2月23日，CitriniResearch的《2028年全球智能危机》在美股市场投下一枚深水炸弹。但作为科技媒体，我们更关心的是：如果推演中的未来即将到来，科技公司正在用什么方式自救？技术层面，有哪些真正的应对正在发生？

　　SaaS的“计量革命”：从卖席位到卖智能产出

　　推演中最致命的洞察，是“席位经济”的机械性崩塌：客户每裁掉15%的员工，就会取消15%的许可证。这对SaaS行业的估值根基构成了根本性质疑。

　　技术层面的应对正在发生——SaaS厂商正在发起一场“计量革命”，试图用新的计价单元重新证明自己的价值。

　　Salesforce在最新财报中抛出了一个新概念：“代理工作单元”（Agentic Work Units，AWU），定义为AI代理完成的每一项独立任务。公司表示，迄今已累计消耗近20万亿个token，并交付24亿个AWU。

　　Salesforce投资者关系副总裁Mike Spencer的解释透露出战略意图：“Tokens只是你‘敲’大模型的次数，但它未必代表给客户创造了价值。”潜台词是：Salesforce正在拼命寻找一种新的计量单位，来证明自己在AI时代仍然“可计费”。

　　这不仅仅是营销话术的调整，而是产品架构的根本性重构。Salesforce正在将Salesforce Platform转变为一个“数据+AI+信任”的三层架构：底层是数据云，中间是爱因斯坦AI，上层是自动化平台。Agentforce作为“数字劳动力”，被设计成可以独立完成从销售线索挖掘到客服响应的全流程任务。

　　技术挑战在于：如何精确计量AI代理创造的价值？

　　AWU的定价逻辑试图回答这个问题——每个对话式工作单元0.2美元，每个API调用的程序化工作单元0.01美元。这背后是一套复杂的技术架构：需要实时追踪AI代理的执行链路、准确归因每个任务的算力消耗、并在计费系统中完成毫秒级结算。

　　更关键的是，这套计量体系需要让客户信服：AI代理完成的任务，确实替代了原本需要人类完成的工作。这不仅是技术问题，更是产品定义的根本转变——SaaS正在从“工具”变成“劳动力”。

　　Agent“接口战争”：当AI需要调用一切

　　推演描绘了这样一个场景：到2027年初，Agent们不再等待人类提问，而是按偏好在后台持续优化消费路径。当Agent掌控交易入口，所谓“主屏上的默认App”对机器毫无作用。

　　技术层面的应对是：一场围绕“AI接口标准”的战争正在悄然打响。

　　1月16日，支付宝联合千问、淘宝闪购发布了ACT协议（Agent Communication & Transaction Protocol），试图建立AI时代的交易规则。几乎在同一时间，谷歌发布了UCP通用商务协议（Universal Commerce Protocol）。

　　这两大技术标准的本质争夺的是同一个问题：当AI代理代替人执行交易时，商业系统该建立怎样的通信规则？

　　ACT协议的技术架构包含三层：身份层（Agent如何证明自己是可信的）、意图层（Agent如何表达“我想买一杯奶茶”）、结算层（Agent如何完成资金划转）。这背后是复杂的技术挑战：需要设计一套机器可读的语义标准，让不同平台的Agent能够互相理解；需要建立轻量级的身份认证机制，防止恶意Agent冒充；需要重构支付链路，让机器间的微支付变得可行。

　　支付宝披露的数据显示，AI付一周累计支付超1.2亿笔，成为全球首个支付笔数破亿的AI原生支付产品。千问App发起的30亿红包补贴活动，上线9小时创下超1000万笔AI点单订单。

　　技术层面的启示是：当AI成为交易主体，传统的UI/UX设计正在失去意义。 过去十年互联网公司引以为傲的“用户体验设计”、“转化率优化”、“A/B测试”，在机器对机器的交互中需要被重新定义。新的竞争将发生在API的响应速度、协议的标准兼容性、以及Agent的意图理解准确率上。

　　企业软件的“双模架构”：如何让AI与现有系统共存

　　推演中有一个容易被忽视的细节：SaaS并未立刻死亡，自建仍有维护成本。变化发生在“自建成为可选项”。

　　技术层面的应对是：企业软件正在向“双模架构”演进，试图让AI与传统系统共存。

　　用友网络在回应投资者提问时，详细阐述了这一技术路线。公司表示，Claude Cowork及插件系统不是要把现有软件功能做完整替代，而是从底层智能OS和任务编排层维度打造企业Agent平台。产品形态保留现有软件作为system of record（记录系统），强调与合作企业之间的数据和信任关系。

