315| AI 时代：企业运营模式的重构与技术栈革命

全文概览

从本地计算到 SaaS 的演进，虽提升了 IT 敏捷性，却未触及企业运营的底层逻辑。企业依然是部门孤岛的集合体，依靠电子表格、会议与部落知识等“人类胶水”来协调跨系统流程，这不仅是 IT 问题，更是沉重的“组织税”。随着生成式 AI 的爆发，我们正站在一个转折点：AI 是否能通过概率智能消除这种协调成本？企业如何构建一个既能连接确定性应用，又能实现跨孤岛推理与持续学习的完整系统？本文将深入探讨“服务即软件”的技术栈模型，剖析企业如何通过构建“智能系统（SoI）”与“数字孪生”，将判断力转化为可重复的资产，从而实现运营模式的根本性变革。

阅读收获

• 重塑运营认知： 理解“服务即软件”的核心逻辑，即通过自动化语义协调与异常处理，将知识工作从“手工艺经济”转向“可重复的规模化经济”。
• 技术栈架构洞察： 掌握 AI 时代企业技术栈的演进路径，明确“智能系统（SoI）”作为连接真理系统与代理系统的关键中间层价值。
• 决策与治理升级： 学习如何通过“确定性数字孪生”构建脚手架，将治理从资源访问控制转向基于意图的策略约束，为代理的大规模安全部署提供支撑。

👉 划线高亮 观点批注

BREAKING ANALYSIS（深度分析） | 作者：David Vellante, George Gilbert and David Floyer[1]

从本地计算向软件即服务（SaaS）的转变，改变了技术模式，并迫使信息技术组织对其构建、购买和运营软件的方式进行现代化改造。

这也重塑了软件供应商定价、交付和增加价值的方式。但对于大多数买家而言，SaaS 并没有从根本上改变公司的盈利方式或日常工作方式。企业变得更加敏捷，IT 不再是摩擦点，但企业的运营模式在很大程度上保持不变。SaaS 首先改变了软件公司和 IT 部门，但影响基本止步于此。

为什么这次 AI 浪潮与众不同

人工智能则不同。在我们看来，这股浪潮超越了 IT 职能，深入到了企业的核心机制——决策如何制定、工作如何执行、风险如何治理以及资本如何分配。原因在于，大多数公司仍然以部门联合体的形式运行，它们拥有各自的应用栈、数据模型和业务逻辑，这些系统被困在从未设计为协同工作的孤岛中。这些系统在孤岛内部可能是“确定性”的，但在孤岛之间，企业依靠协调来运行——即电子表格、会议、审批和部落知识。这不是一个 IT 问题，而是一种组织税。

AI 的承诺在于消除大部分这种税。不是通过在昨天的应用程序上增加 Copilot，而是通过以受确定性约束的方式将概率智能引入企业。前沿模型是这一转变的核心引擎——它们正变得越来越强大和实用，并将继续成为未来软件栈的基石。

但仅靠模型能力并不能解决企业问题。赢家将是那些围绕这些模型构建完整系统的组织——一个能够连接现有确定性应用程序、创建共享真理层、在代理采取行动时对其进行控制，并利用人类反馈进行持续改进的系统。

这就是为什么我们认为其上升空间如此巨大。做对这一点的企业不仅运营成本更低，而且运营方式也将截然不同。它们将以更低的劳动力增长比例实现规模化，压缩从洞察到行动的周期，并开始表现得像平台公司，具备竞争对手难以复制的复合优势。

在本次 Breaking Analysis 中，我们使用 George Gilbert 的模型来描述这种转型是如何展开的——以及为什么它需要一场完整的技术栈革命来提供：

• 一种在概率系统跨应用推理的同时，保留并扩展确定性应用程序的方法；
• 一个实时协调企业真理的智能层，使代理能够自信地采取行动；
• 一个代理控制和参与循环，将人类保留在审批、异常处理和学习周期中。

当今的企业软件与确定性神话

下方的幻灯片触及了我们在 Breaking Analysis 中不断回归的核心张力：企业想要确定性的结果，但他们正试图将概率系统强行安装到一个实际上并非确定性的环境中。生成式 AI 本质上是概率性的。如果代理要自信地采取行动，周围的系统必须提供护栏、共享语义和可预测的恢复机制。问题在于，大多数企业所指的“确定性软件栈”实际上是一个断开连接的应用程序孤岛丛林，如下图所示。

