策略性临在：重构权力平衡

在当下的技术浪潮中，人工智能（AI: Artificial Intelligence）的演进速度超乎了几乎所有行业观察者的预期。尤其是开源大模型与闭源商业模型之间的博弈，正成为整个技术社区和资本市场关注的绝对焦点。OpenAI和Anthropic等头部厂商，凭借砸入数百亿美元研发预算所建立起来的前沿模型，是否真的能够在未来的企业级应用市场中建立起无法逾越的垄断壁垒？针对这一核心论题，企业级AI领域的领军人物、Glean（致力于企业内部搜索与知识管理的AI平台）创始人阿尔温德·贾恩（Arvind Jain: 谷歌早期核心工程师，曾深度参与谷歌搜索、地图及云服务研发，后联合创立云数据公司Rubrik并成功上市，于2019年创立Glean，目前该公司估值已达72亿美元）给出了极其直白且发人深省的行业洞察。

作为一名在企业级服务和数据检索领域深耕多年的连续创业者，阿尔温德·贾恩坦言，即便在世俗意义上已经取得了巨大的商业成功，他在面对充满变数的AI市场时，依然常常处于对失败的恐惧之中。这种焦虑并非源于对技术本身的不自信，而是因为AI行业的发展日新月异，过去的成功法则在全新的时代早已不再适用。如果创业者抱着“赢家心态”在原有的功劳簿上盲目加码，很容易在转瞬即逝的窗口期被颠覆。

从产品形态的演进来看，Glean最初的定位是企业内部搜索（Enterprise Search: 旨在解决企业内部信息碎片化、散落于各类独立系统中的痛点，提供类似谷歌搜索的一站式检索体验）。而随着大语言模型（Large Language Model: 基于海量文本训练并具备通用理解与生成能力的AI系统）的跨越式发展，Glean如今已演进为一个综合性的企业AI平台。它本质上是一个大模型的超集，将ChatGPT、Claude、Gemini等主流模型的能力深度整合，并无缝连接企业内部所有的上下文数据，使AI能够深谙企业自身的运转流程。然而，这种高度集成也带来了新的行业隐忧。正如Palantir创始人亚历克斯·卡普所指出的，全球大型企业对于前沿模型厂商的怀疑态度已达到前所未有的高度。这种担忧在实质上分为两个层面：其一，传统软件公司普遍担心AI模型会直接吞噬其既有业务；其二，企业决策者高度警惕核心知识产权（IP: Intellectual Property）、内部敏感数据以及独特的业务方法论会过度绑定并依赖于特定的模型厂商。

更深层次的危机在于，目前许多企业在舆论裹挟下，不敢公开承认AI在自身业务中并没有真正释放出预期的价值。如果企业未来将大部分工作流全权交由第三方模型厂商提供的智能体（Agent: 能够自主感知环境、进行思考并执行复杂任务的AI实体）来处理，这在实质上将演变为一种不可逆的“运营依赖”。在企业的日常运转中，虽然最初会有一套书面化的标准作业程序（SOP: Standard Operating Procedure），但在实际执行过程中，员工会不断优化流程，积累大量未被写入文档的隐性知识（Tacit Knowledge: 存在于人脑中、难以用文字明确表述的经验与直觉）。一旦这些机构知识与实时决策经验完全沉淀在第三方的智能体中，而企业自身既无法掌控智能体的底层运行，也不拥有其学习进化的成果，那么企业实质上就丧失了业务的主导权，沦为AI技术供应商的附庸。因此，如何在利用AI带来的生产力红利的同时，牢牢把控企业自身的数据主权，确保AI在业务场景中产生的复利性学习成果永远留在企业内部，是当前所有企业在进行AI底座选型时必须直面的首要命题。

开源模型颠覆：跨越历史拐点

在企业力图夺回控制权的强烈诉求下，开源模型（Open Source Model: 允许公众免费获取、修改和部署的机器学习模型）正迎来其发展的历史性拐点。阿尔温德·贾恩指出，企业对于模型自主权的渴望非一日之功，但此前受限于开源模型与闭源前沿模型之间显著的性能代差，企业别无选择。然而，在最近这短短的一个月内，这一格局发生了根本性的变化。

