AI 如何改变企业

摘要

本期 Light Cone 节目邀请 Box 联合创始人兼 CEO Aaron Levie，与 YC 合伙人 Gary、Jared、Harge 和 Diana 深入探讨 AI 对企业级软件的颠覆性影响。Levie 从 B2B 视角出发，犀利驳斥了"AI 应用只是基础模型的套壳 (Wrapper)"这一迷思，指出企业客户购买的是业务结果而非模型本身，正如当年 Box 并非只是 Amazon S3 的套壳——其近千名工程师中仅1-2%在从事文件存储工作。讨论涵盖：纯模型公司的商业困境、模型智能趋同下的定价博弈、AI 原生劳动力对企业招聘的冲击、从云计算到 AI 的基础设施范式迁移如何带来软件市场10倍扩容、Context 与 Core 的战略区分对企业 AI 采购的指导，以及杰文斯悖论 (Jevons's Paradox) 如何让 AI 自动化最终带来更多而非更少的工作机会。Levie 认为，AI 时代的软件市场规模可能在十年内增长5倍，我们正身处一场由丰裕 (Abundance) 驱动的革命之中。

正文

"套壳"迷思与 B2B 的真实逻辑

Aaron Levie 开宗明义指出，所谓"ChatGPT 套壳"的论调仅有约2%的真相。Paul Graham 的楔子理论 (Wedge Theory) 说明，简单产品找到切入点后可以扩展。在云计算早期，如果有人说 Box 只是在 Amazon S3 上做了一层套壳，那完全误解了让存储桶在特定应用中变得可用所需的整套规模化软件。同样，AI 应用的价值在于围绕工作流 (Workflow)、专有业务逻辑 (Proprietary Business Logic) 和客户数据构建的软件层，而非模型输出的令牌 (Tokens) 本身。

Levie 承认，初创公司确实需要思考几步之后的事——你不应该成为 ChatGPT 会直接纳入的功能。但关键不是模型会吞并你的价值主张，而是如果你的价值主张仅仅是模型能力的一层薄壳，那确实有风险。

企业要的是结果，不是模型

从 B2B 视角看，问题更为简单：企业不需要模型，它需要结果 (Outcome)——客户支持对话得到回答、医疗转录进入电子健康记录 (EHR) 系统、文档和合同被自动读取并接入合同工作流。模型变得更智能对这些用例的软件提供商实际上是好事——你不需要再费力气"黑入"模型来弥补其不足。客户真正想买的是能接入 ERP 系统、接入支持系统、驱动密码重置等完整工作流的软件。模型被尽可能从最终客户价值主张中抽象出来 (Abstracted)，模型每次升级，客户只是感觉结果越来越好。

模型公司的演变与纯模型公司的困境

Levie 认为，如今几乎没有纯粹的模型公司 (Pure Play Model Company)。所谓"AI 公司"大多拥有前沿模型实验室 (Frontier Model Lab)，但越来越多地在向消费者或企业销售软件：Anthropic 本质上是面向企业的 API 业务，你付费的是安全、合规、治理、隐私、运行时间、服务等级协议 (SLA)；OpenAI 从泄露的公开数据看已经是一家 AI 驱动的软件公司；Google 就是 GCP；Meta 不需要变现模型，直接开源即可；xAI 可能是最接近纯模型公司的，但也会通过 Grok 产品呈现。

Levie 断言：现在创业做纯模型公司、指望靠授权收入卖模型，将是非常糟糕的主意——尤其因为 Meta 总会通过开源前沿模型来形成价格制衡，DeepSeek 出现后 Meta 必须跟进。这种行业动态保证了智能的成本将趋向于零。

智能成本趋零下的创业机遇

当智能成为商品，初创公司该怎么做？Levie 认为答案回归软件基本面：以前我们有数据库 API、存储 API、计算 API，现在有了智能 API。智能的成本将下降到裸金属 (Bare Metal) 的水平——即 GPU 的底层成本加上超大规模云商 (Hyperscaler) 的一点利润。令牌价格将趋近于零，关键在于你是否构建了将这项复杂技术交付给客户、解决真实世界问题的软件。

