亚马逊 CEO 安迪·贾西（Andy Jassy）在与 a16z 的 Ben Horowitz、Erik Torenberg 对谈时，讲了一个周末原型的故事：周四敲定一个面向消费者的 Agent 构想，四五名员工利用周末协同，到周日就做出了他称约 80% 可交付的工作原型。Agent 是能调用工具、连续执行任务的 AI 助手；这里的 80% 是他对原型进度的估计。这一案例引出了访谈中的两项判断：AI 会改变团队怎样组织，也会改变企业需要做出什么样的产品。

一边是亚马逊全公司当年预计约 2200 亿美元的总资本开支投入，另一边则是团队规模与工作方式的调整：Jassy 预计，过去让员工只负责定价这一环节的过细分工会受到挑战，企业将更依赖借助 AI 工具、能跨职能推进项目的小团队。

组织重塑：从过度专精回到跨职能小团队

二十九年前，Andy Jassy 作为助理产品经理加入亚马逊时，曾同时负责大约五个产品。但随着企业规模扩大、产品体系变重，大公司普遍出现更细的人员分工：一个产品经理往往只负责单一产品的定价环节。许多人习惯将这种极端专精视为做大业务的既定路径，但 Jassy 认为这一预设并不成立，在 AI 普及后更需要重新审视。

这种机制上的提速与当年 AWS（亚马逊云服务）的诞生有内在关联。当年亚马逊发现内部产品团队要把 70% 到 80% 的时间耗费在重复搭建计算、存储和数据库等底层基础设施上，仅有 20% 的时间用于开发真正具备差异化的产品功能；通过把计算、存储等基础能力做成共享云服务，团队才得以卸下重复劳作。而在 Jassy 看来，大模型也正在带来类似的效果：在他看来，模型能在编码、客服、分析与研究等不同职能上，把工作推进到约 80% 的程度，让人从更高起点继续完成任务。这样，小团队成员便有机会跨过原先的专业分工，协作推进一件完整的事。

在亚马逊内部，这种变化由两个实际案例体现出来：

在底层工程上，Bedrock 是让客户调用模型的服务；而推理是指训练后的模型处理新输入并给出结果的过程，推理引擎则支持这一运行过程。Bedrock 团队由 6 名工程师耗时 76 天重写了推理引擎；据访谈中的估计，同一项工作若按过去的做法，可能需要约 40 人投入一年。在应用探索上，针对消费者业务的 Agent 构想，团队在周四商定后，4 到 5 人利用周末协同，到周日便做出了在他看来约 80% 可交付的工作原型（working prototype），这里的比例描述原型进度，展现出小团队在跨职能工具辅助下，能够在更短时间内跑通概念。

这种对既有运作方式的重新审视，在亚马逊此前的履约网络调整中也能看到。那是对物流网络本身的调整：在疫情期间，因客户和卖家的迫切需要，亚马逊选择优先快速扩容，在 18 个月内将搭建了 25 年的履约网络规模直接翻倍，并快速建起体量比肩传统快递巨头的最后一公里配送体系，即使当时许多环节尚未优化。高速扩张随之带来了成本与效率压力；团队随后用真实指标与坦诚讨论直面低效，再将美国全国网络重构为区域化网络，让货品更靠近客户、缩短运输距离，从而兼顾降本与提速。

面对技术与外部环境的变化，组织架构与用人规模同样面临调整。针对未来的岗位变化，Jassy 预期由于大量编程、客服和分析工作能够借助 Agent 推进，从事现有具体岗位的人员会比过去随业务规模线性堆砌时更少；与此同时，随着 AI、机器人和太空等领域的演进，也会催生一批已知与未知的新岗位。他没有对全社会的净就业增减给出定论，但指出企业内部将更依赖规模更小、能跨职能协作的团队去探索业务。

促使大企业加快这种组织调整的，还有来自初创公司的速度压力。Jassy 观察到，当前许多新公司从创立之初就是 Agent 原生或 AI 原生（agent/AI-native），成熟大企业也必须设法达到相同的建设速度。在他看来，拥有庞大业务和忠诚客户群的大公司中，总有一些行动迟缓，而动作慢的企业面对初创公司将更容易受到挑战。

约 2200 亿美元资本支出：数据中心与服务器的现金循环

与组织调整并行的，是基础设施建设的大幅提速。亚马逊预计当年资本支出将达到约 2200 亿美元。支撑这一决定的核心背景，是业务规模的扩张速度：Jassy 在访谈中对比指出，早期 AWS 开展三年后，业务年化运行率（run rate，即按当时收入速度折算全年的规模，而非三年累计营收）约为 6000 万美元；而在生成式 AI 发展的前三年里，仅 AWS 内部的 AI 业务年化运行率就已超过 250 亿美元，显示出当前需求的扩张节奏远超早期云业务。

