专访｜亚马逊云 CEO：企业上 AI，先把这 5 件事做对

全文 4,000字 | 阅读约 13 分钟

（Matt Garman深度访谈片段：让AI从能用变成用得起）

财报涨了，股价却跌了。

面对质疑，AWS CEO Matt Garman 在 8 月 9 日的 CNBC 专访中，没有空谈，而是直指要害：

“现在只有 10%~15% 的工作负载迁移上了云。AI 的潜力，远没开始。”

他没有高谈模型参数，也没有聊芯片对赌，而是把话题拉回到一个企业每天都在面对的难题：

演示很好看，上线却总是卡壳。 卡在权限，卡在流程，更卡在成本。

真正的问题不是“AI 能不能用”，而是企业该怎么用，才能真正受益。

7 月，AWS 发布了 Bedrock Agent Core，搭建了一个可落地、能复盘的智能 Agent 运行架构——帮企业把 AI 变成“能干活、能回查、能交付结果”的正式员工。

Garman 在访谈里说得很清楚：别急着选模型，别只看 Demo。

企业上 AI，真正要先做对的，是这 5 件事。

第一节｜搭好代理，AI 才能干活

对很多企业来说，上 AI 的第一反应是：“我该选哪个模型？是GPT、DeepSeek、通义千问，还是Claude？”

Matt Garman 给的答案却是反着来的。

当客户真正开始衡量投资回报， 他们获得的价值，大多数都来自‘智能 Agent 工作流’。

换句话说，不是哪个模型最强，而是你的 AI 能不能干活、会不会执行任务。

这就是 AWS 推出 Bedrock Agent Core 的原因——不是为了追风口，而是帮企业构建一个能长期运转的 Agent 框架：

• 能代表人去执行任务；

• 有明确权限控制和身份认证；

• 每一步动作都能追踪和复查。

“客户希望这些 Agent 是安全的、可验证的，是可以查看的。他们希望有一个隔离的结构，让 Agent 在企业环境里运行时是可信的。”，Matt Garman表示

这个“可信 Agent ”的理念和目前市面上流行的“对话机器人”完全不是一回事。

不是回答几句、写个文案就完了，而是要支撑真正的业务流程：

• 能调用企业内部的数据系统；

• 能和不同应用协作；

• 能做判断、走流程，不断反复执行。

AWS 给出的，不是一个模型的能力，而是一整套“搭建方法”。而这些，是企业在 AI 落地时最容易忽略、但最先该解决的问题：

• 没有身份验证，你的 Agent 无法代替员工操作；

• 没有权限隔离，任何AI一旦“越权”，后果难以追责；

• 没有日志和可审计能力，模型做了什么、怎么做的，你全看不见。

这不是模型强不强的问题，而是你的 AI 工作流是否稳、是否可控、是否可回溯。

从 AWS 的视角看，这才是企业该迈出的第一步——

别急着调用模型，先搭一个让它安全运行的空间。

第二节｜模型组合，用得起更重要

很多企业决策者一谈 AI，第一句就是：国外的 GPT 好，还是国产的DeepSeek、通义千问更合适？

但 AWS CEO Matt Garman的观点更现实：没有一个模型能搞定所有场景。我们看到很多客户，其实是混着用。

不是谁最强的问题，而是——你的任务要解决什么？你预算有多少？你对速度有多敏感？

AWS 观察到，企业客户用模型时，最常见的搭配是： "Claude + Nova。"

为什么是这两个？

Garman 不绕弯子：

Claude 是目前企业客户最喜欢用的模型之一。它能理解复杂任务，执行得稳，也有比较强的“边界意识”，适合用在生产场景。

Nova 是 AWS 自研的模型，特点很鲜明：

延迟非常低，价格非常便宜，在很多文字类任务上表现特别好。

它特别适合做一些高频、重复的工作。比如问答、文本生成、内容改写，一天跑几十万次也不心疼账单。

Garman说，这种搭配方式，在 AWS 客户中非常常见：我们看到很多客户把 Claude 和 Nova 组合在一起，分工协作。

Claude 处理关键决策、理解上下文；Nova 执行具体任务、快速反馈。

甚至有客户在一个任务链条里，用三个模型协同：

• 开源模型负责“预处理”；

• Nova 快速出方案；

• Claude 做质量校验和总结。

AWS 没有强推某一个模型，而是搭了个模型超市：

• 你想用 GPT，可以调；

• 想用 Claude，也支持；

• 用国产的DeepSeek？完全没问题；

• 自己训练的私有模型，也能接进来。

“我们不认为只有一个模型是最优选。不同任务，需要不同工具。”

