a16z 聯創：Agent 時代的企業，人人都將成為管理者

作者：Ben Horowitz、Michael McGuiness

編譯：佳歡，ChainCatcher

如果 AI 能直接查詢業務情況、執行任務並追蹤結果，公司還需要多少層匯報？員工每天的工作，又會發生什麼變化？

a16z 聯創 Ben Horowitz 以 Databricks 為例指出，共享的企業數據系統將讓一線員工直接行動，管理工作不再由少數職業經理人壟斷；而企業能否把決策經驗沉澱在自己的系統裡，將決定其長期競爭力。

注：Databricks 是 a16z 的被投公司，Ben Horowitz 同時擔任其董事，文中涉及該公司的內容帶有投資方視角，不構成投資建議。以下為正文。

未來 20 年，我們生活的許多方面都會發生變化。其中，肯定能排進前五的問題之一是："你每天上班都在做什麼？"

圍繞這個問題，兩項重大突破即將發生。第一項是通過 Agent 實現自動化 ："描述一項我們目前在做的任務，然後讓它自動完成。"第二項是讓員工有能力主動採取行動。最接近問題的人，越來越能夠直接調查情況、把握機會，而不必等待信息和決策權在層層管理體系中傳遞。

這兩項突破都會從根本上改善每個人的日常工作。但有一個很大的前提：組織確實能夠轉向這種新的工作方式。

"一個人每天做什麼工作"，在很大程度上受制於雇主使用的企業數據與決策系統。而這套系統本身，又受制於所採用的數據庫技術，以及這些技術能夠實現什麼。很少有人想到後一層。

這個故事分為四個部分：

1）Databricks 究竟做什麼？你可能在廣告牌上見過的"Lakehouse"和"Lakebase"是什麼？為什麼說，它們是恰逢其時的架構突破？

2）什麼是"企業數據系統"（system of record，SoR）？如果 Agent 要在真實的公司裡工作、作出真正的決策，並為公司的知識庫作貢獻，為什麼需要一種新的企業數據系統？

3）企業究竟是什麼？如果 Agent 與人類的數量比達到 1000∶1，企業會發生什麼變化？企業又該如何形成差異、創造價值？

4）在這個新世界裡，人們每天上班都做什麼？工作場景中的 AI 經常被宣傳為"讓普通人擁有軟件工程師的能力"。但從長期看，它帶來的變化未必是"人人成為工程師"，而可能更接近"人人成為管理者"。

這或許是其中影響最為深遠的部分。我們正在親眼見證，塑造了 20 世紀的管理方式逐漸被拆解。詹姆斯·伯納姆在名著《經理人革命》中記錄過這種管理方式。

85 年前，他描述了信息技術與組織複雜性如何催生一種企業運營模式：由一小群職業經理人集中掌握公司內部的決策權。如今，新一輪技術變革正在讓一線專業人員重新承擔起責任，而我們都會因此受益。

從 Spark 到 Agent

最近，有人把 Databricks 描述為"一家趕上 AI 浪潮的數據公司"。但早在這股浪潮到來的 10 年前，AI 研究人員就創辦了這家公司。

Databricks 最初要解決的問題很直接：企業擁有越來越多的數據，處理起來卻太慢。2009 年，Ali Ghodsi 在伯克利做研究時，看到互聯網公司用海量數據預測用戶行為。但當時的主流工具，並不適合機器學習所需的反覆計算。

伯克利研究人員隨後開發了 Spark，讓這類任務的處理速度最高達到原來的 10 倍。2013 年，Ali、Matei Zaharia 等 7 名研究人員創辦了 Databricks，將 Spark 做成企業可以直接使用的平台，省去自行搭建和維護複雜系統的麻煩。

Spark 加快了數據處理速度，但企業的數據仍然分散在不同系統裡。其中，數據倉庫存放經過整理、可以信任的數據，主要用於業務分析和製作報表；數據湖則以較低成本，存放文檔、圖片、錄音和日誌等各種原始數據，但這些數據往往缺少整理，質量也難以保證。

