一个尴尬的事实：模型差距在缩小
2026 年中，一个尴尬的趋势正在显现：顶级大模型之间的差距，正在以肉眼可见的速度缩小。
GPT-5、Claude-4、Gemini-2.5、国产的几个百亿千亿模型，在公开榜单上的分数咬得很紧。你的产品上个月用 A 模型领先竞品 3 个点，下个月竞品切到 B 模型就追平了。再下个月你切 C 模型，又领先 2 个点。这种来回拉锯没有终局，因为模型能力的「天花板效应」已经开始——再往上提升，边际成本越来越高，边际收益越来越低。
这对 AI 产品经理意味着什么？意味着**「我的模型比你强」正在变成一句越来越没有说服力的卖点**。
当模型能力趋同时，竞争的战场会从「模型层」转移到「产品层」。这就是我说的「去模型化」竞争——用户不再为模型买单，而是为模型之上的东西买单。
去模型化竞争的四个战场
模型趋同后，差异化会集中在四个战场上。每一个都和模型本身关系不大，但每一个都决定生死。
战场一：上下文工程——比的不是模型懂什么，是你喂了什么
同一个模型，喂不同的上下文，输出天差地别。当模型本身拉不开差距时，「你给模型准备了什么」就成了核心壁垒。
举个具体例子。两个法律 AI 产品都用同一个底层模型。A 产品每次回答前，会把相关法条、用户历史案件、同类判决全部检索出来塞进上下文；B 产品只把用户的问题和一段通用法律知识塞进去。结果 A 的回答专业度碾压 B——但模型是一模一样的。
这就是上下文工程的价值。它包含三件事：检索（找对资料）、编排（排好顺序）、裁剪（去掉噪声）。每件事都是产品活，不是模型活。
未来 AI 产品的护城河，很大一部分会建在「私有数据 + 检索策略 + 上下文组装」这个组合上。模型是公共水管，上下文工程是你家净水器。水的味道由净水器决定。
战场二：工作流封装——比的不是单次回答，是端到端跑通
模型擅长回答一个问题，但用户要的是完成一个任务。从「问题」到「任务」之间，隔着一条长长的工作流，而工作流的设计是产品的主场。
拿「写一份竞品分析」来说。差的 AI 产品是：用户问一句，模型答一段，用户自己再问下一段，最后自己拼成报告。
好的 AI 产品是：用户说「帮我分析竞品 X」，系统自动拆解成——抓取竞品数据、对比功能矩阵、分析定价策略、汇总用户评价、生成结论建议——每一步调用不同的工具或 Skill，最后组装成一份结构化报告。用户全程可能只需要确认两次。
注意，这里的核心竞争力不是模型，是工作流的设计能力——知道一个任务该拆成几步、每步用什么工具、步骤间怎么衔接、在哪一步该让人确认。这是 PM 的活，是产品架构的活。
当模型能力趋同时，谁的工作流封装得更顺，谁就赢。Superpowers 那套 Skill 流水线之所以值钱，就是因为它们把工作流做成了产品的骨架。
战场三：记忆与个性化——比的不是这一轮，是这一路
这个我在上一篇讲记忆系统的文章里展开过，这里只说竞争含义。
模型是「千人一面」的——同一个模型对所有人都是一样的。真正让用户觉得「这个 AI 懂我」的，是它记住了你是谁、你在做什么、你的偏好。个性化是产品层的事，不是模型层的事。
当模型差距缩小，用户留存的关键会从「这个 AI 多聪明」变成「这个 AI 多懂我」。而「懂我」需要长期记忆的积累——这恰恰是先发者的护城河。一个用了三年的 AI 助手，和一个刚装的 AI 助手，即使模型一样，体验也完全不同，因为前者「认识」你。
这意味着：谁能让用户更早开始积累记忆，谁就锁定了用户的迁移成本。 模型可以换，记忆换不走。
战场四：信任与可控——比的不是能做什么，是让人放心让它做
最后一个战场，也是最容易被忽视的。
模型能力越强，用户反而越不敢放手用。因为强模型犯了错，后果也更严重——它会把错误执行得很自信、很完整、很不可逆。
当所有模型都「足够强」时，用户的选择标准会从「谁更强」转向「谁更可控」。具体表现为三个问题：
- 我能不能看到它为什么这么做？（可解释性）
- 我能不能在它做错之前拦住它？（可控性）
- 它做错了，我能不能撤销？（可逆性）
这三个问题，没有一个是靠模型解决的，全是靠产品设计。一个会在执行前展示计划、等用户确认的 Agent，比一个闷头就干的 Agent 更让人敢用——即使后者模型更强。
信任不是模型给的，是产品挣的。当模型趋同，信任就成了差异化。
一个预测：模型层会「水电化」
基于上面的分析，我有一个相对确定的预测：未来两到三年，大模型会像水电一样「基础设施化」。
意思是：模型会变成一种标准化的、按量计费的、用户感知不到品牌的底层服务。就像你用自来水不会关心水厂是谁，未来用户用 AI 产品也不会关心底层是哪个模型。
这对行业的影响是结构性的：
- 模型厂商会往两端走——要么往上游做芯片和算力，要么往下游做产品。纯卖模型 API 的中间层会被价格战压扁。
- 产品公司会把更多精力从「调模型」转移到「建上下文、设计工作流、做记忆、建信任」上。模型成为采购项，不再是核心竞争力。
- 用户会更难说出「我用的是 GPT 还是 Claude」，但会更清楚「我用 Cursor 因为它懂我的代码习惯，我用 Notion AI 因为它懂我的文档结构」。
去模型化不是贬低模型，恰恰相反——只有当模型强到足够通用，产品层才能放开手脚做差异化。模型是土壤，产品是庄稼。土壤越肥沃通用，庄稼的差异越取决于种地的人。
给 PM 的行动建议
如果你是 AI PM，现在该做什么准备？
第一，盘点你的差异化里有多少是「模型给的」，多少是「产品挣的」。 如果超过一半依赖模型能力，危险信号——因为模型优势随时会被追平。把依赖从模型层往产品层挪。
第二，把「上下文工程」当一等公民来投入。 这是最被低估、回报最高的方向。一个好的检索策略，胜过换一个更强的模型。
第三，提前布局记忆和个性化。 这是时间换护城河的事，越早开始积累越深。等竞品反应过来，你的用户已经有三年记忆了，他迁不走。
第四，把「可控可逆」写进产品 DNA。 别等出事了再补。一个让用户「敢放手」的产品，在模型趋同时代会有结构性优势。
结语
模型趋同不是 AI 行业的衰退，恰恰是它走向成熟的标志。
当「模型够用」成为常态，真正决定产品成败的，是那些一直存在、但被模型竞赛盖住的东西——你懂不懂用户、你的工作流顺不顺、你的产品可不可信、你和用户的关系厚不厚。
这些东西，传统产品经理做了几十年。AI 给它们加了一层加速器，但没改变本质。
所以别再问「下一个更强的模型在哪」。问自己：当模型不再是变量，我的产品还剩什么？ 那个答案，才是你真正的竞争力。
行动建议：做一个小实验——假设明天所有模型厂商都停止更新，你手里的模型能力就此冻结。在这个假设下，列出你的产品未来一年还能靠什么提升体验。如果列出来的全是「等模型变强」，那你的产品其实没有产品力，只有模型力。是时候补课了。