克劳德·科沃克：为什么基于模型的AI对企业来说还不够——全面的市场趋势分析

2026 年人工智能战略：为什么灵活性比当前最强大的语言模型更重要

企业应警惕：专有人工智能工作流程的转换成本被低估了

凭借 Claude Cowork，Anthropic 无疑树立了一个里程碑：该平台令人印象深刻地展示了如何将人工智能无缝集成到协作工作流程中，并带来可衡量的生产力提升，这引起了众多企业的关注。然而，尽管其技术复杂性和立竿见影的效率提升令人着迷，但深入分析却揭示了决策者面临的一个根本性战略困境。.

在人工智能模型领导地位每月都在变化，且欧盟人工智能法案等监管要求日益逼近的时代，仅仅依赖单一模型（原生模型）的系统会带来重大风险。从隐性转换成本和供应商锁定，到资源利用效率低下，长期来看，仅仅针对单一供应商进行优化可能会造成代价高昂的误判。.

什么是基于模型的AI？

模型原生人工智能是指将特定语言模型硬编码到软件中的系统。与可以自由更换模型的灵活系统不同，这种解决方案是针对单个模型的优势、劣势和特征进行精确定制和优化的。.

基于模型的人工智能的关键特征

这样的系统与特定的模型密不可分。“Claude Cowork”就是一个原生于该模型的平台，因为它完全基于Claude模型，并完全采用了该模型的架构。该平台针对Claude模型的优势进行了完美优化，例如逻辑思维和深度分析。.

边界

缺点在于其僵化的合约模式。如果出现更好的模型、新的规则出台或价格上涨，切换供应商将非常困难——软件需要大规模重建，团队也需要重新培训。企业只能依赖单一供应商的方案和定价。.

与模型无关系统的区别

灵活的平台采用中立的接口，适用于不同的服务提供商。这使得任务能够自动分配给最佳或最具成本效益的模式，而无需修改软件。底层技术与模式本身保持分离。.

对公司而言的相关性

对于特定的、固定的任务，基于模型的系统非常出色。然而，对于技术快速变化且成本至关重要的大型企业网络而言，它们却存在风险——它们会造成代价高昂的供应商锁定，而这种锁定在后期很难解决。.

以下问答探讨了企业人工智能成功的真正关键为何不在于选择当前“最佳”模型，而在于构建与模型无关的架构。我们将分析智能控制层、动态任务分配和战略灵活性如何帮助企业不仅大幅降低成本，还能抵御人工智能市场未来的波动。了解为何将“智能”与“基础设施”分离是人工智能从实验阶段转变为可扩展、可持续的商业资源的关键步骤。.

Claude Cowork是什么？它在技术上为何如此令人印象深刻？

Claude Cowork 代表了大型语言模型应用领域的一项重大进步，并令人印象深刻地展示了现代人工智能系统可以实现的深度集成。该平台开发速度惊人，表明在相对较短的时间内创建超越简单文本处理的智能工作流程是完全可行的。Claude 本身已成为市场上最强大的模型之一，尤其适用于企业急需的技术写作、代码分析和复杂推理任务。.

高使用率表明，联合办公空间确实解决了问题。团队计划中有 38% 的客户积极使用联合办公空间，67% 的客户表示协作项目的修改周期缩短了。这些数据并非偶然。它们表明，许多公司终于看到了一个真正问题的解决方案：如何与人工智能进行实际协作？如何在团队中分配人机任务？联合办公空间以一种优雅的方式解答了这些问题，并且与 Claude 生态系统完美融合。.

该平台管理的工作流程远超传统的聊天机器人交互。它可以编辑文件、执行桌面操作、集成办公套件的功能、管理共享存储空间，并协调多个 AI 代理进行协作。针对特定用例，Cowork 可带来可衡量的效率提升：文档分析节省 78% 的时间，报告生成节省 65%，研究摘要节省 71%。这些数据具体且与企业息息相关。.

