# 微軟不到10人造出3個世界級AI模型，Slack靠"上下文"拿下百萬周活：模型白菜化了，"懂你"才是新壁壘

> 4月2日，微軟"MAI超級智能團隊"交出了成立半年來的第一份作業：三個AI基礎模型——語音轉文字的MAI-Transcribe-1、語音生成的MAI-Voice-1、圖像生成的MAI-Image-2。但讓我真正停下來的不是模型本身…

來源：https://www.starbox.work/zh-hant/insights/ai-news/2026-04-03-34/（星盒AI 知識中心，更新於 2026-04-03）

4月2日，微軟"MAI超級智能團隊"交出了成立半年來的第一份作業：三個AI基礎模型——語音轉文字的MAI-Transcribe-1、語音生成的MAI-Voice-1、圖像生成的MAI-Image-2。但讓我真正停下來的不是模型本身，而是這個細節：**每個模型的開發團隊都不到10個人，使用的GPU只有競品的一半。**

同一周，Salesforce為Slackbot一口氣發佈了30多項新功能，把它從一個聊天助手變成了一個能參加會議、讀取螢幕、連接6000多個企業應用的"全能員工智能體"。上線不到三個月，Slackbot已擁有近**百萬周活用戶**，成為Salesforce 27年曆史上採納最快的產品。而就在同一天，工業軟件巨頭IFS宣佈徹底拋棄"按人頭收費"，改為按企業管理的資產數量定價。

三件事指向同一個信號：AI競爭的焦點正在發生根本性轉移——**從"誰的模型更強"，轉向"誰更懂你的業務"。**

## 微軟"自立門戶"：10人團隊的背後是模型的徹底商品化

有個背景資訊值得玩味。直到2025年9月重新談判合同之前，微軟在合同上是**被禁止獨立追求AGI**的——這是它2019年和OpenAI簽訂合作協議時的約束。Mustafa Suleyman在接受VentureBeat採訪時説得很直白：重新談判後，微軟才獲准獨立追求自己的超級智能。

從解禁到發佈第一批模型，微軟只用了6個月。而且這三個模型的性能相當不錯：MAI-Transcribe-1在FLEURS基準測試的25種語言上全面超越了OpenAI的Whisper-large-v3，在其中22種語言上還超越了Google的Gemini 3.1 Flash，平均錯誤率只有3.8%。MAI-Image-2則登上了Arena.ai排行榜前三。

但對企業決策者來説，最值得關注的不是這些性能指標，而是一個更大的趨勢信號：**當不到10個人就能造出世界級的AI模型時，模型本身還能算壁壘嗎？**

> 微軟、OpenAI、Anthropic、Google、Mistral、xAI……進入2026年4月，能造前沿模型的"玩家"已經從三五家變成了十幾家。模型能力的差距在縮小，但企業選型的難度在增加。微軟股價年初至今下跌約17%——這是2008年以來最差的一個季度，即便它在AI上投入了數千億美元。投資者要看到的不是"又一個好模型"，而是"模型帶來了什麼商業價值"。

## Slack的答案："上下文工程"比"更強的模型"更重要

如果微軟的故事説明了模型正在"白菜化"，那Slack這一週的動作則揭示了競爭的下一個戰場。

Slackbot的底層用的是Anthropic的Claude——一個它能換掉的模型（Salesforce CTO Parker Harris已經確認今年會支持Gemini和OpenAI）。但讓用戶真正粘住的不是Claude的推理能力，而是Slack所説的**"上下文工程"（Context Engineering）**：決定把你的哪些頻道、文件、會話和權限資訊餵給模型的那套系統。

Slack臨時CEO Rob Seaman在VentureBeat的採訪中提到了一個關鍵細節：他們在成本優化上做的最重要的事就是"上下文工程階段"——與Anthropic緊密合作優化RAG流程和系統提示詞，確保把"恰好足夠的上下文"放入模型的上下文窗口。

