米兰体育官网网页版:

　　我们正处于一种新的软件支持商业模式的风口浪尖，它将决定未来几十年的赢家和输家。我们称之为

　　具体来说，我们始终相信企业将开始以新的方式组织知识工作，将自动化孤岛协调成知识工作的按订单生产的装配线。积极寻求这一机会的公司将处于学习曲线上，我们大家都认为这将创造可持续的竞争优势，更重要的是，赢家通吃的活力。

　　现在，我们在这里谈论的不单单是技术供应商。相反，我们始终相信新的技术、运营和商业模式将会出现，并适用于各行各业的所有企业 。在这篇突发性分析中，CUBE研究团队提出了一种新的方式来思考企业在AI时代将如何运作，对应用程序研发人员、边缘部署以及安全和治理模型产生一定的影响。我们还提供了我们大家都认为组织能采用的从今天到未来的道路的一瞥。

　　软件的每一次重大转变都会带来技术架构、运营模式和商业模式的变化。例如，当我们从本地软件转向软件即服务时，技术模型从客户拥有转变为最终的多租户模型。运营模式主要是自己动手，然后转向 SaaS 托管服务，业务模式从主要以资本支出为重点的模式转变为基于订阅的模式。我们大家都认为，在代理时代，服务即软件也发生了类似的动态，如下所示。

　　我们相信这标志着一个深刻的转变。在以前的时代——本地和 SaaS——变化主要发生在信息技术部门（企业团队及其供应商）内部。现在不同的是，整个客户组织的技术模型、运营模型和业务模型都将发生变化。

　　从历史上看，企业在自动化孤岛上运行——后台的企业资源规划，以及后来的应用程序激增。客户关系管理是第一个引入新运营模式（云交付）和新业务模式（订阅与永久许可证）的公司。

　　今天，企业本身必须开始像软件公司一样运营。这需要将这些孤岛协调到一个统一的层中，数据和应用程序逻辑折叠成一个集成的智能系统。代理依靠这种协调的上下文来做出决策，并在需要时调用旧应用程序来执行工作流。

　　以这种方式运营还需要一种新的运营模式：一条用于知识工作的按订单生产的装配线，将咨询的定制与大批量履行的效率相结合。人类监督代理，并在此过程中逐步将他们的专业相关知识编码到系统中。跟着时间的推移，组织不会管理少数代理;他们编排了一支军队，捕捉整个企业的决策逻辑。

　　这反过来又实现了基于体验曲线的新商业模式。随着机器学习预测流程行为和客户响应，更多的工作被数字化，边际成本下降，运营杠杆率增加。编码的专业相关知识（更大的差异化）和单位成本下降的结合产生了更强的定价能力和持续的效率提升。

　　我们的研究表明，这种动态将是赢家通吃的——不仅在消费的人在线服务中，而且在任何拥有大量知识工作的行业中，包括制造业（在其管理层内）。我们大家都认为，这是目前正在进行的根本变化。

　　让我们从技术模型、运营模型和商业模型这三个维度进一步分解它们，从技术模型的影响开始。

　　我们认为下一阶段是从碎片化的应用程序孤岛转向统一平台，如上所示。即使数据整合在湖屋中，它在功能上仍然是碎片化的：销售、营销和财务部门都保留自己的星型模式“立方体”，这些“立方体”在整个企业中并不协调。

　　我们的前提是，这种迁移与堆栈的运营转变并行运行——从客户管理的本地到供应商管理的基础设施即服务/平台即服务——同时保持本地和云的混合。堆栈的顶端是一个战略性越来越强的层，我们叫做情报系统或 SoI。它的工作是综合上下文，以便代理不但可以回答“发生了什么”和“为什么”，还能回答“接下来会发生啥”和“我们该做什么”。

　　要记住的重要一点是，自动化孤岛阻碍了管理的核心功能——规划、资源分配和编排，以及跨细节级别和业务领域的全面可见性。数据湖本身并不能解决这一个问题;每个星图模式都是另一个岛屿。在短期内，组织可以从小处着手，让代理询问单个域（例如，销售多维数据集），并通过通过 MCP 服务器调用记录系统来采取有限的作，例如，查看客户的投诉并启动退货授权。

