从 Apple 的新 Siri 说起：AI 入口之争，下半场不在聊天框里

你好，我是曹犟。

WWDC 刚结束这几天，我看到的讨论几乎都围绕着同一个问题：新的 Siri 到底行不行，追没追上 ChatGPT。这也难怪，过去几年 Apple 在 AI 上的进展一直被外界质疑，大家都等着看它这次交什么答卷。

但在一堆发布会报道里，真正让我觉得有启发的，是 The Verge 的一篇评论，标题大意是“Apple 最好的 AI 创意，看起来很像 vibe coding”。它说的是新版 Shortcuts（快捷指令）：你用一句话描述想要的自动化流程，系统直接帮你把它构建出来。

从这篇报道看：Apple 这次押注的，并不是一个更能聊的 Siri。把发布会上那些散落的更新放在一起看，它在做一件更系统的事。这也让我更加确信了一个判断：AI 入口之争，下半场不在聊天框里。

一、Apple 到底做了什么

这次和 AI 相关的更新，主要有这么几块：Siri 的 AI 能力重新做了一遍，能结合屏幕上正在显示的内容理解你的意图，也能记住之前的对话。这部分能力来自和 Google Gemini 的合作。Shortcuts 接入了生成式 AI，用户用自然语言描述一个自动化流程，应用就能直接生成。Safari 可以自动把相关的标签页分组，还加了一个 Notify Me 功能，某个商品恢复库存、某个页面价格变动时，它会主动提醒你。

其中的每一条，可能都能算预料之中。但放在一起看，会发现一个共同点：这些更新没有一个是卷“聊天”的，而全都努力在把自然语言接到系统动作上。Siri 能看见屏幕，Shortcuts 能生成流程，Safari 能盯页面。Apple 重新编排的是 Siri、Shortcuts、Safari、Spotlight 这些系统级入口，而不是在桌面上多出一个聊天图标。

和 Google 合作，也透露了同样的取舍。当然，国内用户更关心的是，新 Siri 在中国暂时还用不上，落地要靠和阿里的合作，由 Qwen 来提供模型能力.

这两件事放在一起，Apple 的思路就很清楚了：模型是可替换的部件，美国接 Gemini，中国换 Qwen，但屏幕感知、系统动作、入口编排这些位置，要牢牢握在自己手里。什么是赛点、什么不是，从这个分工已经很明白了。

在很多厂商都在比谁的聊天框更聪明的时候，Apple 没有去卷聊天框。这个选择本身就是信号。

二、第一阶段的共识正在失效

过去两年，AI 入口之争有一个默认假设：入口就是聊天框，就是下一个超级 App；谁的模型更聪明，谁就拿走用户。ChatGPT 的成功把这个假设变成了行业共识，以至于后来者做 AI 产品，第一反应都是先做一个对话界面：浏览器加聊天侧边栏，办公软件加聊天助手，连汽车的车机都要塞一个语音对话。

入口之争其实不是什么新故事：PC 时代抢的是浏览器和搜索框，移动时代抢的是超级 App，每一轮的赢家，都是离用户意图落地最近的那个。聊天框看起来离用户意图很近，你想要什么，直接说就行。但它有个天花板：回答问题不等于完成任务。

你问 AI“这周哪个渠道的转化率掉了”，它答得再好，给你的也只是一份分析。接下来呢？你还是要自己打开后台、找到那个渠道、调整预算或者素材。从“知道答案”到“拿到结果”之间的这段路，聊天框走不完，而用户真正想要的，恰恰是结果本身。

所以，入口之争的第二阶段，比的是谁能把自然语言变成真实动作。能调动的动作越多、越深，入口的价值就越大。聊天框只是入口的第一种形态，而且很可能不是最终形态。

三、我在终端里早就过上了这种生活

“说一句话，拿到一个结果”，这种体验对我来说并不新鲜。过去一年多，我的工作都依托 Claude Code 完成，它就是这么工作的：自然语言进去，出来的是改好的文件、跑完的命令、提好的 PR。

举几个具体的例子。我现在的 PPT 和图文几乎全面转向用 HTML 制作，整个过程就是我用中文描述需求，它生成页面、导出图片，我只负责看效果、提意见。长任务方面，我会用 /loop 这样的命令让它每隔几分钟回来检查一次运行状态，结束了向我汇报，而不是我守着屏幕反复追问。还有那些会重复多次的工作流，我都会让它整理成 Skill 沉淀下来，下次一句话就能再跑一遍。在这些场景里，对话只是过程，交付物才是终点。我和它的关系，更像是给一个同事派活、验收，而不是向一个客服提问。

