来源：市场资讯
（来源：51CTO技术栈）
“趁着现在某些 AI 产品还有 VC（风险投资）在源源不断地进行平台补贴，赶紧疯狂地、能写多少就写多少代码吧！”
这个在网络上流传的梗，在 Box 创始人兼CEO Aaron Levie 的访谈中再次被提到。
Aaron 认为，在这背后，是我们把原本应该在 10 年内慢慢消化的技术演进，硬生生压缩到了18 个月里。所以数据中心提供商和实验室等上游拥有绝对的定价权，他们根本不需要降低任何东西的价格。
因此，你现在看不到那些能够拉低算力成本的传统行业红利。
在通常情况下，计算领域会有规模经济效应，不会出现这种长期的短缺，随着产能扩建，一切都会变得更便宜，而且还有摩根定律在起作用。
第二，老问题包装成了新噱头，Agent 落地的瓶颈始终是数据。在过去的 20 到 30 年里，企业 IT 圈里所有的原本隐藏的细节，现在全都爆发成了数据问题、数据一致性问题以及权限控制问题，这实际上会变成未来几年内企业最核心、最庞大的落地项目之一。
第三，原有定价模式的崩塌，接下来会怎么走？
当现在一个编程智能体在执行单项任务时就可能消耗价值 1000 美元的算力时，每个用户每月 20 美元的固定订阅费的定价模式就崩塌了！
接下来会发生什么，Aaron 认为，其中一件就是像 OpenAI “专属算力”。意思是，如果你很清楚自己的工作负载，就能够锁定特定的价格，从而帮助控制成本。
另一件会发生的事，是你会看到一种“分化”：前沿 AI 模型的能力会被应用到编程、先进生命科学、合同流程以及财务规划流程中。但当这些领域技术能力达到饱和，就可以把它剥离出来，扔给一个更低成本的模型，让它在日常工作中持续运转。
第四，下一个 50 亿美元的创业公司可能就藏在“AI 算力的 ERP”赛道。
怎么衡量投入在 Token 上的投资回报率？听起来可能有点荒谬，但这其实是非常有必要的。这个工具的核心功能就是：我该如何判断和决定所有的算力资源都在被以正确的方式使用？我又该如何去衡量这些算力所产出的实际价值？
备注：ERP是一种集成企业各部门业务流程和数据的管理软件系统，旨在优化资源配置、提升管理效率并支持决策。
第五，AI 没有终局，我们可以以 10 年为单位！相较于 AI 末日论者和加速主义者认为的终局状态，Aaron 认为 AI 是一种基本上用来执行工作的新方式，它只会不断地变得更好。
第六，无头软件和传统软件将走向双轨并行的模式！人类未来可能更像是在软件里买了一个“最终用户席位”，并在这个席位下获得了一定额度的人类使用时长分配。
我认为三年后的任何一家通过了这一轮 AI 转型期的企业软件公司，都会同时具备两种商业模式：一种是“按席位订阅”——前提是它包含最终用户交互的组件；另一种则是“按量计费”
第七，未来的 Agent 是用完即走还是终身编制？
“在我们的系统里给它开一个具体的账户名和权限实体，逻辑上是完全说得通的。”
当然，也逃不过 AI 与就业这个老生常谈的话题，在 Aaron 看来，AI 摧毁就业根本立不住脚。“Agent并没有从根本上改变劳动分工的底层逻辑。实际发生的岗位消亡，要远远少于那些天花乱坠的超级炒作。”
当然，除了这些之外，还有“现在的市场一团糟、IT 预算覆盖不了 AI 成本账单会由谁买单、10年后进入营销领域却要求计算机辅修能力、把Meta拉进来给员工电脑强行塞软件”等硬核话题！
全文就在下面！
我们正在经历云计算时代的 AI 版本
主持人：Aaron，很高兴见到你。
Aaron Levie：很高兴能再来，非常感谢。
主持人：在如今这个时期，硅谷、湾区以及泛科技界，与全球 2000 强这类传统大型企业之间的代差究竟有多大？
Aaron Levie：有趣的是，我们其实一直都在扮演这种“桥梁”的角色。如果非要提炼一个我们始终在思考的核心理念，那就是：我们的工作就是把超前、尖端的破局技术，与真实世界连接起来。
在云计算发展的极早期，大家会说：“天哪，我们现在可以把无限的存储空间搬到云端了。”但要把这种能力交到大多数企业手中，你需要一个简单的界面，需要高级的安全防护。
所以，我们一直都像是在这两个世界之间摆渡。其中一个世界是超级前沿的，所有东西都在以每秒百万英里的速度狂飙；而另一个现实世界则需要面对变革管理、系统升级等一系列琐碎的现实问题。我们在云计算时代经历过这一切，而现在，我们在 AI 时代显然正在经历这个过程的另一个版本。
不过，这里我觉得需要加一个微小的补充说明：这其实不仅仅是“硅谷 vs 其他所有人”的问题。这实际上更像是“硅谷的工程师团队” vs “其他所有人”。而且需要澄清的是，即便你在那些传统大厂，如果你现在正深入接触 AI 且身处工程部门，你的状态可能跟硅谷的工程师看起来并无二致。所以更大的问题在于，“硅谷”与“非工程类的知识工作者”之间的差距。而这也是目前最核心的命题：既然我们知道 AI 编程智能体已经彻底迎来了爆发、实现了逃逸速度，那么这种智能体的工作方式，要如何走向组织中的其他部门？这种推广落地会是什么样？应用场景有哪些？如何具体部署？不用多说，这绝对是目前我们接触到的每一个客户都在讨论的核心话题。
企业 AI 的“第一天”：刚把 Chat 推上线，智能体就来清场了
Aaron Levie：而且我觉得我的样本量还算说得过去，光是今年，我就和大概一两百位 CIO 聊过，他们基本都来自财富 500 强和全球 2000 强这个群体。我可以这么说，这是目前我们在与企业接触时，统治所有对话的单一核心话题。这是每家企业都在努力搞懂的最主要、最核心的事情。不过，我们目前依然处于难以置信的早期阶段，这大概是最核心的。
而尽管我们进入这一轮 AI 浪潮已经有三四年了，为什么说现在还处于早期呢？因为大家才刚刚开始摸索出企业内部聊天系统的最终落地计划。各大企业非常合理地为自己终于把聊天系统推上线而感到骄傲和高兴。当然，必须要说明的是，这在一些组织里仍在普及过程中，比如在知识型工作领域，聊天系统可能还有 5 年的增长红利。但恰恰就在这个节点，AI 的能力又向前延伸了一大步。于是所有人又坐在一起说：“好吧，我们正在从‘聊天’模式向前迈进。”（聊天模式就是：我问一个问题，它返回一个答案。因此，生产力的提升其实受限于人类进行对话沟通的速度。）“现在，我实际上想要去部署一个智能体，让它在企业里帮我干活、产出实际的工作成果。”
