01 触发事件

2026 年 6 月 19 日，TechCrunch 报道印度首富 Mukesh Ambani 旗下 Reliance 正把 AI 编织进其 telecom 服务、app 与家庭场景，触达规模是超过 5 亿用户。

Reliance is weaving AI into telecom services used by more than 500 million people.

表面上，这像是又一家大公司宣布“全面 AI 化”。

但如果只把它看成企业 PR，就会漏掉真正重要的信号：这不是一家 SaaS 公司加一个 chatbot，也不是一家 model lab 发新 benchmark；这是一个已经拥有超大 distribution 的基础设施型公司，准备把 AI 变成默认层。

我没看到原文披露具体模型、token 定价、推理 stack 或 capex 细节，所以没法下结论说 Reliance 已经形成了可复制的 unit economics。可仅从“5 亿用户的 telecom 入口”这个事实上看，这已经足够构成一个值得注意的结构性动作。

问题不在 Reliance 有没有做 AI。

问题在 Reliance 打算把 AI 放进哪些已经高频发生、且用户不会主动比较替代品的触点：call、app、home。

这三类触点的共同点，是默认入口权。

而默认入口权，往往比模型排行榜更值钱。

02 这事的真正含义

这才是 Reliance 在说的事：AI 正从“被主动使用的工具”，变成“被动嵌入的服务层”。

过去两年，行业的注意力大多集中在 model leaderboard、context window、价格战、open-weight 追赶闭源、Agent 能否跑通工作流。

这些当然重要。

但对大多数消费级用户，真正决定使用量的，从来不是模型名称，而是 AI 是否被预装、默认开启、足够便宜、足够顺滑，最好连“打开一个 AI app”这一步都省掉。

这正是 telecom operator 的特殊位置。

它不像 model lab 那样控制 intelligence 供给，也不像独立 AI app 那样靠单点产品体验取胜。它控制的是更上游的 distribution：号码、网络、账单、设备、家庭连接、内容分发、客服入口、支付关系。

当 AI 嵌入这些系统后，被竞争的对象就不再只是另一个 AI app，而是用户原本没有意识到自己在消费的“基础服务”。

例如通话摘要、实时翻译、AI 客服、家庭设备控制、个性化推荐、运营商 super app 内的 agent 式导航。哪怕底层模型是 commodity，入口层依然能拿到 usage、data feedback 和 bundling power。

我没在内部跑过 Reliance 的产品路线图，所以这点我可能误判：他们未必真能把 AI 体验做得足够好，尤其在 multilingual、低端设备、低 ARPU 用户群里，推理成本和 latency 可能比发布会叙事更残酷。

但结构上看，Reliance 的赌注很清楚：不是靠卖最强模型赚钱，而是靠把模型消费包进既有服务关系里。

这对 model API 市场是个警告。

真正会被定价的，不只是每百万 token 多少钱。

那个真正会被定价的是“默认被调用的权利”。

如果一家运营商、cloud、IDE、办公套件或手机 OS 已经拥有高频入口，它可以把 AI 成本摊进更大的 ARPU 池里，甚至把 token 价格对最终用户完全隐藏。到那时，独立 AI 产品如果还按“用户愿意为一个 standalone assistant 单独付费”来建模，风险会迅速上升。

03 历史类比 / 结构对照

更合适的类比，不是 2022 年 ChatGPT。

而是 2007 年 iPhone 之后，移动互联网入口被重新分配；以及 2014 年前后 AWS 把原本复杂的 infra 能力，抽象成默认可消费服务。

iPhone 的启示不是“手机更智能了”。

而是 distribution、interface 与 billing relationship 被重组后，大量原本独立存在的功能，被系统层吃掉了。

今天的 AI，也在发生类似的事。

最开始，大家以为赢家会是“做出最聪明模型的人”。

后来发现，真正能扩大 usage 的，是把模型嵌到已有工作流、已有订阅、已有默认入口的人。

这也是 aggregation theory 在 AI 阶段的新版本：上游 intelligence 供给在一定程度上会 commodity 化，至少对很多非 frontier use case 是这样；下游谁聚合用户、控制请求流量、掌握上下文与分发，谁就更有可能拿走经济价值。

Reliance 之于印度市场，有点像把“运营商 + super app + 家庭连接”三层叠在一起。

这件事和美国市场不完全可比，因为美国 telecom operator 的产品创新能力、监管环境、生态协调方式都不同。印度市场的价格敏感度、设备结构、语言多样性也让模型部署更复杂。我可能低估了本地化执行难度。

