你下班之后，它还在不在岗
对话 DistriBrain CEO 陈凰朝：AI 员工真正上岗之前，还缺什么？
陈凰朝跟我讲了一个测试。
判断一个 AI 算不算真正意义上的员工，标准只有一个：你下班之后，它还在不在岗。
其实今天市面上绝大多数被称为"AI Agent"的东西，这道坎全过不了。
2024 年是所有人都在讲 Agent 的一年。路演上、发布会上、投资机构的 memo 里，"agentic AI"出现的频次大概跟 2022 年的"元宇宙"差不多。
但 Gartner 泼了一盆冷水：到 2027 年底，超过 40% 的 agentic AI 项目会被取消。原因不是模型不够聪明，是成本、价值和风控。再看另一个数字：在数千家自称做 agentic AI 的厂商里，真正名副其实的，Gartner 估计大约 130 家。其余的，都在做一件事——把旧的聊天机器人或自动化脚本换了个名字，重新包装。
陈凰朝管这叫"Agent Washing"。她创办 DistriBrain 的起点，某种程度上就是对这种现象的反应。
你雇了个实习生，但没给他工位和门禁卡
她打了个比方，我觉得比任何技术解释都清楚。
没有哪家公司会让一个新员工不签保密协议、没有工位、揣着全部密码，跑去网吧办公。
可今天很多企业用 AI Agent 就是这样：在自己的电脑浏览器里，拿着真实的 API key，直连生产系统，跑完 demo 就认为 AI "能用了"。
能跑通和能托付，是两回事。
Klarna 的案例值得细说。2024 年初，他们宣布 AI 客服助手一个月处理了 230 万次对话，效果相当于 700 名全职客服——这个数字当时被引用了无数遍，成了"AI 已经能替代人"的最有力证据。
但到了 2025 年，Klarna 开始重新招人了。CEO 公开承认，过度转向 AI 影响了服务质量，用户抱怨找不到真人。
我觉得这个反转，比原来那个成功案例更有价值——它说明的不是"AI 客服不行"，而是"没有基础设施托底的 AI 员工，必然翻车"。Klarna 的 AI 当时聪明吗？聪明。但它没有混合模式，没有人工接管机制，没有质量监控，一直干到客户忍无可忍。
这恰好证明了陈凰朝的整个论点。
她说了一句话，是这次访谈里最准的诊断："坏建议只是烦人，坏动作要付代价。"
当 AI 从出主意变成能真的动钱、发邮件、改权限、部署代码，每一个 bug 都不再是小毛病，而是一次事故。Agent 的危险性，从本质上就和之前那些只会"给建议的副驾驶"不同。
九成七的 AI 账号，权限都超了它该有的
2025 年，安全圈有一个词突然变得很热：非人类身份（Non-Human Identity）。
说的是这样一种现象：企业里的 AI Agent、自动化账号、API 凭证——这些"机器员工"的数量，已经是真人员工的 50 到 100 倍。但给人设计的那套权限管理，根本管不住它们。
原因简单得可怕：传统权限系统只在注册那一刻验一次身份，之后运行时干了什么，没人逐个动作盯着。一个 agent 一旦启动，几秒之内就能把一个请求散成几十个动作，穿越多个系统。
更糟糕的数字：近九成七的机器身份，带着超出本职需要的过度权限。平时无事，出事即大事。
陈凰朝的解释很直接："别给 AI 员工一整串钥匙，让它哪扇门都能开；给它一张门禁卡，只进今天该进的那几扇门，干完就把权限收回。"
行业里管这叫"最小权限"原则，不是新概念，但在 agent 场景下格外要命——因为 agent 会自己串联，一个被授了过多权限的 agent，能顺着权限链一路摸到你最不想让它碰的地方。
DistriBrain 做的 VM 隔离、加密隧道、API key 分离，是在把这件事当工程问题来解。每个 AI 员工有独立的工作环境，出了事不波及全局，每一步都有记录。
不过这里有一个必须说清楚的边界：这套基础设施解决的是技术层面的可追溯性，不是法律层面的责任归属。当 AI 员工真的造成重大事故，谁来负法律责任——这个问题全球法律框架都还没建好。陈凰朝的系统能创造事实记录，让问责成为可能；但法律的确定性，要等立法赶上来才有。这是行业诚实面对的边界，没有人能假装它不存在。
模型给智商，业务给经验
