AI重塑企业IT：三方博弈与未来格局

全文概览

当ChatGPT引爆AI浪潮，企业IT市场正经历一场静默而深刻的重构。云厂商凭借算力基础设施牢牢占据底层生态位，大模型厂商以颠覆性的AI能力冲击传统软件壁垒，而SAP、Oracle等传统IT巨头则手握数十年积累的行业数据与客户关系——三方势力各怀筹码，在合作与博弈中重塑未来十年的企业IT版图。

这场博弈没有旁观者。对于存储从业者，AI工作负载正在重新定义基础设施需求；对于行业分析师，三方势力的此消彼长意味着投资逻辑的根本转变；对于研究者，这提供了一个观察技术颠覆与产业演进的绝佳样本。本文从云厂商、大模型厂商和传统软件厂商三个维度，系统剖析各自的生态位、核心竞争力与潜在软肋，并展望AI Agent时代企业IT格局的演进趋势。谁将成为AI时代的"操作系统"？谁又可能沦为后台的"管道"？答案正在这场三方博弈中逐渐浮现。

阅读收获

• 理解AI工作负载对算力基础设施的真实需求，洞察云厂商GPU租赁业务的利润率结构（15-20%），把握AI时代存储架构的演进方向
• 建立评估三方势力的结构化框架——云厂商看算力控制与渠道优势，大模型厂商看模型代差与商业化路径，传统软件厂商看数据壁垒与转型速度
• 获得一个技术颠覆理论的现实案例，观察"AI原生"与"AI化"两种路径的本质差异，以及平台锁定效应在AI时代的演变形态

随着大模型厂商凭借颠覆性的 AI 能力强势进入企业 IT 市场，原有的竞争格局正在被打破。当前的企业 IT 市场形成了一个复杂的三方博弈局面：以 AWS、Azure、GCP 为代表的云厂商，以 OpenAI、Anthropic 为代表的大模型厂商，以及以 VMware、SAP、Oracle 等为代表的传统企业 IT 软件厂商。这三类厂商各有其独特的优势和劣势，它们在 AI 时代的企业应用市场中相互竞争、合作，共同塑造着未来十年企业 IT 的版图。理解它们各自的生态位、核心竞争力与潜在软肋，对于企业制定自身的 AI 战略至关重要。

云厂商（AWS, Azure, GCP）：基础设施与生态之王

云厂商作为企业 IT 基础设施的提供者，在 AI 时代占据了得天独厚的战略位置。它们不仅是算力的掌控者，更是连接模型开发者与企业用户的庞大生态系统的枢纽。其优势主要体现在对

底层资源的控制、庞大的客户基础以及通过平台化战略构建的强大生态锁定效应。

强大的基础设施与算力资源

云厂商最显著的优势在于其对大规模计算、存储和网络基础设施的绝对控制。训练和运行前沿大模型需要前所未有的算力，特别是高端 GPU 等 AI 加速器。全球主要的云厂商，如亚马逊（AWS）、微软（Azure）和谷歌（GCP），通过多年的巨额投资，构建了遍布全球的数据中心网络，并与英伟达等硬件供应商建立了深度合作关系，从而垄断了市场上绝大部分的高端 AI 算力资源。（云厂商买铲人的定位在AI时代得到强化，但国内外云厂商对自身业务的诉求有差异）这种基础设施优势是双重性的：一方面，它们可以为自研的大模型（如亚马逊的 Nova、谷歌的 Gemini）提供充足且成本可控的训练和推理资源；另一方面，它们也成为第三方大模型厂商（如 Anthropic 严重依赖谷歌云，OpenAI 与微软 Azure 深度绑定）不可或缺的“房东”。（财务数据证明 GPU租赁生意扣除折旧成本的利润率在15-20%，较通算还是要高一点的，在自用+外部需求的叠加下，海外云厂商启动大规模资本投入）这种关系使得云厂商在与大模型厂商的合作与博弈中占据了极其有利的地位，它们不仅是技术合作伙伴，更是掌握其命脉的关键资源提供者。

庞大的企业客户基础与渠道优势

云厂商拥有无与伦比的企业客户基础和成熟的销售渠道。经过多年的发展，AWS、Azure 和 GCP 已经服务了全球数百万的企业客户，从初创公司到世界 500 强，其产品和服务已经深度嵌入到这些客户的 IT 架构和业务流程中。这种深厚的客户关系是云厂商推广其 AI 服务的天然渠道。它们可以通过在现有的云管理控制台中无缝集成 AI 服务（如 AWS 的 Bedrock、Azure 的 OpenAI Service），向现有客户进行“向上销售”（up-sell）和“交叉销售”（cross-sell）。对于企业客户而言，从他们已经信任并建立了合同关系的云厂商那里采购 AI 服务，通常比引入一个全新的、未经证实的大模型供应商风险更低、流程更简便。这种渠道优势使得云厂商能够以极低的获客成本，迅速将其 AI 能力推向市场，形成规模效应。

