Freshworks 首席执行官：为何敏捷型企业正在人工智能竞赛中胜出——以及它们采取了哪些不同做法
一句话看懂：Freshworks CEO Dennis Woodside 在 2026 年 5 月的一篇专栏中提出，企业 AI 投资失败的主因并非模型本身，而是底层运营环境未经变革。他通过 Seagate、New Balance 等案例论证，在 AI 竞赛中领先的关键在于重建业务流程、整合数据基础，而非简单堆叠算力或复制旧有系统。
事件核心：发生了什么
Woodside 在 5 月 17 日发布的文章里，以存储巨头 Seagate 为例说明：该公司的 IT 团队在三个月内将全球 3 万名员工迁移至新系统时，选择了放弃遗留流程、重建服务目录和 SLA 体系，而非“复制粘贴”旧配置。一年后，部署在此基础上的 AI 代理能够自动拦截约 1/3 的工单，首次联系解决率高出行业标准 27%。Woodside 同时引用了 MIT 和 BCG 的数据：95% 的生成式 AI 试点未能规模化上线；60% 的公司从 AI 中未产生实质性价值。他领导的 Freshworks 即将发布的《复杂性成本》研究进一步指出，四分之一的 AI 预算被集成工作、数据清理和系统对接所吞噬。
为什么重要
该观点直面了当前行业的核心悖论：大模型能力快速迭代，但企业级 AI 落地依旧困难重重。Woodside 明确区分了“敏捷型企业”（500-20000 名员工、精简 IT 团队的公司）与传统巨头在 AI 投资上的不同命运——前者没有后者的数亿美元转型预算来覆盖集成成本，因此任何 AI 项目都必须在可运行的环境上产生可度量的结果。文章实际指向一个更深的行业判断：AI 商业化的瓶颈不在算法精度，而在企业数据治理和流程再造的成熟度。New Balance（9000 员工）通过整合碎片化 IT 栈获得市场份额，与 Nike（8 万员工）形成对比，表明规模并非优势，运营纪律才是。
对用户/开发者/创作者的影响
对开发者而言，这提示了在构建企业级 AI 应用时，必须在客户的数据准备工作流上投入更多精力，而非仅优化模型推理效果。对于负责企业采购的 IT 决策者，文章提供了评估 AI 供应商的新维度：不应关注其模型有多强，而应关注它能否帮你先完成数据标准化和流程定义。对内容创作者和开发者生态而言，Woodside 强调的“从混乱中找起点”方法论，如 Katz Media Group CTO 提出的“价值/努力矩阵”，意味着企业 AI 工具的未来竞争力将越来越取决于其低代码集成能力和开箱即用的数据清洗模块，而不仅仅是 API 调用成本。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
首先，Freshworks 何时发布完整的《复杂性成本》研究报告，其数据是否覆盖更多垂直行业案例。其次，Seagate 和 New Balance 的做法是否会成为行业标准打法，催生一批主打“先整理数据再上 AI”的企业服务创业公司。最后，类似观点是否会对 AI SaaS 产品的定价模式产生影响——例如从按 token 计费转向按“数据准备程度”分级收费。这些趋势目前仍属观察阶段，但若能形成方法论模板，将显著改变企业 AI 落地的时间线。
