Aaron Levie

企业 AI 近期的瓶颈在组织整合，而不在模型能力。 Aaron Levie 表示，编码智能体之所以进展顺利，是因为工程师技术能力强、能够自主工作、可以调试失败，并且产出可验证；普通知识工作则涉及技术能力较弱的用户、碎片化数据、遗留系统和未被记录的关系网络。因此，AI 从初创公司向大型企业扩散还需要“数年时间”。

自上而下的 AI 指令正在制造失真的失败统计和可量化的表演，而非真正的运营变化。 Martin Casado 表示，“95%的大型企业 AI 项目失败”这一说法“显然很荒谬”，因为员工已经在有效使用 ChatGPT；他认为，这与集中式、咨询公司主导且缺乏运营协同的项目是两回事。以 token 数量为考核指标进一步放大了这种扭曲——Aaron Levie 说，他和同事会给智能体安排无用任务，因为“你衡量什么，就会得到什么”。

整合、权限和变革管理仍是企业长期不变的工作量，也可能成为持续数十年的服务市场。 Steven Sinofsky 的明确判断是，任何拥有1,000名以上员工或拥有超过10年历史的公司，都有“大量东西在那里等着被整合”，而“AI 实际上并不能帮助整合任何东西”。Levie 认为，这使 Accenture、Deloitte 及其他系统集成商参与其中完全合乎逻辑：人们必须先实施未来可能自动化工作的智能体。

核心架构变化，是把智能体视为拥有身份、入职流程和边界权限的员工，而不只是嵌入其他产品的软件。 Casado 表示，企业已经花了40年为混乱且非确定性的人类设计界面和流程，因此企业可以“雇用这个智能体”，给它配置邮箱和应用访问权限，并复用现有控制机制。尚未解决的问题是上下文：智能体可以以极大规模并行工作，却不会自然知道系统出错时应该去找哪个 Sally 或 Bob。

SaaS 可能新增机器席位，但 API 与浏览器两条路径仍存在争议。 Levie 认为 Salesforce 走向“full headless”是一个风向标，机器使用量可能达到人类活动的100倍或1,000倍；Sinofsky 则认为智能体就是“另一个席位”，因为共享人类凭证无法辩护。Casado 和 Sinofsky 倾向于 API/MCP/CLI 优先，只有这些接口失效时才使用浏览器；Casado 同时指出，当无头浏览器被拦截时，智能体可能仍需要使用普通 Safari。

智能体规模化带来两类风险：一类是熟悉的基础设施扩容，另一类是尚未被充分理解的运营熵增。 Sinofsky 追问，如果10,000名员工各自拥有智能体，而每个智能体对 SaaS 系统的访问频率是原来的500倍，会发生什么；Casado 表示，缓存和标准分布式系统技术可以应对这类负载。他更深层的担忧是，AI 生成的代码“会随着时间推移变得更糟”，可能制造与解决同样多的问题，而企业尚不知道该如何治理那些持续改写共享系统的长期运行智能体。

嘉宾预计，AI 在淘汰软件、基础设施和技术岗位之前，会先扩大它们。 Box 曾看到 AI 完成某一项功能约80%–90%的工作，但安全审查仍限制了发布；因此 Levie 估计工程生产率可能提升2x–3x，而不是5x–10x。代码越多，需要保护、升级和修复的系统就越多；与此同时，John Deere、Caterpillar、Eli Lilly 以及数千家其他公司都可以雇用使用 Claude Code、Codex 和 Cursor 的工程师——“这一领域的就业才刚刚开始”。

🔗 原始收听与视频来源： Aaron Levie 谈 AI 采用与企业工作流 | The a16z Show

Levie 对劳动力的核心判断是：未来5年，AI 会带来更多工程师和律师，而不是更少。 科技业约占GDP的8-15%；如果让其余85%的经济体也用上硅谷级工程能力，开发者就会转向 John Deere、Caterpillar 和 Eli Lilly。AI 也会让律师面对海量合同和备忘录草稿，但法院、专利审批和专业责任仍受供给约束——「人并没有被移出流程，只是改变了他们进入流程的位置」。