它可能去处理某些具体的任务。也许你还是通过聊天来启动它，但它也可能是以有状态的方式在后台持续运行。比如我偶尔去催下进度，或者它直接潜入到了某个工作流中自动触发。所以现在所有人都在想：“行吧，聊天这套东西我们差不多弄懂怎么玩了。”顺便说一句，即便他们知道这玩意怎么运作，我也必须指出，市场份额的动态依然在发生变化，人们在选择部署什么产品上依然存在很多变数。但现在大家都在说：“好，我们要去部署智能体了。这些智能体将会先进得多，能力也强得多。”这就是现在最重磅的话题。我会说，作为整个行业，我们现在正处于这个新阶段的“第一天”。
天下没有免费的午餐：企业 AI 正在告别炒作
主持人：是的。你会怎么形容现在大家的这种情绪？你提到“聊天”这一点很有意思。因为在我和别人的交流中，有一部分人会说类似这样的话：“两年前你们这些搞科技的跑来找我们，说我们必须得搞这个‘聊天’系统，说这事超级紧急，再不搞就要落后了。结果呢，我们做了试点，最后也没真正落地。现在两三年过去了，你又跑回来跟我说：‘智能体才是真正的未来，这次你要是再不跟进，你就真得落后了。’” 在“怀疑”到“热衷”这两个极端之间，你觉得大型目前企业的情绪应该落在哪？
Aaron Levie：我会说，如果从最广泛的样本来看，统计学上企业的情绪其实要比你刚才描述的那个框架更偏向乐观。我觉得你可能刚好碰到了几个格外愤世嫉俗的 CIO。
因为实际情况是，当我们和主要的受众，也就是 CIO 们沟通时，他们很清楚自己的工程团队正在使用云端编程工具、Codex 和 Cursor。他们亲眼看到了这些团队带来的生产力提升。同时，业务部门也在推着他们往前走，纷纷表示：“我们也想要协同工具，我们也想用 Codex，我们也想用这些工具。”所以，这些工具现在其实对业务部门有一种独特的吸引力，大家在主动索要。大家都想登上智能体这趟列车，因为看到了很多极好的应用场景。
因此，我认为目前的基调是非常乐观、兴奋和积极的，而不是那种 Gartner 技术成熟度曲线里典型的“幻灭期低谷”。我觉得大家现在都是“人间清醒”，知道这世上没有免费的午餐，AI 不会立刻就颠覆我们的生产力。现在大家都非常清醒地意识到，这东西不是一部署下去，企业就能奇迹般地自动转型。
我们接下来可能会聊到其中一些，比如 Token 成本问题，比如你具体要怎么推行落地，再比如你手里到底有没有人才去部署这些东西。所以，我发现大家都知道，天下没有白吃的午餐，这不仅是指成本方面，更指在实际部署和落地执行的层面上。
微软因天价 Token 成本取消内部授权？别被媒体带了节奏
主持人：既然你提到了 Token 成本，那我们就切入这个话题。就在我们录制节目的这周，有新闻称微软取消了他们内部的云端编程授权许可，原因就是基于 Token 计费的成本已经高到了无法承受的地步。我记得几周前，Uber 的 CTO 也在谈论类似的事情。所以，这显然是一个在大型企业中开始凸显的话题。
Aaron Levie：是的。不过公平地讲，我觉得微软那个新闻可能被媒体带了些很有意思的节奏。因为那更像是一种风向的转变，表明他们想要把重心转过去，而不是继续给 Codex 或者是原方案付费。他们依然会花钱买 Token，但这些 Token 基本上是直接跑在他们自己的基础设施上的。所以，我觉得媒体当时非常喜欢去“润色”和放大那个故事的矛盾点。
当智能体一次任务能烧掉1000美元算力，
20 美元的固定订阅费就崩塌了！
主持人：确实。但这似乎确实是一个大家最关心的话题。这又回到了那种张力上：一头是硅谷这种科技生态圈，大家都在疯狂地追求“Token 最大化”；而另一头，传统大型企业则在为成本发愁。那么，你听到了客户怎样的反馈？你又会给他们什么建议？
Aaron Levie ：坦白说，我不确定自己现在有没有什么特别完美的建议。但是我可以告诉你，当我们现在去和那些正在探索智能体的企业聊天时，Token 成本、预算编制以及预算规划这些事，绝对能排进当前 AI 相关最棘手问题的前三名。甚至在有一半的时间里，它能跟第一名并列。因为企业经历了一次转变，之前行业里大家都在说“这是一种平台补贴行为”。我倒不完全这么看，我觉得当时只是成本足够低，所以这些东西都被打包进去了，比如 Cursor 之前直接包含了大量的免费额度。哪怕这算是一种补贴，但当时他们确实可以非常干净利落地把这部分成本模型化，算进用户的订阅费里。
结果突然之间，现在的智能体能干的活儿成倍增加。它们的上下文窗口变得极大，因为参数量暴增且能力变得极强，导致推理成本也高得吓人。所以，我们直接经历了一种定价模型的跨越：以前是聊天机器人或者类似 GitHub Copilot 这种定价模式，而当一个编程智能体在执行单项任务时就可能消耗价值 1000 美元的算力时，原有的定价模型就彻底崩塌了。
显而易见，你不可能把这些高昂的算力成本全部打包进一个每个用户每月 20 美元的固定订阅费里。这就是过去一年、甚至不到一年里发生的剧烈跳跃。意思就是，你基本上只要去看一下 Anthropic 的营收曲线，你就会发现，正是在那个时期，整个成本建模和 Token 预算方面的玩法被彻底颠覆了。
10年的演进被压缩到12个月，
为什么大模型实验室能拥有绝对定价权？
主持人：是的，而且前沿模型的单 Token 成本实际上是在上升的，对吧？所以，这不仅仅是因为运行时间更长的智能体消耗了更多的 Token，也是因为至少那些最前沿模型的单 Token 实际价格变贵了。这与我们过去几年里互相兜售的那个“Token 成本永远在下降”的叙事完全相反。
Aaron Levie：是的，百分之百赞同。但我觉得这里面有一个微妙的细节。当然，这可能需要让那些大模型实验室的专业人士来聊聊，我不确定这仅仅是“平台补贴减少”的问题，更关键的是，这些新模型本身大得惊人，而且硬件在短期内根本不可能降价，加之我们还面临着算力产能的限制。
因此，我们看到了几种完全不同于传统计算机发展规律的异常模式。在通常情况下，计算领域会有规模经济效应，不会出现这种长期的短缺，随着产能扩建，一切都会变得更便宜，而且还有摩根定律在起作用。但现在，我们把原本应该在 10 年内慢慢落地的技术演进，硬生生压缩到了 18 个月里。所以结果可想而知，数据中心提供商和实验室等上游拥有绝对的定价权，他们根本不需要降低任何东西的价格。因此，你现在看不到那些能够拉低算力成本的传统行业红利。
虽然我非常乐观地认为这在未来 5 到 10 年内总会发生，但显然现在还没到时候。我们无法在现阶段看到一个正常的 10 年计算周期里应该出现的成本下降曲线，因为这 10 年的发展现在正被塞进区区 12 个月里。结果就是，企业会说：“我对这些账单感到非常震惊。”
