ARTICLE · 1148929
谷歌新智能体也能调用Claude:AI巨头争的,为什么不只是最强模型?
谷歌新智能体也能调用Claude:AI巨头争的,为什么不只是最强模型?
一家自己研发大模型的科技巨头，把竞争对手的模型接进了新产品。如果只看模型排行榜，这个动作似乎有些反常；把视线移到企业办公室，它又很容易理解：客户每天要交付的工作，往往比任何一家公司的模型品牌都更重要。10月8日，Google Cloud发布新工作智能体Gemini agent。按照官方介绍，它可以在Gemini与Anthropic的Claude模型之间编排任务，并计划在未来支持更多模型。谷歌明确区分了两件事：用户面对的智能体，以及智能体底下使用的模型。 这也不是谷歌第一次与Anthropic合作。双方在2023年就公布了云合作，今年7月，Google Cloud还介绍过Claude在其平台上的企业部署。因此，这次值得关注的变化，是多模型能力进一步进入面向日常工作的智能体，而非两家公司突然握手。 
在我看来，这个产品方向提出了一个比“谁的模型更聪明”更长远的问题：如果企业可以更换底层模型，却仍在同一个地方安排工作、积累知识、管理权限，那么它最终会依赖谁？ 过去几年，AI竞争很容易被理解成一场考试。数学、代码、推理、长文本，每一次新模型发布，都伴随着一组成绩。成绩当然重要，它决定AI能否解决更难的问题，也为用户提供了选择依据。 但办公室里的工作经常没有一张完整的试卷。你说“准备下周的销售复盘”，背后可能藏着几份版本不同的表格、一个尚未确认的退款数字、财务与运营各自使用的统计口径，以及只有团队成员知道的例外情况。 即使模型能把每一份材料读得很明白，只要拿错版本、漏掉约束，最后那份报告仍可能没有用。企业需要的能力因此向外延伸：从理解文字，到找到正确材料，再到把结果交给有权接受它的人。 可以用一个假设场景理解这件事。一家跨境电商企业要安排促销，AI需要综合库存、广告计划、物流时效和退款记录。生成一段漂亮的西班牙语文案，只是其中一环；真正难的是判断哪些商品适合促销、优惠能否承受、承诺的送达时间是否可靠。 这些工作未必需要同一个模型。格式整理可以交给便宜、快速的模型，复杂的经营分析可以使用能力更强的模型，修改报表脚本又可以采用另一种选择。调度有效的前提，是任务边界清楚，结果能够被检查。 由此可以看到，模型提供一种可调用的智能能力，工作平台则组织这份能力如何进入业务。两者都创造价值，但承担的责任不同。平台若能把分散的能力组织成一次可靠交付，就有机会在模型之外获得持续的商业价值。 
这也解释了谷歌为什么愿意让Claude出现在自己的智能体里。对企业客户而言，更多合适的模型是一种吸引力；对谷歌而言，支持客户选择，有可能让更多任务留在自己的产品和云服务中。调用竞争对手，可以服务于更大范围的竞争。 当然，这不能证明谷歌已经获得了定价权，也不能据此推算双方如何分配收入。具体商业收益仍取决于合同、调用结构和实际采用情况。但这种架构让一家公司有机会同时参与模型、平台与基础设施等多个环节。 其中最值得观察的，是工作入口的变化。一个人打开哪个工具写邮件，一个团队在哪里分配任务，一家企业在哪里查看执行记录，这些选择会影响下一项工作从何处开始。 如果智能体能在熟悉的工作环境里接收目标、读取材料、调用工具并交回结果，用户就少了反复复制、上传、解释的步骤。便利本身没有神秘之处，却可能在每天重复的使用中，形成很稳定的习惯。 谷歌在此次介绍中提出，底层模型可以变化，用户的上下文、技能和数据则留在原处。这是一项值得关注的产品主张：模型升级时，企业不必重新介绍自己。 “重新介绍自己”在企业里常常很贵。它包括解释内部术语、整理历史案例、确定文件访问范围、重建操作规则，也包括让员工重新学习一套系统。更换一个模型接口，可能很快；让整家公司重新组织工作，往往需要更久。 随着智能体承担更多任务，它还可能积累一份组织的工作记忆：某位客户为何获得例外折扣，哪类订单需要额外复核，某份报告为什么总被退回。这些信息的价值，来自企业自身的经验，也来自经验被整理后能够再次使用。 模型能力会继续进步，企业的工作记忆却具有很强的独特性。一份公开知识可以由许多模型回答，一项长期积累的内部判断，通常需要公司自己提供。这意味着，通用智能与组织经验之间的连接方式，会变得越来越重要。 但上下文留在原处，也值得从另一个方向审视。如果员工已经建立大量技能、规则、任务记录和系统连接，企业离开这个平台时，能带走多少？底层模型可以切换，与整个工作平台能够顺利迁移，是两个不同的问题。 这里存在一个容易被忽略的变化：模型选择可能更自由，平台选择却可能因使用深入而变得更昂贵。便利与迁移成本可以同时增长。