跨国深谈← 返回←Box 创始人 Erin Levy：套壳的逆袭与应用层的万亿机会

Box 创始人 Erin Levy：套壳的逆袭与应用层的万亿机会

关联

人物 Aaron Levie

公司 Box

概念 智能体 · 应用层 · LLM 套壳 · harness · 评估 · 开放权重 · MCP · 记录系统 · 编码智能体 · work slop(工作垃圾内容) · 非结构化数据

这一集聊的是每个 AI 从业者都在赌的那个问题：模型层和应用层，价值最终归谁。说话的主角是 Erin Levy——他创办的 Box 是一家做了 20 年企业内容管理（帮企业安全存储、共享、协作管理文档）的公司，如今正押上整个公司转型做 AI 智能体。他抛出的钩子相当反直觉：被嘲笑了两年的「LLM 套壳」（在模型外面包一层产品），现在其实正在跑通 。

为什么「套壳」成立了

Levy 的核心论据是：在真实的企业里，模型能力和实际工作流之间存在一道鸿沟——需要连接其他数据系统、需要人类在环审核、要应对业务流程的变更管理、要对接没被现代化的遗留系统。这些「苦活累活」有五到十件，而一个典型的研究型组织最不想干的就是逐个攻克它们 。所以就算模型是世界上最高级的超级智能，要把智能真正铺进律所、银行、药企的工作流，仍然需要大量软件。

他认为这不是历史的一次性事件。AWS、GCP、Azure 创造了数万亿美元的基础设施市值，但「软件方面也有数万亿美元的价值，而这些软件正是因为那套基础设施才得以存在」。

回到十年前看数据领域，你绝不会预测到 Snowflake 或 Databricks 的存在——你会说「基础设施本来就能做那些事」。智能也会走同样的路：模型本身价值巨大，但把这些模型带进银行、生命科学、医疗和政府真实工作流的应用，「将会是大量的软件」。

至于模型厂商会不会亲自向上打、挤压应用层？Levy 承认这是未来两到五年最有趣的张力：厂商想离客户更近，但又需要生态信任。

他的判断是，应用层存在的一个结构性理由是「狐狸看鸡舍」问题：把任务交给智能体系统的人，希望它在准确率恒定的前提下成本最优——而能做到这一点的，「是那种在 10 个不同模型中不在乎哪个模型执行该任务的公司」，从定义上讲，这家公司不应该对任何模型有偏好。至于模型厂商靠补贴抢市场的做法，他认为只是暂时现象：公司上市后要受和其他所有人一样的资本主义法则约束 ；而且 Meta、SpaceX、中国、NVIDIA 这些博弈结构不同的玩家随时可能把推理毛利打到 10%，token 成本长期下行，价值就往应用层累积。他唯一不押的结局是「一两家实验室拿走 95% 的价值创造」——而且真到那一步，「你就是唯一存在的智能，你就只会被国有化」，所以大实验室自己也需要生态里有健康竞争 。

Box 怎么转型：坐在数千亿文件上的智能体

Box 的家底是数千亿个企业文件——合同、研究资料、贷款文档，而「问题是，他们很少知道里面到底装的是什么」。转型后 Box 的主打场景就是让智能体去读这些非结构化数据：提取元数据、转成结构化数据、自动化工作流。

最稳的「本垒打」用例朴素到极致：你有一百万份合同，为什么不去弄清楚里面有什么？ 以前靠人力逐份阅读成本高到不可行，现在可以了。更兴奋的方向是长时间运行的后台智能体——比如银行开户流程把能自动化的步骤全部自动化，只在需要额外审查时跳出来交给人，把一两周的来回折腾压缩到一小时左右。

具体到技术，Box 自建了一个智能体工具框架（harness）：因为 Box 比任何人都清楚用户怎么搜索、怎么从 10 个文件里挑最相关的那份，框架内置了搜索系统、文件系统访问、文本抽取、分块、即时嵌入等一整套工具。拿它和直接把自家 API 交给 Claude 或 OpenAI 比，准确率和延迟都明显更好。

评估方面，每个新模型要过几百个测试，包括对外的 complex work eval（覆盖生命科学、金融、公共部门的文档中心任务）和内部员工真实用例的 holdback eval，模型提升半个点都能看出来。模型选择上，各家的文档用例表现基本与编程能力相关，唯一例外是 Gemini 在部分用例上明显超出其编程水平所预示的位置；目前 Fable 5.1、Grok、Muse、GPT-56 一档完全是贴身竞逐。

work slop：为什么写代码被接受、写文档被嫌弃

一个有意思的不对称：编程领域拥抱 AI，内容领域却对 AI 生成近乎过敏（work slop，即工作垃圾内容）。Levy 的解释是：对世界上大多数人来说代码是工具，价值在于自动化，所以让智能体生成整个后端不仅可接受而且更好；而当你收到一份演示文稿时，你其实在判断「我能否信任这个人去执行这件事」——看到 slop，你就失去了判断思考过程有多少出自对方的能力。

