大家好，这里是最佳拍档，我是大飞。今天想和大家探讨一个看似有些反直觉，但对整个科技行业至关重要的话题：在人工智能代理（AI Agent）风靡全球的今天，我们天天挂在嘴边的这些智能体，到底还需不需要一个传统意义上的软件界面？如果未来的AI Agent根本不用点击鼠标，也不用盯着屏幕看，自己就能把所有的脏活累活干完，那我们人类做了几十年的用户界面设计，是不是马上就要面临被彻底淘汰的命运？

最近，风投机构a16z的一期播客就深入聊到了这个问题。这期节目的嘉宾阵容非常强大，包括西玛·安布尔（Seema Amble）、史蒂文·辛诺夫斯基（Steven Sinofsky）以及埃琳娜·伯格（Elena Burger）。他们共同探讨的主题非常硬核，叫做无头软件（Headless Software: 指将软件的后台数据和业务逻辑与前台用户界面彻底解耦的架构设计）。字面意思非常形象，就是把软件的界面这个“头”给砍掉，只留下底下的核心数据和逻辑。几位嘉宾表面上是在聊看似枯燥的技术架构，但实际上直击灵魂，探讨的是一个更根本的问题：在AI时代，软件的真正价值到底藏在什么地方？

这期节目的讨论由头，是前段时间Salesforce突然高调宣布要推出“Headless 360”。这一举动一下子把原本只属于工程师小圈子的“headless”这个词，拉进了大众和科技爱好者的视野。三位嘉宾正是从这条行业新闻切入，层层递进地聊到了Agent和API到底有什么本质区别、为什么传统企业软件如此难以被替代、SAP这种老古董为什么活了几十年依然长盛不衰，同时也深度剖析了创业公司在这波AI浪潮中，到底该去哪里寻找真正属于自己的破局机会。听完他们的对话，我最大的感受是，如果你目前正在做AI相关的产品，或者正在思考Agent到底会如何改变整个软件行业的底层逻辑，这期对话里碰撞出的许多犀利判断，非常值得我们去反复琢磨和推敲。

砍掉界面背后的软件无头化

在探讨的最开始，西玛·安布尔（Seema Amble）首先把无头软件（Headless Software）这个概念解释得非常实在。她直言不讳地指出，headless软件这个词在技术圈里其实一点都不新鲜，而大家熟知的应用程序接口（Application Programming Interface: 允许不同软件系统之间进行交互和数据传输的通道）同样不是什么新概念。很多成熟的软件公司早在多年前就已经对外开放了接口。Salesforce这次搞出来的Headless 360，本质上不过是把已经存在多年的API重新包装了一下，贴上了一个更符合当下的新标签而已。她甚至半开玩笑地指出，如果单独把这一条新闻拎出来看，其实并没有那么值得大惊小怪。

然而，西玛话锋一转，指出真正有意思的绝对不是Salesforce这一家公司具体做了什么，而是整个行业正在呈现出的那种心照不宣的群体共识。传统的软件毫无疑问是为人类设计的，因为是人要使用，所以人需要登录账号，需要在屏幕上点击各种按钮，需要在精心设计的图形界面里一步步走完特定的工作流。可如果未来访问这些软件系统的不再是人，而是一个个AI Agent，那情况就会发生根本性的变化。Agent作为程序，它根本不需要看什么花哨的界面，它真正要的是底层的数据、是核心的业务逻辑，是能不能以最快的方式直接拿到它想要的结果。在这样的场景下，原本为了方便人类阅读和操作而设计的用户界面，对Agent来说反而变成了一种冗余的累赘。

在这个趋势下，西玛还特别提到了Notion也开始做headless方向的产品。Notion的用户群体本身就具备更强的技术探索能力，他们天然更倾向于自己动手去搭建Agent来处理日常工作。因此，无头化这件事在Notion的生态里发生，反而显得更加顺理成章。紧接着，话题自然而然地延伸到了一个目前令无数从业者和投资人都感到困惑的关键问题上：既然无头化就是通过接口调用，那么AI Agent和传统的API到底差在哪里？

