Anthropic 与 Salesforce 的企业 AI 布局暴露采用鸿沟

Anthropic 和 Salesforce 的高管在 Dreamforce 上传递了一个直截了当的信息：企业仅使用了 AI 当前潜力的 5% 到 10%。Anthropic 与 Salesforce 的企业 AI 布局如今聚焦于弥合这一鸿沟，而不是等待模型再次飞跃。

Anthropic CEO Dario Amodei 和 Salesforce CEO Marc Benioff 在 9 月 15 日于旧金山亮相时，将采用情况描述为参差不齐。他们的观点带来了一个重要的反转：AI 公司不断推出能力更强的系统，但大多数企业仍难以将现有能力转化为可靠的实际工作。

这一鸿沟使 Salesforce 处于一个不同寻常的位置。前沿模型公司可能威胁传统软件平台，但它们也需要这些平台来触达企业数据和工作流。与此同时，Salesforce 需要 Claude 等模型，同时也要守住自己作为客户信息和业务流程运营层的角色。

Anthropic Salesforce 企业 AI 从模型转向工作流

核心信息并非企业需要更聪明的 AI，而是它们需要更多帮助，来使用已经具备的智能能力。

Amodei 表示，AI 当前价值中仅有 5% 到 10% 已在经济中扩散开来。他的经济扩散估算是一项判断，而非经过独立测量的经济统计数据。不过，这一估算确实点出了企业 AI 供应商面临的核心问题。

企业可以在几分钟内打开聊天机器人并生成有用文本。但要在受监管的销售、服务、财务或支持业务中部署 AI，则是另一项挑战。

生产级系统需要准确的业务上下文、受控访问、可预测的操作以及人工审核。它还需要一位负责人来判断该系统是否产出了有价值的结果。

Benioff 将企业采用中的明显差异称为“参差不齐”。一些团队已将 AI 融入日常运营，另一些团队则仍困在试点阶段。他告诉 Dreamforce 客户，Salesforce 必须做得更多，以加速他们的转型。

两家公司还配合这一信息发布了具体产品。Anthropic 推出了 Salesforce in Claude，这是一款处于 beta 阶段的插件，可将 Claude 与账户、商机和销售管道信息连接起来。

Salesforce in Claude插件包含 37 项用于常见销售工作的技能，涵盖客户研究、会议准备、销售管道审查和 CRM 更新。

该插件由两个连接器支持。其中一个在既有权限框架下将 Salesforce 数据引入 Claude；Anthropic 表示，另一个将 Agentforce Sales 与 Claude 连接起来。

Claude 可以准备一份晨间简报，包含会议、接近成交的交易、存在风险的商机和未回复的信息。它也可以起草 CRM 变更，但销售人员必须先批准这些更新，才能将其提交至 Salesforce。

这一审批步骤很重要。它表明两家公司将 AI 定位为运营助手，而不是不受限制的决策者。

Anthropic 将 GitLab、Siemens 和 Legora 列为部署该集成的客户。Benioff 还表示，已有 7,000 名 Salesforce 员工在使用与 Claude 集成的工具。

