本周 Builder 们把注意力从模型参数转向结果成本、产品体验、去中心化算力与可复用工作流。
本周最明确的行业转向，是衡量单位正在从 token 单价和模型规模转向每个成功结果的真实成本。Tokenizer 差异、上下文效率、工具工作流和产品体验共同决定最终价值，单看每百万 token 价格越来越容易误导决策。
另一条主线是 AI 产品开始寻找下一层结构性优势，包括消费级社交网络效应、agent 驱动的内容生产、可移植组件、低成本本地算力和由复杂行业关系形成的壁垒。基础模型趋于成熟后，产品设计、数据积累和分发网络的重要性正在上升。
OpenAI 的 Thibault Sottiaux 指出，token 并不是像克或千瓦时一样的标准单位，不同 tokenizer 表达相同文本所需的 token 数量可能差异很大。他给出的一个小规模样本中，GPT-5.6 Sol 使用 766 个 token，而 Claude Opus 5 估算需要 1170 个，前者少约 34.5%。因此真正应衡量的是每个成功结果的成本，并在自己的实际用例上测试，而不是只比较标价。
Peter Yang 展示了一种由 Codex 驱动的 YouTube 缩略图流程：先寻找特定领域表现最好的 100 张缩略图并放入 Paper 画布，再与创作者照片组合迭代。这里的价值不只是生成图片，而是让 agent 承担研究、收集、组织和创意探索等连续步骤，把内容制作变成可重复执行的工作流。
Linear 产品负责人 Nan Yu 描绘了一种更自然的 agent 入口：人们只需在日常场景中讨论和记录想法，后台的一组 agent 就能把内容转化为任务、行动和可运行软件。这种模式把 prompt 从正式操作变成持续环境输入，也让 agent 编排和意图提取成为产品核心。
Meta AI 高管 Madhu Guru 认为，B2B 软件不应再以业务复杂为由接受低质量 UX。AI 可以把复杂操作、配置和信息检索隐藏在更自然的交互之后，因此企业软件理应达到优秀消费软件的易用水平；竞争重点会从功能清单转向完成任务所需的认知负担。
Anthropic Claude Code 团队的 Thariq 用 Claude 制作了一个交互式 artifact，帮助理解为什么数字水印可以在不明显降低质量的情况下生效。这个案例体现了 agent 在技术学习中的一个实用角色：不仅回答概念问题，还能生成可操作、可观察的解释工具，让反直觉机制更容易验证。
Replit CEO Amjad Masad 反对因当前模型消耗大量算力，就断言 AI 会结构性集中权力。他认为，长期的计算性价比增长、算法进步和硬件效率提升可能让 AGI 级能力无需永远依赖数据中心；scaling law 只是特定架构、目标和数据上的经验关系，不是物理定律。人脑的能效也提示，今天的 scaling 路线可能暴露的是算法低效，而非智能的必然成本。
Vercel CEO Guillermo Rauch 认为，React 更像定义积木几何规格，而 shadcn 才提供开发者真正需要的高质量、可调组件。shadcn 的特别之处是代码本来就被设计为进入上下文窗口后再被消化和重组，它不是不可触碰的黑盒依赖，而是一种适合 AI 时代复制、修改和 remix 的伪组件库。
FPV Ventures 合伙人 Nikunj Kothari 分享，一家进入高度碎片化行业的公司因合同条款和官僚流程迟迟无法完成关键合作，但同样的阻力也会拖慢后来者。无意义加班不是护城河，真正难以复制的是需要长期关系、信任和行业流程才能建立的软件网络；短期执行痛苦可能换来长期进入壁垒。
核心结论是，基础模型逐渐成熟后，下一批真正巨大的消费 AI 产品可能不再靠单人聊天体验取胜，而会依赖多人参与、UGC 和真实网络效应。Benchmark 合伙人 Sarah Tavel 曾参与 Pinterest，她把当前阶段类比为早期 Google：决定胜负的魔法主要还在后端技术，前端只是一个简单输入框。随着底层能力稳定，优势会转向拥有强产品直觉的团队，正如消费互联网从技术驱动的 Google 和早期 Facebook，逐渐走向 Pinterest、Snap 与 Instagram。她直言，后者的 CEO 并非以深度技术见长，而是 product geniuses。Custom GPTs 之所以未形成真正社交产品，在于它仍是孤立工具集合，缺少创作者、消费者和内容之间持续增强的循环。真正的网络效应不能只是路演材料上的飞轮，每个环节都必须实际加速下一个环节，并在一个小而高密度的核心市场率先出现不可替代的需求拉力。AI 也可能改变 VC 决策：投资人可以记录历次判断、面试和结果，让 LLM 交叉检查思维，但不应让模型直接替自己做最终决定，因为市场结构持续变化，过去数据很容易固化旧时代的偏好。