过去几年，ToC AI 产品看起来一直在变。最初是 Chatbot，随后是 AI Search、AI Browser，再到能够操作电脑和应用的 Agent；进入 2026 年，Coding Agent、Agent for Work 和 Agent Harness 又成为新的产品焦点。如果只按照产品名称观察，很容易把它理解成一轮又一轮入口竞争。但把这些变化放在一起看，更值得关注的其实是一条相对稳定的内在线：LLM 正在从一个需要人主动调用的智能服务，逐步演化成一个以人为中心、受人控制、能够长期存在并持续参与数字活动的计算主体。

这条线索比“下一个 AI 入口是什么”更重要。因为浏览器、聊天框、桌面客户端甚至眼镜，都只是智能出现在哪里的问题；真正决定 AI 与人的关系能否发生变化的，是它能否持续理解一个人的上下文，保持任务和知识状态，并在明确的授权边界内采取行动。

Chatbot 解决了智能的可访问性，却没有解决连续性

LLM 第一个成功的 ToC 产品形态是 Chatbot，这并非偶然。自然语言极大降低了使用智能能力的门槛：用户不再需要学习软件命令和复杂界面，只需要描述问题，就可以调用总结、推理、写作、编程和知识处理能力。

但 Chatbot 的基本结构仍然是一种“调用关系”。用户发现需求，打开产品，组织输入，把必要的信息重新交给模型，然后等待回答。即使模型越来越聪明，人和 AI 之间的大部分上下文管理仍然由人完成。任务结束之后，这一次智能活动通常也随会话告一段落。

因此 Chatbot 解决的是 AI 能不能被普通人方便地使用，却没有真正解决 AI 能不能持续理解这个人正在做什么。

这也是为什么模型能力不断增强之后，产品开始自然地向 Memory、文件、应用连接和长期上下文延伸。问题逐渐从“模型知道多少”转向“模型知道多少与这个人有关的事情”。

AI Browser 的意义，是让 AI 从接受上下文走向进入上下文

AI Browser 曾经成为行业热点，一个重要原因就在这里。浏览器本身已经承载搜索、网页、SaaS、邮件、购物、社交和大量个人数字活动。相比要求用户把网页复制到聊天框，浏览器让 AI 第一次有机会直接理解用户正在访问的信息环境。

因此 AI Browser 真正重要的创新，并不是“浏览器里面增加了 AI”，而是开始改变上下文的获取方式：过去是人把上下文搬给 AI，现在是 AI进入人的当前工作环境。

Google 在 Project Astra 和 Gemini 的演进中持续强化屏幕理解、视觉理解、记忆与 computer control，并明确将其描述为构建 universal AI assistant 的能力基础。这些能力共同指向的并不是一个更强的问答工具，而是能够感知人当前数字环境的智能系统。

但 Browser 仍然只能解决部分问题。人的工作并不只存在于网页中，还存在于本地文件、代码仓库、终端、Office、操作系统应用以及各种长期项目状态中。因此，当 AI 获得更强推理和工具使用能力以后，产品演进自然继续向下一层移动。

Agent 的出现，把人与 AI 的关系从“回答”推进到“委托”

Agent 带来的关键变化，是 AI 开始拥有持续执行任务的能力。

如果 Chatbot 的基本单位是一轮 interaction，那么 Agent 的基本单位开始接近一个 task。用户给出的不再只是一个问题，也可能是一个目标。系统需要理解目标、读取环境、使用工具、执行多个步骤、检查结果，并在必要时向用户请求判断。

这种变化在 Coding Agent 上表现得尤其明显，因为软件开发天然具有文件、工具、运行环境、反馈和结果验证条件。OpenAI 对 Codex harness 的公开描述已经把它定义为承载 agent loop 和 execution logic 的基础层；Anthropic也把 agent harness 描述为使模型能够处理输入、协调工具调用并持续执行任务的系统。

