企业走向何方：智能体时代，如何重构企业形态，

10 个关键问题 Q&A

1. Q：驱动企业变革的核心是什么？ A：自主执行的 AI 智能体，替代大量标准化流程作业。
2. Q：传统业务系统会被淘汰吗？ A：不会直接淘汰，需要改造为适配智能体读写交互的新型记录底座。
3. Q：未来企业组织最大变化是什么？ A：科层层级弱化，形成人和智能体共同协作的网状组织。
4. Q：员工工作会全部被 AI 替代吗？ A：不会，重复执行类工作被替代，人转向目标设定、价值判断、创新和治理。
5. Q：未来企业比拼什么核心能力？ A：知识资产沉淀、智能体编排能力、人机协同体系。
6. Q：智能体带来哪些新风险？ A：决策不可追溯、权责不清、数据泄露、合规失控。
7. Q：企业要优先搭建什么管控机制？ A：权限隔离、行为日志、审计追溯、边界规则。
8. Q：中小企业也需要落地智能体吗？ A：按需逐步引入，优先解决高频、标准化业务，不用一步全面改造。
9. Q：企业未来的本质有没有改变？ A：本质仍是价值协作系统，只是分工方式由人机重新划分。
10. Q：转型最大难点是技术还是组织？ A：更多是组织思维、权责规则、流程观念的转变，技术是支撑工具。

原文作者：Bhorowitz（Marc Andreessen）（注：本文是 a16z Marc Andreessen 与由Mike McGuiness 合著）

未来二十年，我们生活的方方面面都将发生巨变。其中足以跻身前五的一个问题就是：“你每天上班都在做些什么？”

围绕这个问题，两大颠覆性突破即将到来。第一项是智能体自动化：“描述一项我们当下正在做的任务，然后把它自动化。” 第二项是赋能员工主动创新。离业务问题最近的一线人员，将越来越有机会自主调研、抓住机会采取行动，不必坐等信息与权限一层层穿过组织层级。

这两件事都会彻底改变所有人的日常工作，而且是向好的改变。但这里有一个巨大的前提：组织必须真正完成转型，适应这套全新的工作模式。一个人日常工作内容，很大程度上受雇主所使用的记录系统与决策机制约束；而这套系统本身，又受制于底层数据库技术，以及它所能支撑的能力。很少有人会想到这第二层逻辑。

Databricks 正是这个故事里的主角。除了业内圈子里熟悉它的人之外，Databricks 或许是硅谷最低调的重磅故事 —— 哪怕它如今的收入规模已经跨过了新台阶。你一定听过这家公司，但真正了解它业务的人并不多，大多只知道两件事：1）它是一家数据公司；2）它对智能体至关重要，但说不清背后原因。

Databricks 的发展历程充满奇遇，是一款恰逢其时、顺势而起的产品。三年前，Databricks 平台上的每一次交互都由人类发起。而现在，平台收到的查询请求里，来自智能体的已经超过人类；每天有超过 1700 万个数据库由智能体自动创建启动。这个趋势还会持续加速。

整篇文章分为四个部分：

1. Databricks 到底是做什么的？广告牌上经常出现的数据湖仓（Lakehouse）、湖基（Lakebase）到底是什么？为什么它们是一套来得恰到好处的架构突破？
2. 什么是 “记录系统（system of record）”？如果智能体要在真实企业内部工作、做出实质性决策、沉淀到企业知识库中，为什么它们需要一种全新形态的记录系统？
3. 企业的本质到底是什么？当智能体和人类数量达到 1000:1 时，企业会如何演变？企业依靠什么实现差异化、创造价值？
4. 在这个新世界里，人类每天的工作会变成什么样？职场 AI 常常被宣传成：“普通人也能拥有软件工程师的能力。” 但长期影响未必是 “人人都变成工程师”，更贴近现实的图景或许是：人人都是管理者。