定义地狱与三类智能体特征

针对这个疑惑，史蒂文·辛诺夫斯基（Steven Sinofsky）说了一句让我非常深刻的话。他说，我们现在其实正活在一种“定义地狱”里。每次技术浪潮排山倒海般袭来的时候，人们为了能够兜售概念或者理解新事物，都会给旧东西起一堆冠冕堂皇的新名字。这是技术演进过程中非常自然、但也令人头疼的一部分，因为它造成了大量的沟通混乱。他甚至幽默地开玩笑说，现在大家所说的Agent，说白了就是给一个“可能跑很久、也可能永远跑不完的程序”起了个更好听的名字。在以前，这种半天没反应、不知道跑到哪里的程序出了问题，我们叫它程序漏洞（Bug），而到了现在，它摇身一变，反倒成了最酷、最前沿的新功能。

当然，调侃归调侃，史蒂文随后给出了一个非常清晰且实用的分析框架，帮助我们去准确区分和定位Agent到底在干什么事情。他将Agent能够胜任的工作划分为了以下三个核心维度：

• 查找（Retrieval: 单纯去寻找和检索某个特定的信息）。这类任务其实现在的各种系统和搜索引擎都已经干得相当不错了，技术门槛相对较低，很容易实现。
• 执行（Action/Execution: 代表用户去操作和跑完某项具体的任务流程）。一旦涉及到执行，问题立刻就会变得无比复杂。因为系统必须去理清：Agent是以谁的身份去执行的？它调用的是谁的权限？更敏感的是，在企业软件的计费体系里，这个Agent的操作是不是要额外占用一个高昂的付费席位？这些平时让企业IT管理员和财务最头疼的问题，在Agent介入后会一股脑全部冒出来。
• 分析（Analysis: 进行跨系统的深度推理与决策辅助）。这是最适合Agent发挥长处的地方。因为分析往往需要跨越多个不同的软件系统，需要花时间在后台不断尝试、试错，可以调用不同的模型跑出不同的答案，然后再进行对比和提炼。但与此同时，分析也是大语言模型（Large Language Model: 基于海量文本训练的 AI 系统）最容易产生幻觉的地方。因为你在企业里做分析，得出的每一步结论和逻辑链条都必须是能够被精确验证的，否则得出的结果根本没有哪个高管敢拿去作决策。

融入组织血肉的软件粘性

在搞清楚了Agent的具体能力边界之后，接下来的一个自然反应就是：既然Agent的分析和处理能力如此强大，那传统软件巨头们积累了这么多年的护城河与用户粘性，会不会像纸糊的一样，被AI浪潮一下子冲垮？这就不得不聊到软件的粘性到底是从哪里来的。节目主持人问了一个非常深刻的问题：在软件发展史上，那些软件的粘性到底是怎么一步步形成的？而Agent又是通过什么手段，开始动摇这种看似牢不可破的粘性的？

西玛给出的答案非常朴实却直击本质。她认为，软件的粘性在很大程度上，是因为它是围绕着“人的使用习惯”一点点搭建起来的。这包括了你每天或者每周需要读写几次数据、需要以怎样的频率去访问系统，以及在长期的团队协作中，围绕着这个软件形成了多少虽然没有写进任何员工手册和文档，但大家却都心照不移的默契和操作规范。这些东西在日积月累中，慢慢演变成了员工的肌肉记忆和整个组织的日常运转流程。

她举了个非常典型的例子：销售团队为什么永远离不开CRM系统？这绝对不是因为Salesforce或者其他CRM的界面设计得有多么人性化或好看，而是因为销售代表天天要进进出出录入线索，财务部门要依靠这些销售数据来给客户出账单，市场部门也同样极度依赖这些数据来评估上游的投放决策。当这些跨部门的依赖关系被死死捆绑在一起的时候，软件的强大粘性自然而然就产生了。更为关键的是，很多传统行业还有极其严格的合规性（Compliance）和法律层面的硬性约束，必须保证企业内部有且只有一套代表真相的可信数据源。一旦账目对不上或者数据出现偏差，那是会出大事故的。这种硬性的体制约束，让软件的粘性又无形中叠加了一层重甲。

史蒂文在这个观点上补充了一个更加直接的商业视角。他说，其实天底下最有粘性的一件事，就是从客户那儿收钱。一旦你的系统已经和客户的收费通道绑定，客户想要停下来都极其困难，因为想清楚不给你钱之后企业该怎么运转，成本往往高到无法承受。他举了一个生动的真实案例：在企业内部，总有很多人觉得Outlook不好用，嚷嚷着要把Outlook从邮件和办公系统里换掉。但这些尝试更换系统的人，很快就会撞上一堵由“Agent访问权限”和“多人共享日历”构建起来的高墙。从来没有哪家公司在开产品设计会议的时候，专门讨论过要把日历功能做成最难被替换的部分，但残酷的现实就是，哪怕强如通用汽车（General Motors）这样的巨无霸，也不会仅仅因为嫌弃日历功能不好用，就去冒着巨大的风险放弃和迁移其内部多达六十万个账号的协同网络。所以，所谓的粘性，往往根本不是在实验室里被刻意设计出来的，而是软件像藤蔓一样，一点点长进组织的血肉和骨髓里，与企业同生共死的结果。

