夜雨聆风过去一年，我们问 AI 最多的问题是：
它会不会写代码？
它会不会写文章？
它会不会做 PPT？
它会不会查资料？
但我觉得，最近几天，一个更重要的问题开始浮出来了。
不是 AI 能不能干活。
而是：
当 AI agent 开始替公司干活，它到底花谁的钱？归谁管？怎么审计？怎么证明值回成本？
这听起来很“企业管理”，没有模型发布那么热闹。
但这恰恰说明 AI 真的开始进公司了。
一个工具只需要好用。
一个生产资源，才需要预算。
以前，AI 是工具；现在，AI 开始变成资源
最近的 builder 信号里，Box CEO Aaron Levie 提到一个很关键的点：随着 agent 能做越来越多长任务，token budgeting 会变成企业里的真实问题。
他的意思很直接。
公司会认真决定花多少钱招人、做市场活动、买电脑、办活动，甚至管午餐成本。那当 agent 开始大量消耗 compute 和 token，token 也会变成一种需要被分配的资源。
这句话真正重要的地方，不在“token”这个词。
而在它背后的转变：
AI agent 正在从“员工自己用的小工具”，变成“组织要统一分配的生产资源”。
以前，一个员工开 ChatGPT 写几段话，成本很小，管理也不复杂。
但如果未来 agent 开始跑长任务，比如：
自动研究一个市场；
持续监控客户线索；
批量审查代码；
生成财务模型；
跑销售跟进；
处理后台运营；
跨工具执行工作流。
那它消耗的就不只是一次聊天 token，而是持续的算力、工具权限、数据访问和组织风险。
这时，公司自然会问：
哪个团队能用？
每个团队多少额度？
哪些任务值得烧 token？
哪些任务不值得？
谁能审批？
谁能看到日志？
出了问题谁负责？
这就不是“AI 工具使用技巧”了。
这是企业资源配置。
Agent 定价可能不会像传统 SaaS
Matt Turck 也提到一个相近判断：enterprise agents 可能不会只是纯 consumption-based pricing。
因为企业 agent 需要 identities、roles、auth、budgets、audit logs。
翻译成人话就是：
一个企业 agent 不能只是“调用一次模型，算一次钱”。
它更像一个数字岗位。
岗位要有身份。
要有角色。
要有权限。
要有预算。
要有日志。
要有审计。
这和传统 SaaS 的 seat pricing 也不完全一样。
人类 seat 很简单：一个人一个账号，一个月多少钱。
但 agent 不一样。
一个 agent 可能属于某个团队，也可能跨多个工具。
它可能一天只跑一次高价值任务，也可能每小时跑很多低价值任务。
它可能只读数据，也可能写入系统。
它可能只生成建议，也可能触发真实动作。
所以 agent 的计费和管理，很可能会变成一套混合模型：
按使用量算一部分。
按角色和权限算一部分。
按工作流价值算一部分。
按组织治理能力再算一部分。
企业买的不是“会说话的模型”，而是一个可管理、可限制、可复盘的数字执行者。
这也是为什么我觉得，“agent 预算”会变成一个新市场。
就像云计算普及以后，企业需要 Cloud FinOps；agent 普及以后，企业也会需要 AI FinOps。
只是这次管理的不是机器，而是一群会自己干活的系统。
模型公司也在往“托管 agent”走
这个判断不是只靠大V发言。
最近的官方动作，也在往同一个方向靠。
Every 对 Anthropic 平台团队的访谈里，有一个非常关键的变化：AI 平台不再只是一个 completion endpoint。
早期 API 很简单：你发 prompt，它回 response。
后来加上 tool calling、session、memory。
现在 Claude Managed Agents 这类东西开始往更高一层走：state、tools、memory、subagents、running loop，都被平台托管起来。
这意味着模型公司不只是卖“模型接口”。
它们开始卖“帮你跑出结果的运行环境”。
Anthropic 最近发布的 Claude Managed Agents 更新，也是在同一条线。里面提到 dreaming、outcomes、multiagent orchestration、webhooks。