因此 Coding Agent 的价值不仅在于提高编程效率。它实际上提供了一个非常清晰的实验场，证明了一个更普遍的产品逻辑：当模型能够工作以后，真正需要设计的不只是交互界面，而是一个允许智能持续工作的环境。

Harness 进一步暴露了问题的本质：长期智能需要一个运行环境

2026 年 Harness 被越来越多地讨论，并不意味着市场突然喜欢上了一个新的技术概念。它反映的是 Agent 产品发展到一定阶段之后，一个原本被模型能力掩盖的问题开始显现：如果 AI 要完成持续数十分钟、数小时甚至更长的任务，它必须拥有状态、工具、文件、反馈、错误恢复、执行空间和安全边界。

OpenAI 在 Agents SDK 中把 model-native harness、文件和工具访问以及 native sandbox execution 放到同一套基础设施中；Anthropic 对 long-running agent 的研究也不断把任务连续性、状态保持和环境设计作为影响 Agent 表现的重要条件。

这一步很关键，因为 AI 的产品重心开始从 interface 转向 runtime。

用户最后看到的仍然可以是聊天框，也可以是浏览器、IDE、桌面浮层或者语音入口。但这些逐渐只是智能显现出来的 surface。真正持续存在的是下面那个保存状态、拥有工具并能够恢复任务的计算过程。

ToC AI 真正需要形成的是“以人为中心”的长期主体

如果把这条产品演进继续向前推一步，ToC AI 最重要的问题就不再是 Chat、Browser 还是 Agent，而是：谁是这个长期计算系统的中心？

答案必须仍然是人。

一个个人 AI 如果只是拥有越来越多自主能力，却没有明确地围绕一个人的身份、目标、权限和数据边界组织，那么它只是一个更强的自动化系统。真正具有 ToC 意义的个人 AI，需要形成一种稳定关系：它服务于同一个人，理解这个人的持续上下文，继承这个人的历史状态，并在这个人定义或认可的权限范围内行动。

Apple Intelligence 当前公开的架构方向已经能够看到这种思路的一部分：Apple 将 personal context understanding、on-screen awareness 和 app actions 放在同一个个人智能体系中，并通过 App Intents 让不同应用的内容与能力能够被系统级智能理解和调用。

这里真正重要的并不是某个具体产品是否已经完整实现，而是产品设计的对象正在变化：从“用户如何使用 AI”，逐渐转向“AI 如何持续围绕一个用户存在”。

长期存在的前提，是连续性；成为主体的前提，是受控

“长期计算主体”容易让人误解为 AI 应该持续监听、持续采集甚至自主决定。实际上恰恰相反。如果这个主体以人为中心，那么它首先必须是受控的。

长期存在首先意味着 continuity：昨天开始的事情今天仍然知道，电脑上的工作与手机中的状态能够连续，一个项目不会因为聊天窗口关闭而失去上下文。Memory 的意义因此也不是简单保存更多聊天，而是让历史经验能够参与新的理解和行动。

但连续性必须同时伴随控制。哪些内容可以成为长期记忆，哪些只是当前任务上下文；哪些数据允许读取，哪些能力能够调用；什么事情可以自动执行，什么事情必须重新得到人的确认——这些边界决定的不是一个功能好不好用，而是这个长期主体到底属于谁。

所以，从这个视角看，Memory 和 Permission 并不是两个独立功能，而是 Personal AI 的正反两面。没有记忆，AI 无法形成长期关系；没有控制，长期关系就可能退化为持续监控。

AI ToC 的竞争，正在从“谁有最聪明的模型”转向“谁最接近这个人”

LLM 仍然会继续进步，但 ToC AI 的产品差异可能越来越难仅仅依赖模型参数形成。一个新的模型可以很快被接入不同产品，而一个人与 AI 之间长期积累的上下文、任务历史、个人知识和协作方式，却不容易迁移和重建。