而且这种震惊并不是那种“我不干了、我不付钱了”的拒绝，而是一种“虽然很贵但不得不默默接受”的震惊。因为他们确实从实证中看到了生产力的提升，否则他们根本不会去支付这些账单。只是他们现在意识到：“哦，原来这是一笔非常庞大且实打实的企业开销。”这绝不是那种我们在员工人头上每人多加 20 美元就能轻松打发并解决问题的开销。
当 IT 预算覆盖不了 AI 成本：算力账单开始由谁买单？
Aaron Levie：所以，即将发生的一个微妙转变是：在 AI 发展的头两三年里，IT 预算基本上还能消化掉 AI 带来的成本。这在当时表现为：公司升级到了微软的 Copilot，或者加购了某家软件供应商的 AI 增值功能，再或者把 Cursor 的许可证费用塞进 IT 支出里。正如你所知道的，IT 支出基本上只占一家公司总营收的 3% 到 7% 左右，基本就被死死锁死在这个区间内。
那么问题来了：企业剩下的 60%、70% 甚至 80% 的营收去哪了？那是运营成本，是分散在整个企业各部门的通用日常开销。如果 AI 真的能为你的工程团队、客户入驻流程或营销团队带来实打实的生产力跃升，你显然不希望这项技术被死死卡在公司区区 3% 到 7% 的 IT 预算里。它必然会冲破这个限制，走向各个具体业务部门自己的预算池。
从一方面来看，这对于整个 AI 行业来说绝对是个好消息，因为你再也不用被一家公司的 IT 预算上限给箍死了。但从另一方面来看，这又引出了一系列非常有意思的下游问题：因为业务部门本身根本不知道该怎么为算力做预算。
所以，我认为接下来首先会发生的，是财务团队、业务部门和 IT 团队之间的一场博弈和拉锯。这将演变成一个很有意思的局面：你该如何去协调和分流这一切？在某种程度上，你必须把 IT 系统的集中化管理拿在手里，来决定采购什么；但同时，你又必须把“如何使用这些工具”的决策权下放到各部门。因为说到底，应该由首席营销官来决定他们到底是想把 100 万美元花在算力上，还是花在办一场线下营销活动上。
下一个50亿美元的创业公司：Token 上的 ROI 怎么算？
Aaron Levie：再次强调，这是一种全新的模式：你该如何在你的营销预算、销售预算以及全球制造预算中去管理一笔“算力预算”？这是大家现在必须去琢磨弄懂的全新课题。而我们目前非常缺乏的一样东西，就是衡量工具——你该如何去衡量投入在 Token 上的投资回报率（ROI）？在技术周期的这么早期就去谈论 ROI，听起来可能有点荒谬和搞笑，但我认为这其实是非常务实且有必要的。举个例子，我现在在电脑上做某些操作，可能按下一个按钮，消耗的成本就相当于公司给我提供的一顿免费午餐。显然，没有哪家公司会说：“那行吧，我们直接部署一大堆工具，让员工可以在 10 秒钟内随心所欲地瞎按按钮，白白消耗掉相当于 10 顿午餐的成本，而公司甚至都不知道你做的事情到底有没有为组织创造价值。”
我们到底该怎么应对这一切？我实际上目前也没有现成的解决方案。这将会是未来最有趣的问题之一。它最终可能会结合员工培训、集中式的产能规划，以及去中心化的落地决策。为了实现这些，你将需要全新的软件。可能现在就有一个价值 50 亿美元的初创公司机会，正藏在“AI 算力的 ERP”这一赛道里。
这个工具的核心功能就是：我该如何判断和决定所有的算力资源都在被以正确的方式使用？我又该如何去衡量这些算力所产出的实际价值？我要怎么确保这些工具能下发给正确的团队？所以我认为目前这一切都还在探索之中。而且这东西太新了，导致我们眼下极其缺乏行业最佳实践。
主持人： 瞧瞧，我们在播客里直接就把初创公司的财富密码给免费送出来了。不客气各位。
告别“法拉利”包打天下：企业内部的“大模型马赛克”拼图
主持人：既然你提到不再补贴，但似乎那些大模型实验室已经开始做出反应了。比如 OpenAI 推出了定制化定价机制，就是为了让价格更具透明度。你认为这也是整个行业未来演进的方向之一吗？
Aaron Levie ：在我刚才对所有那些问题的长篇大论中，有几件事是必然会发生的。其中一件必然会发生的事，就是像 OpenAI 搞的这种非常棒的项目，也就是“专属算力”。意思是，如果你很清楚自己的工作负载，就能够锁定特定的价格，从而帮助控制成本。这是保护你成本的一种方式。
我认为另一件会发生的事，是你会看到一种“分化”，相比两年前我会预测技术走向融合，现在让我们来做相反的预测：前沿 AI 模型的能力会被应用到编程、先进生命科学、合同流程以及财务规划流程中。在这些领域，你会去部署高配的 GPT-5.5、Opus 4.7 或者管它什么的最顶尖模型。但是，一旦你摸索出了某个特定任务，也就是说你现在能够非常可靠地执行该任务了，当这种技术能力达到饱和，你就可以把它剥离出来，扔给一个更低成本的模型，让它在日常工作中持续运转。我们在做这件事上还非常不成熟，因为说实话，大概直到过去的 6 到 12 个月里，模型才能真正可靠地帮我们处理好任何一项具体的任务。
随着这种情况开始发生，你就可以说：“行，对于那单项的客服互动任务，我现在可以把成本死死卡在每百万 Token 50 美分以内，绝对不能比这更高了。事实上，它只会越来越低，因为我后续还可以把它换成开源模型等。”但是对于我的编程任务，我依然想要用最高能力级别的模型。
因此，我认为接下来会发生的，是企业内部会呈现出一种模型的“马赛克”（即多种模型交织并存的拼图）。我觉得一家企业，在组织内部肯定会同时使用五六种不同的模型。从性能性价比的角度来看，你不可能把所有任务都无脑砸给那种“法拉利级别”的顶配模型。所以企业必须在这方面变得更精明，你需要在如何将任务精准调度到不同算力级别这件事情上，具备更深厚的驾驭能力。我们将迎来衡量这一切的全新方式，这又绕回到刚才那个初创公司的想法了。
传统软件居然还没绝迹？有些地方你根本不需要智能体！
甚至在某些应用场景下，企业最终会一拍大腿意识到：“噢，其实这地方我根本连智能体都不需要。”有些地方你其实只需要部署一套传统软件就够了。而且说实话，传统软件其实更便宜，因为它只需要跑在 CPU 上。
主持人： 等等，传统软件？这玩意儿居然还没绝迹，居然还存在？
Aaron Levie ：是的。事实证明，你可能并不会希望你的智能体每天清晨都把用户界面重新渲染一遍，而仅仅是为了用一下这个界面，每天就要白白烧掉 30 美元的算力。所以，我认为未来会有很多混合型的解决方案。更不用说市场上那些良性的竞争了，整个市场会像你预期的那样运转：有人会看到这里面蕴含着创新的破局机会，然后去攻克市场的某些特定细分领域。
永远需要 VC 砸钱补贴的供应商！