企业落地 AI 的瓶颈在组织重构，这可能催生50万至100万个“agent operator”岗位。 这些技术能力很强的运营者需要理解 MCPs、CLIs、skills 和 AGENTS.md，并围绕 agents 重建受监管工作流。由此产生的软件需求，与其说是再做一个手机应用，不如说是「无限量的软件」，用来连接割裂的数据、自动化后台流程。

SaaS 并非整体失去价值：agents 会削弱按钮密集型界面的价值，却会放大 API、专有业务逻辑、治理数据和人工审核的价值。 ERP 的价值不只是数据库，供应链和会计逻辑依然重要；Box 也表示，agents 可能将 API 调用量提升100倍甚至1,000倍。Levie 的要求是：成为「agents 最愿意处理这些数据的地方」。

Token 支出会跳出 IT 预算，变成日常运营费用，全球科技支出可能因此翻倍，而不是扩大10倍。 企业可以在营销活动和自动化之间做取舍，把高价模型配置给价值最高的5-10%用户，甚至像《Shark Tank》的参赛者一样为算力竞标。不同于初创公司，大型企业不能不加区分地“token max”：它们有年度预算，上市公司还有 EPS 承诺。

AI 会结构性扩大网络安全市场，因为 agents 既会生成更多存在漏洞的代码，也会让攻击者更快完成扫描。 当 AI 从编写大部分代码走向编写90%或95%的代码，每增加一个功能，就多一次开错端口或引入漏洞的机会。防御型 agents 可以审查这些产出，但Levie用一句话概括了这个循环机会：「Agents 是 agents 制造的问题的解决方案。」

公开市场仍把软件股不加区分地归为一个板块，但Levie预计未来1至2年会出现分化。 对于应对得当的公司，3倍自由现金流可能“低得激进”；但软件业的一部分此前确实被定价到了难以实现的终局。最终胜者会拥有深度工作流控制权、有价值的数据、适配 agents 的 API，以及可变现的自动化能力。即便如此，他仍认为 Atlassian 可能被过度抛售：更多工程活动应扩大对工程基础设施的需求，尽管其产品也必须进化。

即使主持人提出，要让8500亿美元估值走到2.1万亿美元需要大约3倍空间，Levie 仍会“加仓”前沿模型融资。 他类比云计算：AWS 在2010年的收入只有5亿美元，但15年后云已经形成数千亿美元规模的生态，能够正常运转的市场往往会远超最初预期。OpenAI 和 Anthropic 可以在多模型世界中同时胜出，而跨实验室基础设施——例如 agents 评测——可能催生「12个、24个、50个」新类别。

🔗 原始收听与视频来源： SaaS 公司要完了吗：哪些会活下来、哪些会死 | Aaron Levie

企业采用 AI 的鸿沟，与其说由模型能力决定，不如说由权限、责任归属和运营控制决定。 初创公司没什么可“炸掉”的；银行则必须先控制提示注入、误写入、智能体相互冲突和信息泄露，才能授予自主权。结果是：“AI 能力的扩散会比硅谷人意识到的更慢。”

如果组织最终部署的智能体数量达到人的100倍或1,000倍，软件需求可能被彻底改写。 Aaron Levie 认为，供应商必须开放 API、CLI、工具、身份体系和访问控制，因为业务表现将越来越与智能体触达公司数据的效率相关。Martin Casado 提醒，界面打磨不是护城河：智能体会依据语义、成本、持久性等实质因素选择后端，而不是依据界面或文档质量。

核心记录系统的防守力，远强于“SaaS 末日”叙事所暗示的水平。 Steven Sinofsky 称，“以为靠 vibe-code 就能做出 SAP，简直荒谬”，因为数十年的领域知识分散在界面、中间层、工作流和操作习惯中，而不在某个干净的数据层里。智能体改变软件消费方式和变现模式的速度，可能快于其替代核心系统的速度。

AI 初期会抬高能拆解工作的领域专家的价值，随后会把这项技能上移到更高的抽象层。 大多数员工无法画出自己的工作流程图，使“算法思维”成为眼下的瓶颈；Casado 提到的 Anthropic 增长营销案例显示，1名系统思考者把原本分散在5个或10个岗位上的工作自动化。Sinofsky 预计，“火箭科学”那一部分会像当年的电子表格复杂性一样消失。