成熟的平台生态与集成能力

云厂商已经构建了极其成熟和丰富的平台生态系统。它们提供的不仅仅是基础的 IaaS 服务，还包括数以千计的 PaaS 和 SaaS 服务，涵盖了数据库、数据分析、机器学习、物联网、安全等几乎所有 IT 领域。这种平台的广度和深度，为企业构建复杂的 AI 应用提供了极大的便利。企业可以在云平台上找到几乎所有需要的组件，并将它们与 AI 模型服务进行无缝集成。例如，一个企业可以轻松地将 AWS Bedrock 上的大模型与 Amazon S3 存储的数据、Amazon Redshift 数据仓库、以及 Amazon SageMaker 的机器学习管道连接起来，构建一个端到端的数据智能应用。此外，云厂商还建立了庞大的合作伙伴网络（ISV 和 SI），这些合作伙伴在各自的领域拥有深厚的专业知识，可以帮助企业将云厂商的 AI 能力转化为行业解决方案。这种强大的平台集成能力和生态系统，使得云厂商能够提供比任何单一厂商都更全面、更完整的解决方案。（平台生态的集成能力，也在快速演进中，Anthropic 收购的 Stainless ，OpenAI 收购的 Astral 都是快速集成软件生态的脚手架工具）

安全、合规与数据治理经验

企业在采纳新技术时，尤其是在处理敏感数据时，对安全、合规和数据治理的要求极为严格。云厂商在这方面拥有数十年的积累和认证，它们提供了业界最全面的安全工具、合规框架和数据治理服务。从物理数据中心的安全，到网络隔离、身份认证、数据加密，再到符合 GDPR、HIPAA 等各种行业法规的合规性认证，云厂商都提供了成熟且经过验证的解决方案。当企业在云上使用 AI 服务时，它们可以利用云厂商现有的安全和合规基础设施，来确保其 AI 应用符合内部和外部的各项要求。例如，企业可以使用云厂商提供的工具来管理数据访问权限、监控模型行为、审计数据使用情况，从而满足数据隐私和治理的要求。这种在安全与合规方面的“一站式”服务能力，极大地降低了企业应用 AI 的风险和门槛，是云厂商吸引那些对数据安全要求极高的金融、医疗、政府等行业客户的关键因素。

AI 模型能力的“黑盒”与非差异化

尽管云厂商在基础设施和生态方面优势巨大，但它们在 AI 模型本身的能力上却面临一个尴尬的“非差异化”困境。大多数云厂商选择通过其“模型市场”（Model Garden 或 Bedrock）提供来自多个第三方（包括 OpenAI、Anthropic、Meta、Cohere 等）以及自研的基础模型。这种策略虽然为客户提供了选择的灵活性，但也导致了一个问题：对于客户而言，模型本身变得越来越像一个商品化的“黑盒”。客户很难评判不同底层模型的优劣，它们的交互界面（API）也日趋标准化。这使得云厂商很难在模型层面上建立起独特的竞争优势。它们销售的更多是算力、托管服务和生态集成，而非独一无二的 AI 智能。当模型能力成为通用商品时，竞争的焦点就可能转向价格，从而压缩利润空间。云厂商的自研模型（如 Amazon Nova）虽然在成本和性能上寻求平衡，但在最前沿、最引人注目的通用智能方面，往往难以与 OpenAI 和 Anthropic 等专门的大模型公司相媲美。（大杂烩的本质是互相卷，把效果评估交给用户，或者平台的软件合作伙伴，容易导致用户选择困难，最终导向价格最低的价值洼地）

技术创新速度与灵活性相对不足

作为规模庞大的平台公司，云厂商在技术创新速度和灵活性方面，有时会不如那些专注于 AI 的初创公司。它们的决策流程更长，产品线更复杂，任何重大的技术变革都可能牵涉到庞大的现有客户群和生态系统，因此行动更为谨慎。相比之下，像 OpenAI 和 Anthropic 这样的大模型公司，其组织结构和决策流程就是为了最大化模型研发的迭代速度而设计的。它们可以更快速地尝试新的模型架构、训练方法和应用范式。此外，云厂商的平台往往带有一定的“锁定效应”，它们在推动新技术时，需要考虑到与现有服务的兼容性问题，这可能会限制其技术创新的自由度。例如，在 AI Agent 这样一个快速演进的领域，专注于此的初创公司可能会比大型云厂商更快地进行产品迭代和功能创新。

