法律AI毛利率波动、消费级代理人工兜底与代理商务格局——TBPN 节目要点梳理（TBPN，2026-09-23）

——据TBPN节目《Harvey’s Margins, Are Insects Worth More Than Humans?, Meta Tests Human Help for Muse | Diet TBPN》（2026-09-23）整理

摘要：本文对TBPN节目主持人John Coogan与Jordi Hays本期新闻评论的主要观点进行了梳理汇总。梳理了法律AI公司Harvey毛利率由约50%跌至6月的负50%、随后在一个季度内回正的过程及其成本应对，介绍了同周前沿模型密集发布的情况以及Meta为个人代理Muse测试人工兜底的做法，最后梳理了亚马逊、Shopify等平台在代理商务中的应对。据节目转述，Harvey年化经常性收入约4亿美元，亚马逊广告收入约为其电商净利的两倍。

关键词：席位制定价；推理成本；模型路由；个人代理；代理商务；Harvey；Meta Muse；亚马逊

一、Harvey毛利率的波动与修复

Harvey毛利率在年内经历了由正转负、再度回正的过程，主持人将其归因于席位制定价与代理式用量之间的错配。

（一）毛利转负的成因

主持人转述彭博（Bloomberg）报道称，法律AI公司Harvey的毛利率由约50%跌至6月的负50%，起因是代理任务在其租用的OpenAI与Anthropic模型上的token用量激增20倍。主持人认为，任何公司都不应以负毛利销售产品，Harvey在6月相当于“把一美元卖成五毛”；但成本膨胀建立在产品用量增长之上，同期年化经常性收入（ARR）仍在增长，年内token消耗增长了20倍。

主持人从三方面拆解了这一机制：一是Harvey采用席位制定价，席位收入相对固定；二是随着模型能力提升，每个席位的用量大幅上升，律师的指令可能与一年前完全相同，仍是“审一下这份文件”，但处理方式由无推理的一次性生成，演进为推理模型生成多得多的token，再演进为代理去检索全所的记录、政策与文件，一项任务展开为大量调用；三是席位收入保持不变而成本成倍增加，毛利率随之转负。

（二）创始人回应与路线分歧

据彭博同一篇报道，Harvey已恢复正毛利，做法是调整模型使用结构，把部分任务交给更便宜也更合适的模型，并对一个开放权重模型进行了后训练。

主持人宣读了Harvey联合创始人Gabe的回应帖。据帖子介绍，较容易的做法是在客户尚未准备好时强推消费制定价，同时用较差的模型保住毛利；Harvey选择按客户自身的时间表过渡，并持续提供好模型，代价是毛利受损。为此公司采取了三方面措施：一是路由优化；二是运行框架（harness）改进；三是后训练，以可承受的价格提供前沿智能。与此同时，公司搭建了帮助客户监控和管理支出的基础设施，包括用量仪表盘、按案件的成本归集、支出上限与投资回报（ROI）报告。帖子称，在用量逐月翻倍的情况下，毛利率在一个季度内由负50%回到正值。

竞争对手Legora的Max公开表达了不同意见。据主持人介绍，其观点是自训模型难以成立，原因在于公开的前沿模型成本在下降、质量在上升，自训属于资源浪费。主持人认为，这是两家公司各自的押注，正确答案大概率是两者的混合；每一家应用层公司都经历过类似时刻，哪怕只持续一天，关键在于响应和调整的速度。

（三）财务测算与行业对标

主持人对Harvey的财务状况做了口算：一是ARR运行率为4亿美元，折合每月约3300万美元；二是负50%的毛利率意味着6月亏损约1600万美元；三是公司已融资约5亿美元，从烧钱角度看算不上危机。他还提到，9月9日宣布的红杉资本（Sequoia）领投交易将公司估值定在约155亿美元，并推测交易成交时投资方对6月的负毛利至少有部分了解，另一位主持人认同这一推测。

关于法律科技应达到的利润率水平，主持人列举了三类对标：一是电子取证上市公司DISCO的GAAP毛利率为75%，其业务是把短信、邮件导入系统供审阅，属于常规软件形态；二是汤森路透（Thomson Reuters）法律专业人士软件板块的调整后EBITDA率接近50%；三是律所自身利润同样较高，据普华永道（PwC）数据，头部10家律所净利率约41%，排名10至100的律所略低。主持人认为，法律行业整体利润充足，Harvey的目标区间即在上述水平附近。

二、前沿模型密集发布与token成本下行

主持人认为，token价格一天比一天便宜，本周前沿模型发布密集。

据其介绍，本周发布呈现三条线索：一是Anthropic的Opus 5.5于节目当天发布；二是xAI的Grok 4.7于前一天发布；三是GPT-6 Soul与Luna开始推出。

对Grok 4.7，据主持人转述，Elon Musk表示这一代尚未直接达到前沿水平，还需几轮迭代。值得注意的是，主持人关注到其中一项基准，即Harvey的法律代理基准，这是按成本衡量的法律任务基准，Grok 4.7在此类法律工作上成本很低，主持人由此设想Harvey可能把更多token支出导向xAI。

