch ang produkto, ang dagdag na gastos sa server at bandwidth para sa unang user o sa isang milyong user ay kadalasang sobrang maliit, at ang MC ay malapit sa 0.

Ang napakababang marginal cost na ito ay nagbibigay sa kaugnay na business model ng malakas na scale effect. Ang pangunahing katangian ng digital na produkto ay ang kakayahang i-replicate nang walang hanggan at ang cost ng pag-replicate ay halos sero. Pagkatapos matapos ang pagbuo ng software at ma-deploy ang server, ang marginal cost ng pagdaragdag ng isang user ay halos walang halaga—tanging ilang KB ng storage space at ilang KB ng bandwidth ang karagdagang ginagamit.

Ang tampok na ito ay nagpapadali sa pagbuo ng scale advantage sa platform economy: sino man ang una mong makakamit ang critical mass, mas mataas ang proporsyon ng karagdagang kita na maaaring isalin sa kita, na nagbuo ng malakas na operating leverage.

Sa batayang ito, ang internet ay nag-evolve sa tatlong klasikong business model.

Subscription model: Ang pagkopya ng software ay may sobrang mababang gastos, kaya ang pagdami ng mga user sa subscription ay direktang tumutugon sa pagdami ng kita. Ito ang dahilan kung bakit patuloy na handa ang mga merkado ng kapital na magbigay ng mas mataas na valuation sa mga SaaS company: matapos ang breakeven point, ang pagdami ng kita ay karaniwang mas mabilis kaysa sa pagdami ng kita.

Commission model: Magtatayo ng infrastruktura para sa pag-trade, pagbabayad, at pagpapatupad, at kumukuha ng patatag na komisyon sa bawat dagdag na transaksyon.

Modelo ng pag-advertise: Libreng serbisyo upang tarhain ang malaking bilang ng mga user, at ibenta ang atensyon bilang isang bundle sa mga advertiser. Bilang halimbawa ng search advertising, pagkatapos ma-deploy ang search algorithm at advertising system, ang dagdag na gastos sa server bawat dagdag na search request ay relatibong limitado, habang bawat dagdag na pag-click sa advertisement ay nangangahulugan ng dagdag na kita.

Ang pagkakaroon ng isang matatag na advertising model ay hindi lamang dahil sa malaking bilang ng mga user, kundi dahil sa matagal na user journey. Mula sa pagkakaroon ng pangangailangan hanggang sa pagkumpleto ng pagbili, karaniwang dumadaan ang isang user sa maraming hakbang tulad ng paghahanap, pag-browse, paghahambing, pag-save, pagtanong, pag-transfer, at pag-order. Maaaring mag-advertise ang platform sa mga resulta ng paghahanap, mag-“seed” sa feed, pahusayin ang conversion sa detail page, at patuloy na impluwensyahan ang desisyon ng user sa re-marketing stage. Ang halaga ng advertising ay nagmumula sa paulit-ulit na pag-intervene sa user journey.

Hindi dapat tanggungin ng platform ang buong gastos ng bawat desisyon ng user. Ang search engine ay nagdadala ng user sa isang webpage, ang social media platform ay nagdadala ng user sa isang brand account, ang short video platform ay nagdadala ng user sa isang live stream, at ang e-commerce platform ay nagdadala ng user sa isang product page. Mas maraming ginagawa ang platform sa “pagsasama-sama ng impormasyon at atensyon.”

Ang internet ay nagpapadala ng mga umiiral na impormasyon, habang ang AI ay gumagawa ng impormasyon sa real-time. Ang pagbabagong ito mula sa “pagkopya” patungo sa “pagbuo” ay nagdudulot ng ganap na iba’t ibang istruktura ng gastos at negosyong lohika.

Una, ang gastos sa AI reasoning ay malinaw, at ang marginal cost ng paggamit ng AI ay显著 mas malaki kaysa sa zero (MC > 0).