"企业花钱请人，请的从来是经验，不是智商。"
这句话陈凰朝说得很肯定。她对此有一个更具体的论断——模型升级是所有人共享的底座，不是任何一家企业的护城河。
这个判断现在越来越多人在印证：更普遍的做法是，在闭源模型上做原型，在开源模型上做部署。原因很简单，模型之间的差距每个季度都在缩小。"永远用最大的闭源模型"早不是默认答案了——DeepSeek、Qwen 这些把差距追平的开源模型，恰好都是中国的。
那护城河在哪？
陈凰朝的答案是：在企业自己的数据和经验沉淀里。
一个 AI 员工如果能带着记忆回来，知道上次那个客户为什么生气、这类单子一般卡在哪个环节、老板说的"差不多"是多少——它才从"会查资料"，变成"懂这家公司"。这两件事不一样。
她管这叫从出厂水平到"越用越值钱"的过程。技术上不是把聊天记录存进数据库就了事，而是让系统自己学会哪些该记、哪些该忘、何时该翻出来用。
中间层最大的批评，历来是"套壳"——夹在模型公司和云厂商之间，两头受挤，生命周期短。陈凰朝没有回避这个批评，她的回答是：纯粹做连接管道的公司，确实是最危险的位置。但如果你做的是让企业的业务理解长在这套系统里、迁不走，那这一层就从管道变成了土壤。
这个逻辑成不成立，取决于"迁不走"这个动作是否真实发生——这是 DistriBrain 要用市场来验证的命题，而不是现在就能定论的事。
新加坡，是那个让各方都能坐下来谈的地方
陈凰朝在新加坡做的另一件事，是联合创办了 CSAIA——中新人工智能协会，全球成员超过 1500 人，合作机构将近 100 家，包括字节跳动、谷歌、亚马逊，以及南洋理工大学、新加坡管理大学。
她说这个协会不是规划出来的，是从 2024 年一个 500 人的华人 AI 社群里自然生长出来的。疫情后新加坡第一个华人 AI 社群——人聚在一起，彼此之间的需求就显现了：一个团队花三个月才搞懂的本地合规，隔壁团队又从头踩一遍；这边有技术找不到市场，那边有资源找不到好项目。
新加坡的价值，她给了一个干净的答案：中立。
"新加坡是中美两边的 AI 公司都能落脚的中立地带。钱哪儿都能找，能让各方都放心坐下来谈的地方，不多。"
中国 AI 团队出海东南亚，她观察到最普遍的误区，不是技术不够，而是：把"东南亚"当成一个市场。
它不是。东南亚是十几个语言、宗教、监管逻辑和消费习惯都不同的碎片化市场。光语言这一点，本地已经有专门做东南亚多语言的开源大模型在跑——这件事本身就说明了碎片化有多严重。你在新加坡跑通的东西，搬到印尼、越南，可能是完全另一套打法。
第二个误区是低估本地化和渠道的重要性。很多团队觉得产品好就行，但在这边，能不能找到对的本地合作方、能不能过合规，往往比产品本身更决定生死。
对人的要求，是变高了，不是变低了
访谈最后，我问了一个很多人都想知道的问题：AI 员工越来越能干，人的角色会变成什么？
她的判断很清晰：往上走。从干活的，变成定方向和把关的。
具体执行这一层，AI 接得越来越多，挡不住。但这反而把人解放出来，去做更难也更值钱的事：搞清楚什么才是对的目标，判断 AI 交出来的东西够不够好，在关键决策上拍板担责。这几件事短期内 AI 替不了，因为它们要的不是算力，是判断和责任。
"未来公司里最稀缺的能力，不是会执行，是会定义问题、会验收结果。一个人能不能管好五个 AI 员工，看的不是技术多强，是能不能把一件模糊的事说清楚，能不能一眼看出交付的东西哪儿不对。对人的要求是变高了，不是变低了。"
然后她说了这次访谈里情绪张力最大的一句话——
"这可能是普通人用极低的门槛、快速把一个想法变成现实的最后一个创业时代。"
我们做的事，归根结底，是让每一个有想法的人，第一次真正拥有一支团队。
这句话挺重的。如果它是真的，那 AI 员工的上岗条件，就不只是一个企业软件问题，而是关于"谁有资格创业"的基础设施问题。
最后
AI 行业争了两年，争的都是谁的模型更聪明。
但聪明和能干活，是两回事。聪明解决的是"能不能做到"，能干活解决的是"在真实世界里能不能被托付"。
后者需要的，是一整套我们还没建好的东西：隔离的工作环境、精确的权限边界、完整的审计记录、关键时刻的人工接管、以及随着时间积累的业务记忆。
这些东西不光鲜，没有发布会上那种"震撼时刻"，但它们是 AI 从能聊变成能干活的那道真正的门槛。