他自己也承认这是个集体悖论：「我自己的一部分头脑风暴和决策也在做 work slop。但当别人把它交给我时，我会想，嗯，我该信任你吗？

」 他的现状吐槽很生动：「我现在收到的董事会演示文稿完全是 AI 写的，这让我抓狂。」 他觉得这需要全社会三到五年硬闯过去——就像没人会追究财务模型是不是用宏算出来的，策略演示文稿为什么不行？

记录系统在智能体时代的两张牌

聊到「每家软件公司都在卖我智能体，我只要它的记录系统配合我的智能体」这波 Twitter 讨论，Levy 给 SaaS 同行的答案是不二选：两张牌都必须打。一要做一个在你的产品上极其出色的智能体，「你必须可证明地比一个使用你系统的现成智能体好 10 到 20 个百分点」——因为你懂自己的领域和客户；二要 headless，把 API 对 Claude、ChatGPT 等所有平台开放，让外部智能体通过 MCP 调用你。

他举例说自己现在用 Salesforce 的频率比以往高一个数量级，就是因为通过 Claude 用 MCP 接入了它；甚至说「如果我能够用 MCP 接入 LinkedIn，我可能愿意多付 10 倍的钱」。新用例的价值被严重低估了——比如有客户想要一个后台智能体，实时判断文档是否触发治理政策、该归档还是进入法律保留，这在平台之外根本做不到。

产品形态上，他认为通用聊天框会永远存在（就像产品都有搜索框），但企业的大部分是幕后流程。随着智能体做更多后台异步工作，「我要的是仪表盘、工作流、队列、任务清单」——这种体验垂直玩家更能做好。他的一个大胆预测：五年后，「企业里 90% 的 token 都会是用户从未启动过的东西，他们只是看到一个结果」。

扩散为什么慢：编程是个异类

编程智能体实现了史上最快的技术扩散，其他知识工作却慢得多。Levy 把编程拆成五六条利于自动化的特性：代码的效用几乎 100% 由文本体现；模型被超量训练；实验室把编程当日常基准自己天天测；用户是史上最具技术性的受众，遇到问题自己排查而不是打电话给 IT；接入简单——「把你的 GitHub 给我们」就行；而且是个高薪领域，10-20% 的提升都自动值钱。拿其他知识工作按「与编程的相似度」排直方图：法律很靠前（审查和撰写法律文档就是处理大量信息），所以正在爆发；销售代表则靠后得多——他的价值是说服外部客户，不管自动化多强，仍受限于客户回不回、有没有预算、能不能下周二见面。

企业侧还有一堆脏活：数据埋在本地系统和遗留文件共享里，没有「把你的 Box 给我们」这种入口；访问控制完全不同——编码里你几乎能访问工作相关的一切，知识工作里你得问 Sally 帮你开文件权限，而怎么保证智能体拿到这些权限，全是必须做完的工作。所以他的两个准备事项：硅谷必须为扩散比想象中慢得多做好准备；好消息是，这些耐心、领域知识和跑腿功夫，「那就会是应用层」——应用层有上万亿美元等着，关键是怎么把技术送到律师、销售、生命科学研究者手里。

给创始人的建议：信息流决定你领先还是落后

Levy 把自己处于 AI 话题中心归因于两点：20 年非结构化数据的积累让他对智能体的价值秒懂；以及 95% 靠 Twitter——他每晚刷信息流三角定位所有信息。给年轻人建议时他的原话是：「你要么领先一年，要么落后一年，仅仅取决于你的信息流。」 他甚至想给大二大三学生发紧急警报：先加入 Twitter，再关注那 20 个账号。

公司转型经验上：Box 内部靠统一数据架构（不许任何人用别的系统）换来了极好的数据卫生，智能体跑在上面就容易做到 AI 优先；找出杠杆最高的工作流重点突破；不搞 token 排行榜内卷，而是发现有人用法特别好就立刻组织全员内部培训。同时他坦承转型的 limit：作为管着客户数据安全合规的公司，他们没法像初创那样砍掉代码评审，生产力上永远有一点折扣。

而年轻创始人的世界则是另一个极端——一个半月前他看到的产品演示，「这要是一个 40 人的项目……而它是两个人做出来的」，但代价是每个好点子立刻冒出五个竞争者。

最终结论他讲得斩钉截铁：AI 把构建变快之后，重心转移到谁能把东西真正交付到客户手上，「误读了 this mandate 的人，你就是会输」，「字面意义上，有数万亿、数万亿美元在应用层等着被瓜分，而那些懂得如何组建团队并打进企业的公司将会是赢家」。

