AI代理时代 Aaron Levie on The a16z Show

这一转变并非遥远的想象，而是正在发生的现实。Aaron Levie指出，Box公司现在花费在设计"代理接口"上的时间，已经与设计"人类接口"的时间相当。这背后的假设是：代理将通过API、CLI或MCP（Model Context Protocol）等方式与系统交互，而不是通过图形界面。

这里出现了一个成功的范式：编码代理。当一个AI代理能够访问SaaS工具，并具备编写代码和使用API的能力时，它就获得了超乎寻常的能力。这不仅仅关于理解数据，更关于能够主动执行任务。Cloudera co-work现象和OpenAI正在开发的"超级应用"都体现了这种趋势。

然而，这带来了一个根本性的挑战：算法思维。绝大多数职场人员并不具备将工作流程抽象为流程图的能力。在一个50人的营销团队中，可能只有一个人能够完整记录业务流程的逻辑。当这些人离职或升职后，他们的知识往往随之流失。

这个现象揭示了职场中一个永恒的规律：新的抽象层会让技能门槛向上移动一级。就像20世纪80年代，银行分析师使用计算器和HP计算器只能做2-3次迭代，而电子表格的出现让他们能够做30次迭代。同样，今天的AI代理可能会成为新的"实习生池"，但最终，整个抽象层会向上移动，普通人将掌握这些工具。

最初，很多公司将AI直接嵌入到SaaS软件中，形成"AI增强型"产品。但随后出现了一个更有效的模式：SaaS软件保持不变，而AI代理像人类一样"使用"这些软件。

Aaron Levie提到了一个关键洞察：Box正在开发一个智能代理，它能够在三种方式中自主选择：使用现有技能、使用Box内置工具、或者现场编写代码来解决问题。这种混合方式极其强大，因为预先规划所有可能的使用场景是不可能的，而编写代码能够快速填补这些空白。

但这引发了一个重要问题：应用整合。人类使用iPhone上大约7个主要应用，是因为我们的认知带宽有限。但AI代理没有这个限制，它们可以使用数十甚至数百个工具。这是否意味着应用整合的趋势会逆转？讨论指出，这个问题可以从两个角度看待：从代理的角度，整合的需求不那么强烈；但从人类开发者的角度，我们仍然偏好简洁、统一的体验。

一个更深刻的洞察是关于人类作为瓶颈的问题。过去25年，人类用户界面一直是挖掘软件能力的瓶颈。很多人不知道PowerPoint或Excel的全部功能，只能使用最基本的特性。AI代理能够打破这个瓶颈——它们可以阅读帮助文档、理解复杂功能，并执行人类不知道如何操作的任务。

Aaron Levie分享了一个令人震惊的故事：他在一个满是CFO和CIO的房间里发言，当他提到"集成将变得更加容易"时，六位高管会后跑来告诉他，这番话让他失去了所有可信度。

企业的恐惧源于一个核心问题：当任何员工都可以让AI代理在系统27和系统38之间创建一个新的数据通道时，如何保证数据不会泄露、损坏或污染核心系统记录？即使这些临时集成只是用于报表，如果数据错误，最终仍然需要有人负责。

这导致了企业正在采取一个防御性策略：创建只读版本的访问。代理可以读取数据，但不能写入或修改核心系统。但即使这样，当数千个代理同时查询系统时，协调和管理也变得极其复杂。

更深层的问题是关于"把代理当人对待"的隐喻。很多人建议给每个代理独立的账户、电话号码甚至信用卡，就像对待新员工一样。但这个隐喻在关键地方失效了：人类员工有隐私权，老板不能随意查看他们的Slack或邮件；但代理没有隐私权，它的所有者必须能够随时"登录"并撤销它的操作；如果代理能够与其他代理协作，它可能会获得超出其主人权限的访问；代理可以被"社会工程攻击"（prompt injection），而人类的抵抗能力更强。

这个现象被Aaron称为"扩散鸿沟"。初创公司没有历史包袱，可以从第一天就为AI代理优化整个技术栈。它们可以给代理所有必要的访问权限，因为它们没有什么可以失去的。

但大型企业的情况完全不同。JP摩根银行不能简单地"设置NanoClaw来自动化业务"。SAP系统包含了数十年的领域知识，这些知识不仅存在于数据层，还深埋在用户界面、中间层和员工的使用习惯中。认为可以"用prompt取代SAP"是荒谬的。

更复杂的是，企业软件厂商的商业模式与AI代理的需求存在根本冲突。传统SaaS厂商（如Workday、Salesforce）销售的是"整个系统"——界面、业务逻辑、数据访问和领域知识的打包。但AI代理只想要数据，它们需要通过API访问原始信息，而不是通过人类界面。