受监管行业的采用率数据尤其具有启发意义。2025年第一季度，企业版方案的使用率增长了145%，其中金融服务、医疗保健和法律等高度监管行业的增长尤为强劲。这表明，对于企业的公众形象而言，技术性能、合规功能和控制机制同样至关重要。.

在商业环境中，基于模型的智能的概念局限性

尽管取得了这些成功，但模型原生系统与真正的企业级人工智能平台之间仍然存在着根本性的架构界限。Claude Cowork 固然令人印象深刻，但它仍然主要依赖于 Claude 本身及其优势。这既是它的优势，也是它的劣势。Claude 在全球范围内被公认为一个逻辑推理能力卓越且对开发者非常友好的模型。然而，它并非以跨系统、跨所有业务流程、跨数据源和跨运营信号的企业级人工智能系统而闻名。.

企业并非追求单一模型的卓越性能，而是追求灵活性、一致性和长期价值。决策者往往被人工智能的各种功能所吸引，而忽略了这一关键区别。在当前人工智能市场阶段，顶级模型每月都在更新换代，新的供应商层出不穷，技术格局高度不确定，过度依赖单一模型可能会带来重大的战略风险。.

模型原生系统的核心问题可以从多个方面来阐述。首先，模型领域的市场主导地位瞬息万变。认为 Claude、GPT-4、Gemini 或任何其他现有模型在未来五到十年内都能在所有任务上保持最优，这种想法是不现实的。领先的实验室一直在不断创新。下一代模型——无论是 OpenAI 的 GPT-6、xAI 的系统，还是意想不到的新兴模型——都可能在 Claude 目前领先的领域表现更佳。或者，它们可能更具成本效益，同时只需在性能上做出极小的妥协。.

其次，成本、监管和合规要求都在不断变化。如今看似最佳的性价比，可能由于地缘政治发展、监管政策变化或供应商推出的新商业模式，明天就可能面临问题。欧盟人工智能法案及其将于2025年8月生效的治理和审计要求就是一个具体的例子。企业可能需要将敏感任务分配给高度可信的模型，将成本效益高的批量自动化任务分配给成本更低的模型，并将专业任务分配给特定领域的智能——所有这些都需要通过一个中央控制层来实现。.

第三，模型原生系统并非旨在实现模型互换、动态分配工作负载或支持专有或特定领域的模型。它们反映的是单一模型的视角，而非保护组织免受人工智能领域快速变化的影响。这在稳定、可预测的世界中或许可以接受。但在当今人工智能的现实中，关键绩效指标每月都在变化，新的架构也层出不穷，这构成了巨大的风险。.

供应商锁定现象和隐性转换成本

供应商锁定风险并非抽象概念。Forrester Research 近期发出警告，大型企业软件供应商正利用其市场地位，通过专有的人工智能产品加深客户依赖性。他们对主要供应商 2025 年第二季度财报的分析揭示了一个清晰的模式：实验阶段已经结束，商业化阶段即将开始。企业被鼓励将自身产品套件视为“平台中的平台”。.

Gartner 的报告揭示了一个更为令人担忧的发现：超过 80% 的已迁移到云端的企业都面临着厂商锁定问题。虽然 54% 的公司已将工作负载或数据从公有云迁移出去，但这仅限于那些技术上能够做到这一点的公司。这意味着：厂商锁定问题真实存在、普遍存在，而且如果没有积极主动的规划，往往难以避免。.

然而，实际情况远比这复杂得多。LinkedIn 上一篇颇具影响力的分析指出，使用 Salesforce 或 ServiceNow 的组织之所以认为自己保持中立，是因为这些平台提供了“自带模型”（BYOM）选项。但实际上，这种联系并非体现在模型层面，而是体现在界面和工作流层面。一旦在自定义 GPT、专有提示库、工作流配置和机构知识方面投入资金，即使理论上这些模型可以互换，转换成本也会变得非常高昂。.

