Aaron Levie 谈 AI 采用与企业工作流 | The a16z Show
摘要
企业 AI 近期的瓶颈在组织整合，而不在模型能力。 Aaron Levie 表示，编码智能体之所以进展顺利，是因为工程师技术能力强、能够自主工作、可以调试失败，并且产出可验证；普通知识工作则涉及技术能力较弱的用户、碎片化数据、遗留系统和未被记录的关系网络。因此，AI 从初创公司向大型企业扩散还需要“数年时间”。
自上而下的 AI 指令正在制造失真的失败统计和可量化的表演，而非真正的运营变化。 Martin Casado 表示，“95%的大型企业 AI 项目失败”这一说法“显然很荒谬”，因为员工已经在有效使用 ChatGPT；他认为，这与集中式、咨询公司主导且缺乏运营协同的项目是两回事。以 token 数量为考核指标进一步放大了这种扭曲——Aaron Levie 说，他和同事会给智能体安排无用任务，因为“你衡量什么，就会得到什么”。
整合、权限和变革管理仍是企业长期不变的工作量，也可能成为持续数十年的服务市场。 Steven Sinofsky 的明确判断是，任何拥有1,000名以上员工或拥有超过10年历史的公司，都有“大量东西在那里等着被整合”，而“AI 实际上并不能帮助整合任何东西”。Levie 认为，这使 Accenture、Deloitte 及其他系统集成商参与其中完全合乎逻辑：人们必须先实施未来可能自动化工作的智能体。
核心架构变化，是把智能体视为拥有身份、入职流程和边界权限的员工，而不只是嵌入其他产品的软件。 Casado 表示，企业已经花了40年为混乱且非确定性的人类设计界面和流程，因此企业可以“雇用这个智能体”，给它配置邮箱和应用访问权限，并复用现有控制机制。尚未解决的问题是上下文：智能体可以以极大规模并行工作，却不会自然知道系统出错时应该去找哪个 Sally 或 Bob。
SaaS 可能新增机器席位，但 API 与浏览器两条路径仍存在争议。 Levie 认为 Salesforce 走向“full headless”是一个风向标，机器使用量可能达到人类活动的100倍或1,000倍；Sinofsky 则认为智能体就是“另一个席位”，因为共享人类凭证无法辩护。Casado 和 Sinofsky 倾向于 API/MCP/CLI 优先，只有这些接口失效时才使用浏览器；Casado 同时指出，当无头浏览器被拦截时，智能体可能仍需要使用普通 Safari。
智能体规模化带来两类风险：一类是熟悉的基础设施扩容，另一类是尚未被充分理解的运营熵增。 Sinofsky 追问，如果10,000名员工各自拥有智能体，而每个智能体对 SaaS 系统的访问频率是原来的500倍，会发生什么；Casado 表示，缓存和标准分布式系统技术可以应对这类负载。他更深层的担忧是，AI 生成的代码“会随着时间推移变得更糟”，可能制造与解决同样多的问题，而企业尚不知道该如何治理那些持续改写共享系统的长期运行智能体。
嘉宾预计，AI 在淘汰软件、基础设施和技术岗位之前，会先扩大它们。 Box 曾看到 AI 完成某一项功能约80%–90%的工作，但安全审查仍限制了发布；因此 Levie 估计工程生产率可能提升2x–3x，而不是5x–10x。代码越多，需要保护、升级和修复的系统就越多；与此同时，John Deere、Caterpillar、Eli Lilly 以及数千家其他公司都可以雇用使用 Claude Code、Codex 和 Cursor 的工程师——“这一领域的就业才刚刚开始”。
精读
1. 企业采用滞后，因为编码是异常容易的场景
Levie 形容自己的工作，是“把现实带进硅谷，再把硅谷带回现实”。这种落差不只是高管不了解技术：硅谷工程师群体同时具备异常出色的技术能力、对互联网动态的持续感知、自由选择工具的权利，以及快速调试失败的能力。
编码还具备异常有利于智能体的经济学条件。模型擅长代码，产出相对容易验证，工程师也能自行改造工作环境。企业知识工作者技术能力较弱，工作流不同，数据则“碎片化得多”，并且被困在无法随意替换的老旧系统中。
在 Levie 看来，结果是实实在在的工作流和技术鸿沟，而不是两群人只是在彼此错过。把编码智能体和 computer-use 智能体中有效的做法推广到其他知识工作领域当然会发生，但扩散至主流企业还需要“数年时间”。
