a16z 长文：Databricks 与智能体时代的企业形态

综合 Databricks 与企业的未来 Ben Horowitz 与 Michael McGuiness

Databricks 与企业的未来 目录

未来二十年，我们生活的许多方面都将发生变化。而其中一个轻松跻身前五的问题就是：“你每天上班都在做什么？”

围绕这个问题，两项重大突破正蓄势待发。第一项是智能体自动化：“描述一项我们目前正在做的任务，然后把它自动化。”第二项是赋能员工主动采取行动。最接近问题的人越来越能够主动调查并把握机会，而不必等待信息和权限层层穿过等级体系。

这两件事都是对每个人每天所做工作的根本性改变——而且是向好的改变！前提是——这是一个很大的前提——组织确实能够演进出这种新的工作方式。“某人日常工作的内容”中惊人地大的一部分，受制于其雇主所使用的记录系统和决策系统。而这本身又受制于他们所使用的数据库技术，以及这种技术所能实现的东西。没有多少人会想到这第二部分。

于是 Databricks 登场了。在其影响力圈子之外（圈内人非常了解他们），Databricks 可能是硅谷最不为人知的故事，尽管他们现在的年化收入已突破 70 亿美元，同比增长 80%。你肯定听说过他们，但真正了解 Databricks 做什么的人并不多，除了知道他们 1）是一家数据公司，2）对智能体很重要，尽管可能并不清楚为什么。

Databricks 的故事是一连串疯狂的事件，也是一个产品恰逢其时的偶然例证。三年前，Databricks 上的每一次交互都涉及人类。如今，该公司收到的来自智能体的查询已经多于来自人类的查询，每天有超过 1700 万个数据库由智能体启动。这一趋势还将继续。

这个故事分为四个部分：

1）Databricks 到底做什么？你也许在广告牌上见过“Lakehouse”和“Lakebase”这两个词，它们是什么，为什么它们是恰逢其时到来的架构突破？

2）什么是“记录系统”，如果智能体要在真实公司内部工作、做出真实决策并为公司的知识库做出贡献，为什么它们需要一种新型的记录系统？

3）企业究竟是什么？如果智能体与人的数量比达到 1000:1，这会如何改变？企业如何实现差异化并创造价值？

4）在这个新世界里，人们每天的工作是什么？AI 在工作中的前景常常被宣传为“普通人现在拥有了软件工程师的能力”。但长期影响未必是“每个人都是工程师”。它可能更接近于“每个人都是管理者”。

这也许是其中风险最高的部分。我们正在实时见证缔造了 20 世纪的管理方式的大瓦解，正如 James Burnham 的著名著作《管理革命》所记述的那样。八十五年前，Burnham 描述了信息技术和组织复杂性如何创造出一种企业运营模式，其中一小群职业经理人将公司内部的决策权集中起来。今天，得益于新一轮技术浪潮，一线的手艺实践者重新获得了责任——而我们所有人都因此变得更好。

这就是 Databricks，以及它为何将驱动企业的未来。

从 Spark 到智能体

Databricks 最近被描述为“一家抓住了 AI 浪潮的数据公司”。但这家公司是由 AI 研究人员在浪潮到来十年前建立的。这项业务是近二十年间叠加的四条技术 S 曲线——Spark、Lakehouse、Lakebase，以及如今的智能体——每一条都为下一条创造了创新窗口。要真正领会这一连串潜力的释放，我们必须花点时间谈谈数据库技术。

2009 年，Ali Ghodsi 是加州大学伯克利分校的访问研究员，他观察互联网公司如何利用庞大的数据集来预测人们会点击、购买和观看什么。那是一个人们经常谈论“大数据”的时代。当时领先的框架是 Hadoop，雅虎、Facebook、Twitter 和 LinkedIn 等公司用它在上千台廉价的通用服务器上并行处理数据工作负载。在 Hadoop 之前，处理更大工作负载的标准做法是从 Oracle 或 IBM 等供应商那里购买更大的机器，每台耗资数百万美元，因此 Hadoop 是一个有吸引力的替代方案。

Hadoop 的关键缺陷在于，计算的每一轮都会先把结果保存到磁盘，然后才能开始下一轮。这使得当集群中某台廉价机器发生故障时，工作更容易恢复，这是一个合理的选择。但对于机器学习这类迭代式工作负载来说，它慢得令人痛苦——在机器学习中，你要做出预测、衡量误差、更新模型，然后重复。Hadoop 把每一轮都当作一个新作业，每次都从磁盘重新加载相同的数据，因此集群每花几秒钟改进模型，就要花几分钟来搬运数据。

