Enterprise-Ai

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。

月底，一个用了大半年 AI 的老板跟我抱怨：他知道这个月公司在 AI 上花了多少钱，云账单上写着。但他答不上来另一个问题——这笔钱是哪个团队、哪个流程、哪个数字员工花掉的。

「账单是一整笔，」他说，「就像食堂一个月的米面油采购单，你知道总数，但说不出哪道菜亏本。」

这不是个例。绝大多数企业的 AI 支出，今天都停在「一笔云账单」的粒度上。而我在 OpenRouter CEO Alex Atallah 最近的一场访谈里，看到他给出了一个完全不同的判断——他说这是「很反常、却很少有人讨论」的现象：

「过去员工的成本主要是固定薪酬……未来，员工成本会是动态数字，与每个人是否有效地使用昂贵或廉价模型有关。管理者仍要正常评估员工的效率和产出，但也可以把效率和 AI 使用成本放在一起看。」

换句话说：AI 的成本，正在从「一笔 IT 预算」变成「一份人力成本」。 未来每个员工——尤其是每个数字员工——都会带着两份成本单：一份是薪酬，一份是 token。

三个月前，一个做汽车零部件的朋友跟我吐槽：他们花大半年选的「国内最好的大模型」，搭了三个月的质检 Agent，上线两周被业务部门集体退货。我在 AI to B 的最后一公里 里记下了他那句话：「我们的 AI 项目，死在了数据治理和系统对接上——这两件事，跟模型半毛钱关系都没有。」

那是一次个案级的抱怨。今天，我看到了一份系统级的判决书。

公众号 REIVAX.io 发了一篇文章：《AI 落地传统企业：赋能个人、接管流程，还是造工具？》。作者自述在传统制造企业做数字化，把 AI 进入企业生产链条的方式分成三种模式，然后逐一裁决哪种能落地。这是我少见的 需求侧第一人称 的 AI 落地分析——不是厂商写的，不是咨询顾问写的，是那个要为项目成败负责的人写的。

判决结果出乎很多人意料：制造业用脚投票选中的那个模式，业务流程运行时没有大模型。

xAI 的 Grok Bot 发布页上，留着一条来自运营岗用户 Emma 的感言（译）：

「刚开始的时候，我每 15 分钟就要去查看一次 Bot，事无巨细地盯着它——直到它反过来问我，为什么我总是问这么多问题。现在我放手让它自己干，它反而越用越好。」

这可能是「数字员工」这个产品形态目前拿到的最好背书：不是一个等你提问的工具，而是一个你可以把工作交出去、然后转身去干别的事的队友。

但同一页往下翻，还有一行写给企业用户的小字：加入 waitlist。

喊得最响的「可以把真实工作交给它」，到了企业门口，只换来一句排队等候。这个反差值得认真对待：Grok Bot 上线 24 天，验证了什么？它又到底卡在哪？

先说结论： Grok Bot 验证了「持续角色」这个产品形态，但企业要的是「岗位」。从角色到岗位，差的最后一段不是模型能力，而是组织基础设施。 而这一段，恰恰是企业现在就应该开始在钉钉里上岗数字员工的原因。

半年前，我给自己上了第一批数字员工。上岗之前，我的想象是这样的：任务交给 Agent，我只管派活和收结果，我在钉钉上的时间应该大幅下降。

半年后，我打开自己的屏幕时间统计：我在钉钉上的时间没有下降——翻了一倍。

起初我以为是个体差异。但和几位同样在带数字员工的同事交流后，发现大家的处境差不多：Agent 越多，人在 IM 里花的时间越多。

这让我必须把一个判断写下来：

AI 不会造出新入口，只会加深你对旧入口的依赖。