平台越能理解一家企业，企业越需要清楚这份理解以什么形式保存、由谁控制。 因此，多模型支持值得欢迎，但它只是评估开放程度的一个起点。企业还应了解：工作记录能否导出，技能能否复用，权限配置能否重建，连接其他系统所做的投入能否保留。开放的价值，需要在退出时也能成立。 另一个竞争焦点是任务分配。过去，员工自己决定去哪个AI网站；未来，一部分选择可能交给智能体平台。用户只提交目标，系统负责判断什么任务需要什么模型。 这类调度看起来像一个技术细节，却直接影响质量和费用。用昂贵模型处理简单任务，可能浪费预算；把复杂任务交给能力不足的模型，可能带来反复重试、人工补救，甚至错误决策。有效的调度，需要把这些后果一起算进去。 而且，系统必须知道自己有没有选对。一个模型生成了流畅的答案，并不自动意味着任务完成。企业需要预先定义验收标准：引用是否准确，数字是否一致，代码是否能运行，业务限制是否被遵守。 所以，“最适合任务的模型”应当通过真实业务检验。供应商的总体评测可以帮助筛选，企业自己的任务集和验收记录，才能逐步说明某种选择是否值得持续使用。没有这一步，多模型编排也可能只是增加了一层看不清的复杂性。 费用控制同样开始进入平台竞争。Google Cloud在8月的成本管理介绍中，就将席位订阅、按量使用和项目费用管理放在一起讨论。此次发布又介绍了项目实时支出上限：触发上限后，智能体暂停，等待用户决定是否继续。 这说明企业采购AI时，可能越来越关注一项工作的整体账单。模型调用之外，还可能涉及工具运行、反复尝试与人工验收。谁能让费用看得清、任务停得下、责任查得到，谁就更有机会获得长期信任。 不过，费用暂停也需要业务规则。对于普通资料整理，延后完成也许问题不大；对于有时间要求的客户回复或交付任务，暂停本身可能产生后果。企业需要决定哪些任务可以等待，哪些必须转交给人。 权限也是同样的道理。一个模型能读懂合同，不代表它应该看到所有合同；一个智能体会发邮件，不代表它拥有代表公司作出承诺的权力。能力扩大之后，授权必须足够具体，才能让工作继续可控。 Google Cloud此前介绍Claude企业部署时，就强调统一的身份权限、日志与监控。这类能力很少像模型成绩那样引人注目，却会影响企业是否愿意把重要流程交给AI。 在企业里，安全与治理的价值，需要落实到具体问题上：某份客户资料被谁读取，哪个任务调用了哪个模型，一项错误操作如何停止，员工离职后授权如何回收。这些安排把“可以使用AI”推进到“可以承担持续使用AI的责任”。 谷歌在这一竞争中拥有一定的组合优势：它同时经营云服务、办公产品和模型。现有客户关系与系统连接，可能帮助新智能体进入工作环境。但这种优势能否转化为采用率，仍要经过产品体验、采购成本和组织习惯的检验。 有些企业已经使用其他办公软件，有些重视跨云部署，有些更愿意让特定供应商处理某类敏感任务。强模型供应商也可以直接建设自己的工作入口。因此，平台竞争会持续变化，模型能力仍然可能推动客户重新选择。 模型的重要性并没有因为支持多模型而消失。一旦某个模型在关键任务上形成稳定、显著的优势，企业就可能要求平台提供它，甚至为此调整工具。平台需要优秀模型，优秀模型也可以借平台接近客户，合作与竞争会同时存在。 对准备引入AI的企业来说，这件事的启发是把采购问题问得更完整。除了“支持哪个模型”，还要问：使用了哪些数据，接受了什么授权，如何验收，费用归在哪里，出错后谁能接手，以及将来如何迁移。 这些问题不必等到全面部署后才提出。先选择一类边界清楚、结果可检查的真实任务，记录完成质量、人工介入和总成本，再决定是否扩大使用范围，会比只根据发布会演示作出判断更有依据。 也要区分产品方向与已经可用的能力。此次公告中，金融和法律行业版本仍处于预览阶段。关于节省成本、改善质量的主张，仍需要在企业自己的业务中验证。 
谷歌让新智能体调用Claude，展示了一种正在展开的竞争方式：各家公司既争取提供智能能力，也争取组织这些能力被使用的过程。谁能接近真实工作，谁就有机会接近持续的收入与信任。 当AI逐渐进入企业日常，最好的模型与最好的工作系统会相互需要。前者拓展能力的边界，后者让能力在具体组织里发挥作用。企业最终购买的，是能够被接受、被追溯、被负责地交付的工作结果。 更长远的变化，可能发生在我们安排工作的那一刻：一句目标交出去之后，由谁理解公司的经验，由谁调配工具，由谁交回成果。那个让工作不断从这里开始的地方，将成为AI巨头下一阶段争夺的关键位置。
一家自己研发大模型的科技巨头，把竞争对手的模型接进了新产品。如果只看模型排行榜，这个动作似乎有些反常；把视线移到企业办公室，它又很容易理解：客户每天要交付的工作，往往比任何一家公司的模型品牌都更重要。