OpenAI首任销售负责人 Aliisa Rosenthal 近日确认加入风险投资公司 Acrew Capital，担任普通合伙人。她将与创始合伙人 Lauren Kolodny 及其他合伙人共同工作。两人向科技媒体 TechCrunch 介绍了这一任命及其背后的考量。

Rosenthal 在 OpenAI 任职约三年，参与推动了 DALL·E、ChatGPT、ChatGPT Enterprise、Sora 等多款产品的商业化与落地，并在任内将 OpenAI 的企业销售团队从最初的两人扩展到数百人。约八个月前，她离开 OpenAI。

她表示，离职后原本并未计划加入风投机构，而是频繁与多家 AI 初创企业接触和交流。直到 Kolodny 向她介绍 Acrew 的投资工作，她开始重新审视职业路径。Rosenthal称，相比只为一家初创公司制定市场策略，通过风投平台可以同时支持多个项目，对她具有吸引力。

从“买方行为”到初创企业“护城河”

回顾在 OpenAI 的经历，Rosenthal 表示，她在企业客户采购行为方面积累了大量经验，包括企业如何评估 AI 采购、预期与现实部署能力之间的差距等。

在此基础上，她形成了对 AI 初创企业“护城河”的一套看法，尤其是如何在大型模型提供商（如 OpenAI）不断推出新产品的背景下，避免被挤压空间。她提到，市场上存在一种担忧，即 OpenAI 是否会“包揽一切，把所有公司都挤出市场”。在她看来，OpenAI 已经在消费端、企业端以及设备等多个方向布局，但并不会追逐每一个具体的企业级应用场景。

在这种判断下，她认为，企业 AI 初创企业的一条重要护城河，是在垂直领域或特定业务场景中提供高度专业化的服务，而非与大型实验室在通用能力上正面竞争。

“上下文层”被视为关键竞争优势

Rosenthal 进一步指出，“上下文”（context）是她眼中优质护城河的核心要素之一，即在 AI 处理请求时存储和调用的信息，以及围绕这些信息构建的能力。

她提到，目前检索增强生成（Retrieval-Augmented Generation，RAG）已成为截至 2025 年减少模型“幻觉”的事实标准方法之一，其做法是让大型语言模型（LLM）基于可信、特定的数据源进行检索并引用这些来源。她认为，上下文具有动态、可适应、可扩展等特征，行业正从基础的 RAG 方案，逐步探索“持久上下文图”（persistent context graph）等更复杂形态。

在她看来，这一方向仍有大量技术空白，包括记忆机制以及超越模式识别的推理能力等。她表示，期待在“上下文”和“记忆”理念上出现真正的技术创新。

Rosenthal 认为，除了专门从事上下文工程的公司外，那些能将上下文深度融入企业应用的初创企业，也将具备明显优势。她指出，从“护城河”的角度看，谁能够拥有并有效管理这一“上下文层”，谁就有望在 AI 产品竞争中形成重要优势。

关注轻量模型与应用层机会

在模型选择方面，Rosenthal 也看到了与大型实验室不同的空间。她认为，市场上存在对更便宜、更轻量、在推理成本上具备创新性的模型的需求。这类模型未必在各类基准测试中名列前茅，但在实际业务中“仍然非常有用”，且在成本效益上更具吸引力。

她表示，自己真正感兴趣的投资方向在于“应用层”，重点关注基于多种不同模型构建的持久性应用，而不仅仅是基础模型本身。她正在寻找“有趣用例”的初创企业，尤其是那些利用 AI 帮助企业员工提升工作效率的公司。

借力 OpenAI 校友网络与企业客户资源

在项目来源方面，Rosenthal 计划首先利用 OpenAI 校友网络。随着 OpenAI 成立已满十年，其校友群体不断扩大，其中不少人已创办初创企业并完成大额融资，估值较高，涵盖了 OpenAI 的主要竞争对手 Anthropic，以及 Safe Superintelligence 等备受关注的早期公司。

与此同时，越来越多前 OpenAI 高管投身早期投资。约一年前，OpenAI 前消费者产品负责人 Peter Deng 加入风投机构 Felicis，随后参与了 LMArena、Periodic Labs 等多家初创企业的大额投资。Rosenthal 表示，几个月前她曾与 Deng 通话，对方在她决定转型成为投资人一事上提供了帮助。

除校友网络外，Rosenthal 还强调了自己在企业级 AI 用户中的人脉资源。她指出，这些企业买家和测试者正是早期 AI 初创企业所需要接触的对象。

在她看来，企业对 AI 能够创造的价值仍缺乏充分认识，当前存在一个“非常大的差距”。她认为，这一差距为新应用和新公司留下了广阔空间，尤其是在企业级 AI 应用层面。