Ben Horowitz 长文解析 Databricks 与智能体时代的公司形态

未来二十年，我们生活的许多方面都将发生变化。而轻松跻身前五的一个问题是：“你每天上班都做些什么？”

围绕这个问题，两项重大突破即将发生。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自主调查并抓住机会采取行动，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全天工作内容的彻底改变——而且是向好的改变！前提是，这是一个很大的前提——组织确实能够演进到这种新的工作方式。令人震惊的是，“一个人日常的工作是什么”在很大程度上受制于其雇主所使用的记录与决策系统。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层。

于是有了 Databricks。在其影响力圈子之外（那些非常了解他们的人），Databricks 可能是硅谷最不为人知的故事，尽管他们如今已突破 70 亿美元的年化收入，同比增长 80%。你肯定听说过他们，但并没有多少人真正了解 Databricks 做什么，除了知道它 1）是一家数据公司，2）对智能体很重要，尽管可能不太清楚为什么。

Databricks 的故事是一连串疯狂的事件，也是一个产品恰逢其时的幸运范例。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比来自人的还多，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 究竟做什么？什么是“Lakehouse”和“Lakebase”——那些你可能在广告牌上见过的词——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”（system of record）？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，它们为什么需要一种新型的 SoR？

3）一家公司首先是什么？如果智能体与人的数量比达到 1000:1，这会如何改变？公司如何实现差异化并创造价值？

4）在这个新世界里，人们全天的工作是什么？AI 在工作中的前景常被宣传为：“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”。

这或许是其中风险最高的一篇。我们正在实时见证塑造了 20 世纪的管理风格的大解体，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：一小群职业经理人将决策权集中到公司内部。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，以及它为何将驱动公司的未来。

从 Spark 到 Agents

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 研究者在浪潮到来十年前创立的。其业务是近二十年间层层叠加的四条技术 S 曲线——Spark、Lakehouse、Lakebase，以及如今的 agents——每一条都为下一条创造了创新窗口。要真正理解这一连串潜能释放的过程，我们得先花点时间聊聊数据库技术。

2009 年，Ali Ghodsi 是 UC Berkeley 的访问研究员，他观察互联网公司如何利用海量数据集预测人们会点击、购买和观看什么。那是一个人们频繁谈论“大数据”的时代。当时领先的框架是 Hadoop，Yahoo、Facebook、Twitter 和 LinkedIn 等公司用它在上千台廉价商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 等厂商购买更大的机器，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。这使得集群中某台廉价机器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——做出预测、衡量误差、更新模型，然后重复——它慢得令人痛苦。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，就要花几分钟搬运数据。

这个问题促使 Berkeley 的博士生 Matei Zaharia 编写了 Apache Spark 的第一个版本。Spark 建立在 Hadoop 将数据处理工作分散到廉价机器上的创新之上，但让应用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——同时不放弃容错能力。这使得这些重复性工作负载快了多达十倍。该实验室于 2010 年将其开源，三年后，Ali、Matei 和另外五位同僚研究者创立了 Databricks，将运行 Spark 所需分布式基础设施的复杂性——集群、扩缩容、安全——抽象到面向企业的单一平台之后。

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两个彼此分离的世界。数据仓库保存结构化、可信的记录，让分析师能用 SQL 对其提问，并支撑每一个仪表盘和季度报告。数据湖为其他一切提供廉价存储，比如文档、图像、录音和日志。数据湖很便宜，所以团队把所有东西都倒进去；但进入时没有任何检查或结构化。尽管 TensorFlow 和 PyTorch 等庞大的 AI 开源工具生态围绕数据湖成长起来，但很难从一堆你无法信任的数据中获取价值，这也让它们得了个“数据沼泽”的绰号。

两个系统各自解决了一个问题，却也制造了一道鸿沟。工程师和数据科学家用 Python 生活在数据湖里，分析师则用 SQL 生活在数据仓库里。每当一方需要另一方的数据时，就得有人搭建管道来搬运。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，赋予其类似数据仓库的保障，例如全有或全无的更新、模式管理和版本化历史。公司不再需要把数据搬进单独的数据仓库来获得可靠性和性能，而是可以直接在数据原本所在的存储上运行仓库式工作负载。正是这一突破让新架构成为可能。

2020 年，Databricks 通过合并数据湖和数据仓库发明了“湖仓一体”（lakehouse）。它将数据湖廉价、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一等工作负载。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。“最好的数据仓库就是湖仓一体，”这句标语如此说道，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角度阐述了这一观点。“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，就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取舍，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，从而消除了这些取舍。数据湖也是机器学习和 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”。

