<p>圍繞人工智能的敍述已經從烏托邦的承諾轉變為即時、可衡量的效率，這一轉變定義了每個主要科技公司和新興初創企業當前的運營任務。這一轉變——從實現通用智能到提供可證明的投資回報——是最近的 Forward Future Live 討論中探討的核心張力。Matthew Berman 主持了此次會議，匯聚了來自企業軟件層、深度人工智能開發、經濟預測以及專業智能領域的多元視角。小組成員包括 Gauntlet AI 創始人 Austen Allred；Box 的聯合創始人兼首席執行官 Aaron Levie；Harmonic 的聯合創始人兼首席執行官 Tudor Achim；以及 Ramp 的首席經濟學家 Ara Kharazian，大家共同剖析了經濟環境如何重塑尖端技術的部署和貨幣化。</p>
<p>對於 Aaron Levie 來説，人工智能的挑戰並不是概念性的，而是純粹的架構和安全問題。企業界以謹慎的態度行事，並不在等待 AGI，而是在努力解決如何安全地將增強工具整合到龐大的受監管內容層中。這是一個消費者導向的人工智能開發者常常忽視的關鍵區別。Levie 強調，儘管模型強大，但實際實施需要解決數十年來的數據治理問題。討論迅速聚焦於人工智能最大潛力在於釋放被封閉的企業數據中的價值，這一任務遠比運行簡單的提示要複雜得多。“當我們考慮未來五年時，關注的重點不再是基礎模型的突破，而是集成層、安全層和數據治理層，” Levie 指出，強調了理論能力與運營必要性相遇時的摩擦點。這一集成任務迫使企業參與者成為信任的管理者，確保大型語言模型所承諾的生產力提升不會妨礙核心的合規性。</p>
<p>這種對即時、安全集成的關注與 Ara Kharazian 所描述的當前經濟逆風完美契合。對人工智能項目的無限制投機資金時代顯然已經結束。Kharazian 的分析基於 Ramp 在初創生態系統中的全面支出數據，描繪了財政保守主義加劇的圖景。公司仍在特定的人工智能基礎設施上進行積極支出——計算和專業人才——但支出現在必須直接與短期收入生成或顯著的運營節省掛鈎。市場不再獎勵未來顛覆的承諾；它要求具體的季度結果。Kharazian 指出，“資本成本根本改變了對長期人工智能投資的風險承受能力。創始人被迫在比兩年前更短的時間內證明單位經濟。” 這種壓力環境將提供核心效用的工具與僅僅是新奇的工具區分開來。</p>
<p>Austen Allred 在構建 Gauntlet AI 的過程中，從一線提供了對企業討論的重要反駁，專注於在這種高壓環境中擴展人工智能原生公司的巨大困難。專業人工智能人才的競爭環境非常殘酷，訓練和部署專有模型所需的資本仍然是天文數字。對於創始人來説，建立可持續業務的路徑涉及識別通用模型失敗的細分市場，以及專業數據和迭代改進提供的防禦性護城河。Allred 強調，當前市場獎勵極端的專注和效率，警告不要犯過度承諾通用能力的常見錯誤。他的見解集中在所需的運營嚴謹性上：“如果你沒有解決一個能為客户節省十倍於你收費的問題，你的資金鍊將比你想象的更快消失。” 這種不對稱價值交付的強調是風險投資支持的人工智能公司的新基準。</p>
<p>討論擴展到人工智能的地緣政治影響，這是一個風險不僅僅是經濟的領域。Harmonic 的 Tudor Achim 提供了高可靠性、專業人工智能在情報和國防領域部署的背景。在這個領域，容錯、幻覺或數據漂移的容忍度為零。儘管消費者級的大型語言模型令人印象深刻，但往往缺乏關鍵決策所需的可驗證來源和確定性輸出。Achim 強調，對於涉及國家安全或大規模基礎設施分析的應用，重點必須完全從創造力轉向精確性。技術必須快速、可靠，並基於可驗證的數據源，通常需要較小的、高度策劃的模型，而不是龐大的、通用的架構。這一專業要求突顯了人工智能生態系統中日益擴大的鴻溝：高風險、特定領域的智能與主導公共話語的通用、面向消費者的工具之間的二分法。</p>
<p>這四種觀點的匯聚——企業安全、經濟約束、初創企業生存和專業可靠性——清晰地描繪了當前人工智能的拐點。炒作週期已經成熟為效率的任務。能夠展示即時、安全集成的人工智能工具，直接影響底線的公司將會蓬勃發展，無論是通過自動化高度複雜的內部流程（如 Box 所尋求的），還是通過在專業領域提供關鍵的、無誤的分析（如 Harmonic 所執行的）。市場已經發出了最終的命令：人工智能必須成為經濟效率的引擎，而不僅僅是技術奇蹟。</p>

<p>關於人工智能的敍述已經從烏托邦式的承諾轉向對即時效率的關注，正如最近的 “前瞻未來直播” 小組討論中所提到的。專家們強調了在企業中安全整合人工智能工具的必要性，涉及數據治理和合規性。經濟壓力導致對短期收入生成的需求，企業需要迅速證明單位經濟效益。討論突顯了高風險、專業化的人工智能應用與消費級模型之間的分歧，標誌着人工智能領域的一個關鍵轉折點，在這個轉折點上，效率和即時結果至關重要</p>