与顶尖大模型厂商的竞合关系复杂

云厂商与顶尖的大模型厂商之间维持着一种微妙而复杂的“竞合”（co-opetition）关系。一方面，它们是合作伙伴，云厂商为大模型公司提供至关重要的算力基础设施和分销渠道；另一方面，它们又是直接的竞争对手，云厂商自己也开发基础模型，并希望推广自研模型以降低对外部供应商的依赖和成本。这种关系使得双方的战略合作充满了不确定性。例如，微软与 OpenAI 的深度合作，既让 Azure 获得了强大的 GPT 模型独家托管权，也使得 Azure 在推广自研模型或其他第三方模型时面临一定的限制。同样，谷歌云是 Anthropic 的主要投资者和算力提供商，但谷歌也在力推自己的 Gemini 模型。这种复杂的竞合关系，可能会导致资源内耗和战略上的摇摆，为其他参与者提供了机会。

大模型厂商（OpenAI, Anthropic）：AI 原生颠覆者

大模型厂商是这场变革中最耀眼的明星，它们凭借在 AI 模型上的突破性创新，成为了颠覆传统企业 IT 格局的“原生颠覆者”。它们的优势在于拥有定义这个时代最前沿技术的“杀手锏”——大语言模型，以及由此带来的无与伦比的创新速度和对开发者的强大吸引力。然而，作为“新贵”，它们也面临着基础设施依赖、商业化路径探索和规模化交付能力等方面的严峻挑战。

顶尖的 AI 模型能力与持续创新

大模型厂商最核心的、不可替代的优势，就是它们拥有这个时代最顶尖的 AI 模型，并且具备持续推动模型能力边界向前发展的研发实力。无论是 OpenAI 的 GPT 系列，还是 Anthropic 的 Claude 系列，它们在自然语言理解、生成、推理、代码能力以及多模态交互等方面，都代表了当前人类科技的最高水平。这种能力上的代际领先优势，是它们与云厂商、传统软件厂商竞争的根本。企业选择它们，首先是因为它们的模型能够完成其他技术无法完成的复杂任务，能够带来实实在在的生产力提升。更重要的是，大模型厂商展示了惊人的创新能力，从 ChatGPT 引爆对话式 AI，到 Sora 展示视频生成潜力，再到 AI Agent 开启自动化新范式，它们不断定义着 AI 应用的新场景和新模式。这种持续的创新能力，让它们始终处于技术浪潮的最前沿，吸引着全球最优秀的研究人才和最富有远见的开发者。

快速的创新迭代与产品化能力

与庞大的云厂商和传统软件公司相比，大模型厂商通常拥有更精简的组织结构、更专注的战略目标和更敏捷的文化。这使得它们能够以惊人的速度进行技术创新和产品迭代。它们可以更快地将实验室里的最新研究成果转化为面向用户的新功能和新产品。例如，OpenAI 和 Anthropic 能够频繁地发布新的模型版本，并迅速根据用户反馈进行调整。这种“快速试错、快速迭代”的互联网产品思维，与传统企业软件冗长的发布周期形成了鲜明对比。此外，它们在产品化方面也表现出极强的能力，能够将复杂的模型技术包装成易于使用的 API 和面向终端用户的应用（如 ChatGPT），从而快速触达并教育市场。这种敏捷性和产品化能力，使它们能够在瞬息万变的技术竞赛中保持领先，并快速响应市场需求。

强大的开发者生态与社区影响力

大模型厂商通过提供强大的 API 和举办各种开发者活动，成功地建立起了庞大且活跃的开发者社区。对于全球的开发者而言，使用 OpenAI 或 Anthropic 的 API 来构建自己的 AI 应用，已经成为一种潮流。这些厂商不仅是技术的提供者，更是新范式的布道者，它们通过技术博客、研究论文、开源项目和开发者大会，持续地影响和塑造着 AI 应用开发的最佳实践。这种强大的社区影响力，为它们构建了一个自我强化的生态系统：更多的开发者使用它们的 API，就会产生更多的应用和创意，从而吸引更多的用户和企业客户，进而产生更多的数据和收入，反哺模型的研发。通过收购像 Astral（Python 工具链）和 Stainless（SDK 生成）这样的公司，它们正在进一步巩固自己在开发者生态中的核心地位，试图成为 AI 时代事实上的“操作系统”。