这个问题启发了伯克利的博士生Matei Zaharia，让他写出了Apache Spark的第一个版本。Spark建立在Hadoop的创新之上——将数据处理工作分散到廉价机器上——但它让应用程序在轮次之间把频繁复用的数据保留在服务器快得多的内存中，而不是每次都从磁盘加载，同时又不牺牲容错能力。这使得这些重复性工作负载的速度提升了多达十倍。该实验室于2010年将其开源，三年后，Ali、Matei以及他们的五位 fellow researchers 共同创立了Databricks，将运行Spark所需的分布式基础设施——集群、扩展、安全——的复杂性抽象到一个面向企业的单一平台背后。

Spark加速了数据处理，但数据存放在哪里是另一个问题。那个时代的企业数据占据着两个彼此分离的世界。数据仓库保存着结构化、可信的记录，让分析师能够用SQL对它们提问，并支撑着每一块仪表盘和每一份季度报告。数据湖则为其他一切——文档、图像、录音和日志——提供廉价存储。数据湖很便宜，所以团队把所有东西都倒进去；但在进入的过程中没有任何东西被检查或结构化。尽管TensorFlow和PyTorch等AI开源工具围绕数据湖成长为一个庞大的生态，但要从一堆你无法信任的数据中获取价值仍然很难，这也让它们得了个“数据沼泽”的绰号。

两套系统各自解决了一个问题，但它们制造了一道鸿沟。工程师和数据科学家用Python生活在湖里，而分析师用SQL生活在仓库里。每当一方需要另一方的数据时，就得有人搭建一条管道来搬运它。这让公司留下了大量副本、管道、权限和相互冲突的定义。但在2010年代后期，Databricks、Uber和Netflix各自独立地得出了同一个解决方案。他们的项目（Delta Lake、Hudi和Iceberg）在湖中的文件之上增加了一个表层，赋予它们类似仓库的保证，例如全有或全无的更新、模式管理和版本化历史。公司不再需要为了可靠性和性能而把数据搬进单独的仓库，如今可以在数据已经所在的同一存储上运行仓库式的工作负载。正是这一突破让新的架构成为可能。

2020年，Databricks通过合并数据湖和数据仓库发明了“湖仓一体”（lakehouse）。它把数据湖廉价、灵活的存储与数据仓库严格的可靠性和快速查询性能结合起来，然后让仓库级SQL和机器学习成为同一基础之上的头等工作负载。承载一切的廉价存储变得足够可信，可以作为工程师、数据科学家和数据分析师终于能够共享的数据基础。“最好的数据仓库是湖仓一体，”这句标语如此写道，而客户似乎也认同。如今，Databricks的Lakehouse以超过15亿美元的收入运行率运转，同比增长超过100%。

亚马逊CTO Werner Vogels在2020年1月的一篇博客文章中从客户的角度阐述了这一点。“如果你想在没有数据湖的传统数据仓库中合并所有这些数据，那将需要大量的数据准备以及导出、转换和加载（ETL），”他解释道。“你将不得不在舍弃什么上做出权衡，并不断改变一个僵化系统的结构。”数据湖让你可以导入任何格式的数据，从而消除了这些权衡。湖也是机器学习和AI的强大基础，Vogels写道，它们“在大型、多样化的数据集上蓬勃发展”。

还有一道鸿沟依然存在。湖仓一体统一了公司分析所用的数据，但没有统一其应用程序运行所用的数据。运营数据库负责管理日常业务运营的实时事务，例如处理支付或用户登录，它仍然通过一张脆弱的管道网络与湖仓一体缝合在一起。计算和存储仍然捆绑在一个单体盒子里，数据被困在专有格式中，使得迁移成为任何组织中最令人恐惧的技术项目之一。

因此在2025年，Databricks收购了Neon，这是一家无服务器Postgres公司，其数据库已经主要由AI智能体创建，它代表了一种新的数据库架构类别，称为lakebase（这启发Databricks将整合Neon后产生的产品称为“Lakebase”）。正如湖仓一体在数据湖之上重建了数据仓库，Lakebase将同样的理念应用于运营数据库。它将存储与计算分离，因此数据可以廉价地存储在数据湖中，而计算则随需求扩展或收缩。而且由于运营数据库和湖仓一体共享相同的底层存储，数据库的变更会自动对分析师、工程师和智能体可用，无需构建和维护一张管道网络。Databricks将这种事务与分析处理的统一称为LTAP，即Lake Transaction/Analytical Processing（湖事务/分析处理）。