兩套系統各有用途，卻也讓不同團隊彼此割裂。工程師和數據科學家主要使用數據湖，分析師主要使用數據倉庫。一方需要另一方的數據，就得有人負責搬運和維護，企業也因此積累了大量數據副本，以及彼此衝突的業務定義。

2020 年，Databricks 將兩者結合，推出"湖倉一體"（Lakehouse）架構。它讓企業在同一套數據上，同時開展業務分析和機器學習：既保留數據湖低成本存儲各種數據的能力，也提供數據倉庫所需的可靠管理和快速查詢能力。

這樣一來，工程師、數據科學家和分析師就能共用同一套數據，減少在不同系統之間反覆複製和搬運的工作。

圖 ：湖倉一體將數據湖與數據倉庫結合，讓同一套數據同時服務業務分析、機器學習與 AI。

但還有一部分數據沒有被整合進來。企業處理支付、用戶登錄等日常業務，依賴的是另一類數據庫。這些數據庫仍需通過另外搭建和維護的連接，把數據送到用於分析的系統中。業務持續變化，連接這些系統的工作也就一直存在。

2025 年，Databricks 收購了 Neon，並在此基礎上推出 Lakebase，將整合進一步延伸到日常業務數據庫。業務系統中的數據發生變化後，可以自動同步給分析師、工程師和 Agent 使用，減少在不同系統之間搬運數據的工作。

對 Agent 來說，Lakebase 還提供了一項重要能力：快速創建與正式業務隔離的數據副本。即使數據庫規模很大，也能在幾秒內準備好這樣的副本。Agent 可以在裡面試驗，用完後再丟棄，不必每次都從頭複製整個數據庫。

這為軟件使用方式的變化提供了基礎。幾十年來，企業軟件主要由少數工程師開發，其他員工負責使用。如今，人們正在走向一種新的工作方式：先說明想要的結果，再讓軟件想辦法實現它。

企業不再只是讓數千名員工，讀寫由中央團隊管理的少數幾個數據庫，而是可能擁有數千個數據庫，由數百萬個 Agent 進行讀寫。讓數據能夠被共同使用、及時更新，並方便 Agent 在其中開展工作，也就變得越來越重要。

面向 Agent 的企業數據系統

圖 ：Databricks CEO Ali Ghodsi 在公司 2026 年 Data + AI Summit 的舞台上。

6 月，Ali 站在公司 Data + AI Summit 約 3 萬名觀眾面前，請認為通用人工智能已經到來的人舉手。他估計，舉手的人大約占 10%。

"我們認為，AGI 已經到來了。"他告訴觀眾，如今的前沿模型已經能夠答對"人類最後的考試"中超過一半的題目。這項測試包含由 100 多個領域的專家編寫的 2500 道題，原本被認為難到任何 AI 都無法回答。

2022 年 ChatGPT 剛推出時，它能處理的編程任務，大致相當於人類花 30 秒就能完成的工作。如今，前沿 Agent 已經能夠完成熟練工程師需要一整個工作日才能做完的編程任務。

獨立評測機構 METR 追蹤了從 2019 年以來不同模型能夠獨立完成的任務時長，發現這個時長大約每 7 個月翻一番。最近，進展甚至更快，而且類似趨勢也出現在編程以外的領域。如果這一趨勢持續到 2030 年代初，Agent 將能夠完成那些人類需要數年才能完成的任務。

圖 ：AI Agent 的"新摩爾定律"。

然而，在今天的大多數公司裡，人們仍然不相信 AI 能夠可靠地更新 Salesforce （一款客戶管理軟件）中的記錄。

"AI 的問題不在智能，而在上下文。"Ali 解釋說。即使是最聰明的人，如果無法獲取公司數據，沒有行動權限、反饋，也不了解其他員工腦中的知識，幾乎同樣無能為力。Ali 給出的答案，是他所說的"面向 Agent 的企業數據系統"。