这些部署提供了具体案例，但并不能证明客户生产力已获得广泛提升。Anthropic 尚未发布对比结果，以说明该插件如何改变营收、销售周期或数据质量。

但这次发布仍改变了企业 AI 的讨论方向。它将关注点从孤立的提示词转向员工已在使用的系统中的完整任务。

销售人员并不需要再看一次通用的文本生成演示。他们需要可靠地访问正确的客户账户、最新对话以及公司的审批规则。

这一合作试图将这些部分结合起来。Claude 提供通用推理和语言能力；Salesforce 提供客户记录、工作流逻辑、权限和操作能力。

这种组合定义了 Anthropic Salesforce 企业 AI 战略。模型依然重要，但周边的运营系统决定了员工是否能够信任它来完成真实工作。

为何企业 AI 采用仍落后于能力发展

当令人信服的演示遇上碎片化数据、不明确的责任归属和无法容忍临场发挥的工作流时，企业采用就会放缓。

AI 模型的进步速度，快于大多数企业重构运营的速度。在代理能够安全行动之前，企业必须连接多个系统、对敏感信息进行分类、定义可接受的操作，并培训员工。

即便一个基础问题，也可能需要来自多个来源的信息。客户可能询问订单今天能否发货。要正确回答，可能涉及 CRM 记录、库存、合同、政策和过往沟通。

模型或许能立即理解问题。但如果无法获得每个相关来源中最新且经过授权的信息，它仍不能提供可靠的运营答案。

这种差异解释了为何试点往往比生产部署推进得更快。试点可以使用狭窄的数据集，并容忍人工修正。生产系统则必须处理例外情况、权限、审计和不断变化的业务规则。

Salesforce 自身的 CIO 研究说明了这一矛盾。其CIO 采用调查发现，全面实施 AI 的比例从 2024 年的 11% 上升至 2026 年的 42%。

同一调查发现，93% 的 CIO 认为工作流集成对于成功采用代理至关重要。但报告称，具备更广泛部署所需跨职能协作的受访者不到一半。

数据问题也仍未解决。安全与隐私是受访者最主要的担忧，紧随其后的是缺乏可信数据。

仅有 23% 的受访 CIO 对其 AI 投资内置了数据治理完全有信心。Salesforce 在 24 个国家对 200 名 CIO 开展了这项双盲调查。

该调查来自一家销售此类问题解决方案的公司，因此应结合这一背景看待其发现。不过，其中的实施障碍与企业技术领域常见的模式一致。

组织往往在解决相关流程之前，就先采购一项技术能力。AI 放大了这种错误，因为即使上下文不完整，它的输出仍可能看起来合理。

不准确的仪表板计算结果可能会立即引发调查。而流畅的 AI 回应却可能掩盖缺失的信息源、过时的记录或被误解的指令。

因此，企业不仅需要获得模型访问权限，还需要评估系统。它们必须测试代理是否选择了正确的数据、遵守了政策，并将不确定的情况移交给人工处理。

它们还需要明确的成功衡量标准。节省时间可能很重要，但并不会自动转化为营收或服务改善。

一个更快起草邮件的销售代理，如果员工要花同样多的时间检查其工作，可能创造不了多少价值。自动化服务互动可以缩短处理时间，却可能损害客户满意度。

最有用的衡量方式，是将 AI 任务与业务结果联系起来。例如，减少被放弃的案例、缩短销售准备时间、提高 CRM 完整性以及降低升级处理率。

这正是企业知识架构变得核心的地方。团队需要一个可搜索的知识库，以保留上下文，并让授权用户能够获得源材料。

没有这一基础，能力强大的模型仍会与员工所需的事实隔离开来。因此，采用鸿沟在一定程度上是数据和组织问题。

它也是一个变革管理问题。员工必须了解何时应信任代理、何时检查其来源，以及何时推翻其建议。

管理者必须决定，当失败跨越多个部门时由谁负责。安全团队需要可见性，而运营团队则需要足够的自由度来改进工作流。

这些要求需要时间。它们也解释了为什么仅靠又一次模型发布，无法将一个前景可观的试点转化为企业系统。

这项合作将潜在竞争对手变为基础设施

Anthropic 和 Salesforce 在用户体验控制权上存在竞争，但两家公司都需要对方已经拥有的资产。

AI 助手正日益成为商业软件的界面。用户可以要求 Claude 审查销售管道，而不必在一连串 CRM 页面中导航。

这一变化威胁着应用供应商的传统地位。如果员工开始在通用 AI 助手中开展工作，助手就可能成为主要界面。

Salesforce 仍控制着该界面之下的重要资产。它存储客户关系、权限、流程定义和业务活动记录。

Anthropic 则掌握着一个模型和助手，许多用户已将其视为进行推理、写作和分析的场所。将 Salesforce 引入 Claude，便将该界面与运营数据连接起来。

这一安排类似于经过协商的分工。Claude 负责对话和广泛推理，而 Salesforce 仍是管理记录和操作的系统。

这种分工并不保证会一直稳定。Anthropic 可以扩展其连接器和应用功能；Salesforce 也可以强调自身模型，或提供竞争性的助手。

Salesforce 在同一 Dreamforce 期间发布了其首个 CRM 推理模型 Koa。该公司称，Koa 使用合成企业场景进行训练，并在其信任边界内运行。