这或许是全文分量最重的命题。我们正在亲眼见证塑造了 20 世纪的管理模式逐步瓦解，正如詹姆斯・伯纳姆在名作《管理革命》中所记述的那样。85 年前，伯纳姆写道：信息技术与组织复杂度催生了一套企业运行模式 —— 由一小批职业管理者集中掌握企业决策权。而今天，新一轮技术浪潮正在让一线业务从业者重新拿回责任，这对所有人而言都是好事。

这就是 Databricks，以及它为何会成为未来企业的底层底座。

从 Spark 到智能体

最近有人这样形容 Databricks：“一家赶上 AI 浪潮的数据公司。” 但这家公司，早在 AI 浪潮兴起十年前，就由 AI 研究者一手创立。它的发展，是近二十年间四条技术 S 型增长曲线层层叠加的结果：Spark、数据湖仓、湖基，再到如今的智能体；每一项创新，都为下一项打开了发展窗口。想要读懂这一连串的能力释放，我们得先聊聊数据库技术。

2009 年，阿里・戈德西（Ali Ghodsi）在加州大学伯克利分校担任访问学者，当时互联网公司正依靠海量数据集预测用户会点击什么、购买什么、观看什么。那正是 “大数据” 概念火热的年代。当时主流框架是 Hadoop，雅虎、Meta 前身、推特、领英都在用它，把数据计算任务拆分到成千上万台廉价通用服务器上并行处理。在 Hadoop 出现之前，想要处理大规模计算，企业只能向甲骨文、IBM 这类厂商采购动辄数百万美元的大型专用服务器，因此 Hadoop 极具吸引力。

但 Hadoop 有一个致命缺陷：一轮计算完成后，必须先把结果写入磁盘，才能启动下一轮计算。这么做的好处是集群里廉价机器故障时，任务更容易恢复，在当时是很合理的设计。可对于机器学习这类迭代式任务来说，这个速度慢得难以忍受：模型做出预测、计算误差、更新参数，然后反复循环。Hadoop 会把每一轮迭代当成全新任务，反复从磁盘重载相同数据，集群大部分时间都耗在数据搬运上，真正用来优化模型的时间只有短短几秒。

伯克利的博士生马泰・扎哈里亚（Matei Zaharia）为解决这个问题，写出了 Apache Spark 的第一个版本。Spark 延续了 Hadoop 把计算分散到廉价服务器的思路，但允许应用在多轮计算之间，把高频复用的数据保存在服务器速度快得多的内存里，不用每次都从磁盘加载，同时保留容错能力。这让这类循环迭代任务的速度得到巨大提升。该实验室在 2010 年把 Spark 开源；三年之后，阿里、马泰，加上另外五位研究员共同创立 Databricks，把 Spark 分布式集群运维、扩缩容、安全等复杂底层能力封装起来，给企业提供统一平台。

Spark 加速了数据处理，但数据存储又是另一个难题。那个年代的企业数据被分割成两个独立世界：数据仓库存放结构化、可信的记录，分析师可以用 SQL 查询，支撑各类看板和季度报表；数据湖用来低成本存放其余所有内容，文档、图片、音视频、日志都包含在内。数据湖存储便宜，团队什么都往里丢，但入库时不做校验、不做结构化处理。尽管 TensorFlow、PyTorch 等大量 AI 开源工具围绕数据湖生态成长，但面对一堆不可信的数据，很难挖掘价值，数据湖也因此被戏称为 “数据沼泽”。

两套系统各自解决一部分问题，却制造了割裂。工程师和数据科学家在数据湖里用 Python 工作，分析师在数据仓库里用 SQL 工作。一方需要另一方的数据时，必须搭建数据管道来迁移数据。最终企业内部会产生大量数据副本、繁多管道、复杂权限、互相冲突的指标口径。但在 2010 年代后期，Databricks、优步、奈飞各自独立找到了同一个解法：Delta Lake、Hudi、Iceberg。它们在湖内文件之上增加一层表抽象，让数据湖拥有数据仓库的能力：事务更新、Schema 管理、版本历史。企业不再需要把数据迁移到独立仓库才能保证可靠性与查询性能，可以直接在原有存储之上，运行仓库级别的查询任务。正是这项技术，让一套全新架构成为现实。