垂直 AI (Vertical AI) 是巨大的赛道；水平方向也会有一层 AI 软件将不同 AI 系统缝合在一起。每一个行业、每一个职能都将诞生新的初创公司和智能体 (Agents)。Levie 形象地说：你可以拿每个行业×每个职能做一张宾果卡 (Bingo)，在它被完全填满之前，都还有 AI 的机会。SaaS 第一波已经验证了如何做，AI 将重演同样的剧本。

推理模型与企业新机遇

关于 DeepSeek 带来的开源推理模型 (Reasoning Model)，Levie 表示他们内部做了推理模型与非推理模型的基准对比，发现推理模型在某些方面更好，但奇怪地在某些方面更差——也许是因为它们"过度思考"了问题。但方向上，任何提升智能的进步都会提升 B2B 用例的价值：你可以更可靠地串联更多智能体 (Agents) 协作，实现更多智能体工作流 (Agentic Workflows)，将 AI 引入更关键的业务流程。

Levie 提出一个思维框架：以"工作流的关键程度 (Mission Criticality)"和"AI 智能水平"为两轴——你不能把还不那么确定性的 AI 放到银行系统的日终数据上，但它可以为银行新产品撰写摘要、回答消费者的产品问题。随着智能每提升一个层级，可实施的用例就更多；而将更多用例串联完成整个业务流程，则是另一个维度的进展。

企业客户的真实态度

当与银行、财富500强企业决策者对话时，Levie 发现：CTO 和 AI 负责人关心底层模型差异——他们在用 Cursor、感受 Anthropic 与 OpenAI 的输出差异；但业务线负责人和终端用户完全不关心——模型对他们来说是外语，而且永远都会是。由于模型的方向性可替代性 (Fungible)，领先模型最终必须匹配稍逊模型的定价，否则客户可以接受1%的性能差距换更低成本。这意味着令牌价格将像云存储桶价格一样趋同——你选择供应商的理由变成了"我在这家有多少数据、有什么工作流"，而非价格差异。

一家 YC 投资的 AI 企业在一年内达到1200万美元收入，期间多次切换底层模型，终端企业客户毫不在意——他们在意的是合同约定的"以这个准确率完成这个工作流"。随着令牌成本下降，该公司毛利率从30%升至60%再到80%。Box 自身也拥有81%的毛利率——千名工程师中仅1-2%在做文件存储，其余全在构建数据治理、自动化和洞察的软件抽象层。

定价模式的变革

AI 带来了全新的定价模式思考：你是按线索 (Per Lead) 付费？按合格线索付费？按成功结果付费？还是按底层计算资源使用量付费？YC 合伙人分享了观察：过去曾硬性要求初创公司签年度合同，但过去一年中最成功的 AI 公司往往在替代业务流程外包 (BPO)，客户实际上希望按使用量付费 (Usage-Based)，收入持续攀升。

Levie 指出，AI 的弹性 (Elastic) 是关键优势——传统方式需要数月招聘和组建团队才能生成的1万个线索，现在一周就能启动。这彻底改变了企业与软件供应商之间的商业关系。

高盛 CEO 的信号与 AI 原生劳动力

高盛 (Goldman Sachs) CEO David Solomon 在一次活动上透露，AI 可以在10分钟内完成过去需要6人团队撰写的 S-1 文件。Levie 将此与15年前的云计算对比——当时银行 CEO 说的还是"我们永远不会上云"，而现在的信号是积极拥抱。金融行业身处全球最受监管的市场，领导者已如此激进地推进，这意味着方向只会更加坚定。

Levie 提出一个关键洞察：AI 与云计算的一个根本差异在于竞争影响。云对企业而言主要是效率故事——更便宜、更快地部署产品；但 AI 直接影响企业的竞争力——不采用 AI 的公司将无法招聘下一代员工（AI 原生一代已经不会用传统方式搜索信息），其竞争对手将完成更多投行业务、更快上线客户、提供更好的金融建议。

