🧠 The Token Economy pt2: The Intelligence Company Gets Built¶

Ch01.002 🧠 The Token Economy pt2: The Intelligence Company Gets Built¶

📊 Level ⭐ | 22.9KB | entities/the-token-economy-pt2-the-intelligence-company-gets-built.md

核心要点¶

核心公式：Outcome = Tokens × Intelligent Operating Model（有效运营模型 = 可观测性 × 自主性 × 部署速度 × 问责制）
AI adoption 分层理论：Level 0（AI theater）→ Level 5（self-driving organization），大多数公司停留在 Level 1，Ramp 和 Anthropic 达到 Level 4，Level 5 尚不存在
三条部署路径：DIY（自建，如 Ramp、Allica）| 牵手 Lab/FDE（与 AI 实验室合作，如 FIS×Anthropic）| 股东强制执行（PE 资本推动，如 Blackstone×Anthropic $1.5B JV）
FDE 模式的地缘政治：引入实验室 FDE 实质上是押注特定模型家族，排他性协议形成隐性依赖
Anthropic Claude for Small Business：一键安装，打通 QuickBooks、PayPal、HubSpot、Canva、DocuSign、Google Workspace、Microsoft 365，免费战略直接威胁所有垂直 AI 公司
CLARITY Act 进展：2025 年数字资产市场澄清法案以 15-9 出委员会，Polymarket 定价 60% 概率年内通过，核心争议在 Section 404 的 yield 定义

背景与核心论点¶

本文是 Token Economy 系列的第二篇。Part 1 提出 tokens 本身不创造生产力，运营模型才是关键。本篇则回答：如果你的公司无法自建这套运营模型，会发生什么？ 答案是：有人会替你建。 文章开篇列出四个标志性信号： 1. Anthropic × PE 联合体：Anthropic 联合 Blackstone、Goldman Sachs、Apollo、General Atlantic、GIC、Sequoia 等设立 $1.5B AI 服务合资公司，任务是为 Portco（被投公司）重塑运营模型 2. Anthropic forward-deployed into FIS：Anthropic 团队嵌入 FIS（服务全球约 12% 经济活动的银行核心系统商），共建 Financial Crimes AI Agent 3. Anthropic 发布 Claude for Small Business：免费，连接 QuickBooks、PayPal、HubSpot、Canva、DocuSign、Google Workspace、Microsoft 365，自动执行工资核算、催款、月结、营销活动、合同路由，以一敌所有垂直 AI 4. Allica Bank 内建 AI 运营模型：英国 SME 贷款机构，过去五年英国增长最快公司，3.8x 提升合并 PR 数量，内建 SMB 贷款 AI Agent，复杂贷款场景 50% 全自动，零人工介入

AI Adoption 分层理论¶

作者提出 AI 运营模型成熟度的 6 级框架： | Level | 名称 | 特征 | |-------|------|------| | 0 | AI as Theatre | 财报提及 AI，PR 宣传案例，内部运营纹丝不动 | | 1 | Personal Productivity | 个人使用 Claude/ChatGPT 提升效率，离职即失效 | | 2 | Team Workflows | 销售/工程团队共享工作流，但跨部门交接时效率归零 | | 3 | Organizational Infrastructure | 所有文档和系统记录均可被人类和 AI Agent 查询和更新，技能跨团队共享 | | 4 | Compounding Operating System | 围绕员工的系统，记住和维护项目上下文，技能市场，内置工具全民化 | | 5 | Self-driving Organization | 公司 AI 自动发现问题、诊断并推送修复到生产环境（尚不存在） | 大多数公司停留在 Level 1，Ramp 和 Anthropic 达到 Level 4

竞争层级与 AI 运营模型¶

系列提出了竞争优势的 4 层金字塔：Talent → Data → Model → Agentic Workflows，每上一层都是下一层的复利。部署的关键问题是：哪些层可以自建，哪些必须依赖外部？ 核心洞察：如果你的运营模型就是产品，那么谁重建你的运营模型，谁就拥有你护城河的一块。

三条部署路径详解¶

路径一：DIY——内部转型¶

Ramp 案例（Level 4 典范） ：

99.5% 团队活跃使用 AI 工具
84% 每周使用 coding agents
6 周内 800+ 不同构建者提交 1,500+ 应用到内部平台
非工程师现占全部人工发起 PR 的 12%
L&D 负责人 15 分钟构建培训模拟器
财务人员构建合同审查工具，每份合同节省 45 分钟