　　今天，你可以问“销售中发生了什么”，但你不能问，“那么营销到底是怎么样影响销售的？履行活动怎么样影响客户体验？您必须创建一个全新的数据工程建设项目和一组新的多维数据集。关键是，今天，我们开始使用代理的方式是，您能查看内部，也许是一个立方体，您可以让代理从该领域内的多个角度（例如销售或营销）询问发生的事情。而且，您能够正常的使用使用 MCP 服务器调用此现有记录系统的代理来执行有限的作。

　　因此，例如，在客户服务中，您可能能清楚看到该特定客户的客户投诉，并且您可能能够采取一些行动，例如管理退货授权或一些有限的活动。同样，这些都是小岛屿，但要在整个企业中获得更广泛、全面的可见性，这将需要做大量工作，我们协调数据和业务流程，并得到我们从 Geoffrey Moore 那里借来的概念模型，即智能系统。然后代理系统能够拥有整个业务的四维动态视图。

　　为了实现企业范围的可见性，必须将数据和业务流程协调到 SoI 中，“代理系统”可以在 SoI 上以动态的“四维”业务视图进行作。在我们目前的想法中，这就是目标架构。我们今天讨论的内容只是一个起点，我们试图获得更丰富的观点。

　　Palantir 构建了一个本体——一个 4D 地图而不是孤立的星形模式——为代理工作流程定位得很好。

　　Salesforce提供了一个打包的客户数据平台和 Customer 360 流程，因此公司不需要从头开始构建。

　　虽然这些岛屿比昨天的单点应用程序更广泛，但它们仍然需要拼接在一起。今天的项目是起点;目标是建立一个统一层，为代理提供企业上下文并实现端到端作。

　　让我们看一下我们正真看到的软件堆栈，如下图所示。有变化、转变和新的竞争动态。在底层，你有基础设施，我们谈论的是计算、存储、网络和基础设施的别的部分、安全性、可观测性，还有数据移动等。您已经有了参与系统，生成式用户界面就是我们在下面的图表上显示的。

　　我们认为，随着用户慢慢的变多地用自然语言与系统“对话”，企业界面正在变得稀薄。这种转变重新构建了企业的数字表示该怎么样构建。在表面之下，是现代数据平台——这中间还包括Snowflake和 Databricks——周围环绕着一直上升的治理层。数据库越来越不像控制点;重心正在转向治理目录，越来越开源，Apache Iceberg 是推动力，Polaris 和 Unity 等开源目录实现为这一转变做出了贡献。

　　治理模型将最重要，因为随着您更广泛地开放对数据的访问，您将不得已拥有一个新的治理模型，该模型更加面向政策和动态执行，甚至有可能是动态生成的。随着您让代理采取慢慢的变多的作，也许通过与记录系统通信，至少在最初是通过 MCP 服务器进行通信时，您将需要一个全新的治理模型，即管理作。我们过去对应用程序编程接口进行治理，但现在你需要对作进行治理，从本质上管理代理的行为。

　　在数据平台层面，我们听说过很多关于语义层的信息，以及 Snowflake 领导的一项努力，旨在让大部分行业就语义互作性定义达成一致。我们还没有所有详情信息，但为了明确起见，这些是您在仪表板中看到的指标和维度定义，例如客户生命周期价值或季度销售额。所以你必须就销售额的定义达成一致，什么是季度，诸如此类的事情。这是在左下角的绿色方块上，就在数据平台层的上方。

　　我们相信，下一个架构里程碑是智能系统的出现——一个统一的上下文层，可以解释信号（包括来自商业智能）并为由代理控制框架协调的代理系统提供信息。Fivetran 可能收购 dbt Labs 等市场走势凸显了数据平台的上游推动，这一些平台现在与 Celonis、Salesforce 和ServiceNow等以流程为中心的参与者发生冲突。战略目标是构建企业的数字孪生——一个能了解发生了什么、为什么发生、接下来会发生啥和应该做什么的“4D 地图”。

