Stanford MS&E435：企业 AI 与 SaaS | Enterprise AI

来源：YouTube 原视频（Stanford Online · MS&E435）

Stanford MS&E435《Economics of the AI Supercycle》课堂对谈。主持人为 Apoorv Agrawal，嘉宾为 Databricks 联合创始人兼 CEO Ali Ghodsi。话题覆盖企业 AI 落地、SaaS 护城河、流程重构、AI 五层栈、开源模型与职业选择。

观点归属 Ali 在对谈中明确主张“按 2009 年的定义，我们已经有 AGI”，并对超级智能竞赛、前沿模型投入和 SaaS 市场作出鲜明判断。这些都是嘉宾观点；本笔记不把它们当作行业共识、经验证事实或投资建议。课堂中的市场规模、失败比例与收入数字也均按讲者口径呈现。

TL;DR

• Ali 认为，企业 AI 的主要瓶颈不是模型不够聪明，而是模型缺少组织内部的上下文：历史决策、隐性流程、权限、数据和资深员工脑中的经验。如果这些信息无法进入 agent，再强的模型也会犯低级错误。
• 真正落地 AI 需要重构组织流程，而不只是给旧流程加一个聊天框。这类似电动机和个人电脑早期的生产率悖论：新技术先被塞进旧组织，直到工厂布局、职责和工作流重做之后，生产率才显现。
• AI 让写软件更便宜，也可能通过统一的 agent 界面降低切换成本，因此 SaaS 会面临更多竞争；但软件不会“死亡”。规模、品牌、信任、安全认证、专有数据、客户关系与持续创新仍是护城河。
• Databricks connector 案例显示，代码生成只压缩了小部分周期；真正把“九个月做一个”改成“一季度做七个”的，是缩短需求文档、外包测试环境搭建、并行化和快速迭代等流程重构。
• Ali 认为长期价值会向应用层迁移，医疗和教育可能产生拥有数据飞轮与规模经济的大公司；模型层仍有价值，但开源模型会施加价格压力，使“token factory”更像低利润率、规模驱动的基础服务。
• 给学生的建议是降低焦虑、拉长时间尺度，不要追逐社交媒体上最热的“必然问题”；选择长期趋势中的真实问题，并保留发现非显然应用的空间。

00｜先降低焦虑：不要把行业速度变成隧道视野

• Apoorv 从 xAI、Cursor、OpenAI 与 Anthropic 的快速竞争谈起，请 Ali 给出行业全景。
• Ali 的第一反应是让学生“冷静”：害怕错过 AGI 或创业窗口，会让人追逐社交媒体上的热门议题，忽略真正值得解决的问题。
• 他用 Databricks 实习生的焦虑举例：22 岁的人担心晚六个月创业就毁掉人生。Ali 认为技术扩散与公司建设都需要时间，短期噪声不等于长期方向。

01｜“我们已经有 AGI”——Ali 的定义争论

• Ali 反对把 AGI 不断改写成“神一般、递归自我改进、解决所有疾病”的超级智能。
• 他主张，按自己在 2009 年 Berkeley AMPLab 时理解的 general intelligence 标准，今天的模型已经达到 AGI；现场举手互动用来说明，人们常承认最强模型比许多现实中的人聪明，却仍拒绝使用 AGI 标签。
• 这是定义和阈值的立场，不代表模型已具备人类所有能力，也不代表风险、可靠性和部署问题已经解决。

04｜模型很强，但企业 POC 仍大量失败

• Ali 引用一份 MIT 相关报告称大量企业 POC 失败，同时承认 95% 这一具体比例可能不准确，但方向上符合他的观察。
• 企业内部仍主要由人执行旧式工作流，并没有大量 agentic coworkers 与人协作。即使 AI 公司自身，也常沿用传统销售和运营方式。
• 于是出现表面矛盾：模型能力已经很强，企业生产率却没有同步跃升。

05｜核心缺口：组织上下文没有进入模型

• Ali 认为，企业内部总有一位工作十年甚至几十年的 “John / Jane”，知道规则为何形成、异常如何处理、该找谁以及哪些约束不能碰。
• 这些隐性知识不在数据仓库、文档或 prompt 中，agent 就无法像资深员工一样行动。

