The new AI lock-in¶

Ch07.031 The new AI lock-in¶

📊 Level ⭐⭐ | 9.5KB | entities/new-ai-lock-in.md

核心要点¶

Published Time: 2026-05-16T22:36:49-06:00
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（Orchestration）、工作流表面（Workflow Surface）和服务层（Services Layer）
MCP 的局限: Model Context Protocol 降低了集成成本，但无法解决企业级治理、身份和运营信任问题
战略重点: Enterprise IT 应关注编排框架承诺、工作流表面和服务合作伙伴关系，而非点解决方案的模型替换

摘要¶

随着模型替换成本持续下降，AI 供应商锁定正在发生结构性迁移。真正的锁定不在模型层——那里替换越来越容易——而在模型周围的工作流、治理和运营层面。编排框架积累的粘性、工作流管理平面的锁定、以及嵌入运营深处的服务关系，才是构成新一代 AI 锁定的核心。

深度分析¶

锁定的三层迁移结构¶

文章揭示了一个反直觉的事实：供应商越努力让模型可替换，围绕模型的锁定就越牢固。这不是因为供应商故意制造障碍，而是因为模型周围的集成工作本身就是最难替代的部分。 第一层：模型层（正在商品化） Claude Code、Codex、Gemini 和本地模型之间的切换成本正在下降。API 层的抽象持续改善，开放标准逐步建立。这一层是供应商最喜欢宣传的战场——因为它最容易替代，也最不需要真正的锁定。 第二层：编排层（Orchestration Layer，核心锁定点） LangGraph 本身是中性工具，但编排逻辑会积累粘性。当 Klarna、Replit、Elastic、Ally 等企业在 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后，它们不会因为竞品发布更快/更便宜的模型就拆除这套系统。关键是：模型容易换，编排逻辑不容易换。这个观察与 Langgraph State Machine 的分析形成呼应——LangGraph 的状态机模型让工作流逻辑得以持久化，同时也让这些逻辑成为替换成本最高的层面。 第三层：工作流表面（Workflow Surface，Anthropic 的主战场） Anthropic 的 Claude Cowork 战略真正发力的地方是管理平面：私有插件市场、per-user 配置、预构建 HR/金融/投行/设计 agents。企业 IT 不希望 400 个随机 agents 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。这与 Ai Gateways Vs Mcp Gateways What Security Teams Need To Know 中关于「管理表面成为产品」的论述高度一致。两者都指向同一个结论：在 agent 时代，控制平面的所有权等于生态锁定的所有权。 第四层：服务层（Services Layer，讽刺的价值迁移） 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——但这些收益来自数万名了解如何重新设计周围流程的顾问，而非模型本身。

MCP 的局限：一个协议不是平台¶

Model Context Protocol 的价值是真实的——它降低了连接模型与工具、数据源的成本，压缩了维护半打定制化 connectors 的痛苦。但正如文章所强调的，协议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？如何安全关闭一个已经启动但启动者已离开公司的 agent？这个局限与 Anthropic Mcp Revisited 的分析形成互补：MCP 管「能力」连接，Skills 管「编排」逻辑——两者结合才能构建完整的 agent 集成方案。但即便如此，它们仍然无法解决治理和运营信任问题。 Kubernetes 的类比特别恰当：K8s 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 正在做类似的事情——让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。这个数字对方法论有争议，但即便是更乐观的解读，也将投资与价值捕获之间的差距置于痛苦区间。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。这个结论解释了为什么 DeployCo 这类服务公司会存在：客户不需要更聪明的模型，而是需要有人来做将模型接入实际工作流程的枯燥、昂贵、难以替代的工作。

战略决策的层次性¶

文章的核心战略框架是：Enterprise IT 应将注意力从「点解决方案」上移，关注三个真正需要审慎决策的层面： | 决策层面 | 替换成本 | 持续性 | 关注点 | |---------|---------|--------|--------| | 编排框架 | Multi-year code rewrite | 高 | LangGraph vs 其他 | | 工作流表面 | Behavior change across thousands of employees | 高 | Claude Cowork vs 其他 | | 服务合作伙伴 | Budget line item with long tail | 中 | PwC vs Accenture vs 其他 | 模型替换成本在 API 层正在下降，但这些决策的替换成本不会。这是它们应该获得更多审查的原因。

实践启示¶

针对 Enterprise IT 决策者¶

1. 停止在模型选择上过度投资战略资源 模型替换在 API 层面正变得商品化。将精力集中在真正难以替换的层级——编排逻辑、工作流表面、服务关系。把模型视为可替换的日用品，把集成能力视为战略资产。 2. 编排框架选择的评估维度 当评估 LangGraph 或其他编排框架时，不仅要评估其功能和性能，还要评估：

迁移成本：如果需要切换，需要重写多少代码？
积累的运营知识：团队有多少人熟悉这个框架？
可观测性和治理：框架本身是否支持审计、权限控制和行为追踪？ 3. 工作流表面的锁定博弈 如果选择 Claude Cowork 或类似平台，要认识到管理平面本身就是产品。评估：
插件生态的开放性：是否支持第三方工具？
数据隔离：不同 team/用户的 agent 是否真正隔离？
退出策略：如果需要迁移，导出的工作流定义是否可移植？ 4. 服务合作伙伴关系的尽职调查 对于 PwC、Accenture、Deloitte 等咨询服务，需要特别关注：
知识转移机制：咨询工作完成后，你的团队是否真正学会了运营这些系统？
锁定结构：顾问在流程重新设计中积累的本地知识是否会成为更换供应商的障碍？
激励机制：咨询公司的利益是否与你的长期运营成本优化一致？ 5. 保持可选性的实用策略
与第二层前沿模型保持可选性，不要完全依赖单一供应商
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
但要认识到：技能可以迁移，集成到工作流中的组织知识和流程习惯不能

针对 AI 平台/工具开发者¶

1. 降低编排层的迁移成本 如果你的平台积累了编排逻辑，你需要主动投资迁移工具和导出功能。否则当客户意识到被锁定时，关系会走向对抗。 2. 管理平面的开放性是核心竞争力 在 Claude Cowork 的模式中，私有插件市场和 per-user 配置成为差异点。开发者需要在「锁定客户」和「提供足够开放性以建立生态」之间找到平衡点。 3. 投资可观测性和治理能力 文章强调 MCP 无法解决运营信任问题。这意味着能够提供透明、可审计、可控的 agent 行为的平台将获得竞争优势。

## 相关实体¶

柚漫剧 AI 全流程提效拆解