模型再聪明，也不知道你们公司那个90%其实是50%

Ali Ghodsi 给企业 AI 泼了盆冷水。前沿模型停不停，对大多数公司没那么重要。它们卡在上下文，不在智商。

在 a16z 的推文里，这位 Databricks CEO 说得很直接：没有哪个 agentic 工作把整个企业自动化了。模型够聪明，但它们没进过公司的每个会议，不知道每个人脑子里在想什么，不知道流程怎么走。每个组织都有一两个知道所有事的人。大家平时不一定给他加薪，但真怕他离职。把这些上下文喂给今天的前沿模型，生产力提升会很大。为了这个，不需要更聪明的模型。前沿不进步，对地球上大多数组织没影响，因为它们在采用曲线上落后太远。

Ali Ghodsi 在 Data + AI Summit 2026 台上。图片来源：Databricks / a16z

Databricks 的数字能解释为什么这个话题不只是嘴上说说。三年前，平台上每次交互都有人参与。今天，来自 agent 的查询比人多，每天有超过 1700 万个数据库由 agent 启动。公司收入 run rate 过了 70 亿美元，同比增长 80%，估值 1900 亿美元。Lakehouse 收入 run rate 超过 15 亿美元，同比增长 100%。Lakebase 去年发布，已经超过 1 亿美元 run rate，最活跃用户是 agent。

企业 AI 卡在上下文

a16z 的 Ben Horowitz 和 Michael McGuiness 在长文里把 Databricks 的路径拆成四段：Spark、Lakehouse、Lakebase、agents。每一段给下一段开了窗口。简单说，Lakehouse 把数据湖的便宜存储和数据仓库的可靠性、查询性能合并，让工程师、数据科学家、分析师能共用同一份数据基础。Lakebase 把操作数据库也做了存储和计算分离，数据留在数据湖里，计算按需伸缩。数据库变更自动对分析、工程和 agent 可见，不用再拉一堆管道。

Lakebase 把操作数据库的存储和计算分开。图片来源：a16z

这带来一个很实际的后果：数据库开始像代码。PB 级数据库能在几秒内复制，因为 Lakebase 只复制变更。agent 可以拉一个隔离分支，在上面实验，做完扔掉。Databricks 自己也没一开始就完全意识到这个用法，但 agent 已经成了 Lakebase 最勤快的用户。

把“谁说了算”写进系统

每家公司都有一套 ontology：什么东西存在，它们怎么关联，词是什么意思，两个来源冲突时谁说了算。一部分在数据库、仪表盘、政策和文档里。很大一部分只在有经验的员工脑子里。合同会变，绕路会变成流程，例外会变成规则，官方记录慢慢和实际干活的方式脱节。谁决定什么、哪些决定后来被证明是对的，也一样没写下来。

有网友在回复里补了一句：销售 VP 知道一个 rep 的 90% 其实是 50%，这种东西不会从文档里长出来。

agent 要自主行动，就得把这套 ontology、权限和评价标准搬进公司的 system of record。Databricks 把这叫 SORA，System of Record for Agents。它要持续回答四个问题：什么是真的，数据意味着什么，什么被允许，做完到底有没有用。

SORA 要回答的四件事。图片来源：a16z

Databricks 的做法包括 Genie Ontology，用 OntoRank 给知识源排权威性，看谁创建的、用得多不多、最近改没改。测试里，把 agent 接到公司 ontology 上，回答准确率从大约 50% 提到 84.5%。Unity Gateway 给每个模型、agent、AI 工具一个身份、预算和护栏，所有动作留痕。业务团队在 Genie 里把 prompt 变成可分享的 agent，工程团队在 Agent Bricks 里做更定制的生产级 agent。

经理变成信息路由器

Ronald Coase 在 1937 年问过，公司为什么存在。答案落在交易成本：找人、谈判、监督都要时间和钱。公司用管理指令替代一部分市场交易，但公司内部组织工作也有成本。公司长到一定程度，内部组织下一笔交易的成本追上市场购买，边界就停在那里。

