Aaron Levie

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”。

Levie 对劳动力的核心判断是：未来5年，AI 会带来更多工程师和律师，而不是更少。 科技业约占GDP的8-15%；如果让其余85%的经济体也用上硅谷级工程能力，开发者就会转向 John Deere、Caterpillar 和 Eli Lilly。AI 也会让律师面对海量合同和备忘录草稿，但法院、专利审批和专业责任仍受供给约束——「人并没有被移出流程，只是改变了他们进入流程的位置」。

企业落地 AI 的瓶颈在组织重构，这可能催生50万至100万个“agent operator”岗位。 这些技术能力很强的运营者需要理解 MCPs、CLIs、skills 和 AGENTS.md，并围绕 agents 重建受监管工作流。由此产生的软件需求，与其说是再做一个手机应用，不如说是「无限量的软件」，用来连接割裂的数据、自动化后台流程。

SaaS 并非整体失去价值：agents 会削弱按钮密集型界面的价值，却会放大 API、专有业务逻辑、治理数据和人工审核的价值。 ERP 的价值不只是数据库，供应链和会计逻辑依然重要；Box 也表示，agents 可能将 API 调用量提升100倍甚至1,000倍。Levie 的要求是：成为「agents 最愿意处理这些数据的地方」。

Token 支出会跳出 IT 预算，变成日常运营费用，全球科技支出可能因此翻倍，而不是扩大10倍。 企业可以在营销活动和自动化之间做取舍，把高价模型配置给价值最高的5-10%用户，甚至像《Shark Tank》的参赛者一样为算力竞标。不同于初创公司，大型企业不能不加区分地“token max”：它们有年度预算，上市公司还有 EPS 承诺。

AI 会结构性扩大网络安全市场，因为 agents 既会生成更多存在漏洞的代码，也会让攻击者更快完成扫描。 当 AI 从编写大部分代码走向编写90%或95%的代码，每增加一个功能，就多一次开错端口或引入漏洞的机会。防御型 agents 可以审查这些产出，但Levie用一句话概括了这个循环机会：「Agents 是 agents 制造的问题的解决方案。」

公开市场仍把软件股不加区分地归为一个板块，但Levie预计未来1至2年会出现分化。 对于应对得当的公司，3倍自由现金流可能“低得激进”；但软件业的一部分此前确实被定价到了难以实现的终局。最终胜者会拥有深度工作流控制权、有价值的数据、适配 agents 的 API，以及可变现的自动化能力。即便如此，他仍认为 Atlassian 可能被过度抛售：更多工程活动应扩大对工程基础设施的需求，尽管其产品也必须进化。

即使主持人提出，要让8500亿美元估值走到2.1万亿美元需要大约3倍空间，Levie 仍会“加仓”前沿模型融资。 他类比云计算：AWS 在2010年的收入只有5亿美元，但15年后云已经形成数千亿美元规模的生态，能够正常运转的市场往往会远超最初预期。OpenAI 和 Anthropic 可以在多模型世界中同时胜出，而跨实验室基础设施——例如 agents 评测——可能催生「12个、24个、50个」新类别。

企业 AI 是一场变革管理竞速，而不是模型部署冲刺。 ChatGPT 凭借“2秒学会”的界面触达消费者；企业却仍被遗留数据、治理、责任、合规和数十年积累的工作流所束缚。但 Levie 认为，企业早期买入 AI 的意愿约为云计算早期的“5倍”：管理者已经默认 AI 会接管一切，并相信“这件事必须比竞争对手更快发生在我们身上”。

智能体起初更像 SaaS 龙头的持续性扩张，而不是全栈替代。 API-first 产品能让智能体成为 ServiceNow、Workday 等系统的“超级用户”，在原本没有人工席位的地方拉动使用量。真正的压力来自商业模式：席位费加用量费可以成立，但“如果人根本不是系统里的一个席位”，订阅授权模式就会面临真正的危机。

最大的创业机会，可能来自过去由服务业主导、缺乏结构化的行业所新增的软件支出。 Levie 预计，法律、医疗、教育、咨询、投行和财富管理等行业将变得可被软件覆盖，因为智能体终于能处理临时文件和自然语言。他有意给出的粗略例子是：一个过去规模不足约20亿美元的法律文档市场，可能变成“数十亿美元，甚至达到百亿美元级”。

