Box CEO Levie：AI擴散比預期慢

紅杉資本（Sequoia）旗下播客《Training Data》主持人Sonya Huang近期與Box創始人兼CEO Aaron Levie錄製了一期對談節目；Sonya Huang特別提到，錄製時正值Sequoia合夥人Doug Leone做無痛根管手術這類"當下熱點"話題佔據熱搜、而非AI前沿進展本身的"更簡單的時代"，但她認爲Levie關於企業與個人如何爲AI時代重塑自身的建議具有不過時的價值。

Box由Aaron Levie於20年前創立，目前存有數千億量級的企業文件；他已將公司未來押注在能夠讀取並處理其中每一份文件的AI代理（agents）身上。據Sonya Huang描述，Levie是AI行業裏最深度參與的人物之一，幾乎出現在這一領域所有公司的股權名冊（cap table）上，他自稱95%的AI認知來自Twitter，同時被認爲是少數既能"橫跨互聯網圈層"、又能獲得企業CIO們信任的CEO。

Levie在對談中提出兩個核心論點：第一，當前模型能力與企業實際工作流需求之間的差距依然巨大，彌合這一差距需要大量軟件工程投入；第二，AI在編程領域之外的擴散速度，將遠慢於硅谷當前的普遍預期，而這種"慢"恰恰是應用層（applied layer）公司價值的真正來源。

對談還涉及一系列具體議題：應用層公司爲何是當下最炙手可熱的"新實驗室"（neolabs），以及"LLM套殼"（LLM-wrapper）商業模式爲何終於開始跑通；模型提供商若直接接管企業的token路由，將帶來一種"監守自盜"（fox-guarding-the-henhouse）式的利益衝突問題；企業爲何能接受AI寫代碼、卻對AI寫的文檔/PPT心存排斥（即所謂"work slop"現象）；以及Box如何構建自己的智能體（agentic）技術框架，並稱其在準確性與延遲表現上優於直接調用底層模型API。

此外還討論了"開放權重悖論"——閉源模型實驗室與開源模型生態正同時呈指數級增長；持續學習（continual learning）技術在企業場景落地前需要解決的問題，例如如何應對一名同時處理五個案件、且案件之間存在"信息隔離牆"（Chinese wall）要求的律師的具體需求；Levie預測，五年後企業消耗的token中，超過90%將來自並非由人類主動發起的任務；他給出的當下創業者核心判斷是：誰能真正把AI能力交付到客戶手中，誰就能贏得這場競爭。

從市場機制看，這場討論指向的資金與價值分配邏輯是：如果應用層公司（如Box）真正掌握了通往終端客戶的分發渠道和場景數據（數千億份企業文件），其議價能力將不遜於甚至強於底層模型廠商——這也是"LLM套殼"這一此前被普遍看衰的商業模式如今被視爲可行的原因；而"模型廠商直接路由企業token"之所以被類比爲"監守自盜"，是因爲一旦模型廠商同時掌握底層能力與終端分發渠道，應用層公司將失去議價籌碼，客戶數據與使用行爲也可能被上游模型廠商反向利用。誰受益：擁有存量企業數據與客戶關係的老牌軟件公司；誰承壓：單純依賴調用底層模型API、缺乏自有場景數據與分發渠道的輕量應用創業公司。

來源：公開信息