走进智能体企业：Dreamforce 2025 的七场对话

Matthew Berman 和联合主持人 Nick Wentz 在旧金山 Dreamforce 开始 2025 年 10 月 15 日的直播。他们介绍了来自 Formula 1、Salesforce、LIV Golf、Anthropic 和 Figma 的嘉宾。第一位嘉宾是 F1 技术项目负责人 Claire Sparks。

Sparks 负责企业技术项目和与技术伙伴的研究，协调人员、资源和投资。谈到 AI，她说 F1 仍处于采用初期，正在探索技术如何支持相对精简的团队、简化运营并与粉丝沟通。

Sparks 说 F1 自身约有 650 至 700 名员工，全球粉丝达 8.27 亿。她认为《Drive to Survive》等娱乐作品和 F1 电影帮助这项运动接触新观众。她表示粉丝中 43% 是女性、42% 不满 35 岁；这些数字是组织对观众的判断。

Sparks 说，她的团队在考虑投资回报的同时，也会考虑协调和人员配置。她将 AI 定位为支持已经熟悉工作的人，而非替代理解 F1 如何运营。

Sparks 说通常只有约 1% 的粉丝能够到现场观看比赛。因此，转播、电影和数字体验是帮助人们建立联系的重要方式。被问及车队如何用 AI 提升表现时，她说车队更适合回答，并转而介绍 F1 自身的运营。

在她描述的赛季，F1 要在 21 个国家举办 24 场比赛。某些专业岗位只有一两个人，Sparks 认为 AI 可能降低关键员工不在岗时的风险，帮助组织维持转播。

主持人问 F1 的粉丝群体如何变化。Sparks 说过去人们熟悉的粉丝形象是年龄较大的欧洲男性，而新粉丝来自更多地方，兴趣也不同。她认为这些差异促使赛事重新思考沟通方式。

赛事物流十分复杂：工作人员大约在比赛前十天抵达，除了场地提供的电力、水和混凝土基础，F1 还要带来设备。Sparks 描述了数百台摄像机和麦克风，以及向移动转播中心传输信号的线缆和遥测系统；国际信号随后传到 Kent 的媒体中心，再送往转播商。

Sparks 说，移动转播中心在每个赛道组装国际信号，Kent 再将其分发给全球转播伙伴。她用这个例子说明电视画面背后有多少基础设施。

Sparks 不能披露所有正在考虑的项目，但表示 Salesforce、AWS、Lenovo、Globant 和 Tata Communications 等技术伙伴各有专长。疫情后，F1 转向远程与赛道现场相结合的转播，大幅减少了现场人员。

Sparks 认为疫情促成了转播运营变化。她说组织后来保留了混合方式，现场人数显著减少，说明一次冲击可以带来持久的运营重设计。

主持人问，未来自动驾驶汽车是否会改变人们对赛车的关系。Sparks 强调人类车手的判断、反应速度和意识，并说粉丝也想了解机器背后的人：他们的日常、体能、心态和故事。

主持人将 Sparks 对车手故事的重视与 AI 生成媒体联系起来。Sparks 说，人们想看看幕后：车手如何在两个小时内保持专注，以及如何应对赛车的体力要求。在她看来，这种人与人的联系仍是吸引粉丝的核心。

Sparks 认为，接触粉丝要找到他们已经活跃的地方，从流媒体平台到 F1 Arcade 等线下体验。她也强调高速驾驶背后的体能准备，并说技术可能拓展转播、产品和内部运营，但没有承诺具体的未来功能。

Sparks 不愿只选一个未来技术机会。她认为转播、粉丝参与和内部流程都有潜力，同时指出赛车制造商会自行决定车队技术。

被问及最喜欢的观赛方式时，Sparks 赞赏 F1 TV 的技术讨论和比赛策略分析。她说，现场赛车一闪而过，而转播可以解释轮胎选择、车库决策以及队友如何协作。

Sparks 认为 F1 TV 的解说有助于理解车队策略和轮胎决策。她指出，现场观众能直接感受盛况，而详细的转播可以解释车库里发生了什么以及原因。

Sparks 回忆小时候看 Monaco 比赛，后来住在 Melbourne 的 Albert Park 附近时参加了澳大利亚大奖赛。她对赛事物流着迷：主办方在 F1 十天的准备期之前很久就开始搭建看台、桥梁和其他设施。其他赛车系列和活动也让赛事不止于正赛。