AI 原生架构与设计思维

大模型厂商从诞生之日起就是“AI 原生”的，它们的整个组织架构、技术栈和产品设计理念都是围绕着如何最大化地发挥 AI 的潜力而构建的。这与传统软件公司“将 AI 作为功能添加到现有产品中”的“AI 化”（AI-fication）路径有着本质的区别。AI 原生意味着，在设计产品的第一天，就将模型的能力作为核心，而不是一个可选的插件。例如，在设计一个 CRM 系统时，传统公司可能会思考“如何在录入客户信息时加一个 AI 辅助功能”，而 AI 原生公司则会思考“如何让一个 AI 代理自动地从各种渠道收集、整理和更新客户信息”。这种 fundamentally different（根本不同的）设计思维，使得大模型厂商能够打造出体验更流畅、能力更强大、与 AI 结合更深度一体化的产品 ，从而在竞争中形成代际优势。

对云厂商算力基础设施的依赖

大模型厂商最致命的“阿喀琉斯之踵”，是它们对云厂商所控制的算力基础设施的极度依赖。训练和运行前沿大模型需要海量的、昂贵的高端 GPU 芯片，而全球绝大多数这样的芯片都掌握在少数几家云厂商手中。（当下海量的资本投入，不是为眼前的需求买单，而是在资源有限背景下的圈地运动）这种依赖关系使得大模型厂商在议价和战略自主性上处于非常不利的地位。它们需要与云厂商签订巨额的长期算力合同，这构成了其最主要的成本支出。更严重的是，这种依赖使得它们随时可能成为云厂商战略棋局中的一枚棋子。一旦合作关系破裂，或者云厂商选择优先保障自研模型的算力需求，这些大模型厂商的业务连续性将面临巨大风险。这种基础设施上的“卡脖子”问题，是悬在所有独立大模型厂商头上的“达摩克利斯之剑”，也是它们在与云厂商的博弈中最大的软肋。

企业级服务与规模化交付能力不足

尽管大模型厂商在技术上遥遥领先，但它们在服务企业客户方面，特别是大型、传统的跨国企业时，普遍存在经验和能力不足的问题。企业级客户的采购流程复杂、决策周期长，对服务的要求远不止于一个好用的 API。它们需要专业的售前咨询、定制化的解决方案、可靠的售后支持、完善的安全保障以及符合行业标准的合规性认证。这些恰恰是那些拥有数十年企业服务经验的传统软件厂商和云厂商所擅长的。大模型厂商的组织结构和文化，更多是面向开发者和消费者设计的，其销售、服务和客户成功团队的建设相对滞后。当它们试图将产品从早期的技术爱好者推广到主流的企业市场时，往往会遇到“规模化交付”的挑战。如何建立一个高效、专业的企业服务体系，是它们从“明星初创公司”向“平台级企业”转型过程中必须跨越的一道鸿沟。

商业化路径与盈利模式的探索期

高昂的研发和算力成本，使得大模型厂商普遍面临着巨大的盈利压力。尽管它们的收入增长迅猛，但能否实现可持续的盈利，以及如何构建一个健康的商业模式，仍然是一个有待回答的问题。目前，它们的收入主要来自于 API 调用和面向消费者的订阅服务，这两种模式的利润空间都面临着挑战。API 调用模式容易陷入价格战，而消费者订阅服务的用户增长和付费转化率也存在天花板。它们正在积极探索新的商业化路径，如面向企业的 SaaS 服务、行业解决方案、以及硬件等，但这些新业务的增长能否覆盖其天文数字般的运营成本，仍有待观察。这种商业化路径的不确定性，使得它们在资本市场上虽然备受追捧，但也承受着巨大的压力，需要在技术创新、市场扩张和财务健康之间小心翼翼地寻求平衡。

数据治理与行业知识深度欠缺

大模型厂商在通用知识和语言能力上表现卓越，但在处理特定行业的专业问题时，往往会暴露出其数据治理和行业知识深度的不足。企业应用 AI 的核心价值，往往在于利用 AI 来处理和理解其行业特有的、高度专业化的数据和知识。例如，在法律领域，AI 需要理解复杂的法律条文和判例；在医疗领域，AI 需要处理专业的医学影像和病历。这些高度垂直化的知识和数据，通常是传统行业软件公司经过多年积累所形成的护城河。大模型厂商虽然可以通过与行业伙伴合作或进行微调来获取这些知识，但其在数据治理、合规性、以及与现有行业工作流的深度集成方面，仍然存在着短板。它们缺乏对传统行业业务逻辑和痛点的深刻理解，这可能会限制它们在垂直行业解决方案领域的渗透能力。

传统企业 IT 软件厂商（VMware, SAP, Oracle 等）：拥有客户与数据的“守成者”