上图左侧是应用领域（企业资源规划、客户关系管理、财务、供应链管理、人力资源、安全、分析、制造等）。中间是企业目前依赖的真正集成层——依靠部落知识来解释异常、含义、审批和协调的人类专家（例如电子表格）。右侧是这种方法带来的业务摩擦：

• 真理延迟：由于是事后协调，“真理”出现得太晚。
• 语义冲突：同一个术语在不同的系统和部门中可能意味着不同的事物。
• 高昂的协调成本和大量浪费的人力：会议、电子表格、返工和升级路径成为运营模式的一部分，并从本质上定义了它。
• 手动恢复：当出现问题时，人类需要重建状态和意图。

这里有一个我们认为非常重要的观点。尽管应用程序本身是确定性的，但为了使端到端流程工作所需的“人类语义胶水”意味着结果实际上变得具有概率性。相同的输入并不能可靠地产生相同的输出，因为解释、异常处理和跨部门协调因人而异、因情况而异。我们将此比作手工艺经济——在装配线出现之前，每个零件都略有不同，因此每个成品也略有不同。这就是当今许多公司企业运营的样子——确定性的机器，手工艺的流程。

其影响是经济性的。当结果依赖于人类胶水时，成本会随着收入增加，因为规模化通常意味着更多的协调、更多的异常、更多的专家和更多的管理开销。在我们看来，目标是使知识工作更具可重复性：在增加杠杆作用的同时提高质量。（70年代的专家系统为什么被证明是无效的，而大模型又重新被赋予希望？真义在于：企业组织仍然以人为核心，生产只是组织的附加品，脱离人的组织而企图规模生产，注定是又一次失败）这里还有一个重要的细微差别需要强调，即目的地不是“工业化的千篇一律”。如果做得正确，公司可以同时获得可重复性和定制化——以可重复性的经济效益交付差异化的结果。

让我们用简单的术语来阐述：手工艺经济表现为劳动力成本。 在规模化时，边际经济看起来更像服务业务，而不是软件业务。这就是我们不断使用服务即软件 (Service as Software) 这一短语的原因。我们的论点是，随着这些孤岛被协调和集成，更多的公司可以以类似软件的边际经济运行——这改变了运营模式和商业模式，而不仅仅是 IT 架构。在最好的情况下，公司开始表现得像平台——这种动态出现在每个行业中。

在争论哪个模型、哪个代理框架或哪个工具链会“胜出”之前，企业需要内化这张幻灯片真正传达的内容。当前的软件栈在接缝处由人维系。新的平台必须自动化这些接缝工作——语义、协调、协同和恢复——以便代理可以在关键领域保持确定性的系统中运行，同时利用概率智能带来的杠杆作用。

服务即软件 (SaSo) 技术栈

让我们深入探讨技术模型和我们预见的重大变革。这就是“服务即软件”理念成为现实的地方。从本地部署到 SaaS 的转变迫使供应商和 IT 团队进行重构和重组——但影响大多止步于此。下图中显示的技术意味着代理将改变客户的运营模式，而不仅仅是供应商的交付模式。任何希望代理不仅仅是自动化小任务的公司，都必须重建业务跨孤岛协调工作的方式——因为端到端的结果并不存在于单一的应用程序边界内。

在宏观层面，上图展示了代理型企业的完整技术栈——它不仅仅是在现有的 x86 通用架构栈上增加了一个新的 AI 层。这是一个确定性系统与概率系统共存的模型，其中代理循环建立在共享语义、策略和实时状态之上，并辅以人类反馈。让我们逐步解析这些模块：

• 历史真理系统： 数据平台世界（快照、受治理的元数据、“发生了什么”分析）。
• 实时真理系统： 记录系统（运营真理，但仍被应用边界所孤立）。
• 智能系统 (SoI)： 企业的动态模型，协调跨企业的实体、含义、规则和状态。
• 代理系统： 能够感知、推理、决策、行动和学习的代理——针对业务成果进行编排，而不仅仅是应用工作流。
• 参与系统： 人类和应用程序的接触点——人员、仪表板、通知、审批——以及关键的反馈循环，通过人类的推理痕迹随时间教导系统。

底线是，服务即软件不是 bolted onto a CRUD database 的大语言模型[2]。它是对企业如何呈现真理、协调行动和复合学习的重构——它需要一个大多数企业目前所不具备的新的中间层。