这些词听起来技术，但本质很像管理动作：
dreaming 是复盘和整理记忆；
outcomes 是定义成功标准；
multiagent orchestration 是分工协作；
webhooks 是把 agent 放进业务事件流。
一个 agent 要长期干活，就必须有目标、记忆、分工、反馈和外部触发。
这已经不太像一个聊天机器人了。
这更像一个小型组织。
企业真正关心的，是“能不能管住”
GitHub 最近的动作，也很能说明问题。
它发布了 Enterprise-managed plugins in GitHub Copilot CLI。企业管理员可以统一配置和分发 plugins，还能定义 hooks 和 MCP 配置。
这说明 agent 工具链正在进入企业 IT 管理范围。
以前开发者自己装插件、配工具、调 agent。
以后企业会问：
哪些插件允许用？
哪些 MCP 可以连？
哪些 hook 必须默认开启？
哪些自定义 agent 能在公司内分发？
员工离职后权限怎么撤？
这不是小事。
当 AI agent 能访问代码、文档、客户数据、内部系统，它就不能再像个人玩具一样自由生长。
它必须进入企业治理。
Google 最近的 Gemini API File Search 更新也在补同一块地基。它强调 multimodal、metadata filtering、page-level citations。
这说明企业不是只要答案。
企业要知道答案从哪来。
引用、页码、metadata，看起来不性感，但它们决定 AI 能不能进入正式业务。
AI 越接近真实工作，越需要证据链。
小企业会更早感受到这件事
OpenAI Academy 最近的小企业案例也很有意思。
其中一个案例讲的是两个兄弟怎样用 ChatGPT 把草图变成生意。另一个案例讲的是承包商怎样把 ChatGPT 变成后台办公室。
这类案例不是什么前沿模型能力秀。
它讲的是普通生意怎么用 ChatGPT 做产品设计、报价、后台工作、客户沟通这类事情。
我反而觉得这很重要。
因为 AI 真正普及，不一定先发生在最炫的场景。
它可能先发生在那些没人喜欢做、但每天必须做的后台流程里。
发票。
报价。
线索整理。
客户跟进。
产品草图。
邮件回复。
会议纪要。
运营报表。
这些工作不一定高光，但它们消耗时间，影响现金流，而且很容易被老板感知到价值。
这也是为什么小企业可能是 AI 落地的真实温度计。
大公司会谈战略、治理和预算。
小企业会直接问：省没省时间？多没多赚钱？少没少出错？
当 AI 在小企业里从“试试看”变成“每天用”，它就真的进入经济系统了。
这对我们有什么启发？
我觉得至少有三点。
第一，看 AI 产品，不能只看 demo。
一个 demo 可以很惊艳，但企业真正会问：
有没有权限控制？
有没有日志？
有没有预算上限？
有没有审计？
有没有团队管理？
有没有 ROI 可视化？
以后优秀的 AI 产品，不只是让 agent 多做一件事，而是让公司放心多交一件事。
第二，做企业 AI，不要一上来就追求全自动。
更现实的路径是：先找高频、重复、可验证、有明确输入输出的流程。
比如销售线索整理、客户资料补全、内部知识检索、代码安全扫描、报价初稿、会议行动项跟进。
这些工作最适合先 agent 化。
不是因为它们最酷，而是因为它们最容易证明值不值。
第三，AI 的新机会可能在“管理 AI”本身。
未来会不会出现专门管理 agent 成本的软件？
会不会出现 agent budget dashboard？
会不会出现任务级 ROI 分析？
会不会出现按部门分配 token 的系统？
会不会出现 agent 审计日志和权限管理平台？
我觉得会。
因为一旦 agent 真的进公司，它就不只是帮员工省时间。
它会开始花公司的钱。
而凡是会花钱、会访问数据、会执行任务、会带来风险的东西，最后都会被管理。
结尾
所以，我对这轮 AI 最新信号的判断是：
AI agent 的下一站，不是“更像人”，而是“更像一个需要预算管理的数字岗位”。
它要有身份。
要有权限。
要有额度。
要有目标。
要有日志。
要能复盘。
要能证明产出。
这听起来不像科幻，更像财务、IT、安全和业务部门会坐下来认真讨论的东西。
但也正因为如此，它才说明 AI 真的往前走了一步。
AI 真正进入企业，不是因为它会回答问题。
而是因为它开始进入预算表。
