AREX Feed Article
Aaron Levie：问 10 个 IT Leader 至少得到 5 种 Coding Agent 方案，企业 AI 的碎片化远超云时代
"Anyone who's predicting ultimate market outcomes already probably will be wrong as nothing has formally settled in yet."
8 月 5 日凌晨，Box CEO Aaron Levie 在 X 上发了一条长推文，把他过去几个月密集拜访企业 IT 决策者后的观察浓缩成一幅企业 AI 部署的现状速写。这条推文获得 235 次点赞、59K 浏览、50 条回复和 8 条引用，并被 libGDX 创始人 Mario Zechner（@badlogicgames，65K 粉丝）转发推荐为"recommended reading!"。Zechner 长期关注 AI coding agent 生态，他的背书让这条推文从一个 CEO 的行业观察升级为值得深入拆解的信号。
Levie 的核心论据来自一手接触：不像云计算的早期只有 AWS、Azure、GCP 三个基础设施选项和有限的部署模式，企业 AI 目前几乎在每个维度上都呈现出高度异质性。问 10 个 IT Leader 他们的 coding agent 策略，至少得到 5 种不同答案；问终端用户的生产力 agent，有的押注 ChatGPT 或 Claude 企业版，有的让员工从多个方案中自由选择，还有大量企业自建编排层来调度任意模型。在模型选择、数据访问方式、agent 身份治理这些关键决策上，同样不存在标准答案。
这条推文是 Levie 过去三个月持续输出的企业 AI 观察系列的最新一章。从 6 月的"applied AI layer 有多厚"到 7 月初的"我跟二十几个企业 IT leader 聊完 agent 得到了 7 个共同主题"，再到 7 月底的"OpenAI agent sandbox escape 对企业 AI 扩散意味着什么"，Levie 正在系统性地构建一个与"赢家通吃"主流叙事相反的判断框架。而 8 月 5 日这条推文，是这个框架最凝练的表达。
10 个 IT Leader，至少 5 种 Coding Agent 答案
"If you ask 10 IT leaders what their coding agent strategy looks like, you get at least 5 different answers."
Levie 用 coding agent 这个切口来展示碎片化的程度，这不是偶然选择。coding agent 是 2026 年企业 AI 部署中走得最快的类别：Cursor、Claude Code、GitHub Copilot、Devin 等工具已经进入大量工程团队的日常工作流。如果连这个最成熟的赛道都没有形成共识，其他领域的碎片化只会更严重。
实际情况也确实印证了他的观察。有的企业统一采购一个工具并强制全公司使用；有的允许团队自行选择，于是同一个公司内部可能同时跑着三四种不同的 coding agent；有的在试点阶段反复切换，因为 IT 部门想推，工程团队有自己的偏好，安全团队又摆出另一套评估标准。三个部门谈不拢，决策就卡住了。还有大量企业根本没做出决定，在观望中等待市场"尘埃落定"。
这种碎片化的根源，Levie 在 7 月初的另一条推文中已经点明过：企业 AI 部署不是单纯的工具采购问题，而是需要跨部门协作的流程改造。coding agent 要接入代码仓库、CI/CD 管线、安全扫描、code review 流程，这些系统分布在不同的组织边界内，每个部门有自己的标准和顾虑。云迁移时，你只需要决定"把工作负载搬到谁家的服务器上"。AI 时代，你要决定的是一整套工作方式的改变。
Leo Liu（HiPilot CEO）在回复中给出了一个结构性解释，可能是整个讨论中最具理论深度的补充："一个开 PR 的 coding agent 和一个改定价或批准付款的 agent 不应该共享同一套自治模型。企业可能永远无法收敛到一个 agent 策略上，但它们会收敛到一组按风险分级的自治层级上——每个层级有自己的权限、证据要求和升级路径。标准化单元是行动的风险，而不是模型本身。"换句话说，碎片化不是需要被消除的问题。它是 agent 差异化风险的必然产物。代码审查的风险模型和付款审批的风险模型本质不同，用同一套治理框架去管它们，要么过严（限制了低风险场景的效率），要么过松（在高风险场景开了口子）。
ChatGPT 和 Claude 远不是标准答案
"Some have standardized on ChatGPT or Claude, others offer a choice of multiple solutions, and many have built their own orchestration layers for employees to use any model."
