本文整理自 YouTube 视频《Box CEO on AI Agents & Why Enterprise Can’t Keep Up | a16z》，由有道龙虾总结和发布。

硅谷现在谈 AI，很容易把一切说得像已经解决了。

模型越来越强，agent 会用工具，会写代码，会操作电脑。于是很多人自然得出结论：企业里的知识工作很快会被自动化，SaaS 会被替代，工程师会变少，咨询公司和系统集成商也该退场。

但 Aaron Levie、Steven Sinofsky 和 Martin Casado 这场对话给了一个更贴近现实的版本：企业 AI 最大的阻碍，不是模型不会回答问题，而是系统太旧、权限太碎、数据太散、流程太复杂。

AI 可以让人更快地产生软件和信息，但它不会自动把一家运行了十年、几万人使用、堆满遗留系统的大公司变得清爽。

真正的企业 AI 落地，难在 integration。

硅谷和真实企业之间，有一道工作方式鸿沟

Aaron Levie 说，他现在的工作有点像“把现实带到硅谷，再把硅谷带回现实”。

这句话背后，是他在企业客户那里看到的巨大落差。

在硅谷，尤其是工程师群体里，人们使用 AI agent 的条件太好了：技术能力强，能读懂错误，能自己选工具，能调试环境，能接受新范式；更重要的是，代码任务天然适合模型，因为代码可验证，反馈循环清楚。

但企业里大多数知识工作不是这样。

普通员工技术门槛更低，数据分散在多个系统里，流程沉淀了多年，权限经常不清楚，历史系统很多，安全和合规要求也更重。你不能简单把 coding agent 的成功经验搬过去，然后期待财务、法务、客服、采购、人力都同样提速。

这不是政府和科技行业那种“互相听不懂”的差异，而是工作流和技术环境本身就不同。

所以 AI 从硅谷扩散到整个知识工作世界，会需要几年时间。不是因为模型不够酷，而是因为企业要把旧系统、旧流程、旧权限和新 agent 接起来。

“95% 企业 AI 项目失败”这类说法，问题出在定义

Martin Casado 提到，类似 MIT “95% 大公司 AI 项目失败”的统计，其实很容易误导。

如果说大公司里没人有效使用 AI，那显然不对。很多员工已经在用 ChatGPT、Claude、Copilot 这类工具提高个人效率。

真正失败的，往往是另一类项目：董事会对 CEO 说“我们需要更多 AI”；CEO 找咨询公司做一个中心化 AI 项目；项目没有真正和运营流程对齐，也没人理解它如何嵌入日常工作，最后自然失败。

问题不是 AI 作为个人工具没用，而是组织还不知道如何把它变成可靠的制度化能力。

大公司决策通常是中心化的，而 AI 扩散常常从个人开始。一个个员工先用起来，但公司层面的治理、数据、合规、运营流程还没跟上。这就造成了一个很尴尬的中间状态：趋势在个人层面扩散得很好，在组织层面却推进得很慢。

更麻烦的是，早期失败会留下伤痕。董事会推动 AI，管理层上项目，项目失败，组织内部就会产生怀疑。下一轮真正靠谱的 AI 落地，反而要先跨过上一轮失败带来的心理障碍。

AI 变化太快，反而让企业架构团队更难下注

Aaron 提到一个有趣但真实的现象：AI 技术演进太快，会导致企业架构团队犹豫。

过去，一个工程项目可能因为语言选择、架构路线、技术栈争论而拖几个月。现在 AI 领域变化更快：模型公司互相追赶，agent harness 形态也还没稳定。

Agent 应该跑在电脑里，还是云里？应该有自己的工具层，还是操作现有界面？应该托管给模型公司，还是企业自己控制？应该通过 API、MCP、CLI，还是浏览器？

这些不是完全可替换的选择。企业一旦选错路，可能几年后发现整套方案都过时。

所以 CIO 和 AI 团队经常处在“我们还在比较两三种范式”的状态。不是他们不想行动，而是他们知道企业系统一旦接上去，就不是一个周末能重写的玩具。

硅谷创业者常常低估这种谨慎。因为很多人职业经历是几个两年创业公司 stint，没经历过一个应付账款系统要用 40 年的现实。

AI 产品集成正在经历一次范式切换：AI 不是功能，而是用户

Martin 提到一个正在产品公司里发生的变化。

几个月前，很多软件公司理解“集成 AI”的方式，是把 AI 做进产品里：加一个聊天框、加一个自动总结、加一个 AI 按钮。这是一种 AI 和软件融合的 hybrid model。