这意味着 Personal AI 真正有价值的资产，逐渐会形成在模型之外。

模型提供 intelligence，Harness 提供 execution，Memory 提供 continuity，Permission 提供 control；它们最终共同服务的对象是一个具体的人。

从这个角度再回看 Chatbot、AI Browser、Agent 和 Harness，就会发现它们并不是相互淘汰的几代产品。Chat 解决人与智能如何沟通，Browser 扩大 AI 对当前环境的理解，Agent 获得任务执行能力，Harness 提供持续工作的运行基础，而 Memory 与系统级上下文开始让这些能力跨越单次任务持续存在。

这些组件最终可能继续以不同形态存在，但它们正在逐渐汇聚成同一个产品问题。

从 Personal Computer 到 Personal AI，变化的是计算围绕人的方式

PC 时代所谓 Personal，首先意味着计算设备属于个人；移动互联网进一步让身份、网络和应用始终伴随个人存在。AI 带来的下一步变化可能是：智能本身开始围绕一个具体的人持续组织。

过去的软件要求人进入不同应用、寻找功能、维护信息和推进流程。一个成熟的 Personal AI 则可能反过来理解人的目标，在获得授权的范围内调用这些软件和能力，并保持工作状态的连续。

因此 AI ToC 下一阶段真正值得观察的，不一定是哪一种硬件成为入口，也未必是哪家公司首先推出所谓“AI OS”。更重要的判断标准应该变成：这个系统是否能够长期围绕同一个人保持上下文，是否能够持续参与真实任务，同时是否始终让这个人拥有记忆、权限和行动边界的最终控制权。

从 LLM 到 Chatbot，从 Browser 到 Agent，再到 Harness，再加上长期使用外挂智能的智能耳机、眼镜，每条产品演进真正指向的或许正是这里：

AI 正在从一种可以随时调用的智能能力，逐渐成为一种围绕个人长期存在的计算能力；而 ToC AI 最终能否成立，取决于这种长期存在能否始终保持“以人为中心且受控”。

这比找到下一个 AI 入口困难得多，也可能重要得多。

过去二十年，消费互联网的商业基础建立在一套相对稳定的流量秩序之上：搜索引擎分配主动需求，社交网络和信息流分配注意力，应用商店分配软件入口，电商平台承接交易。网站、App、账号和店铺是经营阵地，曝光、点击、停留、转化构成了一套完整的流量经济学。

最近几个月，尤其是最近一周密集出现的一系列变化，让这个结构越来越清晰地出现了一个新的层级：Chatbot、AI Search 和 Agent 正在进入消费互联网的流量分配链条，并开始承担过去由搜索框、推荐流、导购页和垂直平台承担的一部分功能。

需要谨慎的是，目前还不能据此判断 AI 已经取代搜索、社交或短视频成为最大的流量来源。真正值得关注的，是它已经开始获得一种更靠近用户决策源头的权力：理解需求、筛选候选、组织答案，并进一步触发行动。

这意味着互联网的流量逻辑正在发生一次“再中介化”。

流量入口正在从页面访问转向意图理解

传统互联网争夺的是用户进入哪个页面。搜索引擎回答“哪些网页与你的关键词相关”，推荐算法判断“下一条什么内容可能让你继续停留”。无论技术怎样变化，最终经营单位通常仍然是链接、页面、视频、商品卡片和 App。

Chatbot 带来的变化，在于用户越来越少需要先知道“应该去哪里”，只需要表达“我要什么”。

“附近适合六个人、安静、有素食选择、今晚七点还有位置的餐厅”，在传统互联网中可能意味着搜索、地图、点评、菜单、电话或预订网站之间的多次切换。在 AI 界面中，它首先成为一个可以被模型理解和执行的完整意图。