　　然而，端到端可见性仍然受到碎片化的限制。如前所述，当每个星型模式仍然是一个孤岛时，在湖屋中整合数据并不能处理问题。即使对单个供应商与实例进行标准化也无法跨域统一数据。正如我们之前提出的跨职能问题（“营销怎么样影响销售？”“履行怎么样影响客户体验？）常常要新的跨部门多维数据集——这是一项繁重的数据工程提升——而需要的是按需生成此类视图。

　　为了实现这一点，治理必须与架构一起发展。随着访问范围的扩大，需要动态实施策略，在某些情况下，需要动态生成策略。随着代理开始采取行动（最初通过 MCP 服务器调用记录系统），治理必须从传统的 API 监督转变为管理代理行为和意图的作治理。

　　至关重要的是，构建数字孪生不仅仅是指标和维度——2D 或 2.5D 快照，例如订单或销售。它应该要依据客户如何穿越接触点以及工作如何真正流动对业务流程进行明确建模。大多数组织不会从头开始对此进行建模。他们将组装供应商提供的流程构建块，就像他们在以前的时代采用打包的应用程序一样，将它们组合到 SoI 中，以便代理可以在真实的业务环境中进行作——相当于“代理作为顾问”。

　　在我们看来，前进的道路是一个新的全栈，它有利于数据和流程的端到端集成，而不是创建新的孤岛。随着接口变得稀薄，语言成为控制平面，治理目录成为控制点，SoI 成为企业大脑，代理系统成为执行层。这就是数字孪生从概念到运营现实的方式。

　　稍后，我们将讨论代理作为顾问在做出决定时考虑的背景。因此，这是一个全新的堆栈，必须组合在一起，我们现在一定要考虑端到端集成，而不是添加新的孤岛，而不单单是数据集成，而是流程集成。

　　我们相信，下一代服务即软件堆栈与经典的应用程序开发阶段（第 0 天、第 1 天、第 2 天）紧密结合，DevSecOps 贯穿于每一步。该镜头保留了熟悉的构建-发布-作节奏，同时将重心转移到托管的、以结果为导向的模型，其中堆栈处理繁重的工作并加快价值实现时间。

　　在我们看来，第 0 天是规划和设计阶段，团队将弄清楚如何构建解决方案以及如何在生产中运行。从应用开发的角度来看，这在某种程度上预示着明确定义架构、API 和所需的基础设施。服务即软件方法鼓励从一开始就以模块化的云原生部分进行思考，因此可扩展性、可观察性和安全性被纳入其中，而不是以后才乱用。现在是指定合同、护栏和平台选择的时刻，这些选择将使下游阶段快速进行而无需返工。

　　第 1 天是应用程序通过部署和配置实现生命状态的地方。环境是自动拆分的——通常通过基础设施即代码、容器或无服务器设置——因此研发人员可以专注于编写代码和发布功能，而不是与基础设施搏斗。其结果是可重复、可预测的运动，比传统设置快得多。在服务即软件模型中，这种一致性是一阶特征：平台抽象了复杂性，以便团队可以更快地向用户推送价值。

　　第 2 天涵盖应用在生产中运行并开始发展的运营/优化阶段。团队监控性能指标、动态扩展并推出更新而不会中断。至关重要的是，服务即软件提供了遥测和反馈，这些遥测和反馈告知应用程序应该如何随着时间的推移进行改进——这就是为什么第 2 天是持续改进发生的地方。托管模型的优势在于将运行时信号转换为安全、快速的迭代。

　　DevSecOps 与流程的每个部分都相关联——它无处不在。安全性从一开始就内置：自动化测试、策略检查和漏洞扫描在后台运行，并集成到 CI/CD 管道中。服务即软件堆栈支持默认安全的选择，因此开发人能在不引入风险的情况下快速行动。