主持人： 明白了。我们聊了企业内部的情绪，也聊了成本层面的因素。那么在推进阻力方面，特别是在技术和产品前端，还发生着什么？大家现在是需要 Harness？需要更多的供应商？还是需要更多的开源模型？他们最缺什么？
Aaron Levie ： 更多的供应商。标准答案永远是需要“更多供应商”。
主持人：得是VC（风险投资）在后面砸钱补贴的供应商。
Aaron Levie ： 百分之百。但理想情况下，得是“有 VC 补贴的。”之前网上有一条推文，这个梗估计被大家提过好多次了，大意是说：“趁着现在某些 AI 产品还有 VC 资本在源源不断地进行平台补贴，赶紧疯狂地、能写多少就写多少代码吧。”
这其实是一个特别搞笑的概念。因为如果你足够精明，你甚至可以在市场的某些角落薅羊毛，心想：“噢，我可以直接借用这些 VC 的 LP 资金（有限合伙人资金）来帮我自己的初创公司干活。”在特定时期内，你确实能找到这些“系统漏洞”。
主持人：风险投资在这个世界上确实有它的实用价值，比如当年补贴 Uber，而现在则是补贴我们用 Token。不客气了，各位。
熬过“AI 精神狂热期”：
大模型一升级，辛辛苦苦搭的Agent全震碎！
Aaron Levie ：虽然目前最热的话题可能因为媒体都在报道、外加这事儿确实能让首席财务官大吃一惊而聚焦在 Token 上。但我认为，目前最现实、最实质性的核心问题和挑战，其实在于技术实现层面，以及 AI 以智能体的形式在整个知识型工作中的推广和普及。
根据我的观察，这属于那种“你必须亲自经历过一轮‘AI 精神狂热期’，然后从另一端清醒地走出来”才能真正体会到的事情。然后当你从这个狂热期走出来，清醒之后，你会发现：“实际上要维护好那个玩意儿需要耗费极其巨大的心力。我不得不去帮它修补它犯下的无数个愚蠢错误。以至于项目做完之后，我花在复核所有内容、修改、微调上的时间，跟之前开发的时间一样多。而且一旦模型升级，它又可能会直接把我刚刚做好的所有东西全部震碎，导致我不得不重新推倒设计一遍。”
所以，一旦你熬过了这个“AI 精神狂热期”，在另一端落地时，我发现自己其实占了两个视角的便宜：一头我是这些工具的重度发烧友，但另一头我又看得到真实的世界，从而会理智地意识到：“实际上在你们这种特定的大型企业环境里，我周末纯粹为了好玩而捣鼓出来的这套东西，你们不可能用得上。因为从安全的角度，或者随口说一个企业级的硬性理由，我都绝不可能允许这玩意儿上线。”所以，接下来我们面临的，是一整串需要去攻克的任务清单。
所以，假设你正在使用云端编程工具或者 Codex，你可能会惊叹：“这显然是人类有史以来最伟大的突破，它绝对会波及整个知识型工作领域，一夜之间彻底颠覆一切，或者让所有的工作岗位都受到巨大冲击。”
在 AI 编程领域：首先，你的用户是专业技术人员；其次，这些模型针对编程进行了超强度的垂直训练；再者，这种工作结果是高度可验证的，因为代码能不能跑通一试便知，你可以做质检，也可以跑自动化测试。此外，我们再绕回“用户是专业技术人员”这一点，这其实至关重要：一旦智能体做了什么蠢事或者卡壳了，技术人员自己马上就知道怎么去修 bug 并让它重回正轨。而且，正因为他们懂技术、且天然深嵌在这个生态圈里，他们吸收行业新动态、掌握最佳实践的速度要快得多。所以当有人问：“噢，你的 skills 文件或者 agents.md 文件配置得怎么样了？”他们会一秒心领神会：“哦，挺好的，里面写了这几项，存在哪个路径下，调用权限也开好了。”但这绝不是一个普通知识工作者会使用的日常对话和语言。
关于这一点，业内很多人都深入探讨过，包括 Doresh，还有 Anthropic 的 CEO Dario 之前也有过一场极其精彩的对谈。核心在于：在编程中，代码库本身就已经沉淀和涵盖了绝大部分的上下文信息；但在其余的知识型工作里，上下文往往零散地分布在 20 种不同的载体中，有些是数字化的，有些甚至完全是非数字化的。
为什么编程智能体一路狂飙，而知识型 AI 却难以落地？
Aaron Levie ：接下来是一个听起来相对枯燥、但可能最致命的问题——权限控制。在代码库里，我可以去绝大多数工程团队做调研，他们对工作所需的绝大部分代码都拥有完全的访问权限。
相反，你转头去看普通的知识型工作，就会不断陷入这样的窘境：“Bob 的权限开得太大了，看到了不该看的东西”或者“Sally 的权限卡得太死，导致她缺东少西，Sally 必须得去打申请走审批”，甚至“Bob 实际上应该被缩减权限”。在这两种情况下，如果换作编程智能体，它能直接吞下它需要的所有代码库并生成任何需要的内容；但如果是知识工作智能体，它要么会立刻撞上权限认证的南墙，根本拿不到某个资源，要么就是它拥有了过大的越权访问权限，结果开始用一些公司本不希望它接触到的敏感数据来回答问题——因为公司根本没有一个干净、规范的权限控制环境。
所以，至少有五六个核心原因，导致 AI 编程的落地逻辑与其余知识型工作截然不同。而这意味着技术的推广普及必然需要时间。现在，我们手里有了越来越多优秀的对应应用，比如 Cloude Co-work 非常棒，Codex 作为一个超级应用也正在崛起并成为强大的生产力支柱，拥有 Spark 等特性的 Gemini 同样表现不俗，甚至还有传闻说 Cursor 可能会进一步更新。所以，工具本身确实在不断涌现，或者说已经就位了。
Aaron Levie：现在面临的难题变成了“我该如何以一种安全、可靠的方式把它部署到我的组织里？如何确保我的员工不会数据泄露？如何让员工真正明白什么才是串联这套工作流的正确姿势，从而切切实实地帮到他们？”所以，我们面临着一个巨大的 AI 推广落地挑战。
这实际上是一个比我们之前习惯的“聊天”模式要硬核得多的技术问题。因为在聊天模式下，它基本上只需要干两件事：访问搜索引擎，或者访问 LLM。这固然很惊艳，但这两件事都不存在权限控制的问题，也不需要你去串联其他可能导致大规模数据泄露的内部系统。
主持人： 没错，聊天模式说白了就是数据防泄露（DLP）的问题。
Aaron Levie：就是个 DLP 问题。而且说实话，在很多方面，这跟员工直接去谷歌搜索“我想调研一下这个客户”与去 ChatGPT 搜索“我想调研一下这个客户”几乎没有本质区别。企业的安全底座和防御范式其实并没有发生太大的改变。唯一的区别可能只是你在写提示词时会不小心多带进去一点 IP，但你当时所做的工作，其影响范围总体上是高度受控和闭环的。