传统企业 IT 软件厂商，如 VMware、SAP、Oracle、Salesforce 等，是这场 AI 革命中地位最微妙的“守成者”。它们坐拥庞大的客户基础、海量的行业数据和深度的业务流程嵌入，这些都是其无法被轻易撼动的核心资产。然而，它们也面临着被大模型技术颠覆的巨大风险，其传统的商业模式和技术架构在 AI 时代显得日益笨重和僵化。它们的未来，将取决于能否成功地利用自身的优势，拥抱 AI 技术，实现从“记录系统”（System of Record）到“智能系统”（System of Intelligence）的转型。

深厚的行业知识与客户关系

传统企业 IT 软件厂商最宝贵的资产，是它们数十年积累下来的、对特定行业业务流程的深刻理解和与客户建立的长期信任关系。SAP 对制造业供应链的了如指掌，Oracle 对金融财务流程的烂熟于心，Salesforce 对销售管理最佳实践的精准把握，这些都是大模型厂商和云厂商在短期内难以复制的。它们不仅提供软件，更是行业知识的载体和业务流程的塑造者。它们的软件中固化了几十年来的行业最佳实践，是企业运营的“神经系统”。这种深厚的行业 know-how，使得它们能够更精准地识别出 AI 在行业内的高价值应用场景，并设计出真正符合行业需求的 AI 解决方案。此外，它们与全球各行各业的龙头企业建立了长期、稳固的合作关系，这种基于共同成长和深度合作的信任关系，是任何新进入者都难以轻易打破的。

海量的企业数据与业务流程沉淀

这些传统软件巨头的系统中，存储着全球企业最核心的、最全面的业务数据。ERP 系统中记录了企业的每一笔交易、每一件库存；CRM 系统中存储了每一个客户的交互历史；HCM 系统中管理着每一位员工的信息。这些数据不仅是企业运营的“记忆”，更是训练行业垂直大模型的宝贵燃料。更重要的是，这些软件中沉淀了企业完整的业务流程。从订单到收款，从采购到付款，从招聘到离职，每一个业务环节都在这些系统中留下了清晰的轨迹。这使得传统软件厂商在构建 AI 代理、实现业务流程自动化方面，拥有得天独厚的优势。它们不仅知道“数据是什么”，更知道“数据应该如何流转”。这种对数据和流程的双重掌控，是它们构建智能化应用的坚实基础。

成熟的企业级服务体系

服务大型企业客户是一门复杂的艺术，需要专业的咨询、实施、定制开发和售后支持团队。传统企业 IT 软件厂商在这方面拥有数十年的经验和成熟的全球服务网络。它们能够为客户提供从战略规划、系统实施、数据迁移到上线后运维的全生命周期服务。它们的服务团队深谙大型企业的采购流程、内部政治和变革管理，能够有效地帮助客户克服在引入新技术时遇到的各种组织和流程障碍。这种强大的、规模化企业服务能力，是技术驱动的大模型厂商在短期内难以建立的。对于那些业务关键、无法承受系统宕机风险的大型企业而言，选择一个拥有成熟服务体系的供应商至关重要。

复杂系统的管理与集成经验

现代企业 IT 环境是一个由无数新旧系统、云服务和本地应用交织而成的复杂“混合云”和“多云”环境。管理和集成这些异构系统，是企业 IT 部门面临的日常挑战。传统企业 IT 软件厂商，特别是像 VMware 这样的基础设施厂商，在帮助企业管理这种复杂的 IT 环境方面拥有丰富的经验。它们提供的虚拟化、容器化、云管理和集成平台，是企业维持其“技术巴别塔”正常运转的基石。在 AI 时代，这种能力变得更加重要。企业引入 AI，不是简单地替换掉旧系统，而是需要将 AI 能力与现有的 ERP、CRM、数据库等系统进行无缝集成。传统软件厂商凭借其对现有 IT 架构的深刻理解，能够更好地扮演这个“桥梁”和“胶水”的角色，帮助企业平稳地完成向 AI 时代的过渡。

技术架构的“历史包袱”与转型缓慢

传统企业 IT 软件厂商最大的劣势，是它们庞大而复杂的、基于上世纪技术架构构建起来的“历史包袱”。它们的软件系统，如 SAP 的 ERP 或 Oracle 的数据库，虽然功能强大，但往往是单体、封闭、难以扩展的。这些系统是为前云计算时代设计的，其数据模型、用户界面和集成方式都已严重老化。将它们“AI 化”，就像在古老的地基上建造摩天大楼，其难度和成本都极高。任何重大的技术变革，都可能牵一发而动全身，影响到全球数百万客户的稳定运行。这使得它们在技术转型上不得不步履维艰，决策缓慢。与大模型厂商的“AI 原生”架构相比，它们的“AI 化”路径显得异常艰难和昂贵，这可能会导致它们在产品创新速度和用户体验上被新生代竞争对手远远甩在身后。