分析师在微软的案例中精准地描述了这种现象：每一次人工智能采购都会加深对微软生态系统的依赖。转换成本包括数据迁移的复杂性、员工再培训、重建集成、罚款以及过渡期间的业务中断。一个典型的例子是：一家拥有1万名员工的金融机构，耗时两年多构建了一套人工智能系统，在迁移到其他平台时，可能面临500万至1500万美元的成本以及数月的业务中断。.

托管式人工智能平台 - 图片来源：Xpert.Digital

在这里您将了解您的公司如何快速、安全且无高门槛地实施定制化的AI解决方案。

托管 AI 平台是您全方位、无忧的人工智能解决方案。您无需处理复杂的技术、昂贵的基础设施和冗长的开发流程，只需几天时间，即可从专业合作伙伴处获得根据您的需求量身定制的交钥匙解决方案。

主要优势一览：

⚡ 快速实施：从构思到实际应用，只需几天，无需数月。我们提供切实可行的解决方案，创造即时价值。

🔒 最高数据安全性：您的敏感数据将由您自行保管。我们保证数据处理安全合规，不会与第三方共享。

💸 无财务风险：您只需为结果付费。完全无需在硬件、软件或人员方面进行高额的前期投资。

🎯 专注于您的核心业务：专注于您最擅长的领域。我们负责您 AI 解决方案的整个技术实施、运营和维护。

📈 面向未来且可扩展：您的 AI 将与您共同成长。我们确保持续优化和可扩展性，并灵活地调整模型以适应新的需求。

更多相关信息请点击这里：

• 托管人工智能平台

成本现实：为什么模型效率具有战略意义

这个问题带来的经济影响日益加剧。企业纷纷反映，人工智能预算大幅增长，但成果却停滞不前。例如，一家全球金融公司斥资 420 万美元用于人工智能，但其带来的商业价值却与之前耗资 90 万美元的同类项目大致相同。结论显而易见：如果缺乏智能化的工作负载分配，企业就会因为低效的模型部署而浪费预算。.

研究揭示了高效模型和低效模型使用效率之间存在着显著差异。一项近期针对九个不同的大型语言模型的研究，生成了38,000个句子和115,000个标注，结果表明，不同模型的词元使用效率（人工智能的衡量单位）差异高达450%。实际意义在于，这意味着，对于一家每天处理100,000个客户咨询的金融服务提供商而言，如果采用低效系统，即使业务绩效相同，每年也可能额外增加127,750美元的成本。.

在多语言环境下，这种波动会更加显著。对于像泰米尔语这样拥有复杂书写系统的语言，词元消耗量可能会高出 450%。对于一家在全球多个市场运营的公司而言，这意味着每次交互的成本会因地区而异，导致传统的预算预测失效。.

然而，成本的爆炸式增长并非仅限于代币效率。企业在语言模型方面的支出情况清晰地表明：37% 的公司每年在语言模型基础设施上的投资超过 25 万美元，而 73% 的公司每年的支出超过 5 万美元。麦肯锡的研究表明，人工智能预算已从创新预算的 25% 转移到常规基础设施预算的 7%，这表明人工智能不再是实验性领域，而是关键基础设施。.

真正的问题在于隐藏的总拥有成本 (TCO)。全面分析表明，人工智能解决方案的 TCO 不仅包括 API 成本，还包括初始部署成本（中型企业通常需要 10 万至 20 万美元）、基础设施成本（每年 2 万至 6 万美元）、维护成本、安全合规成本以及人员成本。在典型的自建人工智能运营模式下，每年的成本可能高达 250 万美元。而采用精简且与供应商无关的方法，每年只需 140 万美元即可实现相同的功能，从而节省 110 万美元。.