Salesforce 表示，其内部基准测试显示，Koa 在 CRM 操作上达到或超过领先模型的表现，同时错误率低三倍。这是公司内部基准，而非独立评估。

Koa 模型设计仍揭示了 Salesforce 的战略。该公司希望为 CRM 任务提供专门智能，同时继续支持外部模型。

Koa 以 Nvidia Nemotron 开放模型为基础。Salesforce 表示，其控制模型权重，并在自身基础设施内进行后训练和推理。

这种方法为客户提供了另一条路径。他们可以将 Claude 用于通用推理，将由 Salesforce 托管的模型用于专门的 CRM 工作，或为不同任务使用不同模型。

Salesforce 将这种模型选择称为开放架构的一部分。该公司的商业利益很明确：即使模型领导地位发生变化，它也希望应用和治理层仍然具有价值。

Anthropic 也有相应的利益。与 Salesforce 的直接集成使 Claude 更接近有价值的企业工作流，而无需 Anthropic 重建完整的 CRM 平台。

这形成的是一种务实的停火，而非永久性安排。只要企业仍需要在模型与现有应用之间搭建桥梁，两家公司都会从中受益。

据 Bloomberg 报道，截至 6 月初，Salesforce 持有的 Anthropic 股份价值约 50 亿美元。这一财务关系为双方的技术协同又增添了一层联系。

不过，客户应将这项整合视为一项产品决策，而非两家公司与其自身利益完全一致的证据。

企业可能看重统一工作流带来的便利，也可能担忧供应商集中度、产品边界变化，以及日后迁移智能体的成本。

模型可移植性能够降低这类风险。共享的评估方法、稳定的接口和明确界定的权限，可以让更换供应商变得更容易。

数据可移植性更为重要。若企业无法将其专有上下文与某一模型或平台分离，就可能重演软件领域常见的锁定局面。

因此，竞争问题远不止 Claude 与 Agentforce 之间的较量，而是企业 AI 的长期价值究竟由哪一层捕获。

模型提供商认为，更强的推理能力将吸引用户和工作负载。应用供应商则认为，受治理的数据和嵌入式工作流能够形成持久差异化。

Anthropic 与 Salesforce 的企业 AI 合作结合了这两种主张。其成败取决于客户是否认为，这套组合系统比任一单独层级都更有用。

Salesforce 押注于缺失的一层是控制

Salesforce 认为，企业会为 AI 周边系统付费，因为推理必须与规则、身份、数据和可追责的行动相连接。

该公司将其拟议的基础称为 Enterprise AI Harness。Harness 是一种架构层，提供共享上下文、安全、治理、模型和行动能力。

Salesforce 的 enterprise AI harness 包含六项声明的能力，涵盖上下文、智能体能力、行动、治理、安全和模型选择。

该公司还宣布推出 AI Control Plane。Salesforce 表示，它将允许管理员登记智能体、应用身份策略、观察行为、评估表现并管理成本。

这一架构针对的是一个真实问题。企业往往从彼此独立的 AI 项目起步，而这些项目采用不同的连接器、权限和评估流程。

碎片化会带来运营风险。一个智能体可能访问过期文档，另一个则可能针对同一业务操作遵循不同的审批规则。

共享控制层可以让策略实现复用，也能让安全和数据团队更清楚地了解智能体在做什么。

Salesforce 希望该层能够支持自家工具和第三方系统。它表示，企业可通过 API、Model Context Protocol、技能和插件访问相关能力。

Model Context Protocol，或 MCP，是一种让 AI 应用连接外部工具和数据的标准接口。它可以减少为每种组合开发定制整合的需求。

该架构还支持 Claude、Slack、Microsoft Teams 和其他界面。这种广度反映了 Salesforce 的决定：在员工已在使用的工作场景中触达他们。

