Daniel Dines on Why AI Can't Replace Humans in Enterprise & Why Europe is Falling Behind

UiPath CEO Daniel Dine 说：AI 不会在岗学习、不会改自己的权重，所以"数据中心里几百万个爱因斯坦"短期不会出现，企业真正该攒的是那张"工作地图"。

AI不会替人上班，企业得先画出工作地图

Daniel Dines 是 UiPath 创始人兼 CEO。UiPath 原本以 RPA——也就是让软件机器人按既定步骤操作系统——闻名，如今正把自己从单点自动化工具推向“编排与自动化”平台：先弄清一家公司到底怎么工作，再把人、系统、自动化和 AI Agent 放进同一套可控流程。作为上市公司掌舵人，他管理着约 4,000 名员工，其中工程师超过 1,000 名。Dines 的判断很直接：眼下的 AI 很会推理、也很会生成，但它还不是一个能被企业“雇佣”的人。企业真正缺的，不是再接一个模型，而是一张足够细的工作地图。

这期回答了 8 个问题：

1. 为什么 AI 有记忆，却仍不等于会在工作中真正学习？
2. 企业为什么不该让 Agent 直接接管流程，而该让 AI 去“打印软件”？
3. 模型越来越便宜时，企业真正不可替代的资产到底是什么？
4. 那些没写在岗位说明书里的客户关系和主动性，如何被识别出来？
5. 为什么 vibe coding 做出原型很容易，上生产却可能更贵？
6. AI 转型中，企业究竟该留下哪些人，而不是简单裁掉哪些岗位？
7. AI 基建会不会像历次基础设施周期一样提前过度建设？
8. 欧洲明明有人才和 ASML，为什么仍在 AI 竞争中落后？

被问到数据中心会不会很快出现数百万个“爱因斯坦”、AI 能否像人一样在企业里上班时，Dines 先把一个常被混用的概念拆开：记忆不等于学习。模型可以在 scratchpad 或 notepad 里记录政策、客户偏好和操作规则，但这些内容更像贴在机器外面的便签；人则会在工作中被经验改造，判断方式会进入自身习惯和能力里。"Memory it's not necessarily learning. It's not the same thing. It's memory. It's just a thing that is written down."（记忆不必然等于学习。它们不是一回事；记忆只是被写下来的东西。）

他举了两个厨师的例子：一个做了 20 年日餐，一个做了 20 年意餐。即便拿到同一份菜谱，两人做出的菜也会不同。差别不在菜谱有没有写清，而在二十年的手感、失误、偏好和取舍。UiPath 自己开放平台给 coding agents 使用后，也看到类似现象：模型对开源技术往往做得更好，因为这类技术已有大量训练样例进入模型权重；面对 UiPath 自有技术，单靠 prompts 和 skills 去引导，效果仍有差距。

这意味着，企业把内部资料接入 Agent，并不等于造出了一个已经熟悉公司的人。很多资深员工的价值，不是背得出流程，而是能在客户可能流失前凭感觉提前介入，或在规则没写明时判断该怎么例外处理。边界也不是永远不变：如果未来模型能在工作中持续改变自身 weights，而不只是读取外部记忆，这条线会被重画。但 Dines 的判断是，这还需要多轮技术创新，不能拿未来假设当今天的人力方案。

被问到 AI 的 exactness，也就是“精确地、反复地做对同一件事”的能力限制时，Dines 给出了一笔很朴素的账：假设一个流程有 100 个连续步骤，每一步都有 99% 的正确率，整条链路走完的成功率会掉到约 60%。企业流程恰恰不是写一封偶尔出错也无妨的邮件，而可能是付款、报销、审批、下单和合规检查。一处偏差，后面九十九步都可能白做。

所以他主张把 AI 放在 design time，也就是设计阶段：让 coding agents 生成自动化；再让自动化在 execution time，也就是执行阶段，以确定性的方式跑起来。"You create you use AI to create software that runs the enterprise in a predictable, governant, auditable way."（你用 AI 来创建运行企业的软件，让它以可预测、可治理、可审计的方式运行。）这里的核心不是让 Agent 获得更大权限，而是让它先“打印”出软件。生成后的代码可以被人审阅、被测试覆盖，也可以验证某个固定输入必然得到固定结果。

这意味着，企业 AI 的成熟形态可能不是一群 Agent 在财务系统里自由行动，而是 AI 帮公司快速建造和维护一套“轨道”。上游系统页面改了、接口变了，自动化断掉时，AI 可以再进来修复；但修复后仍要经过测试和验证，才能重新上线。它像会修铁路的工程队，不是把一辆没有刹车的车直接交给模型开。自动化仍会中断，治理、审计和人工复核也不会消失；AI 减少的是搭建与修复成本，不是取消企业对确定性的需求。