但现在，另一种思路开始出现：不要把 AI 当成软件功能，而要把 AI 当成用户。

也就是说，你的产品不一定要塞进一个 AI 聊天框，而是要让 agent 能够使用你的产品。把产品做成 CLI、API、MCP，或者某种 agent-friendly interface，让 Claude Code、OpenClaw、Codex 这类 agent 可以调用它。

这是一种很大的架构和心智转变。

过去你在为人类设计界面，现在你还要为机器用户设计界面。软件公司需要思考：我的产品能不能被 agent 理解？能不能被 agent 安全调用？能不能暴露足够清楚的动作和结果？

这也解释了为什么很多企业软件会转向 headless。不是因为人类界面不重要，而是机器用户会成为新的大规模使用者。

但 agent 不会神奇解决集成：企业本身就是一团待集成的东西

Steven Sinofsky 把问题说得更直白：

任何超过 1000 人，或者超过 10 年历史的企业，本质上都是一大堆等待集成的东西。

Agent 不会让这些东西自动集成。

大公司里，数据在 Box、Salesforce、SAP、Workday、Slack、SharePoint、内部数据库、旧系统、邮件、文档里分散着。很多信息没有统一源头，很多权限是历史沉淀，很多流程靠人知道“该去问谁”。

人类员工遇到系统墙，会绕路：找 Sally 要文档，问 Bob 某个数据系统里的数字，打电话给另一个部门，找经理升级权限。

Agent 如果只有和你一样的权限，它也会撞墙。它不一定知道该找 Sally，也不一定知道 Bob 才是某个数字的事实来源。

这会带来两个结果：

  • 很多 agent 拿不到正确数据，任务做不完；
  • 如果为了让 agent 做完任务而给它过多权限，又会立刻制造安全风险。

所以企业 AI 落地的真实工作，是升级系统、整理数据、明确权限、建立上下文、把 agent 接到正确的事实来源上。

这不是一个模型提示词能解决的问题。

为什么 OpenAI 找 Accenture、Deloitte 合作，一点也不奇怪

Aaron 特别提到，OpenAI 和 Accenture、Deloitte 等系统集成商合作时，网上有些人觉得讽刺：不是说 agent 会自动化人吗？为什么还需要人来实施 agent？

但在 Aaron 看来，这几乎是最显然不过的合作。

大企业想让 agent 真正工作，需要 change management、系统实施、数据整合、权限设计、流程重构。你要先做大量人的工作，agent 才能安全地自动化一部分人的工作。

这听起来绕，但企业软件一直如此。

每一轮新技术进入大公司，都不是“买了就用”。互联网、云、移动、SaaS 都需要迁移、培训、治理、系统重构。AI 只是更强，也更复杂。

所以未来几十年，围绕 AI 落地的实施、集成、治理、流程改造会是巨大市场。新一代服务公司会出现，传统系统集成商如果能跟上，也会获得新机会。

先读信息，再执行动作：企业 agent 的两条路径

Steven 给创业公司提了一个很实用的切分：企业 agent 要分清自己是 获取信息，还是 执行动作。

这两件事的风险完全不同。

第一类 agent 是 seeking information：帮你从公司系统里查东西、汇总信息、解释文档、跨文件搜索、生成分析。这更容易先落地，因为它主要是读。