仍有一道鸿沟存在。湖仓一体统一了公司分析所用的数据，却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中，数据被困在专有格式里，使得迁移成为任何组织中最令人恐惧的技术项目之一。

所以在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代理创建，它代表了一种新的数据库架构类别，称为lakebase（这促使Databricks将整合了Neon后形成的产品命名为“Lakebase”）。正如lakehouse在数据湖之上重建了数据仓库，Lakebase将同样的理念应用于操作型数据库。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，由于操作型数据库和lakehouse共享相同的底层存储，数据库的变更会自动对分析师、工程师和代理可用，无需构建和维护错综复杂的管道网络。Databricks将这种事务与分析处理的统一称为LTAP，即Lake Transaction/Analytical Processing。

这种分离使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。这让代理可以创建一个隔离分支，在其上进行实验，完成后将其丢弃——这一点甚至连Databricks直到最近才充分认识到。Lakebase于去年推出，营收年化运行率已突破1亿美元，而代理是其最多产的用户。“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 表示。

这一技术突破来得正是时候。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。我们正在迈向一个世界：一个人声明自己想要的结果，软件自行找出实现方式。不再是数千名员工从由中心团队管理的少数几个数据库中读写，公司将会拥有数千个数据库，由数百万个代理进行读写。

代理的记录系统

6月，Ali在公司Data + AI Summit上面对约3万人，请全场在通用人工智能已经到来时举手。他数了数，大概有百分之十。

“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Humanity’s Last Exam中超过一半的问题——该测试包含2500个问题，由一百多个领域的专家编写，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的编程任务。如今的前沿代理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年以来各模型能够独立完成的任务长度，发现大约每七个月翻一番。最近，进展甚至更快，编程之外的领域也呈现类似趋势。如果这一趋势持续到2030年代初，代理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仍然不被信任能够可靠地更新Salesforce中的记录。

“AI 并不存在智能问题，”Ali 解释道，“它存在的是上下文问题。”即便是最聪明的人，如果无法访问公司数据、没有行动权限、得不到反馈，或者无法获取其他员工头脑中的知识，也几乎毫无用处。Ali 的答案是其所称的“智能体记录系统”。

也许你看到过 Palantir CEO Alex Karp 谈论本体的片段。“市场上所有的价值都将流向芯片以及我们所说的本体，”他断言，“本体让你能够拿一个大语言模型，使用它、精炼它，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琢磨。

每家公司都有一个本体——一个关于存在什么、这些事物如何关联、其词语含义为何，以及当两者不一致时以哪个来源为准的运作模型。它的一部分存在于数据库、仪表盘、政策和文档中。但其中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，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——权限和评估与本体一样，都是不成文的。人们几乎无形地弥补着这一切。销售副总裁的职责就是知道最大的已承诺交易已经停滞，因为内部支持者正在悄悄地面试别处，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、权限和评估，将不得不迁移到公司的记录系统中。Databricks 押注湖仓是它的天然归宿，因为公司其余的数据都存储和治理在那里。“湖仓如今已成为记录系统，”Ali 说，“我称之为 SORA——智能体记录系统。”

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？Lakehouse 和 Lakebase 已经保存了状态。

它意味着什么？与其让 AI 在每次有人提问时循环遍历公司所有数据寻找答案，Databricks 的 Genie Ontology 会持续构建一个组织所知内容的图谱，比如收入如何计算，或者上周站会的转录中讨论了什么。工程师们戏称为 OntoRank 的算法（向 Google 的 PageRank 致敬）通过权衡诸如谁创建了某个定义、它被使用的广泛程度以及它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本体之上，将答案的准确率从约 50% 提升到了 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，在员工全是人类时还行得通，但当员工每天要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 为公司里的每个模型、智能体和 AI 工具赋予身份、预算和护栏，并通过追踪日志记录每一个动作，让公司能够看到其 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，它能够基于公司数据进行分析推理，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 中构建更加定制化的智能体，这是 Databricks 面向生产级 AI 智能体的开发者平台。无论采用哪种方式，Databricks 都让团队自行编写“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 形成闭环的方式。

企业计算的每一次平台迁移，都会围绕记录系统引发一场新的争夺。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，相比智能体将如何改变企业本身，是一个更小的问题。