你也許看過 Palantir CEO Alex Karp 談論業務本體（Ontology）的视频片段。他認為："市場上的全部價值，都將流向芯片，以及我們所說的業務本體。業務本體讓你能夠拿來一個大語言模型，使用它、改進它，再將它應用到企業之中。"至於這在實踐中究竟意味著什麼，通常就留給聽眾自己琢磨了。

每家公司都有自己的業務本體，也就是一套描述公司裡有哪些事物、它們如何關聯、各種用語是什麼意思，以及兩個信息源發生衝突時應以哪個為準的模型。其中一部分存在於數據庫、儀表盤、制度和文檔中，但還有很大一部分，只存在於資深員工的腦中。

而且這套模型永遠不會定型。合同會變，臨時的變通辦法會成為流程，例外會成為規則，正式記錄也會逐漸偏離實際工作方式。誰來決定什麼、哪些決策後來被證明正確，同樣如此：決策權限和評估標準，與業務本體一樣，常常沒有寫下來。

人們會在日常工作中不動聲色地補上這些缺口。銷售副總裁就需要知道，原本被認為能成交的最大一筆訂單之所以停滯，是因為客戶內部推動這筆交易的關鍵人物正在悄悄面試其他工作；也需要知道，某位銷售口中的"90%"成交概率，實際上只有 50%，並在預測上報給 CEO 之前將其下調。

要讓 Agent 自主行動，目前存在於人腦中的大量業務本體知識、決策權限和評估標準，就必須進入企業的數據系統。Databricks 押注湖倉系統是承載這些內容的天然選擇，因為公司的其他數據已經在那里存儲和管理。

"如今，湖倉系統已經成為企業數據系統。"Ali 說，"我把它稱為 SORA，也就是面向 Agent 的企業數據系統（System of Record for Agents）。"

員工可以通過 Genie 與這套企業數據系統互動。Genie 是 Databricks 於 2024 年推出的自然語言互動界面，讓公司裡的任何人都能向企業數據提問，並且越來越多地在這些數據之上構建 Agent。

在底層，這套記錄系統必須覆蓋整個企業，持續回答四個問題。Databricks 正在逐一解決這些問題：

什麼是真實的？Lakehouse 和 Lakebase 已經保存了企業當前的業務狀態。

這些信息意味著什麼？為避免 AI 每次收到問題時，都在公司數據中反復翻找答案，Databricks 的 Genie Ontology 會持續構建組織知識圖譜，例如收入如何計算，上週例會的會議記錄討論了什麼。

工程師把其中的算法命名為 OntoRank，向谷歌的 PageRank 致意。它會根據定義由誰創建、使用範圍多廣、最近何時修改等屬性，判斷哪些知識更具權威性。在 Databricks 的測試中，讓 Agent 以企業業務本體為依據，將回答準確率從約 50% 提升到了 84.5%。

允許做什麼？過去，每名員工擁有一個登錄賬號的訪問模式，在所有員工都是人類時還能運轉。但當員工每天都能啟動數百個 Agent 時，這套模式就行不通了。"你不可能逐一為 Agent 授予每個專有、彼此孤立的數據庫的訪問權限。"Ali 解釋說。

Databricks 的 Unity Gateway 為公司裡的每個模型、Agent 和 AI 工具分配身份、預算和操作限制，並通過追蹤日誌記錄每一步操作，讓公司能夠看到 AI 系統在做什麼、訪問了哪些數據，以及花了多少錢。

有沒有奏效？Databricks 為企業提供了兩種構建 Agent 的方式。業務團隊在 Genie 中構建，把一段提示詞變成可以分享的 Agent，讓它基於企業數據進行推理，並越來越多地在 Slack 或 Salesforce 等應用中採取行動。工程師則可以使用 Agent Bricks，為實際生產環境構建定制程度更高的 Agent。

無論採用哪種方式，Databricks 都允許團隊設計自己的"考試"，明確哪些結果可以接受、哪些錯誤絕不能出現，再提供工具，按照企業對具體任務的要求優化每個 Agent。AI 就這樣形成了一個反饋閉環。