2020 年，Databricks 正式提出 “数据湖仓”，融合数据湖与数据仓库。它兼具数据湖低成本、灵活的存储优势，又拥有数据仓库严苛的可靠性与高速查询能力，把仓库级 SQL 和机器学习变成同一底座上的一等公民。原本用来存放一切的廉价存储，变得足够可信，成为工程师、数据科学家、分析师可以共享的数据底座。当时它的宣传口号是：“最好的数据仓库，就是数据湖仓。” 市场用脚投票。如今 Databricks 湖仓业务年化收入已经突破 70 亿美元，同比增速超 80%。

亚马逊 CTO Werner Vogels 从客户视角在 2020 年 1 月的文章里这样描述：“如果没有数据湖，想要在传统数据仓库里整合所有这类数据，就要做大量数据预处理、ETL（抽取 - 转换 - 加载）。你不得不取舍、丢掉一部分信息，还要持续修改刚性系统的结构。” 数据湖支持任意格式入库，避免了这种取舍；同时它也是机器学习和 AI 绝佳的底座，Vogels 写道，AI“依赖海量、多样化的数据集才能蓬勃发展”。

但还有一道鸿沟没有填平：湖仓统一了企业用来分析的数据，却没有统一业务应用运行所依赖的数据。业务数据库，也就是支撑支付、用户登录这类实时交易的数据库，依旧依靠一堆脆弱管道和湖仓对接。计算和存储耦合在一体的封闭系统中，数据被锁定在厂商私有格式里，数据迁移是企业里风险最高的技术项目之一。

于是在 2025 年，Databricks 收购了 Neon—— 一家无服务器 PostgreSQL 厂商。Neon 的数据库早已大多由 AI 智能体自动创建，它代表一类新数据库架构：湖基（Lakebase），Databricks 将整合 Neon 后的产品命名为 Lakebase。就像湖仓在数据湖之上重建了数据仓库，湖基把这套思路用在了业务数据库上：计算与存储解耦，数据可以低成本存放在数据湖中，计算资源随需求弹性扩缩。业务数据库和湖仓共享底层存储，数据库里的变更可以自动同步给分析师、工程师、智能体，不再需要搭建和维护大量数据管道。Databricks 把这种事务处理 + 分析一体化架构称为 LTAP：湖事务分析处理（Lake Transaction/Analytical Processing）。

存储计算分离，让数据库的形态变得更像代码。哪怕是 PB 级别的数据库，也能在几秒内完成复制 —— 因为湖基只复制变更部分。智能体可以创建独立分支，在分支上做实验，用完直接丢弃。这一点，Databricks 自己也是后来才充分意识到价值。湖基去年上线，年化收入也迈上新台阶，智能体是它最主要的使用者。阿里认为：“长期来看，这个市场规模很可能会超过传统数据库市场。”

这项技术突破来得恰逢其时。过去几十年，企业软件由一小批工程师开发，其他人只是使用者。我们正在进入一个新世界：人只需要描述想要达成的结果，软件自己找出实现路径。不再是成千上万员工读写少数几个由中心团队维护的数据库；未来企业会有成千上万个数据库，供数百万智能体读写。

面向智能体的记录系统

Databricks CEO 阿里・戈德西在 2026 年数据 + AI 峰会的舞台上（图片来源：Databricks）

今年 6 月，阿里在峰会面对大约 3 万名观众，问现场：通用人工智能 AGI 已经到来的请举手。举手的大概只有一成。

“我们认为 AGI 已经到来。” 他告诉台下观众。他指出，当前前沿模型已经可以答对 AGI 基准测试里一半以上题目。这套测试包含 2500 道问题，由上百个领域专家出题，曾经被认为是 AI 无法攻克的难题。

2022 年 ChatGPT 刚问世时，它只能完成人类大约 30 秒就能做完的编码任务。今天前沿智能体，可以独立完成熟练工程师一整天的编码工作。独立评测实验室 METR 持续追踪智能体可独立完成任务的复杂度，从 2019 年至今，这个能力大约每 7 个月翻一番。近期进展速度更快，而且这个趋势不只局限在编码领域。如果这个节奏维持到 2030 年代初，智能体将能够独立完成需要人类耗费数年才能做完的任务。