<p>The narrative surrounding artificial intelligence has shifted from utopian promise to immediate, measurable efficiency, a transition that defines the current operational mandate for every major tech firm and fledgling startup alike. This pivot—from achieving generalized intelligence to delivering demonstrable ROI—was the central tension explored during the recent Forward Future Live discussion. Matthew Berman hosted the session, bringing together diverse perspectives from the enterprise software layer, deep AI development, economic forecasting, and the demanding world of specialized intelligence. The panel featured Austen Allred, Founder of Gauntlet AI; Aaron Levie, Co-founder and CEO of Box; Tudor Achim, Co-Founder and CEO of Harmonic; and Ara Kharazian, Lead Economist at Ramp, all dissecting how the economic climate is reshaping the deployment and monetization of cutting-edge technology.</p>
<div class="lb-trans"><p>圍繞人工智能的敍述已經從烏托邦的承諾轉變為即時、可衡量的效率，這一轉變定義了每個主要科技公司和新興初創企業當前的運營任務。這一轉變——從實現通用智能到提供可證明的投資回報——是最近的 Forward Future Live 討論中探討的核心張力。Matthew Berman 主持了此次會議，匯聚了來自企業軟件層、深度人工智能開發、經濟預測以及專業智能領域的多元視角。小組成員包括 Gauntlet AI 創始人 Austen Allred；Box 的聯合創始人兼首席執行官 Aaron Levie；Harmonic 的聯合創始人兼首席執行官 Tudor Achim；以及 Ramp 的首席經濟學家 Ara Kharazian，大家共同剖析了經濟環境如何重塑尖端技術的部署和貨幣化。</p>
</div><p>For Aaron Levie, the challenge of AI is not conceptual; it is purely architectural and security-focused. The enterprise world, which moves with deliberate caution, is not waiting for AGI, but rather grappling with how to safely integrate augmentation tools into vast, regulated content layers. This is a critical distinction often missed by consumer-facing AI developers. Levie emphasized that while the models are powerful, the actual implementation requires solving decades-old data governance issues. The conversation quickly focused on the reality that AI’s greatest potential is unlocking the value trapped within proprietary, siloed corporate data, a task far more complex than running simple prompts. “When we think about the next five years, it’s less about the foundational model breakthroughs and much more about the integration layer, the security layer, and the data governance layer,” Levie noted, underscoring the friction points where theoretical capability meets operational necessity. This integration mandate forces enterprise players to become stewards of trust, ensuring that the productivity gains promised by LLMs do not compromise core regulatory compliance.</p>
<div class="lb-trans"><p>對於 Aaron Levie 來説，人工智能的挑戰並不是概念性的，而是純粹的架構和安全問題。企業界以謹慎的態度行事，並不在等待 AGI，而是在努力解決如何安全地將增強工具整合到龐大的受監管內容層中。這是一個消費者導向的人工智能開發者常常忽視的關鍵區別。Levie 強調，儘管模型強大，但實際實施需要解決數十年來的數據治理問題。討論迅速聚焦於人工智能最大潛力在於釋放被封閉的企業數據中的價值，這一任務遠比運行簡單的提示要複雜得多。“當我們考慮未來五年時，關注的重點不再是基礎模型的突破，而是集成層、安全層和數據治理層，” Levie 指出，強調了理論能力與運營必要性相遇時的摩擦點。這一集成任務迫使企業參與者成為信任的管理者，確保大型語言模型所承諾的生產力提升不會妨礙核心的合規性。</p>
</div><p>This focus on immediate, secure integration aligns perfectly with the current economic headwinds described by Ara Kharazian. The era of unrestricted speculative funding for AI projects has demonstrably concluded. Kharazian’s analysis, drawn from Ramp’s comprehensive spending data across the startup ecosystem, painted a picture of increased fiscal conservatism. Companies are still spending aggressively on specific AI infrastructure—compute and specialized talent—but the spending must now be tied directly to short-term revenue generation or significant operational savings. The market is no longer rewarding promises of future disruption; it demands concrete, quarter-over-quarter results. Kharazian pointed out the stark reality that “the cost of capital has fundamentally changed the risk tolerance for long-horizon AI bets. Founders are being forced to prove unit economics on a much shorter timeline than they were two years ago.” This pressure cooker environment separates the tools that deliver core utility from those that are merely novelty.</p>