给每个智能体单独开一个账户，并不等于把它变成一名员工。 智能体可以获得电话号码、Gmail 账户、信用卡和基于角色的权限，但责任仍由所有者承担，且必须全程监督；任何进入上下文窗口的信息，都可能通过提示注入被抽取出来。对于并购数据室等敏感流程，Sinofsky 认为，在 N 变得非常大之前，企业可能还会维持只读状态数年。

嘉宾们拒绝华尔街把收入总盘子视为固定不变的假设，认为 AI 需求在结构上被低估。 Sinofsky 表示，预测“至少差了一个数量级”，并以 PC、云计算和 CRM 为例：这些市场中，摩擦下降带来消费扩张，而不只是重新分配支出。Casado 补充称，在他能观察到的基础设施公司中，过去6个月每一家都出现了“渐近式”增长，因为软件编写量大幅增加。

即使效率最终会压倒稀缺性，Token 支出眼下仍是盈利和管理层必须面对的问题。 在当前讨论中，工程算力可能占相关费用的1%-100%；考虑到上市科技公司的研发费用约占收入的14%-30%，算力成本是工程团队成本的2倍，还是仅高出3%，都可能决定 EPS。Martin 称这是未来“最疯狂”的预算讨论；Sinofsky 则预计，类似晶体管的转变最终会让今天的 Token 核算消失：“这是肯定的。”

🔗 原始收听与视频来源： Box CEO 谈 AI 采用鸿沟 | The a16z Show

Box 的核心判断是，企业里的 Agent 数量将达到人的“10倍或100倍”，让沉睡的企业文件变成持续产生价值的基础设施。 合同、研究、路线图和客户材料将不再只是人偶尔重新打开的文档，而会成为入职、销售和自主工作的输入。这个说法几乎不需要再包装：“Every agent needs a Box.”

决定自主 Agent 能否安全进入受监管企业的，可能是 Agent 的身份与授权，而不是模型的原始智能。 如今的“简单模式”是让 Agent 与人类操作者使用同一身份；独立 Agent 则会带来隐私、责任、监督和多方访问等更棘手的问题。Levie 预计，除非权限和治理体系原生面向 Agent 设计，否则企业将遭遇“极其疯狂的安全事件”。

AI 编程的快速普及并不能代表其他知识工作的进展，因为软件开发拥有异常有利的条件。 代码基本是文本输入、文本输出，工程师通常可以访问大范围代码仓库，模型接受了大量代码训练，而实验室自己的开发者又在持续提供反馈。银行家、律师和其他从业者面对的则是碎片化权限、未记录的上下文、混合媒体，以及困在对话里的信息。

企业必须围绕 Agent 重构工作，而不是等 Agent 自己融入现有流程。 swyx 质疑了“Agent 会适应我们的工作方式”这一咨询顾问式前提：“Agent 并没有真正适应我们的工作方式。基本上是我们适应了 Agent 的工作方式。”他还以 OpenAI 招聘 FDEs、Anthropic 入驻 Goldman Sachs 为例，说明不存在毫不费力的“原样接入”路径。Levie 认同，要把数据环境整理好会很难，但另一种极端——让 Agent 从完全混乱的环境中自行推断一切——在技术上不可能。

上下文工程本质上是检索问题：可能需要把5000万页可访问信息压缩成约6万个可靠 tokens。 更大的上下文窗口并不能消除搜索、排序、访问控制，以及判断何时停止查找的需要。更好的模型可以识别相互矛盾或已经过时的文档，但“如果数据环境完全是一片荒地，仍然没用”。

知识工作要达到可靠性，必须依赖私有 evals，因为看似合理的垃圾输出可能带来普通软件输出中看不见的职业和法律风险。 据称，Box 的留出行业基准在一次模型版本对比中出现了约15个百分点的提升，而内部测试可以同时捕捉模型和 Agent harness 的回归。Levie 预计，最终每家企业都会为 RFP 制作、销售材料和发票处理等工作流维护自己的 evals。

Box 正将其受治理的文件系统定位为 Agent 数据层和沙盒工作区，同时围绕一场攸关生死的 Agent 转型重组一家约3000人的公司。 一个由几十人组成的核心团队获得搜索、元数据、基础设施、安全和合规团队的支持。在 Box 之外，swyx 和 Alessio 认为软件产出可能提高10倍至100倍，这会让技术人员、部署和 DevRel 变得更加重要，而不是相反。