然而在绝大多数企业内部，大家依然不敢放心让 AI 可靠地在 Salesforce 这类业务系统里更新正式记录。

阿里这样解释：“AI 的问题不在于智力不够，而在于上下文缺失。” 再聪明的人，如果拿不到企业数据、没有操作权限、缺少反馈、不了解其他员工掌握的隐性知识，也几乎什么都做不了。阿里给出的答案，就是他所说的面向智能体的记录系统（system of record for agents）。

你或许看过 Palantir CEO Alex Karp 谈论本体论（ontology）：“市场里所有价值最终都会流向芯片，以及我们所说的本体论。本体论让你能够使用大模型、持续优化，把模型对齐到企业业务逻辑里。” 但这段话在实际落地时，含义常常需要听众自行揣摩。

每家企业都有自己的本体论：一套对业务实体、实体之间关系、术语定义、冲突时以哪个数据源为准的业务模型。一部分本体论沉淀在数据库、看板、制度文档里，但很大一部分只存在资深员工的脑子里。而且它永远不会一成不变：合同会修改、临时变通方案固化成流程、例外情况变成正式规则，官方记录慢慢和真实工作方式脱节。权限分配、效果评估规则同样大多没有书面化，和本体论一样藏在人的经验里。人类几乎在无意识中补齐这些缺口：销售 VP 心里清楚，某个重大签约订单卡住了，因为对接的客户负责人正在悄悄找新工作；某个销售口中的 “90% 把握” 实际只有 50%，他要在数据上报到 CEO 之前修正预测。

想要让智能体自主行动，大量原本存放在人脑里的本体论、权限规则、评估标准，都必须迁移到企业的记录系统中。Databricks 押注湖仓就是承载这套体系的天然载体 —— 企业其余所有数据也都在这里统一管控。阿里说：“湖仓已经成为新一代记录系统，我把它叫做 SORA：面向智能体的记录系统（System of Record for Agents）。”

员工可以通过 Genie 和这套记录系统交互。Genie 是 Databricks 在 2024 年推出的自然语言接口，企业里任何人都可以用自然语言查询数据，还能基于它搭建智能体。底层的记录系统必须覆盖整个企业，持续回答四个核心问题，这也是 Databricks 正在发力的方向：

1. 什么是事实？ 湖仓与湖基负责保存业务状态；
2. 这意味着什么？ 不用每次提问都让 AI 遍历企业全部数据寻找答案。Databricks 的 Genie 本体能力持续构建企业知识图谱，比如收入口径怎么计算、上周站会讨论了什么。工程师命名了 OntoRank 算法（致敬谷歌 PageRank），结合定义创建人、使用广度、更新时间等维度，判断哪一份知识具备最高权威性。Databricks 测试显示，依托企业本体做检索增强，智能体回答准确率从约 50% 提升至 84.5%；
3. 什么是被允许的？ 过去一人一号的登录权限模型适合纯人类员工，但是员工一天创建上百个智能体时，这套体系就失效了。阿里说：“你不能给智能体挨个开放各个孤立私有数据库的权限。”Databricks 的 Unity Gateway 给企业里每一个模型、智能体、AI 工具分配独立身份、资源配额与安全边界，留存完整操作日志，企业可以追溯 AI 做了什么、访问了哪些数据、消耗多少成本；
4. 效果达标了吗？ Databricks 提供两种智能体搭建路径：业务人员在 Genie 里，用提示词生成可分享的智能体，基于企业数据推理，还能在 Slack、Salesforce 等系统里执行动作；工程师用 Agent Bricks 开发更定制化生产级智能体。无论哪一种，团队都可以自定义评测标准：什么是合格结果、哪些错误绝对不能出现，持续针对业务目标优化智能体，形成闭环。