在 AI 原生应用创新上的滞后

由于上述的技术和组织惰性，传统企业 IT 软件厂商在 AI 原生应用的创新上普遍表现得较为滞后。它们的 AI 战略，更多的是一种“防御性”的、渐进式的改良，即在现有产品中添加 AI 功能（如智能助手、自动化工作流），而不是从根本上重塑产品形态。例如，Salesforce 的 Einstein 或 SAP 的 Joule，虽然都是有价值的 AI 功能，但它们仍然是作为一个插件或一个附加层，存在于传统的 CRM 或 ERP 框架之内。这与大模型厂商试图用 AI Agent 彻底重构业务流程的“颠覆性”创新形成了鲜明对比。这种创新上的滞后，可能会使它们逐渐失去对新一代用户和开发者（他们更习惯于 AI 原生的交互方式）的吸引力，最终沦为后台的、不可见的“记录系统”，而前台的、交互的“智能层”则被大模型厂商所掌控。

面临被大模型技术“管道化”的风险

传统企业 IT 软件厂商面临的最严峻的战略风险，是被大模型技术“管道化”（pipelined）或“去中介化”（disintermediated）。随着 AI 代理能力的不断增强，用户和企业可能会越来越多地通过一个大模型的统一界面来与他们的业务系统进行交互，而不是直接登录到 SAP、Oracle 或 Salesforce 的复杂界面中。用户可能会对 AI 说：“帮我看看上季度的销售情况”，由 AI 代理去后台的 CRM 和 ERP 系统中抓取数据、进行分析，并以自然语言的形式汇报给用户。在这个过程中，用户甚至不会意识到自己正在使用 Salesforce 或 SAP 的产品。软件厂商的系统，可能会从过去与用户直接交互的“前台”，退化为只提供数据和执行指令的“后台”，其在价值链中的地位和议价能力将被严重削弱。它们可能会变成 AI 时代的水管和电线，虽然不可或缺，但价值却大大降低。

开放性不足与生态锁定问题

传统企业 IT 软件厂商长期以来以其封闭的生态系统和强大的锁定效应而闻名。它们的软件往往使用专有的数据格式、编程语言和集成接口，使得客户一旦采用，就很难迁移到其他平台。这种策略在过去帮助它们建立了稳固的护城河，但在 AI 时代却可能成为其发展的桎梏。大模型技术的发展，要求数据和应用能够更加开放、自由地流动和集成。一个 AI 代理要能够有效地工作，它需要能够方便地访问和操作各种不同来源的数据和系统。传统软件的封闭性，为这种集成设置了巨大的障碍。尽管它们也在努力变得更加开放，推出更多的 API 和标准接口，但其根深蒂固的封闭基因和巨大的历史遗留系统，使得它们在构建一个真正开放的生态系统方面，远不如云厂商和开源社区有优势。这可能会限制它们在新兴的 AI 生态中的影响力。

未来展望：企业 IT 格局的演进趋势

展望未来，企业 IT 的格局将不再是静态的、由单一类型厂商主导的结构，而是一个动态演进、多方力量相互交织、竞合并存的复杂生态系统。AI 技术的发展，特别是 AI Agent 的成熟，将成为驱动这一格局演变的核心动力。在这个新范式下，企业的 IT 采购逻辑、应用构建方式以及与技术供应商的关系都将发生根本性的变化。理解这些演进趋势，对于企业在未来的数字化转型中占据有利位置至关重要。

竞合与融合：三方势力的动态关系

未来的企业 IT 市场，不会是云厂商、大模型厂商和传统软件厂商之间的“零和博弈”，而是一个充满动态竞合关系的复杂棋局。三方势力将根据自身的优势与劣势，在不同的层面展开竞争与合作，共同推动市场的演进。

云厂商与大模型厂商的“绑定”与博弈

云厂商与大模型厂商之间的关系将是最为核心和微妙的一对。一方面，“绑定”将是主流趋势。大模型厂商对算力的“饥渴”和云厂商对前沿 AI 能力的“渴求”，将促使双方形成更深度的战略合作关系，甚至股权层面的绑定（如微软与 OpenAI、谷歌与 Anthropic）。云厂商会成为大模型厂商首选的、甚至是独家的“算力提供商”和“企业分销渠道”，而大模型则会成为云厂商平台上最耀眼的“旗舰服务”，为其吸引和留住企业客户。另一方面，博弈也将无处不在。云厂商绝不会甘心仅仅做一个“房东”，它们会不遗余力地发展自研模型，并试图通过成本优势和生态集成，来降低对第三方大模型厂商的依赖。而大模型厂商也时刻警惕着被云厂商“卡脖子”，它们会积极探索与多家云厂商合作，甚至自建部分算力基础设施，以寻求战略自主性。未来，我们可能会看到更多类似微软 Azure 既深度集成 OpenAI 的 GPT 模型，又大力发展自研 Copilot 模型的复杂局面。