Context 与 Core：企业 AI 采购的战略框架

Levie 引用 Geoffrey Moore 的框架，将企业功能分为两类：Context（上下文）——必须做但不会让你比竞争对手更好的事，如 HR 系统、ERP 系统，必须做好但不构成差异化；Core（核心）——你的价值主张本身，如财富管理服务、药物研发算法，必须自主掌控。把 Core 放进 Context 会导致长期劣势，把 Context 放进 Core 则浪费巨大精力。

他批评了 Cerebras 等自研芯片的叙事——虽然令人兴奋，但普通银行并不需要重新发明自己的 HR 系统。到2030年，知识工作者接触的大部分 AI 将来自独立软件供应商 (ISV)——CRM 仍来自 Salesforce，而非企业自建的 AI 生成 CRM。聊天界面和传统仪表盘将长期共存，但大部分仍将是软件供应商提供的成品。

安全信任的演进与复合技术效应

早期企业对 AI 托管模型的安全顾虑正在消退，正如云计算信任的演进路径：OpenAI 和 Anthropic 在安全、隐私、合规上投入重金，建立信任；企业也因云计算时代已习惯将数据放入第三方系统。Levie 指出一个常被忽略的事实：AI 不可能在2005年发生——即便当时有同等算力，企业全部基础设施都在本地 (On-Prem)，数据全在 Siebel、PeopleSoft 等系统中，要让企业把数据搬到不可控的数据中心是天方夜谭。云计算是 AI 的前提条件，SaaS 是前提条件，消费者技术普及也是前提——正是人们在个人生活中使用 ChatGPT、Perplexity 后，才会质问"为什么我的企业 IT 系统如此原始"。这是一场寒武纪大爆发 (Cambrian Explosion) 般的机会窗口。

从本地部署到云端到 AI：市场规模的10倍扩容

Levie 回顾 SaaS 早期投资人最大的质疑是：市场总规模 (TAM) 会和本地部署软件一样大——而如果一样大，那你面对的还是现有在位者，怎么挤出足够价值？事实证明所有人都错了：SaaS 的 TAM 大约是本地部署软件的10倍。原因在于，1999年要部署 CRM 需要系统集成商、数据中心、服务器、网络管理——两年后可能花掉500到1000万美元，只有全球最大企业才能实施。Salesforce 让你用信用卡在线买三席座就有了不输 Siebel 的 CRM，TAM 从1万家客户扩展到全球500万-1000万家。

ServiceNow 如今市值约1500-1750亿美元，而其要颠覆的本地部署竞争对手仅值50-100亿美元——如果20年前看这家公司，最多认为 ServiceNow 值50-100亿，实际却是15倍。AI 也有同样的动态：不是新的公司第一次买软件，而是所有公司用软件做以前软件做不到的事——预算来自以前未触及的领域。

杰文斯悖论与 AI 的乐观未来

Levie 以杰文斯悖论 (Jevons's Paradox) 作为收尾：经济学家常犯的错误是看某个劳动类别的市场总量，然后假设 AI 自动化了它就是消失了。但微观经济学视角下，公司用 AI 编码更快，是为了给客户构建更好的产品；更好产品带来更快收入增长；更快增长意味着需要更多人——销售、客户支持、HR——来支撑增长。在竞争市场中，把 AI 产生的利润坐吃山空的公司，会被愿意将效率收益再投资的公司打败。所以效率收益被重新部署回让公司更具竞争力、增长更快、更好服务客户的领域——这正是自动化的微观经济结果。

最终消费者总是赢家——如果 AI 能让我们自动化更多，就能建设更多；建设更多就能降低成本；降低成本就能提升每个人的生活水平。革命不一定是《黑镜》(Black Mirror)，它可以由杰文斯悖论驱动、由所有人的丰裕 (Abundance) 驱动——这正是 Levie 押注的未来。