Lilt推智能体工作流重塑跨国沟通 联想借此替代15年传统外包

Transforming Cross-Border Business Communication with Agentic AI With Lilt — Ai4

Ai4

通用大模型因难以控制业务流程中的非确定性而频遭落地瓶颈,具备严格治理能力的智能体工作流正推动企业从“人类调用AI”转向“AI自主运转”,加速替代高成本的传统专业服务外包。

AI-assisted summary of Transforming Cross-Border Business Communication with Agentic AI With Lilt — original source. Check the original for full context.

Source published:

Detailed notes

## Background 该内容由 Ai4 于 2025 年 8 月 29 日发布在 YouTube 平台上。根据页面简介,本次演讲由 Lilt 首席执行官 Spence Green 主讲,重点探讨在超级智能时代下,为什么传统翻译工具与 ChatGPT 无法满足企业级需求,以及基于生成式 AI 的 Agentic 工作流如何重塑企业跨国内容策略与沟通效率。

## TL;DR Spence Green 在演讲中揭示了企业级多语言沟通所面临的严峻挑战,指出高达 300 亿美元的跨国沟通市场中目前仅有 1% 实现软件化。他深入分析了企业在引入 AI 时面临的“分形难题”与消除非确定性的必要性,并阐述了支撑企业级 Agentic 系统的三大核心支柱:上下文感知模型、自适应 UX 及全链路连接能力。演讲结合联想集团 ThinkPad 本地化与高风险政府情报分析等真实案例,展示了 AI 驱动工作流将数周传统分析缩短至半天的颠覆性变革。

## Atmosphere & style 演讲整体呈现出专业、睿智且充满前瞻洞察的学术与行业干货氛围。Spence Green 凭籍其在斯坦福 AI 实验室及 Google Translate 的深厚技术底蕴,以务实严谨又不失幽默的语言风格引导听众。演讲过程中既有对 90 年代互联网初生时刻的怀旧共鸣,也有对当下企业 AI 落地痛点的深刻剖析,将高深的 Agent 架构理念与真实商业案例有机融合,带来极具启发性与说服力的视听体验。

## Key takeaways - [00:04](https://www.youtube.com/watch?v=tKnQea-lfMA&t=4s) Lilt 专注于高风险、受严格监管的企业与政府跨语言沟通场景,这些场景对内容准确性有极致要求,是传统消费级翻译工具无法胜任的绝佳企业级 AI 用例。 - [00:41](https://www.youtube.com/watch?v=tKnQea-lfMA&t=41s) 企业引入 Agentic 系统的最大障碍并非技术,而是工作流变革中复杂的人的因素,以及企业业务犹如“分形问题”般层出不穷的边缘情况与低容错率。 - [01:40](https://www.youtube.com/watch?v=tKnQea-lfMA&t=100s) 企业级 Agent 架构设计的关键在于消除“无效的非确定性”,既要赋予智能体必要的决策自由度,又必须通过严谨的软件逻辑约束执行路径,防止违背业务常理的操作。 - [03:52](https://www.youtube.com/watch?v=tKnQea-lfMA&t=232s) 全球 300 亿美元的多语言商业沟通市场中仅有约 1%(3 亿美元)被软件化,因质量认证、多层级审批及大规模交付三大门槛,绝大部分依然依赖昂贵的专业人工外包。 - [05:34](https://www.youtube.com/watch?v=tKnQea-lfMA&t=334s) 企业信息流动主要包含两大方向:将内部语言转化为海外用户目标语言的“对外分发”,以及将外部海量外语信息沉淀为决策参考的“对内理解与情报”。 - [06:10](https://www.youtube.com/watch?v=tKnQea-lfMA&t=370s) 直接将通用前沿大模型生搬硬套到企业业务流程往往会跌入“幻灭低谷”,只有提供内置治理机制与高可靠性的端到端方案,才能真正跨越落地鸿沟。 - [08:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=502s) 传统 SaaS 软件为了覆盖千差万别的企业场景异化成了臃肿的“决策树”,而 Agentic AI 的革命性在于能够代替业务人员直接穿越并执行这棵复杂的决策树。 - [09:20](https://www.youtube.com/watch?v=tKnQea-lfMA&t=560s) 真正可靠的企业级 Agentic 系统依赖三大支柱:上下文感知模型编排、动态生成界面的自适应 UX 工作流,以及贯穿客户全生命周期的全链路连接能力。 - [14:21](https://www.youtube.com/watch?v=tKnQea-lfMA&t=861s) 人机协作范式正从“人类主导并在需要时调用 AI”转变为“AI 自主运转完整工作流,仅在遇到异常或关键决策节点时呼叫人类介入”。 - [14:40](https://www.youtube.com/watch?v=tKnQea-lfMA&t=880s) 联想 ThinkPad 案例证明,Agentic AI 工作流能够完全替代合作 15 年的传统语言外包商;而缺乏专有业务知识与治理能力的通用前沿大模型在此类任务中必然失效。 - [15:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=922s) 在关乎国家安全的高风险情报分析中,Agentic AI 将原本耗时 3 至 4 周的多语言研判压缩至单个下午,极大地保全了具有强时效性情报的战略价值。

## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=tKnQea-lfMA&t=4s) 创立 Lilt 的初衷与企业级多语言通信的高风险场景

Lilt 联合创始人兼首席执行官 Spence Green 在演讲开场时回顾了自己的学术与技术背景。在创立 Lilt 之前,他曾是斯坦福大学人工智能实验室(Stanford AI Lab)的研究科学家,并在 Google Translate 团队工作过一段时间。创立 Lilt 的核心愿景,是希望让企业级跨语言、跨国界的沟通变得像今天普通消费者使用 Google Translate 等消费级产品一样轻松顺畅。

不同于普通的日常翻译,Lilt 的业务重心主要聚焦于超大型企业,尤其是受严格监管的行业以及政府机构。在这些高风险(high-stakes)场景中,沟通内容必须保证绝对准确无误,容不得半点差错。Spence Green 强调,这种对准确性要求极高的场景正是企业级 AI(Enterprise AI)能够大显身手的绝佳用例。

[00:41](https://www.youtube.com/watch?v=tKnQea-lfMA&t=41s) 企业 AI 的落地现实:工作流变革的“分形难题”与消除非确定性

回顾企业 AI 的整体现状,Spence Green 指出目前企业界仍处于大量实验阶段。虽然代码辅助(coding assistance)和客户支持(customer support)等领域已经取得了显著且成熟的成效,但其他多数领域仍在探索之中。如今,几乎每位员工的桌面上都配备了某种形式的 AI 助手,这为向全员推广部署 Agent(智能体)带来了巨大的契机。然而,横亘在企业面前的最大阻碍并非技术本身,而是工作流变革中的“人的因素(human factors)”。过去企业推行一款新软件就已经非常艰难,而现在引入 Agentic 系统,则要求员工彻底转变跨团队协作的方式。