所有这些都是技术活，大多数组织将不得不花费 1 年、3 年甚至 5 年的时间去逐步把它建立起来。不过，对于大约 90% 的人（可能除了那些极端的 AI 加速主义者）来说，这里面有一个极大的好消息：这意味着铺天盖地的机遇。这意味着初创公司大有可为，也意味着会诞生大量全新的岗位。
目前最火爆的话题之一就是，有很多客户跑来问我们：“这种全新内部前线部署工程师？”因此，我们注定要经历长达数年的技术普及和磨合期，这绝非易事。每家企业都必须一个接一个地去过这个关，而这，正是我们所有人目前共同涉足的旅程。
AI 没有终局状态，我们要以10年为单位！
主持人： 你认为这可能需要 10 年的时间吗？就像当年的云计算，实际落地所花的时间比所有人的预期都要长得多，而且那说到底还只是一个 IT 部门的问题，而不是一个全公司上下全员面对的问题。你认为这次的 AI 落地真的可能需要，我不知道，超过十年的时间吗？
Aaron Levie ：在一定程度上，我不知道我们该如何去定义“这事儿”以及“结束”。因为我认为这其实是一个持续的演进过程。我倒不是想在字面意思上玩文字游戏，这更像是：我们认为的“终局状态”究竟是什么？同样地，我认为无论是 AI 末日论者还是加速主义者，他们都认为存在某个“终局状态”。
但实际上，我不认为有什么终局。我认为 AI 是一种开展工作的新底层架构，它只会不断地变得更好，而我们必须不断地向更高的抽象层迁移。我甚至都说不准终点在哪。它只是一种基本上用来执行工作的新方式：在某些领域它会带来 5 倍的生产力提升，在其他领域可能只有 10% 的提升；而当这套东西普及开来后，五年后我们又会发现它的下一个升级版本。我认为这是一个永远在演进的行业生态。
但我们完全应该以“10 年”为单位，来作为衡量它发展的大致时间尺度。比如，如果你非要问：“可口可乐，什么时候才能让智能体超级成功地跑在企业的每一个角落、去处理全公司上下的每一项具体任务？”那绝对是一个需要耗时多年的数字化转型过程。我只是随便举个例子，也许他们已经在某些特定领域做到了，但这其实只是即将发生的事情。
市场一团糟，大厂都不敢签超过一年的合同了！
Aaron Levie ：不过，有一个很有意思的点是：我们这个行业在某种程度上，是一些“副产品”的结果。
我们的行业现在存在着一种令人难以置信的“能力过剩”现象。这么说吧，假设你现在手里拿的是 GPT-5.5 或者 Opus 模型，然后你现在就决定就此止步、不再迭代。我们大概能在两三年内把这种技术普及开来，全行业也能够作为同一个生态共同完成这种变革管理。
但现在的核心问题是，技术突破发生的速度，远远快于客户去部署任何一种标准架构的速度。而且这些新突破往往会直接推翻或者淘汰你刚刚上线的上一代系统。所以，这真是一件苦乐参半的事情：技术发展得太快了，以至于直接让你之前部署的东西过时了。而这实际上意味着整体的落地周期被拉得更长，因为我们手里根本没有一个“稳定的环境”去推进项目的落地。
如果你现在去一家大型企业，你会发现这可能是 IT 发展史上最缺乏一致性的时期。比如面对下面这个常见问题：“我想部署一个智能体来处理客户入驻流程，或者去审查企业内部的某套知识型工作。”我大概能当场拿出 10 到 15 种不同的参考架构来解决这同一个问题。这意味着每一个系统集成商、每一个软件初创公司、每一个大模型实验室，都在向客户推销 10 到 15 种截然不同的变体方案，来告诉客户该怎么解决这一个问题。
这直接导致了更漫长的销售周期，以及更复杂的决策过程。因为作为客户你会觉得：“Anthropic 推出的那个托管智能体方案看起来简直太惊艳了，我们绝对应该用这套方案。”然后转头你又觉得：“OpenAI 的前沿模型也真的非常厉害。”接着你又发现：“这家初创公司向我推销的东西，意味着我可以在这两个模型之间保持中立。”紧接着你又会想：“实际上我的传统工作流软件供应商现在也能干这活儿了。”
如果你现在是一位 CIO，面对这种局面，前线简直一团糟。所以，现在行业里的一个名梗就是：现在没有哪个大企业会跟大模型实验室签超过一年的合同。这在很大程度上就是因为当前的技术创新速度太快了。因此，这确实是我们亲眼目睹的巨大创新所带来的副产品，但这意味着技术的推广落地最终耗费的时间，要比绝大多数人想象的都要长。
数据问题已经存在20多年了，
智能体落地的根本问题还是数据！
主持人： 太引人入胜了。既然有这么多必须去攻克的任务清单，外加如此巨大的创新空间，你在和客户沟通时会建议他们怎么做？但与此同时，你刚才提到了“内部前线部署工程师”；我们稍后也可以聊聊“外部前线部署工程师”。你认为人们应该从哪里开始着手？或者他们该如何加速这个进程？
Aaron Levie ：在这一点上，我把绝大多数挑战都看作是“数据问题”。因此，我认为大多数智能体面临的挑战，说白了其实都是数据问题：比如智能体拿不到正确的资料去干活；再比如它们接触到了过多的冗余信息，结果开始在系统里瞎逛、做错误的事情；又或者是它们能拿到的信息太少了，导致系统显然无法正常运转；再或者是它们在执行任务时缺乏足够的上下文，这意味着它们需要更多围绕该任务的周边信息。所以，在我们观察的每一个角落，看到的全部都是数据问题。
我认为第一步是：你的企业必须在数据层面和核心架构层面上做好准备。在过去的 20 到 30 年里，企业 IT 圈有一种默认的妥协，觉得把所有的系统混在一起是没问题的，哪怕有些系统功能冗余、有些系统管理混乱。你大可以把人类员工砸向这个问题，心想：“没事，反正数据科学团队知道数据库里的‘烂摊子’都在哪，他们知道哪些表能用、哪些表不能用。”他们也知道该如何去理顺那个特定的数据模型。
现在突然之间，你说：“我想把这种数据分析能力‘民主化’分发给全公司的所有人。现在我想通过 MCP直接连进这套系统的任何数据存储库中。”接下来你猜怎么着？每个人针对自己提出的查询，都会得到一个完全不同的定义和答案。因为实际上，这家公司计算业务指标的方式非常特殊，比如他们需要计算“经汇率调整后”的数字，或者他们衡量“净留存率”的方式，跟大模型之前接受训练的那套通用逻辑根本不一样。
因此，所有这些原本隐藏的细节，现在全都爆发成了数据问题、数据一致性问题以及权限控制问题。这实际上会变成未来几年内企业最核心、最庞大的落地项目之一。
主持人： 这太有意思了，“老问题又成了新噱头”。说白了我们讨论的其实就是“语义层”，我猜现在它被重新包装成了“本体”，大家把它当成一件全新的事物在吹，但实际上，这个问题已经存在了20多年了。
除非你把 Meta 加进来，强行塞一套软件