面对资本开支对自由现金流的扰动，Jassy 解释了其中 AWS 两类资产的投入与回收节奏（也就是现金循环）：

首先是数据中心的土地、建筑与电力配套。这部分投资需要大约提前 2 年投入，之后才能安装服务器并产生收入。该项投资的使用寿命约为 30 年，且属于一次性沉淀投入，但长期资产寿命并不等同于自动获得 30 年的稳定现金回报。因为机房建设需要先期集中支付大笔现金，而在高增长阶段大规模同时兴建数据中心，现金先大幅流出、收入回收相对滞后，便会在初期阶段对自由现金流形成明显压制。

其次是服务器、加速芯片与网络硬件。这部分设备的采购提前期较短，通常只需数月，企业能够基于相对清晰的客户需求信号再做采购决策。硬件投入后平均约 3 年实现投资平衡，使用寿命约为 5 到 6 年，他还提到，当时正在做的大多数相关交易约为 5 年期。如果后续需求不及预期，企业可以通过放缓或缩减服务器采购来缓冲部分后续支出；但由于前期数据中心建设投入已经发生，电力、运维开支以及机房利用率依然会持续影响整体现金流表现。

此外，数据中心的大规模兴建也引发了社区与公共政策层面的讨论。Jassy 认为，金融、医疗、电商等现代数字化服务本就建立在数据中心之上；他将当前的 AI 算力基建比作 20 世纪 50 年代的国家公路与桥梁建设，并主张若放缓建设将面临落后于其他国家的竞争风险。针对外界关于资源消耗的担忧，他以高尔夫行业的总用水量与亚马逊全部数据中心作比较，认为后者少得多；他也指出备用发电机实际仅在极少数维护时间开启；对于电网负荷，他认为电网本身需要投资升级，随着容量扩建，部分地区的电价长期或将平稳。同时，他强调数据中心为地方带来了可观税收（如印第安纳州圣约瑟夫县约 30 亿美元税收），亚马逊也通过 Built Together 计划承诺未来五年向相关社区投入 10 亿美元，需要通过公私合作来平衡发展，而不能单凭需求旺盛就将扩建视作理所当然。

哑铃型需求与资源分配：长期客户与算力争夺的取舍

即便投入巨大的资本开支，算力供给依然面临紧张。据 Jassy 透露，目前大块算力容量中，当年可用额度基本售罄，下一年度大体售罄，甚至再下一年度也有相当一部分被锁定；不过 AWS 始终在 Bedrock 或 EC2 等服务中预留了一定比例的按需算力，并非所有资源被预订一空。他同时预计，关键组件的供给限制并非短时间内就能彻底消除，可能会持续数年。

在目前的市场中，Jassy 观察到算力需求呈现出两头集中、中间尚待释放的「哑铃型」分布：

当前 AI 的实际用法主要集中在哑铃的两端：一端是消耗惊人算力的顶尖 AI 实验室，以及少数像 ChatGPT、Claude Code 这样的爆发式应用；另一端则是企业已经用于控制成本与提升效率的具体场景，例如客服自动化、反欺诈和业务流程自动化。一家企业可以既在客服等环节采用 AI，又有大量其他业务应用仍沿用原有方式。Jassy 所说哑铃的中间，正是支撑企业日常运转的大量既有应用：其中一些已经调用模型，但绝大多数尚未广泛接入推理。在 Jassy 看来，当前用法高度集中在两端，而中间这批支撑日常业务的主流生产系统才是未来绝对规模最大的潜在增量；他认为这种采用会逐年扩大；拉长到五到七年的视角，相当多、甚至大多数既有企业应用都可能广泛使用推理。

这种供需环境也带来了资源分配的实际权衡。在内存资源供给有限的情况下，厂商需要在用于 AI 加速芯片的高带宽内存（HBM）与用于通用核心服务器的 DRAM 之间做出分配抉择。访谈中主持人提出一个假设性问题：面对新一代实验室愿为电力与芯片支付更高溢价的局面，云厂商是否会产生回购或挤占老客户常规算力配额转卖的冲动？

对此，Jassy 从客户长期成功的逻辑解释了亚马逊的取舍。在金融、医疗等领域，有许多长年使用 AWS 支持核心业务运转的成熟客户。如果为了短期的溢价去挤压老客户的正常扩容，会伤害长久建立的合作信任。他回顾道，在疫情期间，AWS 曾主动协助客户优化云架构与精简开销，即便短期内会降低亚马逊的云收入，但只要帮助客户在长周期中取得成功，云业务本身最终也会随之成长。因此，亚马逊的策略是尽力扩充供给，在保障核心生产系统平稳运行的同时支持 AI 业务扩张，并使供给扩张在经济上可持续。

