structure｜1️⃣ 三级笔记、思想框架

OpenAI 的 Deployment Company 指向 AI 落地的组织形态

核心观点

Ben Thompson 借 OpenAI Deployment Company、Google forward deployed engineers、Anthropic 与 PE 的合作，指出企业 AI 的关键不是让员工更会用 chatbot，而是由 executive suite 牵头，像 1970 年代 mainframe 第一波计算机化那样，重构业务流程、数据层和组织分工。AI 在企业里的第一波大机会更像 top-down enterprise implementation，而不是 SaaS 式自下而上的工具采用。

一、Deployment Company 是企业 AI 进入落地阶段的信号

1.1 OpenAI 正在把模型能力变成部署能力

• OpenAI 新设 OpenAI Deployment Company，投入超过 40 亿美元，并收购 AI consulting firm Tomoro。
• Tomoro 带来约 150 名 AI engineers 和 deployment specialists，任务是把 frontier AI deployment 嵌入客户组织。
• 这个新公司不是单纯卖 ChatGPT，而是让工程师进入组织内部，与不同团队一起识别 AI 能产生最大影响的位置。

1.2 Google 和 Anthropic 也在走同一条路

• Google Cloud 宣布组建新的 forward deployed engineers 团队，增加面向客户的技术资源。
• The Information 将这种趋势概括为 tech companies deploying armies of humans。
• Anthropic 与 private equity firms 建立合资安排，把 Claude 的企业 adoption 推向 PE firms 的客户。
• 这些动作共同说明：企业 AI 的瓶颈不只是模型能力，而是把模型放进真实组织、流程和数据环境的能力。

1.3 作者的判断是 as predicted

• 作者没有停留在“AGI 还需要人来部署 AI”的反讽，而是说这是此前判断的延续。
• AI 要在企业真正产生业务结果，需要大量人类工程、咨询、流程重构和数据整理。
• 新的组织形态不是临时补丁，而是企业 AI 商业化的核心部分。

二、企业 AI 更像 1970 年代 mainframe，而不是 SaaS

2.1 Agents aren’t copilots; they are replacements

• 作者延续 2024 年的判断：enterprise AI 的正确类比不是 SaaS，而是 1970 年代第一波 computing。
• agents 不是 copilots，而是 replacements：它们不是帮助人多做一点，而是在 call centers 等工作中替人做事。
• 软件具备 always available、scalable up-and-down with demand 的优势，因此企业目标会从员工 productivity 转向 company-level business results。

2.2 Enterprise philosophy 的买方是 executive suite

• mainframe wave 中，accounting 和 ERP software 提高了公司 productive capacity，增强的是 manager 的报告能力，被替代的是原来做这些工作的员工。
• 决策并不依赖 rank-and-file employees 改变工作方式，而是 executives 决定是否 take the plunge。
• AI 的企业落地同样更可能由高层为 revenue increase 和 cost cut 做 top-down 决策。

2.3 Deployment Company 的目标不是教员工用聊天机器人

• 作者明确认为，Deployment Company 不会主要帮助员工使用 chatbots。
• 与 PE firms 的合作更能说明这一点：PE 可能买入有稳定 cash flows 的软件公司，进行 layoffs，并强迫 AI pick up the slack。
• 这类部署解决的是 stock-based compensation 和成本结构问题，而不是个人效率工具问题。

三、AI 落地要求重新设计业务流程和数据基础设施

3.1 这是一种 new way of computing

• 作者认为 AI 是新的 computing 方式，因此更适合用 computing itself 的历史来类比。
• Transformers 被类比为 transistor，today’s models 被类比为 mainframes，而 GUI 仍然 TBD。
• 如果这个判断成立，最大机会就在 top-down enterprise implementations。

3.2 compute 成本会推动企业追求 bottom line benefits

• agentic capabilities 需要大量 compute，只有企业级 bottom line benefits 才能合理化这种成本。
• enterprise philosophy 的本质不是用户体验，而是 buyer 想增加收入、降低成本。
• 企业会对 agents making mistakes 做 expected value calculations，只要整体收益成立，就会推进替代。

3.3 数据重构可能是部署工作的核心

• 作者特别关心 Deployment Company 里有多少工作会变成 reworking data。
• 有效的 Agent 需要 access to everything，并且要能 reason over 这些数据。
• LLM 处理 unstructured data 的能力是革命性的，但 better data still results in better output。
• o1 这类模型里的 explicit step-by-step reasoning data 被作者用来说明：数据形态本身会影响模型输出质量。

四、Palantir 与 Google 展示了企业 AI 的数据层分歧

4.1 Palantir 的 Foundry 代表深入企业运营的路径

• 作者曾因此看好 Palantir，因为它处理的是 enterprise operations 深层的数据整合问题。
• Foundry 被称为 Ontology-Powered Operating System for the Modern Enterprise。
• 这不是 team leader 用 credit card 购买的 consumery-SaaS application，而是需要深度进入企业运营的 SOFTWARE。

