@levie: 过去几个月，我们可能正在见证应用AI层在大规模场景下的模样。尽管一些初步的批评认为这只是LLM之上的一层薄薄封装，但事实证明，在企业中驱动自动化工作流远比想象中复杂得多。而任何存在复杂性的地方，随着时间推移，通常都会形成护城河并创造价值。

X AI KOLs Following 新闻
applied-ai enterprise ai-agents workflow-automation model-routing change-management go-to-market

摘要

对企业中新兴应用AI层的分析，概述了关键组成部分：构建工作流特定功能、智能模型路由、通过FDE进行变更管理以及领域特定的市场策略。文章认为，尽管存在一些批评，这一层将创造可持续的护城河和价值。

过去几个月，我们可能正在见证应用AI层在大规模场景下的模样。尽管一些初步的批评认为这只是LLM之上的一层薄薄封装，但事实证明，在企业中驱动代理化工作流远比想象中复杂得多。而任何存在复杂性的地方，随着时间推移，通常都会形成护城河并创造价值。 基于我们在编程、法律、医疗、客户支持、金融服务及其他领域共同看到的例子，以下是一些看似构成这一套路的组成部分： * 构建弥合智能与工作流之间差距的功能。有些工作流只需通过通用界面即可自动完成，但其他工作流需要针对其增强或自动化的任务量身定制的界面和功能。它们需要特定的功能来捕获代理所需的上下文数据。此外，它们需要一系列代理专用的定制工具，以及用于人机交互界面的独特体验。显然，仅仅呈现输出token远远不够，而且这一定义上的深度越深，其可持续价值就越高。 * 充当模型路由器，在前沿智能与更便宜的模型之间取得平衡。任何模型中立平台的一个天然优势是，它能够以符合商业模式的方式，自然地利用工作流自动化所需的各种智能水平。有很多场景需要GPT-5.5或Fable级别的能力，也有很多工作负载只需更高效的闭源或开源模型就能搞定。只有那些在所有模型上对特定任务有深入评估，并且有商业模式能力去利用这些模型的公司，才处于有利地位。 * 通过FDE或等同方式推动实际实施和变更管理。应用层能够大规模工作的一个重要原因是，大多数企业在为其工作流实施代理时，需要一定程度的帮助和支持来管理变更。数据需要清理并迁移到现代系统，流程需要重新设计并文档化，工作流需要评估，服务水平协议需要达成，等等。所有这些对于每种实施的流程都是独特的，这意味着在特定领域具有专长并带来所有相关最佳实践的公司将处于强势地位。 * 实施领域特定的市场策略，以在该领域建立专业知识。除了FDE之外，能够构建与其领域对齐的销售和市场推广模式的公司也具有天然优势。大多数IT和业务线领导每天有太多事情要做；所以如果你不在他们的议程上，很可能别人已经在上面了。根据行业不同，你需要使用完全不同的语言，处理安全和合规的方式也不同，需要支持不同的监管控制，参加不同的行业活动，与不同的系统集成商和咨询合作伙伴合作，等等。越通用化，就越难说客户的语言，而这正是应用层的优势所在。 最后一点。仍然有一种观点认为，很多这些问题仅凭模型智能本身就能解决，而且苦涩的教训最终会解决所有问题。这可能是真的，但企业*今天*就需要变革帮助。而且，将智能带入现实工作的许多方面并不仅仅取决于模型纯粹能力的维度，因此无论模型变得多好，你现在为赢得市场所做的大部分工作最终都会很重要。
查看原文
查看缓存全文

缓存时间: 2026/06/18 14:08

过去几个月，我们可能正在见证规模化应用下的 AI 应用层形态。尽管最初有批评认为这不过是 LLM 上的一层薄薄包装，但事实证明，在企业中真正驱动智能体工作流远比想象中复杂。而任何存在复杂性的地方，通常都会随着时间推移形成护城河与价值。

以下是根据我们在编程、法律、医疗、客服、金融服务及其他领域共同看到的案例，所总结出的应用层实践准则的若干组成部分：

  • 构建弥合智能与工作流之间鸿沟的功能。部分工作流通过通用界面即可自动化，但另一些则需要针对其所增强或自动化的工作来定制交互界面和功能。它们需要专门捕获智能体所需上下文数据类型的功能；需要为智能体提供各类定制工具；还需要人机协同环节中独特的交互界面。显然，远不止是呈现输出 token 那么简单——这个维度的深度越深，其可持续价值就越大。

  • 充当模型路由的角色，在顶尖智能与廉价模型之间取得平衡。任何模型中立平台的自然优势在于，它能以与商业模式一致的方式，灵活调用工作流所需的任何级别的智能。在很多场景中，你需要 GPT-5.5 或 Fable 级别的能力，但也有大量负载只需更高效的闭源或开源模型就能完成。只有那些在跨模型特定任务上拥有深度评估能力，并在商业模式上具备灵活调用能力的公司，才处于有利位置。

  • 通过全职专家或同等角色推动实际落地与变革管理。应用层能够规模化运作的一个关键原因，在于大多数企业在将智能体引入其工作流时，需要某种程度的变革管理支持与帮助。数据需要清理并迁移至现代系统，流程需要重新设计并文档化，工作流需要评估，服务水平协议需要达成等等。所有这些对于每个实施的具体流程来说都是独一无二的，这意味着在特定领域拥有专长并掌握所有相关最佳实践的公司将占据强势地位。

  • 实施领域特定的市场进入策略，在相应领域建立专业能力。除了全职专家外，能够围绕自身领域构建销售与市场进入机制的公司同样具备天然优势。大多数 IT 及业务线领导每天有太多事务要处理；因此，如果你不在他们的议程上，很可能别人就在。不同行业使用的语言、处理安全合规的方式、需要支持的监管控制、企业聚集的行业活动、必须合作的不同系统集成商与咨询伙伴等，都完全不同。越趋于通用化，就越难以讲客户的语言，而这正是应用层能够领先的地方。

最后补充一点。仍有一种观点认为，很多问题仅靠模型智能就能解决，而“苦涩的教训”最终会解决一切。这或许是对的，但企业需要的是 今天 的变革支持。而且，将智能引入实际工作的许多方面，并不单纯取决于模型的纯粹能力维度——因此无论模型变得多好，你现在为赢得市场所做的大部分事情最终都是重要的。

@levie 在 http://monday.com 作为 AI 智能体的 101 天：模型只是一次 API 调用——真正驱动我的是 15 个技能文件、20 个定时任务以及一条被重构了三次的审查工作流。当应用层不再只是护城河，而开始成为产品本身时，会发生什么？

相似文章