AI应用，终于不是"故事"了。
最近，美国风投机构 Madrona Venture Group 发布了 2026 年 Intelligent Applications 40，也就是IA40。
这可不是一份普通的榜单。说得再直白点，它更像一级市场对AI应用的一次集体投票。
Madrona联合了来自54家头部VC和企业投资机构的72位投资人，从450多家公司中提名、评估，再结合PitchBook的数据评分，才选出了今年最值得关注的48家AI应用和基础设施公司。
今年 Madrona 给出的主题是“Harnessing the Value of AI”，翻译过来，就是AI价值开始真正兑现了。
这个变化已经体现在收入上。今年入选的公司中，至少26家已经披露了明确的收入或ARR数据，其中至少9家ARR超过1亿美元。
更有意思的是，收入跑出来以后，公司的打法也跟着变了。
一边，AI应用正在沿着工作流一路扩张：从一个只解决单点环节的工具，开始接管整条工作流，同时把客户自己的会议、项目、客户数据和业务规则，一层层沉淀进产品。
另一边，Agent真正开始替企业干活以后，底层基础设施的重点也在变化，服务于Agent成本、稳定性等方向的公司开始受到更多关注。
硅基君就借着今年这48家公司，讲讲AI应用正在发生的一些变化。
AI应用，从卖工具到接管工作流
2026年的应用层，正在出现两个很明显的变化。
第一个，产品边界开始变宽，从单个环节优化到完整结果交付。
33家应用公司中，有18家已经不满足于只做最初那个功能，而是开始把这项工作前后的更多环节一起做了。
举几个例子，Granola最早做的是会议纪要，现在开始把一个团队不同会议里的信息串起来，让用户直接查询客户、项目和历史决策。
Gradial原本主要做营销内容生成，现在连翻译、审核、合规和发布也一起做。
Serval从IT问答起步，已经开始直接处理工单、权限申请这些IT服务流程。
赛道不同，打法却惊人地一致：先靠一个核心功能切进企业流程，再把完成这件事所需要的其他步骤，一起接过来。
背后的原因并不复杂。AI先把最容易自动化的一步做快以后，真正拖慢工作的，很快就变成后面的审核、协作和执行。
以Gradial做的营销为例，AI生成一段营销内容，只需要几十秒。
但大型企业要把它真正上线，还要经过翻译、品牌审核、合规检查、CMS录入和发布——可能涉及10多个环节。
即便"生成"再快，整个过程依然可能需要两周甚至更久。
所以Gradial渐渐从内容生成，向后面的营销运营环节扩张。
以T-Mobile的合作为例，Gradial直接接入其CMS、素材库和工单系统，把页面搭建、素材处理、内容更新，以及品牌、合规和QA检查一起纳入流程。
结果呢？
T-Mobile一项大型营销活动，过去需要一个月、累计投入1000—1200小时。接入Gradial后，加上人工QA，整体工作量降到约80小时，投放时间缩短约90%。
当产品开始压缩整项工作的交付时间，客户愿意付费的价值也会随之扩大。
第二个，AI应用开始掌握客户自己的业务上下文。
33家应用公司中，26家已经能够持续读取和调用客户自己的业务信息和历史记录。
这类上下文，可能是一家公司过去开过的会议、客户历史、项目进展，也可能是内部知识、业务规则和过去做过的决策。
Sierra是个更典型的例子。它做的是AI客服，让Agent直接处理客户服务问题。
在Rocket Mortgage的房贷场景中，Sierra的Agent并不是只根据用户当前这一句话回答问题，而会调用客户已有的贷款信息和业务系统数据，完成征信查询、个性化利率展示、贷款方案调整，以及还款和贷款状态查询。
这意味着什么？
同一个客户每次重新进入对话时，Agent面对的都不是一段孤立输入，而是建立在其贷款进度、历史交互和当前业务状态之上的完整上下文。
结果也很直接，从Sierra的数字助手开始房贷流程的客户，最终成交率达到未使用者的3倍；同时使用AI聊天和人工银行顾问的客户，购房和再融资转化率则提高到4倍。
这背后反映的，是AI应用价值来源的变化。
过去，应用层很大一部分能力来自模型本身。但随着基础模型越来越容易获得，应用层真正具有专属性的东西，开始变成客户原本沉淀在CRM、业务系统和历史记录里的上下文。