终端用户的生产力 agent 选择暴露了一个比 coding agent 更深的裂痕。coding agent 的用户是工程师，他们有能力在不同工具之间切换和评估；生产力 agent 的用户是全员，从销售到法务到 HR，技术能力参差不齐。这决定了企业在生产力 agent 上的选择逻辑和 coding agent 完全不同。
Levie 描述了三种正在并存的模式。第一种：统一采购 ChatGPT Enterprise 或 Claude Enterprise。最简单，安全团队最放心，供应商关系最清晰。代价是灵活性最差：模型升级了你要等供应商适配，新模型出来了你可能用不了，定价完全由供应商决定。第二种：同时提供多个工具让员工自己选。听起来是"赋能"，实际上是把技术决策转移给了最没能力做这个决策的人，而且安全团队要同时管理多个供应商的风险面。
第三种：自建编排层。正在成为越来越多技术能力强的企业的选择。Levie 自己在 7 月初详细阐述过这个逻辑：前沿模型负责 orchestrating 和 planning 复杂工作流，低成本模型或领域专用模型处理可预测的、重复性的子任务。"随着 AI 应用变得更可预测，"他写道，"公司可以把某些工作负载转移到更便宜的开放或封闭模型，或者专门为特定任务训练的模型上。"关键不是选一个模型，而是建立一个模型无关的编排层，让企业可以"把任何智能带到自己的数据上"。
Todd Saunders（DaltonMills AI CEO，18K 粉丝）在引用推文中说得更直白："你绝对不能把自己锁死在单一模型供应商上。"Chaminda Delpagodage 则指出了一个被低估的细节："agent 身份这件事，现在就像 2005 年的 IAM——在有人定义什么是 service account 之前的状态。"2005 年的 IAM 最终长成了 Okta、Azure AD 这样的百亿美元市场。agent 时代的模型路由和身份编排层可能经历同样的轨迹：先混乱，后标准化，最终长出新的平台级公司。
不只用大模型：开源模型正在敲企业的门
"Enterprises are experimenting with OSS models, or are at least immensely curious about OSS and would jump at the right offering that felt safe."
这是 Levie 全文中最值得注意的表述之一。Box 本身是 frontier model 的重度用户。Levie 几乎每次新模型发布都会发帖公布 Box AI Complex Work Eval 的测试结果，从 Claude Opus 5 到 GPT-5.6 到 Fable 5 到 Claude Sonnet 5，几乎一个不落。Levie 在 5 月底甚至公开呼吁 AI 部署相关岗位需求"至少乘以 10 再乘以 10"。但即便如此，他观察到的企业客户心态已经在变化。
"immensely curious"和"would jump at the right offering that felt safe"这两句话放在一起，信息量很大。不是说企业不相信开源模型的能力。Llama、Qwen、DeepSeek 等开源模型在多个 benchmark 上的表现已经证明了实力，Nvidia 甚至宣布了 260 亿美元的五年开源模型投资计划。瓶颈在"safe"：企业需要合规保障、SLA、安全审计、support。谁先把这个缺口补上，谁就能吃到开源模型在企业端的爆发。用 Levie 在 5 月一篇博文中的话说："每家公司都需要一个平台，能安全管理、组织和治理其最重要的企业信息，并将其连接到你想使用的全部 agent 栈。"
Levie 还提到一个容易被忽略的趋势：垂直模型和垂直 agent 正在同时进入企业视野。金融、法律、医疗、生命科学，这些领域正在出现只做一个行业但做得极深的模型和 agent。它们不是来替代 frontier model 的，而是来填补 frontier model 在特定领域的精度和合规短板。Levie 在 7 月中旬勾勒的 AI 生态五层图中，专门列了一层"新实验室正在涌现，专注于前沿实验室不聚焦或需要深度垂直专业知识的特定领域"。
Neeraj Kumar（PNNLab Chief Data Scientist）在引用推文中给出了一个精准的总结："企业 AI 不会收敛到一个技术栈上，它在按工作流碎片化。可能赢的是那个治理身份、数据访问、模型、记忆和人工干预的控制面层。"这个判断和 Levie 的观点形成了闭环：碎片化不是暂时的混乱，它可能是企业 AI 的永久特征。模型能力越强，企业能自动化的工作流越复杂；工作流越复杂，越不可能用一套标准方案覆盖所有场景。
Agent 身份，等待它的 Okta 时刻
"For accessing data, some enterprises just have agents take on the role of the user, and others are setting up agent users that have their own identities. Some companies are setting up substantial guardrails on what agents can do, and others are putting responsibility on the user."