因此，AI 获得的并不只是又一个搜索框，而是位于流量产生之前的意图解释权。

Google 在 Search Console 中增加独立的 Generative AI Performance Report，就是一个很有象征意义的变化。该报告目前仍处于分批开放阶段，并非所有网站都已经获得，但 Google 已经把 AI Overviews 和 AI Mode 中的网站曝光单独作为可测量对象，允许站长观察页面、国家、设备和时间维度的生成式 AI 曝光。值得注意的是，目前主要提供 impression，而没有传统 Search Console 那样完整的点击和查询信息。

这意味着一个新的经营对象已经出现：过去企业关心“我在搜索结果排第几”，以后还必须回答“当 AI 回答这个问题时，我是否进入了它的候选答案”。

SEO 管理的是网页排名，新的竞争开始延伸到 AI visibility——被理解、被引用、被推荐和被调用的概率。

AI 流量首先表现出来的优势，是意图质量

判断一个新流量渠道是否重要，不能只看访问量，更应该观察它带来的用户意图和商业价值。

Adobe 对超过 1 万亿次美国零售网站访问的分析显示，2026 年第一季度来自 AI 来源的零售网站流量同比增长 393%；仅 3 月份仍同比增长 269%。更值得注意的是，同月 AI 来源流量的购买转化率比非 AI 来源高 42%，用户停留时间长 48%，浏览页面数多 13%。Adobe 的调查中，39% 的消费者表示已经使用 AI 进行过网上购物。

到 2026 年 8 月，路透社对零售行业的调查进一步显示，美国消费者已经开始普遍使用 ChatGPT、Gemini 等工具寻找和比较商品。Adobe 当时提供的数据称，6 月有 41% 的美国消费者使用过生成式 AI 进行网上购物，AI 来源访客带来的单次访问收入比传统渠道高 41%；Ulta Beauty 则表示，经 Gemini 和 ChatGPT 找到其商品的消费者表现出了约两倍的转化和购买意图。

这里有一个很容易被“流量规模”掩盖的变化。

用户从搜索引擎进入网站时，可能仍然处于信息搜集阶段；而一个人已经向 AI 描述预算、用途、偏好、约束条件，并经过数轮比较之后再访问商家，他实际上已经完成了相当一部分决策过程。

所以 AI referral 的价值不只来自“新增了多少访问”，还来自把更加明确的意图输送到了交易链条下游。

AI 流量现阶段未必拥有传统搜索一样庞大的绝对规模，但它已经表现出一种商业渠道最重要的品质：高意图密度。

从 Yelp 到 ChatGPT，流量正在进一步变成行动

Yelp 与 ChatGPT 最近的合作把这件事情推进得更加彻底。

7 月，Yelp 已经开始向 ChatGPT 提供评论、评分、照片和商户信息；8 月 10 日，ChatGPT 又进一步接入 Yelp、OpenTable、Resy 等餐厅预订能力，用户可以在对话中描述地点、时间、人数、菜系、预算和环境要求，查看可用时段并继续完成预订。

它看起来只是增加了一个预订功能，但从互联网商业结构看，意义要大得多。

传统模式通常是：

需求 → 搜索 → 结果列表 → 点击 → 垂直平台 → 比较 → 商户 → 交易。

Agent 化以后，这条链条正在压缩为：

需求 → AI 理解与筛选 → 候选 → 行动。

当用户没有访问 Yelp 首页、没有浏览餐厅排行榜，甚至不需要知道 Yelp 的产品界面，却最终消费了 Yelp 的数据、评价体系和预订基础设施时，“流量”这个概念实际上已经改变。

过去平台争夺的是 destination——用户最终去了哪里；未来更重要的一部分竞争会变成 delegation——用户愿意把什么决策和行动委托给谁。

这也是为什么 Chatbot 可能同时成为搜索入口、导购入口、本地生活入口和交易入口。它并不需要按照传统互联网的方式重新建设每一种垂直服务，只需要位于用户与这些服务之间，逐渐掌握意图、上下文和行动编排能力。