自研芯片演进与推理成本门槛

要让哑铃中间庞大的企业主流业务逐步接入推理，Jassy 认为既取决于企业自身在模型微调、后训练以及业务优先级排序上的组织技能，也受制于推理成本。尽管近几年推理开销已有下降，但在他看来，若想达到广泛普及的程度，成本依然偏高大约一个数量级，也就是仍需再降至大约十分之一。若企业将原先在通用 CPU 上运行的应用重写为 AI 加速芯片驱动，高昂的算力成本会迫使重构必须带来更高的额外业务收益；降低推理成本，才能有效降低企业改造业务的门槛。

这种对性价比的诉求，促成了亚马逊自研芯片的三步演进：

1. 专用网卡（NIC）卸载负担：早期收购芯片团队 Annapurna Labs 时，初衷是解决一个更早的问题：服务器上虚拟化、网络、存储和安全占用了过多资源。通过合作开发专用 NIC 卸载这些基础组件，目标是让尽可能接近全部的服务器资源专门供客户计算使用。
2. 通用 CPU 芯片 Graviton：在通用计算领域，市场主力供应商缺乏推动性价比大幅改进的动力。Annapurna 团队随后打造了 CPU 芯片 Graviton。据 Jassy 介绍，其性价比相比其他 x86 处理器提升了约 40%，目前 AWS 前一千大 EC2 客户中有 99% 已普遍采用。
3. AI 加速芯片 Trainium：面对单一供应商主导的加速芯片市场，亚马逊组建团队开发了专门面向训练与推理的芯片 Trainium。按照 Jassy 的说明，其性价比相比同类处理器同样高出约 30% 到 40%。

自研芯片的进展，也与头部 AI 公司的合作形成了互补。亚马逊对 Anthropic 和 OpenAI 的投资，综合考量了对方团队的能力、模型技术水准、强劲的业务增长表现以及双方长期的业务协同。在具体合作上，Anthropic 将模型接入 Bedrock 并基于 Trainium 开展构建；而对于 OpenAI，双方推动将其引入 Bedrock，合作构建了有状态运行时（stateful runtime）环境，同时与 Anthropic 类似，OpenAI 也对 Trainium 作出了多年期、多吉瓦的算力承诺。在 Jassy 看来，Agent 执行复杂任务需要持续保存上下文与执行进度，有状态运行环境将是未来构建 Agent 的重要需求。

现实中的紧迫风险：网络安全与代码响应速度

相比公众讨论较多的远期风险——例如恶意僵尸网络失控或机器人被注入恶意意图，Jassy 认为这些情况未来也有可能发生，行业与公共部门需要共同应对；但他同时强调，目前更紧迫、且更容易被低估的眼前风险在于网络安全。大模型能够发现过去工程师未曾注意到的诸多系统漏洞，使得漏洞挖掘的效率显著提升。

造成防御方窗口急剧压缩的关键在于攻击手段的加速。AWS 在 Continuum 的技术说明中指出，攻击者利用前沿大模型，在漏洞披露后数分钟内就能编写出可用的利用代码（exploit code）。而在现有的企业运维中，安全流程通常包含发现漏洞、分类评估、开发补丁到测试部署的完整链条，即便补丁开发迅速，复杂的系统依赖关系仍会拖慢实际部署。因此在 Jassy 看来，面对这种速度失衡，未来系统应对安全威胁的响应要求必须达到分钟级。

这一预期对软件架构提出了新的要求：企业需要重写或调整代码，使其具备 Agent 交互能力（agentically capable），允许在严格设定的约束与边界内由 Agent 协助更新代码片段。与此同时，大模型与自动化的结合也能帮助防御方扩大渗透测试（即模拟攻击查找潜在漏洞）的覆盖范围，测出过去因人力有限而难以触达的盲区。针对这套防守流程，AWS 推出了安全服务 Continuum，当前能验证漏洞并生成补丁或代码修改请求，修复仍需人审核批准；官方将积累足够信心后、在预设约束内开展自动修复列为后续方向。如何在实际生产环境中既迈向分钟级响应、又确保自动化变更严密受控，仍是企业需要持续探索的工程挑战。

核心业务重塑：从 Alexa 到老牌产品的重新思考

在访谈中，对话双方将企业运用 AI 的路径梳理为三个层次：第一类是用 AI 缩减基础法务、财务或客服成本；第二类是从零打造前所未见的新产品；第三类则是对已有成功产品进行系统性重新设计。