圖 ：AI 如何形成反饋閉環：確認事實、理解含義、明確權限、執行並評估，再將經驗寫回企業掌握的記錄系統。

企業計算領域的每次平台變革，都会引發新一輪圍繞企業數據系統的爭奪。IBM 主導了大型機時代；甲骨文和 SAP 成為客戶端與伺服器架構時代的企業基礎；Salesforce、Workday 和 ServiceNow 則分別構建了銷售、人力資源和 IT 領域的 SaaS 企業數據系統。Agent 將帶來下一輪變革。

但與哪家供應商能夠勝出相比，Agent 會怎樣改變企業本身，是一個更大的問題。

企業的性質

在 1937 年的論文《企業的性質》中，經濟學家羅納德·科斯提出：企業為什麼會存在？如果市場可以通過價格和合同協調經濟活動，為什麼還要把人聚集到公司裡，讓他們的工作接受管理者指揮？

他的答案歸結為交易成本。找到合適的人，商定做什麼、以什麼價格做，再監督整個過程，都需要時間和金錢。企業通過一種不預先限定每項具體任務的安排，取代了部分反復進行的市場交易，讓管理者在約定的範圍內調配資源。

但在企業內部組織工作，同樣不是沒有成本。隨著公司擴大，更多信息需要經過更多人傳遞。最終，在內部組織下一筆交易的成本，會與從市場購買的成本相等。按照科斯的解釋，企業會一直擴張，直到這兩種成本相遇。

40 年後，同時獲得諾貝爾獎與圖靈獎的少數人之一赫伯特·西蒙發現，把企業的記憶集中存放，反而能讓決策分散進行。他寫道，共享的計算機記錄"讓各個分散的決策點能夠獨立採取行動"，因為系統會自動將這些行動與共享記錄進行核對和協調。

以航空公司為例，波士頓的一名售票員在賣出飛往芝加哥的最後一個座位之前，不必給其他所有售票員打電話。她只需要查詢記錄；當她賣出這個座位，所有人看到的記錄都會隨之更新。集中管理的業務狀態，讓分散行動變得更安全，因為人們可以通過共享記錄協調，而不必逐一與他人溝通。

關係型數據庫將這一原則推廣到了整個企業。過去需要報告、會議和管理層交接才能完成的工作，變成了對共享記錄的一次查詢。這讓公司能夠協調更多產品、地點、人员和交易，而不必按同樣的比例增加管理人員。

到了 20 世紀 90 年代，互聯網讓外部世界也能向企業的記錄寫入信息，線上市場由此能夠協調數百萬陌生人之間的買賣、庫存和支付。

由於企業內部和外部的交易成本都下降了，數據庫時代並沒有讓所有企業一致變大或變小，而是讓更多不同類型的企業得以存在。大企業能夠管理複雜得多的業務，小企業則可以租用或購買過去需要整個部門才能提供的能力。

AI 很可能也會如此。在企業內部，Agent 可以通過自動完成報告、搜索和日常任務，降低協調成本。在企業外部，它們可以幫助尋找和評估供應商、協商常規條款，並監督結果。

正如之前的數據庫，AI 將讓企業和市場能夠承載更複雜的活動。但它影響更深遠的地方，可能是改變企業的組織形態。

20 世紀的典型企業呈金字塔形，因為層級體系就是它的信息處理系統。事實通過報告和會議向上傳遞，決策再逐級向下傳達，信息流動的路徑與組織架構圖相互對應。管理層決定哪些數據值得收集和分享，這意味著，公司對自身的認識，取決於管理者選擇收集哪些信息。

數據庫改變了這種結構，但只改變了一部分。共享記錄讓人們能夠直接獲取信息、更獨立地行動，但通常仍然局限在別人事先設計好的流程之內。

在計算機時代的大部分時間裡，由相對少數的管理者、運營團隊和工程師，定義公司的數據結構、指標、應用和工作流程。使用這些系統的員工，遠比參與設計系統的員工多。

這不僅限制了人們能做什麼，也限制了組織能夠知道什麼。比如，一名客服每週都會聽到好幾次相同的投訴，如果她的經理沒有寫報告把它記錄下來，那麼她知道的事情，公司卻並不知道。而解決這個問題，又是另一回事。