企业计算平台的每一次重大迁移，都会带来记录系统话语权的重新争夺。大型机时代 IBM 占据主导；客户服务器时代甲骨文、SAP 成为底座；Salesforce、Workday、ServiceNow 搭建起 SaaS 时代销售、人力、IT 领域的记录系统。智能体，就是下一轮平台变革。

但究竟哪家厂商胜出，这个问题的重要性，远不如智能体将如何重塑企业本身。

企业的本质

1937 年，经济学家罗纳德・科斯写下《企业的性质》，提出一个经典问题：企业为什么会存在？如果市场可以依靠价格、合同协调协作，为什么要把人聚拢在企业内部，依靠管理者指令安排工作？

科斯的答案落脚在交易成本：寻找合适合作方、协商价格范围、监督履约，都要消耗时间与金钱。企业用一份长期开放式的内部安排替代重复的市场交易，管理者在约定边界内调配资源。但企业内部组织同样有成本；随着公司扩张，信息要流经更多人，当内部协调一笔交易的成本和外部市场采购持平，企业就停止扩张了。在科斯的框架里，企业规模就扩张到这个平衡点为止。

四十年后，赫伯特・西蒙 —— 为数不多同时拿下诺贝尔奖和图灵奖的学者，提出一个观点：把业务状态集中保存在共享系统里，反而可以让决策去中心化。共享计算机记录，“让各个分散决策节点独立行动”，因为系统自动对齐所有操作，统一状态。

举个航空公司的例子：波士顿的售票员卖出芝加哥航班最后一个座位前，不需要致电所有其他售票员。她查询共享记录，卖出座位之后，记录自动更新，所有人看到的状态同步。集中统一的业务状态，让分布式行动变得安全，大家依靠记录协同，而不是互相传话对齐。

关系型数据库把这套原则推广到整个企业。原本依赖报表、会议、管理交接的工作，变成对共享记录的一次查询。企业得以管理更多产品线、更多网点、更多员工与交易，而不需要同比例增加管理层。到 90 年代互联网兴起，外部用户也可以写入企业记录；线上交易市场能够协调数百万陌生买卖双方、库存与支付。

因为内外交易成本同时下降，数据库时代并没有让企业统一变大或者变小，而是催生了形态更加多元的企业：大企业有能力驾驭更高复杂度，小企业也可以租用过去需要整个部门才能搭建的能力。

AI 时代大概率也是同样的逻辑。在企业内部，智能体可以自动完成报表、检索、常规任务，降低协同成本；对外，智能体帮助筛选评估供应商、协商标准化条款、监控交付结果。和数据库一样，AI 抬高了企业与市场能够承载的复杂度上限。但它更深远的影响，是重塑企业的组织形态。

20 世纪典型企业是金字塔结构，因为层级本身就是它的信息处理系统。事实向上汇总成报表、在会议里流转，决策再层层下发；信息流路径，和组织架构图完全一致。管理者决定哪些数据值得采集、开放，企业对自身的认知，上限就是管理者选定收集的信息。

数据库改变了这个结构，但改变并不彻底。共享记录允许大家直接获取信息、独立行动，但大多只能在别人预先设计好的流程范围内操作。在计算机时代很长一段时间里，一小部分管理者、运营、工程师定义指标、数据表、应用、工作流，绝大多数员工只是使用者，而不是设计者。

这既限制了员工能做什么，也限制了组织能够掌握什么信息。举个例子：客服每周反复收到同一个投诉，如果主管没有整理成报告上报，企业就看不到这个问题；想要推动整改，更是难上加难。

现在，获取信息、落地整改这两件事的技术门槛，同时快速消失。

正如 Andrej Karpathy 在 2023 年所说：“当下最热门的编程语言，就是英语（自然语言）。” 自然语言界面，让领域专家可以直接查询企业数据，不用等懂 SQL、Python 的人事先预判、写脚本回答问题。百年药企诺和诺德里，科学家过去要等数据工程师写查询语句；现在他们直接对 Genie 说：“把所有肥胖症相关数据展示给我”，系统立刻调出相关试验、洞察和可视化图表。