智能系统 (SoI)：AI 栈中一个新的高价值层

我们认为绿色层是“金钱层”，也是缺失的层。每个人都在谈论代理，每个人都在谈论编排。但如果代理没有建立在共享的企业模型之上，它们大多只能产生局部自动化，而不是企业转型。

60 年来，我们一直在构建孤岛——分析孤岛和运营孤岛。如果代理要转型业务，它必须跨越这些孤岛进行感知和推理。否则，你只是在相同的碎片化结构中加速工作。这就是为什么 SoI 位于“真理系统”和“代理系统”之间。它是将一堆应用程序转变为一个连贯企业的关键部分。

这也是幻灯片中智能系统细节变得至关重要的原因。SoI 将企业从回顾性仪表板升级为前瞻性指导，不仅解决了发生了什么，还解决了：

• 为什么会发生这种情况？
• 接下来可能发生什么？
• 我们现在应该做什么？

我们的观点是，如果不协调跨应用程序的语义和规则，你就无法在企业规模上获得这些问题的可靠答案。业务逻辑目前被困在 ERP、CRM、人力资本管理、安全平台、数据栈和部门工作流中。“单一事实来源” 已被技术行业承诺了几十年；但现实是，人类仍然依靠部落知识、会议、电子表格、异常处理和升级路径来协调这些接缝。

一个容易被忽略的细微差别是，SoI 不仅仅是“数据资产”。 行业几十年前就学到了这个教训。下一步是规则资产化——提取并标准化嵌入在运营系统中的业务规则，以便企业能够跨领域一致地执行和推理。这就是“企业数字孪生”在实践中的真正含义——状态、实体和流程的实时表示，而不仅仅是一个更漂亮的分析层。

我们想要强调的关键点是，SoI 是让代理能够跨企业自信行动的控制点。没有它，你只会看到大量的代理试点和点状自动化，而几乎看不到持久的、跨职能的转型。

这里让我联想到：近期业内热议的，为什么C端对Agent 抱有如此大的热情，而B端呈现出相对冷淡的观望情绪，核心在于C端场景没有复杂的组织语义，而组织又是随业务灵活变化的，B端需要思考的是：如何构建面向组织快速变化的语义指标体系构建。

参与系统与代理系统

这张技术栈幻灯片还指出了一个在代理平台营销中经常被遗漏的观点。具体来说，学习不是可选的。 系统必须在运行过程中不断改进。这就是为什么我们不断回到图表中的“参与系统”框。我们想澄清的是，这不是社交媒体参与。这是一个企业专有的反馈系统。

实际的动态是，代理将一直运行直到遇到不确定性——然后人类介入。关键在于接下来会发生什么。我们设想了一个循环，异常成为训练燃料——系统从人类的审批、纠正、推理痕迹和升级中学习。例如，早期的特斯拉自动驾驶之所以出色，并不是因为它第一天就完美无缺。相反，它之所以出色，是因为数百万个边缘案例被捕获、学习并反馈回系统中。企业需要为业务运营建立等效的学习循环。

这也是“代理系统”框获得其信誉的地方。它不仅仅是任务自动化。它是针对结果进行编排的自适应代理，具有感知状态、推理、决策、行动和学习的能力。如果 SoI 是共享的语义真理和业务状态层，那么代理系统就是工作被执行和协调的地方——也是业务效益开始在吞吐量、周期时间和组织杠杆方面显现的地方。

我们想要强调的关键点是，代理时代不会仅仅通过更好的提示工程（Prompt Engineering）来赢得。它将由那些构建了闭环模型——具有共享状态 (SoI)、受治理的行动 (Agency) 以及通过参与进行持续学习——的企业来赢得。（这种经营模式一定不是所有行业都适合，也一定存在与生俱来就适合的）

绿色层的地盘争夺战

我们认为方向正确的一个关键战略点是，每个主要的平台供应商现在都在争夺绿色层——因为它成为了技术栈中价值最高的一块资产。争论的焦点是哪些公司拥有它，以及它存在于哪里。具体来说：

• 它是否出现在应用程序孤岛内部（CRM、ERP、IT 服务管理、HCM——每个都构建自己的“迷你 SoI”）？
• 还是它成为一个企业级的层，位于这些系统之上并进行跨系统协调？

