Enterprise-Ai

OpenAI 负责 ChatGPT 与 Codex 的 Tibo Sottiaux（Codex 的创建者之一，现管 Core Products & Platform）在 The Pragmatic Engineer 的播客里描述了他自己现在的工作方式：开会开到一半想到一个问题，过去他会先记下来，回头找对应团队聊一聊；现在他直接拿起手机，把这个问题用语音说出去，扔给 agent 跑——用户反馈到底怎么样、哪些功能根本没人用可以砍掉、某个团队最近在忙什么。他说他遇到的大部分问题，三十分钟之内就能拿到第一版报告。

晚上没想完的事，他直接派 Codex 通宵去查，第二天早上起来看结果。周末做原型，用他自己的话说是「把想法从脑子里冲出去」，一天之内拿到反馈。

这些细节我核过一手字幕，都是真的。而真正让我停下来的是另一句——他说现在的情况是「突然有上百个 agent 在往同一个东西上贡献，而这可能在一个周末里就发生」。

这句话的份量不在 agent 数量，在于它意味着：对他个人来说，执行配额已经不存在了。 他不需要排期，不需要申请，不需要说服任何人这件事值得做——想到就发出去，半小时后有结果。

那问题来了：为什么在他这样的公司里成立的事情，放到绝大多数公司里，一个想法从冒出来到被处理，还是要等三个月？

我的答案是：因为执行变便宜了，过滤器没有。

Asana 的销售和客户成功人员有一个共享 Slack 频道，专门问产品问题。新功能不断发布，同样的问题被反复提出，每次都要 @ 一位领域专家。他们想过建可搜索的知识库，结论是不可行——用他们首席产品官 Arnab Bose 的原话说：「答案很微妙、而且会变化，你需要有人对『产品当前状态』做出带品味的判断。」

现在这个频道里有一个 Asana 应用，把每个问题转成任务，交给一个 Agent 接手。大多数人介绍这个案例时，讲的是它答得多好。我读了 Claude 官方博客这篇访谈（2026-09-29，「构建人机协作团队」系列第三篇），读出来的是另一件事：这个 Agent 最值钱的设计，是它答不上来的时候会发生什么。

它有两种「答不上来」，每一种都有一个出口：没有获批口径、且问题暴露了产品缺口，它会在产品团队的受理项目里建一条任务，进 backlog；同一个问题反复出现、它反复贴同一条记录，它会建一条任务，让赋能团队去更新培训材料和文档。失败不蒸发，不硬答，全部变成结构化的组织信号。

这一刻，Agent 从一个应答机器，变成了一个组织缺口探测器。

朱啸虎讲过一个他亲手投过的反例。

一家公司，专门派机器人在海底洗船。商业化做得非常好——客户真金白银付费，订单扎实，水下泛化还容易：洗船、洗海上光伏柱子、港口清淤、帮海关查走私（走私分子把货藏在船底，以前要潜水员下去抽查，机器下去就容易多了）。

但朱啸虎说，这家公司有个致命问题：它没法展示。它在海底洗船，根本没办法展示给别人看，能看到的场景很有限。

而同一时期，人形机器人赛道有近 200 家公司挤在一起，彼此差异极小，真实商业化订单稀薄（大部分是政府订单或科研订单），宇树的估值却冲到 4000 亿。朱啸虎的原话很直接：「因为故事好讲。上春晚这种活动，人形机器人的可展示性非常高。很多投资人更喜欢看到这种高度可展示性的东西。」

一家在海底默默赚钱、估值便宜；一群在台上翻跟头、估值冲天。区别不在谁更能创造价值，而在 谁能被看见。

这就是我今天想讲的东西：可展示性偏差——资本、注意力、资源，正在系统性地流向「能演示给人看」的项目，而不是「能产生结果」的项目。

9 月中旬，一家叫 TypeSafe AI 的公司出隐身。创始人 Diogo Almeida 是 RLHF/InstructGPT 的共同发明人，GPT-4 致谢名单里有他的名字——可以说，是他教会了大模型「说人话」。而他隐身两年后发布的产品，却出人意料：一个不会说一句话的模型。

这个模型叫 Jev，定位「决策模型」：输入任意状态和预定义的问题，输出只有三种——选择题、打分、是非题，每个都附带校准过的置信度。口号只有三个词：Decisions, not strings（要决策，不要字符串）。输入 $0.042/百万 token，输出免费，端到端 70–500 毫秒。

市场反应激烈：发布帖 420 万浏览，5 天撤掉 waitlist 全面开放，browser-use 团队次日开源集成（仓库已 12.5k 星），Vercel、OpenRouter、LangChain 一周内全部上架，连蹭热度的 memecoin 都出现了。