在权限框架之内，员工也可以自主搭建解决方案，节省数小时甚至数天工作量。电动车厂商 Rivian 里，一名完全不会 SQL 的财务分析师，用 Genie 搭建给 CFO 使用的收入看板；供应链分析师搭建应用，追踪入港库存。

这不代表所有人都可以无审批访问全部企业数据和资源。当工作越来越分布式，共享本体、权限、问责机制反而更加重要。记录系统统一保存状态与安全边界，同时把提问、设计工作流、执行动作的权力下放。

今年 3 月，Jack Dorsey 发布一篇宣言，介绍 Block 正在测试这套理念的极致形态：“有史以来第一次，系统可以持续维护整个业务的完整模型，依靠它协调工作，而过去这些都要靠人一层层传递信息。”

阿里的 “面向智能体的记录系统”，和 Jack 所说企业的 “世界模型” 非常相似：一份持续更新的镜像，刻画企业运营、决策、能力、优先级。企业一线人员把真实世界信息灌入模型，模型提供所有人行动所需的统一上下文。Dorsey 解释：“人类能抵达模型尚且到不了的地方。人能感知模型无法捕捉的东西：直觉、方向判断、文化语境、信任关系、现场氛围。那些高风险、全新场景、伦理相关，一旦出错代价致命的决定，应当由人来拍板。” 最终形成的企业，不再需要多层管理层做信息中转；即便工作更加分散，领导层也能看清全貌。

Databricks 已经为 Block 提供底层基础设施，在 Square、Cash App、TIDAL 多条业务线上管理 PB 级数据，Block 也依托 Databricks，把 AI 代码助手绑定到企业自有业务上下文里。

对 Dorsey 来说，这套架构的核心竞争力就是速度：“企业快慢，取决于信息流动效率。层级与中层管理，会阻碍信息流。”

阿里在大方向上认同 Dorsey，但有一处区分：“我和 Jack 理念一致。但问题在于，这套逻辑是不是同样适用于人类的组织架构？人们经常混淆两件东西：组织架构，和企业内部的信息流。” 二十年前，二者是一体的；想要知道业务发生了什么，只能逐层找人汇报。但现在不一样了。阿里说：“开会时，Genie 几乎能回答我所有想问的业务问题。” 企业依然需要管理者，但不再需要那么多充当信息中转站的管理者；培养员工、判断优先级、关注团队情绪，这些事依然离不开人。

所以，尽管二人对层级最终会消失到什么程度看法不同，但他们都看到同一个趋势：原本支撑 20 世纪大企业运转、掌握巨大权力的信息中转工作，正在交给 AI。

第二次管理革命

85 年前，大萧条之后，詹姆斯・伯纳姆写下《管理革命》，预判企业乃至资本主义运行方式的巨大变革。大萧条之后，当时一种流行看法是创业型资本主义已经走到尽头，会被新体系替代，社会主义集体、国有化都是热门方案。

伯纳姆看懂了趋势。他提出第三种形态，它不只是企业结构，更是一套全新社会秩序：管理型社会。在这套体系里，掌握决定权的既不是传统资本所有者，也不是普通劳动者，而是职业管理者、规划师、行政人员与高管，由他们运营大型企业与机构。

他认为，现代机构复杂度太高，资本所有者已经无法亲自管控。一家十万员工的公司，CEO 不可能知晓所有细节；控制权慢慢从创始人、业务专家手上，转移给行政管理者。

20 世纪下半叶，这套管理主义几乎大获全胜。Marc Andreessen 这样评价：“财富 500 强的绝大多数高管，并不是所在赛道的业务专家，更不是公司创始人。他们是职业经理人，职业生涯里可能跨多个行业管理：先做医疗，再做金融，再换别的赛道。”

但这套模式的红利正在耗尽。伯纳姆笔下管理阶层带来规模化、标准化可靠度的代价，就是牺牲响应速度与应变能力，面对技术变革时尤其明显。

Marc 提出一个设想：依托 Databricks 这类严谨底座引入智能体，可以诞生第三种模式，兼顾两边优势。它保留创始人带来的活力与应变能力，同时重构支撑企业扩张所需的管理工作。智能体自动承担原本催生中层岗位的信息流转、协同工作；而企业记录系统，给一线员工行动所需的上下文与权限。更多创业者都能用上这套模式。