这段看起来是技术细节，实际上是全文最深的一刀。agent 身份管理不是工程问题，是安全哲学问题。
让 agent 以用户身份运行，最简单。权限就是用户的权限。一个销售经理的 agent 能看到销售经理能看到的所有数据。问题是 agent 的行为模式和人完全不同：人会累、会偷懒、会凭直觉跳过某个检查步骤；agent 不会。Levie 在 7 月底讨论 OpenAI agent sandbox escape 事件时把这个问题讲得很透彻："agent 会愉快地花任意时间去执行一个任务，不怕任何真正的风险，也没有人天然具备的'这个任务可能毫无意义'的判断力。"
给 agent 独立身份，理论上更安全，因为可以只授予 agent 完成任务所需的最小权限。但实施难度大得多：需要定义 agent 的身份体系、权限模型、审计日志、异常行为检测。"这意味着你需要一套全新的管理数据和保护环境的方法，"Levie 在同一篇推文中写道，"这也为创业公司和安全生态创造了巨大的机会，因为锁定 agent——或至少锁定它们工作的底层系统——会有很多不同的方法。"
Levie 提到的另一组分野也指向同一个问题：有些公司设了严格的 guardrail，有些把责任推给用户。你信机器还是信人？信机器，就要接受 agent 在某些场景下的过度保守；信人，就要接受人可能犯错、可能滥用。目前没有正确答案，只有不同公司的不同赌注。
Chaminda Delpagodage 的比喻值得再引用一次："就像 2005 年的 IAM，还没人定义 service account 到底是什么。"weaver_labs 的回复则从另一个角度切入："方法越多样，互操作性就越重要。不同的模型、agent 和数据环境仍然需要可靠的网络层来在跨企业基础设施中协同工作。"每个维度上的碎片化都在制造新的整合需求。这就是 Levie 说的"lots of opportunity ahead"的具体含义。
谁能预测终局？
回到 Levie 开头的对比：云计算的早期，只有 AWS、Azure、GCP 三个基础设施选项，部署模式无非 lift-and-shift 或 refactor。所以云市场的格局相对早地清晰了：IaaS 三巨头格局在 2015 年左右就基本确立。企业 AI 完全不同：模型有封闭有开源，agent 架构有轻有重，数据访问策略有松有紧，身份模型有用户代理和独立 agent 两种范式。这些维度不是独立变化的。它们互相交叉，产生的组合数量是乘法关系。
Levie 在 7 月中旬的一条长推文中给出过更完整的图景：AI 生态正在同时长出至少五层：模型微调和推理服务层、applied AI 应用层、垂直领域新实验室、agent 基础设施和安全层、AI 部署服务公司层。每一层都在高速演化，每一层内部都在碎片化。五层叠加，可能的终局组合数以千计。这就是为什么 Levie 敢说"anyone who's predicting ultimate market outcomes already probably will be wrong"。不是谦虚，是算数。
他说的是 opportunity，不是 confusion。碎片化对预测者是坏消息，对创业者和 builder 是好消息。每一条分叉的路都可能长出独立的生态。coding agent 不会只有一个赢家。Cursor、Claude Code、Copilot 可能各自占据不同的开发者群体。模型路由层、agent 身份层、垂直行业 agent 层，每一层都在等自己的定义时刻。Dominick Joseph Luna（Capxel 联合创始人）在回复中说得很好："这么早期的模式多样性通常意味着主导隐喻还没出现。云计算在'应用跑在一个不属于我们的容器里'这个隐喻被接受后才收敛。AI 目前还是前隐喻阶段——每家企业都在从第一性原理出发思考，因为简写还没出现。"
那个简写什么时候会出现？可能是明年，可能是五年后。在它出现之前，每一个赌终局的人都可能赌错。这是 Levie 给出的最具操作性的判断。