在讨论法律 AI、开源模型和企业是否该训练自有模型时，Dines 提出了“map of work”。它不是一个普通知识库，而是完成某个业务目标所涉及的全部工作流、例外、程序和系统：谁在什么条件下介入，客户有特殊条款时怎么变通，哪个系统是记录源，哪些规则写在制度里、哪些只存在老员工脑子里。"Models are interchangeable, but the workflow, the map of work and the workflows around the map of work is where the the real value is."（模型可以互换，但真正的价值在于工作流、工作地图，以及围绕这张地图构建的工作流。）

这个判断来自模型迭代速度。今天企业花力气微调一个模型，两个月后可能出现更好的 base model。若没有自己的数据和精确“manual”，也就是工作手册，就很难把旧模型的经验迁移过去，transfer learning 会出现严重损失。模型换了，企业得重新解释自己是怎么运作的，等于每次搬家都把图纸扔掉。

Dines 还预测，企业运营类工作约 90% 的流量会走成本效率更高的模型，而不是始终调用最前沿模型。原因很简单：大量日常任务不需要最强推理，只需要稳定、便宜、在公司规则内完成。因此，企业真正要攒下来的不是“我接了哪家模型 API”，而是可迁移的上下文。模型越会降价、供应商越常换，这份工作地图越像企业的地契。不过，自建模型能否比 Anthropic 或 OpenAI 提供的高效模型更省钱，Dines 也没有下定论；大模型公司的基础设施规模，可能仍会带来更低的单位成本。

被追问电话里的语气、给客户发完正式邮件后的暖场消息、对特殊订单的临场判断这些“不可读数据”怎么捕捉时，Dines 没有把答案简化成监控员工桌面。他说 UiPath 正在推出一种名为 ctography 的方法，目标是发现工作实际如何完成，并据此形成 map of work。它不是只记录点击路径，而是追问点击背后的原因。

UiPath 的 ctographer agent 会在领域专家工作时实时访谈。比如，一位财务人员收到邮编不同的发票后，没有按默认路径处理，而是走了另一条路线。Agent 不止记下“发生了路径 B”，还会问：为什么改？这是客户的特殊约定、税务规则，还是这张单子存在风险？再把多位员工的答案汇总，生成 process maps，也就是展示实际工作方式的流程图。这样得到的不是一条看上去整齐、现实里谁也不遵守的标准流程，而是一张带着例外、分支和解释的工作地图。

这意味着，流程挖掘会从“记录日志”升级为“挖出判断”。一个资深员工为什么优先给某客户发货，为什么在金额没超阈值时仍升级审批，原本常常随着人离职一起消失；通过访谈和汇总，它们才有机会变成可讨论、可设计、可自动化的组织资产。但 Dines 也承认，员工会担心公司观察自己，是为了更准确地替代自己。这不是靠换个产品名就能解决的。管理层必须把转型目的、培训机会和岗位变化讲清楚，否则员工最先学会的不是配合，而是把真正的工作诀窍藏起来。

被问到 SaaS 会不会被 vibe coding——用自然语言让 AI 快速写出应用——全面替代时，Dines 没有否认它的惊艳。他说 UiPath 自己尝试过重写一款采购工具，初版完全由 AI 写成，刚出来时看上去很成功。但团队准备把它推到生产环境时，问题开始冒出来：测试不够，没人敢 100% 投入使用；AI 生成的数据库 schema，也就是数据库里表、字段和关联关系的结构，被他形容为“completely bogus”，最终还是得由人重建。

"Taking a software from a prototype to production it's actually where the work is not necessarily the writing code."（把软件从原型带到生产环境，真正的工作并不一定在写代码这件事上。）一段能跑的代码，不等于一个能负责的系统。生产环境还要处理 connectors，也就是和其他系统的连接；permissions，即不同角色能看什么、改什么；audit，出了问题后能否还原操作记录；security，以及后续持续维护。

这意味着，软件开发的瓶颈正在从“能否写出功能”移到“能否承担后果”。原型像搭一座样板房，AI 已能把墙和窗户迅速立起来；但真要住人，还得接水电、过消防、做门禁、留维修通道。能在一天内做出 demo 的团队，未必能以更低成本替代成熟 SaaS。Dines 的边界也说得清楚：他认为 AI 写原型很 amazing，问题只在当前阶段，从原型到生产仍需要大量人工干预。把二者混为一谈，才会让“代码生成很快”变成“软件可以不治理”的误判。

被问到 UiPath 有约 4,000 人、是否人员过多，以及 AI 是否应该直接削减人头时，Dines 的回答并不浪漫：多数岗位最终确实会需要更少的人。但他强调，公司不能把 AI 当作裁掉一部分员工的借口。他早就告诉团队会有转型，同时也明确反对先做一轮粗暴裁员，再宣布提高 AI 采用率。

他的理由是，职位说明书只记录了员工的主产出，却没记录组织真正依赖的附加产出。一个销售或客户成功人员，不只完成续约数字，也可能靠长期关系稳住大客户；一个普通员工，不只交付手头任务，也可能主动发现风险、带教新人、承载团队文化。Dines 把传统企业里依靠深度证书和专业知识的人称为“credentialed middle”。这类可被清晰定义的专业知识，恰恰更容易被 AI 辅助，未来可能需要更少的人；但主动性、关系维护和文化传递，未必能从岗位名称里看出来。

