TechCrunch Disrupt 2026：Databricks 联合创始人揭示企业 AI 交易失败的真正原因

背景

随着 AI 技术从早期的实验性探索走向规模化落地，企业级 AI 市场正经历一场深刻的范式转移。过去几年，AI 初创公司主要受益于以“实验”为导向的市场环境。在这个阶段，一个惊艳的演示（Demo）、一个令人印象深刻的模型性能，或者一个宏大的愿景，往往足以激发企业的兴趣，促成试点项目（Pilot），并赢得投资者的热情。

然而，这种基于“新奇性”和“演示效果”的增长模式正在失效。企业级 AI 正在进入一个新的成熟阶段，买家不再仅仅评估 AI 是否令人兴奋，而是严肃地评估其大规模部署的安全性、稳定性和可操作性。

在即将于 2026 年 10 月 13 日至 15 日在旧金山 Moscone West 举行的 TechCrunch Disrupt 2026 大会上，Databricks 联合创始人兼现场工程高级副总裁 Arsalan Tavakoli-Shiraji 将在 AI 舞台发表题为《企业没有坏。你对它的假设错了》（The Enterprise Isn’t Broken. Your Assumptions About It Are.）的主题演讲。他将深入剖析这一转变，指出当前阻碍企业 AI 交易达成的核心矛盾并非技术缺陷，而是运营不稳定性的恐惧。

核心内容

试点从未是难点，运营整合才是

企业 AI 市场中充斥着大量成功的试点项目，但这些项目最终未能转化为实际的大规模部署。原因并非技术本身失败，而是组织无法吸收采用该技术所带来的运营后果。

Tavakoli-Shiraji 指出，初创公司的 AI 交易很少因为模型表现不佳而死亡，它们往往是因为企业在评估部署所需付出的代价后，失去了信心。大多数企业现在不仅仅是在评估一个 AI 产品是否“能用”，而是在评估以下风险：

• 实施风险：集成到现有系统中的难度和潜在故障点。
• 治理复杂性：如何管理数据隐私、模型偏见和访问控制。
• 工作流中断：AI 引入后对现有业务流程的冲击程度。
• 基础设施压力：现有 IT 架构能否承受新的计算负载。
• 合规暴露：是否满足行业监管和法律要求。
• 组织信任：员工和管理层是否愿意长期依赖该系统。

一个在受控环境中表现卓越的 AI 产品，如果其部署会导致业务内部的不稳定，那么在商业上依然会失败。许多 AI 初创公司仍在优化错误的目标：他们为初期的兴奋感而构建，而非为长期的运营采用而构建。企业买家正变得越来越严谨，能够清晰识别这两者之间的区别。

企业 AI 正在演变为“运营信任”问题

目前在大型组织中获得进展的 AI 初创公司有一个共同点：它们能够减少不确定性。

这些解决方案能够更干净地集成到现有系统中，产生更少的工作流摩擦，更易于治理，更易于向内部解释，并且随着时间的推移更容易获得组织的信任。虽然这听起来不如突破性演示或模型基准测试那样令人兴奋，但这正在迅速成为区分那些仅能吸引关注的 AI 初创公司与那些能产生持久收入的公司之间的关键差异。

随着市场的成熟，企业买家的提问方式发生了根本性变化，核心问题包括：

• 部署之后会发生什么？
• 需要多少运营变革？
• 这对治理结构有何影响？
• 团队能否在规模上切实采用该技术？
• 当模型出现故障时该怎么办？

这些担忧已不再是次要因素，在许多组织中，它们已成为购买决策的核心部分。

为什么 Tavakoli-Shiraji 的视角至关重要

Tavakoli-Shiraji 拥有独特的视角，他的背景横跨企业战略和深层技术系统架构。在加入 Databricks 之前，他是 McKinsey & Company 的副主管理事，为企业提供云计算、下一代 IT 和企业转型战略方面的咨询。此外，他在 UC Berkeley 获得了计算机科学博士学位，专注于网络与分布式系统。

这种复合背景对于初创公司极具价值，因为企业 AI 的成功越来越不仅仅取决于强大的工程能力。创始人现在需要理解技术系统如何与组织行为、基础设施现实、采购流程、治理问题和运营风险相互作用。

未来几年在企业 AI 领域取得成功的初创公司，可能不是那些拥有最先进模型的公司，而是那些最理解企业如何实际吸收变革的公司。TechCrunch Disrupt 2026 的 AI 舞台由 Google Cloud 呈现，将探讨 AI 智能体和生成式 AI 如何重塑 SaaS、企业采用、软件经济学、安全和运营基础设施，重点在于揭示为什么企业 AI 的成功越来越依赖于运营信任，而不仅仅是技术性能。

关键要点

• 市场阶段转变：企业 AI 已从“实验驱动”阶段进入“运营稳定性驱动”阶段。买家不再问“AI 是否酷”，而是问“部署 AI 是否安全且稳定”。
• 交易失败的主因：AI 交易失败的主要原因不是模型性能差，而是企业担心部署带来的运营不稳定、治理复杂性和工作流中断。
• 初创公司的误区：许多初创公司仍在为“初期兴奋感”构建产品，而非为“长期运营采用”构建。企业买家已能敏锐识别这种差异。
• 成功的关键特征：获得企业青睐的 AI 解决方案通常具备以下特征：集成更顺畅、工作流摩擦更小、更易治理、更易解释、更能建立长期信任。
• 买方的核心关切：企业采购决策的核心已转向售后支持、运营变革成本、治理影响、规模化采纳可行性以及故障恢复能力。
• 复合背景的价值：兼具技术深度（如分布式系统）和企业战略视野（如麦肯锡咨询经验）的领导者，更能理解技术系统与组织行为之间的互动，这是成功的关键。
• 行业趋势：焦点正从 AI 的新奇性转向部署、治理和规模化 AI 系统的现实挑战。运营信任（Operational Trust）已成为比单纯技术指标更重要的竞争优势。

意义与影响

这一洞察对 AI 初创公司、企业买家以及投资者具有深远的指导意义：

1. 对 AI 初创公司的战略调整： 初创公司必须重新定义其价值主张。仅仅展示模型准确率或演示效果已不足以赢得企业合同。产品团队需要将资源倾斜到可观测性、治理工具、易于集成的 API 设计、以及清晰的故障恢复机制上。营销重点应从“突破性的技术”转向“无摩擦的运营整合”。

2. 企业采购标准的升级： 企业 IT 和采购部门在评估 AI 供应商时，将把“运营风险”置于与“技术性能”同等甚至更高的地位。这意味着供应商需要提供详尽的运维支持计划、合规性证明以及清晰的变更管理方案。

3. 投资逻辑的重塑： 投资者在评估 AI 初创公司时，不仅要看其技术壁垒，更要看其产品的“可部署性”和“可扩展性”。那些能够解决企业运营痛点、降低采纳门槛的公司，将更有可能实现可持续的收入增长和规模化扩张。

4. 行业生态的成熟： 随着 TechCrunch Disrupt 2026 等顶级行业活动聚焦于这一议题，整个 AI 生态系统将加速从“技术竞赛”转向“工程与运营竞赛”。这将促使更多资源流向 MLOps、AI 治理、企业集成中间件等支撑性技术领域，推动 AI 真正融入企业核心业务流程。

参会信息提示：TechCrunch Disrupt 2026 将于 2026 年 10 月 13-15 日举行。截至 2026 年 5 月 29 日太平洋时间晚上 11:59 前注册，可获得最高 410 美元的票务优惠。