这种分离让数据库的行为更像代码。即使是PB级数据库也能在几秒内复制，因为Lakebase只复制变更。这让智能体可以创建一个隔离分支，在其上进行实验，完成后将其丢弃——这是连Databricks直到最近才充分认识到的一个考量。Lakebase于去年推出，已经跨过1亿美元的收入运行率，而智能体是其最多产的用户。“我们认为，从长远来看，这很可能将是一个比现有数据库市场更大的市场，”Ali说。

这项技术解锁来得正是时候。几十年来，公司里的软件由一小群工程师构建，供其他所有人使用。我们正在走向这样一个世界：一个人声明自己想要的结果，而软件会想办法实现它。公司不再是由数千名员工从中央团队管理的少数几个数据库中读写，而是将拥有数千个数据库，由数百万个智能体对其进行读写。

面向智能体的记录系统

Databricks CEO Ali Ghodsi 在公司 Data + AI Summit 2026 的舞台上（照片：Databricks）

今年6月，Ali 站在公司 Data + AI Summit 约3万人面前，请全场举手，如果认为通用人工智能已经到来。他数了数，大概只有百分之十。

“我们相信 AGI 已经到来，”他告诉他们，并指出当今的前沿模型已经能解决“人类最后的考试”中超过一半的问题——该考试包含2,500道题，由一百多个领域的专家撰写，被认为难到任何 AI 都无法回答。

当 ChatGPT 在2022年问世时，它能处理一个人大约需要三十秒完成的编程任务。如今的前沿智能体能完成一名熟练工程师需要整整一个工作日才能完成的编程任务。独立评估实验室 METR 的研究人员追踪了自2019年以来各模型智能体能独立完成的任务时长，发现它大约每七个月翻一番。最近，进展甚至更快，编程之外的领域也出现了类似趋势。如果这一趋势持续到2030年代初，智能体将能够完成人类需要数年才能完成的任务。

然而，在当今大多数公司内部，AI 仍然不被信任能可靠地更新 Salesforce 中的记录。

“AI 没有智能问题，”Ali 解释道。“它有上下文问题。”即使是最聪明的人，如果无法访问公司数据、没有行动权限、没有反馈，或者无法获取其他员工头脑中的知识，也几乎毫无用处。Ali 的答案是他所谓的“面向智能体的记录系统”。

也许你看到过 Palantir CEO Alex Karp 谈论本体论的片段。“市场上所有的价值都将流向芯片以及我们所说的本体论，”他断言。“本体论让你能够拿一个 LLM，使用它、改进它，并将其施加于你的企业。”这在实践中意味着什么，通常留给听众自己去体会。

每家公司都有一个本体论——一个关于存在什么、这些事物如何关联、其词语意味着什么，以及当两者不一致时以哪个来源为准的工作模型。它的一部分存在于数据库、仪表盘、政策和文档中。但大部分只存在于经验丰富的员工头脑中。它也永远不会完成。合同会变化，变通做法会变成流程，例外会变成规则，官方记录会逐渐偏离工作的实际做法。谁决定什么、以及记住哪些决策是正确的，同样如此——权威和评估与本体论一样，都是不成文的。人们几乎无形地弥补了这一切。销售副总裁的职责就是知道最大的已承诺交易已经停滞，因为关键推动者正在悄悄地面试其他机会；知道某个销售代表说的“90%”实际上意味着50%——并在预测到达 CEO 之前将其下调。

为了让智能体自主行动，目前存在于人们头脑中的大部分本体论、权威和评估，将不得不转移到公司的记录系统中。Databricks 押注湖仓一体是它的天然归宿，因为公司其余的数据都存储和治理在那里。“湖仓一体如今已经成为记录系统，”Ali 说。“我称之为 SORA——面向智能体的记录系统。”

员工可以通过 Genie 与这个记录系统交互，这是 Databricks 于2024年推出的自然语言界面，让公司中的任何人都能对其数据提问，并且越来越多地在其上构建智能体。在底层，该记录必须覆盖整个公司，并持续回答四个问题，Databricks 正在逐一攻克：

什么是真实的？湖仓一体和 Lakebase 已经保存了状态。

它意味着什么？与其让 AI 在每次有人提问时遍历公司所有数据寻找答案，Databricks 的 Genie Ontology 会持续构建组织所知内容的图谱，比如收入如何计算，或者上周站会上讨论了什么。工程师们将一种算法戏称为 OntoRank（向 Google 的 PageRank 致敬），它通过权衡诸如谁创建了某个定义、该定义被多广泛使用以及最近多久发生变更等属性，来对哪些知识具有权威性进行排名。在 Databricks 的测试中，将智能体建立在公司的本体论之上，使答案的准确率从约50%提升到84.5%。

