问题意识

Service-as-software: The new control plane for business

背景介绍

我们正站在一个由软件驱动的商业模式巨变前沿，它将决定未来几十年的市场格局。您是否曾思考，在AI智能体时代，企业如何才能摆脱传统自动化孤岛的束缚，将知识工作整合为按需定制的“装配线”？“服务即软件”正是这一变革的核心理念。

它不仅预示着技术架构、运营模式和商业模式的深刻转型，更将推动企业从内部IT部门的优化，走向整个组织的技术、运营和商业模式的全面重塑。这不仅仅是技术供应商的机遇，更是所有行业企业构建可持续竞争优势、甚至形成“赢者通吃”局面的关键。准备好迎接这场由智能体驱动的商业革命了吗？

阅读收获

• 洞察技术架构演进： 理解从碎片化应用孤岛到统一智能系统（SoI）的转变，以及如何构建企业数字孪生，实现业务的四维动态视图。
• 掌握运营模式创新： 学习如何将知识工作重塑为按需定制的智能体装配线，通过人类监督将专业知识编码，提升运营效率和知识资本回报。
• 理解商业模式变革： 认识到从劳动力规模化服务转向数字化编码专业知识的平台经济，以及这种“赢者通吃”模式如何影响各行各业。
• 规划智能体治理与安全： 明确在AI大规模部署下，行动治理、数据溯源和边缘计算的重要性，为企业级智能体应用奠定基础。

开放性问题

1. 在现有企业中，如何有效平衡“服务即软件”转型带来的颠覆性创新与处理庞大技术债务的挑战？
2. 随着智能体在企业中扮演“顾问”角色并逐步编码人类专业知识，您认为这将对组织文化、人才培养和员工角色产生哪些深远影响？
3. 面对“服务即软件”带来的“赢者通吃”局面，中小型企业应如何制定策略，以避免被市场淘汰或找到独特的竞争优势？
   
   

   👉 划线高亮 观点批注

Main

深度分析 作者：David Vellante, George Gilbert, Paul Nashawaty, Savannah Peterson 和 Jackie McGuire

我们正处于一种新的、由软件驱动的商业模式的边缘，这种模式将决定未来几十年的赢家和输家。我们称之为“服务即软件”。

具体来说，我们认为企业将开始以新的方式组织知识工作，将自动化孤岛整合为知识工作的按需定制装配线。积极抓住这一机遇的公司将处于一条学习曲线上，我们认为这将创造可持续的竞争优势，更重要的是，形成一种赢者通吃的局面。

现在，我们谈论的不仅仅是技术供应商。相反，我们相信新的技术、运营和商业模式将会出现，并适用于所有行业的每一家企业。在这篇深度分析中，theCUBE研究团队提出了一种关于企业在人工智能时代如何运营的新思维方式，这对于应用程序开发者、边缘部署以及安全和治理模型都具有深远影响。我们还展望了我们认为组织可以从现状迈向未来的路径。

从本地部署到SaaS再到服务即软件

软件的每一次重大转变，都伴随着技术架构、运营模式和商业模式的变化。例如，当我们从本地部署软件转向软件即服务（SaaS）时，技术模式从客户拥有最终转变为多租户模式。运营模式最初是高度的“自己动手”，随后随着SaaS转向托管服务，而商业模式则从重资本支出（CapEx）导向转变为订阅制模式。我们认为，在智能体时代，“服务即软件”也正在发生类似的动态变化，如下图所示。

我们认为这标志着一次深刻的转变。在之前的时代——本地部署和SaaS——变化主要发生在信息技术部门内部（包括企业团队及其供应商）。而现在不同的是，整个客户组织的技术模式、运营模式和商业模式都将发生改变。

从历史上看，企业运行在自动化孤岛上——后端有企业资源规划（ERP），后来又出现了大量应用程序。客户关系管理（CRM）是第一个引入新运营模式（云交付）和新商业模式（订阅而非永久许可）的系统。

