芝加哥 — Reindeer 創辦人兼執行長 Yoav Naveh 表示，未來企業 AI 代理將不再以模型品質作為差異化因素。這一信念正在重塑 AI 新創公司的策略佈局方向。

Naveh 在芝加哥舉行的供應鏈 AI 研討會上接受 FreightWaves 採訪時表示，該產業已經歷兩波截然不同的採用浪潮，但都未能實現高階主管所期望的回報——如今正積極追求第三波、更為宏大的浪潮，聚焦於核心業務營運。這一轉變發生的背景是，企業生成式 AI 支出持續攀升，然而針對 CIO 的調查反覆顯示，將試點專案擴大至正式生產仍是實現回報的最大障礙。

前兩波 AI 採用浪潮成效不彰

Naveh 將發展軌跡劃分為清晰的階段。「第一波：助理。每個人都拿到了 copilot、Claude、ChatGPT，」他說。「我們看到助理在軟體工程領域取得了很大的成功。程式編寫代理運作得非常好。法律領域可能就沒那麼好了。但總體而言，我們尚未看到助理讓公司的效率提升 10 倍或 100 倍。」

第二波則聚焦於客戶支援與客服中心。「我認為這確實是一個非常大的低垂果實，」Naveh 說。「一個大型工作流程，大量相似的案例類型集中在一起。我確實在那裡看到了一些成功。」

如今，企業正轉向佔其勞動支出大宗的領域：核心營運。「讓我們來看看這些佔每個人 70%、80% 工作內容的核心工作流程，」Naveh 說。

這個市場比客戶支援複雜得多。Naveh 估計，單一企業內可能包含數十甚至數百個這樣的工作流程——涵蓋財務、採購、國庫、會計和供應鏈——而且往往沒有單一部門明確負責。

投資人忽視的碎片化問題

Naveh 以一個他描述為全球最大消費品公司之一的客戶為例，提供了一個極具說服力的案例。

「他們會說，『嘿，我們公司正在做應付帳款，』但你們的應付帳款和他們的應付帳款是不同的，」Naveh 說。「我們與全球最大的 CPG 公司之一合作。五個不同的部門，同一家公司內有五個不同的應付帳款流程。」

正是這種內部碎片化，讓 Naveh 對在 AI 新創領域日益流行的前線部署工程師模式持懷疑態度。在這種模式下，供應商將技術人員直接嵌入客戶組織，逐一為每個流程打造代理。該模式與 Palantir 的商業擴張密切相關，隨後被新一代 AI 新創公司效仿，因其能提供量身訂製的部署而備受推崇，但長期面臨毛利率和可擴展性的質疑。

「我要派三名工程師進去，和你的團隊一起，為那個特定流程建立代理。他們還有機會回來被派往其他部門嗎？還是會被困在維護他們建造的東西上，隨著流程的變化和演進而不斷調整？」Naveh 問道。「我認為這在數學上根本行不通，因為它無法規模化。」

為什麼模型不會成為護城河

Reindeer 的策略挑戰了企業軟體領域的一個普遍假設：擁有或微調專有大型語言模型構成持久的競爭優勢。Naveh 主張，情況恰恰相反——而開源模型的發展軌跡也印證了這一論點。Meta 的 Llama 系列和 Mistral 的模型等版本，已迅速縮小了與前沿專有模型之間的能力差距，進一步強化了模型品質本身作為差異化因素正在遞減的觀點。

「我們堅信 LLM 將走向商品化，」Naveh 說。「我們看到開源模型大概落後前沿模型六個月。但我們的想法是，我不需要為每件事都使用前沿模型了。」

Reindeer 的方法在實踐上是模型中立的。「我們現在與一家大型歐洲保險公司合作。他們決定建立自己的 LLM。我們很樂意接入他們自己的 LLM，」Naveh 說。「我們也很樂意根據公司的資料隱私政策限制允許的 LLM 清單，並想辦法用白名單中的模型來運行他們的案例。」

如果底層模型變得可互換，那麼任何主要依靠模型優越性作為賣點的競爭對手，其優勢都將不斷縮小。

開發很簡單。維運並非如此。

在 Reindeer 的框架中，真正的差異化因素在於維運層：即偵測已部署工作流程何時偏離原始配置、協調變更，並在無需新的工程介入的情況下重新校準代理的能力。Naveh 所描述的挑戰，反映了機器學習營運中一個有充分記錄的問題：模型和資料偏移會逐漸侵蝕在發布時表現良好的生產系統。

「即使在你部署代理之後，工作流程仍在不斷變化，」Naveh 說。「如果你沒有一套方法讓代理偵測這些變化、協調、自我修復、自我學習，我們就無法真正實現代理能為你帶來的價值。」為了應對這一挑戰，Reindeer 開發了 Naveh 所稱的雙迴圈系統，專門用於管理工作流程偏移。

Naveh 指出，開發 AI 代理的經濟效益已經果斷地向有利於產業的方向轉變——這正是維運成為關鍵瓶頸的原因。

「我認為每個人都想要開發。開發很簡單，」他說。他講述了在一個晚上為同事開發一個內部儀表板的經歷，隨後卻面臨源源不絕的錯誤修復和功能需求。「我不想做那些，」他說。「那不好玩。維運既不好玩也不簡單。」

「五年前你什麼都做不出來，現在你做出來的東西令人驚嘆，」Naveh 說，他將即時編寫程式助理等工具視為大幅縮小新手與專家工程師之間差距的利器。「現在需要的專業知識正是你所說的，圍繞開發完成後的這些不同事務，確保你在發布的第一個晚上令人驚嘆的東西，六個月後依然令人驚嘆。」

對於評估 AI 供應商的企業來說，Naveh 的框架指向了一個根本不同的盡職調查問題。與其問哪家公司在概念驗證階段擁有最強的模型，更持久的問題也許是：哪家供應商能在發布很久之後，當底層工作流程持續變動時，仍能維持代理的準確性。