第二类 agent 是 doing：改数据、发邮件、提交订单、批准付款、修改客户记录、执行系统动作。这类任务涉及权限、审计、错误成本和安全边界，难度高得多。

互联网早期也是先从信息访问开始变得有价值。网站把企业内部信息暴露给人，搜索和门户让人看到库存、费用、部门数据、文档状态。后来才慢慢进入交易和流程执行。

企业 AI 很可能也会走类似路径。

先让 AI 成为更好的企业搜索和信息综合层。尤其是在 Box 这样的文件系统里，AI 可能是企业内部搜索第一次真正产生即时价值的机会。等信息整合做好，再逐步加入 approve、reject、draft、submit 这类动作。

这比一上来就让 AI 接管最复杂的流程现实得多。

Agent 更像人，还是更像软件？这会决定企业架构

Martin 提出一个重要观点：我们不一定应该把 agent 当成传统软件来集成，而可以把它当成一种“人类用户”。

LLM 是非确定性的，能处理长尾复杂性，有一定智能。这些特征更像人，而不是传统软件服务。企业过去几十年已经围绕“混乱的人类”建立了接口、流程和权限：员工入职、邮箱账号、文档权限、系统登录、审批流程、部门培训。

如果 agent 更像人，那也许它应该被“雇佣”：

  • 有自己的身份；
  • 有自己的邮箱；
  • 能登录系统；
  • 能请求权限；
  • 能参加 onboarding；
  • 能像员工一样通过现有流程完成任务。

Aaron 和 Steven 都认可这个方向，但也指出 agent 没有人类的一些隐性优势。人类知道组织关系，知道该问谁，知道某个流程背后的潜规则。Agent 则需要被教，需要组织显式化更多上下文。

这就引出了一个很有意思的概念：agent onboarding。

未来 agent 可能真的需要入职培训。CEO 给它讲文化，各部门介绍自己做什么，系统告诉它权限边界，流程告诉它遇到问题该找谁。

这听起来像笑话，但很可能是企业 AI 的现实方向。因为我们已经为人类设计了一整套协作世界，而 agent 正在进入这个世界。

Humanoid robot 和企业 agent 的共同点：世界本来就是给人设计的

对话里用了一个机器人比喻。

有些人认为 humanoid robot 会是最好的机器人形态，因为现实世界是为人类身体设计的：门把手、电梯按钮、楼梯、工具、厨房、仓库，全都围绕人的尺寸和动作。

企业软件世界也类似。它不是为 API-first 的完美自动化系统设计的，而是为人类员工设计的。

Martin 说，OpenClaw 使用 Mac mini 的一个原因是 iMessage，没有 headless 版本。很多网站对 headless browser 有反爬机制，用真实 Safari 反而更可行。也就是说，今天很多 agent 不是通过理想 API 工作，而是在使用真实应用界面。

Aaron 则更偏向 API 和 headless。他认为，只要软件有良好 API，agent 一定更愿意用 API，因为效率更高、结构更清楚。比如查 Salesforce 记录、搜 Box 文件，用 API 比点击一百次界面更合理。

这两种观点其实都成立，只是时间尺度不同。

短期内，agent 会大量使用人类界面，因为现成、训练数据多、权限路径和反爬机制更兼容。长期看，软件公司会暴露更好的 API、MCP、CLI 和 agent-native 接口，因为机器用户需要更高吞吐和更结构化的能力。

最后很可能是混合架构：有 API 就用 API，没有 API 就打开浏览器或远程桌面像人一样操作。

Headless SaaS 不是 SaaS 末日，反而可能是新增长点

Salesforce 最近强调 headless，被三人视为一个重要信号。

如果 Salesforce 这样的企业软件平台开始认真支持 agent 在后台调用，那么很多 SaaS 公司都要重新思考商业模式：agent 是不是一个新 seat？怎么收费？按 API 调用、按任务、按代理身份，还是按某种使用量？

Steven 的判断很明确：agent 必须有身份，本质上就是另一种 license。

因为它不能简单借用某个人类用户的凭证。那样不仅安全上很糟糕，也无法审计。一个 agent 查了什么、改了什么、代表谁、拥有什么权限，都必须清楚。

这反而让“SaaS apocalypse”显得更不靠谱。

如果每个人类员工未来都有多个 agent 帮他查资料、跑流程、生成报告、同步数据，那企业软件的使用量可能不是下降，而是上升。SaaS 不会因为 agent 消失，而会因为多了一类机器用户产生新的计费和架构需求。