许多人习惯从消费级场景做简单外推,以为只要把 ChatGPT 扔给员工,他们就能自己摸索搞定。但在企业环境中,各家公司的容错率截然不同,员工害怕犯错,多团队协作更是让流程变得盘根错节。Spence Green 将企业业务工作流形象地比喻为“分形问题(fractal problems)”——就像分形几何一样,你越是凑近细看,冒出来的边界情况(edge cases)就越多,需要专门建模和确保可靠性的细节也随之激增。这也是为什么企业级软件(尤其是 Agentic 系统)的采用曲线异常陡峭。

```mermaid flowchart TD accTitle: Eliminating Unuseful Non-Determinism in Agentic Workflows subgraph Pipeline["代码提交流程示例"] A["1. 编写代码 (Write Code)"] --> B["2. 代码审查 (Code Review)"] B --> C["3. 安全测试 (Security Testing)"] end

subgraph Control["架构控制层"] D["消除无效非确定性 (Prune Invalid Paths)"] E["保留决策自由度 (Useful Degrees of Freedom)"] end

Control -. 约束执行顺序.-> Pipeline ```

针对这一挑战,企业需要化解内部普遍存在的“影子 AI(Shadow AI)”现象,将员工零散的个人工具使用转变为由团队协同支撑的系统级能力。与此同时,企业级落地的关键在于控制“非确定性(non-determinism)”。Agent 系统的强大之处在于其拥有做决策的自由度,但系统的架构设计必须剔除那些“毫无用处的非确定性”。Spence Green 举例说明:在一个标准的代码提交流程中,顺序必须是写代码、做 Code Review,最后进行安全测试;如果系统在代码还没写出来之前就跑去做安全测试,这种非确定性就是无效且有害的。因此,必须通过严谨的软件架构来组织 Agent 与工具的交互逻辑,彻底消除违背现实业务常理的执行路径。

[03:52](https://www.youtube.com/watch?v=tKnQea-lfMA&t=232s) 300 亿美元的多语言市场与企业服务软件化缺口

谈及跨国多语言沟通,很多高管层(C-suite)往往存在认知误区。当他们得知自家公司每年要在产品与服务本地化、构建多语言聊天机器人以及多语言代码库维护上花费 500 万美元时,常常感到不可思议,甚至会疑惑:“这难道不是 Google Translate 在十年前、十五年前就已经解决的问题吗?”然而现实并非如此。企业级跨语言沟通无法依赖通用翻译工具,原因在于三大核心门槛: 1. **质量认证标准**:商业传播必须具备严格的质量背书与合规认证; 2. **多层级审批与审查工作流**:涉及企业内部跨部门的层层审核; 3. **海量内容交付的规模化挑战**:需要应对持续涌现的大规模业务资产。

这三大痛点正是 Agentic AI 替代传统专业外包服务(Professional Services)的绝佳切入点。在全球范围内,企业每年在专业服务上的支出高达 4 万亿美元左右,而 Lilt 所切入的多语言商业沟通市场规模约为 300 亿美元。令人震惊的是,在 Google Translate 诞生约 20 年后的今天,这个 300 亿美元的市场中仅有约 3 亿美元被软件化(占比仅约 1%),绝大部分依然依赖高昂的人力外包。Spence Green 指出,这种现象不仅存在于多语言领域,在会计、平面设计、法律服务、战略咨询等各类企业专业服务中同样广泛存在,而 Agentic AI 正在迎来全面重塑这些传统服务、大幅提升运转效率的历史性机遇。

[05:34](https://www.youtube.com/watch?v=tKnQea-lfMA&t=334s) 企业的两大信息流与跨越 AI 落地的“幻灭低谷”

在深入企业实际运作时,企业通常存在两种主要的信息流动方向:

| 信息流向类型 | 业务特征与典型场景 | 核心目标 | |:--- |:--- |:--- | | **对外发布与分发 (Distribution)** | 企业跨区域进行产品发布(Product Launch)、向海外用户提供本地化客户支持。 | 将企业内部工作语言转化为海外客户、用户或供应商的目标语言。 | | **对内理解与情报 (Understanding)** | 收集特定区域内关于自身品牌的讨论或当地发生的重要事件(如商业舆情监测、政府情报收集)。 | 将外部海量外语信息沉淀并转化为企业工作语言,辅助关键决策。 |

在向客户介绍方案时,Lilt 的初次沟通演示文稿(Deck)中特意包含了一条带有明显“下陷低谷(trough)”的采用曲线。许多企业起初接到管理层“用 AI 全面改造现有业务”的自上而下指令,便匆匆引入通用商业大模型或最新的前沿模型(如 GPT-4 / GPT-5)。但一旦将其直接硬套进实际工作流,系统很快就会崩溃——要么出现严重的信息错误,要么在面临截然不同的业务规模时延误交付节点,甚至引发信息安全问题。

企业随之陷入焦虑的被动应对状态:既想推进智能化转型,又缺乏可落地的路径。Lilt 的定位正是在此切入,提供一套内置治理机制(Governance)与高度可靠性的端到端 AI 完整方案,直接替换掉那些高度依赖人工、成本高昂的专业服务外包。一旦某个核心用例成功跑通,企业内部的思维模式就会发生转变:未来每当遇到新的沟通需求时,团队会本能地优先考虑用 AI 系统解决,而非继续堆砌人力。

[08:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=502s) Agent 带来的软件范式革命与三大核心支柱

针对当前行业对 Agent 的讨论,Spence Green 幽默地调侃道:“2025 年所谓的 Agent,在某种程度上就像是 2024 年 RAG(检索增强生成)应用的重新包装——无非是一个 Prompt 加上一个数据源,然后输出某种结果供人做研究。”但他随即严肃指出,这实际上代表了软件开发近 20 年来最深刻的一场变革。今年春天,当他重新坐下来与工程师一起为产品编写代码时,那种震撼感让他回忆起 1995、1996 年孩提时代在网景浏览器(Netscape)见证互联网初生时的激动体验。

这种变革直击企业级软件中最痛苦的死穴:传统 SaaS 软件为了适配千差万别的企业业务上下文,不得不堆砌海量配置项,最终将产品异化成一棵极其庞大臃肿的“决策树(decision tree)”。用户为了完成一项任务,必须在各种下拉菜单、跳转页面和必填字段之间艰难摸索。例如“让企业销售人员在 Salesforce 里老老实实填写字段,整整折腾了 20 年依然难如登天”。而 Agentic 系统的威力在于,业务人员心里清楚自己想做什么,AI 可以直接替他们去穿越和执行这棵复杂的决策树。

要构建真正可靠的企业级 Agentic 系统,必须依托三大核心支柱:

```mermaid flowchart LR accTitle: Three Pillars of Enterprise Agentic Systems subgraph Pillars["Agentic 系统三大支柱"] A["1. 上下文感知模型<br>(Context-Aware Models)"] B["2. Agentic 工作流与自适应 UX<br>(Agentic Workflows & Adaptive UX)"] C["3. 全链路连接能力<br>(Connectivity)"] end

A --> D["模型微调 + 动态检索编排"] B --> E["按需动态生成界面与执行流"] C --> F["打通客户全生命周期软件接触点"] ```

- **上下文感知模型(Context-Aware AI Models)**:现代系统依赖多模型编排(Orchestration),而非单一模型的单次推理。系统混合调用针对特定任务微调(SFT / 在线强化学习)的小模型与通用大模型,并结合 RAG 检索,将二者有机组合以适应具体的业务上下文。 - **Agentic 工作流与自适应 UX(Adaptive UX)**:彻底告别静态固定界面。系统根据用户当下需要完成的具体任务(job to be done),动态生成对应的工作流与交互界面。 - *软件演进对比*:1980 年代企业全靠自建定制软件(高度契合但极耗资源);2000 年代 SaaS 兴起(统一部署但需花费巨资购买配套专业服务进行二次定制,连几百人的小公司都要雇佣专职 Salesforce 管理员);而 Agentic 工作流则兼具两者优势——既能开箱即用,又能针对具体业务上下文自我动态调优。 - **全链路连接能力(Connectivity)**:覆盖从潜在客户认知、购买决策、支付到后期留存的全生命周期,能够无缝挂接企业内部各业务环节所触达的底层系统与数据源。

[14:21](https://www.youtube.com/watch?v=tKnQea-lfMA&t=861s) 联想集团 ThinkPad 案例:从“人调用 AI”迈向“AI 驱动工作流”

上述架构正推动企业协作模式发生根本性逆转:过去是人类在主导工作并在需要时偶尔调用 AI(如当前初期的代码辅助);而未来的范式将转变为由 AI 自主运转完整工作流,仅在遇到异常或关键节点时才呼叫人类介入。

在实际业务验证中,联想集团(Lenovo)提供了一个极具说服力的范例: - **场景实践**:消费者在访问 lenovo.com 选购 ThinkPad 笔记本电脑时,页面上呈现的所有非英语多语言内容,全部由 Lilt 的 Agentic 工作流自动生成。 - **业务成效**:该方案直接替代了一家联想合作长达 15 年的传统专业语言服务外包商。不仅大幅缩短了新产品推向全球市场的周期(Time-to-Market),显著降低了内容生产成本,更助力联想触达了更广泛的国际客群。 - **通用模型失效的根源**:联想曾尝试直接使用 Google Translate 或调用 GPT-4/GPT-5 等通用模型,但均以失败告终。因为其业务上下文高度专有,涵盖具体的产品硬件规范、快速更迭的新品知识体系,必须依赖高度定制化、具备治理能力的 Agentic 工作流才能稳定运行。除商业巨头外,政府情报分析等同样面临多语言逆向理解挑战的领域,也正在全面加速该系统的落地。

[15:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=922s) Agentic AI 在高风险情报分析中的变革性应用与结语

在涉及多语言理解的高难度应用场景中,政府情报分析是一个极具代表性的领域。当今绝大多数从事安全与情报工作的政府部门,高度依赖人工分析师去收集、研读并理解其他国家与地区的言论和情报动向。在这个关乎国家安全、需要将海量外部信息快速转化为核心决策的高风险(high-stakes)环境中,Agentic AI(智能体 AI)展现出了巨大的赋能潜力。