　　用友列举了五大技术护城河：复杂严谨的逻辑计算（如排产、成本卷积）大模型难以实现；原生微服务架构的优势；数据孤岛治理能力；流程×数据×AI的深度融合；以及行业垂类模型中难以复制的行业知识与经验积累。

　　这套技术架构的核心逻辑是：AI不是来替代现有系统的，而是来“编排”它们的。

　　在技术实现上，这需要构建一个“智能编排层”——它位于大模型和企业现有系统之间，负责理解用户意图、拆解任务、调用API、组合结果。这层架构的技术挑战在于：需要支持异构系统的无缝接入，需要处理任务执行中的异常情况，需要在多轮交互中保持上下文连贯。

　　钉钉的实践提供了另一种思路。2025年，钉钉接入通义千问大模型后，用户可以通过自然语言直接调用钉钉内的各项功能。“用自然语言办公”从概念变成现实——你可以对钉钉说“帮我找一下上周和销售团队的会议纪要，并整理成邮件发给王总”，AI会自动完成搜索、整理、撰写、发送的全流程。

　　技术层面的启示是：未来的企业软件，界面可能彻底消失，只剩下对话。这对软件架构提出了全新要求：需要重构数据模型，让AI能够理解业务语义；需要设计新的权限体系，让AI能够在合规范围内执行操作；需要建立审计追踪机制，让AI的所有操作都可追溯。

　　开发者的“范式转移”：从写代码到训模型

　　推演中有一个反讽：AI消灭工作，但AI也需要人类——需要有人帮它找到最合适的人类老师。

　　技术层面的应对是：开发者社区正在经历一场“范式转移”，从写代码转向训模型。

　　中信证券分析了一家名为Mercor的公司，其商业模式是承接AI企业的人类专家微调需求，将任务分配给具有博士、律师、投行背景的自由职业者。Foody的预言是：训练AI将成为全球最大的劳动类别。

　　这一趋势在中国开发者社区同样明显。人社部发布的新职业中，“人工智能训练师”赫然在列。

　　技术层面的变化是：开发者的技能栈正在从“编程语言”转向“提示词工程”、“微调技术”、“评估框架”。GitHub上，与AI相关的开源项目数量在过去两年增长了近4倍。Hugging Face成为全球最大的模型托管平台，超过50万个模型和10万个数据集在上面共享。

　　更根本的变化在于开发范式本身。过去，开发者面对的是确定性的编程语言，输入什么代码就输出什么结果。现在，开发者面对的是概率性的模型，同样的提示词可能得到完全不同的输出。调试从“检查代码逻辑”变成了“优化提示词和调整参数”。

　　技术层面的启示是：未来的开发者，需要同时具备两种思维能力——编程思维和训练思维。 编程思维用于构建确定性的系统，训练思维用于驾驭概率性的模型。这两种思维模式的融合，可能是未来十年最重要的技术能力。

　　技术圈的自救：三个正在发生的建设性方向

　　回到CitriniResearch那篇推演。技术圈的反应比资本市场冷静得多——不是因为不担心，而是因为正在寻找解决方案。

　　第一个方向是“AI治理架构”的技术探索。 微软、谷歌、Anthropic等公司正在联合开发“模型透明度协议”，试图让AI的决策过程变得可解释、可审计。加州大学伯克利分校的研究团队正在开发“AI经济影响评估框架”，帮助企业和政策制定者量化AI对就业的冲击。

　　第二个方向是“人机协作”的技术重构。 GitHub Copilot的实践表明，AI不是替代开发者，而是让开发者变得更高效。Salesforce的Agentforce被设计成“数字劳动力”，与人类员工协同工作而非完全替代。技术挑战在于：如何设计人机协作的工作流，让AI处理重复性任务，让人类专注于创造性工作？

　　第三个方向是“技能重塑”的技术支持。 Coursera、Udacity等在线学习平台正在推出大量AI相关课程。斯坦福大学开设了“AI时代的职业转型”公开课，帮助被AI替代的白领学习新技能。技术层面，自适应学习系统正在根据每个人的知识背景，定制个性化的学习路径。

　　推演的最后一段话值得反复咀嚼：重定价带来剧痛，却未必意味着崩塌，新的均衡仍可能出现，难点在于人类能否在时间面前学会更快地协商与重写规则。

　　2028年并不遥远。而技术圈的回答，可能需要在今天就开始构建。

　　参考链接：https://www.citriniresearch.com/p/2028gic