允许什么？过去那种为每位员工分配一个登录账号的访问模式，在每位工作者都是人类时还行得通，但当员工每天启动数百个智能体时，这种模式就失效了。“你不可能把每个专有的、孤立的数据库的访问权限都授予你的智能体，”Ali 解释道。Databricks 的 Unity Gateway 为公司中的每个模型、智能体和 AI 工具赋予身份、预算和护栏，并通过追踪记录每一次操作，使公司能够看到其 AI 系统在做什么、访问了哪些数据，以及花费了多少成本。

它奏效了吗？Databricks 为企业提供了两种构建智能体的方式。业务团队在 Genie 中构建自己的智能体，把一段提示词变成一个可共享的智能体，该智能体能够对公司的数据进行推理，并且越来越多地在 Slack 或 Salesforce 等应用中采取行动。工程师则在 Agent Bricks——Databricks 用于生产级 AI 智能体的开发者平台——中构建更加定制化的智能体。无论采用哪种方式，Databricks 都让团队编写自己的“考卷”——即可接受的结果和绝不能犯的错误——并为他们提供工具，按照公司对特定任务“好”的定义来优化每个智能体，这正是 AI 成为一个循环的方式。

企业计算的每一次平台迁移，都会引发一场关于记录系统的新争夺。IBM 主导了大型机时代。Oracle 和 SAP 成为客户端-服务器时代企业的基础，而 Salesforce、Workday 和 ServiceNow 则为销售、人力资源和 IT 构建了 SaaS 记录系统。智能体是下一次迁移。

但哪家厂商胜出，是一个比智能体将如何改变企业本身更小的问题。

企业的性质

经济学家罗纳德·科斯在其 1937 年的文章《企业的性质》中问道，企业究竟为何存在。如果市场能够通过价格和合同来协调活动，那为什么还要把人们聚集在公司内部，让他们的工作接受管理层的指挥？

他的答案归结为交易成本。找到合适的人、就做什么事以什么价格进行谈判，以及对这一切进行监督，都需要时间和金钱。企业用一种更开放式的安排取代了部分重复的市场交易，在这种安排中，管理者在约定的限度内调配资源。但在企业内部组织工作也并非没有成本。随着公司成长，更多信息必须经过更多人之手传递，最终，在内部组织下一笔交易的成本，会与从市场上购买它的成本一样高。在科斯的论述中，企业会一直扩张，直到这两种成本相等为止。

四十年后，赫伯特·西蒙——少数同时获得诺贝尔奖和图灵奖的人之一——观察到，将企业的记忆集中化，反而使其决策去中心化。他写道，一份共享的计算机记录“允许每个去中心化的决策点独立采取行动”，因为系统会自动将这些行动与共享记录进行核对。

对一家航空公司来说，波士顿的票务代理在把最后一个座位卖给芝加哥之前，不必给其他所有票务代理打电话。她查询记录，而当她卖出这个座位时，记录对所有人而言都改变了。集中化的状态让去中心化的行动更安全，因为人们可以与记录协调，而不是彼此协调。

关系型数据库将这一原则扩展到整个公司。曾经需要报告、会议和管理层交接的工作，变成了对共享记录的一次查询，这使公司能够协调更多的产品、地点、人员和交易，而不必以同样的速度增加管理人员。到 20 世纪 90 年代，互联网让外部世界能够写入公司的记录，一个在线市场可以在数百万陌生人之间协调买家、卖家、库存和支付。

由于外部和内部交易成本都下降了，数据库时代并没有让企业统一地变大或变小。相反，它让更广泛的企业形态得以存在。大公司变得有能力管理远为复杂的业务，而小公司则可以租用或购买曾经需要整个部门才能具备的能力。

AI 很可能也是如此。在企业内部，智能体可以通过自动化报告、搜索和日常任务来降低协调成本。在企业外部，它们可以帮助寻找和评估供应商、谈判常规条款并监控结果。就像此前的数据库一样，AI 将提高能够存在的企业和市场的复杂度上限。但它更具深远意义的影响，可能在于它如何改变企业的形态。

20 世纪的典型企业呈金字塔形，因为层级制就是它的信息处理系统。事实通过报告和会议向上传递，决策向下传达，信息流动的图谱与组织架构图如出一辙。管理层决定哪些数据值得收集或共享，这意味着公司对自身的认知，只能和其管理者选择收集的内容一样好。

