作者：王林Lincoln | MindsLeap创始人 | Founders Space合伙人 | 企业家AI俱乐部创始人
Aaron Levie 的父亲最近迷上了用 AI 写代码。这位不怎么写程序的老人，在面对 Claude Code 弹出的每一条"是否下载这个包"的提示时，都会毫不犹豫地点击"是"。Levie 后来苦笑着说："他电脑里现在肯定装满了恶意软件，过去三天出现的每一个 NPM 攻击，他一个都没落下。"
这个故事发生在 LangChain 近期的一场对话里。Levie 是 Box 的 CEO，也是企业云存储领域的老兵。他用这个略显滑稽的例子，引出了一个所有企业家都应该认真对待的判断：AI 编程智能体展现出的惊人能力，并不等于企业知识工作也能在同样短的时间内获得同等收益。
这中间隔着一道鸿沟。而且这道鸿沟，比大多数人想象的要深得多。
代码世界的四个特权
Levie 提出了一个很少被公开讨论的问题：为什么 AI 在编程这件事上表现得如此出色？
他的回答是，代码世界拥有四个几乎完美的条件。第一，模型在代码上接受了超量训练，因为代码是互联网上最充足的内容类型之一。第二，代码工作的结果是可以验证的——跑不跑得通，一目了然。第三，使用这些工具的人本身就是高度技术化的，当智能体出错时，工程师知道怎么修复。第四，代码库的权限结构通常是开放的，工程师天然拥有完成工作所需的大部分数据访问权。
"但知识工作完全不是这样。"
企业里每一个团队、每一个个体，拥有的数据访问权限都是不同的排列组合。智能体继承了这些权限限制，复杂度呈指数级增长。当一个人需要某个文件时，他可以去找同事 Sally 要权限。但智能体没有这种社交能力去 navigate 复杂的权限迷宫。
这个对比之所以重要，是因为它解释了为什么大多数企业家看着编程智能体的表现感到兴奋，又在试图把 AI 引入销售、营销、财务等核心业务时感到挫败。
一个被高估的类比
Levie 提醒在场的人，"你必须暂时跳出技术圈，想一想这件事。"
技术圈的人每天看到的最前沿能力，和绝大多数知识工作者实际能使用的能力之间，存在巨大的认知偏差。这种偏差不是暂时的，它根植于工作本身的性质。
知识工作的产出不像代码那样容易验证。一份合同是否写得好，一个营销方案是否有效，一个保险理赔的判断是否准确——这些都很难用简单的测试来确认。模型在非编码领域任务上的能力仍在提升中，但距离代码领域的成熟度还有很长的路。
这更像是一个信号：企业在制定 AI 战略时，不应该用编程智能体的进步速度来推导整个组织智能化的时间表。
谁来搭这座桥
那么这道鸿沟怎么跨越？Levie 看到了两个方向。
一个是高度垂直化、领域专精的 AI 智能体创业公司正在崛起。这些公司的优势在于，他们已经理解了特定领域的上下文，知道应该连接哪些数据源，并且通常会配备"前置部署工程师"来帮助企业完成集成。"如果你在做垂直领域的智能体工作，这是一个巨大的机会。"
另一个方向来自企业内部。最了解企业自身业务流程的，永远是内部团队。Levie 提到，一些企业已经开始设立内部 AI 智能体的"前置部署工程师"角色——由技术团队中的人专门负责把智能体技术引入组织，理解业务需求，完成系统集成。
这两个方向指向同一个结论：AI 在企业中的扩散，不是一个纯技术问题，而是一个组织设计问题。
Box 的答案：先修好管道
作为一家长期为大型企业提供内容管理服务的企业，Box 有自己的独特位置。Levie 说，他们甚至在考虑 AI 之前，就已经做了大量"核心管道"工作——文档转换管道把企业内容变成智能体能处理的格式，安全权限控制确保智能体只能在授权范围内使用数据。
Box 的智能体被设计成企业内容处理专家，然后通过 MCP 服务器接入像 Harvey 这样的法律领域智能体，或者 Claude 这样的通用智能体。它不试图覆盖所有领域，而是做好自己擅长的部分，然后与其他专业智能体协作。
"这是底层管道的问题。" Levie 说。在智能体真正跑起来之前，数据、权限、安全、治理这些基础设施必须先到位。
成本会成为下一个大故事
对话的后半段，两人谈到了一个正在快速浮现的现实：Token 成本正在爆炸。
Uber 的 CTO 已经公开表示他们用完了 Token 预算。ServiceNow 也发出了类似的警告。Levie 提到，那个"疯狂消耗 Token"的梗只流行了三天就被打破了，因为只有 Facebook 这种级别的公司才能真的做到无限制使用。
"对于普通公司来说，我们得有预算，得有规划周期。"
硅谷的风投支持型初创公司可以把 VC 资金直接转化成 Token 消耗，但华尔街的银行、上市公司、传统企业不行。它们有每股收益目标，不可能突然在一个财季增加一千万美元的 AI 支出。当这种成本压力开始积累，企业就不得不开始优化——采用多模型混合策略，把简单任务交给更便宜的模型，把核心任务留给最强大的模型。
Levie 判断，成本可能会成为未来三年的核心故事。 当一个保险理赔流程自动化可能带来五千万美元的额外收入或节省时，企业值得为这个工作流单独配置最优的模型和定制化指令。但不是每个工作流都有这样的投入产出比。
这是一场五年以上的部署期
Levie 在对话的最后给出了一个时间框架："我们将经历多年的技术扩散、变革管理和采用过程。"
编程智能体能力还在加速，但知识工作的智能化会因为上面提到的所有问题而慢得多。这种认知失调将持续数年。也因此，他对那些认为 AI 泡沫即将破灭的人持不同意见——不是因为技术本身有问题，而是因为企业级扩散的节奏远比人们预期的慢。
对于中国企业家来说，这个判断有几层含义。
不要急于用编程智能体的表现来向董事会承诺全公司智能化的时间表。知识工作的 AI 化需要更长时间，这不代表方向错了，只是路径更长。
重视那些"无聊"的基础设施工作。数据治理、权限体系、文档标准化，这些不是 AI 项目中最性感的部分，但决定了智能体能不能真正在你的组织里跑起来。
考虑垂直化路线。如果你是某个行业的从业者，你对领域的理解本身就是一种护城河。通用大模型公司不懂你的业务流程，而你懂。
Levie 的父亲那个故事最讽刺的地方在于：一个非技术用户面对 AI 工具时，最大的风险不是不会用，而是太愿意信任。企业在引入 AI 智能体时，也需要在信任和治理之间找到平衡点。
这不只是技术部署的问题。这是组织能力的重新构建。
关于 MindsLeap 心智悦动
MindsLeap 心智悦动是 AI原生组织转型加速平台。
我们与硅谷创新孵化器 Founders Space 深度合作，持续连接全球 AI 前沿认知、硅谷科技创业生态与中国企业家的真实转型场景。
围绕 AI 原生组织建设，MindsLeap 正在构建一个面向企业家、创业者、AI 工程师、产业专家和投资人的转型生态，帮助企业把 AI 从认知、战略和工具，真正落到组织能力、业务流程、产品创新和增长系统中。