Aaron Levie ： 我们正在看到“内部前沿部署工程师”需求在激增。这其中有一部分人是由企业内部原有的 IT 人员或软件工程师转型（重新定义岗位）而来的；另一部分则是企业直接从外部招聘的全新类型的人才。但我坚信这是一个门槛极高的技术工种，这是一个高度硬核的技术岗位。
这意味着你的组织里必须有这样懂技术的专业人员，你可以对他们说：“我要你现在去坐到具体的业务部门旁边，甚至直接融入到业务团队中去。你的任务就是去理解这些业务人员日常开展工作的模式和习惯，并确保他们有能力用智能体把这些工作高效地干完。”
但你的核心工作是去吃透业务流，吃透整个流程，然后把这些流程与技术未来所能释放的全部潜力完美地“结合”在一起。你需要确保数据是以正确的方式配置的，智能体的指令和提示词是以正确的方式编写的，同时还要确保系统中具备合适的“人类参与”机制。对于大多数组织来说，这绝对是一项海量的工作，而且未来会成为关键挑战之一。
主持人： 除非你把 Meta 加进来，在全公司每个人的电脑桌面上强行塞一套软件。
Aaron Levie ： 是的。对于我们这些普通企业来说，你必须得靠专门的人去做这件事。而这些人，看起来就像是下一代的软件工程师或者是新型的 IT 工程师。我认为这实际上是一项极其令人兴奋的工作，因为你可以借此去改变：一家生命科学公司到底该怎么运转？一家工业巨头到底该怎么操作？一套营销活动到底该怎么产出？所以，这其实是非常刺激且充满成就感的技术活。但大多数公司眼下根本没有储备这类人才。所以，他们接下来必须要去计算机系的校园招聘里抢人，或者把现有的软件工程师转型到这些职能中去。
顺便加一个微小的补充说明：这也是为什么那些“AI 崩溃论者”在预测“AI 会导致大规模失业”时完全错得离谱的原因。因为这其实会催生出一个非常真实且能够长期延续的全新就业岗位。这绝不是那种“你只要部署一次智能体、升级一下系统，然后它就能一劳永逸地永远自动跑下去”的生意。不是的，一旦底座大模型发生更新，你就又有一大堆全新的调优工作要做了。你必须去验证：你是否完美吃到了这次大模型升级带来的红利？还是说你必须把之前为了兼容老模型而不得不搭建的一大堆“过渡代码”给推倒清理掉？在这一领域，有很多的工作等着大家去干。
为什么说 AI 时代没有“一键部署”？
市场消化智能体的时间被严重低估了
主持人： 极其深刻的洞察。那么你认为“外部前线部署工程师”这个岗位也会长期存在下去吗？现在对于初创公司或大型科技公司里大搞前线部署工程师的做法，有一种稍微带点讽刺意味的解读：大家会说，之所以要派这么多人，是因为现在这套 AI 实际上根本就不成熟、不好用。因此，你需要派遣一批人到客户现场，确保一切正常运行。但我觉得你刚才说的话要深远得多，你认为这其实会成为一个长期措施，而不是临时的。
Aaron Levie ： 是的。这真的很有趣，因为那些 AI 超级加速主义者——有时候他们的观点恰好会跟那些 AI末日论者以及怀疑论者落在同一个象限里，在这个特定的话题上，他们居然得出了相同的结论。他们会说：“天哪，我简直不敢相信我们现在居然还要派大人去现场做这件事。这不恰好证明了那些怀疑论者说得对吗？”
这显然是 100% 必然会发生的事情。这不能证明 AI 技术不够惊艳，它只是证明了事情显然必须以这种方式展开。为什么必须这样？因为我们开发出了这种疯狂的技术，它在操作电脑、使用软件、编写代码、甚至在使用工具方面都强得不可思议。
但它的内存是固定的，它能处理的上下文窗口也是固定的，它还能对你的企业数据做出极其戏剧化、甚至疯狂的举动。所以，它显然必须由极其硬核的技术人员来落地部署，也显然必须以一种能够切合该组织管理的恰当方式去推进。所以对我来说，这完全是在意料之中的事，只是市场花在接受和消化它的时间，比绝大多数人意识到的都要长得多。当你看到智能体真正落地的那一刻，你就能切身体会到这一点。
未来是“双轨并行”模式！
主持人：你提到了“无头软件”。在你看来，这是不可避免的趋势、且显然代表着未来吗？
Aaron Levie ：我觉得关于“无头”的讨论，最终往往会落入与历史上几乎所有其他技术趋势类似的境地。在过去，你总是认为下一个新媒介会彻底消灭上一个媒介，但回过头来你却发现：“实际上我同时拥有一台 iPad、一部 MacBook 和一部 iPhone。”而且你并不会把 iPad 直接当成手机或电脑来用，你同时拥有三个设备，它们各司其职。
所以，我认为无头软件也会是类似的情况：如果我要进行一次复杂的查询，里面同时关联了 Box 的数据、Salesforce 的数据、Workday 的数据，而且必须在后台分流和处理一堆杂七杂八的东西，那么我毫无疑问会选择在 Co-worker、Codex 或其他工具内部，以纯粹“无头”的方式去搞定它。
但如果我想处理一组文档，搭建一个数据室，并确保我以正确的方式分享了所有的合同。在某个节点，纯靠敲文字、写提示词来干这些活，其实要比直接在图形用户界面（GUI）里操作慢得多。在界面里，我知道所有的控制旋钮在哪，能直接交互，而且那样我的操作杠杆和效率会高得多。因此，我认为未来会是一种“双轨并行”的模式。
唯独有一个微妙的区别：如果按“数据库查询”的调用体量来看，无头模式的流量可能会比带界面的传统工作模式大上 100 倍。因此，我们必须理解，单纯从体量上看，智能体对这些底层系统访问量，将远远超过人类。人类未来可能更像是在那款软件里买了一个“最终用户席位”，并在这个席位下获得了一定额度的人类使用时长分配。
同时，我相信他们应该有权通过智能体来调用该软件和数据，直到达到一定的额度上限。而这个上限会根据供应商的不同而有所差异，取决于该工作负载有多么消耗算力。一旦超过了这个额度，或者当它完全变成一个纯智能体在跑的时候，它就会走向“按量计费”的消费模式。所以，我认为三年后的任何一家通过了这一轮 AI 转型期的企业软件公司，都会同时具备两种商业模式：一种是“按席位订阅”——前提是它包含最终用户交互的组件；另一种则是“按量计费”。在某些业务中，按量计费的收入甚至可能比按席位的还要大，而在另一些业务中则可能小一些，因为席位依然占据了相当大的一部分日常工作。但我并不相信我们会完全倒向纯消费模式、完全抛弃界面走向纯无头模式，因为在现实中，你依然有许多的理由想要点进界面里去到处看一看、倒腾一下。
未来的智能体是用完即走还是终身编制？
主持人： 那么你认为，未来一定是“人类按席位付费，智能体按量消费”的固定搭配吗？还是说，其实存在这样一种论点：在某种程度上，智能体与人类并没有那么大的不同，虽然它们做的事情多得多、处理的数据量大得多，但因此也应该针对智能体推出某种“基于席位”的定价模式？