AI 预算可以从庞大的知识工作成本基座中挪出，不必立即引发软件预算大屠杀。 一名新工程师的成本约为12.5万-20万美元，而即使 Cursor 每年激进使用也只需1000-2000美元，相当于工资的约1%，完全可以被人员流失、延迟招聘或年度薪酬调整消化。Levie 的粗略模型显示，美国知识工作者支出达到数万亿美元；只需将其中几个百分点转向软件，就可能令企业软件支出翻倍。

正在出现的新岗位，是编排、复核和审计智能体，而不是一次只操作一个动作。 当写邮件、写代码或制作营销素材不再限制产出速度，个体贡献者可能会变成“智能体经理”。关键变化在于角色倒置：不再是 AI 纠正人的工作，而是“人的工作变成修复 AI 的错误”；随着生成内容的数量增加，专业能力反而更有价值。

AI 编程会扩展能力，但不会让软件工程或套装软件消失。 Casado 更新后的判断是，AI 对强开发者的帮助最大，而形式化语言仍然重要，因为它们能以足够精确的方式描述软件。Levie 同样不认同软件完全由内部现做：垂直 SaaS 仍然保有行业知识和运营默认值，即使 vibe coding 可能让原型、脚本和长尾内部工具增长“10倍”。

长期结果可能恰恰因为生产率变得稀松平常而显得平淡。 企业将能在今天完成一场营销活动的时间里，运行几十个由智能体生成的实验；竞争对手可能吸收大部分可衡量的增长，而用户得到更好的产品、医疗服务和科学发现。Levie 称自己是“乐观程度处于第98百分位的人”：5-10年后，今天需要两周完成的工作流，可能只会显得慢得不可思议。

企业对 AI 的需求远超云时代的热情，但生产级应用仍处于“非常早期”。 云计算要求企业不情愿地放弃物理基础设施、信任陌生供应商；AI 则让高管主动提出“尽可能多的用例”，有时甚至超出实际可行范围。Levie 认为，大型科技公司、企业软件厂商和新兴智能体创业公司，正处在一个相对狭窄的需求承接窗口中。

AI 正把 IT 从软件赋能部门改造成数字劳动力的运营部门。 业务部门未来向 IT 提出的，不只是部署 CRM 或 HR 系统，还包括配置能够执行销售活动、审阅合同和发票、完成入职流程的智能体。借用 Jensen 在 NVIDIA 的说法，“IT 部门会变成 AI 的 HR 部门”，这要求 IT 掌握更深的业务知识，并拥有更高的战略地位。

Box 的 RAG 优势部分来自 ChatGPT 之前就已搭建的架构，也有运气成分。 Box Hubs 允许用户整理权威文档，无需复制文件或改变权限，从而降低企业知识库中大量草稿污染检索结果的风险。由于企业缺少类似公共互联网 PageRank 的权威信号，Levie 认为，这种人工策展让 Box 的 RAG 至少比对全公司数据进行无差别搜索好 100 倍。

战略终点是一个新的“智能系统”，把结构化控制与概率性判断结合起来。 Box 当前的智能体包含模型访问、工具、技能、指令和企业数据，但 Levie 也承认，其中很多在两年前还会被称为助手。更大的机会在于让智能体审阅内容、作出依赖上下文的判断、分派工作，并与 Salesforce、ServiceNow、Microsoft 或人类协同。

达到人类水平或便宜 40%，仍不足以克服企业采用阻力。 买方仍要面对 17 个竞争项目、AI 委员会审批、可能耗时 6 个月的测试，以及隐私、安全和员工转型问题；涉及重大后果的工作还可能要求“99.99999% 的可靠性”，而不是 98%。Levie 的商业门槛是成本、质量或能力提升一个数量级，尤其适用于此前从未被自动化的工作。

在自然应用领域，现有厂商应继续守住自己的阵地；创业公司则应争取跨平台或此前无人服务的工作流。 “AI-first CRM”必须假设 Salesforce 也会变成 AI-first，Workday 和 ServiceNow 同样会捍卫各自领域；因此，叠加在现有厂商或 OpenAI 之上的薄层产品都很脆弱。独立的合规、智能体红队测试、跨应用工作流，以及需要大量非 AI 界面的产品，仍是创业公司的可信机会。

AI 可能重新打开 SaaS 定价空间，并在宏观统计明确反映之前先改善生产率。 Levie 预计，按结果收费、按算力消耗收费和订阅制将长期并存，结束持续 20 年的按席位 SaaS 主导格局；Box 自身仍在测试。公司内部，编程工具带来的提升从部分工程师的 5–10% 到新员工可能达到的 50% 不等，但如果从几年后开始计算，Levie 愿意押注全经济生产率最终会超过预测。