封装业务逻辑而非单纯数据

沿着粘性的话题，讨论不可避免地深入到了全球企业软件领域里最具有统治力，但同时也最常被吐槽的庞然大物——企业资源规划（Enterprise Resource Planning: 整合企业管理及各部门资源的系统）巨头SAP。很多人肯定会产生疑问：像SAP这种看起来界面笨重、操作反人类、实施成本极高的古董系统，为什么在技术更迭如此迅速的今天，活了几十年依然活得有滋有味？现在有了AI，甚至连“氛围写码”（Vibe Coding: 开发者仅表达意图，由 AI 自动生成并运行全部代码的编程模式）都变得这么流行了，难道创业公司就不能分分钟重写一套系统，把它给彻底替代掉吗？

史蒂文回忆起了九十年代末的一个历史细节。当时甲骨文（Oracle）的创始人拉里·埃里森（Larry Ellison）曾经公开对企业软件行业开火。拉里主张，企业根本不应该去做那么多复杂的过度定制，大家老老实实用能够覆盖百分之八十核心场景的标准方案就足够了。然而，当时大部分企业软件从业者听完这番话，反应都是觉得拉里“站着说话不腰疼”。因为在实际的商业运作中，企业的现实需求根本不是按照标准说明书来运作的。

史蒂文用汽车制造行业做了一个非常有说服力的类比。福特、丰田、通用这些汽车巨头，它们造车所使用的基础技术、装配线逻辑、产业工人结构以及供应链流程，在大体上都是高度相似的。但是，真正把福特和丰田区分开来，让它们在市场上形成各自竞争优势的，绝对不是生产线本身，而是它们内部进行决策的方式：今年决定造什么车型、原材料要买多少、选择在什么时机对冲哪种外汇货币、什么时候大规模招人，以及什么时候果断推出新的产品线。而这所有错综复杂的企业经营决策，其背后的数据和规则流转，全部都跑在SAP的系统里面。所以，这些市值千亿的巨头公司，本质上是被一群坐在会议室里、盯着SAP屏幕的人在进行运营。福特和丰田的区别，绝对不是因为他们看屏幕时眼睛的感受不同，而是因为他们根据自己的业务特性，选择看哪些屏幕、做了哪些深度定制的业务流。

西玛顺着这个逻辑，点出了当下许多AI创业者普遍存在的一个致命误解。她说，现在有太多年轻的创业团队觉得，只要自己用Postgres数据库加上一堆看起来很酷的API，就能把SAP这种老掉牙的东西给替换掉，这种想法在商业上是完全站不住脚的。在企业软件的世界里，真正值钱的从来不是你的数据存在哪一个先进的数据库里，而是被封装在软件系统之中的那一整套极其复杂的业务逻辑（Business Logic）。这套逻辑之所以需要大企业花上好几年的时间、砸下数百万美元去实施和梳理，并不是因为系统集成商效率低下想磨洋工，而是因为它必须严丝合缝地贴合企业在现实世界中千奇百怪的运作方式。在这条业务线上，只要出了一点点差错，整个企业的链条就会瞬间瘫痪。

史蒂文接着用一个非常接地气的例子，解释了小公司和大公司在面对企业软件复杂度时的天壤之别。他说，很多创业公司在看待企业软件的时候，经常会本能地按照自己几十个人规模的视角的去理解问题。比如员工出差报销这件小事，如果是一家只有四十个人的创业公司，随便找个行政或者财务处理一下就足够了。甚至你可以很任性地规定：大家出差完直接拍照上传收据，系统自动识别分类，然后财务打款，这套极简流程走下来体验非常好。但假设你面对的是一家拥有十万名员工、业务遍布全球二十个国家的跨国巨头呢？每一个国家的税法政策都完全不同，公司内部各种差旅报销政策层层叠加，还要考虑到工会协议的限制、各国复杂的税务抵扣要求，以及无数你想都想不到的合规漏洞。在这种情况下，那套小公司引以为傲的“拍照上传”方案会在一秒钟之内崩溃。而这，才是企业级服务背后真正的复杂度所在。

