跳转至

The new AI lock-in

Ch01.681 The new AI lock-in

📊 Level ⭐⭐ | 4.4KB | entities/new-lock.md

核心要点

摘要

相关实体

→ 原文存档

深度分析

文章核心命题：AI 供应商锁定（lock-in）并未消失，而是从模型层向上迁移到了编排层、工作流表面和服务层。 锁定结构的三层迁移 1. 模型层：替换成本持续下降。Claude Code、Codex、Gemini、Local 模型之间的迁移越来越顺畅，API 层的抽象也在改善。但这是供应商最希望客户关注的层面——因为它最容易替代。 2. 编排层（Orchestration Layer）：框架如 LangGraph 本身不是锁定陷阱，但编排逻辑会积累粘性。Klarna、Replit、Elastic、Ally 等已在 LangGraph 上投入一年时间构建 agent 行为、评估、恢复逻辑和可观测性追踪的公司，不太可能因为竞品发布更快/更便宜的模型就拆除它。 3. 工作流表面（Workflow Surface）：Anthropic 的 Claude Cowork 战略真正发力的地方——私有插件市场、per-user 配置预构建 HR/金融/投行/设计 agent。企业 IT 不希望 400 个随机 agent 接入合同系统、HR 数据和客户记录，因此围绕 agent 的管理平面成为产品本身。 4. 服务层（Services Layer）：讽刺的是，AI 价值正在向实施层面迁移。OpenAI、Anthropic、PwC、Accenture、Deloitte 都在训练咨询大军做工作流映射、系统连接和流程重新设计。PwC 与 Anthropic 声称合作将网络安全事件响应从小时级缩短到分钟级，承保周期从 10 周缩短到 10 天——但这些收益来自了解如何重新设计周围流程的数万名顾问，而非模型本身。 MCP 的局限 Model Context Protocol 降低了模型连接工具和数据源的成本，但它无法解决企业级问题：谁批准了那个 agent？它能访问哪些数据？其操作如何记录？如何安全关闭？K8s 同样如此——它标准化了容器层，但下一场战斗转移到托管服务、身份、网络、可观测性和数据重力。MCP 使建筑的一层变得可移植，但将更难的企业问题留在了上一层。 95% 失败率的真正含义 MIT NANDA 报告显示 95% 企业 genAI pilot 未能交付可衡量的业务影响。大多数失败不是模型能力问题，而是运营适配问题：工具不学习工作流，不融入审批路径，不携带正确的权限。它们无法在人们实际工作的环境中存活。

实践启示

对 Enterprise IT 决策者的战略建议 1. 停止在点解决方案上过度纠结：模型替换成本正在下降，应将注意力转向真正需要审慎决策的层级。 2. 三个需要认真审查的战略决策：

  • 你将向哪个编排框架提交代码？（Multi-year code rewrite）
  • 最终用户将实际生活在哪个工作流表面上？（Behavior change across thousands of employees）
  • 哪个服务合作伙伴将足够深入地嵌入你的运营，使其模型建议具有事实约束力？（Budget line item with long tail）
  • 将工作流集成视为你真正拥有的东西：模型和合作伙伴都是可替代的围绕它的层。Anthropic 开源 Agent Skills 并声称"你创建的技能不锁定在 Claude 上"是正确的对冲策略。同时与第二层前沿模型保持可选性。
  • 团队能力是持久优势：学会了将 AI 集成到可重复工作中的团队，将使能力商品化保持在他们的账本上。模型会商品化，但集成能力不会。