Herbert Simon 后来观察到，集中公司的记忆，反而能分散决策。机票代理不用给每个同事打电话，她查共享记录，卖掉座位，记录对所有人更新。集中状态让分散行动更安全。数据库把这个原则扩到全公司，很多原本要靠报告、会议、经理转手的协调，变成对共享记录的一次查询。

二十世纪公司的金字塔形状，是因为层级本身就是信息处理系统。事实通过报告和会议往上走，决策往下走，信息流镜像组织图。数据库改了一部分，但通常还是在别人设计好的流程里行动。现在自然语言界面和 agent 同时拆掉“知道”和“做”的技术障碍。Novo Nordisk 的科学家直接问 Genie 要肥胖症数据，Rivian 的财务分析师没有 SQL 经验，用 Genie 给 CFO 搭了收入仪表盘。

更值得看的是经理角色的变化。Ali 同意 Jack Dorsey 说的信息流阻碍速度，但补了一个区分：组织图和信息流动方式以前是一回事，现在不再完全一样。Genie 能回答会议上冒出来的很多问题，公司仍然需要经理，只是需要更少的信息路由器。发展人、帮团队判断什么重要、发现谁不开心，这些还要人。

工程师已经在感受这个变化。写代码变成管理一队编码 agent：划问题、拆任务、并行委派、看回来的 pull request，有的批，有的打回去写清楚。更多知识工作会往这个方向走。经理制没有死，职业经理层对管理的垄断在结束。

换模型时别把公司记忆弄丢

真正形成差距的，可能是公司怎么记录决策和学习。两个银行租同一个前沿模型做信贷决策。第一个发 prompt，收答案，记最终决定。第二个记哪些事实产生了答案，人在哪里override，哪些决定后来表现好，哪些失败，然后持续调整策略。一年后更好的模型来了，只有第二个银行建成了更好的银行。

新模型如果能继承公司的定义、权限、评估过的案例、客户历史和踩过的例外，这是竞争优势的基础。新模型如果从和大家一样的 prompt 开始，就不是。这样的公司被叫做主权公司。供应商涨价、改条款、退役模型，公司能换，不丢掉已经学到的东西。

Satya Nadella 在文章里说，AI 模型持续吸收人和组织的专长，再把它商品化，所以每家公司都要建 human capital 和 token capital。前者是人的知识、判断、关系、创造力，后者是公司建起来并拥有的 AI 能力。两者在循环里复利，这个循环变成公司的新 IP。Jensen Huang 在 Databricks 2024 年 Data + AI Summit 上说，每家公司的业务数据都是金矿，Nvidia 几乎每个流程都从数据飞轮开始，从芯片设计到供应链。

Databricks 赌的是数据和建在上面的循环应该住在公司控制的系统里。所有权本身不是护城河，但它防止公司的记忆被锁进某个供应商的栈。护城河出现在数据和 AI 帮公司比对手更快改进决策和产品的时候。

工作剩下什么

Mathematician Alfred North Whitehead 一百年前说，文明进步靠把更多重要操作变成不用想就能做。公司也这样，一个循环一个循环变得更自主。人纠正一次 agent 循环，纠正应该改进下一次执行。循环被证明能可靠完成一个有边界的工作，人退出，去下一个没解决的问题，把学到的东西留在公司的共享记录里。

Databricks 的收入、估值和 agent 使用量说明这条路已经有商业重量。但企业 AI 真正难的地方，可能在于把“谁说了算、什么算对、哪个例外算数”从人脑搬进系统，还要在换模型时不忘记。模型停不停，可能真没那么重要。

METR 追踪 agent 能独立完成的任务长度，大约每七个月翻一倍。图片来源：a16z

原文：a16z《Databricks & the Future of the Firm》 https://www.a16z.news/p/databricks-and-the-future-of-the