Aaron Levie ：我觉得这是一个更难定论的范畴，因为这完全取决于智能体具体的应用场景。我完全能看到这样一种世界，事实上我们已经有一些客户在琢磨这个想法了：“智能体是否应该在 Box 系统里拥有一个专属席位？”因为它们实际上需要存储那些需要长期保留并接受合规监管的数据，而且你希望能够像追踪和管理一个真实的人一样，去追踪和管理这个智能体。它必须是“有状态的”，因此在我们的系统里给它开一个具体的账户名和权限实体，逻辑上是完全说得通的。
那我们要收跟普通用户席位一样的钱吗？可能不会，它大概率得更便宜。但同样，在很多其他场景下，智能体根本不需要一个常驻的席位，它们只需要执行大量的单次操作，在这种情况下，可能就纯粹是按量计费。所以，这真的取决于你的软件属于什么品类：在你们的组织里，有没有理由让一个智能体保持“有状态”的运作，让它承载一个长期的数字身份并承担持续性的工作？还是说，它只是一个每个员工在需要时随叫随到、用完即走的工具？这将最终决定其商业模式的走向。
AI 加速了流程中的环节，
工作岗位不会在第一阶段被直接消灭
主持人： 那么你认为企业的组织架构未来会如何演进？既然我们以后会拥有大量的智能体，还会拥有“内部前线部署工程师”，那么公司里其余的传统部门会发生怎样的变化？也就是全社会普遍存在的那种“AI 是不是要抢走我的饭碗”的担忧。
Aaron Levie ： 这其实又绕回了我们刚才对比“AI 编程”与“其余知识型工作”的话题。正如我在一开场聊到技术推广和普及时所铺垫的那样，之所以我对“失业问题”没那么焦虑、反而持乐观态度，是因为大家在陷入对失业的集体恐慌时，总是喜欢拿“写代码”来当例子。但我得再次强调，写代码拥有一个极其独特的属性，这和大多数其余的知识型工作有着本质的区别：如果我写了一段代码，哪怕因为是智能体写的而显得非常粗糙和臃肿，只要它不带来安全漏洞，这个软件能跑起来就行。不管是 10 万行代码还是 1000 行代码，只要它把该干的活儿干了，代码写得漂亮与否根本没人关心。这也是为什么你会在编程领域看到越来越多“双手离开方向盘（全自动）”的现象，大家就是不停地把智能体套在智能体上去解决问题。
但我们换一个也许是目前最热门的替代赛道，法律行业。在法律界，我总不能因为这个合同完全是由一个智能体凭直觉写出来的，就由着它在合同的第 2004 行里，把我们公司的“责任限制条款”给悄悄修改了一点点。因为我根本没有一种自动化跑测试的方式去一键验证法律条文。我确实可以在前端套上三四层智能体，让他们互相审查、交叉质检，从而把风险概率降到越来越低的千分之几、万分之几。但到了最后的一公里，你依然必须有某个真实的人类律师站出来说：“我相信这份合同是 100% 合法且有效的，我可以把它呈递给我的客户，或者正式签署。”
因此，我认为这种“最后一公里”的智能体监督工作，将长期存在于比我们想象中要广泛得多的知识型工作领域中。正如我之前提到过的，大约三周前《金融时报》登过一篇文章，说现在的律师们简直要被客户淹没了，因为客户们天天拿着自己用 ChatGPT 倒腾出来的各种合同，或者拿着在 ChatGPT 上查到的一堆法律问题跑来找律师，让律师帮他们做最终的司法裁决和合规修正。
我觉得这就是 AI 融入现实生活应用的一个缩影：它确实极大地加速了流程中的某一个环节。比如我能以快得多的速度通读合同、精确定位高风险区域，或者以快得多的速度草拟出一份合同。但在两种场景下，流程的两端依然需要工作的人类律师。我只是消除了一部分的瓶颈，但整体进度依然受限于另一部分的瓶颈。因此，这正是为什么“工作岗位不会在第一阶段被直接消灭”的原因。
“AI 抢走工作”就是个伪命题！
Aaron Levie ：其次，虽然现在整个资本市场讲“杰文斯悖论”太多次了，但大家在做预测时，却从来没有把杰文斯悖论的威力真正算进去。我之前拿设计师举过例子，但跟未来所有即将被颠覆的行业相比，设计师可能只是一个小小的缩影。
你去看看那些不在硅谷的传统巨头公司，永远在争夺最顶尖的工程师。他们正在推进核心业务，比如研发一款新药、或者制造自动驾驶的重型工业设备。所以他们和所有人一样，需要顶尖的工程技术人才，也必须参与同样规模的项目。
但长期以来，这些公司的工程师们看到的情况是：读完计算机科学专业，大家都跑去谷歌、Meta 这些公司了。现在有了 AI Agents 之后，情况会发生变化：突然之间，所有这些传统公司都会启动更多技术项目和技术工作。因为他们的工程师第一次拥有了相当于过去 3 倍、5 倍甚至 10 倍的生产力。
这会让他们敢于承接规模大得多的项目，从而大幅增加对工程技术人才的需求。除此之外，还有另一大类情况：地球上几乎所有小企业，都能用 Agents 来增强它们以前内部没有的能力。
而且，正如我们前面讨论的“人机协同”环节，上述这些小微企业的每一个职能，往往都需要一个真实的人类去介入，并完成让智能体真正发挥效用所需的额外工作。
比如你想做一个个体创业者，打算用智能体来跑营销活动。也许目前你们只是一个三人的小团队，大家都在兼职搞副业，但接着你发现：“噢，这居然真的有效，这个营销活动跑通了！”那么接下来你最可能做的事，就是去雇一个全职的营销人员，来专门管理这些智能体，把业务规模真正做大。所以，我算是一个被“杰文斯悖论”彻底说服的人。因为首先，我在我们自己的公司里看到了这种现象；其次，我在客户身上看到了它；最后，我在那些初创公司里也看到了它。这些初创公司正在招人，因为正是 AI 带来的生产力暴增，反过来倒逼他们必须在这些岗位上补充更多的人手。因此，不管你支持哪种论调，当你看清了 AI 在大量企业里实际落地的过程后，就会发现“AI 抢走工作”的论点有太多的理由根本立不住脚。
10年后进入营销部，默认要求计算机辅修的能力？
Aaron Levie ： 如果要展望未来：大多数公司会在不同职能中内嵌某种“AI + IT 能力”。销售部门会配有专门的 AI 技术人员，营销部门以及营销底下的不同细分小组也都会配有这样的人。事实上，研发工程部门已经存在这样的人了，因为工程部门一直在经历着这波生产力红利。而这些专门的人或团队，他们的日常职责应当是去观察需求生成人员每天的工作内容。然后思考，我怎么通过自动化，让我们能测试 5 倍数量的营销活动创意、关键词？怎么把设计流程的某一部分更快地接入整个营销生命周期？也就是说，你会有一个懂技术的人嵌入在业务团队旁边。