模型无关平台作为一种架构解决方案

与模型无关的平台代表了架构思维的根本性转变。它们不仅允许公司在不同模型之间切换，还能根据性能、成本、合规性或风险等因素，智能地决定哪个模型最适合哪个任务，而无需重建架构。.

一个真正与模型无关的平台提供了一个统一的接口（API），可与所有主流模型提供商兼容。它能够透明地展现模型的性能、延迟和成本，并提供评估、比较和智能路由工具。它集中管理策略和治理，并通过简化的身份验证实现快速实验。.

实际上，该平台定位于企业应用和众多人工智能模型之间，从而降低集成难度并提升运营灵活性。对于开发者而言，这意味着他们只需集成一次平台，而无需每次出现新模型时都从头开始。对于企业团队而言，这意味着可以更快地进行实验，并构建更稳健的生产系统，而无需随着市场变化而彻底重建应用程序。.

这些系统的架构通常采用分层结构。路由层负责动态决策，决定由哪个模型处理请求。控制平面协调模型选择、会话上下文和工具使用。数据平面管理数据移动、隐私和检索操作。可观测性层提供速度和吞吐量之外的洞察信息，包括模型准确率、幻觉率、工具部署成功率、策略偏差和合规状态。.

一个尤为关键的方面是，真正的独立性还包含备用机制。如果延迟增加、模型行为发生意外变化，或者触发提供商的请求限制，系统会自动重定向到备用模型。这种弹性在企业环境中并非可有可无，而是战略上必不可少的。.

多模型路径规划和动态载荷优化的经济学

模型无关架构的经济优势已得到实证数据的支持。实施智能动态路由的公司报告称，在不影响性能的前提下，成本降低了 40% 到 60%。然而，由于经济效益的驱动因素各不相同，这一数字值得更深入的分析。.

第一个关键点是工作负载智能和智能路由。并非所有咨询都同等重要。简单的客户服务请求不应与战略市场分析花费相同的成本。通过智能地对咨询进行分类，并将其路由到不同的模型——例如，使用低成本的专用模型处理常规咨询，使用高性能模型处理复杂的推理任务——企业可以降低 30% 到 40% 的成本。案例研究表明，70% 到 80% 的咨询可以由“轻量级”模型处理，而只有 15% 到 25% 的咨询需要顶级模型的强大性能。.

第二个杠杆是不同供应商之间的经济套利。不同的供应商擅长不同的任务，定价结构也截然不同。OpenAI 在某些认知任务方面领先，而其他供应商在代码生成或文档处理方面更具成本效益。通过基于实时成本效益数据自动路由的抽象层，企业可以持续利用成本最优点。一家全球财富管理公司通过协调的 AI 自动化优化了客户支持，并将运营成本降低了三分之一，从而提高了 1 亿美元的利润。.

第三个杠杆是按需资源扩展。传统的AI架构通常无法动态扩展资源，无论系统是否被积极使用，都需要持续付费。而智能编排则不同，它只在实际需要时才提供资源——类似于网约车服务仅在有需求时才激活车辆。.

第四个杠杆是通过自动化提高运营效率。大多数团队都面临着巨大的运营成本：全职人工智能工程师需要手动协调供应商、应对出现的问题并持续调整性能。智能编排可以实现这些工作的自动化。自动化配置、持续监控、异常检测和自优化策略调整可以将人工工程工作量减少 50% 到 70%，从而节省成本并提高速度。.

为什么首席信息官应该了解这种架构转变

首席信息官 (CIO) 们对这些模式并不陌生。云服务提供商的领导地位几经更迭，虚拟化范式不断变化，容器技术标准也趋于一致。在每一种情况下，那些构建平台以规避这种波动性的组织最终都比那些试图预测每一轮胜负的组织占据了更有利的地位。.

如今，首席信息官们必须能够将敏感工作流程路由至高度可信的模型——无论是出于数据隐私、合规性还是准确性方面的考虑。他们还必须能够将大批量数据路由至成本效益高的模型，并将专业任务路由至特定领域的智能模型——所有这些都由中央控制层进行监管，以确保治理、合规性、成本和性能。.