但正因为如此，如果 Reliance 还能把 AI 推进 5 亿级用户触点，那反而说明另一件事：AI 的下一阶段不是从高价值用户向大众扩散，而是被拥有海量低成本分发能力的平台直接压到大众市场。

这会倒逼整个供给侧重新定价。

因为当 distribution 巨头进场，模型不再只是能力竞赛，也变成 margin 管理问题。

04 对 AI builder 意味着什么

对 AI builder 来说，这周和这个月该调整的，不是“要不要做 AI”，而是“你的产品到底占哪个层”。

第一，重新检查你是否只是一个容易被入口层吞掉的 feature。

如果你做的是通话摘要、翻译、智能客服、家庭自动化 agent、内容导航、消息整理，这类功能天然贴近 operator、OS、browser、IDE、workspace suite。你的真实对手可能不是另一个创业公司，而是某个已经拥有 distribution 的平台。

第二，优先考虑多模型与 routing，而不是绑定单一 provider 讲故事。

原因很简单：当大平台把 AI 变成 bundled service，终端用户不会关心底层是谁。那应用层若还把价值全部押在“我接的是某家最强模型”，议价权会越来越差。相反，谁能基于 latency、cost、语言、任务类型做 routing，谁更接近真正的 margin control。

这也是 token gateway、统一 API 层、observability、caching、policy control 这些基础能力持续有意义的原因。不是因为它们更“高级”，而是因为它们让 builder 能在供给波动里保留选择权。

第三，把本地市场和渠道伙伴重新拉进战略中心。

Reliance 的动作提醒一件常被硅谷叙事忽略的事实：在很多新兴市场，distribution 不是 app store 排名，而是运营商、支付、设备预装、家庭 broadband、线下销售网络的组合。你如果做 consumer AI 或 prosumer AI，却没有思考这些渠道，增长模型可能过于理想化。

第四，开始按“隐藏 token 成本”的思路设计产品。

当 AI 被打包进月费、套餐、硬件、企业合同，显性按量计费未必是最佳体验。builder 要思考的是：哪些 use case 可以用 prompt caching、异步处理、低成本模型、局部 on-device 推理，把用户感知从“每次调用一次 AI”变成“这个产品本来就该这样工作”。

我没掌握 Reliance 的实际成本结构，所以不能说这条路已经被验证。但至少方向很清晰：未来赢家不一定展示最贵的推理，而是把足够好的推理藏进用户原本就会付费的商品里。

05 反方观点 / 风险

也许这件事根本没那么大。

第一种可能，是 Reliance 只是做了一层 AI 营销包装，真正上线的能力有限，用户 retention 不强，最后只是在 super app 和客服系统里加了一些同质化功能。这种情况并不少见。大公司最擅长讲“平台级转型”，但真正难的是把低频 demo 变成高频 habit。

第二种可能，是 telecom distribution 在 AI 时代并没有想象中那么强。

用户也许愿意接受网络服务商提供便宜套餐，却未必愿意把更高价值的 AI interaction 交给运营商品牌。尤其当 OpenAI、Google、Anthropic 或本地强势 app 已经建立心智时，运营商可能只拿到最底层、最低毛利的流量搬运工作。

第三种可能，是成本曲线并不支持这种大规模普及。

5 亿用户听起来宏大，但如果其中哪怕只有一小部分高频使用语音 AI、实时翻译或 multimodal agent，推理成本、网络抖动、设备兼容、语言质量都会迅速暴露。没有足够强的 hardware-software co-design，入口再大也可能只是把亏损放大。

第四种可能，是我高估了 distribution、低估了 product love。

历史上，拥有入口不等于拥有产品能力。很多系统级 bundling 最终只创造了“默认使用”，没有创造“持续偏好”。而 AI 的一个反常之处在于，能力差异如果足够大，用户会主动跨过默认入口去寻找更好的 assistant。这点在 coding、research、high-intent knowledge work 上尤其明显。

所以更稳妥的判断不是“Reliance 一定会赢”。

而是：当拥有 5 亿用户关系的公司开始系统性部署 AI，应用层创业者不能再把 distribution 当成外生变量。

以前，模型能力是主战场。

现在，模型能力只是一张入场券。

谁控制请求从哪里发起、在哪个界面发生、由谁结算、默认调哪个模型、上下文沉淀在哪一层，那个层才更接近未来的 moat。