　　我们的研究表明，堆栈可以处理繁重的工作并提供更快的价值实现时间。34% 的受访者更喜欢托管/基于 SaaS 的交付，而 17% 的受访者希望纯分发。尽管 SaaS/托管产品相对于完全分发功能可能有所减少，但它们可以更快地实现价值。优势是显而易见的：开发人员专注于功能、用户体验和创新，而堆栈则确保可靠、安全、大规模的运营——对整个 CI/CD 管道和整个软件生命周期产生重大影响。

　　底线：通过服务即软件的视角绘制第 0/1/2 天的地图，将规划、发布和运营与一个平台保持一致，该平台可以安全地自动化无差别工作、制度化持续改进并加速结果。

　　我们认为，运营维度正在经历阶梯式功能的变化。下面的参考图将当今的自动化孤岛（左）与知识工作的按订单生产装配线（右）并置。为了清晰起见，视觉效果故意夸大了，而且——重要的是——反映了一个新出现的现实，即管理者将监督代理大军，而不仅仅是人类团队，这呼应了马克·贝尼奥夫的观点，即我们是最后一代单独管理人类的管理者。

　　从历史上看，知识工作类似于装配前的生产线制造——想想小单元中的工匠工作流程，协调和编排由人类处理——几十年来几乎没有改变的模式。现在的机会是围绕稀缺的人类专业知识组织工作，并理解，无论智能体变得多么先进，跟着时间的推移，人类的判断和决策都会逐渐传授给智能体。

　　按订单生产模型将批量运营的效率与咨询工作的定制相结合（如咨询或投资银行业务所示）。有了端到端的可见性和数字编排，任何尚未编码在代理中的专业知识都成为浮动的高价值资源，在需要时精确部署。每一次这样的人工干预都会被捕获以供将来使用——类似于产生训练数据的特斯拉自动驾驶仪脱离——因此下一次发生该异常时不再需要人工。实际上，工作场所是专门为在工作流程中编码专业知识而设计的，稳步提高代理成熟度并扩大有效能力。

　　我们将这条装配线视为一项常青计划——类似于战略资本项目，但以运营支出的形式运营。成功指标也相应地发生变化，从传统的部门效率衡量标准（例如，交易完成和上市时间）转变为专业知识的放大和真正的智力资本回报。在这种配置中，随着接口的稀薄和语言成为控制平面，单个经理指挥着大量的代理，定义了我们认为将成为代理时代的运营蓝图。

　　在这条按订单生产的装配线中，我们结合了最好的批量作，并再次借鉴了 Geoffrey Moore 的概念。批量运营的效率，但定制工作可能会在咨询业务（例如咨询或投资银行业务）中找到。你会得到两者最好的。

　　但关键是，因为你有这种端到端的可见性，你有流程的数字编排，所以发生的事情是，人类的专业知识，没有在代理中编码，变成了一种可插拔的资源，本质上这条装配线在需要时发挥作用，每次有人为干预时， 捕获以备将来使用。

　　我们相信安全和治理不能被掩盖——尤其是在受监管的行业。合规性、监管和安全仍然是医疗保健（例如 HIPAA）、金融服务和欧盟法规的前沿和中心。通过上述技术和运营模式，我们现在研究商业模式的转变。

　　下图描绘了此处显示的两种对比状态。在当前范式的左侧，利润随着劳动力的增加而增加：增加产能，增加人员，并希望扩大规模。边际经济学因行业而异。在软件中，非经常性工程在前期占主导地位;持续维护持续存在，但边际成本在数量上趋于接近零。在硬件领域，销售成本仍然是一个持续的拖累。在服务业中，劳动力是关键投入，通常会导致规模经济和实现运营杠杆的挑战。

　　在右侧，我们看到了一个由数字编码专业知识驱动的根本不同的环境——我们认为这是一个自学、自学的系统，会随着时间的推移而改进。这成为生产的关键投入，这就是为什么我们不仅在技术领域，而且在所有行业都期待赢家通吃的动态。

