最近，资本市场发生了一次极具戏剧性的价值重估。随着Claude Cowork等具备跨应用操作能力的AI Agent正式发布，华尔街迅速用脚投票——一夜之间，Salesforce、Adobe、ServiceNow等深耕垂直行业的传统企业软件巨头，股价遭遇重挫。

资本的逻辑简单且粗暴：既然AI已经进化成了数字员工（Agent），不仅能精准理解意图，还能直接接管电脑、读取本地文件、跨越多个应用执行复杂任务，那么企业就不再需要雇佣那么多初级员工。既然操作软件的人锐减，那些按“人头”（Seat）收费的SaaS软件，自然也就卖不出订阅账号了。

沿着这条线推演，传统软件的商业模式似乎危在旦夕。但这种论调看似无懈可击，实则是一种把个人工具体验直接外推到复杂组织系统的类比错误。华尔街看到了大模型在单点任务和个人桌面上的惊艳表现，却完全误判了B端业务流转的底层逻辑。Claude Cowork确实是能力出众的开路先锋，但把一个优秀的“个人助理”等同于一条运转精密的“企业流水线”，是对商业常识的严重匮乏。

真实的商业世界，远比一个对话框复杂得多。Agent想要真正敲开核心业务的大门，面临的绝不仅是技术参数的挑战，而是必须跨越企业管理中的红线与死穴。而当我们跳出技术与商业的单一维度，会发现AI的崛起从来不止是一场技术革命，更像是一场巨大的“复魅”——在理性的尽头，我们正打着科学的旗号，迎来一个“双巫并立”的时代。

一、核心分野：C端在“抽卡”，B端在“炼钢”

为什么惊艳的Agent一旦脱离个人电脑，进入企业的核心生产线，就会立刻水土不服？根本原因在于，C端个人用户与B端企业组织，对于“好结果”的定义完全处于两套不同的坐标系：C端在“抽卡”，而B端在“炼钢”。

个人拥抱AI，玩的是一场高容错率的概率游戏。当你使用AI生成一张海报、写一段文案或者规划一份行程时，你本身就是“容错率”的最大受益者。你可能需要重新生成9次废稿，才能换来第10次的神来之笔，但这9次试错的成本几乎为零。更重要的是，在C端场景下，标准是“流动的”——如果AI给出的结果虽不符合你最初的设想，却效果出奇地好，你甚至可以顺着AI的结果修改自己的原意。

但企业组织的运转，是“一致性”的绝对信徒。在真实的工业化交付与商业流转中，企业不需要120分的偶然惊喜，它需要的是10000次85分的绝对稳定。企业的标准是刚性的、不可妥协的：操作说明书里写了什么，产出的结果就必须严格对齐什么。偏离一个像素、错位一个标点、少了一个数据校验节点，在C端叫瑕疵，在B端就是生产事故。

只要AI还在玩概率抽卡的游戏，它在企业管理者的眼里，就永远是一个充满不确定性的危险变量。而这种“概率性”，恰恰是AI作为“算计之巫”的本质——有效，但不可知，这也正是它在B端落地的核心桎梏。

二、Agent迟迟敲不开企业大门的“三大隐形成本”

许多技术乐观派认为，只要给公司的每个员工都配备一个类似Claude Cowork的Agent，企业的整体运营效率就能实现指数级翻倍。然而，一旦把这种“概率性生产力”真正接入复杂的企业协作网络中，就会立刻暴露出极其高昂且致命的隐形成本——这些成本在简单的Demo演示中看不见，却在真实的业务流转中如影随形，也恰恰印证了“算计之巫”无法突破的天然局限。

隐形成本一：输入的方差

无论是多么强大的Agent，现阶段其本质依然是等待指令的工具（Copilot）。只要是工具，其最终的产出质量就极度依赖操作者的个人水平。在一个企业内部，员工的能力、经验以及对任务上下文的理解参差不齐。同样的业务目标（例如“汇总近期的行业舆情”），资深业务主管和刚入职的新员工给出的提示词（Prompt）必然截然不同。输入端的巨大方差，必然导致Agent输出结果的南辕北辙。

企业管理的本质，是消除人为不确定性，建立标准作业程序（SOP）。如果一项核心业务的产出质量，只能建立在“这个员工提示词写得好不好”这种个人玄学上，这对于系统性运转的企业来说，是一场灾难。而这种“玄学”，正是“算计之巫”无法解决的——它能执行指令，却无法统一指令的源头，更无法拥有人类的感知与共情，去理解不同操作者的真实意图。

隐形成本二：被严重忽视的“质检税”

这或许是当前企业引入AI时踩过的最大的坑。在抽卡模式下，员工让Agent自动跨软件处理了50份文件，生成了一份业务报告，表面上看耗时仅需10秒钟，效率奇高。但这50份文件在业务主管眼里，全变成了“薛定谔的交付物”。