当然，agent seat 可能和 human seat 不同。早期可能只读、绑定人类、便宜一些。但它仍然需要身份、权限、审计和服务能力。

Agent 会把 SaaS 系统打爆吗？很可能会，除非系统升级

一个非常现实的问题是：如果今天 1 万个员工使用一个 SaaS 系统，明天又多了 1 万个 agent，而且每个 agent 的访问频率是人类的 500 倍，这个系统扛得住吗？

Steven 认为，很多系统第一反应会崩。

过去 BI 工具刚出现时，也发生过类似事情。BI 系统想每天晚上抽取 ERP 数据，重新做切片分析，但 ERP 原本不是为这种查询模式设计的。结果很多 ERP 厂商不得不重新建设数据访问能力。

Agent 也会带来类似压力。

人类搜索一次，慢慢看结果。Agent 可以 fan out，开几百个查询，并行遍历大量文件，自己 rerank。Box 的 agent 搜索就是例子：它不会像人一样只输入一个 query、看一页结果，而是能多路搜索、扫过几百个结果、再重排。

这会迫使 SaaS 公司升级架构：缓存、索引、权限过滤、速率限制、审计、API 设计、后台任务系统都要重做。

Martin 的态度更激进：这些都是标准计算机科学问题，该缓存就缓存，该重构就重构。如果系统扛不住，那说明系统本来就该升级。

但无论立场如何，结论一致：agent 时代不是“原系统不动，只多接一个模型”。大量底层系统需要改造。

AI 写代码越多，为什么可能越需要工程师

访谈开头有一句很反直觉的话：

代码写得越多，我们越不可能需要更少工程师。

原因很简单：更多代码意味着更多系统复杂性。

AI 让软件生产更便宜，组织就会生产更多软件。John Deere 会写更多智能农业算法，Caterpillar 会写更多自动化系统，Eli Lilly 会写更多药物研发相关软件。不是只有 Google、Meta、创业公司需要工程师，传统行业也会开始大规模软件化。

但软件越多，系统越复杂。复杂系统会带来升级、宕机、兼容、安全事件、权限、监控、性能、架构债务。AI 能帮你写 80% 到 90% 的功能，但最后能不能安全上线，还要看安全审查、代码审查、生产管道和系统治理。

Aaron 举了 Box 的例子。他们有一个新功能，AI 可能写了 80% 到 90%，但真正拖慢发布的，是完整安全审查。因为不能让新功能带来代码注入等风险。

所以 AI 对工程团队的提升不是简单 10 倍。Aaron 更倾向于说，现实中可能是 2 到 3 倍，而且会被评审、验证、安全、发布流程这些环节限制。

这并不悲观。2 到 3 倍已经巨大。但它和“工程师没用了”不是一回事。

AI 编码的隐患：你可能同时创造了解决方案和新问题

Martin 提到，AI 编码有一个还没被充分解决的问题：代码会随着 AI 使用变得越来越差。

这不是说 AI 写的每段代码都差，而是说当你不断让 agent 修改系统，它可能在解决问题的同时引入同样多的新问题。熵在增加。

很多团队已经感受到：AI 让你感觉非常 productive，但几天后回头看，系统是否仍然干净？架构是否更清楚？测试是否覆盖？安全边界是否更稳定？没人敢完全确定。

这也是大公司谨慎的原因。

大公司每天都像在防止轮子飞掉。它们靠约束、流程、权限、审查、审批、测试来防止系统崩溃。硅谷里那种一次性 vibe coding、one-shotting 的人，很多没经历过这种环境，才会觉得“能跑就行”。

在真正规模化组织里，约束不是官僚主义本身，而是系统不崩的条件。

AI 会让人失业吗？历史更像“工作变复杂，岗位变多”

三人对“AI 消灭工作”的看法都比较怀疑。

Steven 拿出一本 90 年代的书《The End of Work》。这本书在互联网爆发前几个月出版，认为技术革命生产率提升失败，接下来会没有工作。历史结果显然不是这样。