Sa bawat input/output ng isang Token sa malaking modelo, ang GPU ay nagpapatakbo nang mabilis, na nagdadala ng tunay na pagkawala ng kuryente at pagkabagsak ng chip. Mas malaki ang mga parameter ng modelo, mas mahaba ang konteksto, at mas kumplikado ang gawain, mas mataas ang gastos sa isang pagkakataon na pag-iisip. Ang gastos sa isang simpleng tanong-sagot, isang Deep Research, isang pagbuo ng code, at isang cross-software operation ay maaaring magkaiba ng maraming beses—kahit hanggang daan-daang beses. Ang ekonomiya ng AI Agent ay hindi lamang may non-zero marginal cost, kundi ang marginal cost mismo ay mataas na heterogenous.

Bagaman ang presyo ng isang Token ay bumababa nang mabilis, hindi ito nangangahulugan na ang marginal cost ay magpapatuloy na magiging malapit sa zero: kasabay ng pagpapabuti ng kakayahan ng Agent, ang dami ng Token na ginagamit sa isang task ay umuusbong mula sa mga sandaanan patungo sa mga libo-libo—ang pagpaplano, paggamit ng mga tool, pagbasa ng mga file, self-validation, at pagsubok muli pagkatapos ng pagkabigo ay nagdudulot ng malaking computational power. Ang bawat Token ay deflasyonaryo, samantalang ang bawat task ay inflasyonaryo; ang pagkakaiba ng dalawang kurba ay bumubuo sa puso ng AI economics: mas mura ang Token, mas maraming tao ang magiging mas mapagpasya na ipagawa sa AI ang mas malalaking gawain, ngunit ang kabuuang tantiya ay mas malaki—ito ang tawag na “Jevons Paradox” sa larangan ng AI.

Hindi isang direksyonal na pagbaba ang pagbaba ng presyo ng isang token. Ayon sa mga estadistika ng Morgan Stanley, ang average na presyo ng API output ng lokal na malalaking modelo noong ikalawang kuartal ng 2026 ay tumataas ng halos 80% kumpara sa unang kuartal ng 2025, at ang industriya ay umiiwas sa pakikidigma sa presyo patungo sa pagtatakda ng presyo batay sa halaga. Ang presyo mismo ay nagsisikat na magkakaibang antas: ang mga komersyalisadong modelo ay patuloy na bumababa, habang ang mga nangungunang modelo ay umuunlad pabalik. Ang mga nangungunang智能化 ay tinatatakdaan ang presyo batay sa halaga, at ang kanilang gastos ay hindi bumababa kasama ang komersyalisasyon.

Kahit na maaaring bawasan ang unit cost sa pamamagitan ng batch processing, GPU utilization, KV cache, self-built inference clusters, at in-house chip development, ang pagbaba ng marginal cost ay mas maliit kaysa sa internet economy, at maaaring balansehin ng paglalalim ng paggamit. Ito ang dahilan kung bakit agad na ipinakilala ni ChatGPT ang paid subscription version pagkatapos ng biglaang pagtaas ng bilang ng mga user.

Sambil noon, ang mga fixed cost ay naging “perpetual” mula sa “one-time”. Ang mga gastos sa pagtatrain ay hindi na isang one-time fixed investment, kundi isang perpetual capital expenditure na kailangang i-iterate bawat kalahating taon hanggang isang taon para sa susunod na henerasyon ng model. Ang malalaking model ay naging “perishable asset” na may “shelf life” ng 6-12 buwan—kung hindi mo ito i-retrain, mabilis itong mawawala sa pagkakasunod-sunod, at ang isang pagtatrain ay maaaring magkakahalaga ng ilang milyon hanggang bilyon dolyar. Bilang halimbawa, ang OpenAI ay may kita ng $13.07 bilyon noong 2025, na may gross margin na humigit-kumulang 43% (ang pagsusuri na ito ay nagtatanggal lamang ng inference compute, habang ang pinakamahal na training compute ay nakalista bilang R&D expense), ngunit ang kanilang R&D expense ay umabot sa $19.18 bilyon, kung saan ang halos $10.6 bilyon ay ginastos para sa training compute mula sa Microsoft, na ang pangunahing dahilan ng kanilang pagkawala.