我们认为，唯一展现出真正实力构建类似东西的公司是 Palantir Technologies Inc.——但该模型昂贵且尚未广泛可复制。我们将 Palantir 所做的事情比作 SAP SE 的早期阶段，当时需要进行繁重的、客户定制化的构建。Palantir 必须依赖现场部署的工程师，每位工程师的成本约为每年 95 万美元。这不是一个大众市场的运营模式。这就是为什么我们经常将 Celonis SE 引入讨论，因为它试图将流程级的协调转化为更具可重复性和跨孤岛可访问的东西。

这也是定价权进入故事的地方。如果你拥有代理实际执行端到端工作的层——并且你可以看到这些工作——你就可以根据结果定价。如果你处于该层之下（提供数据、提供上下文、提供工具），定价看起来更像消费和效用定价。Salesforce Inc. 推动“Headless 360”的举措，以便任何代理都可以在没有用户界面的情况下访问客户上下文，这是一个有趣的战略举措，并标志着随着代理成为用户，定价模式正从基于席位向基于使用和结果的更广泛转变。

我们引用了 Veeam ON 中关于新 AI 栈的一场有益讨论。首席执行官 Anand Eswaran 提出了[3]一个论点，即 AI 中缺失的层是“数据和 AI 信任”。在我们看来，更细致的校准是，信任、合规、隐私和安全是必不可少的——但它们是 SoI 周围的支撑基础设施，而不是 SoI 本身。SoI 是将推动生产力的缺失 AI 层。这些其他要素是 SoI 的“配角”，使代理能够安全地大规模部署。绿色层仍然是代表企业状态和语义的系统——没有它，“信任”就没有什么连贯的东西可以治理。

底线是，这是一场针对未来平台层的地盘争夺战。赢家将是那些能够使绿色层成为现实、企业级且可重复——而不仅仅是定制化——同时将其与使代理驱动的运营可治理和安全的约束机制相结合的公司。

北极星：全栈数字孪生

下方的幻灯片将对话聚焦于理想的最终状态。它不仅仅是一个很酷的架构图——它是 AI 栈必须如何演进的北极星，如果企业真的希望代理在不破坏业务的情况下做出决策、采取行动并随时间改进的话。幻灯片将其称为全栈数字孪生——架构专家提炼厂 (The Full-Stack Digital Twin – Architecting the Expertise Refinery)，这个短语对我们来说很有意义。重点不是每家公司都要构建一个孪生体。重点是企业将不得不制造智能——然后将其提炼成可重复的结果，就像工厂将原材料提炼成产品一样。

在宏观层面，幻灯片分为两半：

• 底部的确定性数字孪生——“脚手架”——企业在此定义什么是真实的，什么是允许的；
• 顶部的认知数字孪生——“结晶”——系统在此捕获专家在规则不足时如何做出判断，并从中学习。

核心理念简单但难以执行。具体来说，没有确定性孪生体，你就无法获得认知孪生体。今年早些时候疯传的上下文图谱讨论——“隐性知识”、“部落知识”、“决策背后的原因”——无法独立存在。在我们看来，只有当它与定义业务状态的确定性基础集成时，它才具有经济可行性。

先有确定性数字孪生——再有“为什么”

幻灯片左侧的五层本质上是一个成熟度阶梯。底层两层是确定性基础——George 认为他在今年早些时候就“完成了”这一部分，直到行业开始关注上下文图谱问题：当规则崩溃、冲突或不存在时会发生什么？

上图展示了以下结构——明确这一点很有价值，因为每一层都建立在它下面的一层之上：

• 第 1 层——映射层：跨系统带来规范的身份。这是“罗塞塔石碑”步骤——在数十个断开连接的应用程序中识别出相同的业务对象。
• 第 2 层——规则层：带来规范性的业务和监管规则。强制性的约束——排序、审批、合规。
• 第 3 层——制度记忆：作为证据权威——记录专家如何对过去的决策进行推理，而不仅仅是他们决定了什么。
• 第 4 层——决策指导：作为咨询权威——将这些记忆实时合成为上下文中的建议和置信度。
• 第 5 层——学习与反馈：作为自适应权威——对推理质量进行评分，检测偏差，并反馈学习循环，使系统持续改进。

重要的细微差别是，企业不能通过“在上面撒上 AI”直接跳到第 3 到第 5 层。认知部分只有在锚定于业务的确定性状态时才有效——否则你只是在收集叙事，而没有机器可验证的基础。