接下来是 Salesforce 首席科学家 Silvio Savarese。被问及模型是否领先于企业部署时，他说智能体不只是 LLM：它需要记忆和检索、推理引擎、通过工具行动的能力以及界面。连接这些部分的基础设施决定客户能否有效使用它。

Savarese 对比了追求通用智能与企业需求。模型可能在创意或数学任务上表现惊人，却无法完成常规业务任务；客户关心特定流程的一致性和准确性。他说 Salesforce 为开发者生产力、信任和嵌入构建模型，也使用其他模型。

Savarese 表示，Salesforce 的自研工作包括信任层模型，以及用于检索增强生成的嵌入模型。公司也用更广泛的基础设施连接数据和行动；他并不认为单靠 LLM 就是完整的企业解决方案。

他将 Enterprise World Model 模拟环境描述为压力测试智能体的方法。在他看来，随着现有训练数据和扩展方法受到限制，从互动和反馈中学习提供了另一条路径。智能体在模拟环境中尝试任务，其成功或失败可以用于改进提示词、上下文和强化学习微调。

在 Savarese 描述的模拟环境中，智能体尝试任务并获得成功或失败的反馈。他说，所得经验既可以改进提供给智能体的上下文，也可以用于进一步微调模型，包括强化学习。

谈到责任，Savarese 说智能体部署前需要达到足够高的性能。他认为考试和定理证明基准不一定能衡量智能体是否在金融、医疗、销售或客服中回答了正确的问题，因此企业需要针对这些任务的评估。

他解释说，从研究到产品的路径始于基础研究和客户合作。团队识别痛点、开发原型，再把成功的概念验证交给工程和产品团队。他以与客户共同孵化的 Atlas 推理引擎为例；他估计试点可能需要数月，稳健的测试版大约需要六个月。

Savarese 表示，成功的研究想法会在成为产品前与客户一起孵化。他给出的时间只是项目可能如何推进的示例，并非每个研究项目都能投入生产的承诺。

Savarese 将智能体描述为可能提升人力效能的工具。人们可以为任务选择和编排工具；当工作过于复杂时，另一层编排可能协调多个智能体。他还设想跨组织的智能体通信，并将其作为未来值得讨论的方向。

他设想为复杂工作增加一层智能体编排，并最终实现跨组织的智能体通信。他将其作为可能的方向，而非已经完成的系统。

Wentz 问，管理智能体是否只是用另一种繁琐工作取代原来的工作。Savarese 强调，智能体不确定或遇到冲突时，人应继续参与并提供反馈。他认为这是迭代式增强：例如产品经理可以与 AI 一起开发和修改原型，而不是只要求一个成品。

作为增强的例子，Savarese 描述一位产品经理使用 AI 为客户会议制作原型。人提供想法、审查结果并要求修改，直到原型达到所需标准。

被问及人类是否会一直处于工作流程的起点和终点时，Savarese 描述的是一个转型过程，而非固定终点。他说，随着人们学习这些工具，工作和编排角色都会演变，但技术本身还在变化，很难预测具体形式。

让他兴奋的一个领域是环境智能：智能体不只是响应明确请求，还可能跟随对话并主动提供有用信息。销售代表可以在会议前获得客户背景，并在会议中得到相关细节，未来可能通过眼镜或音频界面提供。

对于销售会议，Savarese 设想助手提前准备相关文件，并在讨论期间提供背景信息。他认为未来的眼镜和耳机可能让用户无需看传统屏幕即可接收这些信息。

Savarese 设想个人智能体帮助购物、旅行等任务，改变人们与数字服务互动的方式。他还谈到与妻子 Fei-Fei Li 的家庭对话，包括教育和双方的研究兴趣：她在空间和世界模型方面的工作与他早期的 3D 视觉研究相关。

