7 月 2 日，Microsoft 宣布成立"Frontier Company"——25 亿美元，6,000 名 AI 工程师，派驻到企业客户现场。同一天，AWS 推出类似计划——10 亿美元，工程师驻场。7 月 3 日，Anthropic 删掉了 Claude Code 80% 的系统提示词，从 65,000 个 token 砍到 12,000 个。
三条消息，同一天。两条是加人，一条是减字。方向相反，指向同一个结论：AI 行业正在发现，"把产品做好"和"让客户用上"之间，隔着的不是一段路，是一座山。
云厂商选择用人来翻山。Anthropic 选择把山削平。两种策略，同一个底层问题：AI 的最后一公里，比任何人预想的都长。
25 亿美元 + 6,000 人是什么概念
先从数字说起。
Microsoft 的 Frontier Company——25 亿美元不是一个小数目。对比一下：Microsoft 2025 年全年资本开支约 550 亿美元，其中绝大部分花在 GPU 和数据中心上。Frontier Company 的 25 亿美元相当于 Microsoft 全年 AI 基础设施投资的约 4.5%。但如果按"每部署一个新客户"来计算——6,000 人服务多少客户？假设每人同时服务 2-3 个客户，覆盖约 12,000-18,000 个企业账户——每个客户的获取和落地成本约为 14-21 万美元。
AWS 的 10 亿美元更小，但逻辑相同——不是雇人写代码，是雇人教客户用 AI。两家云厂商加起来，35 亿美元 + 近万名工程师——这不是"附加值服务"，这是一个新业务部门。
相比之下，Anthropic 删提示词的新闻容易被忽略——65,000 token 砍到 12,000。但这条新闻的成本含义不亚于 Microsoft 的 25 亿美元。Claude Code 是开发者工具，每减少 1,000 个 system prompt token，意味着每次对话的推理成本降低约 1.5-3%。如果有 40 万开发者每天使用 Claude Code——从 65,000 砍到 12,000 节省的推理成本，按年化计算可能超过 Anthropic 总营收的 5-8%。
一边是往系统里加人。一边是往系统里减字。两条路，同一座山。
系统之美：为什么往一个坏系统里加人不会解决问题
德内拉·梅多斯在《系统之美》里提出过一个反直觉的判断：往一个运转不良的系统里添加更多元素——更多资源、更多人、更多钱——通常不会让系统变好。只会让系统的行为模式更加根深蒂固。
她管这个叫"转移负担"——系统遇到问题时，最自然的反应是增加投入来缓解症状。但症状缓解了，解决问题的动力就消失了。真正需要改变的——系统的结构、规则、信息流动方式——被搁置了。
Microsoft 的 6,000 人工程序就是"转移负担"的教科书级案例。
问题：AI 模型的 API 已经足够好了，但企业不知道怎么用。不是 API 的问题——是企业内部的流程、数据、人才、文化没有为 AI 做好准备。所以企业不买 API。所以云厂商的营收增速在放缓。
Microsoft 的解法：派 6,000 人去帮企业用 API。这是在解决症状（API 卖不动），不是在解决系统问题（企业内部为什么用不起来）。
但这里有一个转折——梅多斯的框架是静态的。她假设系统的行为模式不会因为外部干预而改变。但如果 6,000 人的干预足够持久——它可能改变企业的行为模式本身。企业被 6,000 个 AI 工程师包围了 12 个月之后，内部的数据流程、人才结构、决策文化可能真的会变。这就是 Frontier Company 的赌注——不是"帮客户用 API"，是"把客户本身变成 AI 原生的组织"。
这不是 X，是 Y。不是"AI 产品不够好所以需要人来补"，是"AI 的组织变革太深了，需要一个过渡物种来帮企业完成进化"。 6,000 个 AI 工程师就是这个过渡物种。
成功的前提是——Microsoft 愿意持续投入足够长的时间。如果 Frontier Company 在 12 个月后因为 ROI 不达标被砍掉——那它确实只是一个昂贵的"转移负担"。如果它能坚持 3-5 年——它可能成为一个新型的"AI 系统集成商"，和埃森哲、Infosys 在同一个市场但拥有模型层的护城河。