埃隆・马斯克把这个想法推得更远。今年早些时候他提出：保留 “人类介入审核” 环节的企业，最终会输掉竞争。AI 时代还坚持人工介入，就像用一张电子表格，每一个单元格的计算都要人工手动算一遍。

马斯克对最终终点的判断或许没错，但没人知道完全自主运行的企业距离我们还有多远，预测从几年到永远不可能都有。但在抵达那一步之前，颇具讽刺意味的是：管理主义的衰落，表象更接近人人都变成管理者。不是每个人都有下属，但是更多人会定义目标、委派执行、验收结果、迭代流程。第二次管理革命，与其说是管理的消亡，不如说是职业管理者阶层对管理工作垄断的终结。

软件工程师最先感受到这个变化：工作从亲手写代码，转向管理编码智能体集群。工程师的日常越来越像管理者：界定问题、拆解任务、并行委派给多个智能体、评审返回的代码变更，批准或者打回重写。随着智能体在更多领域具备能力，大量知识型工作者都会迎来同样转变：不再自己完成每一步，而是定义目标、委派任务、评判结果。诺和诺德的科学家、Rivian 供应链分析师已经在用 Genie 指挥智能体完成过去需要工程师、数据科学家团队才能完成的工作，让专业团队聚焦更高战略价值的事情。

这对人类生产力与收入是利好：执行和判断力是互补关系。AI 把常规执行成本压低之后，用来指挥 AI 的判断力，价值会越来越高。

数学家阿尔弗雷德・诺斯・怀特海百年前说过一句话：“文明的进步，就是把越来越多重要操作变成无需刻意思考就能完成的事。” 企业的进化也是同一个逻辑，一圈一圈实现自主闭环。每当人修正智能体的执行偏差，这个修正就会优化下一轮运行。当一个闭环被验证可以稳定完成限定任务，人类就可以退出这个环节，转向下一个未解决的难题，把学到的经验沉淀到企业共享记录中。

但伯纳姆或许会提醒我们：企业想要保持自主性，就必须拥有属于自己的业务模型，以及一线人员沉淀下来的全部经验。

自主可控的企业

在智能体驱动的企业里，优秀人才会比以往更珍贵。但人才总会流动；模型持续迭代，所有竞争对手都可以租用同样的前沿大模型。在这个新世界，企业到底怎么建立可持续竞争壁垒？

想象两家银行租用同一个前沿模型做信贷决策。第一家，给模型发提示词，拿到结果，只记录最终审批结论。第二家，记录支撑结论的全部事实、人工否决记录、每一笔决策后续表现、坏账与优质案例，持续迭代内部风控规则。一年之后，有更好的新模型问世时，只有第二家银行沉淀出了独属于自己的能力。当你更换 AI 服务商，新模型能够继承你的指标口径、权限规则、历史案例、客户档案、反复打磨的例外规则，这才是可持续优势。如果换新模型，一切又从零开始，和别家用一样的提示词，那就没有壁垒。

第二家银行，就是业内所说的自主可控企业（sovereign firm）。如果服务商涨价、改条款、下线模型，企业可以切换供应商，而不会丢失长期积累的业务认知。模型越强、企业对 AI 依赖越深，这种独立性就越关键。

微软 CEO 萨提亚・纳德拉在近期文章里从另一个角度得出相似结论：AI 会持续吸收人和组织的专业能力，把能力商品化。因此，“每家公司都必须打造人力资本与代币资本（token capital）”。人力资本是员工的判断力、人脉、创造力；代币资本是企业自建、自持的 AI 能力。两者形成复利学习闭环，这个闭环就是企业新的知识产权。

