大家都在讨论企业 AI 代理,但很少有人真正准备好实现它们所需的全部条件。
成千上万的初创公司正在构建专用于狭窄任务的代理,尤其是面向客户的任务。但是,真正的企业转型不仅仅依靠推出聊天机器人——它需要整合智能系统以指导行动、记录系统以执行操作以及交互系统以提供可用体验。Salesforce Inc. 是唯一一家构建这一完整堆栈的主流企业。
在最近的一次采访中,我与 theCUBE 的 Dave Vellante 一起与 Salesforce 联合创始人、董事长兼首席执行官 Marc Benioff ( pictured ) 进行了对话,探讨该公司如何为代理时代重新构建企业软件。Benioff 阐述了为何这种“下一次演进”——从软件即服务 (SaaS) 向服务即软件 (SaSo) 转变——比 15 年前开启的云计算和移动浪潮更具颠覆性。云计算使应用程序成本更低、获取更便捷;而企业 AI 代理结合人工监管,则彻底重新定义了这些应用程序的运行方式。
以下是我们对话的亮点。
如何让企业 AI 代理助力提升人类生产力
Benioff 将当下的热情比作 Salesforce 早期初创时期的景象。他表示,目前的 CEO 代表着“最后一代只依靠纯人工劳动力的高管”。他正在 Salesforce 内部积极推动这一愿景,目标是在工程、服务和支持等职能中通过“代理层”实现 50% 的生产力提升。
他预计这种增长将年复一年地持续叠加,这正是企业 AI 代理的一个关键承诺。
数字劳动力市场
虽然 Salesforce 今年通过其 SaaS 业务将产生约 409 亿美元的收入,而整个企业软件行业规模约为 5000 亿美元,但数字劳动力市场的规模可能达到 3 至 12 万亿美元。企业 AI 代理以及基于代理的数字劳动力将 SaaS 转变为 SaSo。
这一变化代表了一种根本性转变,正如例如 OpenTable Inc. 的客户案例所展示的那样,其生产力提升是“一两年前根本无法实现”的。客户和合作伙伴将能够通过一个类似于 Apple App Store 的代理商店来交换这些服务。
Salesforce 整合 vs DIY
Salesforce AI 战略的架构基础由三个深度集成的层次构成。Salesforce 正在“下大力气”重写并深度整合 Data Cloud 内的核心应用。
Data Cloud 整合了来自外部和 Salesforce 源的数据,从而提供一个丰富的 4D 业务状态图。以 Tableau 为例,它在 Data Cloud 上重建,实现了 Sales Cloud、Service Cloud 以及其他应用之间的流动性。这种整合使得 Tableau 能够出现在其他应用中,甚至嵌入到 Slack 内。再加入 Agentforce(第三层)就构成了完整的架构。
另一种选择是那些颇具实力的组织尝试 DIY 的整合工作,但即便如此,它们也很难达到同样的可靠性——尤其是在大规模构建和部署企业 AI 代理的情况下。
成为纯软件超大规模交易商
Salesforce 正在朝着成为“纯软件超大规模交易商”的方向发展,提供云级别的应用与平台能力,而无需建立实体数据中心。Salesforce 提供“数据流动性”,即将数据与其他数据平台及孤立的应用进行联合。但是,当数据进入 Data Cloud 后,数据网络效应会使数据得以丰富,远比之前封闭在各自孤岛中的数据更具价值。
例如,迪士尼的一位客户如今实现了“代理流动性”,数千名主题公园游客所依赖的企业 AI 代理能够同时访问客户偏好、游乐设施可用性数据以及多个系统中的其他信息,从而提供人工工作人员难以协同完成的推荐。
回应 Nadella 关于代理将使 SaaS 消失的论调
几个月前,微软 CEO Satya Nadella 曾在网络上引发热议,他建议企业 AI 代理直接访问数据库架构将使 SaaS 消失。这听起来更像是在挑衅。“若仅仅通过某种法律发现 API 将所有数据倾倒进一个大型存储库,再让所有员工在其中乱窜,必然会引发重大问题。”
治理数据和通过元数据对数据进行定义的要求不会因为 AI 代理的出现而消失。必须有一个确定性的软件层来调控访问,同时叠加非确定性的代理能力。我们对他将 Microsoft 365 Copilot 描述为 Clippy 的说法提出了质疑,但他表示 Salesforce 也将能够将这些数据联邦整合到 Data Cloud 中。至于是否会迎来 Klarna 时刻,Benioff 并不愿意给出具体时间框架。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。