芝加哥——Reindeer 创始人兼 CEO Yoav Naveh 认为，企业 AI 智能体未来的差异化不再取决于模型质量。这一判断正在重塑 AI 初创公司的战略押注方向。

在芝加哥举行的 Supply Chain AI Symposium 上接受 FreightWaves 采访时，Naveh 描述了一个已经经历两轮采用浪潮、但未能兑现高管预期回报的行业，如今正转向第三轮、更具雄心的浪潮，重点是核心业务运营。与此同时，企业生成式 AI 支出持续上升，但 CIO 调查反复显示，将试点扩展到生产环境仍然是实现回报的最大障碍。

两轮 AI 采用浪潮都未达到预期

Naveh 用清晰的阶段概括了这一路径。"第一波：助手。每个人都有了 copilot、Claude、ChatGPT，"他说。"我们在软件工程相关的助手方面看到了很多成功。编码智能体效果很好。也许在法律领域没那么好。但总体而言，我们还没有看到助手让公司效率提升 10 倍或 100 倍。"

第二波聚焦于客户支持和呼叫中心。"我认为那确实是一个非常大的低垂果实，"Naveh 说。"一个大工作流，里面有很多类似的案例类型。我当然看到了那里的成功。"

现在，Naveh 表示，企业正在追逐真正触及大部分劳动力成本的浪潮：核心运营。"让我们把这些核心工作流拿出来，它们代表了每个人所做工作的 70%、80%，"他说。

这个市场比客户支持复杂得多。Naveh 估计，单个企业内部可能存在数十个，甚至数百个此类工作流，涵盖财务、采购、资金管理、会计和供应链，而且往往没有明确的单一部门负责人。

投资者忽视的细微差异问题

Naveh 最能说明这个市场为何难以被一套通用软件解决的例子，来自他所描述的一家客户——全球最大的消费品公司之一。

"他们会说，‘嘿，我们公司也在做 accounts payable，’但你的 accounts payable 和他们的 accounts payable 不一样，"Naveh 说。"我们合作的一家是全球最大的 CPG 公司之一。同一家公司里有五个不同部门，五套不同的 accounts payable 流程。"

这种碎片化正是 Naveh 对 AI 初创公司中逐渐流行的 forward-deployed engineer 模式持怀疑态度的原因。该模式把技术人员嵌入客户内部，为某一个流程手工搭建一个智能体。

"我要派三个工程师进去，和你们团队坐在一起，为那个特定流程构建智能体。他们之后还能回来，被派去另一个部门吗？还是会被困在维护他们做出来的东西上，因为流程在不断变化和演进？" Naveh 说。"我认为这个数学算不过来，因为它无法规模化。"

为什么模型不会成为企业 AI 智能体的护城河

Reindeer 的押注与企业软件界的一个普遍假设背道而驰：拥有或微调专有大语言模型构成持久优势。Naveh 认为，相反的情况正在发生。

"我坚信 LLM 会变成商品化能力，"Naveh 说。"我们看到开源模型大概比前沿模型落后六个月左右。但我们的想法是，我不再需要所有事情都用最前沿的模型。"

"我们现在和一家大型欧洲保险公司合作。他们决定自己构建 LLM。我们很乐意接入他们自己的 LLM，"他说。"我们也很乐意根据公司的数据隐私政策限制可用 LLM 列表，并根据白名单来处理他们的案例。"

这种观点给任何将卖点主要建立在模型优越性上的竞争对手带来压力。如果底层模型变得可互换，差异化就必须来自别处。

构建很容易。维护并不容易。

在 Reindeer 的模型里，那个"别处"就是维护层：识别工作流何时发生漂移，协调变化，并在不提交新的工程工单的情况下调整智能体。

"即使你已经部署了一个智能体，工作流仍然会变化，"Naveh 说。"如果没有一种方法让智能体识别这些变化、协调、自动修复、自动学习，我们就无法真正实现智能体能为你做的事情。" Reindeer 为应对这种漂移构建了 Naveh 所说的双循环系统。

Naveh 表示，构建 AI 智能体的经济性已经明显向行业有利的方向变化，而这恰恰使维护成为当前瓶颈。

"我觉得每个人都想去构建。构建很容易，"他说。他举例称，自己曾在一个晚上为同事做出一个内部仪表盘，随后却不断收到 bug 修复和功能需求。"我不想做那个，"他说。"那并不好玩。维护既不好玩，也不容易。"

"五年前你什么都做不出来，现在你可以做出很惊人的东西，"Naveh 说，并把 live coding assistants 等工具视为大幅缩小新手与专家工程师差距的原因。"现在真正需要的专业能力，正是你刚才说的那些：在东西被构建出来之后，处理所有这些不同的事情，并确保你在第一个晚上发布时很棒的东西，六个月后依然很棒。"

对于评估 AI 供应商的企业来说，Naveh 的框架指向了一个与多数人不同的尽职调查问题。与其问哪家公司在概念验证阶段拥有最好的模型，更持久的问题或许是谁能在上线很久之后仍保持智能体的准确性——因为其下方的工作流一直在持续变化。