Warp 终端创始人 Zach Lloyd 在 X 上写了一篇关于 AI 战略的深度思考，核心就一个问题：当你 all-in AI 改造业务时，你也在给那些同时做模型又做你竞品的公司加速。
问题的本质
模型实验室正在越来越多地做直接与客户竞争的产品。这不只是「面临竞争」那么简单，更糟糕的是：你在向潜在竞争对手付费，帮他们把 ARR 做上去，让他们能融更多钱，然后用 AI 更快地来打你。
这就是他所说的 SaaS Dilemma：你需要用 AI 转型业务，但转型的同时，你在帮竞争对手用 AI 颠覆你。
SaaS 公司的高管们要么还没看到这一点，要么觉得是以后的事。也有合理的无力感：世界上最好的模型提供商就那么几家，你有什么选择？
但退后一步，能做的比想象中多，而且智能 token 的寡头垄断不会永远持续。
两条出路
第一条：你能控制的
如何部署 AI 工具和模型、建立内部架构——关键词是保持选择性，不锁定，使用多模型组合。
这样做能达到两件事：
- 不让任何一个供应商获得定价控制权
- 为未来不同模型选项出现时你能随时切换做准备
质量+成本最优的方案是多模型混合：有些用前沿模型，有些用开源模型。一开始就为这种架构设计。
在 Agent 层面，需要的工具是模型无关和 Harness 无关的：让对话数据和记忆层归你所有，能在格局演变时切换新的 Agent 和 Harness。Warp 的做法是保持在各种模型和 Harness 之上，给开发者一个可以用任意模型工作的入口，不用锁定在任何一家。
第二条：更激进，也更难
需要一个真正的前沿质量模型，但这个模型不是由一家有强烈动机与客户竞争的公司创建的。
Salesforce、Atlassian、ServiceNow、Adobe、Shopify 这些大型 SaaS 公司应该积极支持这类模型的创建。
他看到了三种可能路径：
路径一：开源模型。Nvidia 投资了 Reflection，中国也跑出了几个模型。目前还落后前沿一代，但要想赶上，前沿模型的边际收益必须开始递减。这件事有可能，但不确定。
路径二：Google Gemini。Google 在图像和视频生成已经领先，但编码能力还落后——编码是知识工作类应用里最重要的单一场景。Google 有所有ingredients：人才、基础设施、资本、数据。缺的可能是实验室那种极度聚焦带来的高速迭代。另外 Google 做大多数 SaaS 垂直领域竞争的可能性较低，因为它有巨大的消费者业务。
路径三（最有意思）：被冲击的公司联合起来出资开发一个有竞争力的前沿模型，并确保创建模型的人不会转向应用层来变现。如果他是 Atlassian、ServiceNow 或 Adobe，他会认真思考如何从「一家有竞争关系的供应商」那里买 token，转变为从「一家公用事业性质的供应商」那里买 token。这应该是关乎生存的事，而且尝试的时间窗口正在快速收窄。
Zach 的结论：我们正在进入一个有趣的时代。现有的公司如何部署 AI，将决定他们是驾驭这波浪潮，还是被淹没。