Ask HN：如果这些模型这么强，为什么 OpenAI 不直接开 100 家公司？
如果大型语言模型真的如此强大，为什么它们的创造者不直接用它们自己去创建并运营数十家高利润公司呢？评论者认为，AI 实验室其实是在采取经典的“淘金热里卖锄头”策略：专注于核心模型、芯片和 token 销售，把构建行业特定业务的风险留给别人，然后再潜在地复制或收购成功的东西。许多人还强调，今天的模型仍然缺乏长期判断、社交能动性和运营执行力，无法自主运营复杂企业，而任何足以让 LLM 轻松完成的事情，很可能又太容易商品化，难以维持强护城河。
锄头 vs. 创办公司
- 主导性的比喻：前沿实验室是在“淘金热里卖锄头”（模型、token、芯片、云算力），而不是自己去挖金子（经营 100 多家面向终端用户的企业）。
- 论点：卖锄头更容易规模化，把风险分散给客户，也避免与这些客户正面竞争。
- 反驳：如果这些锄头真的这么强，为什么不拿它们去打造一个持续赚钱的机器（例如量化基金或全自动化企业）？
模型能力与局限
- 许多人认为，这些模型很强，但远不足以自主运营复杂公司：长期自主性、判断力、创造力以及社交/关系能力都很弱。
- 它们被认为非常擅长代码、数学和有边界的任务，但不擅长决定该做什么、获取客户或维护关键客户关系。
- 有人认为，这相当于把门槛从“AGI ~ 在许多任务上达到人类水平”提高到了“AGI 必须在无人类协助下运营整个企业”。
经济、资本与风险
- 实验室需要巨大且快速增长的收入，才能证明巨额投资合理，并应对紧张的资本市场；创办 100 家高风险企业会被视为分散精力。
- 关于“投资 vs. 借债”的争论：法律上不同，但二者都会带来强烈的收入与回报压力。
- 有人引用杰文斯悖论：智能越便宜，对它的需求就越大，因此销售 token/agent 是最稳妥的增长路径。
平台策略与数据优势
- 普遍认为，实验室更倾向平台角色：API、agent、应用层、“forward deployed engineers”，以及有针对性的产品分拆，而不是很多独立公司。
- 卖 token 让它们能够观察使用模式，并在获得同意后用客户数据训练；之后还能复制或收购最成功的点子。
竞争、护城河与反垄断担忧
- 如果运营 100 家公司，实验室就会与自己的客户正面竞争（有被“Sherlocked”的风险），这会抑制采用并招致监管机构关注。
- 有人预计最终会出现纵向整合和分拆业务（咨询、金融、药物发现、专业 SaaS），但只会选择性地发生，而且要等模型更强之后。
对现有行业的影响
- 有观点称某些细分领域（例如辅导/作业帮助、图库照片、部分翻译以及低端 SaaS/工具）已经受到严重冲击；也有人质疑这种影响是否真的如此广泛。
- 普遍看法是：AI 让软件开发更便宜，因此护城河会转向领域知识、关系、分发能力，以及资本密集型或实体运营。
未来情景
- 有人认为实验室最终会自动化并吞并许多软件市场；也有人认为模型商品化和竞争（包括海外竞争）会限制它们的利润率。
- 对于完全由 AI 运营的公司，其时间点和可行性，普遍都被视为“尚不明确”。