从算力到商业价值：Anand Chandrasekaran的AI投资逻辑与未解问题

一、嘉宾背景

本期《The Futurists》的嘉宾Anand Chandrasekaran是Celesta的风险投资人，也有企业运营者和联合创始人的经历。他在访谈中既讨论资金投向，也讨论由谁建立公司、理解行业流程并承担服务交付。这些经历构成了他分析AI资本配置与行业应用的出发点。

Anand自述在印度长大，赴Stanford读研究生，进入投资行业前已有二十多年企业运营经历，后来先后在General Catalyst和Celesta工作。他回忆，约2013至2014年，Yahoo美国业务依赖付费合作和联盟渠道推动流量增长，而中国、印度的产品有时每周新增500万至1000万用户，却没有投入流量获取资本。他将这种差异归因于用户直接采用移动互联网。这段平台迁移的观察，也解释了他为何关注技术降低能力获取门槛的机会。

联络中心业务是他判断AI应用的另一项经验来源。他称，Five9在疫情期间的收入年化运行规模从约1.5亿美元增长至约6亿美元，后来收到Zoom收购要约。这些数字属于他的经历自述，不能作为AI推动增长的证据；它们说明，他在讨论生成式AI之前，已经接触过通过软件交付联络中心能力的业务模式。

二、本期主要内容

访谈从AI基础设施的巨额投入谈起：应用层能否创造足够价值，支撑这些资本开支？主持人援引一份未具名报告，称未来多年AI基础设施预计投入11万亿美元，同时承认部分投入可能不会兑现；随后又提到7万亿美元可能分流其他行业的资本。节目没有解释两组数字之间的关系。它们只能作为主持人的引述保留，不能相加，也不足以确定最终投资规模。

Anand介绍，Celesta同时投资模型上下两层。模型下层包括硬件、内存、互连和数据中心等基础设施，模型上层则包括联络中心、建筑、放射学和供应链应用。两层面对的瓶颈不同：前者需要解决计算资源的供给问题，后者需要理解行业流程，并将模型能力转化为实际交付。Celesta强调结合AI专家与领域专家，也意味着应用投资除了考察模型表现，还要判断业务流程以及团队承担交付责任的能力。

Crescendo体现了他对服务业务的判断。Anand说，2023年1月在General Catalyst时，他认为ChatGPT使软件有可能从辅助员工，进一步走向完整承担部分任务；这构成了创建Crescendo的逻辑。据他介绍，联合创始人兼CEO Andy Lee此前经营一家收入约20亿美元的企业长达25年，Crescendo则获得了General Catalyst和Celesta支持。由熟悉服务经营的人参与创业，与他的应用投资思路一致：自动化哪些任务、如何完成交付，需要有行业运营经验的人参与决定。

High Octave／HiO将相近的思路用于小企业增长。Anand将其定位为面向小企业的企业级AI服务，并称领导公司的联合创始人Golan曾任Wix COO，参与建设Wix七年。这个案例关注的是，小企业经营者能否借助AI获得原本缺少的执行能力，从而减少亲自学习和操作软件的负担。

Anand将AI周期分为三个阶段：先解除基础设施瓶颈，再由专家协作改造行业，随后加速新发现。他同时认为，当时需求仍高于供给，达到平衡还需要时间。基础设施、任务交付和新发现由此形成了访谈的主线：计算资源是起点，行业应用负责将其转化为服务，科学发现与更广泛的服务获取则是期待中的后续成果。这些环节需要衔接，各自的进展却不能替代对下一环节的验证。

三、核心观点：推理、例子与边界

Anand用一个循环解释AI资本配置：算力经模型生成Token，Token承担劳动和任务，自动化产生的利润再用于购买算力。这一解释把讨论从模型能做什么，推进到计算资源如何产生收益。他转述Satya Nadella曾讨论微软面临的分配问题：有限算力应当用于Office产品、模型研发，还是对外提供云服务？同一种底层资源，可能通过不同业务产生回报。不过，节目没有提供Satya这段发言的独立原始材料，也没有给出上述循环的成本结构或投资回报测算。它提供的是资本配置的思路，Token产量本身不能直接等同于利润。

HiO让这套思路落到了具体任务上。Anand认为，小企业经营者可能熟悉产品，却缺少制作内容、根据客户人口结构变化调整产品，或推动首次购买转为复购的人手与技能。他希望AI能够识别增长循环，持续调整并完成任务，让经营者专注产品和客户。采购对象由此从工具转向执行能力。但他所说的增长主要受雄心限制，仍是产品愿景。节目没有展示这些任务的完成率、成本、失败处理或增长归因，尚不足以证明执行能力增加就必然带来需求和收入。

主持人Rob以使用HubSpot的经历追问这种服务的代价。他回忆，自己的创业公司陆续升级了四五个服务层级，费用虽然低于继续招聘，却没有建立起部分内部能力，也看不到退出平台后独立运营的路径。这段经历不能证明HiO会出现同样的问题，却揭示了两项需要分别判断的能力：企业能否获得服务，以及能否将相关能力迁移出去。Anand强调，商家可以借此开展过去无力开展的活动，并由AI端到端完成任务；对于数据迁移、退出机制和如何避免锁定，他没有作出具体回答。新增价值能够解释购买动机，却不足以判断长期依赖是否值得接受。