数据是代币资本的根基。英伟达 CEO 黄仁勋在 Databricks 2024 数据 + AI 峰会上说：“每家企业的业务数据，都是金矿。” 英伟达从芯片设计到供应链，几乎所有流程都依托数据飞轮。“它让我们成为一家规模巨大，但组织精简的公司。” 当时英伟达估值超 3 万亿美元，员工仅 3 万人。“背后原因，就是公司内部大量 AI 在帮我们完成工作。” 黄仁勋认为所有企业都会走上这条路。这是一个非凡的时代，一切从数据起步。

Databricks 押注：数据，以及基于数据搭建的闭环，都应该存放在企业自己掌控的系统里。哪怕是 Databricks 自研、面向企业场景深度优化的专用模型，也是如此。核心是闭环，而不只是原始数据 —— 这是它 2023 年就定下的重心，早于市场共识。仅仅拥有数据不算护城河，但它能避免企业的业务记忆被锁死在某一家厂商的技术栈里。真正的护城河，来自数据和推理层持续帮助企业比对手更快优化决策、迭代产品。

Databricks 很早就打磨这套能力。Spark 是开源的，客户完全可以自行下载部署。但创始人慢慢意识到，如果 Databricks 能把 Spark 变得更容易运维、更快、更安全、更贴合企业需求，客户愿意付费。想要活下去，它创造价值的速度，必须超过免费开源方案追赶的速度。随着智能体降低切换成本，越来越多企业都会面临同样考验。

你能遇到最好的机会

大约十年前，阿里打电话来找我咨询。当时全球一家巨头给出收购邀约，报价是上一轮融资估值的六倍。

在两年前公司差点倒闭、C 轮找不到领投方的背景下，这看起来是美梦般的结局。我们在 2013 年领投了 A 轮，那时 Databricks 还只是七个伯克利学者，唯一稳定收入是自家峰会门票；后来我们和 NEA 一起领投没人愿意碰的 C 轮。阿里后来在视频里回忆那次对话：

“你怎么做我都支持。说实话，如果按这个价格卖掉，对我来说收益非常可观，a16z 的投资人也能拿到多倍回报，我个人选这个方案或许更划算。但我会回想，我曾经执掌 Loudcloud 和 Opsware，当时我手里的牌，远不如今天这家公司。人的一生，能遇到这样的公司机会本就难得，更不用说 Databricks 这样的赛道。卖掉它，你会赚一大笔钱，非常成功。但如果你和我一样，往后余生都会反复回想：我错过了那个千载难逢的机会。我本可以把它推到极致，却永远不知道它最终能走到哪一步。你想要不留遗憾，还是拿钱落袋？无论怎么选，我都支持你。”

阿里听完道谢，挂断电话，心里打定主意：绝不卖掉。

能同时拥有顶级创业者，叠加顶级市场机会，是万里挑一的事。我们见过优秀创业者但赛道空间有限，也见过巨大赛道但创业者撑不起局面。Databricks，两者兼具。

上个月，Databricks 年化收入突破 70 亿美元，同比增长 80%，估值 1900 亿美元。事实证明，这位创业者扛得住这份使命。

而它的目标市场，就是企业本身：一套共享记录系统，定义什么是事实、数据代表什么含义、谁拥有操作权限、哪些方案被验证有效。底座建好之后，人和智能体可以自主行动，不必所有决策层层上报；行动产生的结果，又回流到企业自有记录中。

协同成本持续下降，企业用现有人力产出更多成果；一批过去不可能成立的新公司会诞生，十个人就能完成过去上千人的工作量。而且距离 AI 拥有顶尖人类全部能力还非常遥远，这只会让优秀人才更值钱，而不是贬值。

越来越少的人会重复执行别人写好的流程，这部分工作交给智能体。更多人会投入到尚未被解决的问题：判断好坏、感知变化、定义未来应该做成什么样子。

未来几十年，人类上班每天到底做什么？直白的答案是：做那些还没有被摸清、没有被自动化的事。智能体帮企业自动化越来越多我们已经掌握规律的工作，人类和这套新智能协同，创造全新事物，攻克过去遥不可及的难题。

本文由 Mike McGuiness 联合创作。

Databricks CEO Ali Ghods（文中的阿里）