OpenAI 对决 Anthropic： AI 竞争与智能体未来

一年前，行业还在讨论 Anthropic 专注企业市场、OpenAI 专注消费者的差异化战略。但到了 12 月，编码模型出现了质的飞跃——它们能够长时间无中断地完成编程任务，这使得非技术人员也能从中受益。

Levie 指出，这种趋同本质上是不可避免的。当你将"超级智能"压缩进一个模型时，它必然会收敛到相同的应用场景。这就像云基础设施战争一样，AWS、Azure、GCP 最终都提供了相似的服务，但每家都发展成了数百亿美元级别的业务。

ChatGPT 实际上已经通过员工自发使用渗透到了企业环境中，很多公司将其作为标准的企业 LLM（大语言模型）。因此，现在 OpenAI 和 Anthropic 在企业领域展开正面竞争，竞争的焦点包括编码能力、API 服务以及终端用户的知识工作用例。

Levie 提出了一个革命性的概念：如果每个人都能像程序员一样熟练使用电脑，能为任何任务编写代码，世界会变成什么样？现在，这个愿景正在通过 AI 智能体成为现实。

协同工作（Co-work）用例是这场变革的早期体现。智能体可以：访问你计算机上的所有工具；针对从未见过的新问题即时编写代码；调用预设的"技能"脚本。

这标志着 AI 从"你问我答"的聊天模式，转向"你给任务，我去执行"的智能体模式。智能体可以独立工作几分钟、几小时甚至几天，最终产出可供审查和使用的工作成果。

从市场规模来看，这是 30 到 50 倍的扩张——从数千万工程师扩展到全球所有知识工作者。Levie 认为，尽管个人用户也会使用，但真正的经济价值将来自企业应用，因为企业场景的 ROI（投资回报率）远高于个人场景。

编码的优势包括：完全基于文本（没有复杂的非结构化数据）；访问完整代码库（智能体可以看到所有相关代码）；可验证性（代码能运行就是对的，不能运行就是错的）；技术用户群体（开发者知道如何把跑偏的智能体拉回正轨）。

一般知识工作的挑战包括：数据分散在 20 多个系统中（需要逐一连接）；用户非技术背景（学习新工具是负担而非乐趣）；缺乏即时验证（智能体产出的内容必须人工审查）；治理和合规限制（企业有各种安全政策）。

Levie 强调，这解释了为什么 AI 在硅谷内部（大量编码工作）看起来进展神速，但在传统企业中推广缓慢。我们容易犯"外推谬误"——因为 AI 擅长编程，就假设它同样擅长法律、医疗、建筑等其他领域。

Levie 用一个生动的比喻说明问题：想象一个刚入职一天、拥有博士学位但完全不懂公司情况的新员工。你给他访问所有系统的权限，让他 30 秒内找到某个新产品的研发资料。

他会面临什么困境？资料可能分散在 5 个不同的系统中，哪个是权威版本？哪些是过时的草稿？这些知识属于"部落知识"（tribal knowledge）——通过多次会议、试错、询问同事才能获得。

AI 智能体处于更糟糕的境地：它不仅缺乏这些上下文，甚至不知道"自己不知道什么"。它会自信地找到第一个看似相关的文档，就把答案交给你，完全意识不到还有其他系统需要查询。

Levie 指出，这就是企业 AI 部署的现实：数据分散在 20、30、50 甚至 100 个不同系统中；文档没有统一的真相来源（source of truth）；流程和元数据缺失或不一致。

对于 Box 这样的企业内容管理公司来说，这正是机会所在。Levie 认为，未来几年企业会逐渐意识到：要让 AI 有效工作，必须先建立统一、结构化的信息基础设施。

主持人 Alex 描述了一个理想场景：AI 智能体可以读取他的所有邮件、起草回复、处理播客广告脚本、调用语音合成生成音频……这听起来极其高效，但他"做不到"——给 AI 这种级别的权限让他感到不安。

Levie 给出了企业环境的最佳实践建议：为智能体创建独立账户（不要让它访问你的个人账户）；分区数据访问（只给它完成任务所需的特定文件）；将其视为同事（用协作而非授权的方式交互）。