• 因此，企业 AI 的高价值问题是：如何把数据、历史、流程、权限、反馈和人的 tacit knowledge 转成模型可用、可更新、可审计的上下文。
• Ali 的结论是，即使继续提升数学与推理能力，如果缺少组织上下文，agent 仍会在实际业务中犯错误。

07｜软件没有死，但竞争结构变了

• 面对 “SaaS apocalypse” 问题，Ali 用反证说明软件不会消失：OpenAI、Anthropic 和 NVIDIA 的设计工作本身也高度依赖软件。
• 他认为真正发生了两件事：
  • 进入壁垒下降：AI 让软件开发显著便宜、速度更快；
  • 切换成本下降：若用户主要通过 agent 交互，底层是 Salesforce 还是替代品、Gmail 还是 Outlook，界面差异可能不再形成强锁定。

09｜写软件更便宜，而且所有人都有这件武器

• AI 编程让新进入者更容易复制功能，但既有软件公司也能使用同样工具改进产品。

• Ali 不赞成立刻重写 CRM、IT help desk 或财务系统；替代一个生产系统还涉及数据迁移、可靠性、安全、权限、集成和组织习惯。
• 合理推论不是“新公司必胜”，而是创新速度变得更重要：十年没有改进产品、只靠旧习惯涨价的公司风险最大。

10｜AI 时代仍然存在的护城河

• Ali 推荐 Hamilton Helmer 的《7 Powers》，并列举软件之外的防御力：
  • 规模经济和大额固定成本的摊销能力；
  • 品牌；
  • 信任、安全记录、认证和专利；
  • 独有数据；
  • 客户关系和既有分发。
• 低成本代码可以复制界面和功能，却不能立即复制长期数据、合规资质、客户信任与运营规模。
• 既有公司仍有数据、客户和规模优势，但必须重新建立创新肌肉，并可能调整定价与成本结构。

13｜Jagged Frontier：能力不是均匀扩张

• Apoorv 引用 Ethan Mollick 的 “jagged frontier”：AI 在某些任务上非常强，在相邻任务上却可能表现很差。
• Ali 认为，企业目前大多停留在“AI 帮助部分任务”，而不是端到端替代整条业务流程。
• 他以 Databricks 技术支持为例：客户往往是在复杂模型、F1 score 或系统配置上已经尝试多种方法后才求助，问题本身就位于难例尾部，因此很难被通用客服自动化直接替代。

16｜AI 战略从数据战略开始

• Apoorv 总结 Palantir 的经验：要先铺好数据道路，让数据流动起来，AI 才能工作。

• Ali 补充说，落地首先是 human problem：企业要重新设计流程、明确上下文来源、改变责任分配，而不是等待更强模型自动解决。
• 有效的数据战略不仅是汇集表格，还包括语义、权限、质量、血缘、实时更新和结果反馈；否则 agent 只获得碎片，而不是业务上下文。

17｜技术扩散为何长期看不到生产率

• Ali 推荐 Paul David 的经典论文《The Dynamo and the Computer》，用电气化与 PC 说明通用技术的扩散滞后。
• 早期工厂只是用电动机替换蒸汽机，却保留多层建筑和 line shaft 布局；早期办公室也只是用电脑打字后再打印、归档。硬件换了，流程没变，生产率自然不明显。
• 他称电动机出现后约 40 年，经济统计中才显示显著生产率收益。

• 真正的跃升来自重新设计工厂平面、分散驱动、按需运行设备。对 AI 而言，对应动作是重构组织和业务流程，而不是把 agent 塞进原来的审批链。

20｜Databricks connector：代码快，不等于交付快

• Databricks 需要为 Salesforce、Workday、NetSuite 等系统建设 production-ready connectors。传统完整周期约三个季度。
• Ali 自己用 LLM 两天写出 connector 后，团队分析发现：AI 只能把周期减少约一个半月，因为生产交付还包括需求、客户反馈、安全、测试环境和外部系统配置。
• 另一个负责人从第一性原理重做流程后，目标变成一季度交付七个 connectors。