他分享了一个我很喜欢的老故事。在微软早年推广Excel的时候，有销售人员去大名鼎鼎的投行高盛（Goldman Sachs）拜访，试图说服那里的精英们，宣称Excel在功能上比当时流行的Lotus要好用得多。结果，高盛的银行家冷冷地回了一句：“我们靠Excel赚的钱，比你们微软卖Excel赚的钱还要多。”后来大家才明白，高盛早已经把电子表格的潜能开发到了极致，他们自己在里面写了无数专用的插件，定义了极其复杂的估值模型和模板。这种深度的、融入了自身业务逻辑的定制化，已经变成了高盛的核心竞争力之一。史蒂文借此警告现在的AI创业者，千万不要低估了普通人想要靠着Vibe Coding去攻入企业软件深水区的难度。一个成长期公司的收入运营负责人，可能会天真地觉得只要自己把字段和数据导出来，就能在几个星期内重建一套属于自己的Salesforce系统。但实际操作中，最难的部分从来不是字段的迁移，而是你如何决定该采集什么信息、如何让系统去对应复杂的跨国组织架构，以及在系统上线后，由谁来对这些复杂规则进行长期的维护和迭代。这些才是最难啃的硬骨头。

突破原生界面的电子表格通道

既然旧的壁垒如此高耸，那Agent在企业软件里的切入点究竟在哪里？接下来的讨论将目光聚焦到了信息交互的变革上。西玛提出，当前的行业重点正在发生转移，已经从过去的“单纯采集和存储数据”，变成了“如何让这些庞杂的数据变得可以被对话、被直接调用”。在过去，一个非技术背景的主管想要从SAP或者Salesforce里调取一些深度数据，他必须去求助于IT部门写SQL查询语言，或者自己在一层又一层的复杂界面里艰难地翻找。现在，如果能让用户直接用自然语言进行查询，系统就能在后台自动进行跨表关联，并实时生成量身定制的分析报表，这才是AI能够带给企业用户的巨大价值。

但史蒂文在这个问题上，抛出了一个更为犀利的洞察。他指出，传统的企业软件其实几乎从来不缺功能。如果你去翻看SAP的产品手册，你会发现它其实能够生成你想要的任何报表、柱状图和饼图。问题从来不是软件做不到这些事，而是作为普通用户的你，根本搞不清楚究竟该怎么操作才能让它做到，或者你的账号根本就没有相关的访问权限。他开玩笑说，在所有的企业软件中，用户用得最多的两个功能，恰恰是原生软件在设计之初从来没有想过要完美内置的，那就是“导出Excel”和“导出CSV”。客户在购买任何高大上的系统时，问的第一句话往往都是：“这个系统支持数据导出吗？”因为数据一旦导出，就成了他们绕开原系统功能局限、进行自由分析的“紧急逃生出口”。

而如今，大语言模型的出现，等于把这个逃生出口的通道彻底打通并无限放大了。你不再需要费尽心机去研究怎么在软件里配置复杂的过滤条件，你只需要把二十份格式各异的PDF文件或者报表直接丢进模型里，它就能帮你完成以前根本无法想象的跨文档关联分析。

埃琳娜·伯格（Elena Burger）在这里补充了一个非常鲜活的业务场景。她说，如果我们派出一个Agent去帮企业做自动化的外呼电话或者外发消息，这个Agent在工作的时候，确实完全不在乎软件的界面字段是怎么排列的，也不在乎完成一次操作需要点击几次鼠标。但是，这个Agent必须搞清楚一件非常致命的事情：在现实的沟通中，遇到各种突发的例外情况，它到底应该怎么去应对？

这几个月在硅谷的技术讨论中，大家都在反复提及上下文图谱（Context Graph: 描述实体之间复杂关系及背景信息的语义网络）。埃琳娜指出，说得通俗一点，Context Graph里记录的，正是那些在企业实际运行中无处不在的“例外情况”。这些经验和规则，从来没有被写入过系统的标准字段里，它们往往只存在于那些在公司干了十几年的老员工的脑子里。比如说，同样是一封催款邮件，发给亚洲的客户和发给欧洲的客户，在措辞、语气以及施压的节奏上是完全不同的。这种微妙的、不成文的商业默契，在Salesforce的系统记录里是根本找不到的。