成本问题以及为什么确定性脚手架改变了它

George 的研究基于一个我们认为许多企业仍然低估的原则。具体来说，前沿实验室花费巨资捕获推理痕迹——本质上是为大规模的专家教学付费。企业目前除了在狭窄的领域外并没有这样做，因为教学的成本和负担太高。

这里的声明并不是说企业需要像前沿实验室那样行事。声明更务实，即如果你在确定性孪生体内部，按业务流程设置专家教学，你就会缩小模糊性的表面积。专家不必解释一切——他们解释异常情况，即规则不再足够的领域。这就是经济效益发生变化的地方，也是为什么这个“专家提炼厂”概念不仅仅是一个研究想法——它是将判断力转化为资产的途径。

“脚手架”里到底有什么

这是我们想要用力推动的地方，因为“脚手架”正在成为市场上的一个空洞术语。供应商希望将自己定位为缺失的层。例如，Veeam Software Group GmbH 倾向于“信任”——合规、治理、安全、恢复——我们追问该信任层是脚手架的一部分，还是 SoI 内部的其他东西。我们还指出，Dell Technologies Inc. 的 Dataloop 收购案具有知识图谱组件，并可能为其网络弹性实践做出贡献。很难相信 Cohesity Inc.、Commvault Systems Inc. 和 Rubrik Inc. 等其他数据保护厂商没有在考虑类似的方向。

无论如何，迁移路径始于客户现在所要求的：维度语义。指标和维度。诸如预订和 RPO 等事物的标准定义。这是真正的工作，但不是最终目的地。

目的地是我们所称的状态化规则——当规则不再仅仅是存在于目录中、与数据分离的定义，而是与业务的实时状态相结合的时刻。那时数字孪生才真正成为现实，因为只有那时企业才能询问并回答诸如以下问题：

为什么会发生这种情况，接下来可能发生什么，我们接下来应该做什么？

如果规则和状态是分离的，你就没有一个能够可靠回答这些问题的系统。你拥有的只是文档。

这也可能对恢复产生影响。今天，恢复发生在数据层面（例如，恢复文件或数据集）。但恢复中没有流程逻辑的概念。未来，业务弹性将需要对业务状态进行粒度恢复——不仅包括代理在何时做了什么，还包括代理采取行动的原因以及背后的相应逻辑。

治理从“谁能看到什么”转向“你能做什么”

我们还深入探讨了治理，因为这是代理时代挑战旧假设的地方。

今天的治理主要是基于资源的——谁可以访问此数据集、此列、此行。该模型不会消失。但一旦代理在工作，它就不够用了，因为代理的全部意义在于你无法提前确切知道它会做什么。

因此，治理必须演变为基于意图的东西——编码到孪生体中的策略，限制代理在活动空间内被允许采取的行动。例如，它可以调用哪些工具，可以执行哪些操作，不能跨越哪些边界。在我们看来，这是使代理在企业规模上安全运行的控制平面的开始。

这张“北极星”幻灯片是 AI 栈发展方向的蓝图——也是为什么“缺失层”的争论变得嘈杂的原因。确定性孪生体使代理安全。认知孪生体使它们在大规模上变得有用。而信任、治理、弹性、恢复的关键组件——成为了让企业从实验转向真正运营模式变革的要素。我们相信，了解其在系统中角色的供应商——并且不将脚手架与智能系统本身混淆——有机会随着企业开始将“业务状态”视为必须像数据一样被管理、治理并最终恢复的东西，从而极大地扩展其潜在市场总额。

新运营模式的经济学

下方的幻灯片将我们带回了业务影响。左侧表示资本扩张——AI 工厂资本支出堆叠在（并最终超越）传统的 x86 更新之上。右侧表示协调劳动力下降——协调、解释、审批、恢复、集成、监控——因为 AI 语义层开始自动化将碎片化企业软件维系在一起的“人类胶水”。在我们看来，这是真正的平台转变——不是“更多的服务器”，而是围绕脆弱系统减少了人类协调。

Token 成为损益表上的一个项目

Jeff Clarke 在本周的 Dell Technologies World 2026 主题演讲中提出了这个前提：Token 成为损益表上的一个项目，运营模式随之改变。我们同意。企业将通过两种方式之一获得生产力提升：要么构建 AI 工厂并在内部制造 Token，要么通过应用程序编程接口和新云（Neoclouds）获取智能。无论哪种方式，重点都是一样的：在不扩大劳动力的情况下扩大收入。