数据库改变了这种结构，但只是部分改变。共享记录让人们能够直接获取信息并更独立地行动，但通常仍是在别人已经设计好的流程之内。在计算机时代的大部分时间里，相对少数的管理者、运营团队和工程师定义了公司的模式、指标、应用和工作流——而使用这些系统的员工远多于参与设计它们的员工。

这不仅限制了人们能做什么，也限制了组织能知道什么。例如，一位支持代表每周听到好几次同样的投诉，如果她的经理没有写一份报告把它记录下来，那么她就知道了一些公司并不知道的事情。而解决问题则完全是另一回事。

认知与行动这两方面的技术障碍如今正在同时瓦解。

正如 Andrej Karpathy 在 2023 年所说，“最热门的新编程语言是英语。”自然语言界面让更多领域专家能够查询公司的数据，而不必等待懂 SQL 或 Python 的人来预判或回答每一个问题。在拥有百年历史的全球医疗保健公司诺和诺德（Novo Nordisk），科学家过去要等数据工程师来编写查询。现在他们直接问 Genie：“给我看我们所有的肥胖症数据”，它就会立即调出相关的试验、洞察和可视化结果。

而在既定权限范围内，员工有权创建能节省数小时甚至数天工作的解决方案。在电动汽车制造商 Rivian，一位没有 SQL 经验的财务分析师用 Genie 为 CFO 搭建了一个收入仪表盘，一位供应链分析师则构建了一个应用来追踪入库库存发货情况。

这并不意味着每个人都能未经批准访问公司的所有数据或资源。随着工作变得更加分散，共享本体、权限和问责变得更加重要。记录系统集中管理状态和护栏，同时分散谁可以提问、设计工作流和采取行动。

今年 3 月，Jack Dorsey 写了一篇题为《从层级到智能》的宣言，描述他的公司 Block 如何开始测试这一理念的极端版本。“有史以来第一次，”他写道，“一个系统能够维护整个企业持续更新的模型，并以过去需要人类通过层层管理层传递信息的方式协调工作。”

Ali 的“智能体记录系统”类似于 Jack 所说的公司“世界模型”——对组织运营、决策、能力和优先事项的持续更新表征。公司边缘的人员让模型扎根于现实，而模型则提供采取行动所需的共享上下文。“人们会触及模型尚无法到达的地方。”Dorsey 解释道。“他们感知到模型无法感知的东西：直觉、有主见的方向、文化背景、信任动态、房间里的气氛。他们做出模型不应独自做出的决定，尤其是道德决策、新情况以及犯错代价关乎存亡的高风险时刻。”其结果是一家所需管理层级更少、同时让领导者对工作有更大可见度的公司，即便工作变得更加分散。

Databricks 已经为 Block 提供了一些底层基础设施。它管理和治理 Block 在 Square、Cash App 和 TIDAL 上数 PB 的数据，Block 还使用 Databricks 让其 AI 编程助手 goose 扎根于公司的上下文之中。

对 Dorsey 而言，这种新架构的竞争理由在于速度。“公司前进的快慢取决于信息流动，”他主张道。“层级制和中层管理阻碍了信息流动。”

Ali 在方向上同意 Dorsey，但有一个区别。“我在理念上同意 Jack Dorsey，”他说。“问题在于，这是否也适用于人类的组织架构图？”他认为，人们混淆了两件事：组织架构图和信息在公司中流动的方式。“十年、二十年前，这两者是一回事。”了解正在发生什么的唯一方式，就是问你的下属，他们再问他们的下属，沿着树状结构上下传递——但这已不再成立。“Genie 几乎能回答我在任何会议上关于任何事情提出的任何问题，”他补充道。公司仍然需要管理者，只是需要更少的信息路由者。培养人才、帮助团队判断什么重要，以及察觉某人情绪不佳，仍然需要人的关注。

因此，尽管两人在层级制会消失多少上存在分歧，但他们都认为 AI 将接管信息路由工作，而正是这项工作赋予了管理者在 20 世纪企业中巨大的权力，因为公司变得过于复杂，没有他们便无法运转。

第二次管理革命

八十五年前，在大萧条刚刚结束之际，詹姆斯·伯纳姆写了一本名为《管理革命》的书，预见了企业运作方式乃至资本主义本身运作方式的巨大变化。走出大萧条后，当时流行的时髦观点之一是，企业家资本主义作为一种经济趋势已经走到尽头，某种新制度必将取而代之。社会主义集体制是当时的一种时髦主张，国有化则是另一种。