企业的本质

经济学家罗纳德·科斯在其 1937 年的文章《企业的本质》中提出，企业究竟为何存在。如果市场能够通过价格和合同协调活动，那为什么还要把人聚集在公司内部，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，以及全程监督，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，管理者在约定范围内调配资源。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购买一样高。在科斯的论述中，企业会一直扩张，直到这两种成本相等。

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，集中化企业的记忆，反而使其决策得以分散化。他写道，共享的计算机记录“允许每个分散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卖出飞往芝加哥的最后一个座位之前，不必给其他所有票务代理打电话。她查询记录，当她卖出座位时，记录对所有人都会改变。集中化的状态让分散化的行动更安全，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了整个公司。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，这让公司能够协调更多的产品、地点、人员和交易，而无需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，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公司统一变大或变小。相反，它让更广泛的公司类型得以存在。大公司能够管理远为复杂的业务，而小公司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。在公司内部，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。在公司外部，它们可以帮助寻找和评估供应商、协商常规条款并监控结果。如同之前的数据库一样，AI将提高企业和市场所能达到的复杂度上限。但其更深远的影响可能在于它如何改变公司的形态。

20世纪的典型公司呈金字塔形，因为层级制度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，完全取决于管理者选择收集了什么。

数据库改变了这一结构，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，一位客服代表每周多次听到同样的投诉，如果她的经理没有撰写报告将其记录下来，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。

知道和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数据，而无需等待懂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Novo Nordisk，科学家过去要等数据工程师编写查询。现在他们直接问Genie：“展示我们所有的肥胖症数据”，它就会立即提取相关试验、洞察和可视化结果。

在既定权限内，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经验的财务分析师使用Genie为CFO构建了一个收入仪表板，一位供应链分析师则构建了一个应用来跟踪入库库存发货。

这并不意味着每个人无需批准就能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、权限和问责制变得更加重要。记录系统集中管理状态和护栏，同时分散了谁可以提问、设计工作流和采取行动。

今年三月，Jack Dorsey 写了一篇题为“从层级到智能”的宣言，描述了他的公司 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业务的持续更新模型，并以过去需要人类通过多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，而模型提供行动所需的共享上下文。“人们能触及模型尚无法到达的地方。”Dorsey 解释道。“他们能感知模型无法感知的事物：直觉、有主见的方向、文化背景、信任动态、房间里的氛围。他们做出模型不应独自做出的决定，尤其是道德决策、新颖情境以及错误代价关乎存亡的高风险时刻。”其结果是，公司需要更少的管理层级来协调，并让领导者对工作有更大的可见性，即使工作变得更加分散。

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 上的数 PB 数据，Block 使用 Databricks 将其 AI 编码助手 goose 扎根于公司的上下文中。

对 Dorsey 来说，这种新架构的竞争理由是速度。“公司根据信息流动而快速或缓慢地移动，”他主张道。“层级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。“我在哲学上同意 Jack Dorsey，”他说。“问题是，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，这些是一回事。”了解正在发生什么的唯一方法是询问你的员工，他们再询问他们的员工，沿着树上下传递——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器。培养人才、帮助团队确定重要事项，以及注意到有人不开心，仍然需要人的关注。

因此，尽管两人在层级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二十世纪公司中的巨大权力，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，大萧条刚刚过去，詹姆斯·伯纳姆写了一本名为《管理革命》的书，预见到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流行的提议之一，国有化则是另一种。

伯纳姆明白正在发生什么。他阐述的是第三种事物，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，而是职业经理人、规划者、官僚和高管，他们运营着大型企业和国家。

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能了解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管理者手中。

在二十世纪下半叶，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，他们当然也不是这些公司的创始人，”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干一阵，然后去金融服务，然后再去做别的。”

但这种胜利正在耗尽自身。伯纳姆的管理阶层所具有的可扩展性和职业可靠性，是以速度和适应性为代价换来的，尤其是在面对技术变化时。

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给更多创始人，办法是自动化部分信息流转和协调工作——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人员采取行动所需的背景信息和权限。

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部分单元格的电子表格。

埃隆对最终目的地的判断也许是对的——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。不是每个人都会有直接下属，但会有更多人指定工作、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层对管理的垄断的终结。

如今，软件工程师对此感受尤为深切，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，将其拆解为任务，委派给并行工作的智能体，然后审查返回的拉取请求——批准其中一些，把另一些附上意见退回。随着智能体在更多领域具备能力，更多知识工作者也将经历类似的转变：从亲自执行每一个步骤，转变为明确需求、委派任务并评判工作成果。诺和诺德（Novo Nordisk）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意义的工作。

