so Google just paid $10 million for an airline’s Teams messages
TL;DR · AI 摘要
so Google just paid $10 million for an airline's Teams messages - Gradient Flow so Google just paid $10 million for an a...
核心要点
- 主题聚焦：so Google just paid $10 million for an airline’s
- 来源：Gradient Flow，建议结合原文判断细节。
- AI 分析暂不可用，本条为保底评分与摘要。
所以 Google 刚刚以 1000 万美元收购了一家航空公司的 Teams 消息 - Gradient Flow
所以 Google 刚刚以 1000 万美元收购了一家航空公司的 Teams 消息
发布者
Ben Lorica
2026 年 9 月 15 日
发布于
未分类
标签：
newsletter
.meta-info
.post-thumbnail
订阅 • 以前的版本
当工作历史成为 AI 资产
Google 最近同意以 1000 万美元收购 Spirit 航空公司的内部业务数据。这家航空公司已破产，但其电子邮件、Teams 消息、软件、电子表格和运营记录显然仍有价值。Google 计划将这些数据用于产品开发和 AI。Spirit 的空乘人员反对此次出售，并要求为员工数据提供额外保护，破产法官已推迟批准，等待纠纷解决。
我对此交易感兴趣的原因不同。我最近注意到，随着对强大模型的访问变得更容易，公司通过运营系统所学到的持久价值占比越来越大。Spirit 的交易让我想更仔细地审视这一论点的一个方面：人们实际执行工作的记录。这让我开始思考，这种运营历史是否比公司意识到的更有价值。
没有付费墙的把戏，只是一次诚恳的请求：考虑成为付费支持者 🙏
##### 从输出到流程
公司保留的大部分内容是结果的记录。你有完成的财务分析、已解决的支持工单、已发布的代码，或发送给客户的建议。
试图执行工作的代理可能需要的不仅仅是最终结果。他们可以从看到某人查找了哪些信息、忽略了哪些内容、使用了哪些工具、在哪些地方遇到困难、如何调整方向，以及如何判断任务完成的流程中受益。最终文件可以告诉 AI 公司知道什么。工作流程历史可以教会它公司如何运作。
这已经开始超越理论。研究人员最近使用软件开发事件日志推断人们执行的角色并生成相应的代理规范。公司也在构建训练环境，让代理可以练习完整任务并根据是否真正完成任务进行评分。
这个基本概念应该很熟悉。人们通过积累经验变得更好，而不仅仅是阅读前辈完成的工作。代理可能也需要类似的东西。
##### 档案不是资产
这并不意味着你的 Slack 档案突然成为竞争优势。大多数工作场所的"废气"可能只是废气。我认为这里有三个有用的层次。最底层是消息、会议、工单、提交、点击和日志。在这些碎片之上是轨迹，将这些片段连接成从目标到决策到行动到结果的序列。最有价值的层次是你可以从这些轨迹中构建的内容：优质示例、失败案例、评估、修正和可重复使用的流程。
一个近期的系统很好地展示了这一演进过程。该系统能够分析代理留下的混乱追踪记录，识别出重复出现的流程，并将其转化为可执行的工作流。在其中一个案例中，原本需要34次API调用的任务，在识别出重复流程并编译后，仅需11次调用。虽然编译过程需要额外的工作量，但这并不能证明所有工作流都会突然变得更高效。关键在于，过去消失在日志中的经验，现在有机会被转化为可复用的资源。原始数据档案本身并非资产，真正的资产是将运营经验转化为机器可学习和复用的能力。
这也带来了数据保存的难题。企业可能担心有价值的工作流数据泄露，但更紧迫的问题是他们从未真正捕获到有价值的部分。决策与结果被割裂，异常情况消失在聊天记录中，有人解决了问题却没人记录修复成功的原因。企业可能拥有大量活动数据，却仍然丢失了大部分经验。
##### 同一模型，不同操作历史
设想两家竞争对手拥有本质上相同的强大模型和可比的内部文档。第一家将模型与这些文档连接起来。第二家不仅拥有数百甚至数千个示例，展示了经验丰富的员工如何调查问题、选择工具、处理特殊情况、从错误中恢复以及检查工作。他们将这些示例与结果关联，构建了评估体系，能够判断其代理是否真正改进。
第二家公司拥有的不仅是更多数据，更是围绕自身运营经验构建了学习系统。尽管开源模型不总是特定任务的最优或最经济选择，但企业现在在模型层面拥有越来越多可信的选择。
因此，我不应将这个问题视为开放与封闭AI的对立。一个前沿API可能适合某类工作负载，托管的开源模型适合另一类，而第三类工作负载可能需要在自身基础设施中运行的解决方案。一旦工作流包含有价值的企业知识，问题就不再仅仅是哪个模型表现最佳，还涉及到你希望在何处处理和存储这些知识。
##### 从值得教授的工作开始
如果我要领导企业AI项目，我会首先识别那些具有价值、频繁出现、需要真实专业知识且能评估结果的工作。一个简单的测试是：你是否会投入大量时间教导新员工做好这项工作？如果会，再问是否可以将部分积累的经验转化为对AI系统也有用的知识。
但我不會全天候记录每个人的所有操作。有价值的内容并非活动量的大小，而是那些解释优秀表现的决策、异常情况、失败尝试、修正措施和反馈。目标不是建立更大的数据档案，而是建立更清晰的工作成功记录。
我还会尽早解决权利归属问题。公司是否有权将这些记录用于AI？其中是否混入了员工或客户信息？团队还应决定并购后哪些内容可以转移，外部模型提供商可能保留什么，以及哪些工作流具有独特性，值得承担额外的运营负担以实现更严格的控制。
Spirit争议很好地预示了当这些问题被推迟到有人决定数据有价值之后会发生什么。企业多年来一直致力于保存工作成果，但代理系统可能会让这些成果背后的过程同样重要。关键不在于保存所有信息，而在于识别出哪些经验片段值得保留，并将其转化为AI系统真正可以学习的内容。
水、电力、噪音：数据中心的本地影响
摘自《Water, Noise, Power: 数据中心的真实成本》
AI的知识工作棘轮
源自《Navier-Stokes与AI生成的工作：如果你无法解释它，真的做过吗？》