这一主张听起来合理，但架构图并不能证明运营可靠性。企业需要看到跨部门、跨系统复杂部署的证据。

他们应询问管理员能否追踪每一项智能体行动，也应考察撤销访问权限、更新策略和调查故障的速度。

评估同样需要重视。控制平面不应只衡量模型响应质量。

它还应显示智能体是否使用了正确来源、遵循了预期工作流，并产出了获批准的业务结果。同时，它也应揭示重复任务中的故障模式。

成本控制很重要，因为智能体工作流可能涉及多次模型调用和工具操作。在小规模试点中看似负担得起的流程，在企业级规模下可能呈现不同表现。

Salesforce 承认模型路由是一项控制手段。其系统可以根据准确性、性能、成本和业务要求分配工作。

这带来了另一个问题。客户需要了解由谁设定这些路由优先级，以及他们能够如何独立验证结果。

供应商可能会优化出支持其商业关系的组合，而客户则可能更重视数据存储位置、延迟或特定的准确率门槛。

围绕路由和评估的透明度，将决定开放架构能否带来有意义的选择。当更换一个模型需要大规模重建工作流时，一份模型菜单所提供的自由度十分有限。

对 Salesforce 战略更有力的解读，并不是模型已变得不重要，而是模型正日益成为受治理系统中的可互换组件。

较弱的解读则是，一家既有软件公司正通过增加另一层管理机制来保护自身地位。两种解释可以同时成立。

客户应通过部署结果来评判这项战略。如果该 Harness 缩短了实施周期、改善了审计并减少了重复整合，它就解决了一个可衡量的问题。

如果它主要只是重新包装现有平台组件，买方可能很难将其宏大承诺与业务成果联系起来。

因此，Anthropic 与 Salesforce 推动企业 AI 的下一阶段，必须证明控制能力，同时避免增加不必要的复杂性。

采用故事仍缺乏独立证据

两家公司已展示整合方案和内部部署，但关于经济价值的广泛主张，仍有待独立验证的结果支撑。

Amodei 对 5% 至 10% 的估计描绘了一个极具吸引力的未开发价值图景，但并未揭示这一价值如何计算，或其在不同行业间如何变化。

该估计可能描述的是尚未实现的技术能力，而非可获得的经济收益。这两类概念并不相同。

模型可以在受控环境中完成某项任务，但这并不意味着该任务适合进行可靠的自动化。生产环境会引入边缘情况、策略和责任归属问题。

对供应商采用统计数据也应保持同样谨慎。使用某项工具的员工数量，并不能说明使用深度、留存情况、产出质量或财务回报。

Salesforce 的 7,000 名内部用户提供了一个有意义的测试环境。然而，客户需要了解这些用户完成了哪些工作流，以及部署后发生了什么变化。

Anthropic 表示，该插件可以减少人工准备和后续跟进，但尚未发布针对这些主张的受控对比结果。

客户案例同样需要谨慎解读。具名部署证明了组织正在尝试这项技术，但并不能证明一种实施模式适用于每一家企业。

大型企业在数据质量、访问结构、监管暴露和技术债务方面各不相同。这些差异有助于解释 Benioff 所描述的不均衡采用情况。

采用信息与 Amodei 最近的安全警告之间也存在张力。他认为，前沿技术发展的速度需要更多审慎态度。

Salesforce 总裁 Patrick Stokes 将这种潜在放缓视为对应用构建者有利。他表示，构建者在模型方面“还有很多需要赶上”。

他的评论揭示了文章的核心反转。较慢的前沿模型发布节奏，可能让企业有时间吸收已经存在的能力。

它也可能使成熟的应用供应商受益。较慢的模型迭代周期给了它们更多时间来构建整合、治理和专业化产品。

即使前沿进展放缓，更广泛的经济体仍可能继续投资。现有模型依然需要数据准备、组织重构和基础设施。

近期分析强调，公司层面的投资 是 AI 支出中常被低估的一部分，涵盖战略和数据。这一观点支持 Salesforce 对实施的关注。

不过，放缓并不会自动带来成功采用。企业可能在整合上投入巨资，却仍无法解决用户需求或流程设计问题。

此外还存在劳动力问题。AI 供应商通常将行政自动化描述为一种好处，但员工可能将其体验为更严密的监控或岗位替代。