如今，企业本身必须开始像软件公司一样运营。这需要将这些孤岛整合到一个统一的层中，数据和应用程序逻辑在此层中融合为一个集成的智能系统。智能体依靠这种协调一致的上下文来做出决策，并在需要时调用遗留应用程序来执行工作流。

这种运营方式还需要一种新的运营模式：一种知识工作的按需定制装配线，它将咨询的定制化与大批量履行的效率相结合。人类监督智能体，并在此过程中逐步将他们的专业知识编码到系统中。随着时间的推移，组织管理的不再是少数几个智能体；他们将协调一支捕捉整个企业决策逻辑的“军队”。

这反过来又催生了一种基于经验曲线的新商业模式。随着机器学习预测流程行为和客户响应，更多工作被数字化，边际成本下降，经营杠杆增加。编码的专业知识（更大的差异化）与单位成本下降相结合，带来了更强的定价权和持续的效率提升。

我们的研究表明，这种动态将是赢者通吃——不仅在消费者在线服务领域，而且在任何涉及大量知识工作的行业，包括制造业（在其管理层内部）。在我们看来，这是目前正在发生根本性变化。

服务即软件带来新的技术模式

让我们从技术模式的影响开始，进一步分解这三个维度——技术模式、运营模式和商业模式。

我们认为下一阶段是从碎片化的应用孤岛转向统一平台，如上图所示。即使数据整合在湖仓一体（lakehouse）中，它在功能上仍然是碎片化的：销售、营销和财务各自保留自己的星型模式“数据立方体”，这些数据在整个企业中并未协调一致。

我们的前提是，这种迁移与技术栈的运营转变并行进行——从客户管理的本地部署转向供应商管理的基础设施即服务（IaaS）/平台即服务（PaaS）——同时保持本地和云的混合模式。在技术栈的顶层是一个日益具有战略意义的层，我们称之为智能系统（SoI）。它的作用是综合上下文，使智能体不仅能回答“发生了什么”和“为什么”，还能回答“接下来会发生什么”和“我们应该怎么做”。

SoI 该如何部署，其现阶段的运行模式、载体是什么？

需要记住的重要一点是，自动化孤岛阻碍了管理层的核心职能——在不同详细程度和业务领域之间进行全面可见的规划、资源分配和协调。数据湖本身并不能解决这个问题；每个星型模式（数据仓库中常用的数据模型结构）都是另一个孤岛。短期内，组织可以从小处着手，让智能体查询单个领域（例如，销售数据立方体），并通过MCP服务器调用记录系统来执行有限的操作，例如查看客户投诉并启动退货授权。

今天你可以问“销售发生了什么”，但你不能问“那么营销到底是如何影响销售的？履行活动是如何影响客户体验的？”你将不得不创建一个全新的数据工程项目和一套新的数据立方体。关键是，今天，我们开始使用智能体的方式是，你可以查看一个数据立方体内部，并且可以让智能体从该领域内的多个角度（例如销售或营销）询问发生了什么。你还可以通过智能体调用现有记录系统，并使用MCP服务器来执行有限的操作。

因此，例如在客户服务中，你可能能够看到特定客户的投诉，并能够采取一些行动，比如管理退货授权或一些有限的活动。同样，这些都是小孤岛，但要实现更广泛、覆盖整个企业的全面可见性，需要大量工作来协调数据和业务流程，并达到我们借鉴自Geoffrey Moore的概念模型——智能系统。然后，智能体系统就能够拥有整个业务的四维动态视图。

为了实现企业范围内的可见性，数据和业务流程必须协调一致地整合到智能系统（SoI）中，在此基础上，“智能体系统”可以以动态的“四维”业务视图进行操作。在我们目前的设想中，这就是目标架构。我们今天讨论的只是一个起点，我们正努力达到一个更丰富的视图。