被问及与另一位 AI 研究者 Fei-Fei Li 的家庭生活时，Savarese 说，除了研究，他们也讨论家庭安排和孩子教育。他描述了双方在数字智能体与空间或视觉智能方面互补的兴趣。

LIV Golf 首席执行官 Scott O’Neil 将联赛描述为结合个人和团队比赛、全球赛程，以及音乐会等活动体验。他介绍的赛制中有 13 支球队，让球员在个人排名之外拥有团队身份。

O’Neil 说，LIV 将个人排名与可能具有地域身份的球队结合。他还强调高尔夫之外的音乐会、艺术和时尚，并将整个活动的氛围与 Dreamforce 相比。

O’Neil 说 LIV Golf 是主席 Yasir Al-Rumayyan 的想法，Greg Norman 在他之前领导联赛。他借鉴自己在 NBA 和其他体育组织的经历，将 LIV 描述为一家处于早期、资金充足并试图在全球推广高尔夫的企业。

与 Salesforce 的合作包括 O’Neil 所说的“粉丝球童”：一个旨在回答球员、比赛和活动现场位置等问题的助手。他说约 30% 的到场者此前没有参加过高尔夫赛事，因此容易使用的向导很有价值。

O’Neil 用自己在北爱尔兰球场遇到一名人类球童的故事解释粉丝球童的想法。知识丰富的向导可以介绍球场并帮助新手做选择；他希望观众也能获得类似的信息来源。

O’Neil 将粉丝工具与面向转播商的 Agent Caddie 区分开。LIV 采用同时从不同球洞开赛的方式，他说这让一轮比赛更紧凑，但使转播叙事更加复杂。这个助手旨在提示正在发生的事情以及接下来可能值得关注的内容。

转播助手旨在帮助解说员同时跟踪不同球员，判断该报道哪些正在发展的故事。O’Neil 将它比作制片人的支持，并说用户可以实时追问。

合作是在赛季中开展的，O’Neil 说联赛边运营边建设，预计休赛期可以进行改进。被问及 AI 增强竞技表现应在哪里划线时，他讨论了训练、营养和伤病分析的兴起，没有给出具体界限。

O’Neil 说，团队赛制让球员及其家人在这项传统上偏重个人的运动中拥有更多共同体感。他还描述了职业生涯中对睡眠、营养和体能训练越来越有意识的变化。

O’Neil 认为，高尔夫的球杆角度、速度、旋转、风和轨迹等精确变量让它适合分析。他说球员普遍使用 TrackMan 和手机等工具测量击球；他没有看到高尔夫中广泛使用增强现实眼镜。

谈到商业战略，O’Neil 说联赛的结构性成本很高，需要增加收入。他列出门票、高端体验、赞助和电视转播为主要收入来源，商品、停车和餐饮也有贡献。

他将 LIV 试图改变高尔夫赛制与其他运动为改善节奏或流畅度所做的改变相比。他还赞赏高尔夫的诚信、韧性和社区传统，明确这是他对这项运动的看法。

对于远程观众，O’Neil 介绍了应用功能 Any Shot, Anytime。他说该功能使用 AI，让赛事击球画面可按需观看。他更大的目标是讲述球员及其家人的故事，因为技术可以帮助观众与运动背后的人建立联系。

他回忆 Abraham Ancer 失去领先优势后，队长 Sergio García 安慰他的情景，用来说明竞争、同理心和团队高尔夫。他还讨论了系列节目《Live to Win》第一季，表示其中缺少一些主要明星，希望第二季能讲述更完整的故事。

O’Neil 说《Live to Win》前四集在 FS1 等平台播出，包括 YouTube。他希望第一季先发布，而不是为了完美而搁置，但表示后续一季应该有更多联赛知名球员参与。

Salesforce 董事长兼首席执行官 Marc Benioff 加入主持人的对话。他对 Figure 的人形机器人演示感到兴奋，设想打扫和洗衣等家务。这些是愿望和预测，并非访谈证明已具备的能力。