在 Jassy 看来，面对代际技术变革，企业如果仅把 AI 视为渐进改良的工具，三到五年后很可能保不住领先的产品体验。团队必须跳出原有框架，去思考一个根本问题：“如果今天利用所有可用的全新 AI 技术从头开始做，究竟会设计出什么样的产品体验？”以语音助手 Alexa 为例，其最初打造时的“大脑”架构极具开创性，但在生成式 AI 出现后，技术能支撑的体验已大不相同，他认为需要重新设计 Alexa 的“大脑”，才能长期提供有竞争力的体验。

亚马逊对 Alexa+ 的技术说明给了一个具体任务：用户请它在喜欢的餐厅预订午餐，再把安排通知朋友。完成这件事，需要先调用预订服务，再通过消息服务通知联系人；模型生成一句回答，还没有把餐厅订好、把消息发出去。亚马逊为此重建了编排外部服务的架构，让模型能够串联多次服务调用。系统还需要核对信息、把请求交给合适的模型，并控制等待时间，才能让这些动作准确、及时地完成。这解释了“换脑”涉及什么：产品要承接的用户任务变了，支撑任务执行的系统也要随之重新设计。

这种重构通常面临双重惯性：一方面，工程师对亲手搭建的系统充满感情，也有基于以往经验总结出的工作准则，往往会本能地坚持过去证明可行的做法；另一方面，大量既有客户也对当前的使用体验产生依恋。Jassy 指出，要想推动这种根本性改变，前提是新技术、产品体验与商业理由必须足够强、足够有说服力；即便如此，推动改造依然是一场艰巨的变革管理，就像当年推动传统 IT 从本地机房向云端迁移一样，面临认知与习惯的双重转换。

在 Jassy 看来，这种重新思考并不局限于语音助手。亚马逊在零售电商、Prime Video、Fire TV 以及 Prime Music 等成熟业务上，也在推动团队尝试从零构想全新版本。虽然这些业务眼下并不像语音交互那样存在明显的替代急迫性，但他担心，如果现有企业仅停留在对老产品的局部渐进式改进，三到五年后可能难以继续保持领先体验。

这种从零构想并不限定一次性全部替换，团队在初期也很难一次做对。在落地推进上，企业可以采取更灵活的路径：既可以先探索某种独立的全新应用，也可以将那些经过迭代验证有效的元素，逐步融入到现有的核心体验中，在未来几年内循序渐进地改变整体用户体验。

年轻人的能力支点与多业务并进的管理准绳

针对年轻一代如何面对 AI，Jassy 的建议是不要回避工具，而是主动去学习和了解它、在日常中频繁使用，并勇于尝试那些超出自身舒适区的任务。他提到自己的两个孩子都不是开发者，但也通过主动学习借助 AI 构建应用，并将其融入日常工作。以商学院分析商业案例为例，过去阅读案例、摘录图表与提炼关键要点需要耗费大量时间，AI 能够让大家更快达到这一信息整理的基础起点。

但他同时指出，工具并不能替代批判性思考与综合判断。模型能够帮人更快走到较高起点，但如何把各种分散的碎片信息拼装在一起，形成整体的业务策略、产品逻辑或规划方案，依然高度依赖人的判断、创造力与实验能力。

而在大公司如何同时管理多条业务线的问题上，外界常有亚马逊是否战线过长的疑虑。Jassy 认为，这取决于组织的架构方式以及投入意愿。亚马逊在推进 AI、机器人、低轨卫星通信（Amazon Leo）、自动驾驶（Zoox）以及医疗等多元业务时，倾向于采用分散专责的组织模式，让专责团队配备合适的领导者与一线建设团队，避免让同一批管理者兼顾多项互不相同的业务。决定是否投入某项新赛道，主要权衡几项标准：新体验一旦做大是否对业务具有实质影响、团队是否有差异化的构想、目标领域中的客户需求是否尚未得到良好服务，以及公司是否具备长期持续投入的意愿。

Jassy 同时强调，专注于核心业务并持续深耕，同样是一种非常成功的商业战略。而对于选择多业务并进的企业而言，能否在技术变革中持续前行，关键在于既要保持现有核心业务的稳健增长，又要在具备合适团队与长期投入意愿的前提下，主动顺应趋势去解决那些尚未被满足的客户需求。

更小的团队可以从更高起点探索新想法，成熟产品也需要重新思考能为客户完成什么任务。这两种变化，构成了 Jassy 对 AI 时代公司运作的核心判断。