供应商正在朝着这个方向发展，例如：

• Palantir构建了一个本体论——一个四维地图而非孤立的星型模式——使其非常适合智能体工作流。
• Salesforce提供了一套打包的客户数据平台和Customer 360流程，使企业无需从头开始构建。
• Celonis提供打包的流程模型，减少了定制编码。
• SAP正通过其业务数据云（Business Data Cloud）朝着这个方向发展。

尽管这些比过去的点对点应用程序是更广阔的孤岛，但它们仍然需要整合在一起。今天的项目只是起点；目标是建立一个统一的层，为智能体提供企业上下文，并实现端到端的操作。

构建数字孪生——从数据孤岛到智能系统

让我们看看下一张图中描绘的正在出现的软件栈。其中存在变化、转变和新的竞争动态。

在最底层是基础设施，我们谈论的是计算、存储、网络以及基础设施的其他部分，还有安全性、可观测性、数据移动等等。你拥有交互系统，生成式用户界面就是我们在图表下方展示的。

我们认为，随着用户越来越多地以自然语言与系统“对话”，企业界面正在变得越来越薄。这一转变重新定义了企业数字表示的构建方式。表面之下是现代数据平台——其中包括Snowflake和Databricks——周围环绕着一个不断发展的治理层。数据库作为控制点的作用正在减弱；重心正转向治理目录，这些目录日益开源，其中Apache Iceberg是一个驱动力，而Polaris和Unity等开源目录实现也为此转变做出了贡献。

治理模型将变得至关重要，因为随着你更广泛地开放数据访问，你将需要一种全新的治理模型，它更注重策略导向，能够动态执行，甚至可能动态生成。而且，随着你让智能体采取越来越多的行动，也许最初是通过MCP服务器与记录系统对话，你将需要一个全新的治理模型，即行动治理。过去我们有应用程序编程接口（API）的治理，但现在你将需要行动治理，它本质上管理智能体的行为。

在数据平台层面，我们听到了很多关于语义层的讨论，Snowflake主导了一项努力，旨在让行业大部分参与者就语义互操作性定义达成一致。我们还没有所有细节，但其核心思想是，明确仪表板中看到的指标和维度定义，例如客户生命周期价值或季度销售额。因此，你必须就销售的定义、季度的定义等达成一致。这就在左下角的绿色方块处，正好在数据平台层之上。

我们认为下一个架构里程碑是智能系统（System of Intelligence）的出现——一个统一的、上下文相关的层，它解释信号（包括来自商业智能的信号），并为由智能体控制框架协调的智能体系统提供信息。Fivetran可能收购dbt Labs等市场动向，凸显了数据平台向上游的推动，这与Celonis、Salesforce和ServiceNow等以流程为中心的参与者产生了碰撞。战略目标是构建企业的数字孪生——一个能够理解“发生了什么”、“为什么发生”、“接下来会发生什么”以及“应该怎么做”的“四维地图”。

然而，端到端可见性仍然受到碎片化的限制。正如前面强调的，当每个星型模式仍然是一个孤岛时，将数据整合到湖仓一体中并不能解决问题。即使标准化到单一供应商和实例，也无法统一跨领域的数据。我们之前提出的跨职能问题（“营销如何影响销售？”“履行如何影响客户体验？”）通常需要新的、跨部门的数据立方体——这是一项繁重的数据工程工作——而真正需要的是按需生成此类视图。

为了解决这个问题，治理必须与架构同步发展。随着访问权限的扩大，策略需要动态执行，在某些情况下甚至需要动态生成。随着智能体开始采取行动——最初通过MCP服务器调用记录系统——治理必须从传统的API监督转向管理智能体行为和意图的行动治理。

至关重要的是，构建数字孪生不仅仅是关于指标和维度——例如订单或销售的2D或2.5D快照。它需要明确地建模业务流程，包括客户如何遍历接触点以及工作如何真正流动。大多数组织不会从头开始建模。他们将像在早期时代采用打包应用程序一样，组装供应商提供的流程构建块，并将它们组合到智能系统（SoI）中，以便智能体能够在真实的业务上下文中运行——这相当于“智能体即顾问”。