伯纳姆明白正在发生什么。他阐述了一种第三类事物，不仅是企业结构，而是一种全新的社会秩序，称为“管理社会”。在这个制度中，决定性的统治阶级既不是传统的资本家所有者，也不是工人，而是运营大型企业和国家的职业经理人、规划者、官僚和高管。

他相信，现代机构在技术上过于复杂，无法由个体资本家亲自指挥。既然没有哪位CEO能知道一家拥有十万名员工的公司内部发生的一切，控制权就会逐渐从所有者和领域专家转移到行政管理者手中。

在20世纪下半叶，管理主义取得了近乎完全的胜利。“《财富》500强公司的大多数高管并不是公司所从事业务的领域专家，他们当然也不是那些公司的创始人，”马克·安德森评论道。“他们是职业经理人，事实上，在他们的职业生涯中，他们可能会管理许多不同种类的业务——他们可能先在医疗健康行业工作一段时间，然后转到金融服务，然后再去做别的事情。”

但这种胜利正在耗尽自身。伯纳姆的管理阶级的可扩展性和专业可靠性，是以牺牲速度和适应性为代价的，尤其是在面对不断变化的技术时。

马克提出，也许在像Databricks这样严谨的基础之上应用智能体，会创造出第三种模式，能够兼得两者之长。它有助于保留创始人的活力和适应性，同时重构实现规模化所需的管理工作。智能体将把这种运营方式带到更多创始人的可及范围之内，办法是自动化部分信息路由和协调工作——正是这些工作使管理层成为必要，而公司的记录系统则赋予边缘岗位上的人以采取行动所需的上下文和权限。

埃隆·马斯克把马克的想法又推进了一步。今年早些时候，他预测带有“人在回路”的公司将会失败。他主张，在AI时代保留人在回路，就像使用一个需要人来计算某些单元格的电子表格。

埃隆对于最终目的地也许是对的——没有人知道完全自主的公司还有多远，预测从几年到永远不会都有。但在那之前，讽刺之处在于，管理主义的衰落可能看起来更像是每个人都变成管理者。并非每个人都会有直接下属，但会有更多人负责明确工作、委派执行、检查结果并更新流程。第二次管理革命与其说是管理的死亡，不如说是职业管理阶级对管理的垄断的终结。

软件工程师今天正深切感受到这一点，因为这份工作正从手工编写代码转变为管理一支编码智能体团队。工程师的一天越来越像管理者的一天：界定问题范围，把它拆解成任务，委派给并行工作的智能体，然后审查返回的拉取请求——批准一些，把另一些附上意见退回。随着智能体在更多领域变得有能力，更多知识工作者将做出类似的转变：从亲自执行每一步，转变为明确任务、委派执行和评判工作。诺和诺德的科学家和Rivian的供应链分析师已经在用Genie指挥智能体完成过去需要一支工程师或数据科学家团队才能完成的工作，从而让这些团队腾出手来专注于最具战略性的工作。

这对人类生产率和薪资来说是好消息，因为执行和判断在经济上是互补的：当AI降低常规执行的成本时，对指导执行的判断的需求就会上升。

数学家阿尔弗雷德·诺思·怀特海在一个世纪前观察到：“文明的进步，在于我们能够不加思考地执行的重要操作的数量不断增加。”公司也以同样的方式进步，一个循环接一个循环地变得更加自主。每当一个人纠正一个智能体循环，这次纠正就应当改进下一次执行。而当一个循环证明自己能够可靠地完成一项有边界的工作时，人就会从中退出，转向下一个未解决的问题，把他们学到的东西留在公司的共享记录中。

但是，正如伯纳姆很可能会注意到的那样，公司要保持主权，就必须拥有自己的模型，以及边缘岗位上的人教给它的一切。

主权公司

在智能体化的公司中，优秀人才将比以往任何时候都更有价值。但优秀人才也会来来去去。与此同时，模型不断进步，每个竞争对手都能租用同样的模型。那么，公司究竟如何在这个新世界中建立可持续的竞争优势？

设想两家银行租用同一个前沿模型来帮助做出信贷决策。第一家把提示词发给模型，收到答案，并记录最终决策。第二家则记录哪些事实产生了答案、任何人工推翻、哪些决策表现良好、哪些失败，并在整个过程中调整其策略。一年后，当更好的模型出现时，只有其中一家建立了一家更好的银行。如果你在公司更换AI模型，而新模型继承了你的定义、权限、已评估案例、客户历史和来之不易的例外情况，那就是可持续竞争优势的基础。如果新AI模型和所有人一样从同一个提示词开始，那就不是。

