NEA合伙人Tiffany Luck谈AI IPO、个人智能体与ROI核算

Token消耗最大化曾是今年早些时候硅谷最热门的趋势，各家CEO纷纷鼓励员工尽可能地扩大AI使用量。然而，账单随之而来。据报道，Uber在短短几个月内就耗尽了全年AI预算，部分企业削减了某些团队的Claude许可证，Meta也关闭了内部排行榜。

炒作与实际回报之间的张力，正是NEA合伙人Tiffany Luck当下关注的核心议题。她最初通过说服企业相信电商是未来趋势起步，如今已全面押注AI，尤其对消费领域出现"魔法时刻"的可能性抱有浓厚兴趣。

在TechCrunch的Equity播客这期节目中，Luck与Rebecca Bellan展开对话，探讨个人智能体的未来走向、对今年AI IPO浪潮的看法，以及初创企业如何帮助大型企业追踪AI投入的回报。

收听完整节目，你将了解到：

从Token消耗最大化到ROI核算的转变，意味着企业在衡量AI支出方式上将发生哪些变化。

为何前置部署工程师正在成为推动AI落地的"特洛伊木马"。

企业如何混合搭配不同AI模型，而非绑定单一供应商。

Tiffany为何认为AI技术栈的每一层都在创造价值，而不仅仅是模型层。

欢迎在YouTube、Apple Podcasts、Overcast、Spotify及其他播客平台订阅Equity节目，也可在X和Threads平台关注@EquityPod。

Q&A

Q1：Token消耗最大化是什么？为什么企业开始反思这一做法？

A：Token消耗最大化是指企业鼓励员工尽可能多地使用AI工具，以期最大化AI价值。然而，Uber等公司在短短几个月内耗尽全年AI预算的案例表明，无节制的AI使用会带来巨大的成本压力。这促使企业开始重新审视AI支出，转向以实际投资回报率（ROI）为核心的评估方式。

Q2：前置部署工程师为什么被称为AI落地的"特洛伊木马"？

A：前置部署工程师直接嵌入客户团队提供技术支持，能够在实际业务场景中推动AI工具的使用和普及。他们通过与客户紧密合作，帮助企业在日常工作流中自然融入AI能力，从而绕过传统的采购和决策阻力，悄然推动AI在组织内部的渗透与落地，因此被比作"特洛伊木马"。

Q3：企业为什么倾向于混合使用多种AI模型，而不是选择单一供应商？

A：混合使用多种AI模型可以让企业根据不同业务场景选择最适合的模型，兼顾性能与成本。单一供应商的绑定存在依赖风险，而多模型策略则赋予企业更大的灵活性和议价空间。随着AI技术栈各层价值的持续显现，企业正在探索更加多元化的AI采购和部署方式。