史蒂文紧接着举了亚马逊（Amazon）的例子。我们都知道，亚马逊在客服设计上有一个非常极致的逻辑，就是尽可能不让用户打通人工客服电话。如果用户反映购买的商品遇到了问题，亚马逊的后台机器人往往会直接判定“重新发货”或者退款，压根不会揪着各种细节反复盘问。这套逻辑看似损失了少量的商品成本，但其背后的底层商业逻辑是把所有的决策权重都倾斜向了“用户体验”，然后再通过积累下来的海量用户行为数据，去反向优化仓储和物流系统。但是，史蒂文预测，在短期内，随着AI客服的普及，消费者的客服体验反而可能会变差。因为当这种“默认判给客户”的宽松做法，遇到大模型驱动的规则化严格审计时，用户可能必须去重新证明自己诉求的合理性，而无法像以前那样，随随便便就能拿到退款或补偿。

效率杠杆催生全新需求场景

随着讨论的深入，一个无法回避的社会性议题浮出了水面：Agent的效率提升得如此之快，会不会在短时间内消灭掉大量的就业岗位，导致大批员工失业？

史蒂文对此展现出了极大的格局。他明确指出，在每一次重大的技术转型期，人们最容易犯的经典错误，就是习惯于用一种“线性的思维”去试图理解“指数级的变化”。很多工程师在看到某项工作可以被自动化之后，就会想当然地以为未来的世界会变得轻松且完全可预测。随之而来的，就是大众陷入一种集体恐慌，觉得所有的饭碗马上都要被冷冰冰的API给抢走了。但这些悲观的预测都忽略了一个至关重要的经济学规律：效率的巨大提升，其最终结果往往不是让活儿变少，而是会借由降低门槛，催生出海量的、在过去根本无法想象的全新业务场景。

他再次用报销这件事做了一次精妙的推演。在最初没有电脑的时代，企业记账报销全靠手工在账本上写字，效率极低。后来，大家学会了使用电子表格，记账效率提升了十倍。再后来，公司搭建了专门的报销系统，能够自动进行数据分析。那么，差旅报销这个工作岗位消失了吗？并没有。相反，差旅这件事本身，从过去单纯的“买张机票去出差”，演变成了一个庞大的企业经营课题。公司开始设立专门的岗位，去研究如何通过积分系统来最大化差旅收益、如何将员工的差旅请求路由到市场上最优的价格区间、如何利用特定的企业信用卡去兑换额外的商业权益，甚至进一步延伸到了如何优化远程办公效率的层面。原本买机票这件微不足道的小事，最终成长为了一整套庞大的差旅与远程协同优化生态，其创造的就业岗位和业务规模，比最初手写记账的时代不知道要大出多少倍。

史蒂文还提到了一个经常被科技界引用、但因果关系其实被很多人误读的例子。那就是放射科医生（Radiologist）与AI的关系。放射科其实是非常早就积极拥抱AI辅助诊断的医学领域。在多年前，就有人断言AI将彻底取代放射科医生。但实际情况是，到了今天，全球范围内的放射科医生反而面临着严重的短缺。这背后的原因固然非常复杂，但它恰恰有力地证明了，市场上的创新和需求从来就不是静态的。

他又拿法律行业进行了类比。很多人觉得AI能够在一秒钟之内生成一份完美的合同，所以未来企业就不再需要律师了。但现实中更有可能发生的情况是：正是因为生成合同的成本变得极低，未来的商业合同将会变得比现在更长、更复杂，里面会事无遗漏地覆盖到人类肉眼根本无法考虑到的各种极端场景。而合同的极度复杂化，反而会催生出更多围绕着合同条款解读的商业纠纷，进而创造出更多对高端律师的诉讼需求和全新的法律服务生态。

中间层博弈与巨头生态重塑

在讨论完就业与效率之后，话题自然而然地转到了当前技术圈里讨论得如火如荼的一个硬核方向：模型上下文协议（Model Context Protocol: 允许 AI 模型与外部数据源和工具进行标准对接的开源协议）以及软件中间层（Middleware）的崛起。

