模型替换易工作流锁定难模型替换正变得越来越容易但围绕模型的操作、集成和治理机制却难以更换。近日普华永道PwC宣布为 3 万名员工提供有关 Anthropic 公司 Claude 模型的培训和认证并围绕该模型为银行、保险和医疗保健客户打造首席财务官办公室Office of the CFO业务。Anthropic 还向其合作伙伴网络投入了 1 亿美元。OpenAI 成立了 OpenAI Deployment Company简称“DeployCo”获超 40 亿美元初始投资会派遣工程师到客户现场将 GPT 模型嵌入客户工作流程。对于售卖数百万代币的公司来说投资专业服务看似奇怪但背后大有深意。即便模型替换更易但围绕模型的相关工作并非如此。开发者在 Claude Code、Codex、Gemini 和本地模型之间切换的门槛比供应商期望的低。在 API 层面模型替换也更容易虽有成本但比更换模型周围的工作流机制容易得多而企业买家可能低估了这一点。开放标准、优质 API 以及提升的模型等效性削弱了一种锁定却强化了另一种。模型调用替换容易但周围的工作流、治理和运营模式并非如此锁定效应只是转移了。锁定效应的转移Greyhound Research 的 Sanchit Vir Gogia 表示“锁定效应不会消失只是换了位置。在模型层面替换变得更容易了。然而在编排层面替换仍然困难。一旦工作流、控制机制、身份层和治理结构围绕特定系统构建完成更换该系统绝非易事。”这揭示了供应商投入数十亿美元进行工作流集成的原因新 AI 技术无法与旧企业工作流完美融合人力可以解决这个问题。麻省理工学院MIT的 NANDA 倡议报告指出95% 的企业生成式 AI 试点项目未能带来可衡量的商业影响。即便乐观解读AI 投资与价值获取之间的差距也令人头疼。大多数失败并非源于模型能力不足而是运营适配问题工具无法融入工作流、通过审批流程和获得相应权限即无法适应实际工作方式。这正是 DeployCo 成立的原因OpenAI 是明白了企业需求客户需要专业人员到现场完成模型融入工作流程的工作。从这个角度看锁定效应的转移并非真正的转移它一直存在于更高层面只是模型热潮掩盖了这一点。模型上下文协议Model Context Protocol还不够这引出了模型上下文协议MCP。MCP 有用能降低将模型与工具和数据源连接的成本。但协议并非平台MCP 可帮助代理与工具交互却无法告知企业代理的批准人、可访问数据、操作记录方式以及人员离职后如何安全关闭等也无法说明财富经理合规审查、承销商处理边缘案例、财务团队月末结账标准等本地化工作这些工作只有人类能胜任。同样Kubernetes 未能消除云锁定它使竞争转移到更高层面。MCP 对 AI 代理起到类似作用降低了集成成本但未消除使 AI 在运营上值得信赖的成本。锁定效应的真正发生之处在智能代理 AI 领域战略问题是谁拥有控制平面拥有者将对客户有最强话语权。目前出现三个竞争领域编排层像 LangGraph 这样的框架是实用工具但编排会产生粘性。LangChain 旗下的 LangGraph 有 Klarna、Replit、Elastic 和 Ally 等生产用户若客户花时间在某个编排框架内编排代理行为等不会轻易替换。模型易替换但其上的编排并非如此。供应商控制的工作流界面Anthropic 通过 Claude Cowork 构建的就是这个。2026 年 2 月扩展版本推出私有插件市场等。企业 IT 管理者不希望大量随机代理添加到系统中代理周围的管理界面成为产品。服务层AI 价值向实施环节转移的标志是 OpenAI、Anthropic、普华永道、埃森哲Accenture和德勤Deloitte培训人员从事绘制工作流等工作。普华永道和 Anthropic 称合作将网络安全事件响应时间从数小时缩短至数分钟将承保周期从 10 周缩短至 10 天成果来自顾问而非模型。想要改变顾问实施的工作流AI 供应商需重新培训他们谈何容易。对买家的意义如果你负责企业 IT这情况有解放意义可不再执着于单点解决方案而关注更高层面。战略决策包括采用哪个编排框架、终端用户使用哪个工作流界面、哪个服务合作伙伴能融入运营使模型推荐有约束力这些决策比模型测试更值得考量。在 API 层面替换模型成本降低但编排层面投入意味着数年代码重写工作流界面改变涉及员工行为转变服务合作关系是长期预算项目这些决策需仔细审查因其影响持久。Anthropic 开源 Agent Skills 并坚持“你创建的技能不与 Claude 绑定”对客户是正确的风险对冲策略保留另一个前沿模型的选择权也是如此。更深入的做法是将工作流集成视为核心资产将模型和合作伙伴视为可替换层面。学会将 AI 融入可重复工作的团队将在能力商品化浪潮中占据优势。那么企业该如何在这些复杂的决策中做出正确选择呢
