AI 不是软件,是新员工:硅谷三位老炮眼中的企业落地真相

最近 MIT 抛出一个数字：95% 的企业 AI 项目失败。这个数字在硅谷被反复转发，又被反复嘲笑。

a16z 合伙人 Martin Casado 直接戳穿：这话本身就是误读。每一个能用 ChatGPT 的人都在用，员工层面的渗透率高得吓人。真正失败的，是另一种东西——董事会要 CEO「上 AI」，CEO 转手找咨询公司搞了个谁也不懂的中央项目，运营、数据、合规一项都没对齐，然后这事自然就黄了。

这不是技术问题，是组织和工作方式的代际错位。

前微软 Windows 总裁 Stephen Sinofsky、a16z 的 Martin Casado、Box CEO Aaron Levie 最近开了一场对谈。三位都是常年混在大企业第一线的老炮。他们罕见地达成了几个反共识，又在几个关键点上吵得不可开交。

下面是这场对话里最值得品的六个观点。

一、硅谷错觉：工程师的甜蜜区不是全世界

Aaron 把自己的工作总结成一句话：「把现实带进硅谷，再把硅谷带回现实。」

为什么这道鸿沟这么大？因为软件工程师天然占了五到十项优势：技术功底深、能自己选工具、出问题能 debug、大模型对代码本身就格外擅长、产出可立即验证（代码跑得动就是跑得动）。

这套优势组合在会计、法务、市场、HR 那里几乎全部不成立。他们的工作流是碎片的、数据藏在十个系统里、用的都是十年起步的遗留软件、对工具的选择权也极其有限。

我们在硅谷创业公司里看到的那些奇迹，要扩散到知识工作的其他角落，还得花好几年。——Aaron Levie

把工程师玩 Cursor、Claude Code 的那套体感平移到一个传统企业的财务部，本来就是把一头牛塞进自行车道。

二、架构瘫痪：变化太快，反而没人敢动

大企业不是傻，是被吓住了。

大模型范式几乎半年一变：agent 跑在云端还是本地？harness（运行壳）是托管还是自部署？工具调用走 MCP 还是函数调用？三年前压注的方向，今天可能已经被废弃。

CIO 们陷入一种独特的瘫痪——因为变化太快，所以谁也不敢动。「我们正在两三种范式之间犹豫」，Aaron 说他几乎在每一个客户那里都听到这句话。

软件公司自己也在反复重写。Martin 看到的真实剧本是：六个月前大家把 AI 当一个功能「塞」进产品（弄个聊天框、加个 AI 摘要），现在又全部回炉——把产品改造成 CLI 工具，让 AI agent 来调用。

我们在快进式地走完整个演化路径，一年之内把架构推倒重来两次。——Martin Casado

硅谷的人觉得「画一张五年技术蓝图」这件事很可笑，但你没在大公司选过那种要用 40 年的应付账款系统，就不会懂这种谨慎从何而来。

三、范式转移：把 AI 当人，而不是当软件

这是 Martin 在整场对谈里最重的一拳。

LLM 是非确定性的、聪明的、能处理长尾复杂度的——这些都是人的特性，不是软件的特性。我们过去 40 年精心打造的访问控制、权限分级、入职流程、合规审计，全部都是为应付「混乱的人类」而生。

如果你把 AI agent 当成新员工——给它一个邮箱、一份权限、一次入职培训——它就能直接 draft 在这套现成的人类流程上。反过来，如果你把它当软件，你就要重建一整套全新的机制，根本来不及。

类比可以走得更远：为什么人形机器人会是机器人的终局？因为整个物理世界都是为人设计的。Stephen 在 CES 上看到一台 Roomba 进电梯，它按不到楼层键，于是厂商发明了另一台专门帮第一台机器人按按钮的机器人。原因很简单：电梯没有 API。

现实世界里的 API 缺口，恰恰是 agent 的主战场。

如果这个判断成立，结论会很反直觉：你不需要把所有 SaaS 都改成 headless（无界面、纯 API），你只需要让 agent 能像人一样使用现成的界面。

Martin 半开玩笑地补了一句：「我完全支持 agent 入职。让 agent 来参加新员工 orientation，CEO 给它讲一遍公司文化，每个部门轮流来介绍自己的业务。」听起来荒诞，但他是认真的——这些流程是大公司应付不确定性的智慧结晶，本来就是为「不可控的智能体」准备的。