通过将智能体系统部署到这类极端复杂的业务流中,原本在历史上往往需要耗费三到四周(three to four weeks)才能完成的跨语言情报梳理与分析任务,如今在短短一个下午(a single afternoon)内即可高效搞定。这种效率跃迁对于情报工作而言是颠覆性的,因为正如演讲者所强调的——“情报具有极强的时效性”(intelligence is perishable),一周之后获得的情报其价值远远不及当下。Agentic AI 正通过将高度人工化、极其耗时且容错率极低的传统工作流重塑为自主智能体工作流,释放出前所未有的战略价值。在分享的最后,演讲者向全场致谢,并简要开放了提问环节。

```mermaid flowchart LR accTitle: 跨语言情报分析工作流变革对比 subgraph Traditional["传统人工工作流(耗时 3-4 周)"] A["多语言原始情报收集"] --> B["人工多语种研读与翻译"] B --> C["人工汇总与分析"] C --> D["形成决策报告(情报易过期)"] end

subgraph Agentic["Agentic AI 工作流(耗时一下午)"] E["自动化多源情报采集"] --> F["Agentic AI 深度理解与提炼"] F --> G["即时高价值决策建议(保障时效性)"] end ```

- **任务周期缩短**:将传统需耗时 3 至 4 周的情报研判工作大幅压缩至单个下午完成。 - **情报时效价值(Perishability)**:情报信息随时间推移会迅速贬值,即时转化多语言数据的能力直接决定了安全决策的有效性。 - **高风险流程自动化**:将以往极度依赖人力的复杂、高风险场景成功转化为精准可靠的智能体协作工作流。

## Notable quotes > [00:04](https://www.youtube.com/watch?v=tKnQea-lfMA&t=4s) 创立 Lilt 的核心愿景,是希望让企业级跨语言、跨国界的沟通变得像今天普通消费者使用 Google Translate 等消费级产品一样轻松顺畅。 — Spence Green

> [00:41](https://www.youtube.com/watch?v=tKnQea-lfMA&t=41s) 横亘在企业面前的最大阻碍并非技术本身,而是工作流变革中的人的因素。过去企业推行一款新软件就已经非常艰难,而现在引入 Agentic 系统,则要求员工彻底转变跨团队协作的方式。 — Spence Green

> [00:41](https://www.youtube.com/watch?v=tKnQea-lfMA&t=41s) 企业业务工作流就像分形几何一样,你越是凑近细看,冒出来的边界情况就越多,需要专门建模和确保可靠性的细节也随之激增。 — Spence Green

> [00:41](https://www.youtube.com/watch?v=tKnQea-lfMA&t=41s) Agent 系统的强大之处在于其拥有做决策的自由度,但系统的架构设计必须剔除那些毫无用处的非确定性。 — Spence Green

> [03:52](https://www.youtube.com/watch?v=tKnQea-lfMA&t=232s) 在 Google Translate 诞生约 20 年后的今天,这个 300 亿美元的市场中仅有约 3 亿美元被软件化,绝大部分依然依赖高昂的人力外包。 — Spence Green

> [05:34](https://www.youtube.com/watch?v=tKnQea-lfMA&t=334s) 许多企业起初接到管理层‘用 AI 全面改造现有业务’的自上而下指令,便匆匆引入通用商业大模型……但一旦将其直接硬套进实际工作流,系统很快就会崩溃。 — Spence Green

> [08:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=502s) 2025 年所谓的 Agent,在某种程度上就像是 2024 年 RAG 应用的重新包装——无非是一个 Prompt 加上一个数据源,然后输出某种结果供人做研究。 — Spence Green

> [08:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=502s) 让企业销售人员在 Salesforce 里老老实实填写字段,整整折腾了 20 年依然难如登天。而 Agentic 系统的威力在于,业务人员心里清楚自己想做什么,AI 可以直接替他们去穿越和执行这棵复杂的决策树。 — Spence Green

> [14:21](https://www.youtube.com/watch?v=tKnQea-lfMA&t=861s) 过去是人类在主导工作并在需要时偶尔调用 AI,而未来的范式将转变为由 AI 自主运转完整工作流,仅在遇到异常或关键节点时才呼叫人类介入。 — Spence Green

> [15:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=922s) 情报具有极强的时效性,一周之后获得的情报其价值远远不及当下。 — Spence Green

> [15:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=922s) 原本在历史上往往需要耗费三到四星期才能完成的跨语言情报梳理与分析任务,如今在短短一个下午内即可高效搞定。 — Spence Green

## Mentioned Spence Green, Lilt, Stanford AI Lab, Google Translate, ChatGPT, GPT-4 / GPT-5, Salesforce, Netscape, Lenovo (联想集团), ThinkPad, Ai4

## Video description Spence Green, CEO, Lilt

Abstracts

The dawn of the superintelligence age is here, but are we truly ready to communicate across borders at scale? In today’s global economy, effective multilingual communication isn’t a luxury; it’s a strategic necessity. In this talk, I’ll explain why traditional tools like Google Translate and ChatGPT fall short for enterprise needs, and how agentic workflows powered by generative AI are transforming global content strategy. You’ll learn how to automate high-level communication tasks, free up your teams for more strategic work, and scale content with unprecedented precision. If you’re ready to move beyond the hype and toward real AI-driven business transformation, this session is for you.

[Source](https://www.youtube.com/watch?v=tKnQea-lfMA)

中文简报