被问及与 OpenAI 的合作时，Benioff 说 Salesforce 希望将 AI 带入产品。他将 OpenAI 使用 Slack 和 Salesforce 工具作为他希望构建的智能体企业的例子：人与智能体在业务流程中协作。

Benioff 说，他最初通过 Sam Altman 了解到 OpenAI 使用 Slack，后来又听 OpenAI 首席运营官 Brad Lightcap 介绍其工作流。他将这种客户关系作为 Salesforce 希望把智能体整合到自身产品中的一个例子。

Benioff 回忆创立 Salesforce 时的想法是让软件可以通过网络访问。他说现在会使用 ChatGPT 准备采访问题，同时也意识到语言模型的局限。他关心的是如何把类似帮助带入工作。

Benioff 在手机上介绍如何在 Slack 中使用 Agentforce 处理客户续约，并说 Salesforce 帮助网站可在需要时将用户从智能体转给人工。他用这个例子说明智能体嵌入工作流程并支持人工升级。

主持人问，ChatGPT 或 Slack 是否适合较轻的工作，而更深入的工作仍留在 Salesforce 界面。Benioff 反对僵硬的划分，认为关键取决于具体场景：智能体可以协助销售、服务及其他流程。

Benioff 认为智能体会存在于不同的业务流程中，而不只是“轻量工作”。他说 Salesforce 过去错过了许多潜在回访，并称其销售智能体在所讨论的一周联系了 50,000 名客户；节目没有独立核实这一数字。

被问及个人和工作智能体最终是否会合为一体时，Benioff 说当前系统可能混淆不同上下文。他预计会经历一段不太顺畅的过渡期，个人与业务用途以及销售、营销和服务等职能仍会有一定分离。

他举了一个与家中设备有关的现场服务例子。使用 Salesforce 的技术人员可以查看记录，并在设想的智能体工作流中先向智能体求助，必要时再转交给人工。Benioff 说，这段互动随后可以成为服务记录的一部分。

在 Benioff 的现场服务情景中，智能体补充了技术人员已有的客户、设备和过往服务记录。人工同事仍可接手处理，他预计这段互动会丰富记录，供未来服务使用。

话题转向旧金山，Benioff 说自己是当地第四代居民。他赞赏这座城市的历史，将 AI 描述为当地又一波创新。他说 Salesforce 将 Dreamforce 留在旧金山，并谈到活动安保和城市从疫情时期恢复的情况。

Benioff 将旧金山描述为一座不断经历创新浪潮的城市，并说 Dreamforce 持续吸引人们来到这里。他的描述带有个人和宣传色彩，反映了他与城市的联系及其作为会议组织者的角色。

Benioff 提到公司和个人对当地医院、学校和公园的慈善支持，以及志愿工作和 Salesforce 的 1-1-1 捐赠模式。这些是他自己提供的数字和描述。他推荐 Presidio Tunnel Tops 公园作为适合家庭的地方。

Benioff 说，Salesforce 和他的家庭支持当地学校、儿童医院和公园。他还介绍公司的慈善与志愿者计划，将其视为回馈社会的更广泛责任的一部分。

谈到未来工作，Benioff 说 Salesforce 的服务人员比一年前减少，销售人员增加，并将人与智能体描述为共同工作。他称在九个月中，160 万次人工对话和 160 万次智能体对话的客户满意度相近；这些是他的说法，并非独立评估。

在人员配置的例子中，Benioff 认为一些销售工作仍受益于面对面沟通。他说编程工具能提高人的生产力，同时让人继续参与。他报告的服务指标本身不能证明人员变化的原因。

Benioff 认为语言模型仍有局限，人们在未来一段时间仍会参与工作。他对世界模型和 Fei-Fei Li 的研究感兴趣，并不认同当前系统已经实现 AGI 的说法。他的定义和时间线是对一个存在争议且不断发展的领域的观点。