🔗 原始收听与视频来源： 为什么每个 Agent 都需要一个 Box——Aaron Levie，Box

编程代理正让小型创业公司获得过去只有大企业才拥有的运营规模。 Levie 的公司称，约30%的代码“来自 AI”，员工自报的效率提升从20–30%到75%不等；3人、5人和10人创业公司的创始人则称效率提升达到3–10x。最强的团队会把任务派给后台代理，约20分钟后拿到结果，自己“做的是代码审查，而不是写代码”。Sinofsky 警告，惊艳的产出可能让人产生生产力提升的错觉，但实际产出并未改变。

目前观察到的最强提升来自专家和资深小团队，而不是新手突然获得了判断力。 Casado 称，使用 AI 的资深团队已经“超人化”，仿佛“他们一觉醒来全都变成了 Tony Stark”；Levie 认为，愿意把 AI 推得更远，有助于解释生产力差异为何如此之大。Casado 认为，专业能力让用户能够识别出或许只有2%的输出存在幻觉或方向错误。AI 是领域知识的“涡轮增压器”，而专业判断力仍是可以变现的那一层。

AI 带来的生产力可能体现为速度、软件质量和更高层次的工作，而不一定是更快发布功能。 开发者可以生成文档和测试，同时改善可维护性与架构，即使发布日程没有变化。Levie 的个人案例是：把原本持续3天的分析师工作压缩成10–20分钟的深度研究、分析和原型制作；这“从根本上是另一回事”，不再是串行分派任务。

创业公司的重置，来自代理带来的规模化能力与已经存在于70亿部手机上的分发渠道相结合。 后台代理消除了在员工数量上的既有优势，而消费者对软件的熟悉则化解了很大一部分平台分发门槛；Levie 的直白表述是，老牌公司仍有“分发优势，但仅此而已”。那些过去可能成为10x工程师的20岁年轻人，如今可以表现得像“100x工程师”，让2025年的公司创建过程相较2005年变得面目全非。

最大的全新市场可能在专业服务业：AI 可以把领域智能封装进软件，而这里没有传统软件巨头需要被取代。 农业、建筑、系统集成和广告都可以按 AI 原生方式重做，而名义上遭到颠覆的公司，可能反而会成为产品最重要的客户。Levie 的代理公司案例体现了定价空间：如果 AI 能以5000美元制作一场价值100万美元的广告视频 campaign，新进入者就可以在这两个数字之间定价。

老牌公司不必消失，挑战者也能夺取规模巨大的新类别。 讨论嘉宾预计，在已有明显代理工作流的记录系统中，老牌公司会略占优势；而全新的领域则更有利于颠覆者。两者都可以增长，因为市场规模可能比过去理解的大“100倍”。一家价值“4万亿美元”的 Microsoft，可以与新的100亿美元、200亿美元、500亿美元和1000亿美元公司共存；老牌公司真正持久的弱点，是拒绝推出会与既有商业模式冲突的产品。

消费者的采用正在为企业被迫升级打基础。 一项自报调查显示，最多75%的成年人每周多次使用 AI；作为对比，Pew 在1999年的研究显示，约一半美国人拥有电脑。Levie 那位非技术背景的教师姐姐也开始向 ChatGPT 提问。员工和毕业生会越来越多地追问：为什么企业系统无法像消费级工具那样快速回答问题，或完成报告；而安全性与非确定性输出，仍是大公司的主要瓶颈。

移民政策争论聚焦于减少抽签摩擦和保护工资，但并未形成是否应接受10万美元价格的共识。 Casado 最初支持通过定价分配稀缺供给；Sinofsky 认为高价格可以直接针对咨询 body shop。Levie 则认为，10万美元可能让 Amazon 和 Google 获得更多优势，并把有价值的创业公司人才挡在门外；Keith Rabois 提出的2万美元和最低工资规则成为替代方案。最尖锐的反对意见是，这项提案仍然只是“花10万美元参与抽签系统”，而不是用一个以“全世界最优秀的人才”和工资净增为目标的体系，替代成本高昂的不确定性。