Lilt取代联想合作15年服务商,智能体AI颠覆传统工作流 智能体AI有望通过端到端执行企业工作流并将人类专家转为异常处理角色,从而拿下规模达300亿美元的本地化市场。 Spence Green深入分析了规模达300亿美元的多语言沟通市场,指出受企业对质量、治理与规模化要求的限制,目前该市场仍有99%被人工专业服务占据。他阐释了智能体软件如何通过在后台编排模型、生成自适应用户界面并应对复杂的软件决策树,攻克业务工作流的分形复杂性与非确定性。最终,这将推动组织从“人类主导、AI辅助”转向颠覆性的倒置范式:由自主智能体端到端运行工作流,仅将异常情况上报给人类专家,联想的自动化电商本地化以及公共领域的快速情报分析便体现了这一转变。 企业级 AI 普及的瓶颈不在于模型能力,而在于人类组织因素以及重构跨部门协同工作流的挑战;同时企业业务属于充满边缘情况与极低容错率的“分形问题”,架构上必须严格消除无用非确定性。 (1:43) 在全球 4 万亿美元的专业服务市场中,本地化占据 300 亿美元规模,但由于企业对质量认证、多级审批与规模化的严格要求,目前仅有约 1% 被传统软件替代,仍由 99% 的人力服务主导。 (3:52) 直接使用原生大模型常因缺乏治理而陷入采用低谷,而智能体架构通过根据用户意图自主遍历底层复杂的业务决策树,有效解决了传统企业级 SaaS 软件功能臃肿与配置繁琐的问题。 (8:22) 企业级智能体平台依赖多模型协同编排与动态生成界面的自适应 UX,彻底颠覆了人机协作范式:由 AI 自主端到端执行核心流程,仅在出现异常或质量质检升级时才调用人工专家处理。 (13:17)

精炼阅读摘要

Lilt联合创始人兼首席执行官Spence Green指出,在规模达300亿美元的跨国本地化与企业多语言通信市场中,纯软件渗透率目前仅占约1%;由智能体(Agentic AI)驱动的架构正在颠覆传统严重依赖人力外包的专业服务模式。 企业工作流的分形特征与非确定性治理 (1:43) Spence Green认为,将消费级AI的采用逻辑直接套用到企业端是一种常见误区。在ChatGPT等消费级应用中,个人用户可以独立探索且容错率高;而在涉及跨部门协作的严肃企业场景中,业务工作流呈现出“分形问题”的特征——越深入审视,边缘案例、系统依赖和建模需求就越发繁杂。这种内在复杂性让企业难以直接将员工自发的“影子AI”实验转化为可治理的团队化业务架构。 构建高可靠智能体系统的核心工程挑战在于消除“无用非确定性”。非确定性虽然赋予了智能体自主决策能力,但系统必须通过确定性的架构管道设定边界。例如在软件开发流程中,系统必须在架构层面上强制执行“编写代码、代码审查、安全测试”的时序逻辑,避免智能体获得在生成代码前就去执行安全测试等不合逻辑的自由度,以此确保企业级交付物的严密性。 300亿美元本地化市场的服务外包重塑 (3:52) 跨国企业的管理层往往惊讶于自身每年在本地化、多语言对话机器人及代码国际化上的支出高达数百万美元,且常误以为机器翻译在十多年前就已被Google解决。然而,消费级翻译工具无法满足企业端的三项核心诉求:严格的质量认证标准、多层级的审批与复核链条,以及庞大内容的规模化吞吐。这导致在规模达300亿美元的全球本地化市场中,仅有约3亿美元(约1%)被软件捕获,其余99%的市场份额长期被密集的人力专业服务机构把持。 企业多语言通信涵盖双向信息流:一是由内向外的“分发”(如产品发布、市场营销和客户支持),二是由外向内的“理解”(如境外社交舆情监测与情报收集)。许多企业在自上而下推进现代化时,因直接调用未经治理的通用大模型而遭遇翻译错误、工期延误或数据违规,陷入“采用低谷”。Green指出,这一现状与法律、咨询、会计等规模达4万亿美元的专业服务大市场类似,端到端的智能体系统正逐步替代传统人力外包。 模型编排与自适应用户界面打破SaaS困境 (8:22) 传统企业级SaaS为了满足多样化的业务规则,往往演变成包含层层下拉菜单、复杂表单和繁琐配置的庞大决策树,导致员工因操作繁琐而难以有效使用。智能体架构的出现解决了这一痛点,它允许用户直接以自然语言表述意图,由系统在后台自主遍历并执行底层的软件决策树。Green将这一范式演进比作1995至1996年他在Netscape经历的互联网初期变革。 落地企业级智能体平台依赖三大支柱:上下文感知模型、具备自适应界面的动态工作流,以及深度企业系统互联。在模型层,系统不能依赖单次推理,而是通过编排领域专用小模型与前沿推理大模型,并结合检索增强生成(RAG)、监督微调和在线强化学习来实现业务定制。在交互层,智能体摆脱了固定UI,演变为根据具体业务情境即时动态生成界面的“自适应UX”,消除了企业为适配标准化SaaS而采购昂贵配置咨询的负担。 人机流程倒置与高价值实战应用 (13:17) 智能体系统通过与企业CRM、内容管理系统及数据存储库深度集成,彻底倒置了传统的业务流程。在旧有模式中,人类员工承担核心执行任务,偶尔调用AI工具辅助;而在新型智能体模式下,AI端到端全自动运行整体工作流,仅在触发质量阈值、遇到边缘案例或需要合规审批时才主动上报并介入人工专家。这种模式转变大幅削减了人工等待开销。 在联想(Lenovo)的实际案例中,ThinkPad笔记本在全球电商网站上的多语言商品描述现已完全由Lilt智能体系统生成,直接取代了联想合作长达15年的传统本地化服务商,在解决专有名词准确性问题的同时降低了制作成本并加速全球上市周期。类似地,在高度依赖时效性的政府情报领域,以往需要分析人员耗费3至4周手动收集与翻译的涉外信息,借助智能体系统可在单个下午内完成处理与综合,避免了高价值情报因分析滞后而失去时效。 尽管当前诸多标榜智能体的产品实质仍属于检索增强生成包装,但通过模型编排、动态自适应界面和与核心企业系统的深度互联,AI从辅助工具升级为流程主导者已在联想电商与政府情报等场景中完成验证。如何在保障确定性与安全合规的前提下重构组织协作习惯,仍是企业全面推行智能体面临的核心组织挑战。

Detailed notes — zh

## Background 该内容由 Ai4 于 2025 年 8 月 29 日发布在 YouTube 平台上。根据页面简介,本次演讲由 Lilt 首席执行官 Spence Green 主讲,重点探讨在超级智能时代下,为什么传统翻译工具与 ChatGPT 无法满足企业级需求,以及基于生成式 AI 的 Agentic 工作流如何重塑企业跨国内容策略与沟通效率。 ## TL;DR Spence Green 在演讲中揭示了企业级多语言沟通所面临的严峻挑战,指出高达 300 亿美元的跨国沟通市场中目前仅有 1% 实现软件化。他深入分析了企业在引入 AI 时面临的“分形难题”与消除非确定性的必要性,并阐述了支撑企业级 Agentic 系统的三大核心支柱:上下文感知模型、自适应 UX 及全链路连接能力。演讲结合联想集团 ThinkPad 本地化与高风险政府情报分析等真实案例,展示了 AI 驱动工作流将数周传统分析缩短至半天的颠覆性变革。 ## Atmosphere & style 演讲整体呈现出专业、睿智且充满前瞻洞察的学术与行业干货氛围。Spence Green 凭籍其在斯坦福 AI 实验室及 Google Translate 的深厚技术底蕴,以务实严谨又不失幽默的语言风格引导听众。演讲过程中既有对 90 年代互联网初生时刻的怀旧共鸣,也有对当下企业 AI 落地痛点的深刻剖析,将高深的 Agent 架构理念与真实商业案例有机融合,带来极具启发性与说服力的视听体验。 ## Key takeaways - [00:04](https://www.youtube.com/watch?v=tKnQea-lfMA&t=4s) Lilt 专注于高风险、受严格监管的企业与政府跨语言沟通场景,这些场景对内容准确性有极致要求,是传统消费级翻译工具无法胜任的绝佳企业级 AI 用例。 - [00:41](https://www.youtube.com/watch?v=tKnQea-lfMA&t=41s) 企业引入 Agentic 系统的最大障碍并非技术,而是工作流变革中复杂的人的因素,以及企业业务犹如“分形问题”般层出不穷的边缘情况与低容错率。 - [01:40](https://www.youtube.com/watch?v=tKnQea-lfMA&t=100s) 企业级 Agent 架构设计的关键在于消除“无效的非确定性”,既要赋予智能体必要的决策自由度,又必须通过严谨的软件逻辑约束执行路径,防止违背业务常理的操作。 - [03:52](https://www.youtube.com/watch?v=tKnQea-lfMA&t=232s) 全球 300 亿美元的多语言商业沟通市场中仅有约 1%(3 亿美元)被软件化,因质量认证、多层级审批及大规模交付三大门槛,绝大部分依然依赖昂贵的专业人工外包。 - [05:34](https://www.youtube.com/watch?v=tKnQea-lfMA&t=334s) 企业信息流动主要包含两大方向:将内部语言转化为海外用户目标语言的“对外分发”,以及将外部海量外语信息沉淀为决策参考的“对内理解与情报”。 - [06:10](https://www.youtube.com/watch?v=tKnQea-lfMA&t=370s) 直接将通用前沿大模型生搬硬套到企业业务流程往往会跌入“幻灭低谷”,只有提供内置治理机制与高可靠性的端到端方案,才能真正跨越落地鸿沟。 - [08:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=502s) 传统 SaaS 软件为了覆盖千差万别的企业场景异化成了臃肿的“决策树”,而 Agentic AI 的革命性在于能够代替业务人员直接穿越并执行这棵复杂的决策树。 - [09:20](https://www.youtube.com/watch?v=tKnQea-lfMA&t=560s) 真正可靠的企业级 Agentic 系统依赖三大支柱:上下文感知模型编排、动态生成界面的自适应 UX 工作流,以及贯穿客户全生命周期的全链路连接能力。 - [14:21](https://www.youtube.com/watch?v=tKnQea-lfMA&t=861s) 人机协作范式正从“人类主导并在需要时调用 AI”转变为“AI 自主运转完整工作流,仅在遇到异常或关键决策节点时呼叫人类介入”。 - [14:40](https://www.youtube.com/watch?v=tKnQea-lfMA&t=880s) 联想 ThinkPad 案例证明,Agentic AI 工作流能够完全替代合作 15 年的传统语言外包商;而缺乏专有业务知识与治理能力的通用前沿大模型在此类任务中必然失效。 - [15:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=922s) 在关乎国家安全的高风险情报分析中,Agentic AI 将原本耗时 3 至 4 周的多语言研判压缩至单个下午,极大地保全了具有强时效性情报的战略价值。 ## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=tKnQea-lfMA&t=4s) 创立 Lilt 的初衷与企业级多语言通信的高风险场景 Lilt 联合创始人兼首席执行官 Spence Green 在演讲开场时回顾了自己的学术与技术背景。在创立 Lilt 之前,他曾是斯坦福大学人工智能实验室(Stanford AI Lab)的研究科学家,并在 Google Translate 团队工作过一段时间。创立 Lilt 的核心愿景,是希望让企业级跨语言、跨国界的沟通变得像今天普通消费者使用 Google Translate 等消费级产品一样轻松顺畅。 不同于普通的日常翻译,Lilt 的业务重心主要聚焦于超大型企业,尤其是受严格监管的行业以及政府机构。在这些高风险(high-stakes)场景中,沟通内容必须保证绝对准确无误,容不得半点差错。Spence Green 强调,这种对准确性要求极高的场景正是企业级 AI(Enterprise AI)能够大显身手的绝佳用例。 ### [00:41](https://www.youtube.com/watch?v=tKnQea-lfMA&t=41s) 企业 AI 的落地现实:工作流变革的“分形难题”与消除非确定性 回顾企业 AI 的整体现状,Spence Green 指出目前企业界仍处于大量实验阶段。虽然代码辅助(coding assistance)和客户支持(customer support)等领域已经取得了显著且成熟的成效,但其他多数领域仍在探索之中。如今,几乎每位员工的桌面上都配备了某种形式的 AI 助手,这为向全员推广部署 Agent(智能体)带来了巨大的契机。然而,横亘在企业面前的最大阻碍并非技术本身,而是工作流变革中的“人的因素(human factors)”。过去企业推行一款新软件就已经非常艰难,而现在引入 Agentic 系统,则要求员工彻底转变跨团队协作的方式。 许多人习惯从消费级场景做简单外推,以为只要把 ChatGPT 扔给员工,他们就能自己摸索搞定。但在企业环境中,各家公司的容错率截然不同,员工害怕犯错,多团队协作更是让流程变得盘根错节。Spence Green 将企业业务工作流形象地比喻为“分形问题(fractal problems)”——就像分形几何一样,你越是凑近细看,冒出来的边界情况(edge cases)就越多,需要专门建模和确保可靠性的细节也随之激增。这也是为什么企业级软件(尤其是 Agentic 系统)的采用曲线异常陡峭。 ```mermaid flowchart TD accTitle: Eliminating Unuseful Non-Determinism in Agentic Workflows subgraph Pipeline["代码提交流程示例"] A["1. 编写代码 (Write Code)"] --> B["2. 代码审查 (Code Review)"] B --> C["3. 安全测试 (Security Testing)"] end subgraph Control["架构控制层"] D["消除无效非确定性 (Prune Invalid Paths)"] E["保留决策自由度 (Useful Degrees of Freedom)"] end Control -. 约束执行顺序.-> Pipeline ``` 针对这一挑战,企业需要化解内部普遍存在的“影子 AI(Shadow AI)”现象,将员工零散的个人工具使用转变为由团队协同支撑的系统级能力。与此同时,企业级落地的关键在于控制“非确定性(non-determinism)”。Agent 系统的强大之处在于其拥有做决策的自由度,但系统的架构设计必须剔除那些“毫无用处的非确定性”。Spence Green 举例说明:在一个标准的代码提交流程中,顺序必须是写代码、做 Code Review,最后进行安全测试;如果系统在代码还没写出来之前就跑去做安全测试,这种非确定性就是无效且有害的。因此,必须通过严谨的软件架构来组织 Agent 与工具的交互逻辑,彻底消除违背现实业务常理的执行路径。 ### [03:52](https://www.youtube.com/watch?v=tKnQea-lfMA&t=232s) 300 亿美元的多语言市场与企业服务软件化缺口 谈及跨国多语言沟通,很多高管层(C-suite)往往存在认知误区。当他们得知自家公司每年要在产品与服务本地化、构建多语言聊天机器人以及多语言代码库维护上花费 500 万美元时,常常感到不可思议,甚至会疑惑:“这难道不是 Google Translate 在十年前、十五年前就已经解决的问题吗?”然而现实并非如此。企业级跨语言沟通无法依赖通用翻译工具,原因在于三大核心门槛: 1. **质量认证标准**:商业传播必须具备严格的质量背书与合规认证; 2. **多层级审批与审查工作流**:涉及企业内部跨部门的层层审核; 3. **海量内容交付的规模化挑战**:需要应对持续涌现的大规模业务资产。 这三大痛点正是 Agentic AI 替代传统专业外包服务(Professional Services)的绝佳切入点。在全球范围内,企业每年在专业服务上的支出高达 4 万亿美元左右,而 Lilt 所切入的多语言商业沟通市场规模约为 300 亿美元。令人震惊的是,在 Google Translate 诞生约 20 年后的今天,这个 300 亿美元的市场中仅有约 3 亿美元被软件化(占比仅约 1%),绝大部分依然依赖高昂的人力外包。Spence Green 指出,这种现象不仅存在于多语言领域,在会计、平面设计、法律服务、战略咨询等各类企业专业服务中同样广泛存在,而 Agentic AI 正在迎来全面重塑这些传统服务、大幅提升运转效率的历史性机遇。 ### [05:34](https://www.youtube.com/watch?v=tKnQea-lfMA&t=334s) 企业的两大信息流与跨越 AI 落地的“幻灭低谷” 在深入企业实际运作时,企业通常存在两种主要的信息流动方向: | 信息流向类型 | 业务特征与典型场景 | 核心目标 | |:--- |:--- |:--- | | **对外发布与分发 (Distribution)** | 企业跨区域进行产品发布(Product Launch)、向海外用户提供本地化客户支持。 | 将企业内部工作语言转化为海外客户、用户或供应商的目标语言。 | | **对内理解与情报 (Understanding)** | 收集特定区域内关于自身品牌的讨论或当地发生的重要事件(如商业舆情监测、政府情报收集)。 | 将外部海量外语信息沉淀并转化为企业工作语言,辅助关键决策。 | 在向客户介绍方案时,Lilt 的初次沟通演示文稿(Deck)中特意包含了一条带有明显“下陷低谷(trough)”的采用曲线。许多企业起初接到管理层“用 AI 全面改造现有业务”的自上而下指令,便匆匆引入通用商业大模型或最新的前沿模型(如 GPT-4 / GPT-5)。但一旦将其直接硬套进实际工作流,系统很快就会崩溃——要么出现严重的信息错误,要么在面临截然不同的业务规模时延误交付节点,甚至引发信息安全问题。 企业随之陷入焦虑的被动应对状态:既想推进智能化转型,又缺乏可落地的路径。Lilt 的定位正是在此切入,提供一套内置治理机制(Governance)与高度可靠性的端到端 AI 完整方案,直接替换掉那些高度依赖人工、成本高昂的专业服务外包。一旦某个核心用例成功跑通,企业内部的思维模式就会发生转变:未来每当遇到新的沟通需求时,团队会本能地优先考虑用 AI 系统解决,而非继续堆砌人力。 ### [08:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=502s) Agent 带来的软件范式革命与三大核心支柱 针对当前行业对 Agent 的讨论,Spence Green 幽默地调侃道:“2025 年所谓的 Agent,在某种程度上就像是 2024 年 RAG(检索增强生成)应用的重新包装——无非是一个 Prompt 加上一个数据源,然后输出某种结果供人做研究。”但他随即严肃指出,这实际上代表了软件开发近 20 年来最深刻的一场变革。今年春天,当他重新坐下来与工程师一起为产品编写代码时,那种震撼感让他回忆起 1995、1996 年孩提时代在网景浏览器(Netscape)见证互联网初生时的激动体验。 这种变革直击企业级软件中最痛苦的死穴:传统 SaaS 软件为了适配千差万别的企业业务上下文,不得不堆砌海量配置项,最终将产品异化成一棵极其庞大臃肿的“决策树(decision tree)”。用户为了完成一项任务,必须在各种下拉菜单、跳转页面和必填字段之间艰难摸索。例如“让企业销售人员在 Salesforce 里老老实实填写字段,整整折腾了 20 年依然难如登天”。而 Agentic 系统的威力在于,业务人员心里清楚自己想做什么,AI 可以直接替他们去穿越和执行这棵复杂的决策树。 要构建真正可靠的企业级 Agentic 系统,必须依托三大核心支柱: ```mermaid flowchart LR accTitle: Three Pillars of Enterprise Agentic Systems subgraph Pillars["Agentic 系统三大支柱"] A["1. 上下文感知模型<br>(Context-Aware Models)"] B["2. Agentic 工作流与自适应 UX<br>(Agentic Workflows & Adaptive UX)"] C["3. 全链路连接能力<br>(Connectivity)"] end A --> D["模型微调 + 动态检索编排"] B --> E["按需动态生成界面与执行流"] C --> F["打通客户全生命周期软件接触点"] ``` - **上下文感知模型(Context-Aware AI Models)**:现代系统依赖多模型编排(Orchestration),而非单一模型的单次推理。系统混合调用针对特定任务微调(SFT / 在线强化学习)的小模型与通用大模型,并结合 RAG 检索,将二者有机组合以适应具体的业务上下文。 - **Agentic 工作流与自适应 UX(Adaptive UX)**:彻底告别静态固定界面。系统根据用户当下需要完成的具体任务(job to be done),动态生成对应的工作流与交互界面。 - *软件演进对比*:1980 年代企业全靠自建定制软件(高度契合但极耗资源);2000 年代 SaaS 兴起(统一部署但需花费巨资购买配套专业服务进行二次定制,连几百人的小公司都要雇佣专职 Salesforce 管理员);而 Agentic 工作流则兼具两者优势——既能开箱即用,又能针对具体业务上下文自我动态调优。 - **全链路连接能力(Connectivity)**:覆盖从潜在客户认知、购买决策、支付到后期留存的全生命周期,能够无缝挂接企业内部各业务环节所触达的底层系统与数据源。 ### [14:21](https://www.youtube.com/watch?v=tKnQea-lfMA&t=861s) 联想集团 ThinkPad 案例:从“人调用 AI”迈向“AI 驱动工作流” 上述架构正推动企业协作模式发生根本性逆转:过去是人类在主导工作并在需要时偶尔调用 AI(如当前初期的代码辅助);而未来的范式将转变为由 AI 自主运转完整工作流,仅在遇到异常或关键节点时才呼叫人类介入。 在实际业务验证中,联想集团(Lenovo)提供了一个极具说服力的范例: - **场景实践**:消费者在访问 lenovo.com 选购 ThinkPad 笔记本电脑时,页面上呈现的所有非英语多语言内容,全部由 Lilt 的 Agentic 工作流自动生成。 - **业务成效**:该方案直接替代了一家联想合作长达 15 年的传统专业语言服务外包商。不仅大幅缩短了新产品推向全球市场的周期(Time-to-Market),显著降低了内容生产成本,更助力联想触达了更广泛的国际客群。 - **通用模型失效的根源**:联想曾尝试直接使用 Google Translate 或调用 GPT-4/GPT-5 等通用模型,但均以失败告终。因为其业务上下文高度专有,涵盖具体的产品硬件规范、快速更迭的新品知识体系,必须依赖高度定制化、具备治理能力的 Agentic 工作流才能稳定运行。除商业巨头外,政府情报分析等同样面临多语言逆向理解挑战的领域,也正在全面加速该系统的落地。 ### [15:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=922s) Agentic AI 在高风险情报分析中的变革性应用与结语 在涉及多语言理解的高难度应用场景中,政府情报分析是一个极具代表性的领域。当今绝大多数从事安全与情报工作的政府部门,高度依赖人工分析师去收集、研读并理解其他国家与地区的言论和情报动向。在这个关乎国家安全、需要将海量外部信息快速转化为核心决策的高风险(high-stakes)环境中,Agentic AI(智能体 AI)展现出了巨大的赋能潜力。 通过将智能体系统部署到这类极端复杂的业务流中,原本在历史上往往需要耗费三到四周(three to four weeks)才能完成的跨语言情报梳理与分析任务,如今在短短一个下午(a single afternoon)内即可高效搞定。这种效率跃迁对于情报工作而言是颠覆性的,因为正如演讲者所强调的——“情报具有极强的时效性”(intelligence is perishable),一周之后获得的情报其价值远远不及当下。Agentic AI 正通过将高度人工化、极其耗时且容错率极低的传统工作流重塑为自主智能体工作流,释放出前所未有的战略价值。在分享的最后,演讲者向全场致谢,并简要开放了提问环节。 ```mermaid flowchart LR accTitle: 跨语言情报分析工作流变革对比 subgraph Traditional["传统人工工作流(耗时 3-4 周)"] A["多语言原始情报收集"] --> B["人工多语种研读与翻译"] B --> C["人工汇总与分析"] C --> D["形成决策报告(情报易过期)"] end subgraph Agentic["Agentic AI 工作流(耗时一下午)"] E["自动化多源情报采集"] --> F["Agentic AI 深度理解与提炼"] F --> G["即时高价值决策建议(保障时效性)"] end ``` - **任务周期缩短**:将传统需耗时 3 至 4 周的情报研判工作大幅压缩至单个下午完成。 - **情报时效价值(Perishability)**:情报信息随时间推移会迅速贬值,即时转化多语言数据的能力直接决定了安全决策的有效性。 - **高风险流程自动化**:将以往极度依赖人力的复杂、高风险场景成功转化为精准可靠的智能体协作工作流。 ## Notable quotes > [00:04](https://www.youtube.com/watch?v=tKnQea-lfMA&t=4s) 创立 Lilt 的核心愿景,是希望让企业级跨语言、跨国界的沟通变得像今天普通消费者使用 Google Translate 等消费级产品一样轻松顺畅。 — Spence Green > [00:41](https://www.youtube.com/watch?v=tKnQea-lfMA&t=41s) 横亘在企业面前的最大阻碍并非技术本身,而是工作流变革中的人的因素。过去企业推行一款新软件就已经非常艰难,而现在引入 Agentic 系统,则要求员工彻底转变跨团队协作的方式。 — Spence Green > [00:41](https://www.youtube.com/watch?v=tKnQea-lfMA&t=41s) 企业业务工作流就像分形几何一样,你越是凑近细看,冒出来的边界情况就越多,需要专门建模和确保可靠性的细节也随之激增。 — Spence Green > [00:41](https://www.youtube.com/watch?v=tKnQea-lfMA&t=41s) Agent 系统的强大之处在于其拥有做决策的自由度,但系统的架构设计必须剔除那些毫无用处的非确定性。 — Spence Green > [03:52](https://www.youtube.com/watch?v=tKnQea-lfMA&t=232s) 在 Google Translate 诞生约 20 年后的今天,这个 300 亿美元的市场中仅有约 3 亿美元被软件化,绝大部分依然依赖高昂的人力外包。 — Spence Green > [05:34](https://www.youtube.com/watch?v=tKnQea-lfMA&t=334s) 许多企业起初接到管理层‘用 AI 全面改造现有业务’的自上而下指令,便匆匆引入通用商业大模型……但一旦将其直接硬套进实际工作流,系统很快就会崩溃。 — Spence Green > [08:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=502s) 2025 年所谓的 Agent,在某种程度上就像是 2024 年 RAG 应用的重新包装——无非是一个 Prompt 加上一个数据源,然后输出某种结果供人做研究。 — Spence Green > [08:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=502s) 让企业销售人员在 Salesforce 里老老实实填写字段,整整折腾了 20 年依然难如登天。而 Agentic 系统的威力在于,业务人员心里清楚自己想做什么,AI 可以直接替他们去穿越和执行这棵复杂的决策树。 — Spence Green > [14:21](https://www.youtube.com/watch?v=tKnQea-lfMA&t=861s) 过去是人类在主导工作并在需要时偶尔调用 AI,而未来的范式将转变为由 AI 自主运转完整工作流,仅在遇到异常或关键节点时才呼叫人类介入。 — Spence Green > [15:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=922s) 情报具有极强的时效性,一周之后获得的情报其价值远远不及当下。 — Spence Green > [15:22](https://www.youtube.com/watch?v=tKnQea-lfMA&t=922s) 原本在历史上往往需要耗费三到四星期才能完成的跨语言情报梳理与分析任务,如今在短短一个下午内即可高效搞定。 — Spence Green ## Mentioned Spence Green, Lilt, Stanford AI Lab, Google Translate, ChatGPT, GPT-4 / GPT-5, Salesforce, Netscape, Lenovo (联想集团), ThinkPad, Ai4 ## Video description Spence Green, CEO, Lilt Abstracts The dawn of the superintelligence age is here, but are we truly ready to communicate across borders at scale? In today’s global economy, effective multilingual communication isn’t a luxury; it’s a strategic necessity. In this talk, I’ll explain why traditional tools like Google Translate and ChatGPT fall short for enterprise needs, and how agentic workflows powered by generative AI are transforming global content strategy. You’ll learn how to automate high-level communication tasks, free up your teams for more strategic work, and scale content with unprecedented precision. If you’re ready to move beyond the hype and toward real AI-driven business transformation, this session is for you. [Source](https://www.youtube.com/watch?v=tKnQea-lfMA)

Source quotes

[0:04] Spence Green: 创立 Lilt 的核心愿景,是希望让企业级跨语言、跨国界的沟通变得像今天普通消费者使用 Google Translate 等消费级产品一样轻松顺畅。 [0:41] Spence Green: 横亘在企业面前的最大阻碍并非技术本身,而是工作流变革中的人的因素。过去企业推行一款新软件就已经非常艰难,而现在引入 Agentic 系统,则要求员工彻底转变跨团队协作的方式。 [0:41] Spence Green: 企业业务工作流就像分形几何一样,你越是凑近细看,冒出来的边界情况就越多,需要专门建模和确保可靠性的细节也随之激增。 [0:41] Spence Green: Agent 系统的强大之处在于其拥有做决策的自由度,但系统的架构设计必须剔除那些毫无用处的非确定性。 [3:52] Spence Green: 在 Google Translate 诞生约 20 年后的今天,这个 300 亿美元的市场中仅有约 3 亿美元被软件化,绝大部分依然依赖高昂的人力外包。 [5:34] Spence Green: 许多企业起初接到管理层‘用 AI 全面改造现有业务’的自上而下指令,便匆匆引入通用商业大模型……但一旦将其直接硬套进实际工作流,系统很快就会崩溃。 [8:22] Spence Green: 2025 年所谓的 Agent,在某种程度上就像是 2024 年 RAG 应用的重新包装——无非是一个 Prompt 加上一个数据源,然后输出某种结果供人做研究。 [8:22] Spence Green: 让企业销售人员在 Salesforce 里老老实实填写字段,整整折腾了 20 年依然难如登天。而 Agentic 系统的威力在于,业务人员心里清楚自己想做什么,AI 可以直接替他们去穿越和执行这棵复杂的决策树。 [14:21] Spence Green: 过去是人类在主导工作并在需要时偶尔调用 AI,而未来的范式将转变为由 AI 自主运转完整工作流,仅在遇到异常或关键节点时才呼叫人类介入。 [15:22] Spence Green: 情报具有极强的时效性,一周之后获得的情报其价值远远不及当下。 [15:22] Spence Green: 原本在历史上往往需要耗费三到四星期才能完成的跨语言情报梳理与分析任务,如今在短短一个下午内即可高效搞定。