这种紧张关系不是新问题。Salesforce历史上进行了三次重大的平台重新设计，都是为了解决API访问和第三方集成的挑战。但现在，这个问题变得更加紧迫：当软件的主要用户从人类变成代理时，系统记录（system of record）的定义是什么？这里有一个讽刺性的循环：企业软件厂商担心开放API会破坏其商业模式；但如果不开放，AI代理会推动企业转向竞争对手；最终，代理将决定使用哪些系统；企业业务的表现将与代理的效率直接相关。

埃隆·马斯克提出了一个激进的观点：AI将实现从prompt直接到机器代码的"层崩溃"，所有中间抽象层都会消失。但Aaron Levie认为这种观点忽略了系统架构的基本原理。

系统层级的存在有其深刻的原因：组织边界——不同部门需要不同的权限和访问控制；状态管理——数据的一致性和可靠性需要层级保护；兼容性——新旧系统需要共存和集成；合规要求——金融、医疗等行业有严格的监管要求。

SAP就是一个典型例子。它包含了数十年的领域知识，这些知识不仅体现在数据模型中，还深深嵌入在业务流程、用户界面和企业文化中。即使今天从第一原则重新设计一个ERP系统，10年后它也会积累自己的"技术债务"，并形成新的层级。

Aaron提出了一个有趣的观察：埃隆·马斯克的公司（如SpaceX、Tesla）确实可以从第一原则设计系统，因为他拥有罕见的资源和技术能力。但绝大多数企业需要的是"一个每次都以相同方式工作的CRM系统"，而不是从头开始的革命性重构。这里有一个更深层的问题：第一原则设计总是基于当前的理解。5年后，我们对"什么是重要的"的理解会发生变化，当初的设计决策就会变成新的限制。因此，系统架构总是在当前约束下做出最佳决策，然后这些决策成为未来的约束。

Aaron Levie指出，当前华尔街分析的最大问题是假设收入是线性增长的固定蛋糕。他们试图在现有框架内证明GPU和token支出的合理性，而忽视了新技术创造全新市场的可能性。

这种错误不是第一次发生。PC时代：人们认为PC市场是有限的，因为MIPS（每秒百万指令）的消费是有限的。他们没有预见到，当每个桌面都有PC时，软件会成为独立的市场。微软和比尔·盖茨证明了这一点。

云计算时代：人们认为云只是将服务器业务（每年6万台）转移到别人的数据中心。他们没有预见到，当迁移到云后，计算资源的消费会增加1000倍。

AI正在重演这个模式。Aaron分享了他的投资组合数据：240家基础设施公司，在过去6个月全部实现了爆发式增长。这不是因为企业客户激增，而是因为正在编写的软件数量达到了前所未有的水平。

一个被忽视的趋势是"微支付的突破"。人类讨厌小额支付——付5美分访问一条数据或花1美元使用一个工具感觉太麻烦。但AI代理不在乎这种摩擦。如果代理需要为某个研究任务购买3美元的医学数据，它会毫不犹豫地执行交易。这开启了全新的商业模式：长期闲置的信息和软件资产可以被monetize；代理可以为特定的短期需求购买临时访问权限；API经济的规模可能扩大100倍。

研发费用通常占科技公司收入的14-30%。如果计算成本是工程师成本的两倍或仅仅是多3%，这会直接影响每股收益（EPS），这是华尔街最关注的指标之一。CFO们被要求确定一个"正确"的token预算比例，但这个问题在当前阶段根本无法回答。

这个场景与1990年代末的互联网带宽恐慌相似。当时人们担心带宽成本会吞噬公司利润，但随着技术进步和基础设施建设，这个问题最终消失了。同样的事情也发生在程序员身上。曾经有一段时间，人们担心程序员的成本会吞噬每一家公司。但最终，市场找到了平衡点。

现在，企业面临一个更具体的管理问题：是否应该让工程师关心计算成本？如果并行运行10个实验可以快速找到最佳方案，即使浪费90%的token，这也是否值得？还是应该要求工程师"优化算法"以减少token使用？

Aaron认为，长期来看，大数定律会解决这个问题。当公司拥有足够的工程师和使用数据后，预算会趋于稳定。更重要的是，如果你每年为工程师支付20万美元，他们的工具价值是多少？如果AI工具能让他们生产力提升10%，那么任何token成本都是值得的。

一个有趣的模式正在形成：初创公司会疯狂消费所有可用的资本，假装这不是问题；大公司会被恐惧冻结，什么都不做；中间层将找到愿意承担风险的财务策略，并成为领域领导者。最终，这个问题将通过技术进步解决。就像IBM曾经按MIPS定价大型机，但MIPS变得越来越便宜，导致这种定价模式崩溃。同样，token成本也会大幅下降，直到预算问题变得无关紧要。