Ali Ghodsi：基础设施、企业 AI 与服务软件化

Ali 用 John 和 Jane 的例子说明通用模型的边界。模型可能知道某个行业的规则、最佳实践和公开知识，却不知道：

• John 当前负责哪个客户；

• Jane 刚刚在会议里批准了什么；

• 哪份表格才是最新版本；

• 某个异常为什么按照内部惯例处理；

• 谁拥有最终审批权；

• 一项操作失败后由谁承担责任。

企业知识至少可以分成四类：

把几千份 PDF 放进检索系统，只解决了显性知识的一部分。Agent 要真正承担工作，还必须知道当前状态、能调用哪些工具、哪些动作被授权，以及怎样判断结果是否正确。

可以把企业 Agent 的可用性写成：

有效企业 Agent = f（模型能力，上下文，状态，工具，权限，工作流，验证）

模型能力只是乘数之一。任何一项接近零，最终效果都可能接近零。

Polanyi 的经典判断是，人知道的往往多于能够明确说出的内容。企业中大量工作依靠这种隐性能力：销售判断客户是否真的会签约，工程师知道哪条报警可以暂时忽略，财务人员知道某个数字应以哪套表为准。

传统软件要求人先把规则写清楚，再由程序员编码。大模型降低了显式编码门槛，可以从自然语言、示例和历史操作中推断一部分规律，但这不等于隐性知识已经自动变成可靠流程。

真正的难点是把它转成可观察、可执行、可验证的结构：

员工的经验判断
    ↓  通过案例、修正和结果被观察
可表达的规则与例外
    ↓
Agent 可调用的上下文、技能与规则
    ↓
实际执行
    ↓
结果与责任被记录

如果只有“过去怎么做”的日志，却没有当时状态和最终结果，系统很难区分有效经验、偶然成功和组织惯性。

Chris Paik 的核心论点是：AI 让软件的生产和定制成本大幅下降，传统软件的进入壁垒、切换成本和规模优势会被削弱。³

Ali 在课堂上先反驳了“软件会消失”这个结论。OpenAI 和 Anthropic 本身就是软件公司；NVIDIA 的芯片也需要大量软件完成设计、开发和运行。如果软件本身已经失去价值，这些公司同样不应该成立。

他接受的第一个变化是进入壁垒下降。过去需要完整工程团队才能开发的产品，现在可以用更少的人和时间完成。但这种能力也同时属于现有软件公司。新公司可以更快进入，Databricks 也可以用同样的工具降低开发成本，因此代码变便宜首先意味着竞争加剧，而不是新公司自动取代旧公司。²

Ali 认为，AI 最先削弱的是用户对界面的依赖。他用 Android 和 iPhone 举例：用户不愿更换系统，一部分原因是已经习惯原来的界面，也不想重新学习操作和迁移数据。

如果用户未来主要向 Agent 表达需求，再由 Agent 操作 Gmail、Outlook、Salesforce 或其他系统，底层产品的界面差异会变得不那么重要。依靠用户习惯形成的切换成本会下降，软件公司也会面对更激烈的竞争。

但代码和界面从来不是公司唯一的竞争优势。规模经济、品牌、信任、安全认证、专利和独特数据不会因为软件更容易生成而自动消失。Ali 的判断是：十年没有明显创新、主要依靠旧界面和客户惯性维持收入的软件公司最危险；持续改进产品，或者掌握数据、安全与核心业务流程的公司仍然可能存活。²

课堂讨论了一个常见现象：AI 已经能解决大量客服问题，但一旦转给人工，人看到的往往是最复杂、最情绪化、最不完整的案例。这会造成一种选择偏差：

P（困难任务｜已升级给人工） ≫ P（困难任务｜全部任务）

因此，人类员工对 AI 的主观体验可能比系统总体表现更差。简单问题已经在前台被自动解决，员工接触的样本天然集中在长尾。

这并不意味着客服自动化已经完成。相反，它说明评价必须分层：

• 自动解决了多少简单任务；

• 升级任务是否附带完整上下文；

• Agent 是否知道何时停止；

• 人类接手后能否迅速理解前序操作；

• 最终客户结果是否改善。

最好的协作系统不只是提高自动解决率，还要把失败组织成可处理的升级包。

Ali 用电动机进入工厂的历史说明，通用技术的价值通常要等组织重新设计后才充分释放。早期工厂只是用电动机替换蒸汽机，没有立刻改变生产线；后来机器布局、工序和管理方式围绕分布式电力重构，生产率才大幅提高。