本集带走

• 「套壳」没有被模型层碾死：模型与企业工作流之间的鸿沟（数据接入、人机审核、变更管理、遗留系统）足够深，弥合它的软件本身就是大生意——历史先例是 AWS 之上的万亿软件层。
• 应用层的结构性护城河之一是中立性：企业希望任务按成本最优调度，不愿让「卖 token 的人」来计量和把关该用哪家模型，所以编排方天然不该有模型偏好。
• 智能体产品要同时打两张牌：自建智能体必须可证明地比现成方案好 10-20 个百分点，同时 API/headless 全面开放给外部智能体（MCP），两头只做一头都会输。
• 判断 AI 能否快速吃下一个职业，看它像不像编程：价值全在文本、数据入口统一、用户自己会排查问题、外部依赖少——法律最像，销售最不像。
• 五年后的图景：企业 90% 的 token 由用户从未启动的后台智能体消耗，人只做审查；聊天框仍在，但竞争在仪表盘、队列和工作流 UI 上。
• 个人层面最便宜的高杠杆动作：把信息流经营好——按 Levy 的说法，领先还是落后一年，取决于你关注了谁。

整个「LLM 套壳」或「模型套壳」的概念其实正在跑通
the whole concept of being a sort of LLM wrapper or model wrapper is actually working out
—— Aaron Levie · [02:18]

同样的事情也会发生在智能上，模型将会价值巨大。但把这些模型带入银行、生命科学、医疗健康和政府等真实工作流的应用，那将会是大量的软件。
The same thing is going to be true for intelligence, which is the models will be insanely valuable. But the application of bringing those models into real workflows in banking and life sciences and healthcare and government, that’s just going to be a lot of software.
—— Aaron Levie · [06:16]

不过我不知道这能持续多久，因为当这些公司上市之后，我认为它们将基本上受到和其他所有人一样的资本主义法则的约束。
I don’t know how long that lasts, though, because when these companies become public, I think they will be held to basically the same laws of capitalism that everybody else is.
—— Aaron Levie · [10:04]

因为回到你的反垄断观点，在某个时点，如果你是唯一存在的智能，你就只会被国有化。
Because back to your antitrust point, like at some point you’ll just be nationalized if you’re the only thing that sort of exists as intelligence.
—— Aaron Levie · [12:24]

嗯，可能比人们想的要高，比企业真正想要的要低，而且比五年后会达到的水平要低得多得多得多。
So, probably higher than people think, lower than what enterprises actually want, and much, much, much, much lower than what it’ll be in five years.
—— Aaron Levie · [29:29]

比如我们要么用 Fable 要么用 5.6 做编排，然后把这些长尾任务都外包给一个更便宜的模型。
Like we either use Fable or 5.6 for orchestration, and then we farm out all these long tail tasks to a cheaper model.
—— Aaron Levie · [32:00]

这话说出来很俗，但我跟 LinkedIn 的产品经理说过，如果我能够用 MCP 接入 LinkedIn，我可能愿意多付 10 倍的钱。
This is so cheesy, but I’ve told LinkedIn product managers, I’d probably pay 10x more for LinkedIn if I just could MCP into it.
—— Aaron Levie · [44:27]

而且最终，比如五年后，我敢打赌企业里 90% 的 token 都会是用户从未启动过的东西，他们只是看到一个结果。
And ultimately, like in five years from now, I would bet like 90% of all tokens in the enterprise are things that a user never kicked off and they just see a result.
—— Aaron Levie · [47:46]

第一，硅谷必须为扩散所需要的时间比他们以为的要长得多做好准备——或者说「我们」，但我其实指的是他们，因为我知道这会花多长时间。
One, Silicon Valley has to prepare for diffusion taking a lot longer than they think, or then I’ll say we, but I really think they because I know how long it’ll take.
—— Aaron Levie · [53:39]

你要么领先一年，要么落后一年，仅仅取决于你的信息流。
You’re either a year ahead or a year behind simply based on your feed.
—— Aaron Levie · [56:19]

一个半星期前我看到一个产品，他们做了产品演示，我当时就想，没错，这要是一个 40 人的项目。
I saw a product a week and a half ago, and they did a demo of the product, and I was like, absolutely, this would have been a 40-person project.
—— Aaron Levie · [62:26]

就像，字面意义上，有数万亿、数万亿美元在应用层等着被瓜分，而那些懂得如何组建团队并打进企业的公司将会是赢家。
Like there is quite literally trillion to trillions up for grab at the applied layer and the companies that know how to build the teams and get to the enterprise will be the ones that win.
—— Aaron Levie · [64:33]