　　为了具体说明其影响，请考虑一家律师事务所——服务业务被重新构想为软件的早期例子。从历史上看，自“站立式办公桌上的羽毛笔”时代以来几乎没有什么变化——为了承接更多业务，公司聘请了更多的律师;成本随收入而增加;竞争优点是人际关系和声誉。定价往往是收费的，通常是时间和材料（或从那里加价）。

　　在新模式下，法律工作逐渐被编码在代理人中，并作为一个平台进行作。每次系统遇到新情况时，捕获的专业相关知识都会成为智能体知识库的一部分;下次，该特定模式不需要人类律师。人类专业人员越来越多地监督代理的装配线。

　　按小时定价的工作类型——合同、并购任务和类似事项——可以转向固定费用服务。随着数量的增加，学习会得到改善，从而创造更大的差异化和更低的成本。数据网络效应和编码的专业知识复合在一起，强化了体验曲线并推动了赢家通吃的结果。实际上，服务企业成为平台企业，由理解人类语言和组织流程的软件提供支持。我们认为这是深刻的变化。

　　在我们看来，这是商业模式转型的关键——从边际成本不均衡的劳动力规模经济学到由数字编码专业知识提供支持的平台经济学，在严格的合规和治理护栏下进行管理，并能够大规模地复合优势。

　　我们认为，将代理视为企业内部的顾问，最好理解服务即软件的代理角度。以这种方式构建，代理利用从运营经验、遥测和边缘设备数据等来源学到的机构知识、行业最佳实践和编纂业务流程。这种心智模型简化了一个复杂的转变：代理不仅仅是人或简单的机器人;他们的行为就像嵌入式顾问，利用共享的上下文来交付结果。

　　我们的前提是企业正在采用两种不同的方法来衡量代理影响。一种强调计算代理（例如，“部署了 500,000 名代理”）并列出总体投资回报总额。另一个更接近组织实际报告价值的方式，侧重于业务成果——节省的资金、实现的机会和体验改进（例如，净推荐值和客户满意度）。

　　我们相信第二种方法将推动企业和消费者层面的真正采用，因为它使代理计划与切实、可理解的结果保持一致。一个著名的例子是 Workato，它有意将代理商打造成“精灵”——一个平易近人的动态隐喻——并围绕业务影响而不是原始代理数量来定位发布叙述。

　　从技术上讲，我们认为代理杠杆在经典自动化之外增加了一个 Z 轴：以前不切实际的推理、决策和新颖的信息获取现在变得可行——在早期原型中常常让人感觉“神奇”。矛盾的是，许多当前的最小可行产品和概念验证都要求不足;团队可能还没有掌握实际可能的事情，因为组织以前从未能够做这些事情。我们建议围绕有形的影响指标而不是代理计数来构建计划、营销和成功标准，确保标准设置得足够高，以捕捉代理系统的全部承诺。

　　合规和治理再次成为首要问题，而不是事后的想法。随着 AI 的大规模实施和代理的大规模部署，数据的数量、局部性和处理方式又扩大了一个数量级。这加剧了管理数据所在位置、访问方式、保护方式以及如何提取价值的需求——跨不同规则的司法管辖区。

　　我们在 theCUBE 上的对话和活动工作强调了具有长期公共部门关系、已建立的数据中心房地产以及电力和水资源的提供商所拥有的结构性优势，以及每个国家和每个地区所需的政策和立法导航。Equinix最近在其分析师活动中分享了强有力的例子。我们认为，在高层选择合适的合作伙伴——那些满足数据需求并保证其安全的合作伙伴——至关重要;随着项目规模的扩大，错误的选择会产生棘手的、潜在的生存风险。

　　我们进一步相信，这个时代远远超出了 SaaS 剧本。SaaS加速任务级自动化;服务即软件在智能级别运行。它引入了更大的复杂性，需要新的工具，并且需要深思熟虑的策略。目标不仅仅是让简单的事情变得更快;而是让非常复杂的事情成为可能。