四、Headless SaaS 之争：Salesforce 走向无头是个信号

上周 Salesforce 宣布全面 headless——把核心能力剥离出来，让任何 agent 可以调用。

Aaron 把这看成分水岭。Salesforce 一动，整个企业软件世界都得跟着调整商业模式：agent 是新一类 license，要不要单独定价？读写权限怎么分级？是按调用计费还是按席位？

但 Stephen 给所有 SaaS 公司提了个醒：别想着让 agent 用人类账号偷懒，那是第一天就埋下的安全噩梦。每一个 agent 都必须有独立身份和独立权限。CEO 自己都不该对所有数据有完整访问权——HR 敏感字段、薪酬细节、未公开的财报，全部需要分级。让 agent 沿用 CEO 的凭证，等于把整个金库钥匙挂在门外。

至于 agent 应该走 API 还是浏览器？Stephen 和 Martin 在这里小吵了一架。Stephen 押注 API（更高效、更可控），Martin 押注浏览器（模型训练数据都来自人在浏览器里的真实操作，天然更适应）。短期答案大概率是浏览器，长期 API 会进化成「agent-first」的新形态。

五、集成才是真正的护城河，AI 也解决不了

这一段，三个人难得达成了完全一致。

任何一千人以上、十年以上历史的企业，都是一堆等待被集成的烂摊子。AI 解决不了集成问题——AI 让集成问题更突出了。——Aaron Levie

人类员工有一项 agent 完全学不会的能力：找 Sally 在企微上私聊一句。一个新人不知道某份数据放在哪，他会去问同事；一个 agent 不知道，就直接卡死在权限边界上。

Stephen 举了一个更扎心的例子：你打过客服电话就知道，一个流程走不通时，人类客服会主动把你转给经理、转给另一条线、绕开系统直接帮你处理。agent 没这个本能。它会礼貌地告诉你「抱歉我无权访问」，然后整个任务原地阵亡。

所以当 OpenAI 宣布和埃森哲、德勤合作推 Codex 落地时，硅谷有人嘲笑「竟然要请人来部署自动化人的 AI」。这恰恰说明很多人没看明白：大企业的 AI 落地，本质上就是系统集成项目，未来几十年都是。这是下一代咨询公司、SI、ISV 的真正机会。

六、关于「AI 抢工作」的最大反常识

Aaron 给出全场最锋利的金句：

写更多代码就需要更少工程师，是彻底的反向。代码越多，系统越复杂；升级、宕机、安全事件就越频繁；就越需要懂行的人。

这不是嘴硬。Stephen 当场拿出一本 1995 年出版的书《工作的终结》——出版六个月之后，互联网起飞。书的论调是技术革命已经失败、未来不再需要这么多工作岗位。今天回头看像一个笑话。

更早的例子：1965 年 IBM 卖大型机时承诺「计算机会替代会计」。结果是会计岗位不仅没消失，反而因为电算化让审计、合规、数据分析的复杂度暴涨——今天的注册会计师比 1965 年多得多。律师也是同样剧本：八十年代的律师是不打字的，他们雇 paralegal 帮忙写文件；今天每个律师都自己用 Word 改合同、查电子化判例库，行业不仅没缩小，反而更繁荣。

数据也站在乐观这一边：AI 原生公司是 2025 年招聘最猛的群体；基础设施公司本来被预测会被「商品化」，现在反而每一家都活得很好——因为软件比以往任何时候都多。

最值得记住的一点是：下一代工程师不再都挤在 Google 写社交算法。他们会去 John Deere 写自动驾驶拖拉机的算法，去 Caterpillar 优化施工调度，去 Eli Lilly 辅助药物分子设计。「软件吃掉世界」这句 15 年前的预言终于落地——意味着每一个行业都需要自己的工程师梯队。

收尾：硅谷高估了一年，低估了十年

三人最后罕见地达成了一个共识：真实的生产力提升是 2-3 倍，不是 5-10 倍。瓶颈不在模型，而在 code review、安全审查、组织流程——你写得再快，也得人来把关。

Aaron 留下一个开放问题：今天有不少公司用 token 消耗量当 KPI，员工于是让 agent 跑一堆无意义的任务「刷数据」。当 AI 让我们「假装高产」时，我们到底在解决问题，还是在制造问题？

硅谷一贯高估了一年的变化，又低估了十年的变化。AI 在企业里真正的故事，远比朋友圈里的演示视频要慢、要复杂，也要更长——但它才刚刚开始。