Claude Code 的扩散过程也很有意思。它先以命令行工具的形式，在开发者群体里跑通，因为程序员是最能容忍粗糙的一批用户，界面差一点没关系，能干活就行。跑通之后，才被加上了 GUI，被搬进操作系统，包装成普通用户也能上手的样子。The Verge 把 Shortcuts 类比成 vibe coding，恰恰说明了这一点：Apple 不是这条路线的发明者，更像是把它搬到大众市场的人。

细看 Shortcuts 这个形态，会发现 Apple 的高明之处。一句话生成的不是一次黑盒执行，而是一个看得见、可检查、可修改的自动化流程。这和 vibe coding 产出可 review 的代码，是同一个设计思路：让 AI 干活，但把检查权和否决权留给人。普通用户对出错的容忍度远低于程序员，想把这套体验推给大众，这层封装是绕不过去的。

但 Apple 的入场仍然有分量。它从来不采用不成熟的软硬件技术，向来不做没有被验证过的交互。它愿意把“一句话生成自动化流程”放进系统级应用，说明这条路线在它眼里已经过了验证期，值得推给几十亿的普通用户了。

四、对 2B 软件意味着什么

把视线从操作系统挪回到企业级软件，这个判断同样成立，甚至更激进一点：Agent 不是先长在聊天框里，而是先长在流程里。

这两年很多 SaaS 做 AI 的方式，是在产品右下角挂一个对话窗口，能问数、能查文档。这固然有价值，但按照前面的逻辑，它还停在上半场。拿神策所做的用户行为分析来说，客户用自然语言问“这周哪个渠道转化率掉了”只是起点，真正的价值在分析之后的动作：圈出受影响的用户、调整触达策略、把运营计划跑起来。如果自然语言只能帮你拿到结论，不能继续推动动作执行，它就还是一个更好用的查询框。

我们在 Omni-Growth 上的做法更直接。投放 Copilot 没有做成一个聊天窗口，它长在盯盘、诊断、调价这些具体流程里：7×24 小时盯着投放数据，发现异常先自己诊断，需要动预算的时候才来找人拍板。客户和它的大部分“交互”，其实是在审批它发起的动作，主动向它提问更多只是对问题的追问与开放性探索。

延续这个思路，SaaS 的核心资产会从页面和表单，变成一组可以被自然语言调度的动作接口。所谓动作接口，至少要满足三个条件：能被描述，模型要知道这个动作是干什么的、需要什么参数；能被预览，执行之前人能看到它要做什么；能被撤销，做错了可以回退。对照这三条去看今天的企业软件，绝大部分功能还是只为“人点按钮”设计的，这中间的改造空间非常大。

页面是给人看的，动作接口是给 Agent 用的，后者的分量会越来越重。当然，动作能被调度，就要能被管住。权限、审计、回滚这一套怎么建，我在Agent 上岗以后，谁来管权限、审计和编制？里展开写过，这里不再重复。

再往深一层想，当客户买的从“给人用的页面”变成“能被 Agent 调度的动作”，那么企业软件卖的到底是功能，还是某种形式的数字劳动力？这个问题足够大，我打算之后专门写一篇来讨论。

五、写在最后

回到 Apple，新 Siri 最终的体验好不好，要等秋天正式版出来才知道。以 Apple 最近几年在 AI 上的执行力，再翻一次车也不奇怪。但这不影响我这篇文章想讨论的事情：当一家以谨慎著称的公司，把“一句话变成系统动作”放进了它最核心的几个入口，下半场的方向已经足够清楚了。

接下来真正值得关注的，也不是 Siri 的问答表现，而是 Apple 会把系统动作开放到什么程度：第三方 App 的动作能不能被 Shortcuts 自由编排，开发者能在里面拿到多大的舞台。入口的价值，最终取决于它能调动多少动作。这个道理，对操作系统和对企业软件都是一样的。

当自然语言可以直接触发系统动作，今天这些菜单、按钮和表单，会不会慢慢退到后台，变成只有 Agent 才会去碰的东西？

我没有确定的答案，欢迎在评论区聊聊你的看法