“恐惧是一种非常糟糕的决策方式。”在深圳的一次交流中，担任亚马逊CTO二十多年的Werner Vogels提醒，当企业担心错过AI转型窗口时，越是着急，越需要先想清楚企业究竟要解决什么问题、AI又能帮上什么忙。他直言，企业不会因为此刻没有用上AI就立即倒闭，作决定之前，应先让工程师和管理者充分学习，了解技术的能力。

这位向来鼓励工程师打破常规的技术老兵，讲起了一场数据库故障。2004年12月12日，正值圣诞购物季关键节点，亚马逊客户数据库背后的共享磁盘出现故障，用户无法登录和下单，持续十二个多小时，损失数百万美元。供应商事后却回应“你们应该做好测试”。Werner随后意识到，亚马逊的规模已远超这套商业软件的设计范围，团队于是调查亚马逊究竟怎样使用数据库，发现约70%的关系型数据库场景只需键值访问，由此构建了键值存储系统Dynamo，即DynamoDB的前身。

这段经历放到今天颇有既视感：当年大家拿关系型数据库这把大锤处理各种数据问题，如今大模型也很容易成为那把顺手的锤子。谈到企业采用AI，Werner反复追问的也是类似问题——企业究竟想解决什么，AI是否适合，当前这一代AI是否适合。他提醒，图像识别、语音处理、预测等领域早已积累大量有效方法，企业选择技术前需先看任务本身，即使用大模型，也未必需要追着榜单第一名跑。他对基准测试有所保留，认为人为构造的测试与真实业务之间仍有距离，若模型已足够完成任务，继续为更高排名付钱就需重新掂量收益。

Werner格外看重经济模式的改变。过去买企业软件往往要先签五年、十年合同，管理者连明年需求都难预测却要先付钱；云计算把资源使用量与付费联系起来，让“缩容”有了实际意义，成本终于能进入架构讨论。到了AI时代，这笔账又添新项目。被问及“为什么智能体连遗忘都成了重要工程问题”时，他表示，如果智能体每次工作前都要扫描自己知道的一切，系统开销就会很大，开发者需让它留下对任务真正重要的内容；一些编程工具重启时会再次加载项目内容，用户昨天已为准备工作付过钱，今天又得重新付一遍，Kiro的跨会话记忆正是想减少这类重复劳动。他也愿意谈较小的模型以及DeepSeek、通义千问、Kimi等开放权重模型，因为有些客户经持续实验发现，更小的模型已能满足需求，使用成本也低得多。