如今，獲取信息與採取行動這兩方面的技術門檻，正在同時下降。

正如 Andrej Karpathy 在 2023 年所說："最熱門的新編程語言是英語。"自然語言界面讓更多領域專家能夠直接查詢企業數據，而不必等懂 SQL 或 Python 的人預先想到這些問題，或代為回答。

在有著百年歷史的全球醫療保健公司諾和諾德，科學家過去需要等數據工程師編寫查詢。現在，他們只需向 Genie 提出"展示我們所有與肥胖相關的數據"，它就會立刻找出相關試驗、研究發現和可視化結果。

在明確的權限範圍內，員工還可以自行構建解決方案，節省數小時甚至數天的工作。在電動汽車製造商 Rivian，一名沒有 SQL 經驗的財務分析師，用 Genie 為 CFO 製作了營收儀表盤；一名供應鏈分析師，則開發了一個追蹤入庫貨物運輸情況的應用。

這並不意味著，每個人都可以不經批准就訪問公司的所有數據或資源。隨著工作更加分散，共同的業務本體、權限體系和問責機制反而變得更加重要。企業數據系統集中管理業務狀態和操作邊界，同時讓更多人能夠提出問題、設計工作流程並採取行動。

3 月，Jack Dorsey 寫了一篇題為《從層級到智能》的宣言，介紹他的公司 Block 如何開始嘗試這一理念的一種更徹底的版本。他寫道："一個系統首次能夠持續維護整個企業的最新模型，並據此協調工作。過去，這些工作需要人類通過層層管理體系傳遞信息才能完成。"

Ali 所說的"面向 Agent 的企業數據系統"，與 Jack 所稱的企業"世界模型"類似，都是持續更新的模型，呈現組織的運營、決策、能力和優先事項。一線員工讓模型與現實保持聯繫，模型則提供採取行動所需的共享背景信息。

"人可以進入模型還無法觸及的領域。"Dorsey 解釋說，"他們能感知模型感知不到的東西：直覺、明確的方向判斷、文化背景、信任關係的變化，以及現場的氣氛。他們會作出模型不應該自行作出的判斷，尤其是在倫理決策、全新情境，以及一旦犯錯就可能危及企業生存的重大時刻。"

結果是，企業在工作更加分散的同時，能夠用更少的管理層級完成協調，也讓領導者更清楚地了解工作情況。

在 Dorsey 看來，這種新架構的競爭優勢在於速度。"公司運轉得快還是慢，取決於信息如何流動。"他說，"層級體系和中層管理會阻礙信息流動。"

Ali 總體上認同 Dorsey，但有一點不同。"從理念上說，我認同 Jack Dorsey。"他說，"問題是，這是否也適用於人類員工的組織架構圖？"他認為，人們把兩件事混為一談了：公司的組織架構，以及信息在公司內流動的方式。

"10 年、20 年前，它們確實是一回事。"當時，要了解公司發生了什麼，只能沿著組織架構逐級詢問：你問下屬，下屬再問他們的下屬。但現在已經不同了。

企業仍然需要管理者，只是不再需要那麼多負責傳遞資訊的人。培養員工、幫助團隊確定什麼更重要，以及發現有人情緒低落，仍然需要人的關注。

因此，儘管兩人對於管理層級會減少到什麼程度看法不同，但他們都認為，AI 將接手資訊傳遞工作。20 世紀，正是因為企業變得過於複雜、離不開這些協調工作，管理者才獲得了巨大的權力。