一个「不会说话」的模型，凭什么这么火？

因为它赌对了一件事：大模型的岗位不在每一次调用里，而在调用背后——大模型该在工厂里，不在流水线上。

在《当智能变得免费，什么东西在涨价》里，我拆了那张「AI 无法低成本复制什么」的环图。顺着这个题目继续想，想到一个更落地的对比：

企业花钱买 AI，是为结果买单；个人花钱买 AI，是提效给自己赚钱。

两句话听起来是同一件事的两面。但放到账本上看，是两种完全不同的账——而且大多数人把自己的账记错了。

今天在上海 GTLC 全球科技领导力大会现场，白鲸开源 CEO 郭炜讲了一个段子，全场笑完之后是长长的沉默。

Astronomer 的 CEO 在演唱会亲吻镜头上了大屏幕，绯闻全网疯传。多数吃瓜群众不知道这家公司是干什么的——它是 Apache Airflow 的商业母公司，美国数据工作流赛道的第一名。而郭炜的公司是 Apache DolphinScheduler 的原厂，中国第一。

同样的赛道，同样一万家开源用户，同样一批头部客户。 美国那边，CEO 豪车豪宅上小报；中国这边，用他的原话说：「客户虐我千百遍，我待客户如初恋。」

他给的量级判断更扎人：中美市场差异不是几倍，是 100 倍。

为什么？软件做得差吗？他在硅谷待了一个多月，拜访了 Snowflake、Databricks 峰会和一圈大厂之后的结论是：产品和技术好不好，从来不是中国软件活不活得下去的关键——很多国产软件的技术已经进入美国市场第一梯队。问题出在别的地方。出在账本上。

前几天我把手上的三份材料丢给 AI，让它整理成一篇观点汇编：一段产业对话（提问者沈X，回答者是我自己）、一场企业 AI 落地的闭门沙龙、朱啸虎在北大的演讲（Ethan 整理）。

三份材料来自三个完全不同的场合，AI 干得很利索——分门别类、提炼要点、做成对照表，最后在末尾给了我一行加粗的字：

收敛成一句话：模型能力会迅速扩散、趋同、变便宜，所以技术领先只是阶段性优势。真正的长期壁垒，都从「功能/模型」转向独占的数据、跑通的流程、沉淀的资产和用户入口。

我盯着这句看了很久，然后把它删了。

不是因为它错。它对得无可指摘。是因为 它把三份材料里唯一值钱的东西给抹掉了——那三个人说同一句话的时候，各自在指三份不同的数据，各自要把资产放进三个不同的口袋。

2022 年 3 月 10 日，我写了一篇 Google Analytics 4 简介，从事件跟踪讲到导出 BigQuery，写得挺认真。

那篇文章发表前两个月，奥地利数据保护局裁定 Google Analytics 违反 GDPR；发表前一个月，法国 CNIL 跟上。我当时知道这件事，但没当回事——一个免费工具被欧洲监管盯上，离一个中国工程师的日常太远了。

四年多以后回头看，那两个月恰好是一个分水岭：一个平台用免费换来了整个互联网的行为观测层，然后看着这个观测层被主权一刀一刀切掉。 我今天要写的是另一件事，但它是同一个剧本的第二幕——只不过这一幕的主角换成了代码，而幕布在 2026 年 4 月 24 日已经拉开。

那天 GitHub 改了一个开关的默认值。

上个月一个 CIO 给我看他们的 AI 成果清单，讲得很顺：接入了多少个 Agent、开了多少智能体账号、买了多少 token、做了几场全员培训。我听完问了他一句：「你们每天真实发生的业务里，有多大比例是 Agent 参与完成的？」

他停住了。停了几秒，说：「这个我们没统计过。」

这不是个例。绝大多数企业的 AI 成绩单，记的都是投入项——买了多少、接了多少、开了多少。而真正决定 AI 能不能产生业务价值的那个数字，没人算过。

通用 Agent 之后，企业要解决的，不是再做一个更聪明的 Chat，而是把 AI 真正嵌进每天发生的协同工作流。

过去企业数字化的路径大致是：

业务流程 → 表单 / 审批系统 → 人来操作系统
# generated by hugo AI

AI 时代正在变成：

业务目标 → Agent 理解与执行 → 人做判断与审核
# generated by hugo AI

所以引入通用 Agent 只是第一步。真正的问题是：你的企业有没有一个能让 Agent 进入、理解、执行、反馈、持续优化的工作流载体。 没有载体，Agent 再聪明也只是停在对话框里。

今年 4 月 17 日，Anthropic 上线了 Claude Design，直接对着 Figma 和 Canva 打。这件事在产品层面不算新闻——又一个 AI 生成界面的工具。真正值得注意的是它绕过的是什么：它让一部分设计工作不再需要打开 Figma。

OpenRouter CEO Alex Atallah 在那场访谈里的判断比我狠：他把 Claude Design 看作一种战略动作，「它未必立刻带来巨额收入，却能让设计团队在组织内部更关心 Anthropic 模型」。同时他也诚实地补了一句——从 Figma 公开的经营数字看，它表现依然很好。

两句话放一起，才是完整的事实：被绕过的那部分工作，还没大到能动财报。但方向已经定了——软件的用户界面，正在从「给人操作」变成「给 Agent 调用」，而当人不再打开界面，按人头卖软件的那本账，就开始算不动了。

这篇文章想说的是：数字员工和「给 SaaS 加个 AI 助手」的差别，不在功能强弱，在交付结构和定价单位。而定价单位真要换过去，缺的不是技术，是一个签字的人。