就业问题则将讨论推向企业效率之外。Rob认为，不增员也能扩张的模式偏向资本，并追问AI是否会削弱印度通过BPO和IT外包形成的职业晋升通道。Anand的回应是，让AI承担笔记、摘要和后台工作，使客服人员能够处理复杂问题、加深对产品的理解。这解释了现有员工的工作可能如何改善，却没有量化净就业影响，也没有说明初级岗位减少后，新人还能通过什么路径进入行业。员工承担更高价值的任务，与企业未来需要多少员工，是两个需要分别回答的问题。

联络中心的按结果计费，进一步涉及企业如何衡量服务价值。Anand认为，应当区分活动与成果：人工成本约束容易促使企业限制通话时长，而AI可能使10、20或30分钟的电话、聊天或邮件互动更可行。如果企业围绕成果付费，就可能允许更充分的交流，以便理解客户。他以新批次产品出现制造缺陷后次日收到客户联系为例，说明更多接触可能加快问题反馈。但这只是机制设想，节目没有提供实测对照，也没有明确哪些结果可以结算、如何验收、如何归因或定价。交流时间更长、客户接触更多，都可能有助于取得成果，却不能单独证明成果已经实现。

科学发现和教育应用也面临类似的验证问题。Anand称，一家未具名被投企业将3D打印人类淋巴结与AI测试循环结合，缩短了药物测试时间，并行管线数量接近大型药企。按他的描述，这项应用的价值在于加快实验、扩大探索范围；但节目没有披露具体缩短比例，也没有提供临床成功或监管批准的证据，因而无法据此推断药物上市或患者价格。教育方面，他以顶尖大学课程通过AI开放说明可及性潜力，主持人则补充了按年龄解释、逐步增加难度和测验的用法。这些例子展示了内容获取与互动的可能，尚未构成学习成效评估。供给增加之后，能否可靠交付、最终由谁受益，仍需逐环验证。

四、学习与应用

将这期访谈用于投资或经营判断，首先需要把具体任务的资源投入与结果对应起来：消耗多少算力和Token，完成什么工作，由谁确认合格，最终创造什么可以收费的价值。这是从节目论点推导的评估方法，并非已经验证的客户成果。Anand描述的利润再投资循环，要以任务收益足以覆盖计算和交付成本为前提。因此，试用时需要计入人工检查、纠错和异常处理，不能只比较模型调用价格与原有人力费用。他指出的电力、能源和芯片供应约束，也意味着应用需求增长时，底层资源未必能够及时跟上。

采购小企业增长服务时，可以先限定一个任务，例如围绕首次订单安排复购沟通，事先约定哪些事项需要经营者批准、哪些由平台执行，以及如何判断价值。同时，应安排一次退出演练：导出客户资料和已批准内容，由另一位执行者接手流程，检查业务能否继续。这些检查回应的是Rob提出、Anand未具体回答的平台依赖问题，并不预设HiO缺少相关能力。将实施便利与迁移能力一起评估，才能判断节省经营者时间所带来的收益，以及长期自主性可能付出的代价。

尝试客服按结果计费前，需要共同定义什么算“解决”：客户问题是否处理完毕，是否还需再次修正，哪些复杂情况必须转交人工，并约定观察期限与争议处理方式。较长通话可以被允许，但不宜成为奖励目标；制造缺陷反馈也需要检查是否被准确记录、送达负责团队并得到处理。只有把这些环节纳入验收，Anand关于加快反馈的设想才有可检验的依据。结果定义不清时，更换计费单位可能只是将容易观察的活动成本，换成双方理解不同的成果承诺。

对投资人与创业团队，Anand强调的深入运营，需要落实为具体的参与安排。他称，部分合伙人曾在企业过渡期担任三个月、六个月或一年的临时CEO，以减少董事会式沟通中的信息补课与协调。借鉴这种做法时，应约定需要解决的问题、决策权限、交接节点和退出条件，参与时长本身不足以证明价值。对年轻求职者，他建议加入AI原生公司，减少对头衔和岗位边界的执着，采用成长型思维，并通过参与塑造AI方向。落实到求职选择，还需要考察能否接触完整任务、获得指导并理解失败原因。成长型思维不能替代培训资源，也无法回答行业净就业如何变化。

药物研发和教育应用则需要按最终目标逐层验证。实验循环加快之后，仍要另行核查临床与监管证据；AI能够解释课程、组织测验之后，仍要检查学习者是否真正掌握并保留知识。节目提供了值得探索的方向，尚未提供这些最终成效的保证。区分每一层证据，才能在尝试新能力的同时，明确下一步需要验证什么。

来源

• 原始节目：The Futurists - EPS_353: Tokens Are The New Capital with Anand Chandrasekaran