大模型厂商与传统软件厂商的“颠覆”与“被集成”

大模型厂商与传统企业 IT 软件厂商之间，将主要上演“颠覆”与“被集成”的戏码。大模型厂商，特别是通过其 AI Agent 能力，将直接挑战传统软件的核心价值。它们会推出 AI 原生的 CRM、ERP、HR 系统，以其更自然的交互方式、更强大的自动化能力和更快的创新速度，来吸引那些对老旧系统感到不满的客户。在这个过程中，一些反应迟缓、转型不力的传统软件厂商，可能会像当年的诺基亚一样，被新的技术浪潮所淘汰。然而，对于另一部分传统软件厂商而言，“被集成”可能是一条更现实的生存之路。它们会主动开放自己的 API 和数据接口，将自己定位为大模型 AI Agent 的“能力插件”或“数据 backend”。例如，SAP 可能会选择与多个大模型厂商合作，让它们的 AI Agent 能够通过标准的接口来操作 SAP 系统中的数据和业务流程。在这种模式下，传统软件厂商虽然失去了与用户直接交互的“前台”，但凭借其深厚的行业知识和数据积累，仍然可以在“后台”扮演不可或缺的角色。

云厂商与传统软件厂商的“平台化”与“被平台化”

云厂商与传统企业 IT 软件厂商之间的关系，也将经历深刻的重塑。云厂商凭借其强大的平台能力和生态优势，正在努力将各种传统的软件服务“平台化”。它们会推出自己的云原生数据库、云原生 ERP、云原生 CRM，并通过与 AI 能力的深度集成，来挑战传统软件厂商的市场地位。对于传统软件厂商来说，这构成了巨大的“被平台化”的压力。它们面临着两难选择：要么继续坚守自己的封闭平台和本地部署模式，但可能会逐渐失去与云原生时代的市场同步；要么选择拥抱云厂商的平台，将自己的软件作为一种服务（SaaS）部署在 AWS、Azure 或 GCP 上，但这又可能意味着在一定程度上失去了对客户的控制，并沦为云厂商生态中的一个“应用”。未来，我们可能会看到更多的传统软件厂商选择与一家或多家云厂商进行深度战略合作，共同开发和推广行业解决方案，以在“被平台化”的过程中，寻求共生和发展的机会。

6.2 企业 IT 采购决策的演变

随着 AI 技术成为企业 IT 的核心，企业的技术采购决策逻辑、标准和优先级也将发生根本性的变化。采购的重点将从购买静态的、功能固定的软件产品，转向采购动态的、能够持续学习和进化的 AI 能力。

从购买“软件”到购买“AI 能力”

传统的 IT 采购，本质上是购买一套标准化的软件许可证，企业购买的是软件在特定时间点所具备的功能。而在 AI 时代，企业的采购对象将发生转变。它们购买的不再是“软件”，而是 “AI 能力”或“AI 劳动力” 。这种“能力”是动态的、持续进化的。当一家企业采购一个 AI 客服代理时，它购买的不仅仅是一个能够回答预设问题的程序，而是一个能够不断学习、理解新问题、并持续优化其服务质量的“数字员工”。采购的评估标准，也将从“功能清单的匹配度”转变为“AI 能力在解决实际业务问题上的表现”，例如任务完成率、准确率、用户满意度以及带来的投资回报率（ROI）。这种转变，要求企业的采购部门、IT 部门和业务部门必须更紧密地协作，共同评估和选择能够真正创造业务价值的 AI 解决方案。

对“多模态”与“Agent 化”能力的评估

随着 AI 技术的发展，企业在评估 AI 解决方案时，将越来越看重其 “多模态”（Multimodal）和“Agent 化”（Agentic） 的能力。多模态能力指的是 AI 能够同时理解和处理文本、图像、音频、视频等多种类型的信息。例如，一个智能维修助手，不仅能阅读文字版的维修手册，还能看懂电路图（图像）和听辨设备发出的异响（音频）。这种能力将使 AI 能够处理更复杂、更贴近真实世界的任务。Agent 化能力则指的是 AI 从一个被动的“问答工具”，进化为一个能够主动规划、使用工具并完成多步骤复杂任务的“自主代理”。企业在采购时，会评估一个 AI 系统是否能够与现有的业务系统（如 ERP、CRM）进行无缝集成，是否能够自主地执行端到端的业务流程，以及其在处理异常情况和需要人工介入时的表现。这些新的评估维度，将对技术供应商的技术实力和生态整合能力提出更高的要求。

