夜雨聆风看一家公司今天怎么"用上 AI"，最常见的路径是这样的：给员工批量开 ChatGPT 企业版的席位，或者采购 Microsoft Copilot，按人头发下去。
这几乎是当下企业 AI 落地的主流方式——Copilot、ChatGPT 企业版本身就是按席位（per-seat）订阅卖的，企业"上 AI"，很大程度就是给更多员工开更多席位。本质上，是把个人在用的那个 AI，买成 N 份发下去。
这个做法背后，藏着一个假设：企业级 AI，就是个人 AI 的放大版，无非"人更多、算力更强"。
这个假设是错的。个人 Agent 和企业级 Agent，是两种范式，不是大小之分。
但分界划在哪，很容易划错。第一直觉会说：企业级的更强、更大、记得更多——分界在能力。这也不对。
真正的分界，不在能力，在治理。前阵子 Y Combinator 第一次系统公开自己的内部 AI 实践（在 Lightcone 播客上，合伙人 Pete Koomen 主讲，他从零搭起了 YC 的内部 agent 基础设施），恰好把这条治理分界线，演示了出来。
YC 官方为那期配的话：过去一年我们一直在搭建自己的内部 agent 基础设施——内部工具从最初约 20 个扩到 350+，有能在夜间复盘里自我改进的 skill 循环，以及一个共享的"组织大脑"。
先说清楚：分界为什么不在能力
因为今天的个人 agent，能力已经不弱了。
它能记忆——很多人给自己的 Claude Code、Cursor 配了长期记忆，记得住你的偏好、你的项目历史。它会自我改进——YC CEO Garry Tan 自己开源的 gstack，就是把 Claude Code 配成一套会迭代的工作流。它能调一大堆工具、能跑很久的任务。
所以"企业级 = 能力更强、记得更多、会进化"这个分界划不住——这些个人 agent 现在都能做，而且会越来越强。能力是一条连续谱，个人和企业都在上面往前走，没有断点。
真正有断点的，是另外三件事，全是治理层面的：agent 能动谁的数据、它的积累归谁、它嵌进什么且错了谁担。下面借 YC 这个实证，一个一个看。
治理一：agent 能动谁的数据
个人范式里，agent 在你的数据外面。你用它，是把东西复制粘贴进去，它够不到你公司的真实业务数据——再聪明也是隔着玻璃的顾问。
企业范式里，agent 在数据里面、有权限。据 Koomen 在播客里讲，YC 整个公司跑在自研软件上，重要数据放在一个 Postgres 库里——关键一步是，他们给 agent 开了这个库的 SQL 访问权限，"一个 agent 可以去回答关于我们业务的任意问题"。第一个落地场景是财务团队：让不懂工程的财务人员，不依赖工程师，自己跑 agent、用 AI 写 SQL 查复杂问题。
个人 agent 再聪明，也在你数据外面。企业级的关键一步，是有人决定给它开组织数据的权限——这是个治理决定，不是能力升级。
这一步的门槛，恰恰是大多数公司迈不过去的地方——给 AI 开真实数据权限，意味着要先把数据归拢、把权限边界理清、把"出了事谁负责"想明白。发个 Copilot 不需要这些，所以大家都停在发 Copilot。难的从来不是 AI 的能力，是这个授权的决定。
治理二：agent 的积累，归个人还是归组织
这一层最容易被忽略，却可能最本质。
个人范式里，agent 的积累归你一个人。你用 AI 干活再多，那些 context、跟客户的来龙去脉，沉淀在你的对话记录和你脑子里——你走了就带走了，公司什么也没留下。
企业范式里，积累沉淀进组织。YC 那句话里的"组织大脑"，在 Garry Tan 开源的 gbrain 项目里看得最具体：给每个人、每家公司、每场会议各建一页，开完会 AI 自动生成纪要、更新对应的 person page、公司页、时间线。谁跟某个 founder 聊过什么、某家公司三个月前的情况，都沉淀成谁都能调取的组织记忆。