当生成变得廉价，平台开始重新定价真实注意力

另外两条看起来与 AI Search 没有直接关系的资讯，其实揭示了这轮变化的另一面。

YouTube 宣布，从 2027 年 2 月起，新加入 YouTube Partner Program 并希望获得广告和订阅分成的创作者，需要达到 1000 名订阅者以及过去一年 8000 小时合格观看时长，或者 90 天内 2000 万次 Shorts 合格播放；相比当前标准，后两个门槛都提高了一倍。同时 YouTube 还在扩大 Premium Lite，并指出 Premium 用户带给创作者的平均收入高于单纯观看广告的用户。

Snap 的动作更加直接。7 月 31 日起，完全由 AI 生成的视频不再具备 Spotlight 推荐资格，而经过 AI 编辑或增强的人类原创内容仍然可以进入推荐系统。Snap 给出的原因正是互联网上低质量、重复性 AI 内容快速增加，并明确表示 Spotlight 将提高真实、人类原创内容的权重。

这两个政策透露出同一种平台经济变化：生成能力正在快速去稀缺化，因此“生产了一条内容”本身越来越不值钱。

当文字、图片、音乐和视频都可以低成本大规模生成，内容供给趋近于无限，平台最稀缺的资源就重新回到了人的注意力，以及能够持续获得这种注意力的真实性、关系、体验和人格。

AI 一方面制造了前所未有的内容供给，另一方面也迫使流量平台提高分配门槛。

这可能是未来内容产业一个长期存在的悖论：内容生产效率越高，单个内容获得分发的难度反而越大。

“反数字化”营销，本身也是新注意力经济的产物

Polaroid 最近的广告值得放在这个背景下观察。

2026 年 6 月，它在纽约康尼岛等地继续推动“The best of summer is analog”营销活动，用非常鲜明的方式表达对过度数字化生活的反思，并把品牌价值重新锚定在现实体验、实体照片和人与人的连接上。Polaroid 自己对这次活动的解释，也没有简单把它定义为怀旧，而是认为现实世界中的体验在人们生活越来越数字化以后反而更加珍贵。

这并不能证明 AI 带来了多少互联网流量，却提供了另一个很好的市场信号。

当数字内容越来越充裕、算法越来越善于占用注意力以后，“离开屏幕”“真实的人”“现实体验”“手工制作”“真实记录”本身都可能重新获得溢价。

因此，AI 对消费互联网的改变并不会单向走向更加数字化。它很可能同时制造两个市场：一边是更加高效的 AI 决策、AI 搜索和 Agent 交易；另一边是由于数字供给过剩而更加昂贵的真实体验、人格信用、社群关系和人类原创。

二者看起来方向相反，本质上都是稀缺性重新定价的结果。

消费互联网正在从“流量分发”进入“意图分配”

如果把这些变化放在一张图里，我认为更准确的判断并不是“ChatGPT 将成为下一个 Google”或者“AI Search 将替代传统搜索”。

更重要的结构变化是，互联网正在增加一个新的中介层：

内容与服务 → 搜索/社交/平台 → AI 意图层 → 用户。

在某些场景下，它甚至会进一步演化为：

用户 → AI Agent → 数据与服务 → Agent 执行 → 结果。

因此，过去所谓的“流量入口”实际上正在被拆成三种不同的权力：曝光权、决策候选权和行动执行权。

搜索引擎长期掌握曝光权；推荐系统擅长分配注意力；而 Chatbot 和 Agent 最值得关注的地方，在于它们有机会同时获得后两者——先决定哪些商品、品牌、餐厅、内容或者服务值得进入用户的候选集合，然后继续帮助用户完成后续行动。