🔗 原始收听与视频来源： 软件终于吞噬服务业 - Aaron Levie

AI 工作者的终局是自主后台执行，而不是更好的聊天界面。 Aaron Levie 用无需人工介入就能完成多少有用工作来衡量智能体性；Martin Casado 则提出更严格的测试：系统必须消化自身输出，并据此合理推进。由于长时间自治可能放大错误，实际架构可能是许多设有人类检查点的受限工作者——Steven Sinofsky 所说的“Linux 里的 ampersand”，只是从“真的很差的实习生”升级而来。

新架构更像围绕人协同的专业化智能体，而不是单体 AGI。 Erik Torenberg 将深度任务 expertise 与编排能力区分开来；Levie 表示，他还没见过一个高性能系统能完全脱离人类环节。对投资者而言，关注点因此从通用智能的宏大叙事转向工作流深度、编排能力，以及“经济账是否算得过来”。

带日期的 AGI 预测和“递归自我改进”，透露出的不确定性远多于其精确表述。 Sinofsky 预计，2027年目标最终会演变成一场围绕定义的争论——“一个行业的 OKR”——因为指数式进步是真实存在的，但10年后的结果仍不可预测。他的技术性质疑更直接：反馈回路可能收敛、发散或渐近，因此仅凭递归改进“几乎说明不了什么”。

AI 当前更可靠地叠加专业能力，而不是取代专业能力。 企业获得了更好的模型，也形成了更成熟的验证文化；关键指标是复核所需时间与手工完成任务所需时间的对比。专业工程师接受“老虎机”，因为他们能识别好输出，仍然获得“10x生产力”；新手则可能在无法识别错误的情况下直接部署失败结果。

提示词正变得更长、更专业，因为人的意图不可能被简单推断掉。 Levie 表示，输出仍与输入高度相关，并发现“长达数页”的提示词优于含糊指令；Sinofsky 解释，形式语言的出现正是因为专家需要高效、精确地传递信息，而 Levie 认为术语是领域专家沟通的形式化方式。与 AGI 叙事相反的趋势是：“更多智能体，而不是更少”，去完成更多窄任务。

AI 将通过暴露真正具有顺序依赖、以及仅因人力稀缺才被串行化的步骤，重做工作方式。 开发者可以按 GitHub pull request 管理智能体，律师可以监督20个案件智能体，活动负责人则可以并行启动场地、邀请函和宣传物料任务。组织层面的含义是，人类将成为智能体的管理者，工作流也会围绕工具重新搭建。

随着 AI 变得更垂直、更受数据约束、也更有经济选择性，应用机会将继续扩大。 讨论者预计，各部门和各行业都会出现垂直智能体，并认为模型提供商不可能在50个不同领域执行得过“50家创业公司”；后训练、强化学习、专有数据、权限和工作流所有权将成为护城河。Casado 的单位经济学筛选很关键：对许多应用而言，“20%的推理调用占80%的成本”，产品价值就在于挑出那些值得付出成本的领域专用调用。

🔗 原始收听与视频来源： Aaron Levie 与 Steven Sinofsky 谈 AI 工作者的未来

企业 AI 是一场变革管理竞速，而不是模型部署冲刺。 ChatGPT 凭借“2秒学会”的界面触达消费者；企业却仍被遗留数据、治理、责任、合规和数十年积累的工作流所束缚。但 Levie 认为，企业早期买入 AI 的意愿约为云计算早期的“5倍”：管理者已经默认 AI 会接管一切，并相信“这件事必须比竞争对手更快发生在我们身上”。

智能体起初更像 SaaS 龙头的持续性扩张，而不是全栈替代。 API-first 产品能让智能体成为 ServiceNow、Workday 等系统的“超级用户”，在原本没有人工席位的地方拉动使用量。真正的压力来自商业模式：席位费加用量费可以成立，但“如果人根本不是系统里的一个席位”，订阅授权模式就会面临真正的危机。

最大的创业机会，可能来自过去由服务业主导、缺乏结构化的行业所新增的软件支出。 Levie 预计，法律、医疗、教育、咨询、投行和财富管理等行业将变得可被软件覆盖，因为智能体终于能处理临时文件和自然语言。他有意给出的粗略例子是：一个过去规模不足约20亿美元的法律文档市场，可能变成“数十亿美元，甚至达到百亿美元级”。