Benioff 认为下一代模型可能帮助解决他在以语言为中心的系统中看到的局限。他提到世界模型是一条研究方向，并指出现代 AI 建立在数十年先前工作的基础上。

他再次提到 Figure 创始人 Brett Adcock 对机器人的雄心预测，并将其与当天会议上没有机器人四处行走的现实作对比。Benioff 呼吁现实地看待当前能力，并将技术富足与他支持公共服务和当地社区的兴趣联系起来。

思考关于自主机器人的雄心主张时，Benioff 呼吁观众区分当前证据与预测。他再次将慈善和公共机构作为自己技术进步愿景的一部分。

Anthropic 首席商务官 Paul Smith 表示，他加入公司是为了帮助企业采用 AI，同时将研究团队的成果商业化。在企业软件行业工作数十年后，他希望在前沿模型提供商工作，运用自己在组织技术采用方面的经验。

Smith 说，研究和产品发布的速度吸引他加入一家前沿模型提供商。他所描述的角色是将研究与企业客户连接，同时维护 Anthropic 所宣称的安全和信任承诺。

Smith 讨论与 Salesforce 的合作：Claude 用于 Slack，他说 16,000 名 Salesforce 开发者使用 Claude Code。他介绍了在 Salesforce 可信边界内为受监管客户提供首选模型的安排，并说该安排围绕数据控制和私有云环境设计。

Smith 描述了一种更紧密的合作关系，两家公司协调产品路线图，而不是将模型提供商视为可互换的供应商。他预计企业会根据不同需求使用多种模型和提供商。

Smith 说，企业客户可能通过多种方式接触同一个模型：通过基于 API 构建产品的初创公司、直接向开发者部署 Claude Code、Salesforce 智能体，或服务特定领域的专业提供商。他认为这些渠道相互补充，而非直接销售与间接销售之间的简单选择。

他预计大型公司会直接使用 Claude Code，同时也通过 Agentforce 等产品和专业应用使用 Claude。在他看来，通过合作伙伴销售与直接向企业销售可以并存。

被问及基于前沿模型的企业能否在推理成本下盈利时，Smith 说 Anthropic 看到了真实企业价值的证据。他介绍了多年期客服合同和银行的了解客户流程等场景，同时强调收入最终必须来自拥有可持续业务的客户。

Smith 说 Anthropic 有意专注于企业。他提到与云伙伴合作，以及当天早上发布 Claude Haiku 4.5，并认为编程工具可以成为进入更广泛业务场景的入口。他举出的例子包括欺诈检测、客户尽职调查和药物开发文档；这些收益是公司或客户的目标。

Smith 举例说明编程工具的采用可能引出更广泛的智能体项目，从金融服务到制药文档均有涉及。这些例子说明他的商业策略；其声称的收益并未在对话中独立测量。

主持人问及平台风险：模型公司发布产品时，可能与基于其模型构建产品的开发者竞争。Smith 说 Anthropic 希望作为企业提供商避免这种冲突，并认为受监管客户需要持续关注安全、可解释性和监管要求。

他认为 Anthropic 对企业客户的重视影响了其在信任、可解释性和受监管行业需求方面的投资。主持人认为，这种定位可能减少与基于该公司模型构建业务的企业之间的冲突。

关于国际扩张，Smith 预计将在英国、法国、德国、印度和日本等市场建立本地商业与应用 AI 团队。他说大型客户希望专家到现场工作，但 Anthropic 计划通过 Salesforce 和咨询公司等伙伴扩展，而不是让销售队伍随收入线性增长。

Smith 说，本地团队很重要，因为客户经常要求应用 AI 专家到现场合作。但他仍预计咨询公司和平台伙伴能够将 Anthropic 的服务范围扩展到自身员工无法覆盖的地方。

被问及监管是否会拖慢初创公司时，Smith 说他既希望创新，也希望 AI 安全可信。他将宪法式 AI 和可解释性研究视为有助于银行及医疗行业采用的投资。这些是他对方法的主张，并不能保证任何模型的输出或监管合规。