Kaya ang ekonomiya ng AI Agent ay may mga sumusunod na katangian: ang cost ng pag-iisip (variable cost) ay tumataas nang linyar kasabay ng paggamit, at napakadiversidad; ang infrastraktura at gastos sa tao (semi-fixed cost) ay tumataas nang “step-wise” kasabay ng laki ng user — kapag lumampas ang bilang ng mga user sa isang tiyak na threshold, kailangan magdagdag ng isang bagong hanay ng GPU server; samantala, ang gastos sa pag-aaral (o cost ng pag-train ng model) ay napakalaki. Ang mga gastos na ito ay nagkakalat na nagkakalat, kaya ang mga AI company ay palaging nasa track ng pag-reinvest ng lahat ng kita — walang “sweet spot” tulad ng internet kung saan ang kita ay tumataas nang eksponensyal pagkatapos makarating sa breakeven point.

Ang logika ng gastos na ito ay nagbago rin sa pinagmumulan ng competitive advantage ng industriya: ang pangunahing hadlang sa internet ay ang network effect, kung saan mas maraming user, mas masisigla ang produkto; ngunit ang hadlang sa Agent ay nagbabago, mula sa network effect ng relationship chain patungo sa data flywheel at switching cost. Ang bagong hadlang ay nagmumula sa nakapipigil na konteksto — ang memorya, pagkukulang, mga file, workflow, at mga pinapahintulutang data ng user. Mas matagal itong gamitin, mas mataas ang pagkakatugma ng Agent sa user, at mas malaki ang gastos sa paglipat sa ibang serbisyo. Ang internet ay nag-iisip sa relationship chain ng user, habang ang Agent ay nag-iisip sa work context ng user. Ito ang pangunahing dahilan kung bakit ang industriya ay agresibong nagpapalaganap sa entry points: hindi lang sila naglalaban para sa traffic, kundi para sa orihinal na pagkumpuni ng konteksto.

Malinaw na kailangan nating gamitin ang ibang lohika upang tingnan ang ekonomiya ng AI Agent: ang mga platform ng internet ay naglalaban para sa "entry point ng user," habang ang mga platform ng AI Agent ay naglalaban para sa "entry point ng task."

Kung ang pangunahing yunit ng internet economy ay ang "exposure/click", ang pangunahing yunit ng AI Agent economy ay ang "task". Ang click ay nagpapakita lamang na pumasok ang user sa isang pahina, habang ang task ay nagpapakita na ibinigay ng user ang isang layunin sa AI para maisagawa — kailangan ng Agent na maintindihan ang layunin, hatiin ang task, gamitin ang mga tool, basahin ang mga file, i-operate ang software, ulitin ang pag-verify ng resulta, at kung kinakailangan, humingi ng pahintulot mula sa user. Ito ay nagiging dahilan kung bakit mas malapit sa "digital employee" ang cost structure ng AI Agent kaysa sa "digital media".

Kahit na dati ay binuksan ng mga user ang search engine upang tanungin, “Sino ang pinakamahusay na kontraktor ng gusali?”, at ang search engine ay nagbabalik ng mga webpage, ad, at mga resulta ng mapa; ngayon, maaaring sabihin ng user nang direkta sa Agent: “Tulongan mo akong piliin ang tatlong kapani-paniwalang kontraktor, ihambing ang mga tawag, reputasyon, at garantisya sa paggawa, at i-iskedyul ang aking pag-uusap.” Ang komersyal na halaga ng una ay mula sa pagkakataon at pagklik, samantalang ang komersyal na halaga ng ikalawa ay mula sa pagkumpleto ng gawain at pagiging tagapagdesisyon. Ang mga ad ay hindi na lamang mga impormasyon na lumalabas sa pahina, kundi magiging mga opsyon, pinagkukunan ng datos, mapagkakatiwalaang pinagkukunan, o mga interface para sa transaksyon sa proseso ng pagdedesisyon ng Agent, at tutulong sa mga user upang makumpleto ang kanilang gawain.