能够更新 CRM 记录的智能体可以消除重复性工作，也可能使管理监督标准化，并改变绩效衡量方式。

企业需要针对这些人的影响建立治理机制，而不仅仅是技术访问控制。员工应了解智能体记录、建议和上报哪些内容。

企业还必须界定辅助与自主行动之间的边界。这一边界应随错误后果的严重程度而变化。

起草会议纪要的风险低于修改客户合同。更新销售记录不同于批准折扣或承诺库存。

人工审批可以降低风险，正如 Claude 插件的 CRM 更新流程所示。然而，当员工面对过多由系统生成的行动时，审批可能流于形式。

有效的系统必须将注意力引向不确定或后果重大的情况。要求人工审核每一个常规步骤，可能会抹去所承诺的生产力收益。

因此，独立证据应审视完整工作流。有价值的研究应比较准确率、审核时间、业务结果和故障恢复情况。

在这些证据出现之前，最稳妥的结论是有限的：Anthropic 和 Salesforce 已识别出一个真实的实施缺口，并构建了旨在解决它的产品。

但它们尚未证明，其组合方法能够在大型组织中持续弥合这一缺口。

三个信号将检验企业 AI 论点

下一项检验在于：互联智能体能否在不削弱治理、也不将客户困在单一技术栈中的前提下，带来可衡量的运营改善。

第一个信号是 beta 期结束后 Salesforce 在 Claude 中的持续使用情况。初始激活数量的重要性将低于持续、任务级别的参与度。

Anthropic 应披露销售人员完成账户调研、会议准备、销售管道审查和获批准 CRM 更新的频率。持续数月的留存将强化采用论点。

客户结果将使证据更具价值。更短的准备时间、更完整的记录和更少遗漏的后续跟进，能够将产品活动与业务价值联系起来。

如果早期试用后使用量下降，这一论点将被削弱。这将表明，仅靠对话式访问无法解决工作流摩擦。

第二个信号是 Salesforce 的控制架构在客户部署中的表现。企业应关注有关策略执行、可审计性和事件响应的独立报告。

强有力的结果将表明，企业能够通过通用控制机制治理多个模型和智能体，也应显示团队可以在不重建运营体系的情况下更换供应商。

较弱的结果则会暴露出大量定制、重复评估工作，或对模型路由的可见性有限。这些问题将使控制层成为另一种复杂性来源。

第三个信号是 AI 支出与披露的运营结果之间的关系。Salesforce 及其客户应超越智能体、对话或已启用用户的数量统计。

买方需要与销售、服务和员工工作相关的指标，例如解决质量、周期时长、记录准确性、留存率和升级率。

这些指标还应包括人工审核和系统维护的成本。当员工必须在其他环节纠正错误时，节省的总时间可能具有误导性。

接下来的几个财报周期将提供有用证据。Salesforce 可以披露 AI 产品是否扩大了客户支出，以及部署是否从孤立团队扩展出去。

Anthropic 可以通过发布详尽的企业评估来强化这一论点。这些评估应将模型性能与集成及工作流层面明确区分开来。

客户还应将这一合作与 Microsoft、Google、OpenAI 以及专注于企业市场的供应商所提供的替代方案进行比较。竞争压力能够帮助厘清哪些架构选择真正重要。

核心竞争并非简单的模型排行榜之争，而是能力快速增长与组织能否负责任地吸收这些能力之间的较量。

对开发者而言，机会在于集成、评估、可观测性以及具备权限感知能力的工具。当模型已能处理广泛的推理任务时，这些领域的价值会更加突出。

对企业采购方而言，关键在于从受限的工作流和可衡量的结果开始。泛泛的 AI 号召会带来活动，但很少带来问责。

对知识工作者而言，关键问题是：AI 能否在不削弱实质性控制权的前提下，访问正确的上下文。仅有便利性不足以支撑重要工作。

Anthropic 与 Salesforce 的企业 AI 战略认为，下一阶段将属于那些能够将智能与可信行动连接起来的系统。这一主张如今仍需运营层面的证据加以验证。

值得关注的是，员工是否会持续使用这些集成工作流，管理员能否跨模型对其进行治理，以及客户是否报告了持久的业务收益。这些信号将表明，企业 AI 是否终于开始真正普及，还是仅仅获得了一个更精致的界面。