第二家银行就是人们开始称之为“主权”公司的企业。如果供应商提价、更改条款或停用某个模型，公司可以更换供应商，而不会丢失它已经学到的东西。随着模型变得更智能、公司对它们的依赖加深，这种独立性只会变得更加重要。

在最近的一篇文章中，微软CEO萨提亚·纳德拉出于不同的原因得出了类似的结论。他认为，AI模型不断吸收人类和组织的专业知识并将其商品化，因此“每家公司都将不得不建立我所认为的人力资本和token资本。”人力资本是公司员工的知识、判断力、关系和创造力，而token资本是它构建并拥有的AI能力。两者在学习循环中相互增强，“这个循环成为公司的新知识产权。”

数据是token资本的基础。“每家公司的业务数据都是他们的金矿，”英伟达CEO黄仁勋在Databricks 2024年Data + AI Summit上对观众说，并解释说英伟达几乎每个流程都始于数据飞轮，从芯片设计到供应链。“这使我们有可能成为世界上最大的小公司之一，”他说。当时，英伟达市值超过3万亿美元，却只有3万名员工。“当然，原因在于我们公司内部有如此多的AI在帮助我们，做着了不起的事情。”黄仁勋相信这将适用于每家公司。“这是一个非凡的时代，”他说，“而它始于数据。”

Databricks押注的是，数据以及建立在其上的循环应当存在于公司控制的系统中。这甚至包括Databricks自己的专用模型，它花了多年时间为企业工作负载优化这些模型。重要的是循环，而不仅仅是数据；这正是他们自2023年以来一直专注的方向，那时这一点对所有人来说还不明显。仅仅拥有数据并不是护城河，但它能防止公司的记忆被困在某个供应商的技术栈中。只有当数据以及对其推理的AI帮助公司比竞争对手更快地改进决策和产品时，护城河才会出现。

Databricks很早就锻炼出了这种能力。Spark是开源的，所以客户可以直接下载并自行运行。但创始人最终了解到，如果他们让Spark更易于运行、更快、更安全、对企业更有用，客户就会为Databricks付费。为了生存，他们必须比免费替代品追赶的速度更快地为客户创造价值。而随着智能体降低了寻找和切换到替代方案的成本，更多公司将面临类似的考验。

大约十年前，Ali打电话向我征求意见。世界上最大的公司之一提出以大约Databricks上一轮融资估值六倍的价格收购它。

考虑到仅仅两年前这家公司还几乎死掉，找不到C轮的领投方，这似乎是一个梦想般的结果。我们在2013年领投了A轮，当时这家公司还是七位伯克利学者，唯一的经常性收入是卖他们自己会议的门票，后来我们与NEA一起介入，领投了没人愿意领的C轮。

Ali对那次谈话的记忆比我更清楚：

“嘿，你想怎么做都行。无论哪种情况我都会支持你。而且实际上，如果你以这个价格卖掉，对我来说真的很好：我们在a16z赚很多钱，我会把投资人的钱翻很多倍还给他们。老实说，对我个人而言，那可能是更好的选择。但我只是在回想。我曾是Loudcloud和Opsware的CEO——我在那家公司拿到的牌可不是你现在的公司。而当我回首往事，人的一生中有多少次能有机会拥有一家像Loudcloud或Opsware这样的公司，更不用说Databricks了？这市场实在太大了。你可以卖掉赚很多钱，你的人生会非常成功。但如果你像我一样，你余生都会回想：‘我错过了那一次机会。就是那件事，我本该把它做到底。而现在我永远不会知道我本可以把它带到多远。’所以，你想带着这种遗憾生活，还是只想拿到钱？无论你想做什么，我都会支持。”

Ali道了谢，挂了电话。然后他对自己说：“我们永远不会这么做。这不会发生。”

你就是不会遇到这么好的市场机会配上这么好的创业者。这是稀有中的稀有。我们见过伟大的创业者，但他们的市场机会有限；然后我们也见过拥有伟大市场机会的公司，但创业者不够强大，无法实现它。但这是一个两者兼有的案例。

上个月，Databricks突破了70亿美元的收入运行率，同比增长80%，估值达到1900亿美元。事实证明，这位创业者足够强大。

而TAM正是公司自身的基础——一个共享的记录系统，它定义了什么是真实的、数据意味着什么、谁能做什么，以及什么方法奏效了。有了这个基础，人和智能体就可以自主行动，而不必把每一个决策都层层上报给管理层，同时他们行动的结果会回流到公司所拥有的记录中。