"Expectation without infrastructure is just an email from the CEO." Allica Bank 案例 ：
通过 MCP 连接所有内部工具（Jira、Confluence、Figma、HubSpot）
典型 squad 规模缩小约 25%，向全栈工程师合并（前端+后端+QA）
Staff 全栈工程师的职责是将判断编码为可复用 artifact（技能、lint 规则、测试契约）
Senior 专业知识的覆盖范围超出其工作时间

路径二：与 Lab/FDE 合作——外部安装¶

FIS × Anthropic ：

FIS 是全球最大银行核心系统商之一，服务约 12% 的全球经济活动
Anthropic Forward Deployed Engineers（FDE）嵌入 FIS，合作共建 AML Agent（可疑交易报告Narrative生成），初始合作方 BMO 和 Amalgamated Bank，调查周期从数天压缩到数分钟
路线图包括：信用决策、存款留存、入职引导、欺诈检测
数据留在 FIS 控制的基础设施内，每个 Agent 决策可追溯审计
战略逻辑：FIS 获得 AI 故事且不一夜间蚕食核心；Anthropic 获得进入最高度监管、工作流最密集、价值最高行业的分发渠道 Customers Bank × OpenAI ：
$260 亿资产的宾夕法尼亚商业银行，技术导向
目标：将成本收入比从 49% 降至 40%
OpenAI 工程师驻场，共建 AI 原生工具 模型的意义：基础模型持续进步， specialist 也能受益（参考 Claude Code 和 Codex 并未阻碍 Cursor）。但 FIS/Customers Bank 的战略自主权在多大程度上能被内化仍是疑问。

路径三：PE 股东强制执行¶

Anthropic-Blackstone $1.5B JV ：

PE 传统上使用定价纪律、成本削减、共享服务作为改造被投公司的杠杆
AI 是新杠杆
流程：东家写支票 → Anthropic 工程师入驻 Portfolio Company → 映射工作流 → 识别最高杠杆运营变化 → 交付 → 对标基准
各 Portfolio Company 之争被对标：客服团队规模、承销周期、交付速度、PR 合并数
领导团队面临的存在性问题：如果 FDE 90 天交付的成果超过内部团队一年的产出，领导团队的价值何在？答案如果是"上下文"（客户知识、监管知识、边缘案例），这是真实答案，但是缩小的答案——每次合作都让实验室学到更多边缘案例

FDE 人才严重不足（除了 Palantir 和少数初创）。引入某实验室的 FDE = 在该模型家族上的排他性押注。大多数 CIO 尚未完全定价这个时间受限的模型家族赌注，因为 AI 领域变化日新月异。

路径四：什么都不做¶

Fintech 不行动 = 死亡。两种结局： 1. 被愿意执行转变的收购方收购，按东家的节奏、东家选择的实验室、东家的人 2. 不行动者出局

小团队，更大产出¶

组织可以更小，工作可以更大。主题是三者同时发生：

每位员工配备能对接所有内部系统的 AI 工具 + 技能市场
Squad 平均规模从 ~10 降至 6（Allica 案例）
CEO 与管理层之间的层级压缩
团队追踪 AI token 使用量 vs 产出
能用新功能、新能力或收入增长来证明价值，而不是用headcount减少 FDE 引入方 vs 自建方的对比：完成转变的团队会发博客说周期时间下降、成本线移动、质量提升；引入 FDE 的团队发的新闻稿只说"我们引入了 FDE"——这是务实的策略，但必须有长期结果支撑。

结构性顺风：Token 价格持续下跌¶

文章最后提出了一个宏观视角的顺风：

Token 价格每 18 个月下跌约 10x
更便宜的智能降低了在尚未自建运营模型的公司内部安装全新运营模型的成本
如果运营模型假设 token 会越来越便宜、越来越好，就不需要持续再培训员工结论：实验室现在进入了运营模型安装业务；私募股权在资助它；自建者（Allica、Revolut、Ramp）正在拉开差距；不行动者即将发现谁拥有他们。

Fintech 4 公司速览¶

Shift Markets — 白标预测市场基础设施¶

连接 Kalshi 和 Polymarket 流动性，25+ 经纪商，10M+ 用户
核心问题：Polymarket 和 Kalshi 是消费品品牌优先还是逐渐成为 Nasdaq 式的基础设施？

Pmtbox — 电商支付编排 + 收入优化¶

统一多个 PSP、欺诈提供商、数据工具和客服层
客户包括 Domino's、Salvation Army
PSP 内置开箱即用的欺诈工具普遍优化不足；多家仪表板和 API 管理是痛点