22｜收益来自流程重构，而不只是更强模型

• 团队把原本一个季度的产品需求阶段压缩为一周，接受早期规格可能出错，因为代码重写已经变便宜。
• 不擅长的外部 SaaS 测试环境搭建被交给更专业的服务方，工作并行推进，反馈周期缩短。
• Ali 强调，这一改进不需要等待下一代 GPT 或 Claude；它是 human refactoring / process reengineering。
• 这也构成一种 process power：持续优化后的组织流程本身可以成为护城河。

25｜AI 五层栈：价值最终落在哪里

• 课堂把 AI 产业拆为能源、芯片、基础设施、模型和应用五层。

• Ali 的个人判断是，长期最大价值会向应用层聚集。他倾向于早期、多项目组合，因为真正的大应用通常在技术出现多年后才被发现。
• 他用互联网史反思自己的博士研究：当年大家关注 multicast、路由与带宽优化，后来带宽成本快速下降，真正的大公司却来自搜索、社交、短文本、共享住房等当时看似“不够技术”的应用。

28｜医疗与教育：可能被低估的应用层

• Ali 把医疗和教育作为潜在大市场：
  • 医疗服务若积累大量患者与结果数据，可能形成数据飞轮、个性化能力和高支付意愿；
  • 教育长期被 VC 视为难投，但家庭高度重视孩子的学习质量；如果 AI 服务能经验证优于现有方案，也可能形成大公司。
• 他提到“万亿美元公司”是可能性判断，不是收入预测；关键逻辑是应用层可以同时获得数据护城河和规模经济。

31｜价值会向栈顶迁移

• Apoorv 展示“Software vs AI Economics”图，指出当下 AI 价值更多集中在芯片；Ali 则认为技术产业的价值会不断向更高层迁移。

• 历史类比是：PC 硬件先占据价值，随后操作系统、虚拟化和更上层软件获得更大份额；底层成熟后逐渐商品化。
• 对 AI 来说，这并不表示芯片或模型无价值，而是长期差异化可能更多来自工作流、数据、分发和实际结果。

32｜开源模型与 token factory

• Apoorv 指出开源模型与前沿闭源模型的能力差距正在缩短；Ali 认为模型服务仍有价值，也会存在大型集中式 token factories。
• 他以 Kimi 2.6 为例说明开源/开放权重模型的追赶速度，并称如果较新模型提前数月发布，它可能会被视为当时最强模型。这里是他对相对能力的口头评价。
• Ali 预计开源会施加价格压力，前沿模型供应最终成为规模经济、较低利润率的业务，类似 Amazon 早期图书零售。是否真的如此仍取决于研发壁垒、训练资本和需求分层。

34｜日常工具与 Databricks Genie

• Ali 表示自己会组合使用 Cursor 等编程工具，重视 diff 与代码审阅体验。
• 在 Databricks 内部，他常用 Genie 分析数值和时间序列数据，辅助 ROI、成本等量化决策。
• 他的工具选择再次体现“上下文”原则：对内部经营问题，能安全访问正确企业数据的系统比单纯通用聊天更有用。

35｜“SaaS apocalypse”有一部分是真的

• Ali 重申，软件成本、进入壁垒和切换成本正在下降，因此确实存在某种 SaaS 重估。
• 但不是所有软件都会消失。能够持续创新、掌握独有数据、维持信任并重构产品的公司仍有优势；停滞的 workflow SaaS 最危险。

36｜给学生的建议：长期趋势，非短期热点

• Ali 建议不要被恐惧叙事驱动，也不要假设今天最热门的问题必然最重要。
• 他用 Airbnb 说明好应用可能在基础技术成熟多年后才出现：互联网早已存在，但共享住宿的产品洞察仍晚了多年。
• 更好的策略是：识别不可逆的长期趋势，先从一个具体、可验证的问题开始，持续复利，而不是争夺社交媒体上最响亮的话题。

一句话复盘

企业 AI 的竞争不只是“谁拿到更强模型”，而是谁能把组织上下文、可信数据和隐性流程转化为 agent 可执行的系统，并愿意为此重构工作方式；模型能力是大脑，真正艰难的是重建身体、神经和制度。