AI 预算可以从庞大的知识工作成本基座中挪出，不必立即引发软件预算大屠杀。 一名新工程师的成本约为12.5万-20万美元，而即使 Cursor 每年激进使用也只需1000-2000美元，相当于工资的约1%，完全可以被人员流失、延迟招聘或年度薪酬调整消化。Levie 的粗略模型显示，美国知识工作者支出达到数万亿美元；只需将其中几个百分点转向软件，就可能令企业软件支出翻倍。

正在出现的新岗位，是编排、复核和审计智能体，而不是一次只操作一个动作。 当写邮件、写代码或制作营销素材不再限制产出速度，个体贡献者可能会变成“智能体经理”。关键变化在于角色倒置：不再是 AI 纠正人的工作，而是“人的工作变成修复 AI 的错误”；随着生成内容的数量增加，专业能力反而更有价值。

AI 编程会扩展能力，但不会让软件工程或套装软件消失。 Casado 更新后的判断是，AI 对强开发者的帮助最大，而形式化语言仍然重要，因为它们能以足够精确的方式描述软件。Levie 同样不认同软件完全由内部现做：垂直 SaaS 仍然保有行业知识和运营默认值，即使 vibe coding 可能让原型、脚本和长尾内部工具增长“10倍”。

长期结果可能恰恰因为生产率变得稀松平常而显得平淡。 企业将能在今天完成一场营销活动的时间里，运行几十个由智能体生成的实验；竞争对手可能吸收大部分可衡量的增长，而用户得到更好的产品、医疗服务和科学发现。Levie 称自己是“乐观程度处于第98百分位的人”：5-10年后，今天需要两周完成的工作流，可能只会显得慢得不可思议。

🔗 原始收听与视频来源： Aaron Levie 谈 AI 的企业级采用

整体而言，嘉宾认为特朗普上任前100天封住了边境，并推动经济“重新私有化”，但执行层面的波动性是核心风险。 Chamath给这段时期打了B+，Jason给了B，相比之下Biden是C-；Sacks则把边境治理结果评为A+。Aaron Levie认为，最亮眼之处在于政府明确支持创新和开源AI。Chamath还提到，已承诺的外国投资接近或超过1万亿美元；Sacks则用一句话概括边境政策：“We didn’t need a new law; we just needed a new president.”（我们不需要新法律，只需要一位新总统。）

中美贸易已经遭遇需求冲击，Flexport看到海运订舱量下滑60%。 Ryan Petersen表示，中国最初宣布的54%关税后来升级至154%，之后又以145%的中国关税描述熊市情景；4月9日美东时间午夜后发出的货物，如今将在抵达时缴纳这项关税。不过，他拒绝将局势定义为“不可逆转”：“Don’t judge the cook while he’s cooking.”（别在厨师还在做菜时下判断。）

关税的熊市情景，核心不是消费价格上涨，而是小企业的偿付能力。 Petersen认为，仍留在中国的企业买的是其制造质量和产业生态，而不是廉价劳动力；能够搬迁的企业，早在此前25%的关税下就已经获得了强烈激励。服装创始人们预计将在2到4周内讨论裁员，David Friedberg则表示裁员已经开始，但Petersen仍预计政府会避免最糟糕的结局。

政策争论的核心，是战略脱钩是否必须以经济冲击为代价，还是可以通过可预测的激励实现。 Levie主张，对在美国建厂的企业实行5%的税率，允许立即费用化，推进放松监管和自动化，只实施精准关税，并警告不要“chaos monkey[ing] the economy”（把经济当成混沌猴实验）。Chamath和Sacks则反驳称， disruption终于暴露出电池、AI、医药API和稀土领域的危险依赖；对于如此复杂的系统，实时纠偏可能是唯一可行的改变方式。

Amazon中止关税披露功能，暴露出更深层的电商平台执法缺口。 Jason希望零售商逐项列出进口费用，并引导客户购买美国商品；Sacks则认为，特朗普的介入只是“whack-a-mole”（打地鼠），无法保护其他数百家零售商。Jason表示，他估计Amazon约60%的卖家是注册在中国、但未在美国注册的公司，这为低报货值、错误归类商品以及规避有意义的产品安全执法创造了空间。