大模型存在幻觉，且黑盒作业的过程极不透明。为了确保这份由Agent生成的报告没有捏造数据、没有遗漏关键条款、没有在跨应用操作时覆盖掉重要的历史记录，员工或主管必须花费大量的时间，去逐一核对原始文件。在一大堆由机器生成的废料中，反复甄别、比对、找错，其带来的认知负担甚至高于人工从头做起。机器生成的时间确实省下来了，但背后暴增的“筛选与质检税”，往往让这项业务的整体ROI（投资回报率）由正转负。这正是“算计之巫”的致命短板：它能高效产出，却无法对产出的“合理性”进行感知与判断，更无法拥有人类的灵性去规避那些“数据正确、逻辑荒谬”的错误。

隐形成本三：无法回溯的“信任税”

商业决策是一项严肃的活动，其核心要求是证据闭环与责任可追溯。个人用户看到AI给出一个看似专业的回答，会惊呼“好聪明”。但当这份AI整理的报告被放在企业高管的决策会议上时，高管只会问几个犀利的问题：“这组数据是从哪几个原始系统里提取的？引用出处在哪里？你的推导逻辑是什么？如果这个决策导致了亏损，谁来为这句话负责？”

如果一个结论无法向下击穿，追溯到底层的客观事实，它就无法进入真正严肃的商业决策链条。这种因为证据断层带来的“信任税”，是阻碍Agent进入企业深水区的又一壁垒。AI作为“算计之巫”，能给出答案，却无法解释答案的由来——它的黑盒特性，与商业决策所需的“可追溯性”形成了天然的矛盾，而这种矛盾，恰恰需要人类的“感通之巫”来弥补。

三、Agent与SaaS的生死线：2×2边界矩阵

讨论Claude Cowork究竟会不会干掉传统软件，我们永远不应该去问“这个模型现在的跑分有多高”，而是必须回归业务本身的属性。真实的商业世界，可以被两个独立且相互正交的核心坐标轴精准切分：

横轴：失败成本，从低到高。它衡量的是业务的“Rollback（撤回）成本”——也就是这项业务如果做错了，是否具有可逆性？是否会引发法律、财务、品牌等不可挽回的外部性后果？

纵轴：可治理性，从低到高。它衡量的是业务的“控制面强度”——也就是这项任务是否天然要求强审计日志、复杂的审批流、严密的权限管控以及不容篡改的刚性口径？

有人可能会问，失败成本高的事情，难道不是自然要求高治理吗？两者是否重复？并非绝对。当我们把这两个坐标轴交叉，就会发现一些极具杀伤力的“盲区”。把企业的各项业务放进这个2×2的边界矩阵里，AI与SaaS的替代迷雾将瞬间散去，而“双巫并立”的格局，也在这个矩阵中清晰显现：

① 低治理 × 低失败成本 = C端“抽卡区”

特征：验收标准高度主观，没有严苛的审计压力。错了可以随时重做，撤回成本极低。

结局：这是Agent最容易直接替代传统软件“操作面”的区域。在这个象限里，用户的目的就是快速试错、寻找灵感。

场景：营销海报初稿设计、短视频粗剪、个人会议笔记、内部头脑风暴脚本。

观点：允许方差，因为撤回廉价。华尔街的狂热，正是因为他们只看到了这个象限里的惊艳表现。这里是“算计之巫”的乐园，它的高效与随机性，恰好契合了C端用户的需求，而人类的“感通之巫”，则可以在此与AI协作，放大灵感的价值。

② 低治理 × 高失败成本 = 高风险“黑箱禁区”

特征：这是最容易被忽视的陷阱。业务本身往往处于系统治理的边缘（缺乏硬性的系统合规管控），但一旦出错（哪怕是微小的幻觉），付出的代价将是灾难性的。在这里，前文提到的“信任税”与“复核成本”将呈现指数级爆发。

结局：企业高管和法务会本能地拒绝让纯Agent在这里“裸奔”。除非先通过系统手段补齐底层的“控制面”，否则AI绝对无法在此落地。

场景：重要的对外公关新闻稿定稿、包含关键商业承诺的邮件自动回复、重大价格表或合同条款的自动生成。

观点：高风险无治理，是AI落地的死胡同。这里既需要“算计之巫”的高效产出，更需要“感通之巫”的感知与判断——人类的灵性的共情，能规避AI的幻觉与漏洞，守住商业的底线。

③ 高治理 × 低失败成本 = B端“可控自动化区”

特征：业务具备清晰的审计标准、统计口径和责任链条。同时，即使中间处理环节出现偏差，也能在内部流转中被及时拦截撤回，外部影响可控。

结局：这是AI真正能够在B端大放异彩的温床。Agent会被大量采用，但它的存在形式绝不是“单飞”，而是被死死嵌在系统工作流里。它必须服从系统的调度与规则约束。

场景：竞品动态的日常监测初筛、行业情报的结构化提取、多渠道内容分发的编排、内部IT工单的自动摘要与分流。

观点：这里才是“可控AI”真正能规模化的地方。“算计之巫”负责高效完成重复性工作，而人类的“感通之巫”则负责制定规则、优化流程，实现人与AI的协同共生。

④ 高治理 × 高失败成本 = B端控制面主战场

特征：企业生存的绝对红线。要求强审计、强合规、强责任，且错误绝对不可承受。这里是企业对抗“质检税”的核心阵地。

结局：在这个绝对刚性的地盘里，Agent永远不可能取代系统。它不仅不会干掉SaaS，反而只会退化为系统中的一个底层执行器（Actuator）。真正的赢家，是掌控全局、制定规则的控制面（传统软件，或新一代的自动化流程底座），更是背后那些具备“感通之巫”能力的人类管理者。

