从2019年的时候同事们讨论产品、技术、商业化时，我们画过一张图，用新技术满足老市场、解决老问题，还是解决新问题，如下这张 2×2 手绘矩阵。最近2026年初，喜讯连连，智谱、minimax都在香港成功挂牌，让我又想起这代一决策为核心价值的AI技术的产品化和商业化问题。

2019 年，我第一次系统性地思考“以语言模型为代表的新一代技术，究竟如何走向市场”。当时没有 ChatGPT，也没有 Copilot，更谈不上 Agentic AI。我在纸上画了一个极其朴素的 2×2 矩阵：
横轴是方法（老方法 → 新方法），纵轴是问题（老问题 → 新问题）。

七年后的今天，生成式 AI 与 LLM 已经从研究范式变成产业变量，智谱、MiniMax 等公司相继完成资本市场阶段性验证，开启了一个新征程，这是语言模型技术在通用智能和决策应用的新起点。

仔细研究他们的IPO文件，你会发现，现实比大脑推演更惊喜的反应了更“残酷而具体”的真实：
真正决定成败的，从来不是模型参数，而是你落在矩阵的哪一个象限。对同类公司的类似业务财报和营收结构极其强烈地反映了这一特征。

与传统IT的AI转型项目，AGI显然是第四象限，新方法新问题。而基于AI去解决传统的信息化、数字化的问题，则显然是新方法老问题，可以看到目前的大部分应用和体验，都是发生在这个区间。

这篇日志不讨论具体行业，也不为某一公司背书，只做一件事——把这张矩阵抽象为一套当前AI产品化思考的方法论，并清晰指出四个象限中“长期存在的机会形态”。

• 这张矩阵真正区分的，不是技术新旧，而是“价值是否发生迁移”

在所有 AI 叙事中，最容易被忽略的一点是：
商业化的本质不是“能力更强”，而是“价值如何完成迁移”。

• 老问题：需求早已存在，预算、责任、交付物都已经被定义过。

• 新问题：需求因 AI 出现而被“发明”出来，用户心智尚未固化。

• 老方法：用户熟悉的交互、流程、采购与交付方式。

• 新方法：生成式、Agentic、多模态、自动化等 AI 原生范式。

矩阵的意义在于：

强迫你回答——你是在用新技术替代旧路径，还是在创造一条新的价值链？

• 四个象限，不是机会均等，而是“优先级截然不同”

象限 A｜老问题 × 老方法

状态：维持性市场，战略价值最低

这是最容易“看起来安全”，却最不值得投入核心资源的区域。

• 问题已被反复解决

• 方法没有发生结构性变化

• 边际效率提升无法抵消竞争与规模效应

• 而老问题的解决价值与新方法的成本完全不匹配

在这个象限中，AI 往往只能作为成本优化工具存在，而不是价值创造引擎。
除非你已经拥有渠道、规模或强监管壁垒，否则这里几乎不产生新的长期机会。

方法论判断：
若你的方案即使不用 LLM 也“差不多能做”，那它大概率不具备独立商业化价值。

象限 B｜老问题 × 新方法

状态：商业化主战场，确定性最高

这是过去三年里，真正跑出收入、跑出用户规模的核心区域。

• 问题明确：写文档、查资料、做决策、编代码、做分析

• 付费意愿已存在

• AI 带来的是“方法升级”，而非“需求发明”

典型形态不是“颠覆”，而是增强：
将 LLM 嵌入既有工作流，用新方法完成旧任务，但交付物保持连续性。

一个高度抽象但极其重要的结论是：

企业与专业用户买的不是“AI”，而是“更低摩擦地完成原本就要完成的事情”。

这里的机会具有三个长期特征：

1. 可量化 ROI（时间、人力、错误率、风险）

2. 迁移成本可被分步消化（插件式、嵌入式、混合模式）

3. 价值链连续（用户不需要重新理解“我为什么要用它”）

这正是 Microsoft 在 Copilot 路径上反复验证的事实：
不是创造“全新的办公方式”，而是在原有体系中放大 10%–50% 的效率差。

象限 C｜新问题 × 老方法

状态：扩张型机会，教育成本可控

这一象限的关键，不在于“老”，而在于用户心智熟悉。

• 问题是新的（规模化个性化、随时可得、跨时空服务）

• 但承接方式是旧的（问答、讲解、陪伴、指导、反馈）

本质上，这是用 AI 将传统高成本服务“压平”并外溢到新场景。

这里长期存在的机会形态包括：

• 把“原本只能一对一完成的事情”变成可规模化交付

• 把“原本只存在于特定环境中的服务”迁移到新载体

• 把“经验密集型知识”变成可反复调用的能力

这个象限之所以重要，是因为它避免了强行改变用户行为，却仍然享受 AI 带来的成本与规模红利。

象限 D｜新问题 × 新方法

状态：高风险、高回报、非对称机会

这是最容易被媒体放大的象限，也是最容易被高估的象限。

• 问题尚未被广泛认知

• 方法也缺乏稳定范式

• 用户、监管、责任边界同时不清晰

但它的价值不在“短期变现”，而在长期结构性跃迁：
当多模态、长上下文、可靠推理与自主代理逐步成熟时，这里会孕育新的平台级机会。

关键方法论只有一句话：

象限 D 不能靠“愿景”供养，只能靠 B/C 象限的现金流与数据反哺。

任何试图直接从 D 起飞的产品，失败概率都会被极度放大。

• 矩阵背后的真正约束：迁移成本，而不是模型能力

从 2019 到 2026，我对这张矩阵最大的认知变化只有一个：
决定商业化速度的，不是“AI 能做什么”，而是“用户需要为改变付出什么”。

迁移成本包括但不限于：

• 软件工程算法等it成本
  

• 使用者学习成本

• 组织流程重构

• 信任与风险暴露

• 系统与数据重建

• 合规与责任边界不确定性

这也是为什么：

• 大多数成功案例集中在 “老问题 × 新方法”

• 失败案例往往高估了用户对“新范式”的耐心

可以把这点抽象为一个极其冷静的公式：

商业化成功 ≈ 技术能力 × 采用率
而迁移成本，直接决定采用率的上限。

• 如果把这张矩阵压缩成一套“非行业依赖”的方法论，它可以被总结为四条顺序原则：

1. 先判断问题是否真实存在，而不是技术是否先进

2. 优先选择价值链连续的象限，而非概念最激进的象限

3. 把迁移视为投资行为，必须计算回收周期

4. 用渐进集成，而非范式革命，完成规模化跨越

语言模型的商业化，从来不是“越新越好”，而是：
越能无声地嵌入既有价值结构，越可能走得远。

AGI、新市场新方法则是完全在创造一种新的可能，而这种可能是在既有的结构中无法理解和诠释的，无论是万亿投资的豪愿，还是deepmind用与训练模型参与到核聚变研究和工程。

2019 年那张手绘矩阵，看起来朴素得近乎幼稚。
2026 年再回看，它反而比任何参数曲线都更接近真相。

技术会快速演进，模型会不断迭代，但问题与方法的组合方式，决定了商业命运的上限。
在这张 2×2 里，没有捷径，只有取舍。