复杂经济学：为什么 AI 的 S 曲线比所有人预想的更平
布莱恩·阿瑟的复杂经济学提供了一个从另一个方向看同一件事的框架。
他的核心概念：技术不是孤立存在的。每一项新技术都需要一个生态系统的支持——配套的工具、标准、人才、制度、社会规范。技术本身可以在实验室里快速迭代（指数增长），但生态系统的建立是线性的——需要人来学、人来适应、制度来调整、信任来建立。
这条线的斜率，决定了 AI 的 S 曲线有多陡。
2023-2024 年，AI 行业经历的是技术本身的指数增长——GPT-4、Claude、Gemini，一个模型比一个强。每个人都在说"指数增长"、"AGI 快到了"。但 2025-2026 年，行业进入了生态系统的线性增长阶段——企业在适应、开发者在学习、监管在追赶、社会在消化。指数变成了线性。不是 AI 变慢了——是 AI 的"扩散速率"从来就是线性的。
Microsoft 的 6,000 人其实就是往这个线性扩散过程里注入加速度。生态系统不会自己变快——需要有人花时间教、有人花精力推。6,000 人不是"卖 API 的销售"——是"生态系统建设者"。每一家企业被改造成功，就给 AI 的 S 曲线增加了一个新的节点。当节点足够多——S 曲线的陡坡段才会真正到来。
Anthropic 的反向操作：减法才是真正的成熟
同一天，Anthropic 删了 Claude Code 80% 的提示词。
从 65,000 token 的系统提示词砍到 12,000。这个数字本身就是一段荒谬的历史——65,000 token 是什么概念？GPT-3（2020 年）的整个上下文窗口是 2,048 token。Claude Code 的系统提示词，比三年前最先进的模型的整个大脑还大 32 倍。
提示词通胀的本质是一个经典的"加杠杆"错误：模型出了错 → 加一句提示词来修 → 模型又出了另一种错 → 再加一句 → 65,000 token 之后，模型还没开始写代码，已经被压在了一座说明书山下。
这和云厂商的人海战术是同一个结构。症状出现 → 加人。问题没解决 → 加更多人。直到系统的复杂度超过了任何单一个体或组织的管理能力。
Anthropic 的解法是反过来的——把提示词删到只保留"告诉模型它是谁"的最小集合。结果：模型的表现反而更好了。不是 Anthropic 的 AI 变聪明了——是少了 53,000 个互相矛盾的指令之后，模型终于能听清自己在想什么了。
道、术、势三层看这件事：
道的层面，AI 产品正在从"功能堆叠"阶段进入"减法成熟"阶段。删掉 80% 的提示词不是成本优化——是产品哲学的范式切换。过度设计是成长期的特征。减法才是成熟期的标志。
术的层面，Anthropic 的减法不是孤例。Claude Code 同时推出了 /goal 和 /loop 命令——让开发者设定目标，AI 自己跑循环，而不是开发者一步步指挥。同一个月，一个叫 Caveman 的 Claude Code 插件爆火——它的核心功能是用"原始人语"替换废话（What you want → U want），评测显示减少了 65-75% 的输出 token。从提示词到输出，从输入到交互，整个 Claude Code 生态都在做减法。
势的层面，Microsoft 的"加人"和 Anthropic 的"减字"不是对立的——它们是 AI 产业成熟的两条腿。一条腿是帮旧世界过渡到新世界（加人）。一条腿是让新世界本身变得更简单（减字）。当两条腿都走到终点——"加人"不再需要，因为企业已经成为 AI 原生组织；"减字"不再需要，因为 AI 已经不需要人类告诉它怎么思考——那才是 AI 真正成熟的样子。
但那个终点还很远。在到达之前，Microsoft 的 6,000 人赌注和 Anthropic 的 53,000 token 删减，都是在为同一件事铺路——让 AI 从"能做什么"变成"真的在做什么"。 这句话过去三天的 blog 里已经出现了不止一次。但它值得被重复。因为 AI 行业最大的秘密不是技术有多强——是技术和现实世界之间的差距有多大。而这个差距，35 亿美元 + 6,000 个人的赌注才刚开始填。