思考人工智能的最佳方式是将其视为你已经了解的领域的力量倍增器（或者你想要了解新领域的速度）。第三类——没有现有的判断，没有兴趣开发它——基本上会产生废品，不会推动那么多的经济生产活动。 将会发生的事情是，专家们的技术会越来越好，并且能够做更多的事情。因为他们可以以实际推动高质量输出的方式运用这些工具，在代理离开时引导他们走向正确的方向，并实际上将工作融入到有用的东西中。 代理的专家工程师将完成更有成效的工作，正是因为他们知道如何正确引导代理。与没有设计眼光的人相比，使用人工智能的设计师会产生更好的结果。等等。 由于这种动态，专业化将继续变得重要，甚至随着工具变得更加强大而变得更加重要。因为市场的预期会变得更高。未来，精通任何一门手艺仍然是必要的。
The best way to think about AI is as a force multiplier for the fields you already know about (or for the rate at which you want to learn about a new one). The 3rd category -no existing judgment, no interest in developing it- will basically produce slop and won’t drive that much economically productive activity. What will happen is that the experts will get better and better at their craft and be able to do so much more. Because they can wield these tools in ways that actually drive high quality output, veer agents in the right direction when they go off, and actually incorporate the work into something useful. The expert engineer with agents will do far more productive work, precisely because they know how to steer the agent properly. The designer will product far better outcomes using AI than someone without an eye for design. And so on. As a result of this dynamic, specialization will continue to be important, if not even more so as the tools get more powerful. Because the expectation of the market gets to be much higher. Getting good at any craft will continue to be necessary in the future.查看 X 原文 ↗
DEPTH PROFILE
亚伦·列维
Aaron Levie
Box 联合创始人兼 CEO
Box
创始人美国生态
- 14
- 观点
- 5
- 精选
- 1
- 访谈
LATEST ON X
最新动态
同步自 Follow Builders · 1 条
EDITOR'S SELECTION
代表观点
5 条经过五问筛选的核心判断
模型越进步，企业落地越慢
企业改造需要相对稳定的架构，但模型突破快于组织实施速度，新能力常让刚部署的方案过时。若能力暂时冻结，扩散可能两三年完成；持续变化则可能把全面转型拉长到十年。
agent-native
跳到 00:32:24 AI coding 的成功难以照搬
代码有可运行测试、集中上下文和能自行纠错的技术用户，普通知识工作通常不具备这些条件。其上下文分散在多个系统，权限还可能过多或不足，因此 agent 扩散不会复制 coding 的速度。
ai-codingverifiabilityagent-native
跳到 00:24:42 agent 难题多半是数据难题
agent 失败往往不是模型不够聪明，而是拿不到正确数据、缺少业务语义，或拥有错误权限。部署前应先检查数据定义、上下文完整性和访问控制，而不是先增加 prompt 与工具。
agent-nativeverifiability
跳到 00:34:40 AI 只会把瓶颈推向下一环
代码能靠运行和测试验证，法律文件最终仍需律师承担责任。AI 可以大幅加快生成与初审，却会把瓶颈推到验证、判断和责任环节，因此局部自动化不等于整个职业消失。
verifiabilityorg-and-talent
跳到 00:51:10 应用层不会被模型一次吞掉