推动这一转变的直接且核心的驱动力，是实打实的财务成本压力。在过去的一年中，大量企业在部署闭源大模型API时，面临着预算迅速超支的窘境。许多企业原本规划了整整一年的AI探索预算，却在实际运行一两个月后便被高频的API调用消耗殆尽，令CFO们头痛不已。此外，金融、医疗等强监管行业对于数据合规有着极为严苛的要求，必须将所有推理工作负载（Inference Workloads: 模型在实际应用中执行预测或生成响应时的计算负载）部署在企业的私有数据中心或私有云中。值得注意的是，早期那种担心模型厂商会私自使用企业数据进行二次训练的恐慌，在商业合同条款逐渐完善后已基本消散。如今，推动企业转向开源的根本动力就是绝对的成本控制与部署灵活性。

在性能层面，开源模型与闭源前沿模型之间的技术鸿沟已缩短至仅有3个月左右的时间窗口。阿尔温德·贾恩透露，特别是在GLM-5.2等新一代开源大模型发布之后，Glean的工程团队第一次有了充足的底气，能够将大部分日常的企业级工作负载迁移至开源模型上运行。目前，企业客户对于“开源”这一模式本身已经没有任何技术上的顾虑，唯一的心理门槛反而落在地缘政治带来的复杂因素上——例如，部分西方企业在决策是否采用来自中国的开源大模型时，会产生本能的心理安全感作祟。他们担心可能存在难以察觉的系统后门，或者害怕在商业竞争中被对手以此为由进行公关攻击。不过，这种顾虑主要存在于早期采用者阶段。随着部分大型企业率先破冰并证明其安全性，使用高性价比的中国开源模型将逐渐演变为全行业的常态。

从长远来看，如果未来90%以上的企业工作流都能在开源模型上平稳运行，单纯以“卖模型Token”为核心商业模式的估值逻辑必将迎来剧烈的重塑。在多方势力的激烈竞争下，模型推理的价格正以数量级般的速度下降，甚至有传闻指出OpenAI等闭源先驱正酝酿大幅度下调API定价以应对开源的蚕食。单纯的API接口正在快速商品化，沦为一种微利的通用基础设施。为此，头部的AI公司必须寻找新的价值护城河。例如，OpenAI正在大力拓展其面向消费端的超级应用属性，而Anthropic则致力于构建繁荣的模型上下文协议（Model Context Protocol: 用于标准化连接AI大模型与外部数据源及开发工具的开放协议）应用生态，吸引了大量开发者在其平台上构建MCP服务器，将企业内部系统与Claude深度绑定。这种从“卖算力”到“卖生态和应用”的转型，揭示了前沿模型厂商在开源逼近下的求生路径。阿尔温德·贾恩坚定地预测，在三年之内，绝大多数的企业工作负载将无可争议地运行在开源模型之上。

投资回报算账：穿透效率幻觉

随着AI部署从实验阶段走向规模化应用，企业正迎来严苛的投资回报率（ROI: Return on Investment）算账期。真金白银地砸入资金后，企业究竟拿到了怎样可衡量的收益？在这一问题上，阿尔温德·贾恩展现出了极具现实主义的冷静。

他认为，AI在不同业务场景下的价值呈现出极端的两极分化。在工作流高度标准化且易于量化的垂直领域，AI的投资回报率是极其明确且高昂的。最典型的代表便是客户支持（Customer Support）。由于客服团队的核心工作大量消耗在检索知识库、提炼标准回复模板等事务上，大模型在这一场景下表现极佳。企业可以非常精准地测算出，引入AI助手后，客服人员每天处理的工单量从10个提升到了12个，效率提升了20%，而对应的算力成本是多少，账目一目了然，企业对此类落地成果普遍感到满意。

然而，在占企业AI整体支出大头的软件开发（Software Development）领域，情况则远比想象中复杂。虽然目前几乎所有的开发者都在日常工作中引入了AI辅助编码工具，纯手工编写初始代码的时代已宣告终结，但令人困惑的是，企业交付软件产品的整体速度并没有出现成倍的跃升。