AI 也可能经历相同阶段。企业先把模型加到现有工作流中，让员工写得更快、查得更快；但真正的组织变化可能是：

• 过去串行的审批变成并行分析；

• 原本按职能分割的团队围绕结果重组；

• Agent 持续执行，人类只处理异常和责任节点；

• 工作以任务和结果计量，而不再以软件席位计量；

• 一部分外包服务变成软件化交付。

因此，单个员工节省 20% 时间，并不自动等于公司产出提高 20%。如果省下的时间被会议、重复检查和旧流程吸收，局部能力不会穿透组织边界。

课堂中，Ali 描述了 Databricks 内部开发数据连接器的变化。过去一个连接器可能需要约九个月，原因不只是编码量，还包括搭建测试环境、理解外部系统、处理大量边缘情况和等待少数专家。

AI 参与后，团队把外部测试环境并行化，让 Agent 生成和验证更多实现，并把原本集中在少数工程师脑中的知识转成可复用流程。结果从大约九个月一个连接器，提高到一个季度可以完成约七个。

这个案例的意义不只是“代码写得更快”。它同时减少了：

环境搭建等待
+ 需求理解等待
+ 专家排队
+ 测试与修正周期
+ 单点知识依赖

AI 对组织最有价值的地方，往往是压缩这些跨环节等待，而不是单独优化某一段代码生成。

Ali 认为价值会向上层应用迁移，因为模型和基础设施最终要通过企业工作创造收入。课堂展示的价值栈也表达了这一方向。

传统 SaaS 向企业出售工具，客户雇人使用工具完成工作。所谓“服务软件化”（Service as Software）则直接出售完成的工作：不是卖客服席位，而是按解决的问题收费；不是卖财务系统账号，而是交付对账、报税或审查结果。

传统 SaaS：软件工具 → 客户员工操作 → 业务结果
服务软件化：Agent + 软件 + 人类兜底 → 直接交付业务结果

这种模式扩大了软件公司的可服务市场，因为它可以进入原本属于 BPO、咨询和专业服务的支出。但它也承担更多责任：结果质量、异常处理、合规、保险和人类兜底都进入成本结构。

对于已有按席位收费收入的公司，真正的难题不是能否增加一个 AI 按钮，而是是否愿意让 Agent 消灭一部分席位。新进入者没有旧收入包袱，可以直接围绕结果定价，这才可能构成反向定位。

Ali 认为，AI 产业的价值最终会向应用层迁移，并把医疗和教育作为两个可能出现大型公司的领域。

医疗约占美国 GDP 的 17%。如果一家公司能够长期观察大量具有相似遗传和疾病特征的患者，并验证哪些干预真正有效，就可能积累模型公司难以直接获得的数据与结果反馈。

教育过去一直不是风险投资偏爱的市场，很少出现大型上市公司。但教育是普遍存在的需求，家长和社会也关心最终效果。Ali 认为，如果 AI 教育产品能够证明自己持续改善学习结果，它可能积累学生数据和教学反馈，并在特定市场形成很强的规模优势。²

开放模型追赶前沿，会让成熟能力更容易获得。2026 年的技术评估仍显示最强闭源模型保有一定领先，但差距以月为单位变化，而不是永久固定。⁵⁶

更合适的结构是：

新能力进入前沿
    → 暂时稀缺，获得高溢价
    → 开放模型和竞争者追上
    → 成熟能力价格下降
    → 竞争转向下一代能力

这意味着模型租金可能更像“时间租金”。模型公司仍可凭持续前沿领先获得收入，但应用和企业会不断获得更强的替代选项。开放权重还允许公司自行部署、蒸馏和定制，把模型从租用服务变成可以持有和改造的资本品。

价值因此向不能随权重一起复制的东西迁移：企业状态、权限、工作流、真实反馈、分发和客户关系。这与本课的主线一致：模型越通用，企业内部语境和执行闭环越成为差异来源。

企业 AI 的核心障碍不是单纯缺少更强模型。通用智能只有接入业务状态、隐性规则、工具、权限和验证，才会变成可承担责任的生产系统。自然语言和代码生成会显著降低软件生产、定制和迁移成本，但无法自动消除数据状态、组织改造和错误责任。

软件不会整体消失。固定界面和预定义路径会被削弱，意图、工作流、系统记录、验证和模型运行层会重新组合。应用层的价值将扩大，但长期价值由谁获得，取决于谁控制真实工作、状态、结果和责任，而不是谁最先把模型接进界面。