在我们看来，前进的道路是一个新的全栈，它倾向于数据和流程的端到端集成，而不是创建新的孤岛。随着接口变薄，语言成为控制平面，治理目录成为控制点，智能系统（SoI）成为企业大脑，而智能体系统成为执行层。这就是数字孪生从概念走向运营现实的方式。

稍后，我们将讨论智能体作为顾问进行决策时需要考虑的上下文。因此，这是一个必须整合在一起的全新技术栈，我们现在必须考虑端到端集成，不仅是数据，还有流程，而不是增加新的孤岛。

将服务即软件映射到应用程序开发（AppDev）+ 开发安全运维一体化（DevSecOps）

[观看 Paul Nashawaty 的完整分析]

我们认为下一代服务即软件技术栈与经典的应用程序开发阶段——Day 0、Day 1、Day 2——紧密结合，并将DevSecOps贯穿于每一步。这种视角保留了熟悉的构建-发布-运营节奏，同时将重心转移到一种托管的、以结果为导向的模型，其中技术栈负责繁重的工作并加速价值实现时间。

Day 0 — 构建（规划与设计）

在我们看来，Day 0是规划和设计阶段，团队在此阶段确定如何构建解决方案以及它们如何在生产环境中运行。从应用程序开发的角度来看，这意味着明确定义架构、API和所需的基础设施。“服务即软件”方法鼓励从一开始就以模块化、云原生的方式思考，以便可扩展性、可观测性和安全性能够内置其中，而不是后期匆忙补救。这是指定合同、护栏和平台选择的关键时刻，这将使下游阶段能够快速推进而无需返工。

Day 1 — 发布（部署与配置）

Day 1是应用程序通过部署和配置得以实现生命力的阶段。环境通常通过基础设施即代码、容器或无服务器设置自动划分，因此开发人员可以专注于编写代码和交付功能，而不是与基础设施搏斗。结果是可重复、可预测的运动，比传统设置快得多。在“服务即软件”模型中，这种一致性是首要特性：平台抽象了复杂性，因此团队可以更快地向用户提供价值。

Day 2 — 运营（运行与优化）

Day 2涵盖了运营/优化阶段，应用程序在此阶段在生产环境中运行并开始演进。团队监控性能指标，动态扩展，并在不中断的情况下推出更新。至关重要的是，“服务即软件”会呈现遥测数据和反馈，这些数据和反馈指导应用程序如何随着时间推移而改进——这就是Day 2是持续改进发生的地方。托管模型的优势在于将运行时信号转化为安全、快速的迭代。

DevSecOps — 无处不在，端到端

DevSecOps与流程的每一个环节都紧密相连——它无处不在。安全性从一开始就内置其中：自动化测试、策略检查和漏洞扫描在后台运行，并集成到CI/CD流水线中。“服务即软件”技术栈倾向于默认安全的选项，因此开发人员可以快速行动而不会引入风险。

数据表明（价值实现时间与权衡）

我们的研究表明，该技术栈承担了繁重的工作，并提供了更快的价值实现时间。34%的受访者偏好托管/SaaS交付模式，而17%的受访者希望纯粹的分发模式。尽管SaaS/托管产品相对于完全分发可能功能有所减少，但它们能更快地实现价值。优势显而易见：开发人员专注于功能、用户体验和创新，而技术栈则确保可靠、安全、大规模的运营——这对CI/CD流水线和整个软件生命周期都产生了重大影响。

总结： 通过服务即软件的视角映射Day 0/1/2，将规划、发布和运营与一个平台对齐，该平台自动化无差异化工作，制度化持续改进，并安全地加速成果。

为智能体时代重塑运营模式

我们认为运营维度正在经历一个阶跃式变化。下面的参考图将今天的自动化孤岛（左侧）与知识工作的按需定制装配线（右侧）并置。这些视觉效果为了清晰起见故意夸大，但更重要的是，它们反映了一个正在出现的现实：管理者将监督智能体大军，而不仅仅是人类团队，这呼应了Marc Benioff的观点，即我们是最后一批只管理人类的管理者。