史蒂文在这段讨论中，给出了一个非常独特的视角。他认为，当前关于MCP和headless软件的所有兴奋点，在很大程度上其实是由一种纯粹的“工程师视角”在主导的。工程师在写代码的时候，天然地喜欢干净、规整的API，最好是一个简单的命令行接口（CLI），文本进、文本出，没有任何多余的视觉干扰，简洁而优雅。但遗憾的是，真实商业世界的运转规律，从来都不是按照工程师的美学来运作的。因为在商业市场上，没有任何一家有野心的软件公司，会甘心让自己被架在所谓的中间层之上，被抽象和简化成一个仅仅负责在后台存储数据的“哑巴数据库”。

他打了个生动的比方：从客户的角度来看，他们其实并不希望自己核心的业务场景，是被拼凑在一堆由不同小供应商提供的服务之上的。因为对于企业来说，整套系统的稳定性，往往取决于这个链条中最脆弱、最不稳定的那一环。如果你报销流程里的某一个关键节点，依赖的是一家随时可能倒闭的创业小工具，一旦它突然断供，你的整个企业运转就会陷入极度被动的境地。所以，大企业客户虽然在嘴上经常抱怨巨头的软件越做越臃肿、越做越难用，但在实际掏钱的时候，他们内心深处其实希望这些巨头公司能够一直健康地活下去，从而能够持续为自己提供稳定的售后服务。

而那些面临被中间层“抽象掉”危机的主流软件公司，也绝对不会选择坐以待毙。它们会时刻盯着市场，看看左边，看看右边，一旦发现用户在中间层里频繁使用某些好用的新功能，它们就会迅速动手，把这些新功能原生地吸收和抄录进自己的产品版图里。SAP在过去的几十年里，其周围长出来的庞大生态体系就是这么运作的。无数的创业公司以为自己是在做能够替代SAP的产品，但最终，他们绝大多数都只是在围绕着SAP打补丁，帮客户去绕开SAP系统里过于恶心和复杂的某些特定环节而已。

在节目的尾声，主持人抛出了那个所有创业者和投资人都望眼欲穿的问题：在如今巨头林立、AI技术瞬息万变的市场格局下，创业公司现在如果想要切入企业软件市场，到底该往哪个方向走？

史蒂文给出的商业建议堪称字字珠玑。他指出，在企业软件的世界里，最愚蠢、也最不可能成功的做法，就是选择去和一个已经存在的成熟品类进行正面硬刚，试图用同样的商业模式去和现有的行业巨头掰手腕。真正的市场机会，永远隐藏在两个既有品类的“交界缝隙”之中。因为在面临技术剧变的时期，行业巨头唯一绝对不会去做的事情，就是主动去打乱自己现有的、正在源源不断贡献利润的产品线和销售体系。他们应对AI的策略非常保守，只会选择把AI当作一层金箔，一层层地贴在现有的老产品上，而绝对没有勇气去推倒重来。

他举了互联网历史上HTTP和HTML协议取代传统的“客户端-服务器”（Client-Server）架构的经典案例。Web之所以能够最终颠覆世界，并不是因为它把客户端-服务器时代能做的事情，用更炫酷的方式重新实现了一遍。恰恰相反，Web在诞生之初，几乎没有去模仿旧系统的任何操作习惯，而是用一种完全全新的互联网超链接逻辑，重新定义了信息获取的范式。

史蒂文以此勉励当下的创业者：不要把精力浪费在去回答巨头们在二十年前定义出来、如今早已过时的那些繁琐的问题清单上，而是要敢于跳出既定框架，去问一个“只有你的新系统才能回答”的根本性问题——你在这个AI时代存在的独特理由到底是什么？

西玛补充了另一个极具商业洞察力的切入角度。她说，除了在巨头相互对峙的夹缝中寻找生路之外，现在的AI技术还为我们提供了一层全新的机会，那就是在一个大型组织的内部，在原本长期互不往来、各行其是的部门之间搭建沟通的桥梁。

她举了企业IT预算（IT Budget）这个具体的场景。在过去，IT部门和财务部门使用的工具是完全不相通的，IT部门只看设备和系统运行状况，财务部门只管账目报销，两边沟通成本极高。直到云计算（Cloud Computing）技术成熟之后，才促成了专门的云财务管理工具出现，让两个部门第一次能够坐在一起做精细化的成本预算与预测。西玛认为，这种能够通过技术手段，去彻底打通组织内部顽固信息孤岛的产品，将会孕育出一个个全新的软件品类，非常值得创业团队去认真关注和深挖。