一旦这种行为形成规模，消费互联网的商业模式也会随之改变。

广告仍然存在，搜索仍然存在，内容推荐仍然存在，但是品牌购买流量的对象可能逐渐从“点击”扩展到“进入 AI 决策集合”；平台收费的依据也可能从 CPC、CPM、佣金，逐渐出现围绕推荐、Lead、Agent transaction、API 调用和任务完成的新经济模型。

企业需要开始经营“机器消费者”这一层接口

这轮变化对于企业最现实的影响，是网站和 App 不能继续只为人设计。

Adobe 的数据已经暴露出这个问题。其对美国零售网站的分析发现，零售网站首页平均约有四分之一内容无法被机器有效读取，而商品详情页的机器可读评分更低。随着消费者越来越多地通过 AI 发现商品，企业数字资产能否被模型正确理解，开始直接影响被推荐的机会。

因此，未来的数字经营至少需要同时面对两个消费者。

一个是真实的人，关心品牌、体验、设计、信任和价格；另一个可以称作“机器消费者”——代表用户读取网页、查询数据库、比较参数、理解评论、调用 API，并决定哪些候选值得呈现给用户的 AI Agent。

这意味着企业需要重新检查自己的商品数据、服务描述、价格、库存、结构化信息、评价、知识库、API、实时可用性与交易接口。

网站是否漂亮依然重要，但仅仅漂亮已经不够。AI 看不懂你的产品，Agent 无法确定你的库存，模型不知道你的服务边界，交易系统又无法被调用，那么即使一个品牌在人类互联网中拥有良好的数字资产，也可能在新的 AI 分发体系里逐渐失去可见性。

从 SEO 到 AI Visibility，流量经营需要增加一套新的指标

因此我更倾向于把 GEO、AEO 或所谓 AI SEO 看成一个过渡名称。

真正需要建立的是一套 AI Visibility & Actionability 的经营体系。

企业不仅要观察 AI 给网站带来了多少 Referral，还应该关注自己的品牌是否进入回答、商品是否成为候选、事实是否被准确理解、推荐语境是什么、竞争对手出现在哪里，以及 AI 能否进一步完成查询库存、获取报价、预约、购买、售后等操作。

Google 目前的 AI Search Console 报告恰好说明这个体系仍处于非常早期的阶段：它已经能够告诉网站“你出现过”，却还不能像传统搜索一样完整回答“用户为什么看到你、随后做了什么”。

这也意味着未来很可能出现一套新的营销归因问题。

一个消费者可能先询问 ChatGPT，再查看 YouTube，随后直接打开品牌 App，最后在线下门店购买。传统 Last Click 会把价值全部记给最后一个渠道，但真正完成商品筛选和认知塑造的，可能已经是前面的 AI。

所以 AI 流量的测量最终不能停留在 Referral Traffic，还要进入 Influence、Consideration 和 Task Completion。

结语：新的流量战争已经开始，只是“流量”本身换了含义

我认为最近这些资讯真正共同表达的，并不是“所有人都应该立即去做 Chatbot 营销”。

它们共同揭示的是一个更加基础的事实：AI 已经开始进入消费互联网的流量基础设施。

它帮助用户搜索、比较和决策；开始连接预订与交易；搜索平台开始专门测量它的曝光；零售商开始优化自身在 Chatbot 中的可见性；而传统内容平台则因为 AI 大幅降低内容生产成本，重新提高获得分发和商业收益的门槛。

与此同时，真实的人、真实体验和可信内容反而获得了新的稀缺性。

所以这一轮变化最终可能并不是简单地诞生一个“新的流量渠道”，而是重新定义什么叫流量。

过去，流量意味着一个人访问了你的页面。

接下来，它可能意味着：当一个人产生需求的时候，你是否进入了 AI 的候选集合；当 AI 帮助他做决定的时候，你是否被选择；当他准备行动的时候，你的服务是否能够被调用。

从这个意义上看，Chatbot 和 AI Search 已经不只是互联网中的一种新产品形态。

它们正在逐渐成为消费互联网新的意图分配基础设施。