AI迭代加速反而成负担？大企业困局背后藏着小团队的机会

AI 工具每三个月就有一次重大升级，身边许多人的本能反应是：要不先等等，等技术稳定了再学

今年与近两百位大企业高管深入交流后，Box CEO Aaron Levie 给出了一个截然相反的结论——AI 模型越强大，大企业落地反而越缓慢

Box 作为企业云存储领域的标杆企业，客户群覆盖全球 500 强企业。Levie 在 MAD Podcast 节目中详细剖析了大企业部署 AI 的真实困境

我听完最深的体会是：大企业所面临的挑战，恰恰反过来印证了一件事——眼下的时机，对小团队和个人最为有利。原因有三

Levie 给出了一个非常直观的评估：如果 AI 模型停止在现有水平不再进化，大企业大约两三年就能实现全面部署

然而模型不会停滞。每隔几个月就会有一次重大升级，企业刚把上一代的技术架构搭建完成、培训工作落实到位、工作流程理顺，新版本就扑面而来——之前投入的时间与精力，瞬间化为沉没成本

他将此形容为 bittersweet（苦乐交织）：技术每一次突破都是利好，但每一次突破也让已经完成的部署变得落后。企业并非不愿使用，而是组织规模越大、决策链条越长，转向就越困难

小团队的优势恰恰相反：调整成本极低。今天用的工具明天落伍了，半天时间就能切换到新的。真正沉淀下来的不是某个工具的操作方法，而是你对业务流程的认知和判断——这些不会因为更换工具就失去价值

播客中另一个让我意外的信息是 Token 费用。以前一次 AI 对话几乎不花钱，现在一个编程 Agent 完成一次复杂任务，可能消耗上千美元的算力

为何会这样？AI 行业将本该十年完成的算力扩张压缩到了不到两年，基础设施建设远远跟不上需求增长。前沿模型的供应方掌握着定价权，所以单价不降反升

Levie 用了一个形象的比喻：眼下许多 AI 工具的定价，实际上是投资人在补贴——类似当年网约车平台的补贴，你用着便宜并非因为成本低，而是有人在替你支付差价。等市场走向成熟，真实价格就会显现

Microsoft 前不久取消了内部的 Claude Code 许可证，就是因为按量计费的成本太难控制。大企业几千人同时使用 Agent，Token 账单确实是棘手的难题

但对我们而言情况完全不一样。一个人、几个人的小团队，每月的 AI 工具费用可能就一两百元。这个量级的支出还在舒适范围

眼下是一个绝佳的窗口：模型的能力已经相当强大了，而小团队能够承受的成本还处于补贴期。等补贴退出、价格涨上来的时候，已经跑通流程的人和仍在观望的人，经验差距就拉开了

Levie 提到了一个现象：编程领域的 AI Agent 已经相当成熟，但迁移到营销、客服、财务这些知识工作领域，明显推进困难

他分析了几条原因，其中一条是：技术人员能自行判断 Agent 输出的对错，但非技术用户做不到

这一点我不完全认同

我自己不是程序员，但每天都在用 AI 处理各种事务——备课、创作内容、制作招生海报、策划活动方案。判断输出好不好，靠的不是技术能力，而是对业务的理解。一份教案生成出来，我看教学逻辑是否合理、与学生的实际水平是否契合；一张招生海报出来，我看信息层级和受众感受。这些判断来自行业经验，不需要懂代码

而且我认为，技术视角和业务视角各有盲区。技术人员能看出 Agent 的执行过程有没有问题，但未必清楚这个结果在真实业务场景里是否好用。业务人员不懂技术细节，但明白这个输出是不是自己想要的。两种视角互补，可能比单靠一方更可靠

不过话说回来，我也不想把“业务经验”说得太绝对。技术发展到一定程度，确实在突破一些原来的专业边界。比如教育领域有一些长期沿用的设计假设，在 AI 辅助下可能需要重新审视——不是说经验没用了，而是经验需要跟新的工具能力重新校准

所以我的看法是：专业判断仍然是验收 AI 成果最重要的工具，但也要保持开放——AI 有时候会帮你发现经验之外的路径

Levie 提到的其他障碍——信息分散在多个系统里、权限管理混乱——确实是大企业的真实困难。但小团队基本不存在这些问题。你一个人用几个工具，信息在自己手里，也不需要处理复杂的权限。大企业的障碍清单，反过来就是小团队的优势清单

回到最初那个判断：AI 模型越强，大企业反而越难落地

从我们的视角看，这其实是一个好消息。大企业在组织变革里消耗的时候，小团队可以先把手边的流程跑通——不需要完美的工具，不需要等价格更低，用现在能用的先解决一个具体问题

工具会变，模型会升级，但你在实践中积累的判断力和流程经验不会过时

可以从一件小事开始：找一件你每周都在重复做的工作，用 AI 试着跑一次。不着急追求效率，先观察一下 AI 在这个环节能做到什么程度、哪些地方还需要你把关。慢慢来，但可以现在就试起来