随着时间的推移，比如在 20 年后，这会不会变成我们对一个普通业务人员的基本要求？完全有这个可能。到那时候你就会把这两者压缩合并，这也将成为全新的岗位常态：可能在 10 年后，如果你进入营销部门，可能就默认需要具备相当于计算机科学辅修的能力，你必须知道如何搭建一个完整的 Agentic 营销工作流。现在能独立部署一个端到端的营销活动，在很多知识工作领域还并不常见，但未来这会成为常态。
每个职能都会被 Agent 增强，岗位消亡没有炒作的那么多
我觉得，每个职能都会被 Agents 增强。而在一些企业里，我完全能理解大家所感知到的风险在哪：有些公司可能会想，“我以前养了 10 个设计师，但如果我在最顶尖的 5 个设计师旁边各配一个智能体，他们就能包揽掉所有的活儿。”我认为这种情况是非常、非常可能发生的。但与此同时，必然会同样冒出 20 家以前根本雇不起设计团队的公司说：“有了 AI，我们现在能以极高的质量去进行产品设计了。”于是他们会第一次雇用那 5 个设计师。
这就是为什么我在净就业这个层面基本上不担心。因为确实有一部分公司（大概占经济体的 10%）在某个职能上已经达到人力饱和，Agents 进来后他们不需要更多人；但经济体中剩下的绝大部分会想：“天哪，如果我现在一个设计师能顶过去 10 个设计师的工作，那我终于可以雇用他了，让他去做网站、营销活动、视频等各种事情。”所以，你会看到某些微型相邻职能会发生合并和压缩，但不会严重到让整个领域崩塌。
就像在软件工程领域，我们已经看到了这种类似的张力，而且现在大家慢慢走出了那个极端阶段：曾经有人说“产品经理可以直接写生产代码”，结果往往是烂代码；或者说“工程师不需要 PM，因为他们能自己写规格”，但谁去和接下来 20 个客户打电话收集功能反馈呢？你真的想让工程师把工程时间拿去干这个吗？”
那些工作在现实中依然需要作为岗位而独立存在。亚当·斯密在很久以前就看穿了这一点：劳动分工是非常强大的力量。智能体并没有从根本上改变劳动分工的底层逻辑。尽管分工可能会出现一些全新的划分和定义，但你大概率依然希望你的设计师在设计上做到极致，希望你的销售代表在销售上极度专业。你不会希望让销售把“线索挖掘”当成一个副业，也不会希望你的产品经理试图去琢磨怎么把自己变成一个设计师。我认为，实际发生的岗位消亡和崩溃，要远远少于那些目前正在被超级炒作天花乱坠吹捧的数量。当然，与 10 年前的我们所能想象的相比，它的冲击力确实变得更大。
拒绝“套壳必死”的加速主义！
AI 实验室不可能占据所有垂直领域
主持人： 在这次对话接近尾声之际，我很好奇你对当下的“市场结构”有什么看法。显然，我们正在见证一些极为震撼的 AI 企业走向 IPO ，这些公司正在以比过去更快的速度复利增长。那么，这对初创公司意味着什么？尤其是垂直型创业公司，机会在哪里？
我们是否正在进入这样一个世界：最终所有人要么成为大模型公司（如 OpenAI 或 Anthropic）的员工，要么就成为围绕它们的服务行业的一部分？还是说，仍然存在大量空间，让很多人去做很多不同类型的事情？
Aaron Levie ： 我依然非常坚定且乐观地认为，市场绝对需要一个“桥梁层”，负责将 AI 的原生底座能力转化为最终用户的实际工作流。当然，可能有人会用略带悲观论调来反驳，说：“得了吧，这些垂直应用说白了都是‘套壳模型’。早晚有一天，最终模型会变得足够强大，直接吞掉这些应用。”
在我看来，这种观点有点过于“加速主义”了。人们使用这些工具时，关键不只是模型输出了什么，或者模型审查信息的能力有多强，而是如何把这些能力真正连接到业务工作流中，如何让它获取到所需的上下文。
如果你身处某个具体行业或业务线，就需要大量的数据集成、大量定制化的工作流程。这通常意味着需要变革管理、实施落地、持续支持和持续的专业知识。除非那些 AI 实验室能为每一个垂直行业、每一条业务线都配备成百上千名专职人员，否则在这个“桥梁领域”仍然存在大量机会。至于这个桥梁层具体的工作构成和机会组合会是什么样子，目前还在演进中。这也是目前最重要的问题之一。
现在有个有趣的现象：AI 实验室显然会不断向上走，进入更多应用场景。他们有些会做得很好，有些则一般。我们每天都能看到各种公告。有些公告让我觉得“我现在直接用实验室的产品就够了”，因为它已经非常优秀；但也有些情况下，垂直应用依然是更好的选择，实验室版本只是个“贫穷乐队版”。我认为最终会达到某种平衡。实验室需要决定：是想成为各种应用场景的“插件式智能”，还是希望一切都围绕自己的应用生态运转？这其中存在张力。
这在一定程度上也是账户控制的问题。作为实验室，你不希望头上有一个随时能把你换掉的供应商（参考前面提到的 token 成本）。所以他们需要掌握一定的控制权。但掌握控制权后，在垂直层能做的事情就少了。目前我们还处于早期阶段。我能想象未来可能达成某种“和平条约”——如果你引入了这家实验室的智能，那么在产品中就会发生 X 事情。
走 AWS 的老路，市场会摆平一切
Aaron Levie ：有趣的是，超大规模云服务商以前也遇到过类似问题，他们必须决定在应用层哪里竞争、哪里合作。AWS Marketplace 就是一个非常成功的案例，他们通过这个机制，把大量原本可能与自身业务存在竞争关系的产品也纳入生态中进行分发。
因为对他们来说，更大的目标并不是某一个单一应用，而是尽可能扩大基础设施层的使用规模。AI 实验室未来可能也会采取类似思路：他们最终追求的最大价值，可能是“推理使用量”的最大化，所以他们需要维持一个健康的生态系统。
总之，我们还处于这个格局形成的早期阶段。资本主义系统在这方面做得很好，如果某些公司过于封闭、不愿构建生态，那么自然会有其他人出现并平衡它。
我依然非常看好 AI 的应用层，因为要把 AI 真正落地到具体场景，需要的专注度和深度远超大多数人想象。我们用 AI 做一次 prompt，看到一个惊人的结果时，容易觉得“天哪，这个东西显然能彻底取代某个应用”。但真正难的是把这一切压缩到日常工作流中：如何在实际业务流程里实施？那些知识工作者根本没时间也不想去搞清楚“技能文件到底存在文件系统的哪个位置”，他们只想继续正常工作。正是这种从技术到实际可用产品的压缩过程，给了垂直玩家们巨大的竞争机会。
主持人： 明白了，所以我们今天的最终结论是：资本主义市场机制会解决所有问题。这听起来真的是一个非常完美的结语。非常感谢你，Aaron。这场对话太棒了，由衷感谢。
Aaron Levie ： 谢谢你。
https://youtu.be/Gs2styCcwro?si=KV-T6lr8WxqkM7bj
热门跟贴