Hindi lamang nagbibigay ang mga model company ng mga pundasyonal na kakayahan, kundi magiging bagong henerasyon ng task operating system. Mula sa "malalaking model" patungo sa "Agent platform", nagtatrabaho ang mga AI-native na kompanya at mga malalaking kumpanya, at naglalabas ng isang serye ng mga produkto tulad ng Claude Cowork, Codex, at Workbuddy — sino man ang makakakuha ng entry point ng user sa kanilang mga gawain, siya ang makakapagdesisyon kung ano ang pagkakasunod-sunod ng paggamit ng mga kasangkapan, ang prioridad ng mga pinagkukunan ng data, ang lohika ng komersyal na rekomendasyon, at ang pagsasara ng transaksyon.

Ang pagsisigla na “kahit na negatibo ang ekonomiya ng unit, kailangan pa ring basagin ang pera para makakuha ng entry point” ay ang pinakamahalagang pagsusugal sa industriya ngayon, at ang pinagmulan ng diskusyon sa valuation. Dahil ang likod ng entry point ay hindi lamang ang bilang ng mga user o bilang ng mga usapan, kundi ang kontrol sa pagpapadala ng mga gawain, komersyal na rekomendasyon, at ang pagsasara ng transaksyon sa hinaharap.

Ang pagbabagong ito sa lohika ay magdudulot din ng isa pang trend: paghahati-hati.

Ang mga produkto sa internet ay naglalayon sa ekstremong standardisasyon, kung saan isang code lang ang naglilingkod sa lahat ng mga user upang maksimisahin ang benepisyo ng zero marginal cost. Ang AI Agent naman ay likas na angkop para sa paghahati-hati ng pagbibigay—ang gastos para sa iba’t ibang antas ng kumplikadong gawain ay malaki ang pagkakaiba; ang gastos para sa simpleng tanong at sagot ay maaaring magkaiba ng maraming beses kumpara sa kumplikadong pag-iisip. Kaya naman ang mga kumpanya ng AI ay maglalabas ng iba’t ibang antas ng produkto: ang libreng bersyon ay gumagamit ng maliit na modelo at may limitasyon sa paggamit; ang pangunahing bayaran ay gumagamit ng katamtamang modelo; ang advanced na bersyon ay gumagamit ng pinakamalakas na modelo; at ang enterprise custom version ay nag-aalok ng eksklusibong deployment at pag-optimize.

Ang ganitong uri ng pagtatasa ay batay sa gastos at binabayaran ayon sa halaga, kung saan ang halaga ay direktang nauugnay sa gastos. Mas malakas ang kakayahan ng user, mas mataas ang gastos na kanilang ipinapasa. Kaya, ang AI Agent ecosystem ay magiging isang “duhong bilis na ekonomiya”: ang mga maliit na teknolohiya na nasa kalahating henerasyon sa likod ay sobrang mura (bukas na pinagkukunan + suporta mula sa malalaking kumpanya, naging tulad ng infrastraktura ng tubig, kuryente, at gas), habang ang pinakamoderno at pinakamalikhaing teknolohiya ay laging mahal (ang pinakamalakas na modelo ay laging nasa pinakamahal na bahagi ng kurba ng gastos). Ang libreng mga bagay ay “kahapon” na智能化, samantalang ang bayaran ay “ngayon” na智能化.

Ang pinakamalalim na epekto ng ekonomiya ng AI Agent sa tradisyonal na ekonomiya ay hindi ang pagkakaroon ng isang bagong klase ng AI product sa merkado, kundi ang pagbabalik ng mga user entry point na dati ay nakalat sa mga website, App, at software ng isang bagong layer ng mga task agent. Ang mga manufacturer ng mobile phone, super App, at iba pa ay gumagawa ng kanilang sariling Agent, at ang mga entry point ay hindi pa nagkakaisa, kundi mas naging fragmented. Noon, ang tubig ng kita sa internet ay nabuo sa paligid ng “saan dumaan ang traffic,” ngunit sa hinaharap, mas malamang na maaayos muli ito sa paligid ng “sino ang nag-organisa at sino ang nagawa ang task.”

Ang unang binago ay ang entry at distribution rights.