从历史上看，知识工作类似于装配线前的制造业——想象一下小单元中的手工匠式工作流，协调和编排由人类处理——这些模式几十年来几乎没有改变。现在的机会是围绕稀缺的人类专业知识来组织工作，并认识到，无论智能体变得多么先进，人类的判断和决策都会随着时间的推移逐步传授给智能体。

按需定制模型将大批量运营的效率与咨询工作的定制化（如咨询或投资银行）相结合。通过端到端可见性和数字编排，任何尚未编码到智能体中的专业知识都将成为一种浮动的、高价值的资源，在需要时精确部署。每一次此类人工干预都会被捕获以供将来使用——类似于特斯拉自动驾驶脱离时产生训练数据——因此下一次出现该异常时不再需要人工干预。实际上，工作场所被专门设计用于在工作流程中编码专业知识，稳步提高智能体成熟度并扩大有效能力。

我们将这条装配线视为一项常青计划——类似于战略性资本项目，但作为运营支出（OpEx）运营。成功指标也随之转变，从传统的部门效率衡量标准（例如，成交量和上市时间）转向专业知识放大和真正的知识资本回报。在这种配置下，随着接口变薄，语言成为控制平面，个体管理者将指挥大量的智能体群，定义我们认为将是智能体时代的运营蓝图。

在这条按需定制的装配线中，我们结合了批量运营的最佳实践，并再次借鉴了Geoffrey Moore的概念。既有批量运营的效率，又有咨询或投资银行等咨询业务中定制工作的个性化。你将获得两者的最佳结合。

但关键在于，由于你拥有这种端到端可见性，并且拥有流程的数字化编排，因此尚未编码到智能体中的人类专业知识，就变成了一种可插拔的资源，这条装配线在需要时会将其调动起来，并且每一次人工干预都会被捕获以供将来使用。

从劳动力规模化服务到数字化编码专业知识：商业模式的转变

我们认为安全和治理不容忽视——尤其是在受监管的行业。合规性、法规和安全性在医疗保健（如HIPAA）、金融服务以及欧盟法规下仍然是重中之重。在概述了上述技术和运营模式之后，我们现在审视商业模式的转型。

我们下面的图表描绘了两种对比鲜明的状态。在当前范式的左侧，利润随劳动力增长：增加产能，增加人员，并——希望——实现规模化。边际经济效益因行业而异。在软件领域，前期非经常性工程占据主导；持续维护依然存在，但边际成本在大规模生产时趋近于零。在硬件领域，销售成本仍然是一个持续的拖累。在服务领域，劳动力是关键投入，这往往导致规模不经济和实现经营杠杆的挑战。

在右侧，我们看到一个由数字化编码专业知识驱动的根本不同的环境——我们将其视为一个随着时间推移而不断改进的自学型系统。这成为生产的关键投入，这就是为什么我们预计赢者通吃的动态不仅会出现在技术领域，还会出现在所有行业。

为了具体说明其影响，考虑一家律师事务所——这是服务业务被重新构想为软件的早期例子。从历史上看，自“鹅毛笔和站立式办公桌”时代以来，变化甚微——为了承接更多业务，事务所会雇佣更多律师；成本随收入增长；竞争优势在于人际关系和声誉。定价通常是基于费用的，通常是按时间和材料计费（或在此基础上加价）。

在新模式中，法律工作逐步编码到智能体中，并作为一个平台进行运营。每次系统遇到新情况时，捕获的专业知识都会成为智能体知识库的一部分；下次，对于该特定模式，就不再需要人类律师。人类专业人员越来越多地监督智能体的装配线。