4.2 Google 用 Knowledge Catalog 回应 ontology 问题

• Thomas Kurian 否认 Google 在与 Palantir 竞争 semantic dictionary 或 ontology。
• Google 的说法是让 Gemini 阅读文件、抽取信息、匹配数据库表，再在回答时提供 grounding citation。
• Knowledge Catalog 的作用是帮助 agent 找到概念与数据库表、SQL、来源之间的映射，提高生成质量和 trust my data。

4.3 不需要人类的叙事被 FDE 现实修正

• 作者半开玩笑地说：Well, so much for not needing humans。
• Kurian 原本说的是不需要 Palantir-like ontology，而不是完全不需要 FDEs。
• 但行业现实显示，AI 正在创造 new kinds of jobs：OpenAI、Anthropic、Google 都需要人把 AI 带进企业现场。

五、文章后半部分用 Apple 与 Intel 说明 AI 对供应链的外溢压力

5.1 Apple 与 Intel 的芯片代工协议首先是经济问题

• WSJ 报道 Apple 与 Intel 达成初步 chip-making agreement。
• 虽然报道提到 Trump administration pressure、TSMC/Taiwan concentration risk，但作者认为最明显原因是 economic。
• Apple 连续两个季度表示无法满足需求，因为 advanced nodes 的 TSMC capacity 不足。

5.2 AI 正在改变 TSMC 产能分配

• Tim Cook 在 earnings call 中说，March quarter 和 June quarter 的主要限制是 SoCs 所用 advanced nodes 的 availability，而不是 memory。
• 作者推测 Apple 可能把 Mac 的产能转给 iPhone chips，导致 Mac mini、Mac Studio 等也出现短缺。
• 核心判断是：Apple 不再拥有 flexible access to TSMC capacity，因为大量产能流向 AI。

5.3 Intel 获得机会来自 TSMC monopoly 的新风险

• 过去成为 Samsung 或 Intel 的 meaningful customer 很冒险：新 process 需要多年适配，且服务能力不一定像 TSMC。
• 但只依赖 TSMC 会产生更隐蔽也更大的风险：当 demand outstrips supply，客户会损失现实收入。
• 作者认为，AI 价值越大，未来无法获得足够产能造成的 foregone revenue 就越昂贵。
• TSMC 投资不够激进，最终可能把最重要的客户 Apple 推向 Intel，而 Apple 正是帮助 TSMC 成为 leader 的关键客户。

关键概念/术语

• Deployment Company：OpenAI 为企业 AI 落地建立的新组织，不是单纯咨询，也不是单纯销售，而是把 frontier AI deployment 工程师嵌入客户组织。
• forward deployed engineers：进入客户现场、把 AI 产品接入真实业务流程和数据系统的工程角色。
• enterprise philosophy：以 buyer 和 bottom line 为中心的企业技术哲学，目标是提高收入、降低成本，而不是先取悦终端用户。
• mainframe wave：作者用来类比第一波企业 AI 的历史样板：高层决策、流程重构、岗位替代、公司级效率提升。
• agents as replacements：agentic AI 的企业价值不只是增强员工，而是承担原本由员工完成的工作。
• reworking data：AI 落地前必须完成的数据整理、映射、语义化和可推理化工作。
• Ontology / Knowledge Catalog：让模型理解企业内部概念、文档、数据库表和可查询来源之间关系的数据层。

concepts｜2️⃣ 关键概念、概念网络

概念解析辞典

针对 The Deployment Company, Back to the 70s, Apple and Intel（Ben Thompson, Stratechery）的概念提取

一、核心概念解析（Core Concepts）

1. Deployment Company

• context：
• 费曼一下：这不是传统软件销售团队，而是“把模型送进企业现场”的组织机器；它卖的不是一个按钮，而是一套把 AI 变成业务结果的落地能力。

2. forward deployed engineers（前置部署工程师）

• context：
• 费曼一下：FDE 是站在客户业务现场的工程师，既懂模型和系统，也要理解客户流程；他的工作是把 AI 接到真实工作里，而不是在 demo 里展示能力。

3. tech companies deploying armies of humans（科技公司部署人力大军）

• context：
• 费曼一下：AI 越强，越暴露现实组织的复杂性；模型可以生成答案，但企业部署需要人去梳理流程、权限、数据、系统边界和责任分配。

4. as predicted（如预期发生）

• context：
• 费曼一下：这篇文章的基调不是新闻评论，而是理论回收：OpenAI 的新公司是作者此前“企业 AI 类似 1970 年代计算机化”判断的现实证据。

5. Back to the 70s（回到 70 年代）

• context：
• 费曼一下：70 年代 mainframe 的关键不是个人用户喜欢什么，而是大公司用昂贵系统重做后台流程；作者认为 AI 第一波企业价值也会这样出现。

6. Agents as replacements（作为替代者的 agents）

• context：
• 费曼一下：企业买 agent 的终点不是让员工舒服一点，而是让某些岗位或流程不再需要原来那么多人；“增强”是温和说法，“替代”才是经济逻辑。

7. enterprise philosophy（企业哲学）

• context：
• 费曼一下：consumer philosophy 问“用户想要什么”，enterprise philosophy 问“买方怎样改善利润表”；AI 在企业里会被后一个问题塑形。

8. top-down enterprise implementations（自上而下的企业实施）

agentic reading｜3️⃣ 费曼 x3