Casado 补充说，具有长期结构性影响的技术往往从个人用户开始，而大公司则集中决策。员工可能已经在成功使用 AI，即使组织尚未围绕数据、治理、运营和合规调整自身流程。
2. 集中式指令和架构反复变动制造了 AI 失败
Casado 对董事会会议室循环的还原非常直接：董事会告诉 CEO，“我们需要更多 AI”；CEO 聘请咨询公司；随后出现一个没人理解的集中式项目。缺乏运营协同的项目注定会失败，即使个人用户对 AI 的使用仍在增长。
这一区分让 Casado 认为 MIT 报告的“95%的大型企业 AI 项目失败”统计“显然很荒谬”。但他仍认为，过去几个月 AI 在企业中的渗透仅温和推进，因为第一波 CEO 主导的 AI 失败造成了伤痕和怀疑，第二波项目现在必须克服这些阻力。
管理层也可能在优化错误的代理指标。Levie 说，他和同事会给智能体安排无用任务，以提高可测量的 token 使用量：“你衡量什么，就会得到什么。”Sinofsky 随后回忆起早期互联网时代：企业曾委托建设数千个团队网站，下一轮组织重组后，它们就变成了“死网”。
3. 快速演进的架构让拥有40年历史的买方犹豫不决
Levie 认为，架构迟疑可能只占采用问题的5%，但影响仍然重大。各家实验室不断相互超越，同时又在争论 harness 应该放在计算机内部还是外部、智能体应在本地还是云端运行，以及应该由哪些工具或托管模式来管理。
3或4年前被 AI 选择烧过一轮的企业，如今在承诺投入之前还要比较2或3种范式。避免锁定意味着要针对多条路径进行工程设计；选择其中一条则会带来弃用风险。无论哪种反应，都会拖慢技术进入最能体现其价值的工作流。
Casado 将这一演进概括为：先是纯软件，然后是失败的 AI 与软件融合，如今进入智能体模式——通过 CLI 或类似工具暴露产品，再让 AI 像用户一样使用它。企业实际上在一年内被迫完成了两次架构重构，同时还在“极速重跑”此前的云转型。
Casado 表示，在硅谷经历5段2年期创业工作，并不能教会一个人如何进行长周期企业采购；Sinofsky 补充说，这类人也缺乏选择一套预计使用40年的应付账款系统所需的参照框架。对大公司而言，认真评估长期押注是对替换成本的理性回应，而不只是保守。
4. 无论智能体抽象到哪一层，整合与权限都不会消失
Sinofsky 借助硅谷反社会型人格代表 Gilfoyle，揭示企业环境的边界：智能体可以独立“做自己的事”，直到撞上整合问题。任何拥有至少1,000名员工或超过10年历史的企业，都积累了庞大的复杂性，而“AI 实际上并不能帮助整合任何东西”。
Casado 进一步拆解整合问题：当人类在不同岗位之间传递工作时，每一步都对应不同的访问控制；智能体如果绕开这些步骤，就会带来安全风险，而如果只有其用户的权限，又会不断撞墙。
遗留权限尤其依赖非正式规则。人类知道该去找 Sally 获取无法访问的文件，或找 Bob 查询另一个系统里的数字；智能体可能直接停住、选择非权威来源，或返回错误数字。企业必须先升级系统，并提供正确的数据、文档和上下文，自动化才会可靠。
这正是 Levie 认为 OpenAI、Codex、Accenture、Deloitte 及其他集成商相关公告完全顺理成章、而非讽刺的原因。“不，这就是它的运作方式”：变革管理、实施和整合必须先于自动化，由此支撑起一个可能持续“数十年”的业务市场。
5. 智能体可能需要像员工一样入职，而不是再建一个索引
Casado 的反建议，是停止把 AI 视为特殊软件。LLM 足够聪明、具有非确定性，并且能够处理长尾复杂性——这些混乱特征正是企业花了40年去适应的人类特征。企业可以“雇用这个智能体”，为它分配邮箱，让它访问文档，并允许它申请自己缺少的东西。
Levie 接受这一类比，但保留了一个重要的不对称性。智能体可以以几乎无限的规模并行工作，但人类通过关系网络获得组织上下文，也知道该找谁帮忙。这种知识很少以智能体能够自动继承的形式被记录下来。
对话随后将这一类比推进到“智能体入职”：Sinofsky 想象为智能体做入职介绍、讲解 CEO 文化并说明各部门职责，Levie 则把它与人形机器人联系起来。他看到过一个小型机器人需要另一个人替它按电梯按钮，因为“电梯没有无头版本”；现实世界既有的接口，原本都是为人类设计的。