这一效率瓶颈的根源在于：编写初始代码仅仅是复杂软件交付生命周期中的一小环。以Glean自身为例，虽然其代码库中接近100%的初始代码如今均已由AI自动生成，但公司制定了严格的研发红线——所有AI生成的代码必须通过资深工程师的人工审查（Code Review），绝对禁止直接合并至主分支或上线运行。这就导致软件开发的效率瓶颈直接从“写代码的人”转移到了“审代码的人”身上。在AI的加持下，开发者可以在几秒钟内生成成百上千行的代码，但要确保这些代码的安全、合规、可维护以及逻辑正确，人类工程师必须花费大量时间去阅读、测试和理解。部分企业为了追求极致的速度，选择放弃人工代码审查，直接让AI生成的代码裸跑上线。阿尔温德·贾恩指出，这无异于给系统的未来埋下一颗巨大的定时炸弹。随着时间推移，缺乏规范的AI生成代码会使系统技术债急剧累积，导致后期维护和重构的成本呈指数级上升。因此，即便AI让编码速度提升了数倍，但受制于代码审查和系统架构设计的安全约束，企业端到端的交付效率并没有发生本质的变化。

要真正突破AI落地ROI的瓶颈，企业必须从“暴力破解”的误区中走出来。现在许多企业的做法过于粗糙，仅仅购买了模型的API接口，再通过简单的MCP服务器将企业庞杂的数据库进行无差别关联，便指望AI能够包办一切。这种做法本质上是强行让大模型在海量的噪声数据中进行“暴力搜索”，不仅推理速度极慢，而且会产生大量的代币（Token: 文本处理的最小语义单位）浪费，导致账单开销高企，甚至由于缺乏高质量的指引，频繁导致模型产生幻觉。真正高效的AI部署方案，要求企业围绕AI系统进行深度的配套投资，建立起高精度的数据管道与知识图谱，在数据进入模型推理之前完成精准的清洗与上下文关联。只有为大模型提供精准、干净的上下文（Context），AI才能以极低的成本、极快的响应速度给出准确的决策结果。这才是决定企业AI投资成败的底层逻辑。

人才策略重构：抵制盲目缩编

伴随着AI生产力工具的普及，业界掀起了一股“用AI取代员工”的舆论狂潮，甚至有观点主张每个人都应该以“消灭自己的岗位”为工作目标，鼓励员工无节制地调用AI以求实现流程自动化。阿尔温德·贾恩对此持完全否定的态度，并直言这是一个极具误导性的错误战略。

首先，这种主张严重高估了当前大模型在复杂现实工作场景中的成熟度。以行政助理（Executive Assistant）这一常被认为最易被AI取代的岗位为例，AI固然可以高效地完成预订机票、安排日程表等纯事务性工作，但它根本无法替代该岗位背后所承载的核心无形价值——例如，对人际关系的微妙感知、在突发状况下的危机处理能力，以及基于长期信任建立的默契决策。如果企业仅满足于部署一个能做到90分水平的AI助理，并以此为由裁撤人工，那么当竞争对手在同等AI工具的辅助下，融入了人类助理独有的判断力、人脉资源与智慧时，两者的竞争优劣将立判高下。

这也直接关乎企业未来的组织架构设计。对于拥有千余名员工的Glean而言，阿尔温德·贾恩表示，如果公司业务发展顺利，他希望在五年内将团队规模扩张至4000到5000人，而不是利用AI工具进行大规模的裁员缩编。他指出，许多企业高管在面临AI变革时，陷入了一种狭隘的成本思维陷阱：他们认为既然AI提升了人均生产力，就可以用更少的人维持原有的业务规模，从而裁减员工以美化短期财务报表。然而，在竞争激烈的市场中，对手如果选择不缩编，而是将AI释放出来的冗余人力精准部署到更多创新项目上，去打造在品质、体验和功能上比原来好10倍的产品，那么裁员缩编的企业将在极短的时间内被对手以碾压性的产品优势彻底击垮。

在AI时代，企业若想维持现有的行业地位和营收规模，其交付的产品或服务质量必须比今天提升10倍以上。竞争的整体门槛正随着人均生产力的提高而同步发生水涨船高的跃升。未来的组织竞争，绝非比拼谁的员工最少，而是比拼谁能将拥有AI赋能的高素质人才更精准、更高效地部署到具有战略意义的开拓性项目上。如果“人少”真的代表了未来的终极竞争力，那么当前最懂大模型边界、技术最前沿的AI巨头们，就不会至今仍在以天价薪资在全球范围内疯狂争抢顶尖人才。

然而，AI带来的生产力解放确实在重塑岗位的职能边界。阿尔温德·贾恩预测，未来复合型角色（Generalist/Hybrid Roles）将在企业中大行其道。借助强大的AI助手，研发端将出现大量能够一人同时包揽架构设计、代码编写、UI/UX视觉设计的“全栈工程师”；而在销售端，传统上由客户经理、解决方案工程师、售后技术支持架构师组成的繁琐协作链条将被打破，单个全能型的销售人员在AI系统的支持下，即可独立搞定商业谈判、产品演示与定制化方案设计全流程。