史蒂文在最后探讨到网络效应（Network Effects）的时候，做了一个非常令人向往的类比。他说，在企业软件领域，因为涉及到极度敏感的数据安全与合规要求，外部的、跨企业的网络效应是极难建立的。但令人兴奋的是，企业内部的网络效应，正在因为AI这种自然语言对话（Chat）的交互方式，在悄无声息地发生着化学反应。

他描述了一个画面，那是八十年代微软为推广电子表格Excel而拍摄的一支电视广告：一群身穿笔挺西装、戴着厚重眼镜的传统银行家，紧紧地挤在狭窄的电梯里，一个个目瞪口呆地盯着身旁的同事，看着他用一台重达十二磅、笨重无比的早期笔记本电脑，在屏幕上快速地拉出各种表格和公式。电梯里的所有人都在震惊地小声询问：“这到底是怎么做到的？”

史蒂文感慨地说，在二零二五年的今天，同样震撼的场景，正在通过AI Chat的形式在各个企业内部重演。他分享了自己身边的一个真实故事：他有一个在SAP工作的朋友，最近在撰写一份行业白皮书时思路卡住了。史蒂文随口帮他输入了几句精心设计的提示词（Prompts），瞬间就用大模型把一份结构严整的白皮书草稿给生成了出来。他的朋友拿到这份草稿后大受震撼。史蒂文确信，这背后已经悄悄启动了某种在组织内部呈指数级扩散的病毒式传播。团队里的人开始亲眼看到，原来工作还可以用这种如此高效、如此不可思议的方式去完成，紧接着，他们自己也会开始尝试在日常工作中用起来。这种能够让组织内部原本互不搭理、甚至处于对抗状态的两个职能部门，第一次真正实现无缝对话的协作工具，其背后的商业价值是极其巨大的。

这在本质上，是将过去企业软件集成（System Integration）这件极其重资产的事情——在过去，企业必须花费巨资去聘请埃森哲（Accenture）或普华永道这样庞大的咨询顾问团队，进行长达数月的调研和人工对接——彻底转变为了一种由AI驱动的、极其轻量化的连接方式。Figma当年之所以能够在市场上迅速崛起，正是因为它成功地在“设计师的创作空间”和“产品开发人员的落地实现”之间搭建了一座此前从未存在过的高效桥梁，这与今天AI连接不同部门的逻辑完全是一脉相承的。

结语

整期播客听下来，我最大的感受是，目前科技圈在讨论AI Agent和无头软件的时候，确实太容易陷入一种单纯由程序员和技术极客主导的“技术乐观主义幻觉”之中。大家很容易觉得，只要我们的API接口设计得足够干净，底层的大模型迭代得足够聪明，企业软件在过去几十年间积累下来的所有复杂度和壁垒，就能在一天之内被Agent一键抹平。

然而，这场大咖之间的对话，就像是一盆冰冷但及时的冷水，清醒地告诫我们：在真实的商业世界里，最难的部分从来就不是“调取并查询数据”这件技术工作本身，而是数据交互的背后，那套在漫长岁月中沉淀下来的、没有任何人写在纸面上的业务默契；是企业在无数次面对例外情况时，妥协与博弈堆积出来的组织智慧；更是那些只藏在老员工脑子里、连他们自己都说不清楚为什么非要这么做的隐性知识（Tacit Knowledge）。

也许，在即将到来的Agent时代，产品真正的护城河，可能根本不在于你调用了谁家更加先进的底座模型，而在于谁能够把这些散落在无数员工大脑中的隐性知识，用一种更加系统化的方式给沉淀下来，并最终转化为Agent在执行任务时真正能够调用的上下文环境。这件事情听起来非常枯燥，甚至在投资人和媒体眼里显得一点都不性感，但恰恰是这种需要下地干脏活的枯燥工作，才是留给今天AI创业公司最扎实、最难被巨头抄袭的立足机会。

毕竟，在PPT里做出一个漂亮的Demo展示从来都不难，难的是如何让这套系统，去经受住十万名性格各异的员工、二十个国家不同的法律政策，以及海量例外规则在现实世界中的无情考验。

最后，大飞也想把这个问题抛给屏幕前的大家：在你目前所熟悉的行业或者日常的工作流程里，有没有哪些独特的隐性规则，是现有的任何软件系统里都没有记录，而仅仅存在于老员工的经验和脑海之中的呢？如果这些规则在未来某一天被Agent给学会了，你觉得这会不会成为你所在企业或产品的真正核心壁垒？

欢迎大家在评论区留下你们的看法，我们一起交流探讨。感谢大家的收看，我们下期再见！