正文
可以说，早期的 Einstein Copilot 侧重于通过对话触发和调用预设的比如销量预测等算法，实现人机协作。而 Agentforce 的目标似乎是转向更自主的任务执行模式，用户设定目标后，系统能够自主规划并执行工作流程，最终呈现结果。
因此，尽管 Salesforce 强调这是架构的演进，但其核心仍然是提升 AI 在任务执行中的自主性和智能化水平。
不仅如此，Beinoff 还评价微软是“快速追随者”，并称：“他们肯定会像往常一样想抄袭我们，向我们靠拢。但我们现在已经有数千客户在实际使用我们的产品。”
根据截至 3 月的最新数据显示，双方的 Agent 都有大规模的落地，Salesforce 宣称拥有约 15 万名客户，微软则表示已有 16 万客户，基于 Copilot 打造出了 40 万个 Agent。
然而，白鲸开源 CEO 郭炜一针见血地指出，当前微软的 Agent 只是个人用户辅助工具，和 Nadella 技术路线里要实现的最终理想，并不是同一个东西。
微软对 Agentic AI 的设想是“OS”级别的变革。它构想中的 AI 操作系统不仅要能够调度多个智能体，还要持续保持上下文状态、理解用户意图，并在多种数据源和系统能力之间进行协调。在这一架构中，业务逻辑将由 Agent 全面接管，而“状态管理器”（State Manager）被视为 AI 操作系统的核心组件——只有具备对用户状态的持续记忆，Agent 才能真正理解用户是谁、在做什么、希望实现什么目标，类似于 AI 世界中的“内存管理”。为此，微软正在打通自身所有产品线，并与 OpenAI 这样的企业合作，构建一个开放的智能体生态平台。
而 Salesforce 的 Agentforce，“它都不是行业智能体，只是 CRM 生态线的智能体。目前技术手段都实现了个高级版本 RPA/ 按键精灵，只不过通过大语言模型交互可以自动做一些分拆动作，做一些组合罢了。和当年移动互联网出来时候的塞班操作系统一样，属于早期‘婴儿’版本的 Agentic AI。”
当前 Salesforce 模式虽能被快速推广落地，但是这件事情的门槛也不高，很多创业公司都可以做到类似的事情，大公司就更不用说了。
这些做法本质上仍停留在对原有软件和交互流程的增强层面，就像当年微软试图将 Windows 系统移植到手机上一样——看似容易实现，但并不是最优解。真正开启移动互联网时代的，是 iPhone 和 iOS 的诞生，它们从底层重新定义了系统与用户之间的交互逻辑。
正因如此，Nadella 才会提出“所有软件和 SaaS 都将被重构”的观点，因为他预见到了 Agentic AI 时代的来临。如果我们只是把 Agent 嵌入到现有软件中去打补丁，就像是把 Windows 装在手机上——表面上可行，但远未触及这场变革的真正核心。
真正的 Agentic AI 将倒逼整个技术体系重建
短期来看，复用现有 SaaS API 或许是 Agentic AI 实现功能落地的捷径，对现有流程体系的冲击也相对较小。然而，从长期视角出发，Nadella 所代表的观点显然更具颠覆性：大模型和 Agent 的到来会彻底重塑整个软件和 SaaS 生态。
郭炜认为，甚至 Nadella 所描述的“代理程序在多个数据库之间工作”的设想，还不够 Agentic AI。因为在这一新范式下，整体的技术框架都会要被重新设计。传统数据库的设计初衷，是为了服务于“人类决策”的时代。从数据库到数据仓库，所有的设计都是上个世纪，为了辅助人类做决策、完成信息记录而构建的。于是我们看到了复杂的 CRUD 操作、DAO 层、数据库层、数据仓库层以及 ETL 流程，它们共同支撑起了人与数据之间的交互逻辑。
然而，在 Agent 成为主要用户的背景下，这些为“人类使用”而生的复杂数据处理体系是否仍然必要，正面临质疑。未来的存储不一定是数据库形式了，使用的方式也必然不是 SQL 了。
顺着 Satya 的逻辑推演，被重塑的不只是 SaaS，更是整个技术架构生态。数据库技术，甚至是基础理论会被倒逼升级，传统的 No-SQL，New-SQL 都不适用于未来 Agentic AI 的场景。就像从软件工程学角度来看，所有的软件设计都是从 Use Case（UML）图开始设计的，而 User 都变了，凭什么底层的技术还是原来的技术体系呢？
AWS Agentic AI 主任科学家章毅也赞同整个技术架构生态体系会被重构，他进一步指出，当前 Agent 利用 API 调用已有的数据库系统进行知识查询和整合（典型 RAG 架构）能够覆盖一些基本的业务逻辑，但是知识、信息碎片化（以不同模态和格式存储于多个数据库中）对 AI Agent 高效搜索、链接、归纳、提炼、使用与更新信息带来很大的困难。这必然会带动对数据存储、管理系统进行重新思考和设计。
而且，作为 AI 操作系统的核心的记忆层“能否实现”也是未知数。
Salesforce 的 Agentforce 架构在预设的业务流程中，Agent 可以有效地访问和利用先前操作产生的数据和状态信息，形成一种上下文记忆。但一旦进入微软所设想的跨系统、跨复杂场景环境，Agent 就没有一个稳定的获取记忆的依托点，出错概率显著增加，显然比 Salesforce 这种嵌入式设计的难度系数大。
微软设想的“AI 操作系统”中，状态管理的关键在于让 AI 能够跨不同的应用和设备记住信息，并需要有一种结合短期交互与长期语义记忆的机制。这实际上是将来 Agentic AI 时代替代数据库地位的关键组件，然而在实际架构层面，挑战远超预期。也有观点认为这并不是一个简单的“状态管理”，而是是在云端为每个用户构建一个“虚拟人生”——系统需要持续记录用户的行为、偏好与选择，形成大模型的短期记忆和长期语义。问题在于，这种能力无法用向量将它描述清楚，并且目前还不知道可以用什么技术实现。
可以说，微软的 Agentic AI 代表了一种技术理想主义。
虽然很多厂商在尝试，但这个模式整体还太早，大模型和 Agent 本身都还没有进化完全。当前阶段，更现实的路径是 Salesforce 式 Agent，其类 RPA 的特性使其更容易被企业接受。毕竟，在当下，企业更愿意为确定性买单。
但长期来看，传统企业软件终会被取代，因为软件只不过是规范流程，信息传递，实现多人协同的一种方式，如果有更先进的更高效的管理和交流模式，旧有模式一定会替换。今天的企业软件形态必然会被颠覆，这正如固定电话被移动设备取代、再被微信等应用彻底重构通讯方式一样。Agentic AI 时代会是一个和移动互联网一样的全新的时代。
不过，这需要的是一次自底向上全套生态的改变，挑战不亚于当年的“云原生”转型，甚至更甚。这种全模式的创新，或许只有在底层信息科学取得突破之后，才有真正实现的可能。