按小时计费的工作类型——合同、并购任务及类似事务——可以转变为固定费用服务。随着业务量的增加，学习能力提高，从而创造更大的差异化和更低的成本。数据网络效应和编码的专业知识相互叠加，强化了经验曲线，并推动了赢者通吃的结果。实际上，服务业务变成了平台业务，由理解人类语言和组织流程的软件驱动。我们认为这是一次深刻的变革。

在我们看来，这是商业模式转型的核心——从边际成本不均的劳动力规模经济，转向由数字化编码专业知识驱动的平台经济，这种经济模式在严格的合规和治理护栏下运行，并能够大规模地复合优势。

智能体即“顾问”、业务价值指标以及边缘作为新的数据中心

我们认为，理解“服务即软件”中智能体角度的最佳方式是将其视为企业内部的顾问。从这个角度来看，智能体利用机构知识、行业最佳实践以及从运营经验、遥测数据和边缘设备数据等来源学习到的编码业务流程。这种思维模型简化了一个复杂的转变：智能体不仅仅是人或简单的机器人；它们表现得像嵌入式顾问，利用共享上下文来交付成果。

我们的前提是，企业正在采用两种不同的方法来衡量智能体的影响。一种强调智能体的数量（例如，“部署了50万个智能体”）并列出总体的投资回报率。另一种则更接近组织实际报告价值的方式，侧重于业务成果——节省的资金、实现的机会和体验改进（例如，净推荐值和客户满意度）。

我们认为第二种方法将推动企业和消费者层面的真正采用，因为它将智能体项目与具体、可理解的结果对齐。一个显著的例子是Workato，它有意将智能体品牌化为“精灵”——一个平易近人、充满活力的比喻——并围绕业务影响而非原始智能体数量来构建发布叙事。

从技术上讲，我们认为智能体杠杆在经典自动化之外增加了一个Z轴：推理、决策和新颖信息获取，这些在以前是不切实际的，现在变得可行——在早期原型中常常感觉“神奇”。矛盾的是，许多当前的最小可行产品（MVP）和概念验证（PoC）都未能充分发挥潜力；团队可能尚未完全理解实际可能实现什么，因为组织以前从未能够做这些事情。我们建议围绕具体的效益指标而非智能体数量来构建项目、营销和成功标准，确保门槛足够高，以充分实现智能体系统的全部潜力。

合规性和治理再次成为首要关注点——而非事后考虑。随着人工智能的大规模实施和智能体的大规模部署，数据的数量、本地性和处理方式将再扩大一个数量级。这加剧了管理数据存储位置、访问方式、安全保障以及如何在不同司法管辖区（具有不同规则）提取价值的需求。

我们在theCUBE上的对话和活动工作强调了那些拥有长期公共部门关系、成熟数据中心不动产以及电力和水资源访问权限的提供商所拥有的结构性优势，以及逐国逐区域所需的政策和立法导航。Equinix最近在其分析师活动中分享了有力的例子。在我们看来，选择顶级的正确合作伙伴——那些能够满足数据所在地需求并保证其安全的合作伙伴——至关重要；错误的选择会随着项目的扩展带来棘手的、可能存在的生存风险。

我们进一步认为，这个时代远远超出了SaaS的范畴。SaaS加速了任务级自动化；而服务即软件则在智能层面运作。它引入了更大的复杂性，需要新的工具和深思熟虑的策略。目标不仅仅是让简单的事情更快；而是让非常复杂的事情成为可能。

最后，边缘成为一个新的数据中心。我们预计人工智能将在边缘部署，设备不断向支持不断演进、经过现场验证的最佳实践的系统报告——即实际中最有效的方法，而不仅仅是假设。这种反馈循环也重塑了智能体企业中的管理角色，这意味着领导层从仅仅监督人员转向协调智能体，整合边缘来源的信号和机构知识以改善成果。与此同时，一个持久的生态系统角色也随之出现，即提供关于智能体本身的咨询服务——一个服务层，帮助组织设计、治理和调整其智能体劳动力，以确保安全性、合规性、性能和价值实现。

