原文：21st Annual CXO Summit: How Enterprise Leaders Are Scaling AI From Pilots to Agents
作者：Anne Gherini
来源：SandHill.io #304 推荐阅读 · 延伸阅读
说明：本文为中文编译稿，非全文翻译，完整内容请阅读原文。
Sierra Ventures 第 21 届 CXO 峰会把财富 1000 强的 CIO、CTO、技术领袖和被投创始人聚到一起。一年前的题目是如何让 AI 走出试点；今年演讲者反复绕着一个更难的问题：模型变好的速度，快过组织跟得上的速度时，你做什么。台上几乎没有人说模型本身是瓶颈，一整天更多花在上下文、信任、算力和「决定不建什么」上。
开场阵容
Anthropic Labs 联合负责人 Mike Krieger 做开场。同台还有 Cerebras 联合创始人兼 CEO Andrew Feldman、Databricks 联合创始人 Ion Stoica 与 Patrick Wendell、Cisco 总裁 Jeetu Patel，以及来自 OpenAI、SemiAnalysis、Together AI、Reflection AI、Skild AI 等机构的负责人。
为即将到来的模型而建
Krieger 是合适的开场人：他联合创立了 Instagram，在 Facebook 收购后继续担任六年 CTO，后来在 Anthropic 影响力很大的几年里出任首席产品官，现在联合执掌 Anthropic Labs。
他认为正确的建造方式，是对着几个月后会存在的模型来做，而不是对着今天手里的模型。他给了一个简单分法：模型自己能做的、加上仔细的脚手架和提示词才能做的、以及需要人在关键时刻插手才能做的。在这些层之间做工程能抓住真实价值，但这价值是暂时的。他自己的团队曾花数月做一套「建造者 + 核验者」智能体，把一句简单需求变成完整应用；几个月后，一个没有任何特殊脚手架的更新模型超过了它。他的原话是：「你不能把产品形态握得太死，得轻轻拿着，因为它们可能随时间就消失了。」今天的权宜之计下个季度就可能过时——这个想法定下了后面每一场的调子。
算力遇上物理世界
算力是台上每一家实验室和企业共享的约束。OpenAI 负责计算战略与 GPT 基础设施的副总裁 Sachin Katti 说，算力需求持续跑在能建出来的供给前面，他也看不到规模化放缓的迹象。这些模型背后的数据中心仍然取决于许可、电力、变压器和施工队，没有一件按软件的速度移动。
主持这场的 SemiAnalysis 创始人 Dylan Patel 还反驳了另一种说法：在自己的笔记本或手机上跑 AI，并不比云更高效。数据中心可以让许多用户同时用同一块芯片，因此比任何个人设备都更便宜、也更省电。
今年已经上市的 Cerebras，其 CEO Andrew Feldman 说，数据中心的建设者必须赢得当地支持。他指出这类项目带来高薪的建筑工作和税收，他说，数据中心「没有理由不成为一个好邻居」。听众里的一位民选官员附和：一家制造商正是靠投资县域的学校赢得了本地支持。
物理世界也是 AI 的下一道边疆。估值已超过 140 亿美元的 Skild AI，联合创始人兼 CEO Deepak Pathak 解释了莫拉维克悖论（Moravec’s paradox）：人觉得难的，机器觉得容易，反之亦然。机器人后空翻容易，爬一段任意的楼梯很难，因为那需要感知和实时调整。机器人没有互联网规模的数据，Skild 的做法是在仿真和人类视频上预训练，用遥操作做后训练，再把部署数据喂回模型。
当心部署鸿沟
Krieger 说自己还回答不了、但整天都在出现的问题，是模型能做什么，和大多数人实际怎么用之间的差距。他听到这个差距还在变大，担心会拉大两类人：真正用起来的人，和主要拿 AI 写邮件的人。Katti 同意能力远超人们知道怎么用的程度，并称之为产品缺口，而不是模型缺口。
Cisco 总裁兼首席产品官 Jeetu Patel 相信个人智能体会很快补上这段差距，制造第二个 ChatGPT 时刻。Cisco 已经给每位员工一个智能体。IBM 总裁 Rob Thomas 则认为缺口常常是领导力问题：多数公司想「做 AI」，却没有讲清为什么、野心是什么。