协调成本将会下降，公司用现有的人手就能完成更多事情，而一些以前根本说不通的新公司也会被建立起来，因为十个人就能完成过去需要数千人才能完成的工作。而在AI能够做到一个优秀的人所能做的一切之前——这还有很长的路要走——这会让优秀的人更有价值，而不是更没价值。

更少的人会去执行别人设计好的流程，因为智能体会处理那些已经被弄清楚的工作。更多的人会去处理还没有人解决的问题——判断什么好、注意到什么变了，以及决定接下来应该存在什么。

在未来几十年里，人们每天上班会做什么？诚实的答案是：做那些还没有被弄清楚的事情。随着智能体和公司把我们已知如何完成的工作越来越多地自动化，人们会与这种新的智能一起构建了不起的新事物，并解决以前无法企及的问题。

是风险投资公司Andreessen Horowitz的联合创始人兼普通合伙人。

X

Linkedin

AI能写代码。为什么软件没有变得更好？Diogo Almeida、Ben Horowitz和Martin Casado

Michael McGuiness

是a16z新媒体团队的撰稿人。

增长

Marc Andreessen

美国活力

欢迎Jeffrey Glover上校和Greg Barbaccia

David Ulevitch和David George

Marc Andreessen

美国活力

欢迎Jeffrey Glover上校和Greg Barbaccia

David Ulevitch和David George

当AI负责购物时，谁获得报酬？

Alex Immerman和Santiago Rodriguez

增长

Marc Andreessen

美国活力

欢迎Jeffrey Glover上校和Greg Barbaccia

David Ulevitch和David George

当AI负责购物时，谁获得报酬？

Alex Immerman和Santiago Rodriguez

增长

David George

增长

扩展a16z增长基金和平台

David George和Raghu Raghuram

增长

你不是一个模型。不要按token定价。

Tugce Erten和Sarah Wang

增长

Cursor + SpaceXAI：迭代最快的团队获胜

增长

如何赢得AI领域最大的市场

Raghu Raghuram和Sarah Wang

制造十亿台智能机器

增长

David George

a16z专家新闻

“文章”（包括播客、视频和社交媒体）中表达的观点仅代表其中引用的a16z个别人员的观点，不代表a16z Capital Management, L.L.C.（“a16z”）或其各自关联公司的观点。a16z Capital Management是一家在美国证券交易委员会注册的投资顾问。注册为投资顾问并不意味着具备任何特殊技能或受过培训。这些文章不面向任何投资者或潜在投资者，也不构成出售任何证券的要约——或购买任何证券的要约邀请——且不得用于或依赖其评估任何投资的优劣。

在任何情况下，本网站——或相关的内容分发渠道——上提供的任何文章或其他信息，都不应被解释为征求购买或出售任何证券或a16z人员发起、讨论或提及的任何集合投资工具中权益的要约。也不应被解释为提供投资咨询服务的要约；投资a16z管理的集合投资工具的要约将单独作出，且仅通过特定集合投资工具的保密发售文件进行——这些文件应完整阅读，且仅向满足联邦证券法某些资格要求（以及其他要求）的人提供。此类投资者被定义为合格投资者和合格购买者，通常被认为有能力评估潜在投资和财务事项的优劣与风险。

无法保证a16z的投资目标将会实现或投资策略将会成功。对a16z管理的任何工具的任何投资都涉及高度风险，包括所投资金全部损失的风险。所提及、引用或描述的任何投资或投资组合公司并不代表a16z管理工具中的所有投资，且无法保证这些投资将会盈利，或未来进行的其他投资将具有相似的特征或结果。a16z管理的基金所做的投资列表可在此处获取：https://a16z.com/investments/。a16z过往的投资、集合投资工具或投资策略的结果不一定预示未来结果。此列表不包括发行人未允许a16z公开披露的投资（以及某些公开交易的加密货币/数字资产）。至于对任何加密货币或代币项目的投资，a16z是出于自身财务利益行事，不一定符合其他代币持有者的利益。a16z在这些项目中没有特殊角色，也不对其管理拥有权力。a16z不承诺继续参与这些项目，除作为投资者和代币持有者外，其他代币持有者不应期望或依赖其有任何特定参与。

对于a16z在日本注册管理的基金，a16z将向任何日本公众成员提供根据日本《金融商品交易法》第63条要求公开提供的此类文件的副本。请联系compliance@a16z.com索取此类文件。

有关其他网站使用条款，请点击此处。关于a16z的其他重要信息，包括我们的Form ADV Part 2A手册，可在SEC网站获取：http://www.adviserinfo.sec.gov。