因此，他主张企业建立人员“ledger”，像记账本一样记录员工除主职责外的贡献，再决定谁该留下、转岗或减少。这意味着，人力重组不能只按部门、职级和工龄切。若一刀切，企业可能先裁掉最能推动 AI 落地的人：愿意试新工具、能补足例外、还能让客户信任变化的人。难点也很硬：企业至今没有可靠、低成本的方法，精确地区分同一岗位里谁更有主动性。这个账本若只变成主管的主观印象，反而会制造新的不公。

被问到 Nvidia、OpenAI、Oracle 等公司之间的循环投资，以及 AI 基建会不会过度建设时，Dines 的回答带着历史感：每一轮大型基础设施周期都曾出现过度建设。不是参与者不知道风险，而是每家公司都担心自己少建一点，就会错过最大机会。于是市场明明只有 100% 的蛋糕，所有人却一起按 200% 的蛋糕去盖厂、买芯片、建数据中心，最终一定会有输家。

"It's a big difference if it's coming in 10 years versus next two years."（这件事发生在 10 年后，还是未来两年，差别极大。）他认为，问题不在 AI 长期会不会需要巨大算力，而在企业用 AI 替代和改造人类工作的速度。若转型在十年内逐步发生，今天的大量基础设施可能刚好有用；如果资本市场已按未来两三年爆发来定价，而企业实际上还在慢慢整理流程、培训员工、做系统集成，供给就会先跑到需求前面。

这意味着，长期方向正确不等于短期投资一定安全。数据中心、电力、芯片和云服务都可能是未来必需品，但资产一旦在需求兑现前集中上线，价格、利用率和现金流会先承压。Dines 没有断言眼下数万亿美元级投入已经过量，他明确说自己不知道。真正的未知变量，是企业转型的扩散速度：AI 如果还需要先拿到那张“工作地图”，那么采用不会只由模型能力和 token 价格决定，还会被组织整理自身的速度卡住。

被问到欧洲未来三到五年会变好还是更糟、年轻欧洲创业者是否应该去美国时，Dines 给出的判断相当刺耳。欧洲有 ASML，这家荷兰公司制造芯片生产所需的关键设备；也有 Dario、Sam、Ilya 等具有欧洲背景的 AI 人才。但他仍说："from a technology standpoint, I think we are largely irrelevant."（从技术角度看，我认为我们基本已经无足轻重。）

他看到的差距不是“欧洲人不会做技术”，而是技术变成收入和规模的速度不同。Dines 说自己观察英国团队，下午 5 点已经去 pub；他认为这更多是文化问题，而非钱的问题。更关键的是，美国公司连中层管理者都更愿意为新技术做数百万美元级别的押注，不必等到所有证据齐全。欧洲企业更常要求先证明、再采购、再扩大，结果是创业公司即使有产品，也很难快速找到愿意承担早期风险的大客户。

这意味着，欧洲 AI 的短板不只在算力、资金或监管，而在采购决策、销售扩张和组织冒险的机制。对做通用技术的年轻欧洲创业者，Dines 的建议是去美国，成功概率更高；因为美国的收入机器更容易接入，也更愿意押注尚未被完全验证的愿景。但这不代表欧洲没有机会。他仍看好 AI 应用层公司，也认为主权、本地部署和模型可选性会形成真实需求。欧洲可以不做最大的前沿模型实验室，却可能在“把模型放进受监管、本地化企业”的生意上长出自己的位置。

Dines 的主线并不是“AI 没那么强”，而是“AI 的能力，不等于一个可直接雇佣的员工”。“AI有记忆不等于会学习，因而还替不了真正的员工”说的是个体层面的差别：模型能读到信息，却未必像人一样被经验塑形。“企业AI的正确分工，是让概率模型造软件而非直接执行软件”说的是系统层面的安排：既然模型仍有概率性，就别让它裸奔在付款、合规和客户流程里，而该让它帮助造出可测试、可审计的轨道。

两条断言最终都指向“模型会商品化，工作地图才是企业真正的护城河”。企业若不知道一张异常发票为什么要换路径，不知道哪个客户关系依赖谁来维护，不知道员工如何在规则之外做出正确判断，再强的模型也只能看到散落的材料。反过来，有了这张地图，企业才能更换模型、训练自有模型、设计自动化，也才能判断哪些人该被留下来帮助转型，而不是按岗位名称一批批砍掉。

对普通读者来说，这不只是 CEO 的组织难题。你所在团队里那些从不写进 SOP 的判断、对客户情绪的把握、主动补位的习惯，未来会越来越需要被说清楚、被沉淀下来。不是为了把自己变成流程的一部分，而是为了分辨：哪些工作可以交给 AI，哪些经验只有在真实关系、真实后果和真实责任里才会长出来。