ChatGPT是新的浏览器，但浏览器不会替你思考

a16z最近请了HubSpot联合创始人兼CTO Dharmesh Shah聊AI时代的软件机会。Dharmesh有个判断：ChatGPT和Claude正在变成新的浏览器，或者新的操作系统。

他的类比来自历史。当年桌面软件转向浏览器，Internet Explorer和后来的Mozilla看起来要吃掉一切，但最后Google并没有拥有整个应用层。浏览器只是入口，真正的产品、公司、生态长在了上面。

这个比喻传得很快，但评论区有人给了句更锋利的话：浏览器不会读你的数据然后决定该做什么，这些东西会。

这句话点出了关键差异。浏览器是被动的窗口，ChatGPT和Claude在替你做认知工作。它们不只是入口，还在往上游走。

Dharmesh自己也承认这一点：AI在做真正的思考，这和浏览器时代不一样。但他觉得结论没变，ChatGPT和Claude不会拥有整个软件栈，会有大量公司像HubSpot一样插进去。

问题在于，插在哪里。

黄砖路：实验室正在修的那条

a16z合伙人Joe Schmidt写过一篇文章，叫《Avoiding Death on the Yellow Brick Road》，后来和Dharmesh又录了一期播客专门聊这件事。

完整访谈在YouTube上，接近一小时。

http://youtu.be/s4lXP9IuHjk

黄砖路是《绿野仙踪》里那条最显眼的路。Joe用它来指代AI实验室正在全力投入的方向：代码生成、写作、图像生成。这些问题的共同点是，模型本身越强，产品就越好。每一美元投进预训练和后训练，质量都能直接提升。

创业公司如果在这条路上和实验室竞争，基本没有胜算。实验室拥有模型，拥有分发渠道，拥有品牌光环。拿同样的连接器搭个编排层，做一个通用的agent，大概率是在帮别人验证市场。

Joe的原话更直接：如果你正在做AI应用，用的连接器和实验室一样，下面没有子agent，没有配置，也没有分发，那你走的就是一条通往虚无的路。

奥兹国的其他地方

但黄砖路只是奥兹国的一条路。Joe把剩下的部分叫“The Rest of Oz”。

这里的生意长什么样：模型被编织进复杂的工具、自动化、集成网络里。工作是多步骤、多玩家的，有子agent处理特定角色和行业的任务。需要跨系统收集上下文，然后在不同阶段路由给不同的人审批。经常涉及遗留系统，要求确定性结果，容错空间很小。

翻译一下：脏活、累活、需要行业知识的活。

Joe举了个销售的细节。11x的CEO Prabhav Jain说，一个看起来很简单的问题：如果一家公司已经是你的客户，就不应该再联系他们的员工。

实际做起来呢？CRM里可能只有母公司域名，但这家公司有几十个子公司。CRM记录可能是父公司的域名。Salesforce里一个过期的匹配字段可能把冷邮件发给现有客户的CRO。现实数据是乱的，模型不会自动跨过这道坎。

FurtherAI的CEO Aman Gour讲保险。两家保险公司跑同一个流程：提交、审核、报价、承保。路径看起来一样，但真正区分两家公司的是路径里面的东西：哪些风险要升级，哪些损失信号重要，两条承保规则冲突时哪条赢，什么时候必须人工签字，外部数据怎么拉进来，最终决策怎么记录。

这些逻辑不在一个干净规则引擎里，散落在SOP、经理复核、承保哲学、公司特定偏好和多年运营经验里。很多根本没有写成模型能直接读的形式。

四种防御

Joe总结了“奥兹国其他地方”能守住的几个理由。

数据和学习飞轮。很多知识不在任何训练集里：不成文的行业惯例、没写下来的标准、从业者脑子里的部落知识。一个跑过上百次法律红线审查、上千次保险承保周期、上万次销售外联的公司，已经内化了问题的形状。新入局者临时搭个agent复制不了。

管理模型变化和复杂性。实验室内部也在路由，不同模型处理不同请求。但它们不会跨供应商路由，不会评估竞争对手的模型在某个子任务上是否更好，不会用开源微调模型处理最窄的那块。应用公司每次新模型发布都要重新跑评估、重新校准提示词、保证生产不崩。这活没人想干，但客户需要。

成本优化。每个查询都走最贵的模型是通往负毛利的捷径。最好的应用公司会分层路由：最难的用前沿模型，大量的用中档模型，足够窄的场景用自己微调的小模型。实验室定的是地板价，应用公司卖的是刚好够用的智能。

治理。成为客户在某个垂直领域运行AI的控制平面：权限、审计、agent能做什么、实际做了什么，都在这里汇合。合规的脏活也得有人干：法律行业的FRCP和律师规则，医疗的HIPAA，金融的SEC和FINRA，各州保险法规。一个通用玩家没法同时变成一百个垂直行业。

三个测试

Joe给了三个判断标准，用来分辨自己是在黄砖路上还是在奥兹国其他地方。

工具和步骤测试。这个工作有多少步，需要多复杂的工具支撑？在Google Drive里做一次搜索是一步对一个工具，结果宽松，用户读摘要，错了再问。对比用三年律所先例做多步骤法律红线审查：几十步跨多个工具，输出要过合伙人审核，可能还要在法庭上被辩论。两个看起来都是“agent在工作”，但只有一个需要专注团队花几年建深层软件。

系统测试。你是在建一个客户用来跑工作的系统，还是一个架在他们已有系统上的工具？系统端到端拥有工作流：数据捕获、治理、完成记录。客户描述实际工作怎么发生时，指的是系统。工具只是给客户已经在跑的工作流加智能。工具能产生收入，但实验室能拿走，因为客户不依赖你做编排层。问自己：如果实验室明天发了个直接竞争的东西，客户还需要你吗？需要，那就是系统。

对冲基金和损益测试。实验室的业绩看基准分数，奥兹国其他地方的业绩看客户的损益表。客户不在乎你的模型在SWE-Bench或MMLU上考了多少分，他们在乎agent有没有关掉单子、红线审查对不对、保单承保得对不对。如果他们盯着工作流特定的结果，而不是通用能力分数，你就在正确的位置上。最好的agent生意要像对冲基金一样运行，赢在客户损益表里的alpha，不是基准分数。

一人公司的CRM

Dharmesh自己也在做新东西。uSpot，一个面向一人公司的CRM。从第一天就收费，是他在HubSpot最成功的发布。

这个选择挺有意思。一人公司没有销售团队，没人有空往CRM里打字。评论区有人说得很准：一人公司跳过CRM的原因很简单，没人往里面输入。能赢的产品得自己从收件箱和日历里填数据，只在发东西之前问一句“行不行”。

Dharmesh在HubSpot干了二十多年，从没有过直接下属。他在访谈里说，现在是他做软件三十多年来最好玩的时候。Joe问他怎么看市场情绪，他说最坏的时期也是最好的时期，战争迷雾一直有，但专注客户就行。

至于ChatGPT是不是新浏览器，Dharmesh的完整回答是：它是新OS，是新浏览器，但不会拥有整个栈。会有公司像HubSpot一样插进去。

插在哪里，比插不插更重要。

黄砖路上没有创业公司的位置。奥兹国其他地方很大。