　　最后，边缘成为一个新的数据中心。我们期望边缘的人工智能，设备不断向系统报告，这些系统支持不断发展的、经过现场验证的最佳实践——在现实中效果最好，而不仅仅是假设。这种反馈循环还重塑了代理企业中的管理角色，这意味着领导层从仅监督人员转变为协调代理，整合边缘来源的信号和机构知识以改善结果。与此同时，一个持久的生态系统角色也出现了，用于对代理本身进行咨询——一个服务层，帮助组织设计、管理和调整其代理员工队伍，以确保安全、合规、绩效和价值实现。

　　在我们看来，将代理重新定义为顾问、衡量业务成果、提升合规性和治理、针对数据局部性和基础设施现实进行合作，以及将边缘视为一流的计算和数据平面，是从任务自动化转向企业规模服务即软件的实际支柱。

　　我们相信，这里概述的技术、运营和商业模式转变将实质性地改变公司的赚钱方式和收费方式。这是我们今后将使用的评估框架，我们将不断更新。它还与正在进行的分析工作（包括与外部研究合作伙伴的合作）保持一致，旨在揭示服务即软件创造新的生产力驱动因素。我们将在此背景下评估未来，并跟踪关键指标以观察其发展。

　　一个核心问题是现有企业如何处理技术债务。在我们看来，企业面临着“将死鲸踢下海滩”的选择——比喻延续遗留负担——或者根据服务即软件框架转变其技术、运营和商业模式。奖品是巨大的生产力提升;不作为的风险是作为软件提供的新服务的破坏，软件经济性微乎其微。我们以前已经看到了学习曲线捆绑的力量——例如，Microsoft在 1980 年代和 90 年代的捆绑——但我们相信今天的变化要大得多。

　　这种转变并不容易。它不仅仅是采用云、更换新的安全框架或建立另一个数据平台。它是组织转型的，必须在运营当前业务时发生。有许多缺失的部分需要深思熟虑地解决：

　　代理能力的定价模型：市场仍在试验中;我们看到 Salesforce 测试方法，但目前尚不清楚其他公司（例如 UiPath）将如何定价价值。

　　数据保留和沿袭：某些行业需要保留多年（通常为七年）。我们预计需要重新创建和解释代理决策。

　　我们相信这将跟着时间的推移而演变，这就是为什么我们一直说这需要十年的大部分时间才能完全发挥作用。2025 年或 2026 年不会是“代理人之年”。更有可能的是，这将是代理人的十年。

　　从成本结构的角度来看，商业模式的影响是深远的。定价代理很难，因为与历史上的软件模式不同，现在在新的生产要素——数据之上存在有意义的边际成本——尤其是计算成本。报告表明，领先的人工智能提供商在运营成本和数据采集/管理方面的支出可能仍约为收入的 45%。这强调了为什么成本结构仍然是首要问题，以及为什么数据治理和质量将直接影响单位经济。

　　可观测性必须与安全性同步发展。传统的数据沿袭是不够的。我们将需要代理的可观测性——捕获推理跟踪和用于做出决策的数据——一个支持可审计性、安全性、合规性和取证的新血统。

　　尽管全面的企业转型可能需要十年时间，但我们看到了近期的浪潮。未来 12 到 18 个月内，最大的影响将是将生成式 AI 和代理应用于企业用于构建日常软件的主流工具。软件行业为主流客户提供的工具必须首先围绕代理技术进行重塑——在主流企业更广泛的服务即软件平全形成之前。换句话说，我们正在描绘企业重塑的愿景，但用于构建重塑的工具链将在未来 12 个月内发生巨大变化。

　　值得关注的关键因素包括现有对技术债务的响应、代理服务的可靠定价模型、数据协调和保留/沿袭方面的具体进展、真正的混合经济学（人工智能到数据）以及代理可观察性/安全性的可衡量改进。我们大家都认为，随着代理十年的展开，尽早与这一框架保持一致的组织——协调调整技术、运营和商业模式——将最有能力抓住学习曲线优势和服务即软件经济学。