类似的预测在计算机刚进入企业时也出现过。人们以为电脑会消灭会计，因为会计不用再手工加数字了。结果电脑让会计能做更多、更复杂、更全面的分析，会计行业并没有消失。

律师也是类似。过去律师甚至不自己打字，有法律助理负责输入。后来电脑、数据库、Track Changes、在线检索全部进入法律行业，律师没有消失，反而变成了“电脑化律师”。今天你很难想象一个不用文档协作和在线检索的律师。

AI 也可能走类似路径。

它会自动化内容生产、信息检索、异常发现、初稿生成，但这些信息还要被人理解、判断、应用到真实世界里。公司的本质是基于信息采取行动。如果 AI 让有价值信息变多，组织反而需要更多人消费、解释、决策和执行。

Aaron 对就业反而很乐观。他认为人类还会在更高抽象层进入循环：发起任务，审查过程，吸收结果，处理异常，负责现实世界价值产出。

账户审计、法律和客服：AI 更像“扩大可见性”，不是立刻接管

Aaron 用会计审计举例。

AI 很适合帮会计团队梳理大量数据、发现异常、提示可能需要深入检查的地方。这是增量价值，因为它提供了过去很难获得的可见性。

但如果是最终确认每个数字都准确、承担审计责任，现在仍然需要人类。

法律也是。你可以问 AI 一个复杂法律问题，得到初步分析。但这很可能增加你打电话给律师的概率，而不是减少。因为你现在更知道该问什么，也更意识到问题复杂在哪里。

这就是很多知识工作的真实形态。它们不只是“在 Word 里打字”。律师在做策略判断，会计在做责任确认，客服在处理情绪和例外，管理者在把信息嵌入组织行动。

AI 可以帮忙生成和分析，但它还必须进入现实世界的价值链。

对创业公司的启发：别只卖 AI，卖“能进企业系统的 AI”

这场对话给创业者的启发很清楚。

第一，不要低估企业集成。

如果你的产品只在干净 demo 环境里好用，一进入真实企业就拿不到数据、碰到权限墙、绕不过旧系统，那它很难成为企业级产品。

第二，先从信息获取类场景切入。

企业搜索、跨文档问答、客户情报、会议前准备、异常发现、知识整合，这些读场景风险更低，也更容易立刻体现价值。

第三，认真设计 agent 身份和权限。

Agent 不是一个透明脚本。它需要身份、审计、范围、权限继承、授权请求和责任边界。

第四，准备好帮助客户做系统升级。

企业 AI 落地不是“给你一个模型 key”就完事。你可能要帮助客户整理数据、接入系统、调整流程、改造 API、建设索引、补齐权限。

第五，不要相信 SaaS 会简单消失。

企业仍然需要维护、可靠性、安全、合规、长期产品演进。Agent 反而可能让 SaaS 产生更多机器用户和更多后台调用。

结尾：企业 AI 的下一阶段，是把魔法接进现实

这场对话的价值在于，它给 AI 热潮补上了一层现实感。

AI 很强，agent 也真的在变强。工程师能用它写代码，员工能用它查资料，企业也会用它重塑流程。

但企业不是干净的 demo 环境。

企业是十年系统、二十年流程、三十年组织习惯、无数权限例外、历史数据、旧软件、合规要求和人际网络堆出来的复杂体。Agent 进入这里，不是挥一下魔杖就完成自动化，而是要被接入、被限制、被培训、被审计、被升级。

所以未来几年，最重要的企业 AI 公司，未必是喊“我们有最聪明模型”的公司，而是能回答这些问题的公司：

你的 agent 怎么拿到正确数据？

它有什么身份？

它能访问什么，不能访问什么？

它撞墙时怎么办？

它改了东西怎么审计？

它生成的代码和流程如何验证？

它让系统调用量暴涨 500 倍时，底层架构扛得住吗？

AI 的魔法已经出现了。接下来最难、也最值钱的工作，是把魔法接进现实世界里那堆复杂系统。