Sa panahon ng internet, ang mga search engine, app stores, content platforms, at super apps ang may kontrol sa entry points, at ang mga negosyo ay nagsisikap para sa ranking, recommendation slots, at user engagement. Ngunit matapos ang pagkakaroon ng Agent, hindi na kailangang buksan ng user ang bawat app nang hiwalay: ang pag-book ng tiket ng eroplano, paghahanap ng supplier, pagsusuri ng data, at pag-sagot sa email ay maaaring magsimula sa iisang task entry point. Hindi magtatanggal ang mga website at app, ngunit maaaring maging mas maraming data source, tool, at fulfillment interface sa likod ng Agent.

Ibig sabihin nito na ang bagong platform power ay hindi na lamang “kung saan ilalayo ang mga user,” kundi kung paano matutupad ang mga gawain: alin sa mga model, software, merchant, o set ng data ang i-uulit. Ang bahagi ng “tax sa distribusyon” na dating nasa kamay ng mga search engine, app store, at traffic platforms ay maaaring magmigra nang paulit-ulit sa mga Agent platform.

May isang maliliit ngunit mahalagang epekto: ang AI Agent ay nagpapaliit nang malaki sa customer journey, na nagdudulot ng pagbabawas sa puwang ng advertising.

Noong nakaraan, kailangan ng mga user na maghanap ng sampung beses, ihambing ang maraming webpage at platform bago makapasok sa proseso ng pagbili; sa ilalim ng AI scenario, maaaring kumpleto na ng mga user ang pagpili ng impormasyon, paghahambing ng mga solusyon, at paggawa ng desisyon sa pamamagitan ng pagtanong nang tuloy-tuloy ng 3-5 beses. Mas madaling i-redefine ng AI ang lohika ng pagkakahatid sa mga industriya na may mataas na intensyon, malakas na desisyon, at malalim na paghahambing. Hindi na kailangang maglakbay nang paulit-ulit ang mga user sa mga resulta ng paghahanap, mga pahina ng nilalaman, at mga homepage ng negosyo—kundi ipapasa na nila ang gawain sa pagdedesisyon sa AI. Sa panahong ito, mas kaunti ang mga punto kung saan maaaring magsali ang advertising, at mababawasan din ang impluwensya ng tradisyonal na advertising.

Ang tunay na hamon ay ang mga ad sa mga sagot ng AI ay dapat maging napakalabas. Noon, maaaring i-embed ang mga ad sa iba’t ibang bahagi ng user journey tulad ng pagkakasunod-sunod ng paghahanap, native sa information feed, mga recommendation ng influencers, at brand content. Ngunit sa mga sagot ng AI, anumang maliit, nakatago, o hindi malinaw na inihayag na komersyal na rekomendasyon ay direktang magdudulot ng pagbaba sa tiwala ng user sa obhetibidad ng platform. Mas maraming pagkakatulad ang AI sa isang tagapagpasya para sa user, mas hindi ito tatanggapin kung ang mga komersyal na interes ay nakakaapekto nang hindi malinaw.

Ang ikalawang pag-atake ay mabilis na mangyayari sa platform at ekonomiya ng mga intermediate.

Ang mga platform para sa pagbili, pagbiyahe, pag-order ng pagkain, at lokal na pamumuhay ay pangunahing nagtutulong sa mga user na maghanap, magkumpara, at magtutok ng transaksyon, at ang mga bahaging ito ay ang pinakamadaling automatihin ng Agent. Ang mga intermediate na nagbibigay ng “listahan ng impormasyon” ay mababawasan, at ang mga hindi madaling iwasan ay magiging eksklusibong suplay, pagbabayad, kredito, logistika, pagpapalit, at pagsasagawa sa loob ng pisikal na lugar.

Ang mga paratang ng mga platform sa pagtatabi ay magsisilbi mula sa “ilan ang aking trapiko,” patungo sa “ilan ang aking kakayahan sa totoong suplay at pagpapatupad na hindi maaaring palitan ng Agent.”