<div class="lb-trans"><p>這種對即時、安全集成的關注與 Ara Kharazian 所描述的當前經濟逆風完美契合。對人工智能項目的無限制投機資金時代顯然已經結束。Kharazian 的分析基於 Ramp 在初創生態系統中的全面支出數據，描繪了財政保守主義加劇的圖景。公司仍在特定的人工智能基礎設施上進行積極支出——計算和專業人才——但支出現在必須直接與短期收入生成或顯著的運營節省掛鈎。市場不再獎勵未來顛覆的承諾；它要求具體的季度結果。Kharazian 指出，“資本成本根本改變了對長期人工智能投資的風險承受能力。創始人被迫在比兩年前更短的時間內證明單位經濟。” 這種壓力環境將提供核心效用的工具與僅僅是新奇的工具區分開來。</p>
</div><p>Austen Allred, speaking from the trenches of building Gauntlet AI, provided a crucial counterpoint to the enterprise discussion, focusing on the sheer difficulty of scaling an AI-native company in this high-pressure environment. The competitive landscape for specialized AI talent is brutal, and the capital required to train and deploy proprietary models remains astronomical. For founders, the path to building a sustainable business involves identifying niches where generalized models fail and where specialized data and iterative refinement provide a defensible moat. Allred highlighted that the current market rewards extreme focus and efficiency, cautioning against the common mistake of over-promising generalized capabilities. His insight centered on the operational rigor needed: “If you are not solving a hair-on-fire problem that saves a customer ten times what you charge them, your runway will disappear faster than you think.” This emphasis on asymmetric value delivery is the new benchmark for venture-backed AI firms.</p>
<div class="lb-trans"><p>Austen Allred 在構建 Gauntlet AI 的過程中，從一線提供了對企業討論的重要反駁，專注於在這種高壓環境中擴展人工智能原生公司的巨大困難。專業人工智能人才的競爭環境非常殘酷，訓練和部署專有模型所需的資本仍然是天文數字。對於創始人來説，建立可持續業務的路徑涉及識別通用模型失敗的細分市場，以及專業數據和迭代改進提供的防禦性護城河。Allred 強調，當前市場獎勵極端的專注和效率，警告不要犯過度承諾通用能力的常見錯誤。他的見解集中在所需的運營嚴謹性上：“如果你沒有解決一個能為客户節省十倍於你收費的問題，你的資金鍊將比你想象的更快消失。” 這種不對稱價值交付的強調是風險投資支持的人工智能公司的新基準。</p>
</div><p>The discussion broadened to the geopolitical implications of AI, a domain where the stakes are existential, not merely economic. Tudor Achim of Harmonic provided context on how high-reliability, specialized AI is deployed in intelligence and defense sectors. In this realm, the tolerance for error, hallucination, or data drift is zero. Consumer-grade LLMs, while impressive, often lack the verifiable provenance and deterministic output required for critical decision-making. Achim stressed that for applications involving national security or large-scale infrastructure analysis, the focus must shift entirely from creativity to precision. The technology must be fast, reliable, and grounded in verifiable data sources, often requiring smaller, highly curated models rather than massive, generalized architectures. This specialized requirement illustrates a growing chasm in the AI ecosystem: the bifurcation between high-stakes, domain-specific intelligence and the generalized, consumer-facing tools that dominate the public discourse.</p>
<div class="lb-trans"><p>討論擴展到人工智能的地緣政治影響，這是一個風險不僅僅是經濟的領域。Harmonic 的 Tudor Achim 提供了高可靠性、專業人工智能在情報和國防領域部署的背景。在這個領域，容錯、幻覺或數據漂移的容忍度為零。儘管消費者級的大型語言模型令人印象深刻，但往往缺乏關鍵決策所需的可驗證來源和確定性輸出。Achim 強調，對於涉及國家安全或大規模基礎設施分析的應用，重點必須完全從創造力轉向精確性。技術必須快速、可靠，並基於可驗證的數據源，通常需要較小的、高度策劃的模型，而不是龐大的、通用的架構。這一專業要求突顯了人工智能生態系統中日益擴大的鴻溝：高風險、特定領域的智能與主導公共話語的通用、面向消費者的工具之間的二分法。</p>
</div><p>The convergence of these four viewpoints—enterprise security, economic constraint, startup survival, and specialized reliability—paints a clear picture of the current AI inflection point. The hype cycle has matured into an efficiency mandate. Companies that thrive will be those that can demonstrate immediate, secure integration of AI tools that directly impact the bottom line, whether through automating highly complex internal processes, as Box seeks to do, or by delivering critical, error-free analysis in specialized fields, as Harmonic executes. The market has issued its final decree: AI must be an engine of economic efficiency, not just technological wonder.</p>
<div class="lb-trans"><p>這四種觀點的匯聚——企業安全、經濟約束、初創企業生存和專業可靠性——清晰地描繪了當前人工智能的拐點。炒作週期已經成熟為效率的任務。能夠展示即時、安全集成的人工智能工具，直接影響底線的公司將會蓬勃發展，無論是通過自動化高度複雜的內部流程（如 Box 所尋求的），還是通過在專業領域提供關鍵的、無誤的分析（如 Harmonic 所執行的）。市場已經發出了最終的命令：人工智能必須成為經濟效率的引擎，而不僅僅是技術奇蹟。</p>
</div>

The Efficiency Mandate Why Enterprise AI Adoption is Hitting the Economic Wall

- 人工智能敍事已轉向即時可量化的效率，定義了科技公司的新使命。  
- 專家探討經濟環境如何重塑尖端技術的部署與變現方式。  
- 未來五年，企業需關注集成、安全和數據治理，而非單純的模型突破。

效率任務：為何企業 AI 的採用正面臨經濟壁壘