跳转至

The new AI lock-in

Ch01.812 The new AI lock-in

📊 Level ⭐⭐ | 7.8KB | entities/new-lock.md

The new AI lock-in

摘要

AI 供应商锁定（vendor lock-in）并没有消失，而是从模型层向上迁移：模型调用正变得越来越容易替换，但围绕模型的编排、工作流与治理体系却越来越难替换。文章以 Greyhound Research 的判断为线索，结合 OpenAI、Anthropic 的最新动向指出，锁定真实发生在编排层、厂商控制的工作流表面与服务层三个战场，并为企业买家给出了"拥有工作流集成、把模型与伙伴视为可替代层"的应对框架。

核心要点

  • 锁定没有消失，只是搬家（relocating）：模型层替换成本持续下降，编排层替换依然困难——Greyhound Research 的 Sanchit Vir Gogia 直言 "Lock-in is not going away. It is relocating."
  • OpenAI 复制 Palantir 的打法、派驻真实人员现场集成，说明企业客户三年来停滞的 pilot 真正缺的不是更聪明的模型，而是把模型接入真实工作流的"脏活累活"。
  • MIT NANDA 报告称 95% 的企业 genAI pilot 未能交付可衡量的业务影响，多数失败源于运营适配（工具不学习工作流、不进入审批路径、不带正确权限）而非模型能力。
  • MCP 确实把"模型连接工具与数据源"的成本压了下来，但它解决不了谁批准 agent、数据边界、操作审计、安全关停这类企业治理问题——协议不是平台。
  • Kubernetes 的类比：标准化容器层之后，锁定战场上移到托管服务、身份、网络、可观测性与数据重力；MCP 对 AI agent 正在做同样的事。
  • 三大锁定战场正在成形：编排层（LangGraph 等框架的代码粘性）、厂商控制的工作流表面（Claude Cowork 的私有插件市场与预置 agent）、服务层（OpenAI/Anthropic/PwC/Accenture/Deloitte 都在训练咨询大军）。
  • PwC 与 Anthropic 声称把安全事件响应从小时级压到分钟级、承保周期从 10 周压到 10 天——但收益来自数万名会重新设计流程的顾问，而非模型本身。
  • 对买家而言，真正的战略决策不再是模型 bake-off，而是：向哪个编排框架提交代码？用户会生活在哪个工作流表面？哪个服务伙伴将嵌入运营深到让模型推荐变得有约束力？

深度分析

锁定的迁移：模型层易换，编排层难拆

文章的核心观察是：即便模型之间的切换越来越轻松（开发者已在 Claude Code、Codex、Gemini 与本地模型之间来回迁移），围绕模型长出来的工作流机器（workflow machinery）却几乎不可替换。Greyhound Research 将这种现象概括为"锁定在搬迁"：模型层的替代越来越容易，而编排层的替代依旧困难——一旦工作流、控制、身份层与治理结构围绕某个系统建成，更换系统就不再是小工程。这解释了厂商为何把数十亿美元砸向工作流集成：新 AI 技术无法无缝嵌入旧的企业工作流，而这项工作最终需要人来完成。作者进一步指出，所谓"搬迁"其实从未发生——锁定一直就在上面一两层，只是模型的热度掩盖了它。

为什么 MCP 不够：协议不是平台

Model Context Protocol 是有用的：它把模型连接工具与数据源的成本压缩到近乎消失，对维护过 ServiceNow、Salesforce、Jira 半打定制连接器的团队而言是礼物。但协议解决不了企业级问题——谁批准了那个 agent、它能碰哪些数据、操作如何留痕、当发起人离职后如何安全关停，都不在 MCP 的能力范围内；更不用说合规审查如何运转、核保人如何判断边缘案例、财务团队月结"做完"意味着什么这类本质上是本地知识（irreducibly local）的工作。这些知识属于愿意花时间去学习它们的人——属于人类。Kubernetes 提供了现成的类比：它标准化了容器层，却把下一场战斗推高到托管服务、身份、网络、可观测性和数据重力。MCP 让 AI agent 的某一层变得可移植，但"让 AI 在运营上可信"的成本一点也没有消失。

三大锁定战场：编排、工作流表面与服务层

文章将"谁拥有控制平面"视为 agentic AI 时代的核心战略问题，并勾勒出三个正在成形的战场。其一是编排层：LangGraph 这类框架并非锁定陷阱，但编排本身会积累粘性——Klarna、Replit、Elastic、Ally 等生产用户若已花一年时间在框架内沉淀 agent 行为、evals、恢复逻辑与可观测性追踪，就不会因为竞品发布更快更便宜的模型而推倒重来；模型可换，其上的编排不可换。其二是厂商控制的工作流表面：Anthropic 的 Claude Cowork 在 2026 年 2 月的扩展中推出私有插件市场、per-user 配置与面向 HR、财务、投行、设计的预置 agent——没有哪家企业 IT 愿意让 400 个随机 agent 直接挂到合同系统、HR 数据与客户记录上，于是围绕 agent 的管理平面本身成了产品。其三是服务层，讽刺意味最深：OpenAI、Anthropic、PwC、Accenture、Deloitte 都在训练成建制的顾问去做工作流映射、系统连接与流程重设计，PwC×Anthropic 联合声称的"安全响应从小时到分钟、承保从 10 周到 10 天"其实来自懂流程的顾问而非模型——想推翻这些顾问落地的工作流，得先重新训练他们全部。

买家的战略重心：从模型选择上移一至两层

对企业 IT 决策者，这篇文章的结论带有解放意味：可以停止纠结某个点解决方案，把注意力放到高一层。编排承诺是多年的代码重写，工作流表面是数千名员工的行为改变，服务关系是带长尾的预算项——它们比上一次模型 bake-off 更值得审慎审查，因为它们持久。Anthropic 开源 Agent Skills 并坚持"你创建的技能不锁定在 Claude 上"，与保留第二个 frontier 模型一样，都是正确的客户侧对冲；但更深的动作是把工作流集成当作自己真正拥有的资产，让模型与伙伴成为围绕它的可替代层。学会了把 AI 集成进可重复工作的团队，会让能力商品化留在自己这一边的账本上。

实践启示

  1. 把决策重心上移一至两层：用"向哪个编排框架提交代码、用户生活在哪个工作流表面、哪个服务伙伴嵌入运营"三个问题，替代对单个模型/点解决方案的过度关注。
  2. 把编排承诺当多年代码重写来评估：框架选型前想清楚 evals、恢复逻辑、可观测性资产会沉淀在哪里，切换成本远高于换模型。
  3. 评估 Claude Cowork 这类产品时看管理平面而非 agent 数量：私有插件市场、per-user 配置、审批与权限边界才是真正的产品与锁定来源。
  4. 保留模型层面的可选性：维持与第二个 frontier 模型共存的通道；同时把 Agent Skills 这类"不锁定在单一厂商"的开放资产纳入选型加分项。
  5. 把工作流集成视为自己拥有的核心资产：投资团队"把 AI 集成进可重复工作"的能力，让模型商品化的红利留在自己账上。
  6. 在合同层面管理服务层绑定：服务伙伴嵌入运营越深，其模型推荐越接近事实约束力——把替换路径与数据/流程可移植性写进长期合作条款。

相关实体

→ 原文存档