Para sa mga malalaking kumpanya na may sariling isang-loop na transaction pathway, ang AI ay makakapagdulot ng pagbabago sa umiiral na advertising at transaction business sa maikling panahon, ngunit sa matagalang panahon, ang pagkakaibigan ng AI Agent ay magiging bagong commercial amplifier. Kapag may kontrol ang platform sa pangangailangan ng user, pati na rin sa supply, transaction, payment, fulfillment, at after-sales service ng negosyo, maaari itong muli ayusin ang commercial value sa isang buong sistema: ang mga negosyo ay nag-a-advertise sa e-commerce platform → nagdudulot ng mas mataas na GMV → ang AI ay unang ipinapakita ang mga brand na may mataas na GMV, mataas na review, at matatag na fulfillment → ang mga brand ay nakakakuha ng transaction闭环 sa AI scenario → samantala, tumataas din ang value ng advertising, transaction, at AI distribution ng platform.

Ang mahalagang hangganan dito ay ang hindi dapat kumuha ng sobrang mataas na bayarin sa pag-advertise ang AI tulad ng mga tradisyonal na platform ng pag-advertise. Kung masyadong maraming pera ang kukunin ng AI, masasaktan nito ang pinakamahalagang ari-arian nito: ang obhetibidad at tiwala ng mga user. Mas makatwiran ang pagkuha ng isang porsyento bilang bayarin para sa teknikal na serbisyo, na katumbas lamang ng antas ng industriya, karaniwan ay sa pagitan ng 1% hanggang 10%, na ginagamit pang-akda sa mga gastos para sa computing power, pagtawag, at serbisyo.

Ikatlong antas, at mas malalim na pagbabago, ay ang pagkawala ng malinaw na hangganan sa pagitan ng ekonomiya ng software at serbisyo.

Ang tradisyonal na SaaS (kabilang ang software) ay本质上 pa rin isang kasangkapan. Ang Salesforce ay nag-aalok ng CRM system, ngunit ang mga sales representative ang tunay na nagpapanatili ng ugnayan sa customer; ang Adobe ay nag-aalok ng design software, ngunit ang mga designer ang tunay na nagtatapos ng disenyo; ang financial software ay responsable sa pag-record ng data, ngunit ang pagsusuri at pagdedesisyon ay patuloy na ginagawa ng tao. Kaya ang business model ng SaaS ay mahabang panahon ay nakabatay sa “seat”: ilang empleyado ang gumagamit ng software, ganoon din ang bilang ng account na binibili ng kumpanya. Sa nakaraang mga taon, ang pagbabayad batay sa paggamit ay nagsisimulang umusbong, at ang hybrid billing ay naging pangunahin, ngunit ang seat model ay patuloy na karaniwan sa mga collaborative software.

Ang AI Agent ang nagbabago sa premisang ito.

Kapag nagsimula na ang software na basahin ang data nito mismo, matukoy ang susunod na hakbang, at gawin ang trabaho, ang binibili ng mga negosyo ay hindi na lamang “isang software na ginagamit ng isang empleyado,” kundi posibleng isang kakayahan na direktang natatapos ang gawain. Isang AI Agent ay maaaring mag-operate nang sabay-sabay sa CRM, ERP, BI, email, at customer service system; ang mga proseso na dati ay nangangailangan ng maraming tao na maglipat-lipat sa iba’t ibang software ay napapaliit sa isang pagtawag sa gawain. Sa panahong ito, ang logika ng paglago na “mas maraming empleyado, mas maraming Seat, mas mataas ang SaaS income” ay tatamaan ng hamon.

Mas mahalaga pa, ang SaaS mismo ay maaaring magkaroon ng mga antas: ang pinakababa ay ang “System of Record” na nagtatago ng mga pangunahing data tulad ng mga customer, order, pondo, at imbentaryo; habang ang pinakataas ay ang “System of Action” na responsable sa pag-unawa sa mga pangangailangan, pagtawag sa sistema, at pagkumpleto ng mga gawain.