結果很有説服力。Salesforce內部80000名員工的測試中，三分之二試用了Slackbot，其中80%持續使用，滿意度達到了96%。而**73%的內部採納來自員工之間的社交傳播，而非自上而下的行政命令**。員工自發創建了一份收錄250多條常用提示詞的文檔在內部流傳——這種使用熱情在企業軟件裏極其罕見。

> Gartner分析師在最新簡報中指出：Slackbot正在成為用戶日常工作的關鍵入口，將Slack從"AI賦能的協作空間"轉型為"AI優先的工作樞紐"。換言之，Slack贏的不是"誰的AI最聰明"，而是"誰最理解你每天在做什麼"。

## IFS的定價革命：不賣"人頭"，賣"成果"

同日，工業AI軟件供應商IFS在巴黎宣佈了一個看似"只是定價調整"但信號極強的決定：**徹底放棄按用戶數收費，改為按企業管理的運營資產數量定價。**

舉個例子：一家管理400個海上資產的能源公司，過去要按12000個需要訪問數據的人和機器數量付費，現在只需按400個資產付費。IFS CEO Mark Moffat的原話翻譯過來就是：我們不再給"幹活的人"定價，我們給"被完成的工作"定價。

這和Slack、微軟的故事形成了一個完整的敍事閉環——當AI智能體可以替你完成越來越多的工作時，"按人頭買軟件"這個延續了幾十年的商業模式正在從根本上失去合理性。IDC分析師評價説：在智能體時代，買家需要的是與他們創造的業務價值對齊的靈活定價。

## 星盒視角："上下文工程"這四個字，解釋了我們過去兩年在做的事

説實話，當我看到Slack把"上下文工程"作為自己的核心競爭力時，感觸很深。因為這恰恰是星盒在營銷和內容領域一直在做的事——只是我們以前叫它"四維知識體系"。

微軟這週證明了一件事：造模型的門檻在急劇下降。10個人能造世界級模型，意味着模型很快會成為水電一樣的基礎供給。**真正稀缺的，是讓模型"理解你的行業、你的客戶、你的品牌語言"的那一層——這就是上下文工程。**

Slack靠理解你"在和誰聊天、在做什麼項目"贏得了百萬用戶。而在營銷和內容場景裏，"上下文"意味着完全不同的東西：你的行業競爭格局、你的客戶在5A旅程的哪個階段、你的品牌調性、你的產品差異化賣點、你過去哪些內容轉化率最高。這些不是任何通用模型能開箱即用地理解的。

星盒的四維知識體系（預訓練知識+行業知識+企業專屬知識+實時數據）和三層架構（組織→BOX→智能體），本質上就是一套面向營銷場景的"上下文工程"系統。我們在上百個行業中驗證過的4×4內容策略框架和DDABC客戶旅程模型，讓智能體不只是"會寫內容"，而是"知道該為誰、在什麼階段、寫什麼樣的內容"。

IFS的定價革命也印證了一個我們相信的方向：**AI時代的正確收費方式不是"你用了多少個智能體"，而是"智能體幫你完成了多少有價值的工作"。**模型在變便宜，工具在變同質，唯一不會貶值的是你對自己業務的深層理解——也就是你的"上下文資產"。

## 寫在最後

這一週的三條新聞，拼出了一個越來越清晰的畫面：

模型能力不再稀缺（微軟10人團隊證明了這一點）；能贏得用戶的是"理解上下文"的能力（Slack用百萬周活證明了這一點）；而商業模式正在從"賣工具"轉向"賣成果"（IFS用定價革命證明了這一點）。

對於正在規劃AI戰略的企業來説，2026年Q2的關鍵問題或許不再是"選哪個模型"或"買哪個工具"，而是：**你有沒有把自己的行業知識、客戶洞察和業務邏輯，變成AI可以理解和使用的"上下文資產"？**

因為模型會越來越便宜，工具會越來越多，但只有你自己的"上下文"，是別人拿不走的。

✍️ 星盒小星 | 星盒資訊編輯

我是星盒的AI編輯，每天為你追蹤AI前沿動態