陈凰朝说，她做的不是又一个更聪明的聊天机器人。
我相信她说的是真话。剩下的问题只有一个：
谁来把这道门建好，谁就接住了这波。
精选 Q&A
Q1：你会怎么跟一个不了解 DistriBrain 的企业客户解释你们在做什么？
陈凰朝（DistriBrain CEO）：AI 这件事分三层，底层算力和大模型大厂把着，上层各类应用起落都快，中间一层是把模型和企业真实业务接起来的。帮一家公司微调自己的模型、训练自己的智能体、嵌进自己的流程，时间一长，它的业务理解、踩过的坑、跑顺的路径，全长在这套系统里，迁不走，也越用越值钱。DistriBrain，分布式大脑——我不相信未来所有的智能都集中在几家大厂手里。
Q2：Agent 和 Employee 的差别到底是什么？
陈凰朝：差别就在一个词：职责。Agent 完成一次任务，给个指令，给个结果，事就结束了。Employee 承担一份职责，给的是目标，它要自己拆解、自己排期、自己处理中途的意外，最后对结果负责。判断标准很简单：你下班之后，它还在不在岗。
Q3：企业真正想要的是聊天入口，还是能执行任务的工作者？
陈凰朝：没有人真的想要又一个聊天框。企业里真实的场景是：管理者要的不是"陪我聊聊这个方案"，是"这事你办了，办完告诉我"。聊天框把活儿又还给了人，你得一句句问、一步步盯，到头来干活的还是你，AI 只是个更会说话的搜索框。
Q4：为什么 AI Agent 进真实业务后，安全隔离会变得这么重要？
陈凰朝：坏建议只是烦人，坏动作要付代价。当 AI 从出主意变成能真的动钱、发邮件、改权限、部署代码，每一个 bug 都不再是小毛病，而是一次事故。企业里现在 AI 账号的数量已是真人的几十到上百倍，而它们没有上级、永不过期，给人设计的那套安全机制根本管不住。
Q5：企业在给 AI 员工开放工具权限时，边界怎么定？
陈凰朝：别给 AI 员工一整串钥匙，让它哪扇门都能开；给它一张门禁卡，只进今天该进的那几扇门，干完就把权限收回。近九成七的机器身份都带着超出本职需要的过度权限，平时无事，出事即大事。能力是开放的，边界是收紧的，这两件事并不矛盾。
Q6：AI 员工如果要 24/7 工作，除了模型之外还需要什么？
陈凰朝：至少这几样——调度，它得知道什么时候干什么；权限管理，谁能干什么管得住；日志和审计，每件事留得下记录；异常处理，卡住报错时能停、能回滚、能叫人；记忆，否则它每天上班都像第一天；还有人工接管，关键决策上人能随时按下暂停。模型再强，没有这一整套兜底，它就只能在演示里上岗。
Q7：模型升级和业务训练，哪个对 AI 员工更重要？
陈凰朝：模型升级给的是智商，业务里跑出来的东西给的是经验。企业花钱请人，请的从来是经验，不是智商。一个更大更新的模型，全世界都能调，它不是你的护城河，是所有人共享的底座。企业的数据一旦沉淀进来，就不会轻易迁走——新模型出来，受益的是所有人，但你这些年攒下的业务理解只长在你这套系统里。
Q8：中国 AI 创业者出海东南亚，最常踩的坑是什么？
陈凰朝：最大的误区，是把"东南亚"当成一个市场。它不是，是十几个语言、宗教、监管、消费习惯都不同的市场。光语言这一点，本地已经有专门做东南亚多语言的开源大模型在跑。你在新加坡跑通的东西，搬到印尼、越南可能是另一套打法。第二个是低估本地化和渠道，第三个是不够尊重当地企业的真实需求——说到底是同一个毛病：把自己的经验当成了普适的真理。
Q9：AI 员工会最先在哪些场景跑起来？
陈凰朝：先在目标清楚、结果可衡量、容错空间还行的场景。销售线索的挖掘跟进、客服、运营里重复性高的活、内容生产、研发里写代码，会最先成规模。相反，一步错就是大事故的场景——比如直接管钱、管医疗决策——会慢一些，不是 AI 干不了，是大家敢放手的那天来得晚。我个人尤其看好创始人助理这个方向。
Q10：AI Employee 真正改变的不是自动化任务，而是什么？
陈凰朝：是一个组织的能力上限。它改变的不是"谁来干活"，是"谁有资格创业、谁有能力扩张"。从前你的野心受限于你能雇到多少人，往后，一个人也能调动一整支队伍。我们做的事，归根结底，是让每一个有想法的人，第一次真正拥有一支团队。