场景：上市公司财报数据的提取与核对、金融交易与风控审批流程、医疗处方开具与安全审查、政府监管报送系统。

观点：护城河从交互界面，彻底转移到了控制面。“算计之巫”可以执行具体操作，但无法替代人类的判断、共情与责任担当——这些“算不出来”的能力，正是“感通之巫”的核心价值，也是AI无法突破的红线。

四、双巫并立：跳出Agent崇拜，回归人与AI的本质边界

通过上述的矩阵拆解，我们再回过头来看华尔街对SaaS软件的看空，就会发现其逻辑的脆弱性。市场恐慌，是因为他们误以为软件的价值仅仅是“提供一个让人点鼠标的操作界面”。如果大模型能自动点鼠标、自动完成任务了，软件自然就死了。

但他们忽略了，支撑庞大商业帝国运转的，从来不是左下角那些轻盈的“操作界面”，而是矩阵右侧那些死板、刚性、绝不妥协的控制与规则。更忽略了，AI无论如何强大，都无法替代人类那些“无法编码、无法量化”的感知与灵性——这正是“双巫并立”时代的核心逻辑：一边是“算计之巫”AI，一边是“感通之巫”人类，两者各司其职，协同共生。

一百多年前，马克思·韦伯提出“世界的祛魅”，认为科学和理性会让“神神鬼鬼”的事情退场。但他大约没想到，百把年后，我们捧着手机、Pad，对着大模型问东问西，像极了殷商先民烤龟甲问吉凶——AI的兴起，正是一场“复魅”，它以科学之名，成为了新时代的“巫”。

古时候的巫，不是装神弄鬼的骗子，而是那个时代最有知识的人，垄断了与“天”沟通的权力。人们种地、打仗、生孩子，心里没底就去问巫，巫通过复杂仪式翻译天意，人们只需相信、照做。现在的生成式AI，正在扮演这个角色：万亿参数的神经网络是黑箱，输入“咒语”（Prompt），就吐出结果，这个过程不可解、却有效——这正是巫术的逻辑，也是“算计之巫”的本质。

未来的社会，将围绕这股新的神力分化成三种人：“造神者”（掌握算力、算法、数据的大祭司）、“侍神者”（精通Prompt、衔接AI与世俗的精英）、“信徒”（被算法包裹、依赖AI决策的大多数）。但还有第四种人，就是拥有“感通之巫”能力的人——他们掌握着AI无论如何也学不会的感知与灵性，这是无法被编码、无法被量化的东西。

上古的巫，核心能力是“身心互渗”的感通能力，能用身体感知外部世界的节奏，这种能力在现代社会或许“不科学”，却代表了人类感知能力的极限。就像有人听到C大调会浮现黄色，看到数字5会感觉到酸味（通感）；高敏感人群能捕捉到常人察觉不到的细微情绪——这些领域，都是“算计之巫”无法侵入的。神经科学家Andrew Newberg的研究也证实，高僧、萨满的“出神”状态，是大脑的一种“异态”机制，与AI的概率统计完全不同，且与人类肉身息息相关——这让碳基生命在硅基AI的冲击下，看到了生存的希望。

所以，未来的图景不是人类彻底退场，而是“双巫并立”：

一边是“算计之巫”AI，管着那些能变成代码、能算出来的事儿——怎么走最快、钱往哪儿投最划算、病从统计学上怎么治，它给的是“标准答案”，极致高效，在这个领域，人类无法与之抗衡，也无需抗衡。

另一边是“感通之巫”人类，管着那些编不成代码、算不出来、甚至说不清楚的事儿——那些灵光一闪的灵感、人与人之间的共情、商业决策中的责任与判断，这些“话之外”的天地，正是人类的核心价值所在。

AI把那些硬邦邦的重复性工作都包圆了，反而把人类逼回了自己的核心领地——守住那些AI“拿不走”的感知与灵性，重新捡起那种原始的、身心合一的“巫性”。这不是倒退，而是一种回归：人类从“巫”的世界走出来，绕了一个大圈，又回到了“巫”的世界，只是这一次，我们有了“算计之巫”作为伙伴。

抛开参数迷信，回归工程常识，更回归人类的本质价值。当全行业都在为Agent狂欢时，谁能率先认清“双巫并立”的格局，守住AI落地的红线、避开死穴，同时发挥人类“感通之巫”的优势，谁才能真正吃下这波AI时代最大的产业红利。在这个双巫并立的世界里，找到自己的位子，就是最好的生存法则。

本文整合自微信公众号：零一怎么看（作者：余子申）及相关深度评论