硅谷在聊「AI 替代所有人」，C-suite 们在讨论怎么给 token 报销

Box CEO Aaron Levie 最近拜访了数十家横跨银行、媒体、零售、医疗、咨询和科技的企业 AI 负责人。他把调研发现写成一条长推，标题很直白：1.3 million people reading what the C-suite actually thinks about AI versus what Twitter thinks about AI。

落差巨大。

企业端的真实对话

硅谷叙事：AI 让复杂的事变得简单，发布更快，代码更少，什么都能自动化。

企业现场：「我们正在想办法给 token 做预算。」

Levie 收集到的场景：1

一家公司为 AI 计算资源专门搭了「鲨鱼坦克」式内部竞争机制——各团队上台 pitch，抢夺算力预算
另一家公司在每个业务单元都配备了 AI 主管，并向一个中央协调团队汇报，只为解决跨职能协调问题
第三家在内部建了 AI「需求层次结构」，把 AI 用量分配到最高价值的工作流上

他们讨论的不是 AI 能不能用、是不是有效。是怎么付钱。

那个 chart 才是真正的故事

Levie 分享了一张图：企业买家对话中 AI 的出现频率。

业务流程自动化：80%
客户服务：75%
销售：55%
知识管理：50%

2025 年上半年到下半年，每个品类都在飙升。AI 不再是一个部门的事，而是出现在每一个部门的每一个对话里。问题从「我们该用 AI 吗？」变成了「怎么同时给所有团队买单？」

最反直觉的发现：没人在说裁员

Levie 的线索里最让人意外的一条：没有哪家企业在谈用 AI 替代岗位。

不是因为他们客气。而是主要用例根本不是替代职位，是做以前做不到的事。

处理在档案柜里积压了几十年的文件
自动化一直没人力解决的后台瓶颈
对大到任何团队都无法手动阅读的数据集做分析

Jevons 悖论在这里再度出现：AI 让任务变便宜 → 公司做更多任务 → 用人反而没减少 → 因为还需要有人来搭建、运营和调试那些正在自动化一切的系统。

Levie 的原话：「所有人的工作量都比以前更多。AI 现在并没有让任何人少做事。」

把这句话重读一遍。那个本应减少工作量的技术，让所有人的工作量都变多了。不是因为失败，是因为成功——它打开了太多新的可能性，每个团队现在跑的项目数比 AI 出现之前还要多。

「最强的 AI 用法，比以前的软件时代更技术性」

这是 Levie 留给硅谷的一条逆耳忠言：最有力的 agent 用法，比以前的软件时代更需要技术能力，而不是更少。

MCP、Skills、CLI、企业规模的 agent 编排、prompt engineering——这些不是拖拽工具。它们需要工程师。

那批「AI 会替代的工程师」，正是每家企业都在招来部署 AI 的人。

AI 没有消灭工程师。它把工程师从代码写手，升级成了系统架构师。

AI Agent 创业：90% 会死，而且创始人自己也清楚

如果说 Levie 的调研揭示了 AI 在大型企业的「复杂落地」，那 Shyamol Konwar 的长推则解剖了另一端的冰冷算术：AI agent 创业的淘汰赛正在血洗行业。2

他引用的数据：

数据点	来源
AI 初创 92% 失败率，中位寿命 18 个月	847 家初创追踪研究
2024 年 966 家初创关闭，同比+25.6%	Carta 数据
Seed 阶段失败率+102%，Series A+61%	Carta 数据
EU AI Act 将>33% AI 初创列为高风险	EU AI Act 分类
合规成本 $160k–$330k	行业估算
AI 幻觉在企业造成损失 $674 亿（2024 年）	MedRxiv + 行业研究

平台风险不再是理论。OpenAI 每一次发布都在静悄悄地消灭半数自动化初创公司。Reddit 上有创始人公开发帖：「我的初创被 OpenAI 干掉第二次了，现在怎么办？」

GPU 成本吃掉技术预算的 40-60%，早期 AI 初创平均毛利率只有 25%（而传统 SaaS 目标是 70-80%）。顶级 ML 工程师 2025 年年薪达 $20 万以上，最顶尖的 $26.5 万到 $35 万——种子阶段根本抢不过。

Konwar 的判断：「通用 agent 套上 GPT-4 加一层薄界面，已经死了。只是还没停止动」。

活下去的路只有一条：停止宣传你的模型，开始宣传你的护城河。数据、分发、深度工作流整合——这三件事之外的一切，都只是等着被吸收的功能。

两条推文，同一个信号

读完这两篇，背后是同一条逻辑：

AI 已经真实有效，但「有效」比大多数人想的更难、更具体、更贵。

大型企业在为 token 成本建预算机制；AI agent 初创正在以每年数百家的速度关闭。每个层面都在做的同一件事：想清楚「AI 对我有效的那部分」到底在哪里，并为此构建护城河——不管那个护城河是内部数据、企业工作流集成，还是一个不会被 OpenAI 下一次更新轻易复制的垂直用例。

「代理做支持，代理做外联，代理做研究，代理起草合同，人类审核、批准和掌舵」——Levie 引用的这段话，也许是对当前 AI 能到哪一步最准确的描述。不是机器接管了一切，是机器接管了那些可以被准确规定的事，而人类的工作向上移动了一级。