但这又引出了新的安全风险：提示注入攻击（攻击者可能通过精心设计的邮件骗取智能体泄露数据）；责任归属问题（当医疗 AI 开错处方时，责任在谁？）；法律框架滞后（现有法律假设交易双方都是人类，这需要全面更新）。

Levie 特别提到 Andrej Karpaththy 的有趣观察：同一个 AI 对同一个问题，只要提示词稍作调整（正面 vs 负面措辞），就能给出完全相反但都"有理有据"的答案。这让用户面临一个严峻挑战。

Levie 分享了 Box 智能体开发中的一个真实困境。他们测试了一个查询任务：查找多个城市的办公室地址，其中包含一些假地址。

智能体面临一个关键决策：找不到某个地址时，应该搜索多少次？搜索 1 次：5 秒返回，但 50% 错误率；搜索 10 次：15 秒返回，95% 正确率。

用户根本不知道背后的 trade-off（权衡）是什么。这正是 Perplexity AI 等产品成功的原因——它们愿意做"工作马"，不惜花 15 分钟完成一个查询，只要答案正确。

Levie 调侃 ChatGPT 的"懒惰"问题：你让它找 100 家公司，它只给你 25 家然后说"如果您需要可以继续问"。这就像雇了一个会主动偷懒的员工。

这是 AI 领域最激烈的辩论之一。垂直派论点：特定行业的智能体能深刻理解行业上下文；可以连接专有数据系统；能进行深度的工作流变革管理；客户更信任"每天早上都在想我工作流"的专用供应商。

随着模型能力提升，垂直优势会被侵蚀；特定领域知识可以通过技能和工具调用获得；通用平台终将吞噬垂直应用。

Levie 认为，现在下结论为时过早。他引用了传统 SaaS 软件的历史：即使在有强大横向产品（如 Salesforce）的情况下，仍然诞生了数十家垂直软件巨头（如 Veeva、ServiceTitan 等）。

但无论如何，实验室（OpenAI、Anthropic）都是赢家——它们提供的是"智能层"，无论上面是横向应用还是垂直应用，都需要调用它们的模型。真正的问题是：应用层能捕获多少价值？

Levie 的判断是，这会因行业而异：高度监管、高价值工作（如法律、医疗）更可能倾向垂直专用方案；通用性任务（如写邮件、日程管理）则适合横向智能体。

一年前，业界还在讨论"AI 是否撞墙了"。Levie 表示，这个问题已经有了明确的答案：没有。

Box 有自己的评估体系——给 AI 智能体一组复杂文档，然后提出高难度知识工作问题。在过去四个月的模型更新中：Opus 从 5 分提升到 52 分；Sonnet 从 4 分提升到 46 分。

这是两位数的百分点提升，而且是在"已经很强大"的基础上的提升。

关于传闻中的 OpenAI "Spud" 模型和 Anthropic 的新模型，Levie 认为有几件确定的事情：我们远未触及能力天花板；改进将在所有维度上体现（智能体能力、编码、工具使用、特定领域知识工作）；每次突破都会解锁新的企业应用场景。

他特别提到，这些模型是基于两年前开始的算力扩张计划构建的。现在我们才开始看到大规模数据中心投资的产品化成果。

Levie 分享了一组令人深思的数据：2010 年——AWS 收入约 5 亿美元，Azure 刚刚推出，GCP 还叫 Google App Engine（标志是个卡通喷气发动机）；2025 年——全球云基础设施市场达到数千亿美元。

如果在 2010 年做播客讨论"云战争谁会赢"，正确的答案应该是"这不重要"——因为所有主要玩家都发展成了数百亿美元级别的巨头。

现在美国有四大云服务商（AWS、Azure、GCP、Oracle），还有 Neo 云厂商、国际云厂商（如中国的阿里云、腾讯云），至少有 10 家企业在云基础设施领域建立了可持续的商业模式。

Levie 认为 AI 具有类似的属性：没有独家突破（所有重要技术最终都会在整个生态系统中出现）；领先窗口很短（任何实验室的优势最多维持 6-12 个月）；网络效应有限（除了 API 生态，其他护城河并不深）。

他的结论是：5-10 年后，OpenAI、Anthropic 以及其他主要玩家都将成为比现在大 5 倍、10 倍甚至 50 倍的公司。与其纠结谁会"赢"，不如关注谁能在自己的领域内建立独特的价值。