第二次經理人革命

85 年前，大蕭條剛剛過去，詹姆斯·伯納姆寫下了《經理人革命》。這本書預見了企業運作方式，乃至資本主義本身將發生的巨大變化。

大蕭條之後，一種流行看法認為，企業家資本主義已經走到盡頭，必然會有某種新制度取而代之。當時流行的方案包括社會主義集體組織，以及國有化。

伯納姆看懂了正在發生的事情。他提出了第三種可能。這不只是一種公司結構，而是一種全新的社會秩序，他稱之為"經理人社會"。在這個體系中，起決定作用的統治階層，既不是傳統的資本所有者，也不是工人，而是經營大型企業和國家機構的職業經理人、規劃者、官僚和高管。

他認為，現代機構在技術上已經複雜到無法由個別資本家親自指揮。沒有任何 CEO 能夠知道一家擁有 10 萬名員工的公司裡發生的一切，因此，控制權將逐漸從所有者和領域專家手中，轉移到行政管理者手裡。

到了 20 世紀下半葉，職業經理人主導的管理模式幾乎取得了全面勝利。"《財富》500 強公司的大多數高管，並不是各自公司所在領域的專家，更肯定不是那些公司的創始人。"Marc Andreessen 說。

"他們是職業經理人。事實上，在整個職業生涯中，他們很可能會管理許多不同類型的企業：先在醫療保健行業待一段時間，再去金融服務行業，之後又轉到別的行業。"

但這種勝利正在耗盡自身的優勢。伯納姆所說的經理人階層，帶來了可規模化複製的管理能力和穩定可靠的專業運作，卻犧牲了速度與適應能力，尤其是在技術不斷變化的時候。

Marc 提出，完善的數據基礎設施與 Agent 相結合，或許能讓企業同時保留創始人的活力，以及大規模組織所需的協調能力。

過去，部分資訊傳遞和協調工作讓管理層成為必需。Agent 將其中一些工作自動化，讓更多創始人能夠採用這種運營方式；企業的數據系統，則為一線員工提供行動所需的背景資訊與權限。

Elon Musk 把 Marc 的想法又向前推了一步。今年早些時候，他預測，那些仍然"保留人工參與環節"的公司會輸。他認為，在 AI 時代還把人留在流程中，就好比使用一張電子表格，卻要求由人手工計算其中一些單元格。

對於最終的方向，Elon 或許是對的。但沒有人知道，全自動運行的公司距離我們究竟有多遠：有人預測只需幾年，也有人認為永遠不可能。

在那之前，一個頗具反諷意味的結果是，職業經理人主導模式的衰落，可能表現為人人開始承擔管理工作。並非每個人都會有直接下屬，但會有更多人負責明確工作內容、分配執行任務、檢查結果，以及更新流程。第二次經理人革命，與其說是管理的消亡，不如說是職業經理人階層對管理工作的壟斷走向終結。

軟體工程師如今已經強烈感受到這一點：他們的工作正在從親手編寫程式碼，轉向管理一組編程 Agent。工程師的一天越來越像管理者：界定問題，把問題拆成任務，交給並行工作的 Agent，再審查它們提交的程式碼合併請求，有的批准，有的附上意見退回。

隨著 Agent 在更多領域具備能力，更多知識工作者也會經歷類似轉變：從親自完成每一個步驟，轉向明確要求、分配任務和判斷成果。

諾和諾德的科學家和 Rivian 的供應鏈分析師，已經在通過 Genie 指揮 Agent，完成過去需要一組工程師或數據科學家才能完成的工作，讓這些團隊能夠專注於最具戰略價值的任務。

這對人的生產率和薪資都是好消息，因為執行與判斷在經濟上相互補充：當 AI 降低了常規執行工作的成本，對指導這些工作的判斷能力的需求就會上升。

一個世紀前，數學家阿爾弗雷德·諾斯·懷特海指出："文明的進步，在於讓越來越多重要操作能夠在我們無需思考的情況下完成。"企業也是如此，每完善一個工作閉環，就能提高一點自主運行能力。

每當有人糾正 Agent 的工作閉環，這次糾正都應改善下一次執行。當一個閉環證明自己能夠可靠地完成一項範圍明確的工作後，人就可以退出這個環節，轉向下一個尚未解決的問題，同時把積累的經驗留在企業的共享記錄中。