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

数学家阿尔弗雷德·诺斯·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索地执行的重要操作数量的增加。”企业也以同样的方式进步，一次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。而当某个循环证明自己能够可靠地完成一项有边界的工作时，人便从中退出，转向下一个尚未解决的问题，并将所学留在企业的共享记录中。

但是，正如伯纳姆（Burnham）大概率会注意到的那样，企业要保持主权，就必须拥有自己的模型，以及边缘处的人们教给它的一切。

主权企业

在智能体化企业中，优秀的人才将比以往任何时候都更有价值。但优秀的人才也会来来去去。与此同时，模型在不断进步，而每个竞争对手都能租用同样的模型。那么，企业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辅助信贷决策。第一家向模型发送提示词，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，并全程调整其策略。一年后，当更好的模型出现时，只有其中一家建成了更好的银行。如果你更换公司的 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 模型与其他人从同样的提示词起步，那就不是。

第二家银行就是人们开始称之为“主权”企业的那种公司。如果供应商提价、更改条款或停用某个模型，企业可以更换供应商而不丢失已学到的东西。随着模型变得更聪明、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构建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资本则是公司构建并拥有的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峰会上告诉观众，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，原因是我们公司有如此多的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，“而这一切始于数据。”

Databricks押注数据以及建立在其上的循环应该存在于公司控制的系统中。这甚至包括Databricks自己的专用模型，该公司多年来一直针对企业工作负载对其进行优化。重要的是循环，而不仅仅是数据；这正是他们自2023年以来一直关注的重点，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。只有当数据和对其进行分析的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。但最终创始人了解到，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。

你能想到的最好的主意

大约十年前，阿里打电话向我寻求建议。世界上最大的公司之一提出以约六倍于Databricks上一轮融资估值的价格收购该公司。

考虑到仅仅两年前这家公司几乎倒闭，且找不到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，他们唯一的经常性收入是卖给自己会议的门票，后来我们与NEA一起介入，领投了无人愿意领投的C轮。

阿里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。而且说实话，如果你按这个价格卖掉，对我来说真的很不错：我们在 a16z 能赚很多钱，我可以把投资人的钱翻很多倍还回去。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，并不是你现在的这家公司。当我回头看，人的一生中能有多少次机会，哪怕只是拥有一家像 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，我本该一路走到底。而现在我永远不会知道我能把它带到多远。’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，我都会支持你。”

Ali 道了谢，挂了电话。然后他对自己说：“我们绝不会这么做。这事不会发生。”

你就是很难遇到这样好的市场机会，又配上这样好的创业者。这是稀有中的稀有。我们见过很棒的创业者，但他们的市场机会有限；我们也见过拥有绝佳市场机会的公司，但创业者不够强大，无法实现它。而这是一个两者兼备的案例。

上个月，Databricks 的营收年化运行率突破 70 亿美元，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 是公司本身的根基——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，以及什么奏效了。有了这个根基，人和智能体就可以自主行动，而不必让每个决策都经过层层管理层，同时他们行动的结果会回流到公司拥有的记录中。

协调成本将会下降，公司用现有的人就能完成更多事情，还会诞生以前根本说不通的新公司，因为十个人就能做到过去需要数千人才能做的事。而在 AI 能够做到一个优秀的人所能做的一切之前——那还很遥远——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。更多的人会去处理尚无人解决的问题——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。

未来几十年，人们上班一整天会做什么？诚实的答案是：做任何尚未被弄清楚的事。随着智能体和公司把我们已知如何做的工作越来越多地自动化，人们将与这种新的智能一起，构建了不起的新事物，解决以前无法触及的问题。

立即订阅

本通讯仅供参考，不应作为法律、商业、投资或税务建议的依据。此外，本内容不构成投资建议，也不适用于任何 a16z 基金的投资者或潜在投资者。本通讯可能链接到其他网站或包含从第三方来源获得的其他信息——a16z 未独立核实此类信息，也不对其当前或持续的准确性作出任何陈述。如果本内容包含第三方广告，a16z 未审查此类广告，也不认可其中包含的任何广告内容或相关公司。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 管理的所有投资工具中的全部投资；请访问 https://a16z.com/investment-list/ 查看完整投资列表。其他重要信息可在 a16z.com/disclosures 找到。您收到本通讯是因为您此前已选择订阅；如果您希望退出未来的通讯，可以立即取消订阅。