Harness之后，只剩兩種公司

撰文｜畫畫

最近有一個詞，在AI圈出現的頻率越來越高。不是Agent，不是RAG，也不是任何一個具體的技術名詞。

是 Harness。

變化，倒不是在定義上，而是說話的人變了。

最早，是工程師在代碼文檔里寫這個詞，意思很簡單，把一個能力接進來用。后來，它出現在架構討論里，是技術負責人在講系統設計。

再后來，它開始出現在CEO的演講里、戰略會的PPT上。

當一個詞，從怎么做變成為什么做，就已經不是技術問題了，開始變成一種組織能力。

但奇怪的是，當你去查這個詞，大多數解釋都停在解讀這個詞本身：駕馭、利用、借力AI。

問題是，什么叫駕馭？做這件事，企業到底要付出什么代價？

1、Harness，從來不是技術詞

Harness，本意是給馬套上挽具，它描述的不是制造力量，而是把力量接到自己身上。

這兩件事聽起來接近，但區別很大。制造力量，解決的是“有沒有”。連接力量，解決的是“有了以后怎么變成結果”。

歷史上，幾乎所有技術革命，都在重復這件事。

蒸汽機時代，瓦特解決了能不能讓機器動。但真正賺到錢的，是那些把蒸汽機接進工廠的人。他們要解決的不是機械問題，而是另一組完全不同的事：工廠要不要重建？人怎么分工？成本怎么算？產能放大之后賣給誰？

技術只解決了第一步，后面所有復雜度，都是接駁的代價。

電力時代更典型。發電機造出來之后，城市不會自動亮起來。有人要去鋪電網、設計計費、改造工廠、說服用戶。

一整套臟活累活，都不是發明家的事。

互聯網也是一樣。TCP/IP協議解決了連接問題，但沒有直接創造商業。真正改變世界的，是后來那些把互聯網接進廣告、零售、社交、媒體的人。

每一輪，都會分成兩類人：

一類人造出馬，一類人學會騎。而最后定義時代的，往往不是前者。

原因很簡單，技術只是潛力，連接才是現實。

放到今天，英偉達在造算力，OpenAI在造模型，Anthropic在優化安全。它們都在造馬。但問題是，馬有了，誰在騎？騎到哪里？騎出了什么？

2、第一批騎手，已經拉開差距

很多人以為Harness還是概念。

但它已經變成結果了。只是這些結果，看起來不像AI，而像業務變化。

Salesforce是一個值得細看的例子。

過去，它賣的是CRM系統，本質是記錄工具。銷售填數據，管理層看報表。

但在把自己定位于AI CRM，推出Agentforce之后，它開始做一件不同的事：讓AI直接參與銷售動作本身。

比如自動生成客戶溝通策略，根據歷史成交概率調整報價，在銷售還沒行動前，給出優先級排序。一個銷售在系統里看到的，不再是數據，而是下一步該干什么。

這不是功能升級，是角色變化。Salesforce沒有造模型，但它做了一件更難的事：把AI嵌進了決策環節。

微軟的路徑也值得關注。它沒有強調自己有最強模型，而是強調AI會出現在你每天打開的地方。

于是Copilot進了Word、Excel、Outlook、Teams。一個普通員工，不需要理解模型，也不需要改變流程，只是在寫郵件時多了一個幫你寫的入口。背后的邏輯是：Harness不只是連接能力，更是控制入口。誰控制入口，誰決定AI在哪里發生。

歐洲金融支付平臺，來自瑞典Klarna案例幾乎是反直覺的。沒有模型，沒有研究團隊，也沒有復雜的戰略。

只是把AI一段一段塞進客服流程，先替代FAQ，再處理簡單咨詢，再接管復雜問題的一部分。最后的結果是，AI完成了相當于700個客服的工作量。關鍵不是模型多強，而是它把一個復雜流程，拆成了AI能接手的顆粒度。

在中國市場，騰訊的思路不太一樣，喊出了Harness工程化，解決的是一個更深的問題：怎么讓會騎的人變多？

前面那些公司，多少都依賴少數團隊的能力。一旦要規模化，就會撞上一個現實，不是每個團隊都懂AI，不是每個業務都能從頭設計。

所以騰訊做的，不是給你一個AI產品，而是把接入AI的過程標準化，把能力封裝成組件，讓不同業務線可以直接復用。換句話說，它不是在騎馬，而是在修路，讓更多人能騎上去。

3、真正的門檻，不在AI，在企業自己

看到這些案例，很容易產生一個錯覺：只要愿意做，遲早能跟上。

但現實是，大多數企業卡住的地方，完全不在AI。

先說數據。AI像馬，但你得知道去哪。Salesforce之所以跑得快，不是模型更強，而是它有幾十年的銷售數據。這些數據的價值不在量，在結構。

誰什么時候成交，為什么成交，哪種客戶轉化率更高。這些才是AI判斷的依據，沒有這些，模型只能猜。 很多企業的問題是，數據存在，但不能用。分散在不同系統，格式不統一，沒有標簽，沒有歷史邏輯。

馬可以選很多匹，但沒有路。

再說場景。AI不理解戰略，只理解任務。真正的門檻是你能不能把業務問題拆成機器能執行的步驟。提升轉化率，太抽象。"對過去30天未成交客戶，生成三種跟進策略"，AI立馬能做。這中間的差別不是技術，是理解。

很多項目失敗，不是AI不行，是問題從一開始就沒定義清楚。

最后是組織，也是最容易被忽略的一層。AI接入之后，決策速度變快，結果不再完全可控。這會直接沖擊原有的管理方式。

典型表現是員工不知道該不該信AI，管理層不知道責任怎么劃分，流程反而變得更亂。很多公司導入AI后效率下降，不是技術問題，是組織沒有為"部分決策交給機器"這件事做好準備。

4、Harness真正難的，是那些臟活累活

如果把前面那些成功案例拆開看，會發現它們都做了幾件很不性感的事。

第一件，把隱性知識變成資產。公司真正有價值的東西，往往不在文檔里，而在老員工的判斷、項目中的經驗、沒寫下來的規矩里。這些東西決定了業務怎么運轉，但對AI來說，它們不存在。

Harness的第一步，是把這些東西寫下來、結構化、讓AI可以調用。這件事很慢，很枯燥，但不做，就沒有放大的基礎。

第二件，讓知識從人的腦子里搬到系統里。過去是人承載系統，現在要反過來，讓系統承載人。不是為了替代誰，而是為了讓能力沉淀下來，不跟著人走。否則AI找不到支點。

第三件，選AI的時候，別只看跑分。很多公司選AI的方式，像在選考試第一名。但真正重要的是匹配度，能不能接你現有系統？能不能理解你的數據？在你的行業里有沒有被驗證過？一匹賽馬，不一定適合拉車。

實際上，這已經不是趨勢了。當OpenAI在推崇，當微軟、SalesForce、騰訊這些巨頭們爭先騎馬的時候，它已經變成了一道分水嶺。

歷史上，每一次連接能力的革命，窗口期都很短。蒸汽機用了二十年拉開差距。電力和互聯網更快。AI，可能是最短的一次。

【版面之外】的話：

每一次技術浪潮，最后都只剩兩種人：那些重建了連接方式的，和那些沒有的。

這一次也不例外。

今天的差距，還能靠人補。 明天的差距，可能已經變成系統差距。

Harness這個詞，看起來只是一個新表達。但它真正意味著的，是從"有沒有AI"到"會不會用AI"。這兩者之間，不是漸變，是斷層。

這一次，慢一點，不是落后，是直接被甩出賽道。