与此相对应，那些处于产业链底端、从事纯执行层面工作的分析师岗位将面临首当其冲的淘汰危机。例如，传统的数据分析师（Data Analyst），如果其核心日常工作仅仅是接收业务部门的需求脚本、跑SQL取数并制作BI看板，那么他们很快就会被彻底取代，因为业务负责人如今已经可以直接通过自然语言与AI系统交互，在几秒钟内获取所需的分析数据。整个商业智能（BI: Business Business Intelligence）团队的职能正被迫向更深层次的战略决策支持转型。同样，招聘领域中仅负责筛选和搜寻简历的寻访专员（Sourcer），其单一职能也将被全周期的招聘专家利用AI工具整合并取代。

组织与资本警示：回归商业常识

在访谈的最后，阿尔温德·贾恩对当前科技创业生态中表现出的资本过剩与组织异化表达了深切的担忧。他指出，尽管大模型领域看似被天价薪酬和无限的算力融资所笼罩，但这种狂热的景象正在扭曲初创企业的成长规律。

在当前的招聘市场上，顶尖的AI和机器学习（ML: Machine Learning）人才确实遭遇了前所未有的哄抢，薪酬体系被彻底打乱。许多刚完成种子轮融资的初创公司，为了在人才争夺战中胜出，甚至开出了高达50万美元的年薪来吸引工程师，这一数字甚至超过了谷歌等科技巨头的标准薪资水平。阿尔温德·贾恩警告称，这种严重偏离市场常规的薪资策略，正在帮助初创公司构建一个自我消耗且完全不可持续的组织架构。

当一家公司的融资金额过于充裕时，往往不是一件好事。它会让管理层失去对资源配置的警惕性，丧失在艰苦环境下打磨真实商业模式、逼迫产品产生内生现金流的纪律性。任何伟大的商业帝国，最终都必须建立在严苛的财务纪律之上。产品必须有客户愿意为之付费的真实价值，不能永远指望依靠无底洞式的资本烧钱来掩盖商业模式本身的虚无。

此外，AI运行的代币成本（Token Cost）也呈现出极具警示意义的特征。在Glean内部及客户的数据监测中，AI的使用频率呈现出极为显著的幂律法则（Power Law: 少数个体占据了绝大部分的系统资源）分布。在企业内部，大约只有5%的重度用户在尝试使用复杂的AI高级用例（如多Agent协同、自动化工程排障等），这些重度用户每个月消耗的Token费用可高达一万到一万五千美元。而剩下95%的普通用户，其使用场景依然局限在基础的信息检索和文档问答上，月均消费仅在20美元左右。

这种极端的两极分化揭示了一个残酷的现实：AI智能体在特定场景下的运行成本甚至已经超过了优秀人类雇员的薪资。Glean曾开发过一个用于线上生产环境自动排障的工程智能体，能够独立解决95%以上的线上故障。这在听上去是一项完美的“机器替代人”的成就，但经过精细的财务审计后发现，该智能体每个月在云端产生的Token调用账单高达100万美元，其维护和运行成本远超原本负责值班的15名资深SRE工程师的薪资总和，且实际响应效率并未获得实质性突破。

尽管阿尔温德·贾恩依然坚信，从长期来看，技术的快速迭代最终一定会让推理成本呈数量级暴跌，但过去半年多时间里模型API价格反常的坚挺，折射出了大模型厂商急于在IPO之前向资本市场证明其自我造血能力的行业潜规则。在这一过渡时期，企业必须保持清醒，切忌盲目追求高消耗的复杂用例。

最终，无论是地缘政治博弈下各国对“主权模型”的追求，还是企业内部的AI转型，行业的出路正逐渐清晰：大模型本身正迅速商品化，其自身的溢价空间正在被开源力量不断压缩。AI落地的真正壁垒，绝不在大模型接口本身，而在企业对自身核心业务场景的深刻理解，在于企业能否为AI提供高精度、排他的专有上下文，以及企业如何通过科学的组织架构重构，将AI的计算算力与人类的创造力、判断力完美粘合。在这场漫长的效率竞赛中，只有回归商业常识、注重实打实的ROI与组织纪律的企业，才能最终留在牌桌上。