数据安全、可控性与供应商锁定风险的权衡

在拥抱 AI 带来的巨大潜力的同时，企业对数据安全、模型可控性和供应商锁定风险的担忧也将达到前所未有的高度。将核心数据和关键业务流程交给一个“黑盒”般的 AI 模型，对任何企业来说都是一项重大的决策。因此，在未来的 IT 采购中，企业会更加严格地评估供应商在数据隐私保护、模型行为可控性（如防止“幻觉”和偏见）以及符合行业合规性方面的能力。同时，供应商锁定风险也将成为一个关键的考量因素。企业会倾向于选择那些采用开放标准、提供灵活部署选项（如支持多云、混合云甚至本地部署）并允许模型可移植性的供应商，以避免过度依赖某一家厂商。这种对安全、可控和开放性的追求，可能会催生出一个新的市场，即为 AI 应用提供治理、监控和风险管理的“AI 信任与安全”解决方案。

新兴机会：AI 原生企业与中间件市场

在三方势力博弈和市场格局重塑的大背景下，AI 革命也将催生出一系列全新的市场机会和商业模式。其中，AI 原生企业的崛起和 AI 中间件市场的繁荣，将是两个最引人注目的趋势。

专注于 AI Agent orchestration 的中间件厂商

随着企业开始部署大量来自不同厂商、执行不同任务的 AI Agent，如何有效地管理、协调和监控这些代理，将成为一个巨大的挑战。这将催生一个庞大的**“AI Agent 编排”（AI Agent Orchestration）中间件市场**。这些中间件厂商将提供一个统一的平台，让企业能够像管理一个由人类和数字员工组成的混合团队一样，来管理他们的 AI Agent workforce。这个平台将需要提供以下核心功能：任务分配与调度，即根据代理的能力和当前负载，智能地将任务分配给最合适的代理；跨代理协作与通信，即支持多个代理协同完成一个复杂的业务流程；监控与审计，即实时追踪每个代理的行动轨迹和性能表现，并生成合规性报告；人机协同（Human-in-the-loop），即在需要时，能够无缝地将任务从 AI 代理移交给人类员工，并反之亦然。这个市场的玩家，可能来自于传统的 RPA 厂商（如 UiPath）、业务流程管理（BPM）厂商，或者是像 LangChain 这样新兴的 AI 框架公司。

提供行业垂直解决方案的 AI 原生企业

虽然大模型厂商和云厂商都在努力提供通用的 AI 平台，但它们往往缺乏对特定行业的深度理解。这为专注于某个垂直行业的 AI 原生企业提供了巨大的发展空间。这些企业将利用大模型提供的通用智能作为基础，然后在其之上，通过整合深厚的行业知识、专业的行业数据和与现有行业软件（如 SAP for 制造，Salesforce for 销售）的深度集成，来打造高度专业化的 AI 解决方案。例如，可能会出现专门利用 AI 来优化临床试验流程的医疗科技公司，或者专门利用 AI 来进行法律文件审查和案例分析的法律科技公司。这些 AI 原生垂直企业，将比通用平台更懂行业痛点，更能提供即插即用的价值，从而在金融、医疗、法律、制造、科研等专业服务领域，建立起强大的竞争优势。它们将成为推动 AI 在千行百业深度落地的关键力量。

延伸思考

这次分享的内容就到这里了，或许以下几个问题，能够启发你更多的思考，欢迎留言，说说你的想法~

1. 算力自主的边界在哪里？

大模型厂商对云厂商算力的依赖被描述为"阿喀琉斯之踵"。如果头部大模型厂商开始大规模自建算力基础设施，云厂商的生态位将如何变化？这种"去房东化"运动的经济可行性边界在哪里？当前海量资本投入究竟是满足眼前需求，还是资源有限背景下的圈地运动？

2. "管道化"是真实威胁还是过度悲观？

文章提出传统软件厂商面临被AI Agent"管道化"的风险——从用户直接交互的"前台"退化为后台的"数据管道"。这一判断是否过于悲观？传统软件厂商的行业know-how和数十年流程沉淀，能否构成抵御管道化的有效护城河？抑或"被集成"本身就是一条更现实的生存之路？

3. AI Agent编排中间件能否避免"夹心化"？

AI Agent编排中间件被描绘为新兴市场机会，但编排层的价值是否会被云厂商向上整合、或被大模型厂商向下渗透？在平台巨头林立的生态中，独立的Agent编排中间件厂商如何避免沦为"夹心层"——既无算力控制力，也无模型代差优势？

#企业级AI方向 ---【本文完】---

丰子恺-护生画集- 烹鳝