不過，正如伯納姆很可能也會注意到的，要保持自主權，企業就必須掌握自己的模型，以及一線員工教給它的所有東西。

自主可控的企業

在由 Agent 參與運作的企業中，優秀人才將比以往更有價值。但優秀人才也會來來去去。與此同時，模型不斷進步，每個競爭對手都能租用相同的模型。那么，在這個新世界裡，企業究竟該如何建立可持續的競爭優勢？

設想兩家銀行租用同一個前沿模型，輔助信貸決策。第一家向模型發送提示詞，收到回答，然後記錄最終決定。第二家則記錄哪些事實促成了回答、人類作過哪些修改、哪些決策效果好、哪些失敗，並在整個過程中不斷調整政策。

一年後，更好的模型出現時，只有其中一家銀行真正變得更好了。如果你更換公司的 AI 模型，新模型仍能繼承公司的業務定義、權限設置、經過評估的案例、客戶歷史，以及來之不易的特殊情況處理經驗，那麼這就構成了可持續競爭優勢的基礎。如果新模型仍然和所有競爭者一樣，從同樣的提示詞起步，就沒有這種基礎。

第二家銀行，就是人們開始稱作"自主可控"的企業。如果供應商漲價、修改條款，或者停用某個模型，企業能夠更換供應商，而不會丟失積累的經驗。隨著模型變得更聰明、企業對它們越來越依賴，這種獨立性只會更加重要。

在最近的一篇文章中，微軟 CEO Satya Nadella 從另一個角度得出了相近的結論。他認為，AI 模型不斷吸收個人和組織的專業知識，並將其變成人人可用的通用能力，因此，"每家公司都必須建立我所說的人力資本和 Token 資本"。

人力資本，是員工的知識、判斷力、人際關係與創造力；Token 資本，則是企業構建並掌握的 AI 能力。兩者在持續學習的閉環中相互積累、共同增長，而"這個閉環，將成為企業新的知識產權"。

數據是 Token 資本的基礎。"每家公司的業務數據，都是自己的金礦。"英偉達 CEO 黃仁勳在 Databricks 2024 年 Data + AI Summit 上對觀眾說。他解釋，從晶片設計到供應鏈，英偉達幾乎每個流程都從數據飛輪開始。

"它讓我們能夠成為世界上規模最大的'小公司'之一。"他說。當時，英偉達的估值超過 3 萬億美元，員工卻只有 3 萬人。"原因當然在於，公司內部有大量 AI 在幫助我們，完成了不起的工作。"黃仁勳認為，每家公司都將如此。"這是一個非同尋常的時代。"他說，"而一切都從數據開始。"

企業的未來

要讓 Agent 在企業裡可靠地工作，數據系統需要持續回答四個問題：發生了什麼，這些資訊意味著什麼，允許採取哪些行動，以及行動是否有效。

有了這層基礎，人和 Agent 就能自主行動，不必讓每一項決策都經過層層管理體系傳遞；行動的結果，也會回到企業自己掌握的記錄中。

協調成本會下降，企業可以用現有員工完成更多工作。過去在商業上無法成立的新公司也將出現，因為 10 個人將能夠完成過去需要數千人才能完成的工作。而在 AI 能夠做到優秀人才所能做的一切之前，優秀人才將因此變得更加寶貴，而非貶值。距離那一天，還很遙遠。

按照別人設計好的流程辦事的人會越來越少，因為 Agent 會處理那些我們已經弄清楚該怎麼做的工作。更多人將轉向尚無人解決的問題：判斷什麼是好的，察覺發生了什麼變化，以及決定接下來應該創造什麼。

未來幾十年，人們每天上班都做什麼？誠實的答案是：做那些我們還沒弄清楚該怎麼做的事。當 Agent 和企業將更多已知做法的工作自動化之後，人們將與這種新的智能一起，創造出色的新事物，解決過去無力解決的問題。