Smith 将宪法式 AI 和机制可解释性描述为可能使部署对受监管客户更有用的安全工作。他认为安全与创新可以相互促进，但在访谈中没有提出详细的监管框架。

Figma 首席技术官 Kris Rasmussen 解释说，Figma 是一个设计与产品开发平台。他说 Figma Make 利用 AI 将 Figma 设计和提示词转化为可运行的原型或网页体验。该产品使用 Anthropic 的 Claude 模型，并将生成的工作连接到更广泛的 Figma 设计环境。

Rasmussen 区分了纯提示词工作流和允许团队探索、改进设计的工作流。团队可以先生成初始设计，利用视觉工具协作，再把这些上下文送回 Figma Make。他认为 AI 加速了设计与工程之间的迭代关系。

Rasmussen 描述的 Figma 工作流可以从提示词开始，接着进行视觉探索和团队协调，再将这些上下文提供给模型。他认为，与孤立的提示词转代码工具相比，周边设计生态是一个差异化因素。

他预计角色会更加融合：设计师可以把代码当作工具，工程师和产品经理也可以用视觉方式表达想法。他并不是说每个人都会成为设计专家；相反，个人可以把想法具体化，为设计团队提供更好的素材。

被问及设计职业时，Rasmussen 说编程变得更容易后，人们会更关注选择正确的体验、分享原型和协调团队。生产更多软件不会自动产生好的软件。他认为，当团队能够迅速创造多个方案时，意图、品味和协作变得重要。

Rasmussen 说，更容易制作原型使分享备选方案和决定哪些值得交给用户变得更加重要。如果缺少这种选择，快速生成可能带来混乱或低质量的体验。

Rasmussen 说，设计不仅关乎外观：设计师思考整个系统、用户的心智模型以及体验引发的情绪反应。他相信品味可以学习，即使有些人一开始更有优势，AI 也可能帮助非设计师更清晰地表达想法。

他说设计是一项可以学习的技能，AI 可以帮助没有正式训练的人把想法可视化。这不会让每个用户都成为顶尖设计师，但可以改善他们与负责最终体验的专业人士之间的沟通。

主持人将这一观点与同理心和系统思维联系起来。Rasmussen 说，这些技能本来就有价值，但 AI 可以腾出更多时间关注它们。即使编程模型减少了修复问题所需的实现时间，他仍需要关注数据库性能等细节。

Rasmussen 重点介绍的一个项目是 Figma 的 MCP 服务器。它可以向编程智能体提供设计上下文，使其在考虑现有代码的同时转化设计。在他描述的例子中，开发者向 GitHub Copilot 提供 Figma URL，后者通过服务器请求设计上下文并结合现有代码库工作。

在他的 MCP 例子中，开发团队向编程工具提供 Figma 设计的 URL。工具通过服务器检索上下文，并与现有代码库协调；这是结合视觉规格和实现上下文的一个例子。

被问及未来神经网络生成整个软件体验的可能性时，Rasmussen 说这在理论上可行，但面临性能和设计挑战。在这种极端情景下，上下文和品味会更重要，而人们仍需要就可预测、能保留组织身份的体验达成一致。

Rasmussen 提醒，模型生成的界面仍需要一致性、共同预期和组织身份。他将完全生成的软件视为理论上的可能性，而非必然或即将推出的产品。

Rasmussen 将极端个性化与对一致性和用户肌肉记忆的实际需求作对比。他认为未来设计系统可以规定边界，让模型在边界内自由发挥。这种系统的确切形式仍是一个开放的设计问题。

在 Figma，团队使用自己的设计工具，也使用包括 Cursor 和 Claude Code 在内的 AI 编程产品。Rasmussen 说公司不拘泥于某一种工具，并尝试对开放权重模型进行后训练。他预计未来界面将使用更丰富的视觉和其他模态，而不只是线性聊天。

Rasmussen 说 Figma 使用自己的画布和 FigJam 制作简报与草图，让设计师和工程师在共享空间中考虑不同方案。公司也探索开放模型，使用多种编程工具，而不是要求使用单一首选模型。

Rasmussen 说 Figma 约三分之一的用户是设计师，其余用户担任其他角色。产品经理、营销人员和高管也参与产品开发；他预计 AI 会帮助更多人贡献，同时仍为专业设计保留空间。