6. 机器席位可能扩大 SaaS，同时改变其接口
Levie 将 Salesforce 走向“full headless”访问称为企业软件的风向标。商业模式细节仍未确定，可能是 API 费、智能体席位或其他方案，但 SaaS 平台未来可能同时服务智能体和传统用户。
Levie 表示，无头用户的操作规模可能达到人类用户的100倍或1,000倍，从而创造出人类无法手工完成的新用例。
Sinofsky 认为，每个智能体仍然需要身份和访问权限，因此即使价格不同，它依然是“另一个席位”。智能体掌握的信息绝不能超过指挥它的人，SaaS 厂商也不应鼓励共享凭证；否则从一开始就会树立糟糕的安全实践。
Sinofsky 还反对把 LLM 的输出当作干净的 SQL 记录，再简单套用访问控制：它可能在一句话中泄露受保护的数字。在他看来，这让“SaaSpocalypse”论题比最初看起来“愚蠢得多”。他承认，巧妙定价可能让智能体更便宜，例如将其设为只读，或与某个人绑定，但坚持认为它们仍然是席位。
7. API 应在效率上胜出，但浏览器仍是逃生通道
Casado 不认同每个产品都必须走向无头化。OpenClaw 使用 Mac mini，一部分原因是为了 iMessage，另一部分原因是普通 Safari 可以在无头浏览器因反爬措施被拒时继续工作；因此，想获取 Zillow 估值的智能体可能必须像人类一样操作。
Casado 表示，只要存在好的 API，智能体就应优先使用 API，遇到执行问题后再切换浏览器。Sinofsky 同样认为，智能体很可能先检查 MCP 或 CLI，之后才切换到云端、本地或并行浏览器。Levie 则说，API 访问比点击界面更快地搜索文档。
Levie 预计，针对 SaaS 平台 MCP 和 API 的训练数据会越来越严格；而 Sinofsky 第一次使用 Codex 的 computer use 功能，正是为了完成一个没有可用 API 的任务。
Sinofsky 引入了时间维度：互联网搜索不仅改变了产品文档，也改变了文档的写法。智能体 API 同样会从面向开发者的端点，演进为面向用户意图的接口，例如“我马上要和这个客户见面，有什么必须知道的？”但正如他警告的那样，“层不会消失，只会一层层叠加。”
8. 验证限制生产率，但复杂性扩大了劳动力池
Box 的智能体已经以不同于人类的方式进行搜索：它会同时发起多个查询，检查数百条结果，并即时重新排序。观察这些模式促使 Box 改进自身的脚手架，其中一些改进也回流给人类用户——这说明面向智能体的架构能够“让所有人都受益”。
但 Sinofsky 仍然追问：如果10,000名人类用户配上10,000个智能体，而每个智能体产生的流量是原来的500倍，会发生什么？Casado 认为，负载扩展属于标准计算机科学问题——缓存只读数据，并正确设计可变的共享状态——但新的风险在于熵增：AI 代码可能“随着时间推移变得更糟”，在解决问题的同时制造问题。
Levie 自己的证据支持一个有边界的生产率判断。AI 完成了 Box 一项新功能约80%–90%的工作，但发布仍需等待针对代码注入的完整安全审查。审查、安全和部署流水线仍在限制产出速度，因此整个工程团队的生产率提升可能是2x–3x，而不是5x–10x。
同样的边界也适用于代码之外：AI 可以检查无限量的会计数据，寻找异常，从而带来全新的可见性，但人类仍然要完成细致的审计。Levie 仍然“对就业极其乐观”，因为即使人的抽象层级不断上升，也仍需要有人发起、审查并将这些工作纳入流程。
Sinofsky 回忆起早期“计算机会消灭会计师”的预测，并以律师为例说明，数字化反而扩大并拓宽了专业工作。更有价值的信息也意味着需要更多人去消费和采取行动，因为“公司的本质就是对信息采取行动”。
Levie 最后的逻辑是，代码越多，系统就越复杂，因此升级、宕机、安全事故和工程工作也会增加。Casado 表示，AI 原生公司已经在积极招聘，基础设施企业正受益于软件规模上升；未来的工程师可能会在 John Deere 从事智能农业，或在 Eli Lilly 开发疗法，而不是再去编写另一套社交网络算法。