在我们看来，将智能体重新定义为顾问、衡量业务成果、提升合规性和治理、为数据本地化和基础设施现实进行合作，以及将边缘视为一流的计算和数据平面，是从任务自动化转向企业级“服务即软件”的实际支柱。

向服务即软件的十年转型：现在关注什么

我们认为，这里概述的技术、运营和商业模式转变将实质性地改变公司赚钱和收费的方式。这将是我们未来使用的评估框架——我们将持续更新它。它也与正在进行的分析工作（包括与外部研究伙伴的合作）保持一致，旨在揭示“服务即软件”如何创造新的生产力驱动因素。我们将在此背景下评估未来，并跟踪关键指标以观察其发展。

一个核心问题是现有企业如何处理技术债务。在我们看来，企业面临着“将死鲸踢下海滩”（一个比喻，指延续遗留负担）或根据“服务即软件”框架转型其技术、运营和商业模式的选择。奖励是巨大的生产力提升；不作为的风险是，新的以软件形式交付的服务将以边际软件经济效益颠覆现有市场。我们以前见过学习曲线捆绑的力量——例如，微软在20世纪80年代和90年代的捆绑销售——但我们认为今天的变化要显著得多。

这场转型并非易事。它不仅仅是简单地采用云计算、更换新的安全框架或建立另一个数据平台。它是一场组织层面的变革，并且必须在现有业务运行的同时进行。有许多缺失的环节需要深思熟虑地解决：

• 数据协调和清理，以“整理数据资产”。
• 智能体互操作性和安全性：智能体将如何相互通信以及这些交互将如何得到保护。
• 智能体能力的定价模型：市场仍在试验中；我们看到Salesforce正在测试各种方法，而其他公司（例如UiPath）将如何按价值定价仍不清楚。
• 数据保留和溯源：某些行业要求数据保留多年（通常是七年）。我们预计将需要重新创建和解释智能体的决策。
• 混合模式下的基础设施经济学：在适当情况下，持续推动将人工智能引入本地数据。

我们相信这会随着时间推移而演变，这就是为什么我们一直说这需要近十年才能完全展现。2025年或2026年不会是“智能体之年”。更可能的是，这将是智能体十年。

从成本结构的角度来看，商业模式的影响是深远的。智能体定价很困难，因为与历史上的软件模式不同，现在除了新的生产要素——数据之外，还有显著的边际成本——特别是计算成本。报告表明，领先的人工智能提供商在未来几年内，其运营成本和数据获取/整理方面的支出可能仍占收入的约45%。这强调了为什么成本结构仍然是首要关注点，以及为什么数据治理和质量将直接影响单位经济效益。

可观测性必须与安全性同步发展。传统的数据溯源已不足够。我们将需要智能体的可观测性——捕获推理轨迹和用于决策的数据——一种支持可审计性、安全性、合规性和取证的新型溯源。

尽管全面的企业转型可能需要十年时间，但我们看到了一个近期浪潮。未来12到18个月内最大的影响将是将生成式人工智能和智能体应用于企业用于构建日常软件的主流工具。软件行业面向主流客户的工具必须首先围绕智能体技术进行重塑——然后主流企业的更广泛的“服务即软件”平台重构才能完全成形。换句话说，我们正在描绘企业重塑的愿景，但用于构建这种重塑的工具链将在未来12个月内发生巨大变化。

需要关注的关键因素包括现有企业对技术债务的响应、智能体服务的可靠定价模型、数据协调和保留/溯源方面的具体进展、真实的混合经济效益（人工智能与数据结合），以及智能体可观测性/安全性的可衡量改进。我们认为，那些早期与此框架保持一致——协同调整技术、运营和商业模式——的组织，将在智能体十年展开之际，最能抓住学习曲线优势和“服务即软件”的经济效益。