Salesforce AI 副总裁 Nancy Xu 解释说，她在 Agentforce 的工作覆盖智能体开发生命周期：构建工具、帮助客户重新组织工作流，并观察智能体在生产环境中的表现。她认为，仅有强大的模型不能让企业智能体取得成功。

Xu 将数据连接、工具和信任层列为必要的支撑结构。她介绍了在 Dreamforce 宣布的 Agent Script，称其旨在让智能体行为更加可预测、可控。例如，回答退休账户转移问题还不够，智能体还必须遵循相关业务流程。

Xu 说，对话模型听起来可能很有帮助，却没有遵循完成业务交易所需的流程。Agent Script 旨在为这种行为增加控制；访谈没有证明仅靠脚本就能消除错误。

主持人对比了创意任务与智能体必须选择正确产品或遵循可重复流程的情景。Xu 提到客户 1-800Accountant，称其在税务查询中实现了 90% 的转接减免率。这是公司展示的客户指标，并非普遍准确率的衡量。

Xu 认为评估和可观测性是重要机会。客户需要看到生产环境中哪些互动有效、哪些无效，将这些信号反馈给构建者，并协调多个智能体。她将其描述为持续的开发生命周期，而非一次性部署。

主持人指出，评估经常被当成事后补充。Xu 说客户需要根据自身业务目标衡量智能体，而 Salesforce 会测试模型变更，以防升级在没有察觉的情况下降低性能。

Xu 说 Salesforce 也会在内部对模型更新进行基准测试，包括 OpenAI、Anthropic 和 Google 的版本。目的是帮助客户了解更换模型是否改善或降低其具体场景中的智能体表现，而不是假设新模型必然更好。

Xu 以招聘公司 Adecco 为另一个合作伙伴，称其非工作时间的候选人案例约有一半通过智能体得到成功处理。她此前在 Moonhub 从事招聘和其他垂直领域智能体工作。这项客户指标是她对部署情况的描述。

被问及劳动力市场时，Xu 承认 AI 正在迅速改变工作，速度可能快于以往技术变革，但她表示乐观。她设想更多员工管理智能体、委派执行，并关注任务背后的战略原因。

Xu 对智能体管理者的设想让员工更加关注决定哪些结果重要，并将具体步骤委派出去。她承认，尽管自己对新角色持乐观态度，变化速度仍带来了严肃的劳动力市场问题。

她的长期愿景是一个能够长期追求目标的智能体，例如在六个月内提高客户满意度，并用模拟和评估指导工作。这是未来情景，而非已经展示的成果。主持人问管理是否会变得繁琐；Xu 则强调战略协作。

谈到模型格局，Xu 预计通用和专业模型会并存，而非出现唯一赢家。她说客户已经在不同提供商之间选择，为医疗、法律或金融训练的模型可能服务特定领域。她希望 Agentforce 支持多种模型和跨平台通信的智能体。

Xu 还讨论通过 A2A 进行智能体通信，并问协调系统应理解为一个带子智能体的智能体，还是多个协作的智能体。她说，对 Salesforce 而言，互操作性和编排是关键设计目标。

Xu 说责任取决于具体情况。她区分了模型训练中可能出现的版权问题和平台处理用户数据的问题，但没有给出法律判断。她的实践建议是从一开始就构建安全和信任，并让业务领导者与开发者共同参与。

作为责任归属的例子，Xu 指出 AI 系统的不同层次：基础模型，以及向模型发送用户信息的平台。她表示责任取决于情境，并强调业务领导层参与可信部署的重要性。

采用既可能自上而下，也可能自下而上。Xu 说，复杂的服务中心智能体通常需要协调团队和领导层承诺，而文档摘要等范围较窄的工具可能由个人用户推动传播。访谈以致谢结束，主持人也结束了 Dreamforce 直播。

对于简单的任务型工具，个人可以发现一个智能体并推荐给同事。Xu 说，对于深度集成的服务中心智能体，实施则需要协调、领导支持，以及未来使用者的持续参与。