Shiprazor — 南非电商物流¶

集成多达 20 家快递供应商，结账时自动选最优
客户转化率平均提升 25%
全球缺乏优质物流的地区 TAM 巨大

Chord — 商务运营 AI Agent¶

跨现有商务栈部署 Agent，识别潜在客户、寻找收入机会、优化支出
客户包括 SONOS、Blue Bottle Coffee、Mr. Beast
大多数商家没有干净统一的 PSP/provider 栈，Chord 的跨系统自然语言 Agent 填补了这一空白

CLARITY Act 与监管动态¶

Digital Asset Market Clarity Act of 2025 ：

以 15-9 出委员会（2 名民主党人加入共和党）
Section 404 的 yield 定义是核心争议：被动余额挂钩收益 vs 真实活动/交易挂钩奖励
妥协方案：禁止被动余额挂钩收益，允许正当商业活动奖励（如信用卡 cash back 不算存款利息）
Polymarket 定价 60% 概率年内通过
CLARIFY Act 价值：稳定币/GENIUS 之于手机，如同市场结构/CLARIFY 之于手机信号塔——必须有网络层/基础层保护才能让技术真正普及
真正目标是可编程资本市场：如果通过，crypto 不再是平行赌场，而成为证券、抵押品、结算和流动性的合法升级路径

深度分析¶

一、运营模型所有权：谁重建，谁拥有¶

本文最核心的洞察是「如果你的运营模型就是产品，那么谁重建你的运营模型，谁就拥有你护城河的一块」。这意味着 AI 转型不再是单纯的技术升级，而是一场关于运营模型所有权的博弈。三条路径（DIY、Lab/FDE 合作、PE 强制执行）本质上是三种不同的产权安排：DIY 意味着自建自用，Lab/FDE 合作意味着与实验室共享控制权，PE 强制执行意味着将控制权拱手让给外部股东。这个洞察对于评估任何 AI 转型合作的长期战略影响至关重要——每一次引入外部 FDE，都是在特定模型家族上押下战略赌注，而这个赌注的时间边界往往比 CIO 预期的更短。

二、FDE 模式的地缘政治¶

Forward Deployed Engineers（FDE）模式在本文中被描述为一场「地缘政治」博弈。关键问题不是「要不要引入 FDE」，而是「引入哪家实验室的 FDE」。排他性协议形成隐性依赖：一旦某实验室的 FDE 深入了解你的工作流、边缘案例、监管环境，他们学到的知识就成为该实验室的资产，而非你的资产。更关键的是，每次 FDE engagement 都在教实验室更多关于该行业的细节——监管知识、客户行为、边缘 case——而这些「上下文」正是我认为领导团队可以保留的核心竞争力。但正如文章所指出，这个答案正在缩小。

三、AI adoption 分层的战略含义¶

Level 0-5 框架不仅是一个成熟度评估工具，更是一个战略预警系统。大多数公司停留在 Level 1（个人效率提升），这实际上是危险的停滞——因为个人使用 AI 提升的效率随人员离职而失效，公司没有积累任何组织级的能力。Level 3（组织基础设施）才是真正的临界点：在这一层，文档和系统可被 AI Agent 查询和更新，技能跨团队共享——这意味着 AI 能力开始成为组织的持久资产而非个人工具。Ramp 和 Anthropic 达到 Level 4 意味着他们已经在员工层面构建了记忆、上下文和技能市场——这是真正的「运营模型作为产品」的实现。Level 5 的缺失（self-driving organization）说明当前 AI 的能力边界：AI 可以执行和优化，但还无法自主发现和定义问题。

四、Token 价格下跌的结构性影响¶

文章提出的「Token 价格每 18 个月下跌约 10x」是一个被低估的宏观变量。这个下跌曲线对 AI 转型战略有两个关键含义：第一，它降低了在尚未自建运营模型的公司内部安装全新运营模型的成本，使得「有人会替你建」的路径变得更便宜、更具吸引力；第二，它改变了投资回报的计算方式——如果 tokens 越来越便宜越来越好，就不需要持续再培训员工，这意味着 AI 投资的前期成本可以被更长的回报周期摊薄。这两个含义共同构成一个加速转型的正反馈循环：便宜 → 安装更快 → 差距更大 → 不行动者更难追赶。

五、PE 作为转型加速器的双刃剑¶

$1.5B Anthropic-Blackstone JV 的战略逻辑非常清晰：PE 资本提供资金，实验室提供技术和人力，Portfolio Companies 提供应用场景和数据。但这个模式存在一个根本性的张力：如果 FDE 90 天交付的成果超过内部团队一年的产出，领导团队的存在价值是什么？文章给出的答案是「上下文」——客户知识、监管知识、边缘 case。但这个答案是缩小的答案，因为每次 engagement 都在向实验室转移这种上下文。这意味着 PE 强制执行的转型路径可能在短期内提升运营效率，但在中长期可能削弱被投公司的战略自主性——这是一个需要 PE 和被投公司董事会深思的结构性风险。