对Opus 5.5，主持人在节目末尾总结称其基准成绩好、价格很低。Anthropic的第二篇帖子称，这是其宣布“跟随前沿节奏”以来发布的第一个模型；主持人理解其能力处于Fable 5.1一档，价格则低得多，OpenAI同一天也有类似动作。节目中还提到一个演示：有人把纸上手绘的投石机草图交给Opus 5.5，模型将其转化为可运行的模拟。两位主持人认为，模型竞争不会停止，关键在于用模型做什么。

三、Meta Muse的人工兜底测试

Meta在消费级个人代理中引入人工兜底，两位主持人对其可持续性与真实用途看法不一。

主持人转述彭博报道称，Meta正在为新推出的个人代理Muse测试“人工礼宾”服务，由人工承包商在后台处理数字代理发起的部分电话。据其介绍，前一天做客节目的Vinod也谈到一款由人工兜底的代理，AI完成大部分工作，必要时升级给人工处理。一位主持人提出疑问：语音模型已相当成熟，而Meta要把产品推向数十亿用户，依靠人工接听电话难以持续。

另一位主持人从三方面作出解释：

一是成本可控。Muse目前装机量小，人工成本不高，且Meta有能力搭建大规模人工团队，包括从Scale AI加入的团队。

二是数据采集。Muse承诺不使用用户输入的数据进行训练，但人工完成模型力所不及的任务时，例如致电订花这类复杂对话，产生的记录可用于训练。因此人在回路（human-in-the-loop）更接近数据采集手段，用于解决当前模型会失败的场景，获得数据后再推出下一代模型，循环往复，他将其视为过渡手段。他补充称，日历摘要一类任务Muse 1与Spark 1.3均可完成，缺少的正是电话场景的数据。

三是使用时长。他怀疑此类代理应用的使用时长并不高，OpenAI对外比较的是周活跃用户数，许多人去海滩的日子一整天不会使用AI。Katie Notopoulos对Alex Wang帖子的回应是，很多人并没有目标，只想放松；主持人将此与Ben Thompson“消费者想要的是娱乐”的观点联系起来，认为即便拥有助理团队的人，周末也不会安排任何事务。

四、代理商务中的平台博弈

主持人围绕亚马逊、Shopify与沃尔玛的案例，讨论了消费者代理进入购物环节后各方的应对与利益分配。

（一）亚马逊的防守与广告利润池

主持人介绍，亚马逊（Amazon）正在封锁代理的浏览器访问，两人还半开玩笑地设想了编写定制命令行工具绕过检测、借Muse的人工客服致电改单等办法。据主持人转述Ben Thompson当天的文章，亚马逊在AI时代的位置来自其拥有的物流、基础设施与现实世界的末端环节，因此会长期守住阵地。先例是，OpenAI推出即时结账并邀请各方接入时，亚马逊拒绝加入，转而向OpenAI投入数百亿美元；如今的结果是亚马逊把自己的广告投进ChatGPT，并在那里完成购买。

主持人援引Stratechery文章中的数据指出：一是亚马逊电商净利约360亿美元；二是广告收入恰为其两倍，即680亿美元，过去12个月已超过700亿美元；三是没有广告，电商业务就不盈利，因此广告被铺到了每个角落。

（二）Shopify的支付层捕获与商家顾虑

Shopify的Tobi Lütke宣布与Muse集成。主持人指出，价值捕获点在于该集成仅支持Shop Pay，从而成为把商家推向Shop Pay的杠杆，Shopify仍能从中获利。

商家的顾虑来自沃尔玛（Walmart）与ChatGPT集成的结果。据主持人介绍，一是该渠道的转化率只有沃尔玛自有应用与网站的三分之一；二是购物篮也更小，原因在于用户只会说“给我一卷纸巾”，而在自有站内采购的用户会顺手把肥皂等商品一并放入购物篮。

（三）服务市场的开放抉择

Nikesh Arora在评论亚马逊与Muse之争时认为，这场竞争的规模会超出所有人的预期。其观点可归纳为三点：一是苹果（Apple）、谷歌（Google）乃至TikTok都会推出自己的Muse，前沿实验室的代理之外，亚马逊也可能推出商务代理；二是每一个服务市场或商务应用都面临是否向消费者代理开放接口的生死抉择，小型参与者别无选择；三是广告收入高于交易费，结局要么是消费者受益，要么是分发聚合者索取更高的交易费。

总的看，两位主持人认为，推理与代理带来的token膨胀已在Harvey的账面上体现，应用商可借助模型路由、后训练与更便宜的新模型修复毛利；模型竞争仍将持续，关键在于用模型做什么。在消费端，节目所引述的观点认为，代理商务的走向在很大程度上取决于平台是否向代理开放接口，以及广告与交易费之间的利益如何分配。