值得一提的是：gbrain 一开始是 Garry 个人的 brain，是他为运行自己的 AI agent 建的，后来才"也能当公司的 brain 用"。注意这个演变——变的不是它有没有记忆（它一直有），是这份记忆的共享范围，从个人扩成了组织。
范式分界不在"记不记得"，在"记忆归谁、谁能调"。个人 agent 的积累是加法——长在一个人身上；企业级把它变成组织共享的资产，才是乘法。
所以"个人 agent 是加法、企业级是乘法"的真正含义不是企业 AI 更大，是它做了一个治理动作——把本来私有的积累，变成组织可共享、可调取的公共资产。这个动作个人范式不会自动发生，得有人专门去设计。
治理三：agent 嵌进流程，错了谁担
第三件治理上的事，是问责。
个人范式里，你的 agent 帮你干活，错了你自己改、你自己担，影响范围就是你的桌面。企业范式里，agent 嵌进组织流程、动真实业务，就必须能审计、能追溯、能问责——所以 YC 把过程"全程录制、建组织记忆"，让 agent 的行为可回溯。
YC 也在试着把 AI 信号往更敏感的环节放。6 月初的工具 Paxel，让申请者把自己本地 AI 编程会话生成的一份"builder report"（把你归成五种编程原型之一），作为可选信号贴进 Startup School 的申请。
但这里得说准两件事，别夸大：第一，它是 Startup School 申请的可选信号，是否进入 YC 正式录取决策，没有公开证据——别写成"AI 决定谁被录取"。第二，它一上来就撞上治理问题：Paxel 讲"本地运行、代码不离开你的机器"，这部分基本属实（源码、文件内容、diff 确实留在本地），但据它自己的数据说明，它仍会上传 prompt/会话摘录、文件路径、git 元数据——"本地运行"的叙事，容易让人低估这些非代码数据的外流。
这件事的意义不在 Paxel 这个工具本身，在它暴露的规律：agent 越往组织决策深处走，隐私、审计、问责这些治理问题就越是绕不开的核心——而这恰恰是个人范式里不存在、也无需面对的维度。
清醒一点：YC 是个强样本，不是标准答案
用 YC 论证，得打几个折扣。
自夸数据要打折。Garry Tan 自报"60 天 ship 三个生产服务加 40 个功能""从去年底起基本没手敲过代码"——带表演性，方向可信，具体倍数别当测量结果。
公开这套有营销动机。YC 的生意是吸引最好的创业者来申请，高调展示"内部 AI 多先进"本身就在强化品牌。掀开给你看的，是它想让你看的那部分。
它有很多公司学不来的特殊条件。几十人的小团队、自研软件栈（数据本来就在一个库里）、默认信任的文化、全是技术背景的合伙人。一家有十年遗留系统、数据散在二十个供应商、跨部门互不信任的大公司，照搬会撞墙。
所以 YC 证明不了"每家公司都该这么干"，它的 350 个工具也抄不来。但把这些都打折之后，有一件事不受影响——它清楚演示了那条治理分界线到底划在哪。
分界在治理那条线上
把三件事收到一起：个人 agent 和企业级 agent 的分界，不在能力——能力是连续谱，个人 agent 也能记、能强、会进化，而且会越来越强。分界在治理，在三个有断点的决定：
• 权限：敢不敢给 agent 开组织真实数据的访问权限；
• 共享：要不要把每个人私有的积累，沉淀成组织共享、谁都能调的大脑；
• 问责：敢不敢让 agent 嵌进流程、动真实业务，并为它的错误建立审计和问责。
大多数公司以为"做企业 AI"是买个更强的模型发给更多人——但模型强不强是能力，谁都能买到更强的。真正的范式跨越，是那三个没法外包的治理决定。
这对国内尤其值得想。国内大量公司这一年都在搞"内部 AI"，但绝大多数停在接个大模型 API、给员工开个助手——人数很多、模型也不弱，但没跨过那条治理线。差距不在"用没用 AI"、也不在"模型够不够强"，在那三个难做、且没人能替你做的决定有没有真做。
买更强的模型很容易，明年还有更强的。难的、也真正分两种范式的，是把组织本身，改造成一个 agent 能被授权、能共享、能问责地嵌进去的系统。前者是花钱，后者是改自己。