这种思路，其实更像一个工具箱——企业不是选哪个最强，而是选哪几个搭在一起更合适、更省钱、也更稳定。

对于企业来说，这比只依赖一个热门模型，更靠谱。

第三节｜别停在演示，要跑进流程

Matt Garman 在访谈中反复强调一点：

“企业真正看到 AI 价值的时候，是它开始改变业务流程的时候。”

不是生成一张图、写几句话，而是直接省时间、省人力、少花钱。

他说了一个典型案例：Thomson Reuters（汤森路透集团），一个大型传统企业，原本打算把旧的 Windows 应用系统迁移到 Linux，结果发现涉及几百个程序，工期拖不起，成本也降不下来。

AWS 给他们推荐了一个工具：Transform。简单来说，就是把企业原本只能在 Windows 系统上用的老软件，通过 AI 自动改造，让它们能在更便宜的 Linux 系统上正常运行。

刚开始他们并不相信。

但试用后发现——原本要 6 到 9 个月的迁移工作，现在几周就能搞定。迁移速度提升 75% 到 90%，还省掉了 30% 的许可成本。

“他们几乎不打算做这个项目，因为太慢太贵。但现在 AI 一上，他们就决定立刻推进。”

这个例子说明，AI 真正改变的不是“结果”，而是过程。

AWS 还推出了一个名叫 Kiro 的编码助手——不是那种“一个人写代码、模型补几句”的工具，而是能根据项目需求，主动规划和执行开发任务。

比如，一个开发者告诉它：“我要做一个新功能，满足这三个条件。” Kiro 会根据规范去构建初稿，再与团队成员协作调整。

更重要的是，它能支持整个团队一起使用，而不是每个人开一个窗口、互不关联。

Garman 的话说得很透：

软件开发者的核心能力，将不再是‘代码写得快’， 而是能不能管好这些会写代码的工具。

这种 AI 不只会“听话干活”，还能主动配合你的工作节奏。

销售也一样。

Garman 说，现在销售人员一天如果有 20% 的时间能花在客户身上，就算不错了。其余时间都在写方案、做表格、填系统。

如果 AI 能把这些繁杂工作压缩掉一半，客户沟通时间从 20% 提高到 40%，产能就是翻倍。

这些落地场景的共同点是：不是 AI 更聪明，而是你把它用到了最费时的那几个环节上。

不是搞一个展示项目，而是让业务能跑得更顺、算得清、结果能复用。

“客户想的不只是 AI 能不能做，而是我用了 AI，能不能更快、更省、更准。”

第四节｜好工具，也要好搭档

Matt Garman 在访谈中说过一句话，很多人听完点头：

AI 不会替代人，但会放大团队之间的差距。

过去两年，很多企业忙着远程办公、全球招人、组建远程 AI 团队，但 AWS 的选择正好相反。

Garman 明确表示：

“我们始终认为，在一起工作，才是最高效的状态。”

他讲了一个真实场景：某天晚上，他走进 AWS 西雅图总部，看到一个开发团队还没下班，几个人围着电脑，调试刚上线的产品，一边画白板一边吃披萨。

他说，这种氛围和“开着视频会议对着屏幕说话”完全不一样。

那是一种真正能激发出创造力和冲劲的工作状态。

“如果你真的在打造新一代的技术、产品和体验，大家必须聚在一起，动脑、试错、共创。”

这种氛围背后，其实也折射出 AWS 对“人”的基本判断：

• AI 是效率工具，但人要负责定方向、设目标、把控体验；

• AI 能加速执行，但只有人在一起，才能形成团队合力。

Garman 还特别指出：

“未来写代码，不是你 Java 写得多快，而是你能不能管住那些写得比你快的 AI 工具。”

这句话，给企业管理者提了个醒：

• 别把 AI 当万能的替代品；

• 真正的价值，是人和 AI 一起合作，让工具更懂你、配合你。

他甚至把这个思路，延伸到了教育上。

他说，他有个正在上高中的孩子，他不会强求他们学具体哪门技术，也不会指导他们盯着某种技能路线：

“技能会变，但批判性思维、灵活适应、创造力，这些才是 AI 替代不了的。”