AI Agent将软件的可服务市场从员工席位扩展到劳动力支出，以及过去因成本过高而不会开展的工作。 Jason提到，OpenAI Agent的潜在定价为每月2,000–20,000美元；一家风投机构的工作流则可能把处理20,000份申请所需的约5,000小时大幅压缩。Flexport已经利用AI给数千名司机打电话，这些司机来自400,000名App用户。Levie的判断是，未来AI使用中或许90%将执行“我们今天还没有做的工作”，只有10%会替代现有活动。

即便算法、芯片和数据中心都在快速复合增长，企业采用仍将受错误成本约束。 David Friedberg设计的最佳单次测试，是让模型处理500份文件并提取40个字段，得分约90%；对许多受监管工作流而言，这一准确率不足，必须重新运行、拆分文档并调优推理。Sacks预计算法、硬件和已部署算力每年都能取得3–4倍进步，而Chamath认为，在概率软件时代，“quality assurance and QA…now the only thing that matters”（质量保证和QA如今是唯一重要的事情）。

🔗 原始收听与视频来源： 特朗普上任100天、关税冲击贸易、AI Agent与Amazon退让

企业对 AI 的需求远超云时代的热情，但生产级应用仍处于“非常早期”。 云计算要求企业不情愿地放弃物理基础设施、信任陌生供应商；AI 则让高管主动提出“尽可能多的用例”，有时甚至超出实际可行范围。Levie 认为，大型科技公司、企业软件厂商和新兴智能体创业公司，正处在一个相对狭窄的需求承接窗口中。

AI 正把 IT 从软件赋能部门改造成数字劳动力的运营部门。 业务部门未来向 IT 提出的，不只是部署 CRM 或 HR 系统，还包括配置能够执行销售活动、审阅合同和发票、完成入职流程的智能体。借用 Jensen 在 NVIDIA 的说法，“IT 部门会变成 AI 的 HR 部门”，这要求 IT 掌握更深的业务知识，并拥有更高的战略地位。

Box 的 RAG 优势部分来自 ChatGPT 之前就已搭建的架构，也有运气成分。 Box Hubs 允许用户整理权威文档，无需复制文件或改变权限，从而降低企业知识库中大量草稿污染检索结果的风险。由于企业缺少类似公共互联网 PageRank 的权威信号，Levie 认为，这种人工策展让 Box 的 RAG 至少比对全公司数据进行无差别搜索好 100 倍。

战略终点是一个新的“智能系统”，把结构化控制与概率性判断结合起来。 Box 当前的智能体包含模型访问、工具、技能、指令和企业数据，但 Levie 也承认，其中很多在两年前还会被称为助手。更大的机会在于让智能体审阅内容、作出依赖上下文的判断、分派工作，并与 Salesforce、ServiceNow、Microsoft 或人类协同。

达到人类水平或便宜 40%，仍不足以克服企业采用阻力。 买方仍要面对 17 个竞争项目、AI 委员会审批、可能耗时 6 个月的测试，以及隐私、安全和员工转型问题；涉及重大后果的工作还可能要求“99.99999% 的可靠性”，而不是 98%。Levie 的商业门槛是成本、质量或能力提升一个数量级，尤其适用于此前从未被自动化的工作。

在自然应用领域，现有厂商应继续守住自己的阵地；创业公司则应争取跨平台或此前无人服务的工作流。 “AI-first CRM”必须假设 Salesforce 也会变成 AI-first，Workday 和 ServiceNow 同样会捍卫各自领域；因此，叠加在现有厂商或 OpenAI 之上的薄层产品都很脆弱。独立的合规、智能体红队测试、跨应用工作流，以及需要大量非 AI 界面的产品，仍是创业公司的可信机会。

AI 可能重新打开 SaaS 定价空间，并在宏观统计明确反映之前先改善生产率。 Levie 预计，按结果收费、按算力消耗收费和订阅制将长期并存，结束持续 20 年的按席位 SaaS 主导格局；Box 自身仍在测试。公司内部，编程工具带来的提升从部分工程师的 5–10% 到新员工可能达到的 50% 不等，但如果从几年后开始计算，Levie 愿意押注全经济生产率最终会超过预测。

🔗 原始收听与视频来源： Box CEO Aaron Levie：谈 Box AI、企业热情与 SaaS 的演进