Kanina, ang parehong bagay ay nakapaloob sa iisang software interface, ngunit sa hinaharap ay maaaring magkahiwalay. Ang software na may kontrol sa pangunahing data, mga pribilehiyo, pagkakasunod sa batas, at mga patakaran sa negosyo ay may malakas na pagkakabukod; samantalang ang mga software na ang pangunahing halaga ay galing sa interface, proseso, at pagpapakita ng mga tampok, ay nasa malaking panganib—kapag ang Agent ay kumukuha ng interaksyon layer, maaari itong maging simpleng interface na tinatawag ng Agent sa likod, kaysa sa software na binubuksan ng mga user araw-araw.

Sa kabilang panig, ito ay magdudulot ng unang malawakang paglalakbay ng software market sa tradisyonal na serbisyo. Noon, ang mga kumpanya ng software ay nagsasagawa para sa mga budget ng IT ng mga kumpanya, ngunit sa hinaharap, ang mga kumpanya ng AI Agent ay magtutungo sa mas malaking budget para sa gastos sa paggawa, outsourcing, at mga propesyonal na serbisyo. Ang customer service, pangunahing pag-aaral, sales operations, pagpili sa paghahanap ng trabaho, pagproseso ng pondo, at kahit bahagyang trabaho sa konsultasyon, ay maaaring maging “pagbili ng mga gawain na isasagawa ng machine” kaysa “pagbili ng oras ng tao.” Kaya, ang hangganan ng software market ay magsisimulang mag-ebolusyon mula sa dating “software spend” patungo sa “labor spend.”

Ang internet economy sa nakaraang dalawang dekada: mas maraming user ay nangangahulugan ng mas maraming traffic, mas maraming traffic ay nangangahulugan ng mas maraming ad, transaksyon, at kita mula sa subscription, samantalang ang gastos sa pagdaragdag ng mga bagong user ay hindi nagsisimula na lumaki nang malaki. “Unahin ang pagpapalawak ng bilang ng user, pagkatapos ay hanapin ang paraan ng pagkakaroon ng kita” ay naging pinakaklasikong formula sa paglago sa panahon ng internet.

Ang AI Agent ay nagtatapos sa simpleng linyar na ugnayan.

Dahil ang mga ibinibigay ng AI Agent ay hindi na lamang impormasyon, kundi aktwal na naglalabas ng computing resources, gumagamit ng external tools, at natatapos ang mga gawain. Mas maraming user ay hindi nangangahulugan ng mas mataas na kita; mas kumplikadong gawain ay maaaring magdulot ng mas mabilis na pagtaas ng gastos. Ang tunay na kailangang kalkulahin ng mga negosyo ay hindi na lamang ang DAU, retention rate, at user session duration, kundi kung gaano karaming pera ang kailangan upang matapos ang isang gawain, gaano kagustuhan ng user na magbayad para sa resultang ito, at gaano karaming halaga ang kayang panatilihin ng platform.

Ang tunay na kakulangan sa panahon ng AI ay nagbabago.

Sa panahon ng internet, ang kakulangan ay ang traffic, kaya ang mga kumpanya ay nagsasagawa para sa atensyon ng mga user; sa panahon ng AI Agent, ang totoong kakulangan ay maaaring ang mga mataas na halagang gawain, at ang mga data, pahintulot, kasangkapan, at kakayahan sa pagpapatupad na kailangan upang matapos ang mga gawain na ito.

Hindi ang AI Agent ang susunod na anyo ng produkto sa internet, kundi ito ang nagbabago sa pinakamababang yunit ng transaksyon sa digital ekonomiya. Ang ibinebenta ng Agent, ay ang kakayahang matapos ang isang gawain.

Kapag ang pangunahing yunit ng ekonomiya ay magsisilbi mula sa “click” patungo sa “task”, at mula sa “paggamit ng tool” patungo sa “pagpapadala ng resulta”, ang mga negosyong modelo, kapangyarihan ng platform, at pagkakahati ng kita na itinayo sa loob ng nakaraang dalawampung taon ay magkakaroon ng pagbabago.

Ang artikulong ito ay galing sa WeChat account na “Tencent Research Institute” (ID: cyberlawrc), may-akda: AI Economy Research Team