这其实也是 AWS 招人的核心标准：

不看你要多高薪水，而是看这个人有没有好奇心、团队精神、客户思维。他们要的不是“纯粹打工人”，而是真正想解决问题、创造价值的人。

这一整套人才观、组织协作方式，其实都指向同一个目标：

AI 不会直接决定你的竞争力，但你的“人机配合方式”，会在未来拉开差距。

第五节｜模型能力再强，也得用得起才算数

AWS CEO Matt Garman 提到一个现实问题：

“AI 增长可能放缓，不是因为技术不行，而是因为太贵。”

很多企业上马 AI 项目，第一个难题不是怎么部署模型，而是——算不过账。

尤其是模型一跑起来，越跑越烧钱，成本也跟着暴涨。

AWS 给出的解决办法不是砸钱，而是另辟路径：

“自己造芯片。”

而且不是为了比谁跑得快，而是为了真正压低使用成本。

他们一口气推出了两种芯片：

• Graviton：适合日常通用计算，能省 20% 成本、提升 20% 性能；

• Tranium：专门为 AI 模型设计，Claude 就是在这颗芯片上训练的。

“Anthropic 团队在 Tranium2 还没正式推出时，就决定采用这个方案。” ——Garman 在访谈中说

这是一笔双赢的买卖：

• Anthropic 用 Tranium 训练 Claude，拿到了性价比更优的模型；

• AWS 也能验证自己芯片的效果，让企业客户看见“不是只有 NVIDIA 一条路”。

AWS 自研的 Nova 模型，也延续了这个策略。

Nova 不靠“功能全”“模型大”取胜，而是主打一个关键词：快 + 便宜。

Garman 强调，Nova 特别适合用在一些对延迟敏感、调用频率高的场景里，比如客服回复、内容生成、总结提炼等。

Nova 还推出了专门跑长任务的版本，叫 Nova Act，针对的是需要持续运行的智能 Agent。

从模型选择到成本控制，AWS 的策略很明确：

“不是拼模型参数多少，而是拼谁能让企业长期用得起。”

对于越来越多想部署 AI 的企业来说，这种务实路线反而是最难得的护城河。

结语｜不是 AI 能干什么，而是企业要怎么干

AWS CEO Matt Garman 这场访谈，不打官腔，不玩概念。

他谈的不是 AI 多强，而是企业怎么用才能真正受益。

从智能 Agent 的架构，到模型组合的选择，从流程提效，到组织协作方式，再到成本控制与芯片路线——每一步都不是技术展示，而是帮企业把 AI 用得上、靠得住、负担得起。

对企业来说，现在不是问“我能不能上 AI”，而是要想清楚：

用 AI 来解决什么问题？在哪一环节真正能提速？怎么才能不被成本拖垮？

决定胜负的，从来不是谁跑得快，而是谁方向选对，基础打稳，跑得久。

这，就是 Garman 给出的企业 AI 使用说明书。

本文由AI深度研究院出品，内容翻译自AWS CEO Matt Garman在CNBC《Fortt Knox》的最新访谈。未经授权，不得转载。

星标公众号， 点这里 1. 点击右上角 2. 点击"设为星标" ← AI深度研究员 ⋮ ← 设为星标

参考资料：

https://www.youtube.com/watch?v=M2MwRtUyB0k&t=27s&ab_channel=ForttKnox

https://www.youtube.com/watch?v=kSyzDGgOOWU&ab_channel=CNBCTelevision

https://podwise.ai/dashboard/episodes/4908726?utm_source=chatgpt.com

https://aws.amazon.com/about-aws/whats-new/2025/07/amazon-bedrock-agentcore-preview/?utm_source=chatgpt.com

https://www.techradar.com/pro/aws-looks-to-super-charge-ai-agents-with-amazon-bedrock-agentcore?utm_source=chatgpt.com

https://aws.amazon.com/about-aws/whats-new/2025/07/amazon-bedrock-agentcore-preview/?utm_source=chatgpt.com

来源：官方媒体/网络新闻

排版：Atlas

编辑：深思

主编: 图灵