这就是为什么我们不断回到之前幻灯片中的技术栈讨论。AI 工厂产生智能，但运营模式的影响体现在当该智能开始协调人类今天在接缝处所做的工作时——协调数据、裁决异常、管理恢复、推动审批并实时将洞察转化为行动。

客户零号验证：Dell 将数周压缩为数分钟

这里的一个可信案例不是供应商的承诺——而是 Dell 的首席信息官兼服务总裁 Doug Schmitt 描述 Dell 自己如何改变工作方式。例子很熟悉：

一个跨职能会议（物流、零件、财务、销售、市场进入）因为数据无法协调而卡在一个基本问题上。人们争论谁的数字是正确的。有人被指派去“寻找真相”。一周过去了。他们带着一个新的切片回来。仍然不是正确的切片。现在是电子邮件网球。两周后，也许你们终于达成了一致——而到那时业务已经变了。

Schmitt 的观点是，Dell 构建了一个数据网格（他们连接数据的方式），现在带着“单一版本的真理”出现。在会议中，他们不再等待一周——他们实时进行提示和重新提示，直到得到正确的答案（例如，“不是城市级，是县级”）。该循环将过去需要数天或数周的时间压缩到了一个单一的会话中——15 到 20 分钟，也许半小时。这就是运营模式在会议室中发生改变的例子。

从组织架构图到共享真理和结果对齐

Dell 轶事背后的“为什么”是以下两者之间的区别：

• 一群高产的个人，以及；
• 一个拥有共享业务状态模型，并将每个人的活动导向集体结果的组织。

在我们看来，这就是智能系统获得其价值的地方。它不是仪表板，也不是“更好的仓库”。它是一个将输入（信息+代理+必要时的人类专业知识）与业务试图实现的结果相匹配的平台。当我们说“平台”时，我们是字面意思——核心功能是可加的，并且与模型兼容。

我们还挑战了一个目前被过度炒作的叙事——“单人十亿美元公司”的桥段。我们以前听过这个电影的版本（早期网络炒作的“个人商人”时代），我们得到的不是一个个人商人的宇宙——我们得到的是亚马逊。原因是个人的生产力与协调集体结果的规划、控制和资源分配是不一样的。公司的存在是因为协调是困难的——而且是有价值的。

因此，方向性的赌注不是“公司变小”。方向性的赌注是，获胜的公司变得更大、更像平台，因为它们可以通过共享真理之上的参与系统来协调代理和人员——而无需依赖旧的组织架构图作为主要的协调机制。在那个世界里，组织架构图从属于业务指标的层级：

• 活动级指标；
• 流程级指标；
• 北极星指标。

一旦你这样做了，你就会得到我们列出的平台经济学：

• 建立智能系统和编码专业知识的高额固定成本；
• 低且不断下降的边际成本，因为人类专业知识主要被拉入处理边缘案例；
• 复合优势，因为每一笔交易和每一次专家教学会议都增加了系统的价值。

底线

我们的观点是，“AI 运营模式”是从跨碎片化系统的人类驱动协调，向建立在共享真理之上的 AI 媒介协调的迁移。这就是为什么 Clarke 关于损益表上 Token 的预测引起了共鸣。它迫使领导团队将智能视为生产投入，而不是实验——它迫使企业面对真正的瓶颈，即协调成本。

下周我们将深入探讨并解决这个问题：数据平台在多大程度上演变为智能系统——以及当“可观测性”不再意味着“应用程序的 Datadog”，而开始意味着“代理的 Datadog”（伴随着数据量、评估和学习循环）时会发生什么。

Image: theCUBE Research

原文标题：How AI stacks are rewriting the rules of business[4] ---【本文完】---

👇阅读原文，有问题试试和历史文章对话（欢迎 点赞/收藏/转发）。

1. https://siliconangle.com/author/guestauthor/ ↩
2. https://thecuberesearch.com/267-breaking-analysis-nadella-vs-benioff-the-real-story-behind-ais-agentic-future/ ↩
3. https://siliconangle.com/2026/05/15/veeam-claims-missing-data-ai-trust-layer-veeamon/ ↩
4. https://siliconangle.com/2026/05/23/ai-stacks-rewriting-rules-business/ ↩