定价策略 - 根据交付价值定价并货币化，超越基于席位或原始使用量的定价，将定价与AI实现的具体业务成果相结合，如工作流程完成度、可衡量的节省或战略影响 [2] - Amit Bendov/Gong强调价格应基于交付的价值而非席位 [3] - Manny Medina/Paid提出制定策略提高定价成熟度曲线，使定价与客户价值保持一致 [4] - Clay Bevor/Sierra和Bret Taylor/Sierra建议将定价模型与客户价值和购买流程相结合 [5] - Joe Spisak/Meta指出价值从模型开发转向应用和定制 [6] 基础设施与可靠性 - 任务关键型AI需要企业级基础架构，包括状态管理、可观察性、安全性和可扩展性，将可靠性视为一流的工程问题 [7] - Sridhar Ramaswamy/Snowflake强调可靠性和精确度对于企业AI应用和稳健工程至关重要 [8] - Ion Stoica/Databricks专注于解决实际生产问题而非演示或复合AI系统 [9] - Sahir Azam/MongoDB认为状态管理和多模式数据集成至关重要 [10] - Harrison Chase/LangChain提出构建持久性、可观察性和可扩展性的基础设施 [11] - Nikesh Arora/Palo Alto Networks指出安全性必须是内置的而非附加的 [12] - Clay Bevor/Sierra提到代理操作系统是管理复杂性的工具 [13] 工作流程集成 - 最有效的AI产品应无缝融入用户当前流程和环境，减少摩擦并推动采用，实现“零接触”或隐形自动化 [14] - Thomas Dohmke/GitHub指出Copilot的成功源于与开发人员的无缝结合 [15] - Eric Glyman/Ramp强调零接触自动化，系统应服务于用户而非相反 [16] - Arvind Jain/Glean认为背景至关重要，需与企业系统深度集成 [17] - Anish Agarwal和Raj Agrawal/Traversal提出架构需适应企业规模的复杂性 [18] 架构演进与可扩展性 - AI原生企业需每6-12个月重新评估和重构系统，构建灵活的模块化基础架构以快速集成新功能 [19] - Anish Agarwal和Raj Agrawal/Traversal强调架构需持续演进 [20] - Kevin Scott/Microsoft建议灵活构建应用程序以实现新进步 [22] - Amjad Masad/Replit提出利用AI功能发展系统并准备重新架构 [23] - Lin Qiao/Fireworks预计从训练转向推理 [25] 数据质量与透明度 - 高质量、治理良好的数据是可靠AI的基础，需投资于数据整理、集成和解释，将透明度和可解释性作为产品核心 [26] - Daniel Nadler/OpenEvidence强调准确性和质量以及来源引用的透明度 [27] - Nikesh Arora/Palo Alto Networks认为领域知识和数据是新的护城河 [28] - Hema Raghavan/Kumo提出将信任和透明度作为核心特征 [29] - Sahir Azam/MongoDB指出质量是新的前沿，需多模式数据集成 [30] 客户为中心的产品开发 - 专注于解决实际用户问题而非展示技术实力，直接与客户互动了解工作流程，提供以用户为中心的价值 [33] - Amit Bendov/Gong强调以客户为中心而非技术驱动 [34] - Eric Glyman/Ramp提出以效益为导向的产品开发 [35] - Clay Bevor/Sierra建议与客户体验团队密切合作 [36] - Arvind Jain/Glean和Sridhar Ramaswamy/Snowflake认为应从明确的用户价值开始 [36] 推理与代理能力 - 近期最大机遇是构建能推理、规划并自主执行复杂多步骤任务的系统，投资推理时间计算和代理编排 [38] - Bob McGrew/Ex-OpenAI指出推理代表最大机遇，更长时间思考使模型解决复杂问题 [38] - Hanson Wang和Alexander Embiricos/OpenAI/Codex提出基于委托的工作流程 [38] - Misha Laskin和Ioannis Antonoglou/ReflectionAI强调结合学习和搜索 [39] - Jim Fan/NVIDIA和Jim Gao/Phaidra认为通才和代理能力是差异化因素 [40] 专业化解决方案 - 成功的AI初创公司应专注于高摩擦、垂直领域问题，利用领域专业知识、数据背景和专业工作流程创造差异化 [42] - Winston Weinberg/Harvey强调构建深层领域专业知识 [42] - Anish Agarwal和Raj Agrawal/Traversal认为企业碎片化创造优势 [42] - Bob McGrew/Ex-OpenAI指出深度领域集成的企业应用程序不受前沿实验室竞争影响 [43] - Manny Medina/Paid建议做一只刺猬，最擅长解决特定问题 [44] 人机协作 - 最佳AI系统应增强人类优势而非取代人类，设计混合工作流程并确保强大的人机交互机制 [46] - Harrison Chase/LangChain和Anish Agarwal/Raj Agrawal/Traversal强调人机混合协作 [47] - Amit Bendov/Gong指出AI还不能被完全信任 [48] - Raiza Martin和Jason Spielman/Google/NotebookLM提出增强而非取代人类能力 [48] - Daniel Nadler/OpenEvidence强调通过透明度和控制建立信任 [49] 快速迭代与实验 - AI创始人需拥抱快速原型设计、持续用户反馈和创新文化，尽早发布实验版本以收集洞见 [53] - Josh Woodward/Google Labs和Thomas Iljic/Google Labs强调快速实验 [53] - Sebastian Siemiatkowski/Klarna提出快速从概念转向生产 [54] - Thomas Dohmke/GitHub和Matan Grinberg/Factory建议拥抱快速迭代 [55] - Anish Agarwal和Raj Agrawal/Traversal提出不断进行六个月的赌注并重新评估架构 [56]