AI应用的壁垒在于，你究竟有多了解自己的客户。
Agent基础设施换主角了
当应用公司开始接管更多步骤，底���的基础设施市场也随之换了重点。
2025年，Madrona讨论Agent基础设施时，重点还是MCP、A2A这样的连接协议，以及CrewAI、LangChain代表的Agent编排，Haize Labs、Braintrust代表的评估工具。
到了2026年，名单的重心明显换了。
上一年备受关注的评估和编排公司CrewAI、Haize Labs等大批退出。今年，Baseten、OpenRouter、Fireworks新进入正式榜，再加上Together AI和Fal——今年12家基础设施公司里，已经有5家集中在推理和路由方向，较去年的2家明显增加，占比超过四成。
也就是说，随着Agent真正跑起来以后，原本藏在一次模型调用背后的成本、调度和运行问题，也开始一起被推到台前。
围绕这些问题，三个方向正在明显升温。
第一，推理优化。
Agent真正执行任务后，一项任务背后往往是多轮模型和工具调用。链路一长，Token成本、延迟都会被一起放大。Baseten和Fireworks做的，就是把模型推理做得更便宜、更快。
比如，Baseten更多解决算力调度问题：流量低时，减少模型占用的闲置GPU资源；流量上来后再启动更多GPU，并可以在不同云厂商和地区之间调度GPU。
Fireworks则更多优化GPU本身的使用效率，把模型推理的不同计算环节拆开分配资源，再通过缓存和请求调度减少重复计算，让同样的GPU处理更多请求。
对Agent来说，这些优化最后都会落到同一个问题：任务能不能以更低的成本、更快的速度跑完。
而这，正是Agent真正进入生产环境以后必须解决的问题。
第二，模型路由。
Agent的一项任务往往包含多种工作：有的需要强推理，有的只是简单提取，而且模型调用还要考虑稳定性。
更麻烦的是，即使模型已经确定，同一个模型背后的推理供给也并不稳定——不同服务商的价格、速度、容量和工具调用表现，都可能持续变化。
OpenRouter现在做的，是两层路由：
Auto Router 先根据任务类型和成本要求选择模型；Auto Exacto 再在提供该模型的不同推理服务商之间选择更合适的一家，并根据速度、工具调用表现和Benchmark动态调整排序——大约每5分钟更新一次。
这意味着，Agent每走一步，模型路由都能动态决定该用哪个模型。当模型和推理供给都越来越碎片化，如何在它们之间做选择，也开始成为一层独立的基础设施。
第三，运行环境。
Agent真正执行任务后，除了调用模型，还可能要登录网页、运行代码、处理文件，并把一串操作连续跑完。
模型负责决定下一步做什么，但这些动作本身，还需要一个稳定的执行环境。
Browserbase最早做的，就是给Agent提供专门的云端浏览器。因为很多Agent真正执行任务时，大量网站并没有可以直接调用的API。
Browserbase把浏览器放到云端，并负责每次浏览器任务的运行状态、身份和操作记录，让Agent可以直接操作网页。
而现在，Browserbase又通过Functions和Runtime，把运行Agent代码的这部分基础设施也接了过来——Agent代码可以直接运行在浏览器旁边，浏览器的启动、任务执行、日志和结果由同一套平台管理。
这套运行环境，已经开始承接客户的大规模调用。
Airtable今年4月推出Agent后，不到三个月就通过Browserbase累计执行了超过30万次浏览器任务，平均每天超过3000次。
换句话说，当Agent从一次调用变成持续执行，运行环境也变成了生产基础设施。
总结
从应用到基础设施，IA40今年反映出的其实是同一件事。
AI越深入应用环境，价值就越不只是来自模型本身。
对应用公司来说，只提供一个功能越来越不够。它需要进入更完整的工作流，掌握更多客户自己的业务上下文，最后真正参与工作的完成。
而对基础设施公司来说，机会也不再只来自"帮开发者把Agent做出来"，而是来自Agent真正运行以后，不断产生的推理、调度和执行需求。
谁离真实工作更近，控制了更多执行环节，谁就更有机会拿走下一阶段的价值。
本文来自微信公众号“硅基观察Pro”，作者：元元，36氪经授权发布。