Palo Alto Networks CEO 指出企業AI落地面臨多重挑戰，大多停留在80%確定性單次用例
Palo Alto Networks CEO Nikesh Arora 指出企業AI落地面臨多重挑戰，大多停留在80%確定性單次用例，依賴護欄或人工干預，距大規模自定義模型採用仍有距離。
複雜多代理編排與上下文保留場景開始測試，導致模型可移植性下降，企業需承諾單一架構並持續更新重訓；CIO與CEO對單棧、多模型或自定義路徑不確定，拖慢長期決策。
開源與自定義部署需自有GPU或公有云，若token價格下跌，前沿LLM運行成本或低於自建開源；橫向通用解決方案通常盈利更優，但本次或有不同，企業還需重構工作流、收集訓練數據並重建簡潔UI。
來源：公開信息
ABAB AI 解讀
Nikesh Arora 自2018年起領導Palo Alto Networks，將公司從防火牆廠商轉型平臺，市值從約170億美元增至超2000億美元，通過多次收購擴展安全與AI能力，曾在SoftBank任職推動科技投資戰略。
資本路徑上，Palo Alto 等安全廠商將企業專有威脅數據用於訓練領域特定模型，資源向孤立租戶與agentic安全部署調動，戰略動機在於將AI從成本中心轉化爲差異化護城河，同時押注token價格下降加速企業遷移。
類似Uber等企業早期AI編碼預算快速耗盡案例，以及歷史雲遷移初期猶豫，當前企業AI處於從試點到工作流重構的轉型初期階段，大型安全平臺正從防禦工具向智能系統演進。
本質屬於技術替代：前沿模型與開源競爭推動定價權向高效基礎設施與內存上下文轉移，機制在於企業數據孤島與agent chaining放大鎖定效應，迫使供應商通過深度定製與持續eval而非單純能力競賽實現資本集中。
ABAB News · 認知定律
效率槓桿放大之時，鎖定風險同步倍增。
價格下跌加速採用，護城河卻轉向不可遷移記憶。
橫向通用賺快錢，垂直深度築長牆。