上下文才是护城河
如果原始智能已经充裕，优势就转到模型对你这家企业知道多少。Databricks 联合创始人 Patrick Wendell 承认，给到同样的信息，许多模型现在推理得比他还好。它们缺的是每个员工只因在公司里工作就会吸收的隐性上下文：谁负责什么，决策实际上如何做出。他说：「公司里每一位员工的集体智能，就是这家公司的知识产权。」Atlassian 首席产品与 AI 官 Tamar Yehoshua 看到同一模式：模型能调用的工单、设计文档和录音越多，它就越懂这个组织，犯的错也越少。
如果上下文才是真正的资产，企业就想把它留在自己控制的模型里。Together AI 首席产品官 Charles Zedlewski 和 Reflection AI 产品副总裁、开源负责人 Joe Spisak 因此认为，开源权重（open-weight）模型是把专有经验（know-how）做进 AI 的唯一现实路径。Zedlewski 补充，一个开放的智能体框架（harness）甚至可能比开放权重更重要。Fifth Third Bank 的 CIO Jude Schramm 用同一套自建还是外购的逻辑：客户体验相关的知识产权自己握着，其余都买。
信任是加速器，不是刹车
安全几乎在每场都出现，但框架不是「因此放慢」，而是「这才是让企业敢加快的东西」。对 Cisco 的 Patel 来说，公司在 AI 上走多快，安全和保障就必须走得更快，因为把工作可信地委托给智能体，才是生产力的开关。他把智能体比作青少年：极其聪明，不怕后果，而且比你我更频繁地判断失误。所以他要的是护栏和运行时监控，而不只是设计阶段的检查。
更难的是平衡。把智能体锁到事事请示，人们就会不读就点同意；完全不设权限，控制就没了。Krieger 的团队停在中间：用一个分类器处理例行批准，只把需要人的情况升级上去。Wendell 补充，什么算安全取决于公司——对爱好者完全合理的一步，在企业内部可以是严重违规，所以护栏必须反映每家公司自己的规则。
SaaS 在反击，但价签换了
今年早些时候，许多人预言企业会用「氛围编程」（vibe-code）把自己的软件栈换掉。Krieger 说 SaaS 已死被大大夸张了，会场大体同意。公司仍然希望数据待在安全、来源清楚的记录系统里；在 Fifth Third 这样的银行，这些系统织进了业务怎么运转。变的是上面那一层。Atlassian 把产品开放给外部智能体之后，用量是增加而不是减少。
真正的压力在定价。续约从按席位转向按用量之后，Schramm 这类 CIO 正在重想如何衡量软件价值，并重新看自建还是外购。IBM 的 Thomas 展示了另一条路：公司在人力资源系统之上加了一层叫 Ask HR 的 AI，等员工依赖它之后，悄悄换掉了底下的系统。
软件不会消失，界面在变。企业应用圆桌同意，到 2027 年应用仍会有界面；Yehoshua 预期界面会更重要，因为它是人和智能体一起工作的地方。
人的那一半
演讲者同意，技术是问题里比较容易的一半。Cisco 的 Patel 说难的不是技术，是文化。工程师因担心饭碗而抵制 AI 编码工具时，他给了不限量的 token 让他们熟悉，同时给了一项保证：不用 AI，就会丢掉工作。Cisco 也重组为少得多的中层经理、更多的个人贡献者，让人把身份系在做出的东西上，而不是系在管多少人上。Anthropic 的 Krieger 描述了自己工作里的同一种位移：他过去以写出好代码为荣，现在的价值是品位——决定做什么、为谁做、做哪些取舍。
IBM 的 Thomas 说，他最大的文化挑战是风险厌恶：公司里每个人都变成了检查者或阻止者，而不承担风险就不可能增长。Databricks 的 Wendell 提醒在场创始人：成功从来不是一条光滑的曲线，不管社交媒体把它画成什么样。
往前看
模型进步的速度意味着，企业 AI 的打法保质期很短。实验室、基础设施供应商和企业的负责人反复回到少数几个动作：选工具之前先定清楚野心，投资那些让智能体能安全行动的上下文和安全层，并且轻轻握住产品形态。Gherini 以感谢演讲者和与会者作结。