模型输出只是能力的一部分，真正进入业务还需要数据接入、专属流程、变化管理和持续支持。实验室若不为每个行业配置庞大实施团队，垂直应用和桥接层就仍有长期空间。
business-of-agiagent-native
跳到 01:07:11 ALL INSIGHTS
全部观点
按当前资料入库顺序排列
01
模型越进步，企业落地越慢
企业改造需要相对稳定的架构，但模型突破快于组织实施速度，新能力常让刚部署的方案过时。若能力暂时冻结，扩散可能两三年完成；持续变化则可能把全面转型拉长到十年。
agent-native
跳到 00:32:24 02
AI 预算应由业务部门决策
AI 从固定席位费变成可快速膨胀的计算支出后，单靠 IT 预算无法承接。技术采购和容量管理可以集中，但营销、销售等部门应按业务回报决定自己愿意购买多少计算。
business-of-agiorg-and-talent
跳到 00:14:10 03
企业不会只用一个模型
前沿模型适合探索尚未稳定的高难任务；一旦任务能够可靠完成，就应下沉到便宜模型。某些成熟流程甚至不需要 agent，传统软件运行在 CPU 上反而更经济。
business-of-agiagent-native
跳到 00:19:13 04
AI coding 的成功难以照搬
代码有可运行测试、集中上下文和能自行纠错的技术用户，普通知识工作通常不具备这些条件。其上下文分散在多个系统，权限还可能过多或不足，因此 agent 扩散不会复制 coding 的速度。
ai-codingverifiabilityagent-native
跳到 00:24:42 05
agent 难题多半是数据难题
agent 失败往往不是模型不够聪明，而是拿不到正确数据、缺少业务语义，或拥有错误权限。部署前应先检查数据定义、上下文完整性和访问控制，而不是先增加 prompt 与工具。
agent-nativeverifiability
跳到 00:34:40 06
FDE 不会只是临时补丁
企业需要技术人员贴近业务，把流程、数据、权限和 human in the loop 组合起来。模型每次变化又会带来脚手架重构和收益复核，所以内部与外部 FDE 都可能成为长期角色。
agent-nativeorg-and-talent
跳到 00:41:03 07
headless 不会消灭界面
跨多个系统搜集和处理信息时，agent 的无界面操作更高效；精细整理文件和控制共享方式时，GUI 仍更快。新媒介通常增加选择，而不是彻底清除旧媒介。
agent-native
跳到 00:43:49 08
企业软件将采用双轨定价
人类仍会购买界面席位，agent 则会制造远高于人类操作的调用量，因此软件公司会同时收取席位费和消耗费。需要长期保存数据与身份的 stateful agent，可能还会拥有价格更低的专属席位。
business-of-agiagent-native
跳到 00:45:42 09
AI 只会把瓶颈推向下一环
代码能靠运行和测试验证，法律文件最终仍需律师承担责任。AI 可以大幅加快生成与初审，却会把瓶颈推到验证、判断和责任环节，因此局部自动化不等于整个职业消失。
verifiabilityorg-and-talent
跳到 00:51:10 10
效率提升也会制造新需求
当一名工程师或设计师能完成过去数人的工作，原本负担不起这些职能的企业会启动更多项目。小公司尝到 agent 带来的增长后，也可能雇人专门管理和放大这些工作。
org-and-talentagent-native
跳到 00:53:22 11
agent 不会消除专业分工
设计判断、客户沟通等领域能力不会因为生成成本下降而自动互换。未来每个职能可能都要嵌入 agent 技术能力，但专家会转为管理 agent，而不是人人合并成同一种通才。
org-and-talentagent-native
跳到 00:59:11 12
企业有责任帮助员工转型
公司不能只追求多一个点的利润率，却把技能升级成本全部交给员工。维持人们参与工作的意愿和下一代的职业入口，也是企业采用 AI 时应承担的长期责任。
org-and-talentunderstanding
跳到 01:01:25 13
理解 agent 必须亲自使用
知识工作者应固定投入一部分时间和费用，主动把 agent 接入真实任务。只有亲手推到能力边界，才能形成工作流直觉，并看见哪些工作值得重新设计。
understandingagent-native
跳到 01:03:28 14
应用层不会被模型一次吞掉
模型输出只是能力的一部分，真正进入业务还需要数据接入、专属流程、变化管理和持续支持。实验室若不为每个行业配置庞大实施团队，垂直应用和桥接层就仍有长期空间。
business-of-agiagent-native
跳到 01:07:11 EVIDENCE
访谈来源
观点所依赖的证据层
一手音视频
查看来源 ↗State of Enterprise AI 2026: Aaron Levie on Tokenmaxxing, Rise of Headless, and AI-Proofing Your Job
2026-05-28 · 73 分钟 · EN