“企业搭上AI这趟车，可能得掏两回腰包。”——微软CEO Satya Nadella在7月12日发布的一篇长文中，点出了这个被大多数人忽略的关键问题。

“购买使用AI时，钱可能要付两遍！”

7月12日，Nadella的长文给出了一笔很少有人算清的账：企业购买AI，第一笔钱花在Token、API和订阅费上；第二笔钱，藏在公司交给模型的那份业务知识里。

举个例子：一个Agent改不好Bug，开发者得告诉它相关模块在哪儿、哪些表不能动、要跑哪组回归测试。几轮下来，Agent终于改对了，代码进了Git。但团队教给它的那套排障方法，很可能只留在了模型厂商的产品里。

Nadella把这个现象称作“反向信息悖论”。企业花钱买智能，还得搭上自己的经验，才能让这份智力真正为自己所用。

企业正在为AI付两次钱

“You essentially pay for intelligence twice.”——Nadella：从本质上讲，你为使用AI付了两次钱。

一笔钱给模型厂商，另一笔则是企业为了让模型变得有用，主动交出的专有知识。

这里借用了一个经典概念：诺贝尔经济学奖得主Kenneth Arrow提出的“信息悖论”。买家没看到信息之前，很难判断它值多少钱；等看完了，交易已经完成了。传统的信息交易中，卖家为了成交，必须承担知识泄露的风险。

AI把方向倒了过来。企业买到一个模型，直接拿过来往往不好使——它不知道你的代码结构、客户规则、审批习惯，也不清楚什么样的结果才算合格。想让模型干活，你得不断往里塞上下文，把内部知识一点点喂进去。

所以说，这笔钱，藏在每一句提示、每一次纠错里。

最值钱的知识，藏在每一次纠正里

很多企业知识其实并没有整齐地躺在数据库里。客服知道哪类投诉要升级，财务知道哪些异常值得追，程序员知道某个看似多余的判断为什么不能删。这些经验散落在人的反应里，平时很难被完整记录。

Agent倒是把它们一点点逼了出来。

Nadella：Prompt、工具调用和人工纠正，统称为“exhaust”。模型答错时，员工补上的那些内容，才是真实的工作流程。

开发者对Agent说“不要改账务表”，背后可能是一次线上事故；强调“必须兼容旧接口”，对应的是一批尚未迁移的客户；要求“先跑这组测试”，则来自团队踩过的坑。

每一次纠正，都在把人的判断压缩成组织知识。竞争对手很难直接买到它，但它却可能沿着一条条Trace、一轮轮Eval，悄悄流走。

使用模型时，企业也在生产自己的智能

“what you create should belong to you.”——Nadella：你所创造的东西应该属于你。

企业调用模型的过程，本身就在生产新的智能。这包括失败记录、验收标准、任务拆法、工具选择，以及员工在什么情况下决定接管Agent。

这里需要聊一聊训练政策。OpenAI公开表示，ChatGPT Business、Enterprise和API中的输入、输出默认不用于模型训练。Anthropic对商业产品也给出了相近承诺。

但问题依然存在：这些过程中形成的资产，能不能被企业完整保存和迁移？

团队如果只能带走最终代码，而Prompt、Trace、Eval和Agent记忆全留在某个平台里，换模型时就得重新教一遍。模型厂商没有拿数据训练，企业却依然可能失去自己积累的学习过程。

模型可以替换，学习循环必须留在公司

Nadella给出的方案：Control、Capability、Choice、Cost和Compound。

Control要求企业保留私有Eval、记忆、Trace、反馈和决策记录。Eval定义了公司眼中的“好”，这份标准交出去了，Agent就很难形成自己的判断。

Capability对应租户边界内的学习环境。模型可以接触真实工作流，但Prompt、工具记录和业务反馈仍由企业管理。

Choice和Cost落在编排层。某个模型涨价、下线或表现退步，Agent应该可以切换到其他模型。上下文也不必每次都全塞给最贵的模型，简单任务和复杂任务可以走不同路线。

前四项连起来，才有Compound。成功和失败都能回到下一轮Eval中，Agent每跑一次，公司的系统就多学一点。

模型可以换，Microsoft想留下总控台

Nadella提出这套理论，当然也带着微软的商业立场。

微软官方表示，任何公司都不该依赖单一模型或单一Harness。微软的IQ管理企业上下文，Agent 365负责权限、治理和可观测，Foundry承接模型调用与成本管理。

模型层可以放进OpenAI、Anthropic或其他供应商，而编排、数据、身份和账单，则留在微软的控制平面里。

这并没有让Nadella提出的问题失效，只是让他的答案多了一层商业含义。当模型逐渐变成可替换的商品后，价值会往编排层和企业数据层移动——而微软，已经在那里等着了。

有数据显示，上个月开放模型已占Vercel AI Gateway流量的29%。开放权重、本地部署和多模型路由受到关注，也与这种“随时能换”的需求密切相关。

开发者该怎样把经验留在自己手里

Nadella的五个词落到开发团队，可以从现有仓库开始改：

• Prompt要进版本库。长期使用的系统提示、任务模板和边界条件，需要像代码一样记录变更。哪次修改让Agent变好，哪次修改引入了新问题，应该可以追溯。
• Trace要能回放。模型看过什么、调用了哪个工具、在哪一步失败、谁进行了人工接管，都要留在企业自己的可观测系统里。
• Eval要像测试。团队需要把“任务完成”写成可运行的验收条件。修Bug要跑哪些测试，生成报表要核对哪些数字，碰到哪些操作必须停下来等待审批，都不能只存在员工脑子里。
• 模型层还要留接口。业务代码直接绑死一家SDK，后面每次换模都会牵动整条工作流。统一模型网关、工具协议和权限层，才能把Choice落到架构上。

最简单的检查方法：把当前模型换掉，跑一次核心流程。如果系统立刻停摆，说明团队依赖的已经包括一套带不走的隐形基础设施。

评论区把问题回给了Microsoft

Nadella的文章在LinkedIn上引来了不少讨论。

欧洲从业者Francesco Sodano提到，私有Eval还承担合规作用——它可以向监管机构证明企业如何定义正确结果、如何控制Agent，以及出了问题后能否还原过程。

也有人把矛头指向微软。一家公司先定义风险，再出售Agent控制平面，这套叙事需要保持警惕。

还有评论担心，知识复制成本越来越低，企业和开发者积累多年的经验被快速吸收，但归属和补偿却没有跟上。

写在最后

Nadella这篇长文，谈的其实是资产边界。

模型可以买，Token可以追加，但公司和开发者的学习循环，不能每换一家供应商就重新搭一遍。

对于开发团队来说，Agent交付的成果已经超出了最终代码。Prompt、Trace、Eval、工具链和人工纠正，记录了这家公司如何判断、如何犯错、又如何把事情做对。

这些东西留得住，AI才会越用越懂公司。