六、「什么都不做」的两种结局¶

文章明确指出「Fintech 不行动 = 死亡」，并描述了两种结局：被愿意执行转变的收购方收购（按东家的节奏、东家选择的实验室、东家的人），或者不行动者出局。这个论述的深层逻辑是：在 AI 转型中，时间窗口是有限的。一旦先行者在运营模型上建立了复利优势，后发者的追赶成本将呈指数增长，而非线性增长——因为先行者的 AI 系统每天都在积累新的数据、新的工作流、新的技能 artifact。这是典型的「越跑越快」的正反馈，而非线性的「先发优势」。

实践启示¶

针对金融科技公司决策层¶

1. 立即进行 AI Adoption 成熟度自评 在讨论任何 AI 转型战略之前，决策层需要清晰了解公司当前的 Level。Level 1（个人效率）和 Level 2（团队工作流）的公司需要首先解决基础设施问题，而非直接跳到 Agent 部署。建议使用本文的 6 级框架进行内部评估，并将评估结果作为 AI 投资优先级的基础。Level 1 的公司不应将资源投入到 Level 4 的运营模型构建上——基础设施不完整的情况下安装高级系统，效果会大打折扣。 2. 审慎评估 FDE 合作的战略边界 如果选择引入实验室 FDE，必须在合作协议中明确数据边界、知识转移条款和排他性范围。建议将 FDE engagement 视为能力建设而非单纯的项目交付——每一次合作都应该以「未来可以独立运营」为目标，而非形成对特定实验室的永久依赖。同时，需要计算「模型家族赌注」的时间成本：在 AI 变化日新月异的当下，三年前的排他性协议可能成为今天的战略负债。 3. 将「运营模型即产品」纳入战略规划 本文的核心论点是「你的运营模型就是产品」——这对金融科技公司有特殊的含义。金融科技公司的运营模型直接决定风控效率、客户服务质量、监管合规能力——这些都是竞争力的核心组成部分。因此，AI 转型不是后台升级，而是前台竞争力的重塑。战略规划需要将运营模型作为核心资产来管理，而非作为成本中心来控制。

针对技术负责人¶

1. 优先构建 Level 3 基础设施 对于大多数金融科技公司，Level 3（组织基础设施）是当前最值得投资的层级。具体而言，需要实现：所有文档和系统可被 AI Agent 查询和更新，技能被包装和跨团队共享。这意味着需要部署 MCP（Model Context Protocol）来连接内部工具（Jira、Confluence、Figma、HubSpot 等），建立技能市场（skills marketplace），并确保知识以结构化的形式沉淀而非停留在个人 mental notes 中。 2. Squad 规模缩小是结果，而非目标 Allica Bank 的 Squad 规模从 ~10 缩小到 ~6 是运营模型升级的结果，而非目标本身。在没有完整 Level 3/4 基础设施的情况下单纯缩减 Squad，只会降低交付质量而非提升效率。正确的顺序是：先建立 AI 可以查询和更新的基础设施，再通过技能共享提升个人覆盖范围，最后自然地出现 Squad 规模缩小。 3. 建立 Token 使用量与产出的可观测性 本文多次强调「追踪 AI token 使用量 vs 产出」的重要性。对于技术团队，这意味着需要构建或采购 token 使用监控系统，将 AI 投入（token 消耗量、Agent 调用频率）与业务产出（PR 合并数、周期时间、错误率）关联起来。这种可观测性是迭代优化运营模型的基础——没有它，AI 转型就会变成「感觉良好」而非「实际有效」。

针对投资者¶

1. 将 AI Adoption Level 纳入尽职调查 对于 PE 和 VC 投资者，建议在尽职调查中增加 AI 运营模型成熟度评估。Level 1 的被投公司与 Level 4 的被投公司在相同 AI 投资下会产生截然不同的回报——前者只是增加了一个效率工具，后者是将 AI 内化为组织能力。这两个层级的估值逻辑应该有本质区别。 2. PE 转型杠杆的局限性和风险 Anthropic-Blackstone $1.5B JV 模式展示 PE 作为 AI 转型加速器的潜力，但也揭示了结构性风险：FDE 交付的成果可能「教会」实验室太多关于该行业的知识，而这些知识最终可能通过模型改进或竞争对手的合作反哺整个行业。投资者需要评估每一次「FDE 转型」的知识泄漏风险，以及这种风险在多大程度上抵消短期的运营效率提升。