当下一代顶级模型问世时——无论是 GPT-6、xAI 的系统，还是其他意想不到的技术——企业都不应该需要重新设计架构。智能水平只需得到提升即可。像 Cowork 这样的智能体应该能够即时投入使用，无需重构系统、重新培训团队或承担技术债务。.

监管环境使这项工作变得更加紧迫。欧盟人工智能法案将于2025年8月2日生效，其治理和部署前评估要求将强制企业追踪其模型及其评估的来源数据。企业需要可审计的决策路径和可追溯的逻辑日志。对于僵化的、模型原生系统而言，这难以实现，但通过结构良好的编排层则可行。.

模型可移植性和接口可移植性的区别

一个关键点常常被忽视：真正的灵活性不仅仅需要在不同模型之间切换的能力，还需要接口的便携性。.

企业架构师的分析表明，将 Claude、ChatGPT 或其他模型集成到工作流程中的组织通常会在特定定制、提示库、工作流程配置以及与特定平台紧密相关的机构知识方面投入大量资源。即使从 ChatGPT 迁移到 Claude，这些组件也必须重新定义。重新培训和重新配置的成本相当高昂。.

因此，务实的架构策略并非同时运行多个服务提供商（这在运营上非常复杂），而是注重可移植性设计。这意味着要引入抽象层，使公司能够在经济效益允许的情况下切换服务提供商。这意味着要以某种方式实现数据连接（例如 RAG），从而将专有数据与服务提供商的特定 API 或格式隔离。这意味着要使用支持多个服务提供商的标准化接口（例如，与 OpenAI 兼容的 API）。.

这还需要制定事件驱动型迁移计划。企业无需持续管理多个服务提供商，而是会设定明确的迁移理由：价格大幅上涨超过预设阈值、监管政策发生变化影响数据主权、现有服务提供商发生安全事件，或者出现明显更优的替代方案。迁移策略会提前规划并记录在案。.

为什么模型原生系统无法取代战略

Claude Cowork 将继续给人留下深刻印象。该平台可能会进一步完善，并且拥有清晰的应用案例，能够创造商业价值。但是，模型本身的卓越表现并不等同于整个公司都具备人工智能能力。.

模型原生系统展示了单一模型在其自身生态系统中能够取得的成就。模型无关平台则展示了企业在不同模型之间能够取得的成就。两者之间的差异远比大多数人意识到的要大。.

借助类似联合办公的智能技术，我们可以利用前沿模型、开源解决方案或特定领域模型（包括专有企业模型），而无需落入供应商陷阱。即使底层智能技术不断发展，工作流程也能保持一致。这并非技术上的细微差别，而是在市场领导地位快速更迭、今天的最佳选择可能在18个月后就不再是最佳选择的战略必然之举。.

独立性是一项战略要求

市场现实是，类似联合办公智能体的功能正迅速成为一项基本需求。80% 的企业领导者计划在未来 18 个月内将智能体整合到其人工智能战略中。但 Gartner 也警告称，到 2027 年，近一半的此类人工智能项目可能会失败。高管的热情与实际执行之间仍然存在显著差距。.

能够弥合这一差距的组织，并非那些选择了“最佳”模式的组织，而是那些构建了能够应对模式变更、优化多种模式成本并集中执行治理要求的架构的组织。.

从这个意义上讲，企业级人工智能平台而非模型原生系统才是长期的赢家。这并非因为它们取代了模型的智能，而是因为它们能够随着业务的发展，使人工智能系统永久、灵活且可扩展地发挥作用。.

Konrad Wolfenstein

我很乐意担任您的个人顾问。

您可以在Wolfenstein∂xpert.digital或

+49 89 674 804 （慕尼黑）打电话给我

领英